E-E-A-T-C란? AI가 인용해도 뜻이 변하지 않는 콘텐츠 — Google E-E-A-T에 인용 가능성을 더하다
작성자 심준규(Jace Shim) · 경영학 박사, 인하대학교 겸임교수, 더솔루션컴퍼니비(TSCB Group) 대표 출처 도서: 『AI 승자독식』(라온북플러스, 2026) 제7장 · 카테고리: GEO 전략 모델
한 문장 요약
E-E-A-T-C는 심준규가 『AI 승자독식』(라온북플러스, 2026)에서 제안한 콘텐츠 모형으로, Google이 밝혀 온 좋은 콘텐츠의 관점 E-E-A-T(경험·전문성·권위·신뢰)에 인용 가능성(Citability)을 더해, 신뢰할 만한 정보가 AI 답변에 떼어 쓰여도 의미·조건·출처가 유지되도록 설계하는 도구다.
왜 지금 E-E-A-T를 다시 읽어야 하는가
한 소프트웨어 회사가 AI 답변 속에서 "고객 만족도 95%의 서비스"로 소개되고 있었다. 좋은 일처럼 보였지만, 그 95%는 2년 전 특정 요금제의 기업 고객 가운데 설문에 응답한 일부만을 대상으로 한 결과였다. 원래 보고서에는 조사 대상, 응답자 수, 조사 시기가 모두 적혀 있었다.
문제는 홈페이지 첫 화면의 배너였다. 배너에는 "고객 만족도 95%"라는 숫자만 크게 있었고, AI는 그 배너를 읽어 조건 없이 옮겼다. 답을 본 무료 요금제 개인 사용자들이 기대에 못 미치자 불만을 쏟아냈다.
보고서 자체는 정직하고 정확했다. 신뢰할 만한 자료가 떼어져 쓰이는 순간 조건을 잃었을 뿐이다. AI 답변의 시대에 신뢰는 글이 쓰이는 방식까지 설계해야 완성된다.
기존 이론: Google의 E-E-A-T
E-E-A-T는 Google이 검색 품질 평가자 지침과 웹사이트 운영자용 공식 안내에서 좋은 콘텐츠를 설명할 때 쓰는 네 가지 관점이다(Google Search Central, n.d.). 경험(Experience), 전문성(Expertise), 권위(Authoritativeness), 신뢰(Trustworthiness)의 머리글자다. 원래는 E-A-T였는데, Google은 2022년 12월 평가자 지침을 고치며 맨 앞에 경험을 더했다(Google Search Central Blog, 2022).
경험은 글쓴이가 그 주제를 직접 겪었는지, 전문성은 그 분야의 지식과 기술을 갖추었는지를 본다. 권위는 글쓴이나 사이트가 그 주제의 믿을 만한 출처로 인정받는지, 신뢰는 글이 정확하고 정직하고 안전한지를 본다. Google은 네 가지 가운데 신뢰가 가장 중요하며, 나머지 셋은 신뢰를 받치는 기둥이라고 설명한다.
E-E-A-T 자체는 하나의 특정한 순위 요소가 아니다. 사이트마다 E-E-A-T 점수가 매겨져 순위가 정해진다는 설명은 과장이며, E-E-A-T는 좋은 콘텐츠가 어떤 모습인지 이해하게 돕는 관점이다. E-E-A-T-C는 이 네 관점을 그대로 이어받는다.
AI 시대에 E-E-A-T가 놓치는 빈칸: 글의 '조각'
E-E-A-T는 글 전체가 믿을 만한지를 묻는다. 그런데 생성형 AI는 페이지 전체를 옮기지 않고, 필요한 문단 하나·문장 하나를 골라 다른 출처와 섞어 새 답을 쓴다. 그때 그 조각이 앞뒤 문맥 없이도 정확한 뜻을 전할 수 있는지가 관건이 된다.
