우리 병원이 AI 답변에 안 나오는 진짜 이유 — 'MedicalOrganization 스키마'를 모르면 생기는 일

환자가 챗GPT나 구글의 AI 요약에 '○○동에서 임플란트 잘하는 치과 추천해줘'라고 물으면, 왜 늘 길 건너 병원만 답변에 등장할까. 홈페이지도 멀쩡히 있고 블로그도 꾸준히 쓰는데 정작 AI가 우리 병원을 모르는 것처럼 구는 이유는, 사람 눈에 예쁜 페이지와 기계가 읽어내는 데이터가 전혀 다른 층위에 있기 때문이다. 이 글은 의료기관이 AI 답변에 인용되기 위한 가장 밑바닥 기본기, 즉 '구조화 데이터(structured data)'와 그 핵심인 MedicalOrganization 스키마를 원장이 실무로 적용할 수 있게 풀어낸다.

AI는 당신의 홈페이지를 '읽지' 않고 '해석'한다

먼저 AEO라는 말부터 풀어보자. AEO는 Answer Engine Optimization, 즉 '답변 엔진 최적화'의 약자다. 과거의 검색 최적화(SEO)가 검색 결과 목록에서 윗자리를 차지하는 싸움이었다면, AEO는 챗GPT·구글 AI 개요·퍼플렉시티 같은 '답을 직접 말해주는 엔진'이 우리 병원을 근거로 인용하게 만드는 일이다. 환자는 더 이상 열 개의 파란 링크를 하나씩 눌러보지 않는다. AI가 정리해 준 한 문단을 읽고 그 안에 언급된 병원으로 향한다.

문제는 AI가 홈페이지를 사람처럼 '보지' 않는다는 데 있다. 원장 눈에는 진료과목·위치·전화번호가 또렷하게 보이지만, AI에게 그 화면은 수백 개의 글자 덩어리와 이미지일 뿐이다. '서울 강남 OO치과, 야간진료'라는 문장이 간판 디자인 속 이미지로만 박혀 있으면, 기계는 그 정보를 신뢰할 수 있는 사실로 추출하지 못한다. 결국 AI는 추측하거나, 정보가 더 '정리되어' 있는 경쟁 병원을 택한다.

여기서 손실 프레임을 분명히 짚어야 한다. 환자가 AI에게 지역 병원을 물어보는 순간은 '지금 당장 갈 곳을 고르는' 결정 직전이다. 이 질문의 답변 목록에 들지 못하면, 광고비를 아무리 써도 그 환자는 애초에 우리 병원을 후보로조차 올리지 않는다. 반대로 기회 프레임으로 보면, 아직 대부분의 병원이 이 영역을 비워두고 있다. 구조를 먼저 갖춘 병원이 '그 동네의 기준 답변'을 선점한다.

현장의 흔한 오해는 '글을 많이 쓰면 AI가 알아주겠지'다. 콘텐츠의 양은 재료일 뿐, 그 재료에 '이것은 병원이고, 이름은 무엇이며, 어디에 있고, 무엇을 진료한다'는 라벨이 붙어 있지 않으면 AI는 재료를 요리로 인식하지 못한다. 그 라벨이 바로 구조화 데이터다.

구조화 데이터란 무엇인가 — '기계가 읽는 병원 명함'

구조화 데이터는 웹페이지의 내용을 사람이 아니라 기계가 명확히 이해하도록, 정해진 형식으로 정리해 둔 '숨은 설명표'다. 쉽게 말해 사람에게 보이는 홈페이지 뒤에 '이 병원의 이름=△△, 주소=□□, 진료과목=◇◇'처럼 항목과 값을 짝지어 적어 둔 기계용 명함을 한 장 더 끼워 넣는 일이다.

이 명함에는 국제 표준 양식이 있다. Schema.org라는, 전 세계 검색엔진들이 함께 합의한 어휘 사전이다. 그중 의료기관을 위한 전용 양식이 MedicalOrganization(그리고 그 하위 유형인 Dentist·Physician·Hospital 등)이다. 표준 양식을 쓴다는 것은, AI가 수백만 개 사이트에서 이미 학습한 '이 자리에 이런 정보가 온다'는 약속을 그대로 따른다는 뜻이다. 약속된 자리에 정보를 넣으면 기계는 추측 없이 사실을 그대로 가져간다.

