환자가 AI에게 병원을 물어볼 때 우리만 빠지는 이유 — MedicalOrganization 스키마로 'AI가 읽는 병원' 만들기

환자가 챗GPT에 '강남에서 임플란트 잘하는 치과'라고 물으면 왜 늘 옆 병원만 답변에 뜰까. 홈페이지도 후기도 다 있는데 우리 병원이 AI 답변에서 빠지는 이유는 실력이 부족해서가 아니라, AI가 읽을 수 있는 형태로 병원 정보를 정리해 두지 않았기 때문이다. 이 글은 의료기관 구조화 데이터(MedicalOrganization 스키마)가 AI 인용의 기본인 이유와, 원장이 오늘 바로 적용할 수 있는 단계를 설명한다.

요즘 환자들은 포털 검색창보다 AI에게 먼저 묻는다. '아이 열이 안 떨어지는데 밤에 문 연 소아과', '무릎 아픈데 ○○동 정형외과 어디가 나아요'처럼 상황과 조건을 한 문장으로 던지고, AI가 추려 주는 두세 곳 안에 들어야 상담과 예약으로 이어진다. 문제는 이 '두세 곳'을 고르는 방식이 사람의 검색과 전혀 다르다는 점이다. 사람은 화면을 눈으로 훑지만, AI는 웹페이지의 글자와 그 뒤에 숨은 데이터를 '읽어' 확신할 수 있는 정보만 인용한다. 정리가 안 된 병원은 아무리 실력이 좋아도 AI의 눈에는 '내용을 확신할 수 없는 곳'이 되어 조용히 제외된다.

AI는 화면을 보지 않는다 — 답변에서 빠지는 진짜 이유

병원 홈페이지를 사람이 보면 로고, 진료과목, 전화번호, 지도, 진료시간이 한눈에 들어온다. 하지만 AI에게 같은 페이지는 그저 수천 개의 글자 덩어리일 뿐이다. '평일 오전 9시부터'라는 문장이 진료시간인지 주차 안내인지, '02-000-0000'이 대표번호인지 팩스인지, AI는 사람처럼 맥락으로 단정하지 않는다. 확신이 서지 않으면 인용하지 않는 것이 AI의 기본 원리다.

여기서 '안 나온다'는 것은 두 가지 손실을 뜻한다. 첫째, 환자가 AI에게 우리 지역·진료과를 물었을 때 후보군 자체에서 빠지는 눈에 보이지 않는 손실이다. 배너 광고처럼 '노출은 됐는데 클릭이 없는' 것이 아니라, 애초에 목록에 오르지 못한다. 둘째, 잘못된 정보가 인용되는 손실이다. 옛 전화번호나 이전한 주소가 여기저기 흩어져 있으면 AI가 오래된 데이터를 그대로 답해 환자가 헛걸음하고, 그 실망은 고스란히 병원 신뢰도로 돌아온다.

반대로 기회 프레임으로 보면 이렇다. 대부분의 병원이 아직 이 작업을 하지 않았다는 것은, 정보를 AI가 읽기 쉬운 형태로 먼저 정리해 두는 병원이 초기 선점 효과를 크게 누린다는 뜻이다. 광고비를 태우는 경쟁이 아니라, 한 번 제대로 정리하면 계속 인용되는 '자산'을 쌓는 일이기 때문이다.

구조화 데이터란 무엇인가 — 병원 정보를 AI의 언어로 번역하기

구조화 데이터(structured data)란 웹페이지의 정보에 '이건 병원 이름, 이건 진료시간, 이건 전화번호'라고 꼬리표를 붙여 기계가 헷갈리지 않게 정리한 데이터를 말한다. 사람이 보는 화면은 그대로 두고, 그 뒤에 AI 전용 '요약 카드'를 한 장 숨겨 두는 것과 같다. 이때 전 세계가 공통으로 쓰는 꼬리표 규칙집이 스키마(Schema.org)이고, 이를 웹페이지에 심는 표준 형식이 JSON-LD(제이슨 엘디, 데이터를 사람 눈에 안 보이게 페이지에 넣는 코드 형식)다.