생성형 검색의 인용 품질 연구는 이 빈칸을 보여준다. 스탠퍼드대학교의 리우(Nelson F. Liu) 등은 생성형 검색 서비스 네 곳의 답변을 감사해, 생성된 문장 가운데 달린 출처로 완전히 뒷받침되는 문장이 평균 51.5%, 문장을 실제로 지지하는 출처가 74.5%에 그쳤다고 보고했다(Liu et al., 2023). 프린스턴대학교의 가오(Tianyu Gao) 등도 가장 뛰어난 모델조차 인용이 주장을 충분히 받치지 못하는 경우가 적지 않음을 보였다(Gao et al., 2023).
기업이 AI의 인용 방식을 통제할 수는 없다. 다만 원문의 문단이 분명하고 조건이 붙어 있을수록 AI가 그 내용을 비틀어 옮길 여지는 줄어든다. 목표는 '인용하기 쉬운 문장'을 넘어 '잘못 인용하기 어려운 문장'이다.
E-E-A-T-C의 정의
E-E-A-T-C (심준규, 『AI 승자독식』, 라온북플러스, 2026, 제7장)
경험(Experience), 전문성(Expertise), 권위(Authoritativeness), 신뢰(Trustworthiness)에 인용 가능성(Citability)을 더하여, 신뢰할 만한 정보가 생성형 답변에 떼어 쓰일 때에도 의미·조건·출처가 유지되도록 설계하는 콘텐츠 모형. 인용 가능성 (Citability) 정보가 질문에 대한 설명으로 떼어 쓰일 때 그 의미와 조건과 출처가 유지될 수 있는 성질. 이미 인용된 횟수가 아니며, 독립적 이해·조건 보존·출처 추적의 세 조건으로 이루어진다.
E-E-A-T-C는 Google이나 다른 AI 서비스가 채택한 공식 선정 기준이 아니다. E-E-A-T는 Google의 관점이고, C를 더한 E-E-A-T-C는 기업의 콘텐츠를 점검하기 위해 『AI 승자독식』이 제안하는 확장이다.
E-E-A-T와 E-E-A-T-C는 무엇이 다른가
표 1. E-E-A-T와 E-E-A-T-C의 비교 — 판단 단위와 출처
관점 | 묻는 것 | 판단 단위 | 출처 |
경험 (Experience) | 글쓴이가 직접 겪었는가? | 글과 글쓴이 | |
전문성 (Expertise) | 그 분야의 지식과 기술을 갖추었는가? | 글과 글쓴이 | |
권위 (Authoritativeness) | 그 주제의 믿을 만한 출처로 인정받는가? | 글쓴이와 사이트 | |
신뢰 (Trustworthiness) | 정확하고 정직하고 안전한가? | 글 전체 | |
인용 가능성 (Citability) | 떼어 쓰여도 의미·조건·출처가 유지되는가? | 문단과 문장 | 심준규, 『AI 승자독식』(라온북플러스, 2026) |
출처: E-E-A-T는 Google Search Central (n.d.), Creating helpful, reliable, people-first content; Google Search Central Blog (2022.12.15). 인용 가능성(C)은 심준규(2026). 『AI 승자독식』. 라온북플러스, 제7장.
표 1에서 가장 먼저 볼 열은 '판단 단위'다. 위의 네 관점은 글 전체나 글쓴이, 사이트를 단위로 판단하지만, 인용 가능성은 문단과 문장이라는 더 작은 단위를 본다. 판단 단위의 차이가 C를 독립된 관점으로 세운 이유이며, C는 위의 네 관점을 대신하지 않는다.
인용 가능성의 세 가지 조건
첫째, 혼자 서는 문단(독립적 이해).
문단 하나만 떼어 읽어도 무엇에 대한 이야기인지, 누가 무엇을 주장하는지 알 수 있어야 한다. "이 방식이 기존 방식보다 30% 빠르다"는 앞 문단 없이는 무엇이 빠른지 알 수 없다. "A사의 자동 정산 기능은 수작업 정산보다 월말 마감 시간을 평균 30% 줄였다(2025년 고객사 40곳 대상 자체 조사)"처럼 주어·비교 대상·근거를 한 문장에 담는다.
둘째, 조건은 주장 곁에(조건 보존).