왜 '의료기관 전용' 양식이 따로 중요할까. 일반 기업(Organization)이나 지역 업체(LocalBusiness) 양식으로도 이름·주소는 넣을 수 있다. 하지만 의료기관 전용 유형을 쓰면 '진료과목', '보유 의료 분야', '예약 가능 여부'처럼 병원에만 해당하는 항목을 기계가 '이것은 의료 정보'라고 인식한 상태로 받아들인다. AI가 '이 동네 병원'을 추릴 때, 자신을 명시적으로 병원이라고 선언한 곳과 그냥 가게라고만 적힌 곳 중 어디를 고를지는 자명하다.

비유하자면, 같은 짐을 부쳐도 운송장에 '내용물: 의료기기, 받는 곳: 서울 강남'이라고 또박또박 적힌 상자와, 테이프로 칭칭 감아 라벨 없이 보낸 상자의 차이다. 둘 다 짐은 들어 있지만, 분류 기계가 자신 있게 집어 드는 쪽은 라벨이 붙은 상자다.

MedicalOrganization 스키마에 반드시 담아야 할 항목

스키마를 처음 적용할 때는 완벽을 노리기보다, AI가 병원을 식별하고 인용하는 데 결정적인 핵심 항목부터 채우는 것이 현실적이다. 아래는 우선순위가 높은 기본 항목들이다.

• name(정식 병원명): 간판·사업자등록·홈페이지에서 쓰는 이름을 한 글자도 다르지 않게 통일한다.
• address(주소): 도로명 주소를 시·구·동까지 구조화해 넣는다. 지역 질문에 답하는 핵심 신호다.
• telephone(대표 전화): 국가번호를 포함한 표준 형식으로.
• url / sameAs(공식 사이트와 외부 프로필): 홈페이지 주소, 그리고 구글 비즈니스 프로필·네이버·인스타그램 등 같은 병원임을 입증하는 링크를 함께 건다.
• medicalSpecialty / availableService(진료과목·제공 진료): '무엇을 하는 병원인지'를 명시한다.
• openingHours(진료시간): 야간·주말 진료 여부는 환자 질문에 자주 등장하는 변수다.
• geo(위도·경도): '내 근처' 질문의 정확도를 높인다.

이 항목들을 채울 때 가장 흔한 실수는 '화면에 안 보이는 데이터라 대충 넣어도 된다'는 생각이다. 정반대다. 스키마에 적은 정보와 실제 페이지에 보이는 정보가 어긋나면, 검색엔진은 이를 '신뢰할 수 없는 신호'로 간주해 오히려 무시하거나 불이익을 줄 수 있다. 스키마는 거짓말 탐지기가 걸린 명함이라고 생각하는 편이 안전하다. 적는 내용은 반드시 페이지에 실재하는 사실과 일치해야 한다.

또 하나의 함정은 '있지도 않은 효능·성과'를 스키마에 넣고 싶은 유혹이다. 치료 효과나 시술 결과를 단정하는 표현은 의료광고 규제와 직결되는 민감 영역이다. 스키마는 '우리가 무엇을 다루는 기관인가'라는 사실을 기계에 전달하는 도구이지, 효능을 광고하는 자리가 아니다. 사실 기반 항목에 집중하라.

오늘 당장 밟는 적용 5단계

개념을 알았다면 실행은 생각보다 단순하다. 외주를 맡기더라도 원장이 흐름을 알고 있어야 '제대로 했는지'를 검수할 수 있다. 아래 순서를 권한다.

