우리 병원이 AI 답변에 안 나오는 진짜 이유 — '스키마' 한 줄이 만드는 차이

환자가 챗GPT에 '○○동 임플란트 잘하는 치과'를 물었을 때, 우리 병원이 아니라 늘 옆 건물 병원만 답변에 등장한다면 이유는 대개 하나입니다. AI가 우리 병원의 존재나 진료 정보를 '읽을 수 있는 형태'로 저장하지 못했기 때문입니다. 이 글은 그 격차를 만드는 핵심 장치인 '의료기관 스키마(MedicalOrganization schema)'가 무엇인지, 왜 AI 인용의 기본기인지, 그리고 원장이 오늘 당장 무엇부터 손봐야 하는지를 정리합니다.

화면은 사람을 위한 것, 데이터는 AI를 위한 것

병원 홈페이지는 두 종류의 독자를 갖습니다. 하나는 사람이고, 하나는 기계입니다. 사람은 사진·색·문장을 보고 '깔끔하고 믿음직하다'고 느끼지만, AI는 화면을 그렇게 감상하지 않습니다. AI는 페이지 뒤에 숨은 코드와 텍스트를 훑어 '이곳은 무엇을 하는 곳인가, 어디에 있는가, 무엇을 진료하는가'를 데이터로 추출합니다.

문제는 우리가 사람 눈에 예쁜 화면에는 공을 들이면서, 기계가 읽는 데이터에는 아무 정리도 해두지 않는다는 데 있습니다. AI 입장에서 우리 병원 페이지는 '진료과목이 흩어진 이미지 안 글자, 전화번호는 배너에 박힌 그림, 주소는 지도 위젯 안'인 상태입니다. 사람은 5초 만에 파악하지만, 기계는 이 정보를 확신을 갖고 뽑아내지 못합니다.

여기서 손실 프레임을 분명히 해야 합니다. AI가 확신하지 못하는 정보는 '답변에 쓰지 않습니다'. 근거가 애매한 병원을 함부로 추천했다가 틀리면 AI 서비스가 책임을 지기 때문에, AI는 정보가 명확한 병원을 우선 인용합니다. 즉 정리해두지 않은 병원은 실력과 무관하게 후보에서 조용히 빠집니다. 반대로 기회 프레임에서 보면, 아직 대부분의 병원이 이 정리를 하지 않았기 때문에 지금 먼저 갖추면 경쟁 병원보다 앞서 인용될 여지가 큽니다.

스키마란 무엇인가 — 병원 정보를 AI의 언어로 번역하는 라벨

스키마(schema)란 웹페이지의 정보에 '이건 병원 이름, 이건 주소, 이건 진료과목'이라고 눈에 보이지 않는 라벨을 붙여두는 표준 문법입니다. 사람에게는 그대로 보이지 않지만, AI와 검색엔진은 이 라벨을 읽어 정보를 오해 없이 분류합니다. 그중 의료기관 전용 라벨 규격이 바로 'MedicalOrganization(의료기관 스키마)'입니다.

비유하자면 이렇습니다. 이삿짐을 옮길 때 상자에 아무 표시가 없으면 인부는 안을 하나하나 열어봐야 하고, 급하면 그냥 지나칩니다. 그런데 '주방-접시-깨짐 주의'라고 크게 써 붙이면 정확히 원하는 자리에 놓입니다. 스키마는 병원 정보라는 상자에 붙이는 그 라벨입니다. 라벨이 있으면 AI는 추측하지 않고, 추측하지 않으면 인용할 때 자신 있게 우리 병원을 부릅니다.

이 라벨로 담을 수 있는 핵심 항목은 다음과 같습니다.

• 병원명·법인명: 정식 명칭과 자주 불리는 약칭
• 주소·지역: 도로명 주소, 시·군·구까지 명확히
• 연락처: 대표 전화, 예약 채널
• 진료과목·전문 분야: 우리 병원이 다루는 영역
• 진료시간: 요일별 운영·점심시간·휴진일
• 홈페이지·예약 링크·소셜 채널

흔한 실수는 이 정보를 '화면에는 있으니 됐다'고 여기는 것입니다. 화면의 이미지 배너에 박힌 전화번호나 지도 위젯 속 주소는 사람에겐 보여도 라벨이 붙지 않은 상태라, AI 관점에선 없는 것과 비슷합니다. 스키마는 이 정보를 별도의 텍스트 데이터로 한 번 더 명시해주는 작업입니다.

