30초 핵심 요약
- 1Evertune은 ChatGPT가 많이 인용한 URL 표본에서 리스트형 콘텐츠가 약 50%를 차지했다고 분석했다. 다만 이 수치는 모든 ChatGPT 인용의 법칙이 아니라 특정 표본에서 관측된 패턴이다.
- 2리스트형이 강한 이유는 형식 자체가 특별해서가 아니다. 비교, 순위, 선택지, 짧은 설명처럼 AI 답변에 다시 쓰기 쉬운 정보 단위가 잘게 나뉘어 있기 때문이다.
- 3941단어, H2 4개, 내부 링크 28개 같은 중앙값을 공식처럼 따라 하면 위험하다. 한국어 콘텐츠에는 단어 수를 직접 적용하기보다 중간 길이, 짧은 문단, 명확한 소제목이라는 방향만 가져와야 한다.
- 4AirOps와 Kevin Indig의 fan-out 데이터는 더 앞단의 조건을 보여준다. 검색 결과로 먼저 회수되고, heading이 query와 잘 맞는 페이지가 citation까지 갈 확률이 높다.
- 5실무에서는 리스트형을 흉내 내기보다 질문에 대응되는 H2, 재사용 가능한 비교 단위, 근거 링크, JSON-LD, 내부 링크 구조를 함께 설계해야 한다.

ChatGPT 인용 콘텐츠는 ChatGPT가 답변의 출처로 붙이는 페이지를 말한다. Evertune 표본에서는 리스트형 글이 약 절반을 차지했지만, 이 글은 형식 자체보다 AI가 다시 쓰기 쉬운 정보 단위가 왜 중요한지 정리한다.
먼저 확인할 점
ChatGPT가 어떤 글을 인용하는지 이야기할 때 가장 흔한 오해는 “AI가 좋아하는 글 형식”을 하나의 템플릿으로 찾으려는 것이다. 이번 Evertune 데이터도 그렇게 읽히기 쉽다. ChatGPT가 많이 인용한 URL을 보니 리스트형 콘텐츠가 많고, 중앙값은 941단어였고, H2는 4개였다는 식이다.
하지만 이 숫자를 그대로 따라 하면 방향이 틀어질 수 있다. AI 검색에서 인용은 단순한 문서 미감의 문제가 아니라 retrieval, 질문 적합도, 정보 추출 가능성, 신뢰 신호가 겹쳐서 만들어지는 결과다. 이미 HaloX에서 다룬 AI에게 인용되는 콘텐츠 만드는 법이나 GEO 콘텐츠 구조화 가이드가 큰 원칙을 설명했다면, 이 글은 더 좁은 질문을 다룬다.
왜 ChatGPT가 인용하는 콘텐츠에는 리스트형이 많아 보일까? 답은 “리스트라서”가 아니라 “AI가 답변에 가져다 쓰기 쉬운 단위로 쪼개져 있어서”에 가깝다.
Evertune 데이터 요약
Evertune은 2026년 5월 1일 공개한 분석에서, 최근 60일 동안 Evertune 플랫폼에서 ChatGPT가 많이 인용한 40,000개 이상의 URL을 살폈다고 밝혔다. 약 50개 제품 카테고리를 대상으로 했고, 별도 구조 분석에서는 33,000개 이상의 URL을 분석했다고 설명한다. 엔진마다 인용 방식이 다르다는 점은 AI 플랫폼별 인용 비교 데이터에서 함께 볼 수 있다.
