AI 시대의 구조화된 데이터(마크업)와 Schema.org: 구글 엔지니어들의 진짜 생각은?

ChatGPT 등 여러 문제에도 불구하고 구글 엔지니어들이 Schema.org를 고집하는 이유

SEO 업데이트: Schema.org가 Google 검색 결과에서 Open Graph를 대체하는 이유

SEO 업계에는 끊임없이 퍼져 있는 잘못된 통념이 있습니다. 바로, 비정형 텍스트까지도 손쉽게 이해하는 뛰어난 AI 언어 모델 시대에 Schema.org처럼 공들여 관리해 온 정형 데이터는 더 이상 필요 없다는 것입니다. 하지만 현실은 전혀 다릅니다. 구글 검색 센트럴 라이브 행사에서 구글 엔지니어 라이언 레버링은 이러한 오해를 바로잡고 정형 마크업이 과거의 유물이 아니라 새로운 AI 기반 검색의 핵심 기반이라는 점을 명확히 밝혔습니다.

새로운 AI 개요부터 자율 쇼핑 에이전트에 이르기까지, 언어 모델은 오류를 방지하고 효율적으로 작동하기 위해 정확하고 기계가 읽을 수 있는 지침을 필요로 합니다. 현대 웹에서 주목받고자 하는 기업은 기계가 문맥을 명확하게 이해할 수 있도록 지원해야 합니다. 이 글에서는 구글의 전략적 재편을 살펴보고, 전자상거래 및 사용자 생성 콘텐츠를 위한 혁신적인 기술들을 소개하며, 기술적 SEO가 기계 인식 경쟁에서 결정적인 경쟁 우위 요소가 된 이유를 보여줍니다.

기계는 웹을 읽을 수 있지만, 사용자가 웹을 이해하도록 도와줘야만 가능합니다

2026년 4월 21일, 캐나다 토론토에서 첫 번째 구글 서치 센트럴 라이브(Google Search Central Live) 행사가 개최되었습니다. 이 행사는 단순한 업계 모임이 아니었습니다. 구글 서치 엔지니어링 소속 엔지니어인 라이언 레버링(Ryan Levering)은 이날 가장 기술적으로 심도 있고 전략적으로 중요한 발표, "구조화된 데이터, 품질 및 AI"를 진행했습니다. 그의 발표는 단순한 기술 리뷰를 넘어, 인공지능이 사용자와 정보 사이의 중개자 역할을 점점 더 많이 수행하는 시대에 시맨틱 웹의 미래에 대한 명확한 비전을 제시했습니다.

두 극단 사이: 잘못된 양자택일

라이언 레버링은 발표 초반에 SEO 커뮤니티에서 널리 퍼져 있는 두 가지 상반된 의견을 비교했습니다. 한쪽에서는 강력한 언어 모델 시대에 구조화된 데이터는 불필요하다는 주장이 있습니다. AI 모델이 비구조화된 텍스트를 쉽게 해석할 수 있다면, 굳이 힘들게 소스 코드에 schema.org 마크업을 추가할 필요가 있느냐는 것입니다. 반면, 구조화된 데이터가 인터넷의 미래이며, 자율적인 AI 에이전트 간의 보편적인 의미론적 통신 프로토콜로서 기존 웹을 상당 부분 대체할 것이라는 주장도 있습니다.

레버링은 양극단을 모두 거부하고 대신 미묘하고 경험에 근거한 관점을 제시했습니다. 그는 두 입장 모두 어느 정도 진실을 담고 있지만, 어느 쪽도 현실을 완벽하게 설명하지는 못한다고 결론지었습니다. 이러한 미묘함은 구글이 현재 이 주제에 접근하는 방식의 특징입니다. 즉, 교리에 얽매이지 않고 실용적인 효율성을 추구하는 것입니다.

모든 것을 설명하는 네 가지 논거

레버링의 핵심 주장은 "구조화된 데이터의 가치"라는 제목 아래 자세히 설명한 네 가지 주요 요점으로 요약할 수 있습니다. 첫 번째 요점은 정확성입니다. 구조화된 데이터는 판매 가격이나 로열티 프로그램과 같은 복잡한 스키마에서 자유 텍스트 기반의 언어 모델(LLM) 추출보다 훨씬 높은 정확도를 제공합니다. 언어 모델은 잘못된 결과를 초래할 수 있습니다. 누락된 속성을 채우거나, 데이터를 잘못 중첩하거나, 문맥에 맞지 않는 정보에 접근하는 경우가 있습니다. 수십 개의 유사 상품이 있는 대규모 전자상거래 사이트에서 상품 가격을 추출할 때, AI 추론을 사용하면 깔끔하게 구현된 구조화된 마크업을 사용할 때보다 오류율이 훨씬 높습니다.