국가, 기간, 제품 버전, 요금제, 대상 고객, 시험 환경 같은 조건을 주장 바로 곁에 둔다. 특히 "무료", "무제한", "보장", "최대", "모든"은 조건이 빠지면 실제보다 넓은 약속으로 읽힌다. "무료로 이용할 수 있다"는 "개인 사용자는 첫 30일 동안 기본 기능을 무료로 이용할 수 있다"로 쓴다.
셋째, 따라갈 수 있는 근거(출처 추적).
독자가 주장의 원자료, 측정 방법, 책임 주체, 확인 시점을 찾아갈 수 있어야 한다. 링크가 있다는 사실만으로는 충분하지 않으며, 링크를 눌렀을 때 같은 숫자와 같은 조건이 나오는지까지 확인한다.
표 2. 인용 가능성의 세 조건 — 고치기 전과 고친 후 문장 비교
조건 | 고치기 전 (잘못 인용되기 쉬운 문장) | 고친 후 (잘못 인용되기 어려운 문장) |
독립적 이해 | "이 방식은 기존보다 30% 빠르다." | "A사의 자동 정산 기능은 수작업 정산보다 월말 마감 시간을 평균 30% 줄였다." |
조건 보존 | "고객 만족도 95%" | "2024년 팀 요금제 기업 고객 응답자 기준 만족도 95%" |
출처 추적 | "업계 최고 수준의 성능" | "2025년 고객사 40곳 대상 자체 조사(조사 방법 링크)" |
출처: 심준규(2026). 『AI 승자독식』. 라온북플러스, 제7장.
신뢰(T)와 인용 가능성(C)은 어떻게 다른가
신뢰에는 이미 정확성과 출처 표시가 포함될 수 있으며, E-E-A-T-C가 출처 표시의 필요성을 처음 발견했다고 주장하지는 않는다. C가 강조하는 것은 판단의 단위와 상황이다. T는 "이 글을 믿을 수 있는가"를, C는 "이 글의 조각이 떼어져 다른 출처와 섞여도 그 믿음이 유지되는가"를 묻는다.
표 3. 신뢰(T)와 인용 가능성(C)의 네 가지 조합 — 목표 칸과 가장 위험한 칸
구분 | 인용 가능성(C) 낮음 | 인용 가능성(C) 높음 |
신뢰(T) 높음 | 믿을 만하지만 떼어지면 왜곡된다 (예: 조건이 각주에만 있는 정직한 보고서) | 믿을 만하고 떼어져도 정확하다 (목표) |
신뢰(T) 낮음 | 믿기 어렵고 쓰이기도 어렵다 | 믿기 어려운데 쓰이기는 쉽다 (가장 위험) |
출처: 심준규(2026). 『AI 승자독식』. 라온북플러스, 제7장.
가장 위험한 칸은 오른쪽 아래, 신뢰는 낮은데 인용하기는 쉬운 글이다. 짧고 단정적이고 숫자가 들어 있어 AI가 골라 쓰기 좋지만 근거가 약하며, '인용되는 글쓰기 요령'만 배운 회사가 빠지기 쉬운 함정이다. 순서는 늘 신뢰를 먼저 세우고, 그다음 인용 가능성을 다듬는 것이다.
주장에 맞는 근거를 붙인다
표 4. 근거의 종류와 어울리는 주장 — E-E-A-T-C의 근거 선택 기준
근거의 종류 | 강점 | 약점 | 어울리는 주장 |
자체 시험·측정 | 자사 제품에 맞는 구체적 데이터 | 이해관계가 있어 독립성이 약함 | 성능 수치, 적용 조건 (방법을 함께 공개할 때) |
제3자 인증 | 독립 기관의 확인 | 인증 범위가 좁을 수 있음 | 안전, 품질, 규제 준수 |
학술 연구 | 엄격한 방법, 공개 검증 | 자사 제품 자체를 다루지 않는 경우가 많음 | 원리, 일반적 효과, 배경 지식 |
고객 사례 | 실제 사용 맥락이 생생함 | 개별 경험이라 일반화가 어려움 | 사용 장면, 도입 과정, 적합한 고객 유형 |
고객 후기 | 많은 사람의 경험 | 검증이 어렵고 편향될 수 있음 | 사용 편의, 서비스 만족 (조심스럽게) |
출처: 심준규(2026). 『AI 승자독식』. 라온북플러스, 제7장.