핵심 수치는 다음과 같다.
| 항목 | Evertune 관측값 | 읽을 때 주의할 점 |
|---|---|---|
| 분석 대상 | ChatGPT가 많이 인용한 40,000개 이상 URL | 원자료, query, prompt, heavily cited 기준은 공개되지 않음 |
| 카테고리 | 약 50개 제품 카테고리 | 제품/브랜드 비교형 질문 편향 가능 |
| 리스트형 비중 | 약 50% | listicle이 원인이라는 뜻은 아님 |
| 리스트형 세부 | ranked list 58%, unranked list 17%, institutional ranking 11%, 기타 15% | 21,000개 이상 listicle 표본 기준 |
| 구조 분석 표본 | 33,000개 이상 URL | 페이지 컴포넌트 추출 방식은 비공개 |
| 단어 수 | 중앙값 941 words | 영어권 기준. 한국어에 직접 변환 금지 |
| 문단 수 | 중앙값 18개 | 문단 추출 기준 확인 필요 |
| 문장 길이 | 중앙값 17 words | 한국어 문장 길이 기준으로 단순 치환하면 안 됨 |
| 헤딩 | H2 4개, H3 2개 | 질문 대응 구조를 점검하는 참고값 |
| 링크 | 내부 링크 28개, 외부 링크 15개 | 수량보다 맥락과 출처 품질이 중요 |
| 이미지와 리스트 | 이미지 10개, 리스트 2개 | 페이지 유형의 대리 신호일 수 있음 |
이 표에서 실무자가 가져갈 메시지는 “941단어짜리 글을 쓰자”가 아니다. 더 현실적인 해석은 이렇다. ChatGPT가 인용한 페이지에는 너무 짧아 맥락이 부족한 글보다, 질문을 여러 하위 단위로 나누고, 각 단위에 짧은 설명과 근거를 붙인 콘텐츠가 많았다.
구조, 근거, 명확성이라는 공통 원칙이 실제 인용 URL에서 어떤 형태로 자주 나타나는지 보여 준다는 점에서 Evertune 데이터는 좋은 사례다.
왜 리스트형이 강한가

리스트형 콘텐츠는 사람이 보기에도 빠르게 훑기 좋지만, AI 입장에서도 재사용하기 쉽다. 이유는 크게 다섯 가지다.
첫째, 항목 단위가 이미 분리되어 있다. “최고의 CRM 도구 10가지” 같은 글은 각 도구가 하나의 독립된 정보 블록으로 나뉜다. ChatGPT가 “중소기업에 적합한 CRM은 무엇인가?”라는 답을 만들 때, 전체 문서를 요약하지 않고도 몇 개 항목을 뽑아 쓸 수 있다.
둘째, 비교 맥락이 포함되어 있다. ranked list는 단순 목록이 아니라 선택 기준, 장단점, 순위, 추천 대상을 함께 담는 경우가 많다. AI는 이런 구조에서 “누구에게 무엇이 적합한가”라는 답변 재료를 얻기 쉽다.
셋째, heading과 항목명이 query에 가까워진다. AirOps 데이터가 보여주듯 heading-query similarity가 높은 페이지는 citation rate가 높았다. 리스트형 글은 각 항목의 제목, H2, H3가 구체적인 검색 의도와 맞물릴 가능성이 크다.
넷째, 문단이 짧고 주장 단위가 작다. AI가 답변을 만들 때 필요한 것은 긴 서론보다 특정 질문에 바로 붙일 수 있는 문장이다. “가격이 낮다”, “무료 플랜이 있다”, “B2B 팀에 적합하다”, “공식 문서가 잘 갖춰져 있다” 같은 작은 판단 단위가 많을수록 인용 가능성이 커진다.
다섯째, 내부 링크와 외부 링크가 자연스럽게 붙는다. 좋은 리스트형 글은 각 항목의 공식 사이트, 비교 글, 리뷰, 관련 가이드로 이어진다. 이 연결성은 단순 SEO 링크 수가 아니라, AI가 해당 페이지의 위치와 맥락을 이해하는 데 도움이 된다. 이 지점은 ChatGPT citation과 retrieval fit을 함께 봐야 한다.
다시 보면 listicle은 형식 자체보다 정보 설계의 결과에 가깝다. 목록, 표, 순위, FAQ를 넣었다고 자동으로 인용되는 것이 아니다. 질문에 맞는 정보 블록이 있고, 그 블록이 회수되고, 답변에 끼워 넣기 쉬워야 한다.