두 번째 요점은 추가 콘텐츠에 관한 것입니다. 구조화된 데이터에는 페이지의 렌더링된 HTML에 존재하지 않는 보이지 않는 메타데이터가 포함되는 경우가 많습니다. 완전한 ISO 날짜 형식, 사용자 생성 콘텐츠에 대한 안정적인 식별자 또는 내부 엔티티 ID와 같은 정보는 마크업에만 존재합니다. 어떤 언어 모델도 텍스트에 없는 정보를 추출할 수는 없습니다.

셋째, 효율성입니다. 구조화된 마크업을 파싱하는 것은 복잡한 데이터를 추출하기 위해 대규모 언어 모델을 처리하는 것보다 훨씬 저렴합니다. 구글은 매일 수십억 개의 페이지를 색인화합니다. 계산은 간단합니다. JSON-LD를 처리하는 일반 파서는 LLM 추론 단계에 필요한 컴퓨팅 리소스의 극히 일부만 소비합니다. 따라서 구조화된 데이터는 의미론적으로 우수할 뿐만 아니라 비즈니스 관점에서도 훨씬 효율적입니다. 이 점은 구글의 인프라와 직접적인 관련이 있습니다.

네 번째이자 어쩌면 가장 과소평가되는 측면은 바로 집중입니다. 구조화된 데이터는 페이지에서 어떤 정보가 관련성이 있는지 명확하게 강조하여 AI 시스템이 관련 없는 데이터를 선택하는 것을 방지합니다. 예를 들어, 주요 기사, 여러 관련 제품, 그리고 가격으로 가득 찬 탐색 모음이 있는 제품 페이지에서 명시적인 주석이 없는 언어 모델은 어떤 가격을 참조해야 할지 확신할 수 없습니다. 구조화된 마크업은 명확한 할당을 통해 이 문제를 해결합니다.

구조화된 데이터가 실제로 처리되는 방식

레버링 덕분에 기술적인 처리 흐름이 투명해졌습니다. Schema.org 데이터는 먼저 특정 정제 및 필터링 과정을 거친 후 이벤트, 쇼핑, 리뷰 등의 영역으로 분류되어 인덱싱된 데이터로 변환됩니다. 이렇게 준비된 데이터는 두 가지 출력 채널로 전달됩니다. 하나는 기존 검색 결과 페이지(SRP)이고, 다른 하나는 구글의 AI 기반 시스템, 특히 AI 개요(AIO)와 AI 모드(AIM)의 컨텍스트 데이터로 사용됩니다. 따라서 구조화된 데이터는 더 이상 풍부한 검색 결과 도구에 그치지 않고, 생성형 AI 응답의 직접적인 입력값이 됩니다. 이는 Schema.org 마크업의 전략적 중요성에 있어 근본적인 변화를 의미합니다.

준사내 솔루션: Xpert.Digital이 B2B 마케팅 및 영업의 운영 격차를 해소하는 방법 – 스마트 콘텐츠 기반 비즈니스 - 이미지: Xpert.Digital

Xpert.Digital은 Konrad Wolfenstein 이 이끄는 데이터 기반 B2B 산업 허브입니다. 이 회사는 산업 파트너를 위한 외부 솔루션 역할을 하며, 마케팅, 콘텐츠 및 영업 분야의 운영 격차를 해소하여 고객 측의 추가 리소스 투입을 방지합니다.

자세한 내용은 여기에서 확인하세요:

• 준사내 솔루션: Xpert.Digital이 B2B 마케팅 및 영업의 운영 격차를 해소하는 방법 – 스마트 콘텐츠 기반 비즈니스

쇼핑 집중 분석: 배송, 멤버십 및 다양한 옵션

발표의 상당 부분은 전자상거래 혁신에 초점을 맞췄습니다. 레버링은 베이마드 연구소의 데이터에 따르면 예상치 못한 배송 정보가 장바구니 포기의 가장 흔한 원인 중 2위와 3위를 차지한다고 설명했습니다. 배송 서비스에 구조화된 마크업을 사용하면 이 문제를 직접적으로 해결할 수 있습니다. 이제 판매자는 출발지와 도착지 지역, 크기 및 무게, 주문 금액 기준, 처리 시간, 로열티 프로그램 제휴 여부 등을 코드에서 직접 정확하게 정의할 수 있습니다.

