에이전틱 검색
에이전틱 검색은 AI 에이전트가 하나의 질문을 여러 하위 작업으로 쪼갠 뒤, 계획·검색·결과 검증을 반복하며 답을 스스로 구성하는 검색 방식입니다. 질의어에 맞는 문서 목록을 한 번에 돌려주던 전통 검색과 달리, 여러 소스를 교차 확인하고 다음에 무엇을 더 찾을지 추론하며 단계적으로 답을 완성합니다.
- 에이전틱 검색은 AI 에이전트가 질문을 하위 작업으로 분해한 뒤 계획·검색·검증을 반복(iterate)하며 답을 구성하는 검색 방식입니다.
- 한 번의 질의로 문서 목록을 돌려주는 전통 검색과 달리, 결과를 읽고 부족한 정보를 판단해 다음 검색을 스스로 결정합니다.
- ChatGPT 딥 리서치, Perplexity, 구글 AI 모드처럼 여러 소스를 교차 확인하며 답을 만드는 기능이 대표 사례입니다.
- 구글 SAGE 연구 기준 에이전트는 질의 1건당 평균 4.9단계를 거쳐 검색·비교·평가를 수행합니다.
- 순위 한 자리보다 여러 소스에 걸친 정보 일관성과 깊이가 중요해지므로, GEO 관점에서 콘텐츠 전략을 재설계해야 합니다.
에이전틱 검색이란
에이전틱 검색(Agentic Search)은 AI 에이전트가 사용자를 대신해 정보를 검색·평가하고 필요하면 행동까지 수행하는 검색 방식입니다. 핵심은 한 번의 질의로 끝나지 않는다는 점입니다. 에이전트는 받은 목표를 여러 하위 작업으로 나눈 뒤, 검색하고 결과를 읽고 무엇이 부족한지 추론한 다음 다시 검색하는 과정을 충분한 근거가 모일 때까지 반복합니다.
여기서 강조점은 모델이 답을 말로 잘 풀어내는 데 있지 않고, 검색이라는 행위 자체를 다단계로 수행한다는 데 있습니다. 더 넓은 개념인 AI 에이전트나 에이전틱 웹은 예약·결제·코드 실행 같은 광범위한 작업 수행을 포괄하지만, 에이전틱 검색은 그중에서도 '정보를 찾고 검증하는 검색 행위'에 초점을 둔 부분 집합입니다.
전통 검색 vs 에이전틱 검색
| 구분 | 전통 검색 | 에이전틱 검색 |
|---|---|---|
| 처리 방식 | 질의어 1건 → 결과 1회 반환 | 목표를 하위 작업으로 분해 → 다단계 반복 |
| 검색 흐름 | 한 번에 끝나는 단발성 검색 | 검색·읽기·추론·재검색의 순환(루프) |
| 결과물 | 링크·문서 목록(순위 정렬) | 여러 소스를 교차 검증해 합성한 답변 |
| 사용자 역할 | 사용자가 직접 방문·판단 | 에이전트가 비교·검증·판단을 대행 |
| 정보 검증 | 검증은 사용자 몫 | 소스 간 모순을 에이전트가 교차 확인 |
| 대표 예시 | 구글·네이버 키워드 검색 | ChatGPT 딥 리서치, Perplexity, 구글 AI 모드 |
작동 원리와 근거
학술적으로 에이전틱 검색은 전통적인 1회성 RAG(검색 증강 생성)와 대비됩니다. RAG는 보통 생성 전에 한 번 고정된 검색을 수행하지만, 에이전틱 검색은 계획(plan) → 검색(retrieve) → 성찰(reflect) → 반복(iterate)의 순환을 통해 언제·무엇을·어떻게 검색할지를 실시간 추론으로 결정합니다. 강화학습 기반 에이전틱 검색을 정리한 서베이 논문(arXiv:2510.16724)은 이 방식이 LLM에게 다단계 상호작용으로 계획·검색·성찰 능력을 부여한다고 설명합니다.
이 다단계 특성은 실제 행동 데이터로도 확인됩니다. Semrush가 인용한 구글 SAGE 연구에 따르면, 에이전트는 질의 1건을 처리하는 데 평균 4.9단계를 거치며 여러 소스에 걸쳐 검색·비교·평가를 수행합니다. Backlinko가 소개한 사례에서는 Perplexity가 한 브랜드의 지속가능성 정보를 확인하기 위해 회사 사이트와 제3자 검증 기관을 포함한 15개 소스를 살펴봤습니다.
대표 구현으로는 ChatGPT의 딥 리서치(Deep Research), Perplexity, 구글 AI 모드, Microsoft Copilot 등이 있습니다. 이들은 수십 개 소스를 방문해 수초가 아니라 수분에 걸쳐 답을 구성하며, 일부는 예약·결제 같은 행동 단계까지 확장됩니다. Perplexity는 에이전트가 직접 파이썬 스크립트를 작성해 검색 파이프라인을 구성하는 'Search as Code' 구조와 Agent API를 공개하기도 했습니다.
SEO·GEO 시사점
에이전틱 검색은 콘텐츠가 노출되는 방식을 바꾸므로 GEO(생성형 엔진 최적화) 관점의 대응이 필요합니다. 핵심 변화는 다음과 같습니다.
- 순위 한 자리의 비중이 낮아집니다. 에이전트는 의도적으로 다양한 소스를 끌어오므로, 특정 순위 위치 하나가 검색을 좌우하지 않습니다.
- 깊이와 폭이 동시에 중요해집니다. LLM은 45페이지짜리 설명도 지치지 않고 읽으므로 콘텐츠 깊이가 경쟁력이 되며, 동시에 제3자 검증·신뢰도 평가를 통과하려면 외부에서의 일관된 언급(폭)도 필요합니다.
- 접근성 요건이 바뀝니다. 가격·FAQ·폼 같은 핵심 정보가 자바스크립트 상호작용 뒤에 숨지 않고 평문 HTML로 존재해야 에이전트가 읽을 수 있습니다.
- 여러 소스의 정보 일관성이 중요합니다. 리뷰 플랫폼·디렉터리·자사 사이트의 정보가 서로 어긋나면 에이전트 추천에서 배제될 수 있으므로, 구조화 데이터와 엔티티 명확성이 신호로 작용합니다.
Semrush는 에이전트 가시성을 좌우하는 축으로 브랜드 발견(에이전트가 우리 업을 검색하면 답에 포함되는가), 브랜드 명확성(경쟁사와 비교될 때 정보가 정확하고 외부 소스가 뒷받침하는가), 브랜드 권위(독립 소스 전반에서 추천을 뒷받침할 근거가 있는가), 브랜드 신뢰(에이전트가 실제 행동을 시도할 때 가능한가)를 제시합니다. 사람이 보기도 전에 걸러지는 것이 가장 큰 리스크입니다.