왜 이것이 'AEO의 기본기'인가

AEO(Answer Engine Optimization, 답변 엔진 최적화)란 사람이 검색창에 링크를 찾는 시대를 넘어, AI가 직접 '답'을 만들어주는 시대에 우리 정보가 그 답에 인용되도록 만드는 작업을 말합니다. 과거의 검색 최적화가 '검색 결과 상단에 노출'을 목표로 했다면, AEO는 'AI가 만든 문장 안에 우리 이름이 들어가는 것'을 목표로 합니다.

그런데 AI가 답을 만드는 과정을 뜯어보면 순서가 있습니다. 먼저 '이 질문에 답할 만한 신뢰할 정보원'을 추립니다. 그다음 그 정보원들에서 사실을 뽑아 문장으로 재구성합니다. 이 첫 단계, 즉 '신뢰할 정보원 후보'에 들어가려면 AI가 우리 병원 정보를 명확하게 파악할 수 있어야 합니다. 스키마는 바로 이 첫 관문을 통과시키는 신분증 역할을 합니다.

기본기라 부르는 이유가 여기 있습니다. 아무리 좋은 칼럼, 좋은 후기, 좋은 콘텐츠를 쌓아도 '이 콘텐츠를 낸 주체가 어떤 병원인지'가 데이터로 정리되어 있지 않으면 AI는 그 콘텐츠와 병원을 단단히 연결하지 못합니다. 스키마 없이 콘텐츠만 늘리는 것은, 명함 없이 좋은 발표만 반복하는 것과 같습니다. 발표는 인상적이었는데 정작 누구였는지 기억되지 않는 상황이 반복됩니다.

스키마가 있는 병원과 없는 병원의 갈림길 — 일반화된 예시

실제로 벌어지는 장면을 일반화해 그려보겠습니다. 두 치과가 같은 동네에 있습니다. A병원은 홈페이지 디자인은 평범하지만 의료기관 스키마로 이름·주소·진료과목·진료시간을 정리해뒀습니다. B병원은 화면은 훨씬 화려하지만 정보가 모두 이미지와 위젯 안에 갇혀 있습니다.

환자가 AI에게 '이 동네 야간 진료 되는 치과'를 묻습니다. AI는 야간 진료 여부를 '데이터'로 확인할 수 있는 병원을 먼저 후보에 올립니다. A병원은 진료시간이 라벨로 정리돼 있어 조건이 즉시 매칭되지만, B병원의 야간 진료 정보는 배너 이미지 속에 있어 AI가 확신하지 못하고 넘어갑니다. 결과적으로 답변에는 A병원만 등장합니다. 실력이나 시설과 무관하게 '읽히느냐'가 갈림길을 만든 것입니다.

이 예시는 특정 병원의 실측이 아니라 구조를 설명하기 위한 일반화된 상황입니다. 다만 원리는 분명합니다. 조건 검색(지역·진료시간·진료과목)에 매칭되려면, 그 조건이 데이터로 존재해야 한다는 것입니다.

오늘 당장 시작하는 적용 5단계

원장이 개발 지식 없이도 방향을 잡을 수 있도록 실행 순서를 정리합니다. 실제 코드 작업은 홈페이지 관리 업체나 담당자에게 맡기되, 무엇을 요청해야 하는지 아는 것이 핵심입니다.

