Share of Model
Share of Model(SoM)은 ChatGPT·Gemini 같은 생성형 AI가 카테고리 관련 질문에 답할 때 자사 브랜드를 경쟁사 대비 얼마나 자주, 얼마나 호의적으로 언급·추천하는지를 측정하는 지표입니다. AI가 답변의 출처이자 추천자가 된 환경에서 전통적 검색 점유율(Share of Voice)을 대체하는 새로운 브랜드 가시성 KPI로 제안되었습니다.
- Share of Model(SoM)은 생성형 AI가 답변에서 자사 브랜드를 경쟁사 대비 얼마나 자주·호의적으로 언급하는지를 측정하는 지표입니다.
- 마케팅 그룹 Jellyfish가 2024년 말 발표한 'Share of Model™ 플랫폼'에서 처음 제시된 개념으로, 상표로 등록된 용어입니다.
- 키워드 순위처럼 고정적인 SEO 지표와 달리, LLM의 확률적 응답 특성상 언급 빈도(mention rate)로 측정되는 점이 특징입니다.
- 단순 노출 횟수뿐 아니라 언급의 테마(theme)·감성(sentiment)·문화적 맥락까지 분석한다는 점에서 정성적 측면을 포함합니다.
- ChatGPT가 사실상의 답변 창구가 되면서 검색 점유율(Share of Voice)을 잇는 차세대 가시성 KPI로 거론되고 있습니다.
Share of Model이란
Share of Model은 사용자가 카테고리와 관련된 질문을 던졌을 때 ChatGPT·Gemini·Llama 같은 생성형 AI가 자사 브랜드를 경쟁사 대비 얼마나 자주, 얼마나 긍정적으로 언급하고 추천하는지를 나타내는 지표입니다. 검색 결과 페이지에서의 노출 비중을 재던 Share of Voice가 'AI 모델의 답변 안에서 차지하는 몫'으로 확장된 개념이라고 보면 이해가 쉽습니다. 이 용어는 글로벌 마케팅 그룹 Jellyfish가 2024년 말 공개한 'Share of Model™ 플랫폼'에서 처음 제시했으며, 상표로 등록되어 있습니다.
중요한 배경은 소비자가 브랜드를 탐색하는 통로가 바뀌고 있다는 점입니다. Jellyfish는 LLM을 "단순한 도구가 아니라 고객 여정의 핵심이자 그 자체로 하나의 오디언스"로 규정합니다. 사용자가 "가장 내구성 좋은 캐리어 브랜드"를 AI에게 묻고 AI가 특정 브랜드 이름과 보증 내용을 요약해 답하면, 검색 결과 클릭 없이도(제로 클릭) 구매로 이어질 수 있습니다. 즉, 검색 순위에 오르는 것만큼이나 'AI의 답변에 포함되는 것' 자체가 성과가 되는 환경입니다. 이것이 GEO(생성형 엔진 최적화)의 핵심 목표와 직결되며, Share of Model은 그 성과를 계량하는 측정 단위 역할을 합니다.
Share of Voice와 무엇이 다른가
두 지표는 '점유율을 잰다'는 점은 같지만 측정 대상과 동작 방식이 다릅니다. 핵심 차이는 다음과 같습니다.
| 구분 | Share of Voice (전통) | Share of Model (생성형 AI) |
|---|---|---|
| 측정 대상 | 검색 결과·광고·미디어 노출 비중 | AI 답변 내 브랜드 언급·추천 비중 |
| 결과 성격 | 비교적 고정적(키워드 순위 등) | 확률적 — 같은 질문에도 응답마다 달라짐 |
| 측정 단위 | 노출수·점유율(%) | 언급 빈도(mention rate) + 감성·테마 |
| 분석 차원 | 주로 정량(노출 여부) | 정량(빈도) + 정성(감성·문화적 맥락) |
| 대상 채널 | 구글·네이버 등 검색엔진 | ChatGPT·Gemini·Llama 등 LLM |
특히 LLM 응답은 확률적이기 때문에, 한 브랜드가 "베스트 유기농 스킨케어" 질문에 80% 확률로 언급될 수도, 20%에 그칠 수도 있습니다. 따라서 1회성 순위 확인이 아니라 다양한 프롬프트에 반복 질의해 평균적인 언급률을 추적하는 방식이 됩니다.
실제 근거와 사례
Jellyfish의 발표에 따르면 Share of Model™ 플랫폼은 "여러 대규모 언어 모델(LLM)이 자사 브랜드·제품·서비스를 어떻게 인식하는지를 분석하는 단일 뷰 인터페이스"이며, ChatGPT, 구글 Gemini, 메타 Llama를 분석 대상으로 삼습니다. Adweek 보도에 따르면 이 제품은 "AI 모델이 경쟁사 대비 브랜드를 얼마나 자주 언급하는지를 측정하고, 테마·감성·문화적 맥락을 분석"한 뒤 그 인사이트를 구글 Performance Max(PMax) 캠페인의 타기팅 신호로 변환합니다. 즉 LLM 리서치 결과를 실제 디지털 광고 전략으로 연결하는 구조입니다.
성과 사례로는 Project Management Institute(PMI)가 자주 인용됩니다. Adweek에 따르면 이 접근은 약 90일 캠페인에서 "판매량 20% 증가, 전환 45% 증가, 광고비 대비 수익(ROAS) 156% 개선"이라는 결과로 이어졌습니다. 베타 단계에는 Danone, Chivas Brothers 등이 참여했고, 키워드 전략 확장과 웹사이트 텍스트·이미지 자산 조정에 활용되었습니다. 한편 martechview는 "18~24세의 3분의 2가 AI 모델에 브랜드 추천을 요청한다"는 점을 들어 LLM 내 브랜드 인식 관리의 시급성을 강조했습니다. (수치는 각 출처가 제시한 값이며, 캠페인·시점에 따라 달라질 수 있습니다.)
측정·활용 체크리스트
- 핵심 카테고리 질문 세트를 정의합니다 — 실제 고객이 AI에게 던질 법한 "베스트 ○○", "○○ 추천" 형태의 프롬프트를 모읍니다.
- 같은 프롬프트를 ChatGPT·Gemini 등 주요 LLM에 반복 질의해 자사·경쟁사 언급 빈도를 기록합니다(확률적 변동을 반영해 다회 측정).
- 단순 언급 여부뿐 아니라 감성(긍정/부정)과 함께 언급되는 테마·맥락까지 함께 봅니다.
- 경쟁사가 더 자주·호의적으로 언급되는 질문을 골라 콘텐츠·자산의 공백을 진단합니다.
- LLM이 인용하기 쉽도록 콘텐츠의 기계 가독성을 높입니다 — 구조화 데이터(스키마), 명확한 사실 기술, llms.txt 등 기술적 GEO 요소를 함께 적용합니다.
- 측정값을 일회성으로 끝내지 말고 시계열로 추적해 콘텐츠·캠페인 변경의 효과를 검증합니다.