Google에서 사용하는 배송 시간 모델은 두 단계로 나뉩니다. 첫 번째는 처리 시간, 즉 주문 접수부터 운송업체에 인계될 때까지의 시간이고, 두 번째는 실제 배송 시간입니다. 두 단계 모두 주문 마감 시간, 평일 처리 여부 등 세부적인 설정까지 개별적으로 주석을 달 수 있습니다. 해당 JSON-LD 예제는 `ShippingConditions` 타입을 사용하여 특정 국가(예: 프랑스, ​​독일)에 대한 무료 배송 및 최소 주문 금액(예: 50유로)을 정의하는 방법을 보여줍니다.

배송 서비스와 로열티 프로그램의 통합은 특히 혁신적입니다. `validForMemberTier` 속성을 사용하면 배송 서비스를 멤버십 프로그램 및 특정 등급에 명시적으로 연결할 수 있습니다. 이를 통해 프리미엄 회원을 위한 배송 혜택을 마크업에서 직접 지정할 수 있습니다. 이전에는 Google Merchant Center를 통해서만 설정할 수 있었던 기능입니다. 연결된 로열티 프로그램 자체는 `Organization` 엔티티 아래의 `MemberProgram` 객체로 정의되며, "골드" 또는 "실버"와 같은 등급과 로열티 보상 또는 포인트 적립과 같은 관련 혜택을 포함합니다.

로열티 프로그램을 의미론적 실체로 이해하기

로열티 프로그램 마크업 도입은 경제적으로 매우 중요한 의미를 지닙니다. 기업은 여러 개의 독립적인 멤버십 프로그램을 정의하고, 각 프로그램에 여러 등급과 차별화된 혜택(포인트, 회원 가격, 반품 정책, 배송비 할인 등)을 제공할 수 있습니다. 레버링은 실제 사례를 통해 이러한 정보가 구글 검색 결과에 직접 표시되는 것을 보여주었습니다. 예를 들어 세포라의 경우, 쇼핑 스니펫에 30% 회원 할인 혜택이 바로 표시되었습니다. 레버링에 따르면, 다음 단계는 페이지 간 @ID 연결, 즉 다른 페이지에서 로열티 프로그램 정보를 연결할 수 있는 기능을 구현하는 것으로, 현재 "페이지 간 @ID 연결을 위한 길잡이"라는 제목으로 계획되어 있습니다. 목표는 제품 페이지와 회사 정책 간의 강력한 연계를 구축하는 것입니다.

사용자 생성 콘텐츠: AI 라벨링의 문제점

또 다른 중요한 주제는 사용자 생성 콘텐츠(UGC)를 위한 스키마 유형의 추가 개발이었습니다. 특히 두 가지 새로운 기능이 중요합니다. 첫째, 포럼 및 Q&A 마크업에서 임베디드 게시물과 재게시물을 지원하여 토론 구조를 보다 정확하게 의미론적으로 표현할 수 있게 되었습니다. 둘째, 그리고 이는 전략적으로 훨씬 더 중요한데, 기계 생성 콘텐츠를 명시적으로 식별하기 위해 `so#digitalSourceType` 속성이 도입되었습니다.

이번 기능 개발은 포럼이나 Q&A 사이트 같은 플랫폼에 AI 생성 콘텐츠가 넘쳐나는 현상에 대한 직접적인 대응책입니다. 이제 웹마스터는 게시물이 알고리즘에 의해 생성되었는지, 아니면 언어 모델에 의해 생성되었는지 명시할 수 있습니다. 이를 명시하지 않은 게시물은 구글에서 암묵적으로 사람이 작성한 것으로 간주하는데, 이는 투명한 정보 표시를 장려하는 규칙입니다. `digitalSourceType` 속성은 디지털 소스에 대한 IPTC 코드를 기반으로 하며, 알고리즘으로 생성된 콘텐츠와 모델로 생성된 콘텐츠를 구분하는 데 사용됩니다.