1. 정보 대장 만들기: 병원명(정식·약칭), 도로명 주소, 대표 전화, 요일별 진료시간·점심·휴진일, 진료과목, 홈페이지·예약 링크를 한 문서에 정확히 적습니다. 여기서의 오탈자가 AI의 오답으로 이어지므로, 이 단계가 실제 8할입니다.
2. 화면과 데이터의 불일치 점검: 홈페이지에 적힌 정보와 네이버·구글 지도, 건강보험 관련 공공 정보에 등록된 정보가 서로 다르지 않은지 대조합니다. 특히 이전·확장 후 옛 주소나 옛 전화번호가 남아있는 경우가 흔합니다.
3. MedicalOrganization 스키마 적용 요청: 관리 업체에 '홈페이지에 의료기관 구조화 데이터를 넣어달라'고 요청하고, 위 정보 대장을 넘깁니다. 진료과목이 여러 개면 대표 진료 영역을 명확히 지정합니다.
4. 검증하기: 적용 후 구글의 무료 구조화 데이터 검사 도구(리치 결과 테스트 등)로 페이지를 넣어, 라벨이 오류 없이 인식되는지 확인합니다. 오류 메시지가 뜨면 그대로 담당자에게 전달합니다.
5. 정기 갱신 루틴화: 진료시간 변경·명절 휴진·신규 진료과목 추가 때마다 스키마도 함께 수정합니다. 정보가 최신이 아니면 AI 신뢰도가 떨어지고, 잘못 안내돼 환자 불만으로 이어질 수 있습니다.

정보의 일관성 — 흩어진 정보가 AI를 헷갈리게 한다

스키마를 잘 넣어도 한 가지 함정이 남습니다. 병원 정보가 홈페이지·지도·소셜·블로그마다 조금씩 다르면, AI는 어느 것이 진짜인지 확신하지 못해 인용을 주저합니다. 전화번호 하나가 채널마다 다르거나, 어디는 '치과의원' 어디는 '치과병원'으로 표기가 엇갈리는 식의 작은 불일치가 신뢰도를 갉아먹습니다.

따라서 스키마 작업과 함께 '온라인 정보 통일' 작업을 병행해야 합니다. 우리 병원이 노출되는 모든 채널의 병원명 표기, 주소, 전화번호, 진료시간을 하나로 맞추는 것입니다. AI는 여러 곳에서 같은 정보가 반복될수록 그 사실을 더 강하게 신뢰합니다. 반대로 어긋난 정보는 '이 병원은 정보가 불안정하다'는 신호가 됩니다.

흔한 실수는 홈페이지만 손보고 지도·소셜을 방치하는 것입니다. 정작 환자와 AI가 자주 참조하는 곳은 지도 서비스인 경우가 많습니다. 점검 우선순위를 '가장 많이 노출되는 채널부터'로 잡는 편이 효율적입니다.

스키마는 끝이 아니라 출발점이다

구조화 데이터를 갖추면 AI가 우리 병원을 '이해할 수 있는 상태'가 됩니다. 하지만 이해받는 것과 추천받는 것은 다릅니다. 스키마가 신분증이라면, 그다음 필요한 것은 '이 병원이 왜 이 질문에 대한 좋은 답인가'를 보여주는 내용, 즉 진료 영역을 깊이 있게 다룬 콘텐츠와 정리된 자주 묻는 질문(FAQ)입니다.

순서를 지키는 것이 중요합니다. 신분증(스키마) 없이 좋은 콘텐츠만 쌓으면 주체가 흐려지고, 콘텐츠 없이 스키마만 넣으면 이해는 되지만 추천할 이유가 약합니다. 그래서 스키마를 기본기라 부르는 것입니다. 기본기 위에 콘텐츠가 얹혀야 비로소 AI 답변 안으로 들어갑니다.

정리하면 우선순위는 이렇습니다. 첫째, 정보 대장을 정확히 만들고 채널 간 정보를 통일한다. 둘째, MedicalOrganization 스키마를 적용하고 검증한다. 셋째, 진료 영역별 콘텐츠와 FAQ를 쌓는다. 넷째, 정보 변경 시마다 갱신 루틴을 돌린다. 이 네 가지가 오늘부터의 체크리스트입니다.

우리 병원이 AI 답변에 안 나오는 이유는 대개 실력이 부족해서가 아니라, AI가 읽을 수 있게 정리해두지 않아서입니다. 정리는 오늘 시작할 수 있습니다.

어디서부터 손봐야 할지, 지금 우리 병원 정보가 AI에게 어떻게 읽히고 있는지 스스로 판단하기 어렵다면, 현재 상태를 점검받는 것에서 출발하길 권합니다. AI메디랩은 병원의 구조화 데이터와 채널 정보 일관성을 무료로 진단해 '무엇부터 고쳐야 하는지' 우선순위를 정리해드립니다. 화면을 새로 만들기 전에, 지금 있는 정보가 제대로 읽히고 있는지부터 확인하는 것이 가장 빠른 길입니다.