AI 검색 대응 지표를 흔히 해석하는 방식 가운데 상당수는 한 사이트의 서버 로그만 확인해도 다시 검토할 여지가 있습니다. 넥스트티가 공개한 관측 자료에서는 한 달 동안 AI 요청의 약 93%가 장기 수집이었고, 실시간 인용은 약 7%였습니다. 요청량, 엔진별 비중, 하루 수치는 측정 조건과 분모를 확인한 뒤에 해석해야 판단 오류를 줄일 수 있습니다.
근거 사례로 삼은 한 달 관측
근거 사례는 넥스트티가 자사 사이트(next-t.co.kr) 서버 로그를 2026-07-01~2026-07-31 기간 동안 집계한 자료입니다. 요청은 User-Agent로 1차 분류한 뒤 ASN과 rDNS로 교차 점검했습니다. ASN은 네트워크 운영 주체 번호, rDNS는 IP 주소로 도메인을 거꾸로 찾는 조회입니다. 원문은 AI 요청을 User-Agent와 ASN으로 교차 점검한 기록에서 확인할 수 있습니다.
이 자료는 한 사이트의 일부 요청을 본 부분 관측입니다. 아래 수치는 업계 전체의 경향이 아니라 이 사이트에서 관측된 결과로 읽어야 합니다.
| 구분 | 수치 | 해석 시 유의점 |
|---|---|---|
| 실시간 인용(ai_cite) fetch 합계 | 8,583건(글로벌 엔진 100%) | 한 사이트의 한 달 합계 |
| 국내 엔진 실시간 인용 | 0건(0%) | 부분 관측 범위의 결과 |
| ChatGPT 인용 fetch | 7,619건(89%, 고유 924페이지) | 이 사이트 인용 안에서의 비중 |
| Claude 인용 fetch | 772건(9%, 고유 223페이지) | 시장 점유율이 아님 |
| AI 요청 중 장기 수집(crawl) 비중 | 약 93%(실시간 인용 7%) | AI 요청 전체 기준 |
| 장기 수집 대 실시간 인용 | 약 14.3배 | 요청 유형 간 비율 |
| 일별 인용 최다·최소 | 07-06 453건 · 07-18 102건 | 원인은 관측만으로 특정하기 어려움 |
| 데이터센터 ASN 유입 비중 | 89.3%(7,666/8,583건) | 실시간 인용 요청 기준 |
| rDNS 정방향 확인 | 174건 | 교차 점검 결과 |
첫 번째 반론: AI 요청량을 인용량으로 보는 해석
흔한 해석은 AI 봇 요청이 늘면 AI 답변에 인용되는 빈도도 함께 늘었다고 보는 것입니다. 이번 관측에서 AI 요청 가운데 장기 수집(crawl)은 약 93%, 실시간 인용은 약 7%였습니다. 장기 수집 요청은 실시간 인용의 약 14.3배입니다.
일반적으로 장기 수집은 엔진이 문서를 미리 모으는 요청으로, 실시간 인용은 질문에 답하는 시점에 페이지를 가져가는 요청으로 구분합니다. 전체 요청량만 보면 수집 요청이 대부분을 차지해 인용 쪽 변화가 드러나지 않을 수 있습니다. 인용 성과를 보려면 두 유형을 나눈 뒤 실시간 인용만 따로 추적하는 방식이 해석 오류를 줄입니다.
반대로 수집 요청이 많다는 사실을 의미 없다고 볼 근거도 이번 측정에는 없습니다. 수집과 인용의 관계는 한 달 관측만으로 판단하기 어렵고, 같은 기준으로 기간을 늘려 비교해야 확인할 수 있습니다.
두 번째 반론: 엔진별 비중을 시장 점유율로 읽는 해석
실시간 인용 8,583건 가운데 ChatGPT는 7,619건(89%), Claude는 772건(9%)이었습니다. 이 수치를 특정 AI 서비스의 시장 지배력으로 해석하기 쉽지만, 분모는 이 사이트에 들어온 인용 요청입니다. 사이트 주제, 언어, 독자층이 다르면 비중도 달라질 수 있으므로 시장 점유율로 옮겨 쓰지 않습니다.