이렇게 AI가 잘 읽고 답변에 인용하도록 만드는 작업 전체를 AEO(Answer Engine Optimization, 답변 엔진 최적화)라고 부른다. 기존 검색 상위노출을 노리는 SEO가 '사람을 우리 페이지로 데려오는' 일이라면, AEO는 'AI가 우리 정보를 정확히 이해해 답변에 써 주도록' 만드는 일이다. 그 토대가 바로 구조화 데이터다.

의료기관에는 이 규칙집 안에 전용 항목이 있다. 바로 MedicalOrganization(메디컬 오거나이제이션, 의료기관용 스키마 유형)이다. 일반 회사용 꼬리표가 아니라 병·의원 특성에 맞춰 진료과, 소속 의료진, 인정 기관 같은 항목을 담을 수 있도록 설계돼 있어, AI에게 '우리는 정식 의료기관이며 이런 진료를 한다'는 사실을 명확히 전달한다.

MedicalOrganization 스키마에 무엇을 담아야 하나

스키마는 항목이 많다고 좋은 게 아니라, 핵심을 정확하고 일관되게 채우는 것이 중요하다. AI가 신뢰 판단에 실제로 쓰는 기본 항목부터 빠짐없이 채운다.

• 기관명·유형: 정식 병원명과 의료기관 유형(치과의원, 정형외과의원 등). 간판·사업자등록·홈페이지의 이름을 하나로 통일한다.
• 주소·좌표·전화·홈페이지: 최신 주소와 대표번호, 지도 좌표. 이사·번호 변경 이력이 있으면 옛 정보가 남지 않았는지 반드시 확인한다.
• 진료시간: 요일별 시간과 점심시간, 휴진일. '야간·주말 진료'는 환자 질문에 직결되는 핵심 값이다.
• 진료과목·전문 분야: 실제 제공하는 진료를 환자가 쓰는 표현으로. 특정 시술의 효과를 단정하는 문구는 넣지 않는다.
• 의료진: 대표원장·의료진의 이름과 전공. 사람에 대한 데이터는 신뢰 신호로 크게 작용한다.
• 동일성 연결: 네이버·구글 지도, 건강보험심사평가원 등 공식 등록처와 홈페이지가 같은 병원임을 알 수 있게 연결한다.

주의할 점은 페이지에 실제로 보이지 않는 내용을 스키마에만 몰래 넣지 않는 것이다. 화면의 정보와 숨은 데이터가 어긋나면 AI는 오히려 신뢰도를 낮춘다. 스키마는 '없는 걸 지어내는 도구'가 아니라 '이미 사실인 걸 명확히 번역하는 도구'다.

오늘 당장 적용하는 5단계

거창한 리뉴얼이 필요한 일이 아니다. 담당자나 홈페이지 제작 업체와 함께 다음 순서로 진행하면 된다.

1. 사실 확정: 병원명, 주소, 대표번호, 진료시간, 진료과목, 의료진을 한 장으로 정리한다. 이 '원본 한 장'이 모든 채널의 기준이 된다.
2. 흩어진 정보 점검: 홈페이지, 네이버 플레이스, 구글 비즈니스, 예약 플랫폼에 적힌 정보가 원본과 일치하는지 대조하고, 옛 번호·주소를 찾아 바로잡는다.
3. 스키마 작성: 위 사실을 MedicalOrganization 형식의 JSON-LD로 만든다. 제작 업체가 있다면 '메인·소개·오시는 길 페이지에 MedicalOrganization JSON-LD를 넣어 달라'고 요청하면 된다.
4. 검증: 구글의 리치 결과 테스트 같은 무료 검사 도구에 페이지 주소를 넣어 오류·경고가 없는지 확인한다. 오류가 있으면 AI가 무시할 수 있으므로 반드시 통과시킨다.
5. 주기 점검: 진료시간·의료진·번호가 바뀔 때마다 원본 한 장과 스키마를 함께 갱신한다. 분기에 한 번은 전 채널 일치 여부를 다시 확인한다.

순서가 핵심이다. 사실을 먼저 확정하고 채널을 맞춘 뒤에 스키마를 심어야, 틀린 정보를 더 또렷하게 증폭시키는 사고를 막을 수 있다.