숫자를 공식으로 오해하면 안 되는 이유
Evertune의 숫자는 유용하지만, 그대로 실행 지시서가 되면 안 된다. 특히 세 가지를 조심해야 한다.
첫째, 표본의 성격이 공개되지 않았다. Evertune은 40,000개 이상의 ChatGPT-cited URL, 50개 제품 카테고리, 33,000개 이상의 구조 분석 URL을 언급했지만, 원자료와 query set, prompt set, 모델 조건, heavily cited 기준을 공개하지 않았다. 따라서 “ChatGPT 전체가 이런 글을 선호한다”고 일반화하기 어렵다.
둘째, 제품/브랜드 카테고리 편향이 있을 수 있다. 제품 추천, 브랜드 비교, 도구 순위 질문에서는 리스트형 콘텐츠가 원래 강하다. 사용자가 “최고의 X”, “Y 대안”, “Z 추천”을 묻는다면 검색 결과에도 listicle이 많고, ChatGPT가 인용하는 후보에도 listicle이 많아지는 것은 자연스럽다.
셋째, 영어권 word count를 한국어에 직접 적용하면 안 된다. 941 words는 영어 기준이다. 한국어 글에서 이를 단어 수로 맞추려 하면 문장 밀도와 독해 리듬이 깨질 수 있다. 한국어 콘텐츠에는 숫자보다 원칙을 옮기는 편이 낫다. 너무 짧아 근거가 부족하지 않게 쓰되, 하위 질문마다 독립적으로 재사용 가능한 단락을 만든다.
따라서 Evertune 데이터는 중앙값을 맞추기보다, 우리 콘텐츠가 AI가 가져갈 수 있는 정보 단위를 충분히 갖고 있는지 점검하는 기준으로 쓰는 편이 안전하다.
retrieval과 heading fit이 먼저라는 보강

AirOps와 Kevin Indig의 fan-out report는 이 논의를 더 현실적으로 만든다. 해당 분석은 16,851개 unique queries, 50,553개 ChatGPT responses, 353,799개 pages를 바탕으로 fan-out 과정에서 어떤 페이지가 citation으로 이어지는지 살폈다.
가장 먼저 봐야 할 신호는 글 형식보다 앞단의 회수 위치였다. retrieval position 1의 citation rate는 58.4%였지만, position 10은 14.2%였다. ChatGPT가 답변에 인용하려면 먼저 후보군에 잘 들어와야 한다는 뜻이다.
또 하나의 신호는 heading-query fit이다. heading과 query의 primary similarity가 0.90 이상인 페이지의 citation rate는 41.0%였다. 이는 리스트형 콘텐츠가 강한 이유를 설명하는 보조 근거가 된다. 좋은 리스트형 글은 H2와 H3가 대체로 사용자의 하위 질문과 가깝다. 예를 들어 “B2B SaaS 팀을 위한 AI 검색 모니터링 도구”라는 heading은 “B2B SaaS AI search monitoring tools” 같은 fan-out query와 맞을 가능성이 높다.
AirOps는 길이와 구조도 관측했다. 500–999 words 구간의 citation rate는 34.3%였고, 1,000–1,499 words는 32.9%, 5,000 words 이상은 28.6%였다. JSON-LD가 있는 페이지는 38.5%, 없는 페이지는 32.0%였다. 이 수치 역시 “짧게 쓰면 된다”가 아니라 “회수 가능한 구조와 메타데이터가 citation 가능성을 보조한다”로 읽어야 한다.
실행 순서는 이렇게 잡는 편이 좋다. 먼저 어떤 query fan-out에 걸릴지 정하고, 그 query와 맞는 heading을 설계한다. 그다음 각 heading 아래에 답변으로 재사용 가능한 정보 단위를 만든다. 마지막으로 스키마, 내부 링크, 외부 근거 링크를 붙인다. 스키마 마크업 실전 가이드는 이 마지막 단계를 점검할 때 유용하다.
