챗GPT는 왜 옆 병원만 추천할까 — AI 답변에 우리 병원을 넣는 'MedicalOrganization 스키마'의 힘

AI 검색이 특정 병원을 답변에 인용하려면, 먼저 그 병원이 '어떤 의료기관인지'를 기계가 오해 없이 이해할 수 있어야 합니다. MedicalOrganization 구조화 데이터(스키마)는 병원명·진료과목·위치·진료시간 같은 핵심 정보를 AI가 정확히 읽도록 정리한 표준 서식으로, AI 인용의 가장 기본적인 토대입니다. 이 글은 우리 병원이 왜 AI 답변에서 누락되는지, 그리고 구조화 데이터를 오늘 어떻게 적용할지를 단계별로 정리합니다.

환자는 이제 '검색'하지 않고 'AI에게 묻는다'

한 환자가 밤 11시, 아이 치아가 부러졌습니다. 예전 같으면 포털에 '○○동 소아치과'를 검색해 블로그와 지도를 뒤졌을 겁니다. 그런데 요즘 이 환자는 챗GPT에 이렇게 씁니다. "○○동에서 아이 응급 치료 잘하고 늦게까지 여는 치과 알려줘." 그리고 AI는 두세 곳을 이름과 함께 추천합니다. 문제는, 그 목록에 원장님 병원이 없다는 것입니다.

많은 원장님이 이 상황을 '내 병원 실력이 부족해서'라고 오해합니다. 하지만 대부분의 원인은 실력이 아니라 '기계 가독성(machine readability)'입니다. AI는 사람처럼 홈페이지 디자인을 감상하거나 원장님의 임상 경력을 직감으로 알아채지 못합니다. AI는 웹에 흩어진 정보를 '읽어 들여' 구조를 파악한 뒤, 신뢰할 수 있다고 판단한 것만 답변에 올립니다. 즉 우리 병원의 정보가 AI가 읽기 좋은 형태로 정리돼 있지 않으면, 아무리 좋은 진료를 해도 AI의 후보 목록에 아예 들어가지 못합니다.

여기서 등장하는 개념이 AEO입니다. AEO(Answer Engine Optimization, 답변 엔진 최적화)는 구글에서 상위에 노출되는 전통적 검색 최적화(SEO)를 넘어, 챗GPT·제미나이·퍼플렉시티 같은 'AI 답변 엔진'이 우리 정보를 이해하고 인용하도록 만드는 작업을 뜻합니다. 그리고 이 AEO의 가장 밑바닥, 즉 토대가 되는 것이 바로 오늘 다룰 '구조화 데이터'입니다.

'구조화 데이터'가 정확히 무엇인가 — 병원의 신분증에 비유하면

구조화 데이터(structured data)란, 사람 눈에 보이는 문장 대신 기계가 정확히 알아볼 수 있도록 정보를 항목별로 정리해 넣은 '숨은 설명표'입니다. 웹페이지에는 눈에 보이지 않지만 코드 안에 함께 담겨, AI와 검색엔진에게 "이 페이지는 병원이고, 이름은 A, 진료과목은 B, 위치는 C, 진료시간은 D입니다"라고 또박또박 알려줍니다.

이것을 표준 문법으로 표현한 것이 스키마(Schema.org)이고, 그중 의료기관 전용 서식이 바로 MedicalOrganization입니다. 치과라면 그 하위인 Dentist, 병원이라면 Hospital, 일반 의원이라면 MedicalClinic처럼 더 구체적인 유형도 있습니다. 이 서식을 웹페이지에 심는 가장 표준적인 방식이 JSON-LD인데, 이는 정보를 '항목: 값' 형태의 목록으로 정리해 페이지에 붙여 넣는 방법이라고만 이해하시면 충분합니다.

비유하자면 구조화 데이터는 병원의 '기계용 신분증'입니다. 사람은 명함을 보고 상대를 파악하지만, AI에게 명함은 그냥 이미지일 뿐입니다. AI가 읽는 것은 신분증에 적힌 규격화된 항목 — 이름, 전문분야, 주소, 연락처, 운영시간입니다. 이 신분증이 없으면 AI는 우리 병원을 '정체를 알 수 없는 어떤 웹페이지'로 취급하고, 확신이 없는 대상은 답변에 올리지 않습니다.