이미지 선택: 스키마가 오픈 그래프를 이긴다

덜 알려졌지만 실질적으로 효과적인 업데이트 중 하나는 구글의 이미지 선택 로직에 관한 것입니다. 시스템이 내부적으로 통합되어 명확한 우선순위 계층 구조가 확립되었습니다. Schema.org 마크업, 특히 `primaryImageOfPage` 및 `mainEntity → image` 속성이 우선적으로 적용됩니다. 그 다음으로 Open Graph의 `og:image` 메타 태그가 적용됩니다. 이러한 변화는 웹사이트 운영자에게 있어 메인 이미지에 대한 깔끔한 Schema.org 구현이 구글 검색 결과 및 AI 개요에서의 이미지 표시 방식에 직접적인 영향을 미친다는 것을 의미하며, 이는 구체적이고 측정 가능한 이점입니다.

Schema.org 자체도 투자를 받습니다

또한 주목할 만한 점은 구글이 schema.org를 오픈 소스 사양으로 재투자하겠다고 발표한 것입니다. 구체적인 조치 세 가지가 언급되었는데, 첫째는 개별 스키마 용어의 사용 빈도 통계 공개(슬라이드에서 볼 수 있듯이, `digitalSourceType`과 같은 개별 용어에 대한 사용 빈도 데이터는 이미 약 10,000개 도메인에 대한 정보를 제공하고 있음), 둘째는 SHACL이나 ShEx와 같은 기계 판독 가능한 표준 형식으로 구글 자체 유효성 검사 규칙 공개, 셋째는 순서 규칙 지원 개선입니다. 이는 외부 개발자들이 구글 표준을 기반으로 자체 유효성 검사 도구를 구축할 수 있게 해준다는 점에서 중요합니다. 공식 테스트 도구는 부하가 걸리면 가끔씩 오류가 발생하기 때문에, 구글 표준에 의존하지 않고도 도구를 사용할 수 있게 되는 것입니다.

검증: 두 가지 도구, 하나의 목표

Levering은 서로 보완적이지만 서로 다른 테스트 기준을 적용하는 두 가지 유효성 검사 도구를 소개했습니다. `search.google.com/test/rich-results`에 있는 리치 결과 테스트 도구는 URL 또는 순수 JSON을 입력받아 마크업이 Google 검색 리치 결과에 적합한지 확인합니다. 따라서 이 도구는 schema.org 표준 자체가 아닌 Google의 특정 요구 사항을 기반으로 합니다. 반면 `validator.schema.org`는 마크업이 schema.org 표준을 준수하는지, 즉 Google이 해당 마크업에서 리치 결과를 생성하는지 여부와 관계없이 개방형 어휘를 따르는지 확인합니다. 이는 웹 개발자에게 두 도구를 모두 사용하는 것이 좋다는 명확한 권장 사항으로 이어집니다. 마크업이 schema.org 표준을 준수하지만 리치 결과를 지원하지 않을 수도 있고, 그 반대의 경우도 있기 때문입니다.

더 큰 그림: AI 인프라로서의 구조화된 데이터

토론토 행사 전체를 살펴보면, 전통적인 SEO 최적화를 훨씬 뛰어넘는 변화가 뚜렷하게 나타납니다. 구조화된 데이터는 풍부한 스니펫을 얻기 위한 도구에서 AI 시스템의 핵심 데이터 레이어 표준으로 진화하고 있습니다. 구글의 AI 개요와 AI 모드는 답변 생성 및 엔티티 검증을 위한 컨텍스트로 schema.org 마크업을 적극적으로 활용합니다. 정확하고 완전하며 정밀한 구조화된 데이터를 구현하는 기업은 검색 결과에서 시각적으로 주목받을 가능성을 높일 뿐만 아니라, AI 답변을 위한 신뢰할 수 있는 주요 소스로서 콘텐츠를 자리매김할 수 있습니다.

이 맥락에서 UCP(Universal Commerce Protocol)와 WebMCP를 언급하는 것은 우연이 아닙니다. 구글이 2026년에 초기 버전을 공개한 이 두 가지 에이전트 기반 통신 표준은 웹사이트가 의미론적으로 기술되어야 함을 요구합니다. Schema.org가 이를 위한 기반을 형성합니다. AI 에이전트가 웹에서 자율적으로 검색, 비교, 거래를 시작하는 세상에서는 콘텐츠의 기계 가독성이 더 이상 선택 사항이 아니라 경제적 중요성을 위한 필수 조건입니다. 따라서 라이언 레버링의 토론토 발표는 단순한 기술 업데이트 보고서가 아니라 차세대 웹의 인프라를 엿볼 수 있는 기회였습니다.