요청 건수와 함께 고유 페이지 수를 보면 해석의 폭이 넓어집니다. ChatGPT는 고유 924페이지, Claude는 고유 223페이지를 가져갔습니다. 인용이 일부 페이지에 집중됐는지 여러 페이지에 분산됐는지에 따라 개선 대상이 달라집니다. 따라서 건수와 고유 페이지 수를 함께 기록합니다.
국내 엔진의 실시간 인용은 0건이었고 글로벌 엔진이 100%를 차지했습니다. 다만 이를 국내 AI 서비스가 인용 요청을 보내지 않는다는 결론으로 넓히기는 어렵습니다. 봇 분류가 User-Agent 기준이어서 분류되지 않은 요청이 있을 수 있고, 한 사이트·한 달의 부분 관측이라는 한계가 있습니다.
세 번째 반론: 하루 수치와 봇 이름을 그대로 믿는 해석
일별 인용은 07-06에 453건으로 가장 많았고, 07-18에 102건으로 가장 적었습니다. 이런 차이는 특정 날짜의 글 발행이나 수정 효과로 연결해 해석하기 쉽지만, 이번 측정만으로는 원인을 특정하기 어렵습니다. 엔진의 수집 일정, 질문 수요, 분류 기준 변화 같은 요인이 겹쳤을 가능성도 함께 검토해야 합니다.
봇 이름도 같은 주의가 필요합니다. User-Agent는 요청을 보낸 쪽이 직접 적는 값이어서 그것만으로 실제 출처를 확정하기 어렵습니다. 이번 자료에서 실시간 인용 요청의 89.3%(7,666/8,583건)는 데이터센터 ASN에서 들어왔습니다. rDNS 정방향 확인까지 된 요청은 174건이었습니다.
User-Agent 분류와 네트워크 출처 점검은 서로 다른 단계의 확인입니다. 보고서에 어느 단계까지 확인한 수치인지 함께 적어야 신뢰 수준이 드러납니다. 엔진사가 User-Agent 이름이나 정책을 바꾸면 같은 요청이 다른 유형으로 재분류될 수 있습니다. 월별 비교에서는 분류 기준이 바뀐 시점을 기록해야 실제 변화와 분류 변화를 구분할 수 있습니다.
자사 로그 점검 순서
자사 사이트 로그로 AI 인용을 점검하려는 담당자는 다음 순서로 기준을 정리할 수 있습니다.
- 측정 기간, 대상 사이트, 관측 범위(전체·부분)를 먼저 기록합니다.
- AI 요청을 장기 수집과 실시간 인용으로 나누고, 인용 성과는 실시간 인용만으로 판단합니다.
- 엔진별 비중을 쓸 때는 분모가 자사 사이트 인용 요청이라는 점을 표 머리나 각주에 밝힙니다.
- 요청 건수와 고유 페이지 수를 함께 기록해 인용이 어느 페이지에 집중되는지 확인합니다.
- User-Agent 분류 뒤 ASN·rDNS 교차 점검을 거친 건수를 따로 표시합니다.
- 하루 급증·급감은 발행·수정 이력과 나란히 비교하되, 반복 관측으로 확인되기 전까지는 가설로 분류합니다.
- 분류 기준이나 엔진 정책이 바뀐 날짜를 변경 이력으로 남깁니다.
정리
한 달 서버 로그 관측은 AI 요청량, 엔진별 비중, 하루 수치가 각각 다른 질문에 답하는 지표라는 점을 보여 줍니다. 이번 자료에서 실시간 인용은 AI 요청의 약 7%였고, 엔진별 비중은 이 사이트 안에서의 비중이며, 일별 변동의 원인은 관측만으로 특정되지 않았습니다.
이 사례의 수치를 자사 지표에 그대로 옮기기보다, 같은 측정 조건과 분모로 자사 로그를 쌓는 것이 출발점입니다. 다음 달 로그부터 수집과 인용을 나눈 표와 확인 단계 표시, 변경 이력을 함께 만들어 비교를 시작하는 것이 실무적인 첫 단계입니다.