프롬프트는 AI에 원하는 작업과 답변 조건을 전달하는 입력입니다. ChatGPT에 입력하는 질문이 대표적입니다. 문장뿐 아니라 함께 제공한 자료와 예시도 모델이 답변을 만드는 데 영향을 줍니다.
모델에 전달되는 입력의 구성
모델에 전달되는 내용은 사용자가 방금 입력한 문장보다 많을 수 있습니다. 서비스는 운영자가 정한 규칙, 이전 대화와 참고 자료를 함께 전달합니다. 따라서 같은 질문을 입력해도 서비스나 대화 이력에 따라 답변이 달라질 수 있습니다.
- 사용자 프롬프트: 사용자가 이번에 입력한 질문이나 작업 요청입니다.
- 시스템 프롬프트: 서비스 운영자가 미리 지정한 역할과 규칙입니다.
- 추가 맥락: 이전 대화, 첨부 자료, 검색으로 가져온 문서 등입니다. RAG에서는 검색한 콘텐츠를 이 맥락에 넣어 답변의 근거로 삼습니다.
입력 자체를 프롬프트라고 부르고, 원하는 결과가 나오는지 시험하며 입력을 다듬는 작업은 프롬프트 엔지니어링이라고 부릅니다. 예를 들어 출력 형식을 지정한 뒤 여러 자료를 넣어 보고, 빠뜨린 항목이 있으면 지시를 고치는 작업이 여기에 해당합니다.
검색 키워드와 무엇이 다른가
검색 키워드는 흔히 짧은 단어 조합이고, 프롬프트는 상황과 판단 기준을 담은 문장인 경우가 많습니다. 다만 검색창에도 긴 질문을 쓸 수 있고 AI에도 짧은 단어를 입력할 수 있으므로, 길이만으로 둘을 구분하지는 않습니다.
| 구분 | 검색 키워드의 예 | 프롬프트의 예 |
|---|---|---|
| 표현 | 강남 세무사 | 강남에서 스타트업을 잘 아는 세무사를 추천해 줘 |
| 명시한 조건 | 지역과 업종 | 지역, 업종, 전문 분야, 추천 요청 |
| 확인할 결과 | 검색결과의 링크와 검색 기능 | 생성된 답변과 제시된 출처 |
| 수요 자료 | 검색량 도구의 집계나 추정치 | 고객 질문과 조사 표본, 도구의 추정치 |
예산이나 우선순위를 적은 프롬프트에는 사용자가 무엇을 기준으로 답을 고르려는지가 드러납니다. 다만 운영자가 임의로 만든 질문은 고객이 실제로 입력한 질문과 다릅니다. 그 질문에서 브랜드가 추천됐다는 사실만으로 실제 수요의 크기를 판단할 수는 없습니다.
브랜드 노출을 추적할 질문 만들기
GEO와 AI 가시성을 점검할 때는 어떤 질문에서 브랜드를 추적할지 먼저 정합니다. 고객 상담, 서치콘솔의 질문형 검색어, 커뮤니티 질문과 관련 질문에서 조사할 질문을 찾을 수 있습니다.
| 유형 | 프롬프트 예시 | 확인할 내용 |
|---|---|---|
| 정보형 | “캐노니컬 태그가 무엇인지 예시와 함께 설명해 줘” | 정의와 예시, 출처의 정확성 |
| 비교형 | “301과 302 리디렉션의 차이를 사용 상황별로 비교해 줘” | 차이와 적용 조건, 예외 |
| 추천형 | “직원 20명 제조업체에 맞는 SEO 측정 도구를 조건별로 추천해 줘” | 추천 기준과 브랜드 언급 |
| 조건형 | “무료 도구만 사용해 색인 상태를 확인하는 순서를 알려 줘” | 조건 준수와 실행 가능성 |
질문 목록에는 실제 출처와 선정 이유를 남깁니다. 예를 들어 상담에서 반복된 질문인지, 서비스 선택에 영향을 주는 조건인지 적습니다. 표현만 조금씩 다른 질문이 많으면 특정 주제의 결과가 전체 측정을 과도하게 좌우할 수 있으므로 주제별 비중도 살펴야 합니다.