구조화 데이터가 없을 때 정확히 무엇을 잃는가

손실은 눈에 보이지 않게 쌓이기 때문에 더 위험합니다. 첫째, 인용 후보에서의 탈락입니다. AI가 지역 병원을 추천할 때는 내부적으로 '이 지역, 이 진료과목에 해당하는 신뢰할 만한 기관'을 추립니다. 구조화 데이터가 없으면 우리 병원은 이 후보군 자체에 들지 못합니다. 상위 노출 경쟁 이전에, 출발선에 서지 못하는 셈입니다.

둘째, 정보 오인입니다. AI가 우리 병원을 언급하더라도, 정리된 데이터가 없으면 오래된 블로그나 잘못된 디렉터리 정보를 긁어 진료시간·위치·과목을 틀리게 말할 수 있습니다. 이미 이전한 주소, 몇 년 전 폐지한 진료과목이 AI 답변에 그대로 나오는 일이 실제로 벌어집니다. 환자는 그 오답을 원장님 병원의 공식 정보로 받아들입니다.

셋째, 기회의 복리 손실입니다. AI 검색은 한 번 신뢰한 출처를 반복해서 인용하는 경향이 있습니다. 지금 데이터를 정리해 인용 기반을 만든 병원은 시간이 갈수록 더 자주 추천되고, 방치한 병원은 그 격차가 매달 벌어집니다. 반대로 기회 프레임으로 보면, 아직 대부분의 병원이 구조화 데이터를 제대로 갖추지 않은 지금이 가장 적은 노력으로 앞서갈 수 있는 시점이기도 합니다.

MedicalOrganization 스키마, 오늘 이렇게 적용한다 — 5단계

기술 담당자에게 맡기더라도, 원장님이 흐름을 알아야 방향을 잡을 수 있습니다. 실행 단계를 다음과 같이 정리합니다.

1. 정보 원본을 한 곳에 정리한다. 정식 병원명, 진료과목, 도로명 주소, 대표 전화, 진료시간(요일별·점심시간 포함), 홈페이지 주소, 대표 이미지·로고를 한 문서에 모읍니다. 스키마는 이 원본을 그대로 옮기는 작업이라, 원본이 정확해야 결과도 정확합니다.
2. 병원 유형에 맞는 스키마를 고른다. 종합·입원 시설은 Hospital, 외래 중심 의원은 MedicalClinic, 치과는 Dentist처럼 실제와 가장 가까운 유형을 선택합니다. 애매하면 상위 유형인 MedicalOrganization을 씁니다.
3. 핵심 속성을 채운다. 아래 섹션에서 다룰 필수 항목(이름·주소·좌표·전화·진료시간·진료과목 등)을 JSON-LD 형태로 작성합니다.
4. 홈페이지 메인과 소개 페이지에 삽입한다. JSON-LD 코드를 해당 페이지에 심습니다. 대부분의 홈페이지 제작 도구나 개발자가 30분 내 처리할 수 있는 분량입니다.
5. 검증하고 점검한다. 구글의 '리치 결과 테스트' 같은 무료 검사 도구에 페이지 주소를 넣어, 스키마가 오류 없이 인식되는지 확인합니다. 이 마지막 확인을 건너뛰면 심어놓고도 작동하지 않는 경우가 흔합니다.

한 가지 원칙만 기억하시면 됩니다. 화면에 실제로 보이는 정보만 스키마에 담는다. 페이지에 없는 내용을 스키마에만 넣는 것은 AI와 검색엔진 모두 '조작'으로 간주해 오히려 신뢰를 깎습니다.

반드시 채워야 할 핵심 속성 체크리스트

모든 항목을 완벽히 채울 필요는 없지만, 아래는 AI가 병원을 식별하고 추천하는 데 결정적인 최소 항목입니다.