1. 정보 통일(정합성 정리): 병원명·주소·전화번호·진료시간을 한 표로 정리하고, 홈페이지·구글·네이버·전단지에 흩어진 표기를 모두 이 표에 맞춘다. 이 작업만으로도 AI가 받는 혼란의 절반이 사라진다.
2. 스키마 생성: MedicalOrganization(또는 Dentist 등 해당 유형) 형식에 맞춰 위 항목을 JSON-LD라는 코드 형태로 만든다. JSON-LD는 페이지 디자인을 건드리지 않고 '숨은 명함'만 끼워 넣는, 가장 권장되는 방식이다.
3. 삽입: 생성한 코드를 홈페이지의 각 핵심 페이지(특히 메인·오시는 길·진료안내)에 넣는다. 직접 못 하면 웹 담당자에게 '이 JSON-LD를 head 영역에 추가해달라'고 전달하면 된다.
4. 검증: 구글의 '리치 결과 테스트'와 Schema.org 검증 도구로 오류가 없는지 확인한다. 빨간 오류가 남아 있으면 AI는 그 데이터를 통째로 무시할 수 있으므로 반드시 통과시킨다.
5. 동기화 확장: 구글 비즈니스 프로필과 네이버 플레이스의 정보를 스키마와 똑같이 맞춘다. AI는 여러 출처에서 '같은 사실'이 반복될 때 그 정보를 더 신뢰한다.

여기서 핵심 원칙 하나. 스키마는 '한 번 넣고 끝'이 아니다. 진료시간이 바뀌거나 분점을 내거나 진료과목을 추가하면, 스키마도 함께 갱신해야 한다. 현실의 병원은 계속 변하는데 기계용 명함만 작년 정보에 멈춰 있으면, 그 불일치가 다시 신뢰를 깎는다.

스키마만으로는 부족하다 — AI가 신뢰하는 '일관성'의 힘

스키마가 기본기라면, 그 기본기를 완성하는 것은 '일관성'이다. AI는 한 사이트의 코드만 보고 병원을 판단하지 않는다. 웹 전체에 흩어진 그 병원의 흔적을 모아, 서로 모순이 없는지를 교차 확인한 뒤 '믿을 만한 실체'로 인정한다.

이때 자주 등장하는 개념이 NAP 일관성이다. NAP은 Name(이름)·Address(주소)·Phone(전화)의 앞 글자로, 이 세 가지가 모든 채널에서 동일해야 한다는 원칙이다. 홈페이지에는 '강남OO치과의원', 네이버에는 '강남 오오 치과', 전단지에는 옛 전화번호가 적혀 있다면, AI 입장에서 이들은 '같은 병원인지 확신할 수 없는 세 곳'이 된다. 확신이 없으면 인용하지 않는다.

그래서 실행 우선순위에서 '화려한 스키마 항목을 늘리는 일'보다 '이미 가진 정보의 표기를 통일하는 일'이 앞선다. 손이 가장 적게 들면서 효과가 즉각적인 영역이기 때문이다. 다음의 체크리스트로 점검해 보라.

• 홈페이지·구글·네이버·인스타의 병원명이 띄어쓰기까지 동일한가
• 이전한 적이 있다면 옛 주소가 어딘가에 남아 있지 않은가
• 대표번호가 모든 채널에서 같은가(이벤트용 번호가 섞여 있지 않은가)
• 진료시간·휴진일 정보가 서로 어긋나지 않는가

한 가지 더. 스키마의 sameAs 항목으로 공식 프로필들을 서로 연결해 두면, AI가 '이 조각들은 모두 같은 병원'이라고 확신하는 과정을 단축해 준다. 흩어진 점들을 선으로 이어 주는 작업이라고 생각하면 된다.

흔한 실수와 그 대가 — 하지 말아야 할 것들

적용만큼 중요한 것이 '하지 말아야 할 일'을 아는 것이다. 잘못된 스키마는 없는 것만 못한 역효과를 내기도 한다. 현장에서 반복되는 실수를 정리한다.

첫째, 보이는 내용과 다른 정보 삽입이다. 페이지엔 없는 진료과목을 스키마에만 넣거나, 실제와 다른 영업시간을 적는 것은 가장 위험한 실수다. 검색엔진 가이드라인은 이런 불일치를 명시적으로 금지하며, 전체 데이터가 무시되는 결과로 이어질 수 있다.