근거가 많다고 좋은 것이 아니라, 주장의 종류에 맞는 근거가 정확히 붙어 있어야 한다. 안전 성능을 주장하면서 고객 후기만 내밀면 근거의 강도가 맞지 않는다. 일반 학술 연구를 인용해 자사 제품의 효과를 증명한 것처럼 쓰는 일도 피한다.
사례: Stripe의 개념 비교 콘텐츠
온라인 결제 기업 Stripe의 안내 글 "결제 처리업체와 결제 게이트웨이(Payment processor vs payment gateway)"는 E-E-A-T-C의 구조를 잘 보여준다(Stripe, 2026). 두 개념을 먼저 따로따로 정의한 뒤, 거래에서의 역할·서비스 범위·사업 시스템과의 연동·비용의 네 기준으로 나란히 비교한다. 거래가 처리되는 과정을 일곱 단계로 풀고, 자사 서비스 안내는 개념 설명이 모두 끝난 뒤에 따로 둔다.
정의 문단이 혼자 서 있으니 "결제 게이트웨이란 무엇인가"라는 질문에 그 문단 하나가 그대로 답이 된다. 설명 문단과 판매 메시지를 분리하면 설명 문단은 중립적인 근거로 쓰이기 좋아진다. 이 분석은 콘텐츠 구조에 관한 것이며, 해당 글의 실제 AI 인용 횟수를 측정한 것은 아니다.
실무 적용: 문단 감사표
표 5. E-E-A-T-C 문단 감사표 — 주요 페이지를 문단 단위로 점검하는 9가지 항목
점검 항목 | 질문 | 문제가 있을 때 |
질문 대응 | 이 문단은 어떤 고객 질문에 직접 답하는가? | 답하는 질문이 없으면 삭제하거나 합친다 |
주어 | 떼어 읽어도 무엇에 대한 이야기인지 알 수 있는가? | "이것", "해당", "위의"를 구체적인 이름으로 바꾼다 |
조건 | 기간·대상·버전·요금제가 주장 곁에 있는가? | 조건을 같은 문장이나 바로 다음 문장으로 옮긴다 |
위험 단어 | "무료·무제한·보장·최대·모든"에 조건이 붙어 있는가? | 조건을 붙이거나 표현을 바꾼다 |
근거 | 주장을 받치는 근거가 함께 있는가? | 근거를 확보하거나 주장의 크기를 줄인다 |
근거의 대응 | 근거가 질문의 조건과 맞는가? | 질문에 맞는 근거로 바꾼다 |
추적 | 출처를 따라가면 같은 내용이 나오는가? | 링크와 원자료를 맞춘다 |
시점 | 언제 확인한 정보인지 알 수 있는가? | 기준일이나 갱신일을 적는다 |
판매 메시지 분리 | 설명 문단에 광고 문구가 섞여 있지 않은가? | 설명과 판매 안내를 다른 문단으로 나눈다 |
출처: 심준규(2026). 『AI 승자독식』. 라온북플러스, 제7장.
가장 간단한 점검법은 중요한 문단을 하나씩 복사해 빈 문서에 붙여 읽어 보는 방법이다. 그 문단만으로 무슨 말인지 알 수 없다면 AI 답변 속에서도 알 수 없다. 점수를 합산하기보다, 결정적인 사실 하나가 확인되지 않으면 근거를 확보하거나 주장의 크기를 줄인다.