• name — 간판·건강보험 청구에 쓰는 정식 병원명 그대로. 지점이 있다면 지점명까지 일관되게.
• address — 도로명 기준 정확한 주소. 여러 채널(홈페이지·지도·디렉터리)의 표기를 반드시 통일합니다.
• geo(위도·경도) — 좌표를 넣으면 '내 근처' 질문에서 위치 매칭 정확도가 올라갑니다.
• telephone — 대표 전화. 국가·지역번호를 포함한 표준 형식으로.
• openingHoursSpecification — 요일별 진료시간과 점심시간, 휴진일. '늦게까지 여는 병원' 같은 질문의 핵심 근거가 됩니다.
• medicalSpecialty — 실제 진료과목·전문분야. 환자가 쓰는 표현과 공식 명칭을 함께 고려합니다.
• url·sameAs — 공식 홈페이지와, 병원을 대표하는 다른 공식 채널을 연결해 '같은 기관'임을 알립니다.

여기에 대표 이미지(logo·image)까지 더하면, AI가 우리 병원을 하나의 명확한 실체로 묶어 인식하게 됩니다. 항목이 서로 맞물릴수록 AI의 '확신'이 커지고, 확신이 커질수록 인용 확률이 올라갑니다.

현장에서 반복되는 흔한 실수 다섯 가지

스키마를 넣고도 효과를 못 보는 병원에는 공통된 패턴이 있습니다.

• 채널 간 정보 불일치. 홈페이지·지도·디렉터리의 병원명·주소·전화가 조금씩 다르면, AI는 '어느 게 맞는지' 확신하지 못해 인용을 주저합니다. 일반적으로 정보의 일관성은 정확성만큼이나 중요합니다.
• 일반 Organization으로 대충 표기. 그냥 '기관'이 아니라 '의료기관'임을 명시해야 AI가 의료 질문의 후보로 인식합니다. 유형 선택이 첫 단추입니다.
• 화면에 없는 내용을 스키마에만 삽입. 앞서 강조했듯 신뢰를 깎는 대표적 실수입니다.
• 한 번 넣고 방치. 진료시간·과목·이전 등이 바뀌었는데 스키마를 갱신하지 않으면, AI는 오래된 정보를 계속 퍼뜨립니다. 변경이 생기면 스키마도 함께 고치는 것을 규칙으로 삼으세요.
• 검증 생략. 문법이 하나만 틀려도 스키마 전체가 무시될 수 있습니다. 삽입 후 반드시 검사 도구로 확인해야 합니다.

이 다섯 가지만 피해도, 같은 노력으로 훨씬 안정적인 결과를 얻습니다.

무엇부터 할 것인가 — 우선순위와 실행 요약

모든 걸 한 번에 하려다 아무것도 못 하는 경우가 가장 흔합니다. 우선순위는 명확합니다. 오늘은 정보 원본 통일부터입니다. 병원명·주소·전화·진료시간을 하나의 정확한 기준으로 맞추고, 홈페이지·지도·주요 디렉터리의 표기를 그 기준에 통일하세요. 이 작업만으로도 AI가 우리 병원을 오인할 여지가 크게 줄어듭니다.

그다음이 MedicalOrganization 스키마 삽입, 마지막이 검증과 갱신 습관화입니다. 요약하면 이렇습니다.

1. 정식 병원명·주소·전화·진료시간·진료과목을 한 문서로 정리하고 모든 채널을 통일한다.
2. 병원 유형에 맞는 스키마를 골라 핵심 속성을 JSON-LD로 작성해 홈페이지에 심는다.
3. 무료 검사 도구로 오류 없이 인식되는지 확인한다.
4. 정보가 바뀌면 스키마도 함께 갱신한다.

구조화 데이터는 화려한 마케팅이 아니라, AI 시대에 병원이 갖춰야 할 기본 위생 같은 것입니다. 이 토대가 없으면 그 위에 무엇을 쌓아도 AI에게는 보이지 않습니다. 반대로 이 기본만 제대로 갖춰도, 아직 준비되지 않은 경쟁 병원들 사이에서 먼저 '인용되는 병원'이 될 수 있습니다.

우리 병원이 지금 AI에게 어떻게 읽히고 있는지, 어떤 항목이 비어 있고 어디서 정보가 어긋나는지 스스로 판단하기 어렵다면, 현재 상태를 항목별로 점검해 드리는 무료 진단을 활용해 보시길 권합니다. 무엇이 문제인지 정확히 아는 것만으로도, 오늘 할 수 있는 첫걸음이 분명해집니다.