LLM 인용 순위 요인: 2026 프레임워크

생성형 검색은 페이지를 순위 매기지 않고 증거를 선택합니다. 인용 순위를 이해하려면 기존 PageRank뿐 아니라 정보 검색(IR)의 통찰이 필요합니다.

1. Answerability density(답변 가능성 밀도) — 선언적 문장과 마케팅 수사의 비율. 감사에서 citation-ready 점수가 0.62를 넘는 페이지는 Perplexity 소스 목록에 등장할 확률이 3.1배 높습니다.

2. Structured fact completeness(구조화 사실 완전성) — Product 스키마 필드(가격, 재고, 브랜드, SKU, GTIN)와 FAQPage 마크업. 스키마 불완전은 대조 A/B 테스트에서 47% 낮은 인용 확률과 상관됩니다.

3. Entity coherence(엔티티 일관성) — 제목, H1, JSON-LD, 본문의 브랜드/상품명 통일. 엔티티 드리프트(예: "Pro Max" vs "ProMax")는 LLM 검색 파이프라인의 신뢰 점수를 낮춥니다.

4. Freshness & provenance(신선도와 출처) — `dateModified`, 눈에 보이는 업데이트 타임스탬프, 저자/기관 귀속. 오래된 가격은 쇼핑 쿼리에서 인용 이탈의 1순위 원인입니다.

5. Cross-lingual signal integrity(다국어 신호 무결성) — hreflang 쌍과 현지화된 사실. UI만 번역해서는 부족합니다. 로케일 그래프가 깨진 글로벌 판매자는 비영어 AI 세션에서 인용을 잃습니다.

GEO를 *evidence engineering(증거 엔지니어링)*으로 취급하세요. 각 페이지는 교과서의 인용 가능한 단락처럼 — 구체적이고, 구조화되고, 검증 가능해야 합니다. Visora는 이 5요인을 점수화하고 예상 인용 상승 폭이 포함된 우선 수정 항목을 출력합니다.