실무 체크리스트

아래 표는 “리스트형처럼 보이게 만들기”가 아니라 “AI가 인용하기 쉬운 정보 단위로 만들기” 위한 점검표다.
| 점검 항목 | 좋은 상태 | 피해야 할 상태 |
|---|---|---|
| 핵심 query | 독자가 실제로 물을 질문이 H2나 H3에 반영되어 있다 | 추상적인 카피형 제목만 있다 |
| 첫 답변 | 섹션 초반에 짧은 결론과 판단 기준이 나온다 | 배경 설명이 길고 답이 뒤에 나온다 |
| 정보 단위 | 한 문단에 하나의 주장, 근거, 예시가 들어 있다 | 여러 주장이 한 문단에 섞여 있다 |
| 리스트와 표 | 비교, 선택, 우선순위 판단에 실제로 도움이 된다 | SEO 장식처럼 목록만 늘린다 |
| 근거 링크 | 원문, 공식 문서, 데이터 출처로 연결된다 | 출처 없이 일반론만 반복한다 |
| 내부 링크 | 관련 HaloX 글이 본문 맥락 속에 자연스럽게 연결된다 | 하단 관련 글 묶음으로만 처리한다 |
| heading fit | 하위 질문과 heading 표현이 가깝다 | 멋진 표현이지만 검색 의도와 멀다 |
| JSON-LD와 메타 | Article, Breadcrumb, FAQ 등 기본 구조가 점검되어 있다 | 본문만 있고 기계가 읽을 구조가 없다 |
| 길이 | 주제를 설명할 만큼 충분하지만 각 섹션은 짧게 끊긴다 | 941단어 같은 숫자만 맞춘다 |
| 측정 | mention, source, citation을 분리해서 본다 | 트래픽 또는 순위 하나로만 판단한다 |
실무적으로는 새 글을 쓰기 전에 다음 질문 세 개만 먼저 던져도 품질이 크게 달라진다.
- 이 글의 각 H2는 실제 사용자의 질문인가?
- 각 섹션에서 AI가 그대로 가져갈 수 있는 2–3문장짜리 답변 단위가 있는가?
- 그 답변 단위가 신뢰할 만한 출처, 내부 문맥, 구조화 데이터와 연결되어 있는가?
이 세 가지가 없으면 리스트형 템플릿을 써도 citation 가능성은 제한적이다.
HaloX 관점에서 보면
이 데이터를 “리스트형 글을 더 쓰자”로만 읽으면 안 된다. AI 검색에서 성과를 내려면 콘텐츠 발행 이후에 무엇이 실제로 일어났는지 분리해서 봐야 하기 때문이다.
AI 답변에 브랜드가 언급됐는지, 어떤 source가 쓰였는지, 우리 페이지가 citation으로 연결됐는지는 서로 다른 지표다. AI 검색 측정 프레임워크에서 다룬 것처럼, mention, source, citation을 나눠 보지 않으면 “글은 잘 썼는데 왜 인용이 안 되는지”를 설명하기 어렵다.
Evertune 데이터는 콘텐츠 구조의 힌트를 준다. AirOps 데이터는 retrieval과 heading fit의 중요성을 보강한다. HaloX 관점에서는 여기에 측정이 붙어야 한다. 어떤 query에서 우리 페이지가 후보로 회수되는지, 어떤 heading이 citation으로 이어지는지, 어떤 페이지 타입이 source로 반복 등장하는지를 봐야 다음 콘텐츠 설계가 가능하다.
HaloX AI 답변 모니터링은 ChatGPT, Gemini, Claude, Perplexity 답변에서 브랜드가 어떻게 언급되고, 어떤 페이지가 source와 citation으로 쓰이는지 같은 질문 세트로 반복 기록한다. 이미 발행한 콘텐츠가 ChatGPT, Perplexity, AI Overviews 같은 답변 환경에서 어떻게 재사용되는지 보고 싶다면 HaloX로 AI 검색 가시성을 점검해볼 수 있다.

