지식 그래프(Knowledge Graph)는 사람·장소·사물·개념 같은 엔티티를 노드로, 그 사이의 관계를 엣지로 연결한 구조화된 지식 표현 방식입니다. 데이터베이스가 "사실을 저장"한다면, 지식 그래프는 "사실들이 어떻게 연결되는지"를 저장해요.
세 가지만 먼저 짚겠습니다. 구글은 2012년 지식 그래프를 도입해 검색 결과를 문자열 매칭에서 엔티티 기반으로 바꿨습니다. 챗GPT·퍼플렉시티 같은 LLM도 학습 과정에서 지식 그래프와 비슷한 내부 관계망을 만듭니다. GEO 관점에서 보면, 브랜드가 AI 검색에 인용되려면 이 관계망 안에 엔티티로 자리잡아야 합니다.
GEO를 돌리면서 "왜 우리 브랜드는 챗GPT에 안 나올까"를 고민했다면, 답의 절반은 지식 그래프에 있습니다.
데이터베이스로는 못 하는 것
일반 관계형 데이터베이스는 테이블과 행으로 데이터를 저장합니다. 예를 들어, "삼성전자 대표이사 이름"을 찾으려면 여러 테이블을 조인해야 해요.
지식 그래프는 구조가 다릅니다.
- 노드(node): 엔티티. 삼성전자, 이재용, 서울, 반도체
- 엣지(edge): 관계. "이재용은 삼성전자의 회장이다", "삼성전자는 한국에 본사가 있다"
- 레이블: 관계의 속성과 방향
덕분에 "삼성전자와 관련된 모든 것"을 단일 그래프 순회로 탐색합니다. 도로 지도가 건물 목록이 아니라 연결 관계를 보여주는 것과 같아요.
이런 구조라서 지식 그래프는 맥락 이해가 필요한 질문에 강합니다. "갤럭시를 만든 회사의 창업자 아들은 누구야?" 같은 다단계 추론이 가능한 이유예요.
"Things, not strings": 구글이 검색을 바꾼 방식
2012년 5월, 구글의 수석 엔지니어 아미트 싱할(Amit Singhal)은 지식 그래프 발표 블로그 포스트에 "things, not strings"라는 문장을 썼습니다.
이전까지 구글은 검색어를 문자열로 매칭했어요. "아인슈타인"을 검색하면 그 글자가 들어간 페이지를 찾는 방식입니다. 지식 그래프 도입 후에는 "아인슈타인"을 물리학자라는 실체(entity)로 인식해요. 생년월일, 대표 업적, 관련 인물이 연결된 개체로요.
그 결과가 지금 우리가 보는 구글 지식 패널(Knowledge Panel)입니다. 검색 결과 우측에 뜨는 정보 박스가 바로 지식 그래프 데이터예요. 현재 구글 지식 그래프에는 5,000억 개 이상의 사실이 저장돼 있다고 알려져 있습니다
AI Overview, Google SGE도 이 엔티티 네트워크 위에서 돌아갑니다.
챗GPT는 지식 그래프 없이 어떻게 사실을 알까
챗GPT는 실시간으로 데이터베이스를 조회하지 않습니다. 학습 과정에서 형성된 파라메트릭 지식(parametric knowledge)으로 답해요.
연구자들은 대형 언어모델이 엔티티 사이 관계를 내부적으로 지식 그래프와 비슷한 구조로 표현한다고 봅니다. 텍스트로 학습하지만, 그 안에서 관계망을 뽑아낸다는 거예요.
아직 확실하지는 않아요. 다만 LLM 내부 표현이 지식 그래프와 닮아 있다는 증거는 계속 쌓입니다.
서치폴라리스가 여러 고객사 AI 인용 패턴을 들여다봤을 때 공통점이 하나 있었어요. 챗GPT·퍼플렉시티에 잘 인용되는 브랜드는 Wikipedia, LinkedIn, 언론 기사에서 일관된 방식으로 묘사되고 있었습니다. 이름만 존재하는 브랜드는 인용이 거의 없었어요.
LLM이 브랜드를 "알고 있으려면" 다른 신뢰받는 엔티티와 연결돼 있어야 합니다. 이름만 있는 브랜드는 지식 그래프에도, LLM 파라메트릭 지식에도 들어가지 못해요.
AI 검색 인용을 결정하는 엔티티 합의
퍼플렉시티나 구글 AI Overview가 특정 브랜드를 답변에 넣을 때, 단순히 해당 사이트의 트래픽이나 백링크를 보지 않습니다. 여러 신뢰받는 소스에서 일관되게 묘사된 엔티티인지를 봐요.
