Schema.org와 RAG: 구조화 데이터가 LLM 검색을 바꾸는 이유

Retrieval-Augmented Generation(RAG)은 대부분의 AI 검색 제품을 구동합니다. 사용자가 "200달러 이하 최고의 방수 하이킹 부츠"를 물으면 시스템은 청크를 검색한 뒤 인용이 포함된 답변을 합성합니다.

HTML만으로는 부족한 이유

비구조화 페이지는 내비게이션, 프로모션, 스펙이 뒤섞입니다. 청킹 알고리즘(고정 크기, 시맨틱, 제목 기반)은 상품 사실을 무관한 세그먼트로 자르기 쉽습니다. Schema.org JSON-LD는 예측 가능한 `<script type="application/ld+json">` 블록에 있으며 — 많은 크롤러가 이를 고신뢰 구조화 증거로 인덱싱합니다.

판매자가 활용할 스키마 유형(데이터셋 내 인용 영향 순)

1. Product + Offer(priceValidUntil, availability) 2. FAQPage(자연어 Q&A) 3. HowTo(설치, 사이즈, 관리 가이드) 4. Review / AggregateRating(진정한 경우) 5. BreadcrumbList(카테고리 페이지 컨텍스트)

안티패턴

- 표시 콘텐츠와 모순되는 마크업(Google과 AI 시스템이 불일치에 페널티) - 가짜 리뷰나 AggregateRating 부풀리기 - 카테고리 페이지에 Product 스키마(대신 ItemList 사용)

연구 노트

Lewis 등(2020)의 RAG 프레임워크는 검색 품질이 생성 품질의 상한을 정한다고 밝혔습니다. 판매자에게 *검색 품질*은 increasingly *구조화 사실 품질*을 의미합니다. Visora는 스키마 유효성, 필드 완전성, HTML-JSON 일관성 — ML 전문 지식 없이 제어 가능한 3변수 — 을 감사합니다.