둘째, 잘못된 유형 선택이다. 치과인데 일반 LocalBusiness로만 선언하거나, 반대로 자신에게 맞지 않는 상위 유형을 억지로 끌어다 쓰면 의료기관으로서의 식별력이 약해진다. 가능한 한 자신에게 가장 구체적인 유형(Dentist·Physician 등)을 고르는 것이 원칙이다.

셋째, 검증 생략이다. 코드를 넣고 '됐겠지' 하고 넘어가면, 쉼표 하나 빠진 문법 오류로 전체가 작동하지 않는 경우가 흔하다. 검증 도구 통과는 선택이 아니라 필수 공정이다.

넷째, 효능·치료 성과의 과장이다. 앞서 강조했듯 의료광고 규제와 YMYL(건강·안전처럼 사람의 삶에 중대한 영향을 주는 정보) 영역에서 효과를 단정하는 표현은 신뢰도와 법적 위험 양쪽에서 불리하다. 스키마의 각도는 언제나 '사실 정보의 정확한 전달'에 머물러야 한다.

스키마를 갖춘 뒤 — 콘텐츠가 비로소 '인용될 자격'을 얻는다

구조화 데이터를 정비하고 나면, 그동안 써 온 블로그·진료 안내글이 비로소 제값을 하기 시작한다. 스키마가 '이 병원은 누구인가'를 확정해 주면, 콘텐츠는 그 확정된 실체의 '전문성'을 보여주는 근거가 되기 때문이다. 토대 없이 쌓은 콘텐츠와, 토대 위에 쌓은 콘텐츠의 차이가 여기서 갈린다.

이 단계에서 권할 만한 다음 행보는, 환자가 실제로 AI에게 던지는 질문의 형태로 콘텐츠를 다듬는 것이다. '임플란트 비용' 같은 키워드 나열보다 '임플란트 후 주의할 점은 무엇인가요' 같은 완결된 질문과 그에 대한 명료한 답변 구조가 AI 인용에 유리하다. 다만 이때도 치료 효과를 단정하지 않고 일반적인 정보 제공에 머무는 선을 지켜야 한다.

정리하면 순서는 분명하다. 흩어진 정보를 통일하고(일관성), 기계가 읽는 명함을 심고(스키마), 검증으로 오류를 없앤 뒤, 그 위에 질문-답변형 콘텐츠를 쌓는다. 이 순서를 뒤집어 콘텐츠부터 늘리면, 토대 없는 집을 올리는 것과 같아 노력 대비 성과가 나오지 않는다.

무엇부터 할 것인가 — 우선순위와 실행 체크리스트

원장이 당장 손대야 할 일의 우선순위는 명확하다. 가장 적은 품으로 가장 큰 신뢰를 회복하는 순서다.

1. 이번 주: 병원명·주소·전화·진료시간을 한 표로 정리하고, 모든 채널(홈페이지·구글·네이버)의 표기를 이 표에 통일한다.
2. 다음 단계: 해당 유형의 MedicalOrganization 스키마를 생성해 홈페이지 핵심 페이지에 삽입하고, 반드시 검증 도구로 오류를 0으로 만든다.
3. 이어서: 구글 비즈니스 프로필·네이버 플레이스를 스키마와 똑같이 맞추고, sameAs로 서로 연결한다.
4. 그다음: 환자의 실제 질문 형태에 맞춘 질문-답변형 콘텐츠를 사실 중심으로 보강한다.

마지막으로 현실적인 조언 하나. 이 작업의 대부분은 코드 실력이 아니라 '정보를 정확히 정리하려는 꼼꼼함'의 싸움이다. 외주를 맡기더라도 1번(정보 통일)은 병원 내부에서 끝내 두어야 작업이 빨라지고 오류가 줄어든다.

우리 병원의 현재 스키마 상태와 NAP 일관성이 지금 어느 수준인지 궁금하다면, 무료 진단으로 '어디가 비어 있고 무엇부터 고쳐야 하는지'를 먼저 확인해 보길 권한다. 고치는 일보다 어려운 것은, 무엇이 문제인지 모른 채 방치하는 일이다.