이걸 엔티티 합의(Entity Consensus)라고 합니다.
구글이 브랜드를 지식 그래프에 넣을 때 보는 신호 세 가지입니다.
| 신호 | 설명 | 실행 방법 |
|---|---|---|
| 엔티티 일관성 | 브랜드명·대표자명·서비스명이 여러 출처에서 동일하게 표기 | NAP 통일, Wikidata 항목 생성 |
| 엔티티 관계 | 신뢰받는 다른 엔티티와의 연결 | 언론 보도, 파트너 언급, 수상 이력 |
| 구조화 데이터 | schema.org Organization/Person/Product 마크업 | JSON-LD 구현 |
백링크 숫자보다 이 신호들이 AI 인용에 더 직접 작동합니다. 우리는 여기를 GEO 전략의 출발점으로 잡습니다(SEO 에이전시들이 가장 자주 놓치는 부분이기도 해요).
[구조화 데이터와 GEO 전략의 관계는 구조화 데이터 뜻과 GEO 활용법에서 자세히 다룹니다.]
내 브랜드를 지식 그래프 엔티티로 만드는 방법
구글 검색창에 브랜드명을 입력했을 때 우측에 지식 패널이 뜨면, 지식 그래프에 등재된 겁니다.
없다면 아직 엔티티로 인정받지 못한 상태예요.
등재를 위한 우선순위:
1. Wikidata 항목 생성 구글이 직접 참조하는 구조화 지식 베이스입니다. Wikipedia 등재보다 기술적 장벽이 낮고, 구글 지식 그래프에 바로 연결돼요
2. Schema.org 구조화 데이터 구현 홈페이지에 Organization 또는 Person 스키마를 JSON-LD로 삽입합니다. 구글 크롤러가 엔티티 정보를 자동 수집하는 경로예요.
3. 일관된 언론 노출 같은 이름, 같은 서비스 설명으로 신뢰받는 미디어에 언급되는 것. NAP 일관성과 같은 원리입니다.
4. Wikipedia 또는 나무위키 등재 (시도 가능한 경우) 직접적인 KG 소스지만, 브랜드 규모 요건이 있어요. 브랜드가 아직 작다면 창업자 개인 페이지부터 시도해 볼 만합니다.
서치폴라리스가 고객사와 GEO 작업을 시작할 때 가장 먼저 하는 게 엔티티 현황 점검입니다. 지식 그래프 등재 여부가 이후 모든 AI 인용 전략의 기반이 되거든요.
*AI 검색 최적화 전략 전체는 AI 검색 최적화 완벽 가이드에서 확인하세요.
자주 묻는 질문
지식 그래프와 지식 패널(Knowledge Panel)은 어떻게 다른가요?
지식 그래프는 구글이 내부적으로 유지하는 엔티티-관계 데이터베이스입니다. 지식 패널은 그 데이터를 검색 결과 우측에 시각화한 UI예요. 지식 패널이 뜬다는 건 지식 그래프에 등재됐다는 신호입니다.
RAG(검색 증강 생성)와 지식 그래프는 다른 개념인가요?
다릅니다. RAG(Retrieval-Augmented Generation)는 LLM이 실시간으로 외부 문서를 검색해 답변을 보강하는 방식입니다. 지식 그래프는 사전에 구조화된 지식 저장소예요. 일부 최신 AI 시스템은 두 방식을 섞어 씁니다.
소규모 브랜드도 구글 지식 그래프에 등재될 수 있나요?
가능합니다. 규모보다 "다른 엔티티와의 연결 밀도"가 더 중요해요. Wikidata 항목 생성 + 언론 언급 + 구조화 데이터 조합으로 중소 브랜드도 지식 그래프에 들어갑니다. Wikipedia 단독 페이지는 보통 일정 규모 이상의 브랜드에만 해당됩니다.
지식 그래프 등재가 실제 AI 인용에 얼마나 영향을 미치나요?
직접 인과관계를 수치화한 공개 연구는 아직 많지 않아요. 다만 서치폴라리스 분석 결과, 챗GPT·퍼플렉시티에서 인용되는 브랜드 대부분은 어떤 형태로든 지식 그래프 관련 신호(Wikidata, 언론 언급, 구조화 데이터)를 갖고 있었습니다. 이 연결고리를 무시하고 콘텐츠만 최적화하는 GEO 전략은 절반짜리입니다.