E-E-A-T-C의 명제와 경계
표 6. E-E-A-T-C의 세 가지 명제와 적용 범위
구분 | 내용 |
명제 1 | 신뢰할 만한 자료라도 독립적 이해·조건 보존·출처 추적이 어렵다면, 생성형 답변에서 정확하게 쓰이기 위한 준비가 부족할 수 있다. |
명제 2 | 조건과 근거를 주장 가까이에 명시하면, 고객과 검토자가 설명의 적용 범위를 확인하기 쉬워질 수 있다. |
명제 3 | 인용하기 쉬운 형식과 충분한 신뢰 근거를 함께 갖추어야, 의도한 가치와 실제 제공 조건을 일관되게 전달할 수 있다. |
원문 품질과 답변 품질 | 기업이 통제하는 것은 원문의 인용 가능성이며, 실제 AI 답변의 인용 정확성은 별개의 문제다. |
하지 않는 주장 | 특정 형식(FAQ·표·스키마)이 인용을 보장한다는 주장, 짧을수록 좋다는 주장 |
출처: 심준규(2026). 『AI 승자독식』. 라온북플러스, 제7장.
조건을 붙이면 문장은 길어지지만, 정확한 긴 문장이 부정확한 짧은 문장보다 낫다. 형식은 내용을 실어 나르는 그릇일 뿐이며, 무엇을 주장할지와 그 조건·근거를 먼저 정한 뒤 가장 잘 전달하는 형식을 고른다. 여러 언어로 공개하는 기업은 언어별 페이지에서 같은 주장의 조건과 숫자가 일치하는지도 대조한다.
자주 묻는 질문
E-E-A-T-C는 Google의 공식 기준인가?
아니다. E-E-A-T는 Google이 밝혀 온 관점이고, 인용 가능성(C)을 더한 E-E-A-T-C는 심준규가 『AI 승자독식』(라온북플러스, 2026)에서 제안한 확장이다.
인용 가능성은 '많이 인용된 정도'를 뜻하는가?
아니다. 인용 가능성은 인용 횟수가 아니라, 떼어 쓰여도 의미·조건·출처가 유지되는 원문의 성질이다.
FAQ 형식이나 구조화 데이터를 쓰면 인용되는가?
형식은 도움이 되지만 인용을 보장하지 않는다. Google도 AI 기능에 나타나기 위해 특별한 구조화 데이터가 필요하지 않다고 안내한다.
E-E-A-T-C는 4개 모델 가운데 어디에 쓰이는가?
3C-AI로 경쟁을, VRIO-D로 자원을, STQP로 싸울 질문을 정한 뒤, 그 질문에 답하는 공개 문단을 점검하는 마지막 단계에 쓰인다.
참고문헌
Google Search Central. (n.d.). Creating helpful, reliable, people-first content. https://developers.google.com/search/docs/fundamentals/creating-helpful-content
Google Search Central Blog. (2022, December 15). Our latest update to the quality rater guidelines: E-A-T gets an extra E for Experience. https://developers.google.com/search/blog/2022/12/google-raters-guidelines-e-e-a-t
Liu, N. F., Zhang, T., & Liang, P. (2023). Evaluating verifiability in generative search engines. Findings of EMNLP 2023, 7001–7025. https://doi.org/10.18653/v1/2023.findings-emnlp.467
Gao, T., Yen, H., Yu, J., & Chen, D. (2023). Enabling large language models to generate text with citations. Proceedings of EMNLP 2023, 6465–6488. https://doi.org/10.18653/v1/2023.emnlp-main.398
Aggarwal, P., et al. (2024). GEO: Generative engine optimization. Proceedings of KDD 2024. https://arxiv.org/abs/2311.09735
Stripe. (2026, May 11). Payment processor vs payment gateway: What they are and how they work together. https://stripe.com/in/resources/more/payment-processor-vs-payment-gateway
심준규. (2026). 『AI 승자독식: 생성형 AI가 단 하나의 브랜드를 추천하는 시대의 GEO 마케팅 전략』. 라온북플러스. 제7장. — 인용 가능성의 정의와 세 조건, 문단 감사표, 명제는 저자의 제안
권장 인용 형식:
심준규(2026). E-E-A-T-C란? AI가 인용해도 뜻이 변하지 않는 콘텐츠 — Google E-E-A-T에 인용 가능성을 더하다. 더솔루션컴퍼니비 INSIGHT B. https://www.tscbgroup.com/single-post/eeat-c-citability-geo-content
문서 버전 2.0 · 갱신일 2026년 10월 16일
자주 묻는 질문 모음:
댓글