도구가 프롬프트 수요 추정치나 패널 데이터를 제공한다면 표본의 규모, 수집 방식과 대상 서비스를 확인해야 합니다. 직접 고른 질문 목록에서 나온 언급 비율을 전체 AI 이용자의 브랜드 노출 비율로 환산할 수는 없습니다.
같은 질문을 반복 측정하는 방법
선정한 프롬프트를 AI 서비스에 입력하고 브랜드 언급과 AI 인용을 따로 기록합니다. AVCD가 2026년 7월 공개한 지역 업체 검색 사례에서도 지도, 업체 웹사이트와 업종 플랫폼 등 여러 출처가 나타났습니다. 서비스마다 질문이 다른 관찰이므로 같은 질문에 대한 서비스 간 비교 실험으로 해석해서는 안 됩니다.
비교할 때는 날짜, 서비스와 모델, 웹 검색 사용 여부, 국가와 반복 횟수를 남깁니다. 같은 프롬프트도 답변이 달라질 수 있으므로 반복 실행에서 브랜드가 얼마나 자주, 어떤 설명으로 등장하는지 기록합니다. 이름이 나왔더라도 서비스 설명이 틀리거나 외부 매체만 출처로 연결됐다면 그 사실도 별도 항목으로 남깁니다.
원하는 답변을 얻기 위한 작성 원칙
프롬프트에는 수행할 작업, 독자와 출력 형식을 구체적으로 적습니다. “글 써 줘”보다 “스타트업 대표에게 보낼 세무 일정 안내 이메일을 정중한 말투로 써 줘”라고 쓰면 대상과 형식이 분명해집니다. 이때 실제 안내할 일정도 자료로 제공해야 모델이 날짜를 임의로 채우는 일을 줄일 수 있습니다.
원하는 결과의 예시를 제공하거나 복잡한 작업을 나눠 요청할 수도 있습니다. 결과에서는 사실과 누락을 확인합니다. 일정 안내라면 날짜와 대상, 준비 사항을 원자료와 대조하고, 업무에 반복 적용할 프롬프트라면 다른 일정 자료에서도 조건을 지키는지 시험합니다.
자주 묻는 질문
프롬프트와 프롬프트 엔지니어링은 무엇이 다른가요?
프롬프트는 모델에 전달하는 입력입니다. 프롬프트 엔지니어링은 그 입력을 설계하고, 실제 결과를 평가해 지시나 예시를 수정하는 작업입니다.
사람들이 AI에 무엇을 묻는지 어떻게 알 수 있나요?
고객에게 AI에서 어떤 표현으로 질문했는지 직접 묻거나 실제 상담과 커뮤니티 질문을 조사할 수 있습니다. 검색어 데이터도 질문 후보를 찾는 데 도움이 되지만, 검색창에 입력한 표현을 AI에 입력한 기록과 동일시해서는 안 됩니다.
우리 브랜드가 답변에 나오게 할 수 있나요?
시험할 프롬프트에 브랜드명을 넣으면 답변이 그 브랜드를 다루도록 유도할 수 있습니다. 하지만 이것은 고객이 브랜드를 모르는 상태에서 질문했을 때 추천되는지를 측정한 결과가 아닙니다. 브랜드명을 넣은 질문과 넣지 않은 질문을 구별해 기록해야 합니다.
프롬프트 조사로 키워드 조사를 대신해도 되나요?
대신하기 어렵습니다. 키워드 조사는 검색 수요와 유입을, 프롬프트 조사는 특정 조건의 AI 질문에서 어떤 답변과 출처가 나오는지를 파악하는 데 쓰입니다. 검색량이 큰 키워드라도 AI에서 같은 빈도로 질문한다고 단정할 수는 없습니다.
함께 알아두면 좋은 용어
- 프롬프트 엔지니어링: 원하는 결과를 얻도록 모델 입력을 설계하고 시험하는 작업
- AI 가시성: AI 답변에 브랜드나 콘텐츠가 얼마나, 어떻게 나타나는지를 뜻하는 개념
- GEO: 생성형 AI 검색에서 콘텐츠의 발견과 인용을 돕도록 개선하는 작업
- LLM: 대규모 텍스트 등으로 학습해 언어를 처리하고 생성하는 모델
- 검색 의도: 사용자가 검색이나 질문으로 해결하려는 목적