현장에서 자주 어긋나는 실수들

가장 흔한 실수는 '정보 불일치'다. 개원 초 만든 홈페이지엔 옛 번호, 네이버엔 새 번호, 예약 앱엔 또 다른 시간이 적혀 있는 경우가 대단히 많다. AI는 여러 출처가 엇갈리면 어느 것도 확신하지 못해 인용을 포기하거나, 하필 오래된 값을 택한다. 채널 간 정보가 서로 다르다는 것은 사실상 'AI에게 우리를 인용하지 말라'고 신호를 보내는 것과 같다.

두 번째는 '과장·단정'이다. 특정 시술의 효과나 완치를 단정하는 문구, 근거 없는 최상급 표현은 의료광고 관점에서도 위험하고 AI 신뢰 판단에도 불리하다. 스키마와 본문 모두 사실 위주로, 효과는 단정하지 않는 것이 원칙이다.

세 번째는 '한 번 심고 방치'다. 스키마는 심어 두면 끝이 아니라 병원의 최신 상태를 비추는 거울이어야 한다. 명절 휴진, 진료시간 변경, 의료진 합류 같은 변화가 반영되지 않으면 환자는 닫힌 병원 앞에서 실망하고, 그 경험이 후기로 남는다.

스키마만으로는 부족하다 — 일관성과 신뢰 신호

구조화 데이터는 토대일 뿐, 그 위에 두 가지가 더해져야 힘을 낸다. 하나는 NAP 일관성이다. NAP은 상호(Name)·주소(Address)·전화(Phone)의 앞글자로, 이 세 가지가 모든 채널에서 글자 하나까지 똑같아야 AI가 '같은 병원'으로 확신한다. '△△의원'과 '△△ 의원'처럼 띄어쓰기만 달라도 다른 곳으로 볼 여지가 생긴다.

다른 하나는 E-E-A-T로 요약되는 신뢰 신호다. 경험(Experience)·전문성(Expertise)·권위(Authoritativeness)·신뢰성(Trustworthiness)의 앞글자로, 의료처럼 사람의 건강이 걸린 분야에서 AI가 특히 까다롭게 따지는 기준이다. 실제 진료 경험이 드러나는 콘텐츠, 의료진의 전공과 이력, 공식 기관 등록 정보가 함께 갖춰질수록 AI는 안심하고 인용한다.

정리하면 스키마는 '정확한 번역', NAP은 '일관된 목소리', E-E-A-T는 '믿을 만한 화자'다. 세 가지가 맞물릴 때 비로소 AI 답변에 우리 병원이 안정적으로 등장한다. 다만 이 예시는 특정 병원 사례가 아니라 일반화된 원리임을 밝혀 둔다.

무엇부터 할지 — 우선순위와 실행 체크리스트

모든 걸 한 번에 하려다 아무것도 못 하는 것이 가장 흔한 결말이다. 다음 순서로 좁혀서 시작하길 권한다.

1. 이번 주: 병원명·주소·번호·진료시간을 '원본 한 장'으로 확정한다.
2. 다음 주: 홈페이지·네이버·구글·예약 앱의 정보를 원본과 대조해 불일치를 바로잡는다.
3. 그다음: 담당 업체에 MedicalOrganization JSON-LD 적용을 요청하고 검증 도구로 통과 여부를 확인한다.

핵심은 화려한 콘텐츠가 아니라, 사실을 정확하고 일관되게 정리해 AI가 안심하고 읽게 만드는 일이다. 이 기본기 하나가 갖춰지지 않으면 어떤 마케팅도 위에 쌓이지 않는다.

우리 병원 정보가 지금 AI에게 어떻게 읽히고 있는지, 채널 간에 무엇이 어긋나 있는지는 눈으로만 봐서는 알기 어렵다. AI메디랩은 병·의원 데이터가 실제로 AI에 어떻게 인용되는지 점검하는 무료 진단을 제공한다. 스키마를 새로 만들기 전에, 지금 상태부터 한 번 확인해 보길 권한다.