LLM은 방대한 텍스트를 학습해 다음에 올 말을 예측하는 방식으로 글을 이해하고 만들어내는 AI 모델입니다. Large Language Model의 약자로 대규모 언어 모델이라고 번역합니다. ChatGPT, Gemini, Claude가 모두 LLM 위에서 동작하고, 구글 AI Overviews와 네이버 AI 브리핑의 답변도 LLM이 만듭니다.
LLM 자료는 두 부류로 갈립니다. 수식이 나오는 개발자 문서와, 원리 없이 활용법만 다루는 일반 문서입니다. 이 글은 그 사이를 겨냥합니다. 콘텐츠와 검색을 다루는 사람이 AI 검색 대응을 이해하는 데 필요한 만큼의 원리를, 수식 없이 정확하게 다룹니다.
이 글은 Google의 머신러닝 교육 문서를 기준으로 작성했습니다.
다음 단어를 예측해 답을 만드는 원리
LLM의 기본 동작은 단순합니다. 지금까지의 글을 보고 다음에 올 조각을 확률로 계산하는 것입니다. "서울은 대한민국의"까지 읽었다면 "수도"가 이어질 확률이 높다고 계산합니다. 이 한 가지 동작을 방대한 텍스트로 훈련한 결과가 번역, 요약, 질문 답변처럼 보이는 능력들입니다.
중요한 함의가 여기서 나옵니다. LLM은 사실을 저장했다가 꺼내는 데이터베이스가 아니라, 그럴듯한 다음 말을 만드는 확률 기계입니다. 그래서 모르는 것도 그럴듯하게 답하는 할루시네이션이 구조적으로 생기고, 이를 보완하려고 AI 검색은 답하기 전에 웹을 검색해 근거를 가져오는 RAG 방식을 씁니다. 콘텐츠 운영자에게 인용 기회가 생기는 지점이 바로 이 보완 장치입니다.
토큰, 파라미터, 컨텍스트 윈도우
LLM 소개마다 나오는 단위들을 실무자 기준으로 정리하면 이렇습니다.
| 단위 | 무엇인가 | 실무에서 만나는 장면 |
|---|---|---|
| 토큰 | 모델이 글을 처리하는 최소 조각 | API 요금과 입력 한도가 토큰으로 계산됨 |
| 파라미터 | 학습으로 조정된 모델 내부의 값 | 모델 크기 표기(7B, 70B)와 성능, 비용의 대략적 비례 |
| 컨텍스트 윈도우 | 한 번에 참조할 수 있는 입출력 범위 | 긴 문서를 넣으면 앞부분이 잘리는 이유 |
한국어 사용자라면 토큰에서 한 가지를 더 알아 두면 좋습니다. 토큰은 단어보다 작게 쪼개지는 경우가 많고, 같은 뜻이라도 한국어가 영어보다 더 많은 토큰으로 쪼개지는 경우가 흔합니다. 같은 분량의 글이 더 빨리 입력 한도에 닿거나 비용이 더 드는 이유입니다.
LLM, GPT, ChatGPT, 생성형 AI의 층위
섞여 쓰이는 네 용어는 포함 관계로 정리됩니다.
| 용어 | 층 | 예 |
|---|---|---|
| 생성형 AI | 콘텐츠를 만드는 AI 전체 | 글, 이미지, 영상 생성 모델 모두 |
| LLM | 그중 언어를 다루는 모델 분류 | GPT 계열, Gemini, Claude |
| GPT | LLM의 한 모델 계열 이름 | OpenAI가 만든 모델들 |
| ChatGPT | GPT를 채팅으로 쓰게 만든 서비스 | 서비스에는 검색, 도구 같은 기능이 추가됨 |
모델과 서비스의 구분이 특히 중요합니다. 같은 모델이라도 서비스가 검색을 붙였는지, 어떤 시스템 지시를 넣었는지에 따라 답변이 달라집니다. AI 검색 대응에서 서비스별로 확인해야 하는 이유입니다.
마케터가 LLM 원리에서 얻어야 할 결론
내 콘텐츠와 브랜드 정보가 LLM의 답변에 들어가는 경로는 두 갈래이고, 통제 가능성이 다릅니다.
- 학습 경로: 모델이 훈련될 때 웹에서 수집된 정보로 들어갑니다. 어떤 데이터가 얼마나 반영되는지 외부에서 통제할 수 없고, 지식 컷오프 이후는 반영되지 않습니다. 할 수 있는 일은 AI 크롤러 허용 여부 결정과, 웹 전반에 정확한 정보를 꾸준히 쌓는 것까지입니다
- 인용 경로: 답변 시점에 검색으로 선택되어 들어갑니다. 크롤링 가능한 사이트, 질문에 바로 답하는 구조, 검증 가능한 내용이라는 조건을 갖추면 통제 가능한 영역입니다. GEO와 AI 검색 최적화가 다루는 실무가 여기입니다
이 구분은 통설을 거르는 기준도 됩니다. 브랜드를 모델에 학습시켜 준다는 서비스 제안은 학습 경로가 외부에서 통제되지 않는다는 원리와 충돌합니다. 실무에서 움직일 수 있는 것은 인용 경로이고, 성과도 AI 가시성 측정으로 인용 경로에서 확인해야 합니다.
자주 묻는 질문
LLM과 ChatGPT는 같은 말인가요?
층이 다릅니다. LLM은 기술 분류이고 ChatGPT는 그 기술로 만든 서비스입니다. 엔진과 자동차의 관계로 보면 됩니다. 서비스에는 모델 외에 검색과 도구 기능이 붙어 있어, 같은 모델이라도 서비스에 따라 답변 능력이 다릅니다.
왜 같은 질문에도 답이 매번 다른가요?
다음 말을 확률로 고르는 구조라서, 매번 가장 높은 확률만 고르지 않고 약간의 무작위성을 두기 때문입니다. 이 변동성 때문에 AI 답변 속 브랜드 노출은 한 번의 확인이 아니라 반복 측정으로 봐야 합니다.
우리 콘텐츠가 LLM 학습에 쓰이는 것을 막을 수 있나요?
학습용 크롤러는 robots.txt에서 봇별로 차단할 수 있습니다. 다만 학습 차단과 별개로 검색용 수집까지 막으면 AI 답변에 인용될 기회도 줄어듭니다. 학습 경로와 인용 경로를 나눠서 정책을 정하는 것이 실익에 맞습니다.
LLM이 발전하면 검색과 SEO는 없어지나요?
LLM의 구조적 한계인 최신성 부족과 할루시네이션을 보완하는 장치가 검색이라서, 오히려 LLM이 쓰일수록 검색과 결합이 깊어지고 있습니다. 링크 목록 시대의 SEO가 답변 시대의 GEO로 확장되는 것이지, 웹 콘텐츠가 근거인 구조 자체는 유지되고 있습니다.