자신이나 다른 웹사이트가 구조화된 데이터를 얼마나 잘, 그리고 포괄적으로 활용하고 있는지 알고 싶다면, 위 글에서 언급한 구글의 라이언 레버링이 추천한 두 가지 도구를 사용하면 됩니다

구글 리치 결과 테스트(구글 노출도에 중점):

로 이동하여 search.google.com/test/rich-resultsxpert.digital 기사의 URL을 복사한 다음 "URL 테스트"를 클릭하세요. 이 도구는 Google이 해당 페이지에서 인식하는 마크업과 오류가 없는지 여부를 정확하게 보여줍니다.

스키마 유효성 검사기(표준 준수에 중점):

에 접속하여 validator.schema.org동일한 URL을 붙여넣으세요. 그러면 xpert.digital이 어떤 JSON-LD 스크립트(구조화된 데이터)를 소스 코드에서 직접 색상으로 강조 표시된 것을 확인할 수 있습니다.

☑️ 저희 업무 언어는 영어 또는 독일어입니다

☑️ 신규 기능: 모국어로 소통하세요!

Konrad Wolfenstein

저와 저희 팀은 여러분의 개인 자문가로서 기꺼이 도움을 드릴 준비가 되어 있습니다.

드리겠습니다. 연락 로 전화 주시면 +49 7348 4088 965 제 이메일 주소는 [email protected].하시거나

저는 우리의 공동 프로젝트를 기대하고 있습니다.

☑️ 중소기업의 전략, 컨설팅, 기획 및 실행 지원

☑️ 디지털 전략 수립 또는 재정비 및 디지털화

☑️ 해외 영업 프로세스 확장 및 최적화

☑️ 글로벌 및 디지털 B2B 거래 플랫폼

☑️ 선구적인 사업 개발/마케팅/홍보/박람회

B2B 기업을 위한 SEO 및 GEO(AI 검색) 지원과 SaaS를 결합한 올인원 솔루션 - 이미지: Xpert.Digital

AI 검색이 모든 것을 바꿉니다: 이 SaaS 솔루션이 B2B 검색 순위를 어떻게 혁신적으로 바꿀까요?.

B2B 기업을 위한 디지털 환경은 빠르게 변화하고 있습니다. 인공지능(AI)의 등장으로 온라인 가시성의 규칙이 새롭게 정립되고 있습니다. 기업들은 디지털 세상에서 눈에 띄는 것뿐만 아니라, 적절한 의사결정권자에게 의미 있는 존재가 되는 것을 항상 과제로 삼아왔습니다. 전통적인 SEO 전략과 지역 마케팅(지오마케팅)은 복잡하고 시간이 많이 소요될 뿐만 아니라, 끊임없이 변화하는 알고리즘과 치열한 경쟁 속에서 살아남아야 하는 어려운 과제입니다.

하지만 이 과정을 간소화할 뿐만 아니라 더욱 스마트하고 예측 가능하며 훨씬 효과적인 솔루션이 있다면 어떨까요? 바로 AI 검색 시대의 SEO 및 GEO 요구 사항에 맞춰 특별히 설계된 강력한 SaaS(서비스형 소프트웨어) 플랫폼과 전문적인 B2B 지원의 결합이 필요한 이유입니다.

이 차세대 도구는 더 이상 수동적인 키워드 분석과 백링크 전략에만 의존하지 않습니다. 대신, 인공지능을 활용하여 검색 의도를 더욱 정확하게 파악하고, 지역 순위 결정 요소를 자동으로 최적화하며, 실시간 경쟁 분석을 수행합니다. 그 결과, B2B 기업은 데이터 기반의 선제적 전략을 통해 결정적인 경쟁 우위를 확보할 수 있습니다. 즉, 검색 결과에 노출될 뿐만 아니라 해당 분야와 지역에서 최고의 권위자로 인식될 수 있습니다.

여기서는 B2B 지원과 AI 기반 SaaS 기술의 결합이 SEO 및 지역 마케팅을 어떻게 혁신하는지, 그리고 귀사가 이를 통해 디지털 공간에서 지속 가능한 성장을 이루는 데 어떻게 도움을 받을 수 있는지를 소개합니다.

자세한 내용은 여기에서 확인하세요:

​

• B2B SEO, GEO 및 AIS(인공지능 검색) 관련 지원 및 블로그
• 값비싼 SEO 도구는 잊으세요. 이 대안은 타의 추종을 불허하는 B2B 기능으로 시장을 장악하고 있습니다