검색 증강 생성(RAG)이란 무엇인가요?
검색 증강 생성(RAG)은 언어 모델이 먼저 관련 문서를 가져온 뒤, 그 문서를 참고해 답변을 작성하는 방법입니다. 출처를 인용하는 모든 AI 엔진은 어떤 형태로든 RAG를 씁니다. 먼저 검색하고, 그 결과를 보면서 답변을 씁니다. 브랜드 입장에서 검색 단계는 입구입니다. 한 번도 검색되지 않는 페이지는 아무리 좋아도 답변에 영향을 줄 수 없습니다.
검색 증강 생성이라는 말은 어디서 왔나요?
이 이름은 Patrick Lewis와 동료들의 Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks에서 왔습니다. 2020년 5월 22일 제출되어 NeurIPS 2020에 발표되었습니다. 이 논문은 모델의 매개변수 기억(학습한 내용)과 비매개변수 기억, 즉 질문마다 검색기가 찾아보는 위키백과의 밀집 벡터 색인을 결합했습니다.
AI 검색 엔진은 같은 아이디어를 웹 규모로 씁니다. 위키백과 색인 대신 검색 색인을, 고정된 스냅숏 대신 실시간 결과를 사용합니다.
AI 검색에서 RAG는 어떻게 작동하나요?
AI 검색에서 RAG는 몇 단계로 진행됩니다:
- 엔진이 질문을 하나 이상의 검색어로 다시 씁니다.
- 자체 또는 파트너의 웹 색인에서 결과를 가져옵니다.
- 어떤 결과를 모델에 넘길지 고릅니다.
- 모델이 그 결과를 맥락에 두고 답변을 씁니다.
- 엔진이 사용한 출처 일부에 인용을 붙입니다.
가져온 페이지는 모두 인용되나요?
아닙니다. OpenAI 문서에 따르면 웹 검색의 sources 필드는 모델이 참고한 모든 URL을 돌려주며, 출처 수는 보통 인용 수보다 많습니다(OpenAI API 문서, 2026년 10월 15일 확인).
따라서 인용 수는 엔진이 읽은 양을 과소평가하고, 페이지는 링크를 받지 않고도 답변에 정보를 줄 수 있습니다(관련 글). 그래도 검색되는 것은 효과가 있습니다. 저희 데이터에서 브랜드 자체 사이트의 페이지를 인용한 답변 97개 중 94개가 그 브랜드도 언급했습니다(관련 글).
실제 예시에서 검색은 어떻게 보이나요?
공개된 Tesla 예시(2026년 10월 4일)에서 엔진이 가져오고 인용한 것은 엔진마다 달랐습니다. ChatGPT는 구매자 질문 25개에서 인용 93건 중 12건으로 tesla.com을 인용해 약 13%였습니다. Perplexity, Claude, Google AI Overviews는 합쳐서 915건 중 5건이었습니다.
가져온 나머지는 제3자 페이지였습니다. 구매자 질문과 브랜드 질문을 합치면 youtube.com이 29번, en.wikipedia.org가 24번, reddit.com이 20번 인용됐습니다. 모델은 그 페이지들로 답변을 썼습니다.
검색 증강 생성(RAG)에 대해 자주 묻는 질문
RAG라면 AI는 가져온 것만 쓰나요?
아닙니다. 모델은 학습한 내용도 계속 보태고, 답변은 둘을 섞습니다. 검색은 답변의 방향을 잡을 뿐, 모델의 기억을 대신하지 않습니다.
우리 페이지가 검색되게 하려면 어떻게 하나요?
AI 검색 크롤러가 읽을 수 있게 허용하고, JavaScript 없이도 텍스트가 보이게 하고, 색인과 스니펫 표시가 가능하게 유지하고, 구매자가 묻는 구체적인 하위 질문에 답하세요.
RAG는 그라운딩과 같은 것인가요?
겹치는 부분이 있습니다. RAG는 쓰기 전에 문서를 가져오는 방법이고, 그라운딩은 답변의 주장을 그 출처에 묶어 두는 목표입니다.
우리 페이지는 인용됐는데 왜 브랜드는 언급되지 않았나요?
당신 페이지가 답변에 정보를 줬지만 후보 목록은 다른 곳으로 갔습니다. 대개 그 페이지가 하위 질문에는 잘 답하지만 당신을 선택할 이유는 말하지 않는다는 뜻입니다.
관련 용어
- Grounding
Grounding은 AI 모델의 답변을 실시간 검색 결과 같은 외부 출처에 근거하게 해, 주장이 기억만이 아니라 가져온 콘텐츠에 기반하도록 하는 것입니다.
- 학습 데이터 vs 실시간 검색
학습 데이터는 모델이 지식 기준 시점 이전에 배운 것이고, 실시간 검색은 답변하는 동안 웹에서 찾아보는 것입니다. AI 답변 하나는 둘 중 하나 또는 둘 다에 기댈 수 있습니다.
- Query fan-out
Query fan-out은 AI 엔진이 질문 하나를 여러 관련 검색으로 나누어 실행하고, 그 모든 결과로 답변을 만드는 방식입니다.
- AI 인용
인용은 AI 엔진이 답변의 출처로 링크하거나 제시하는 웹페이지입니다.
실전 예시: Tesla, 공개 AI 답변, 2026년 10월 4일: Proofsource가 Tesla를 대상으로 한 첫 스캔으로, 구매자 질문 25개와 브랜드 질문 5개를 네 엔진에 각각 한 번씩 물었습니다. 한 브랜드의 작은 표본이며, 벤치마크가 아니라 예시로 보여 드립니다.
