AI 검색 최적화 전후, 병원 홈페이지는 무엇이 달라지나: 진단 점수가 오르는 다섯 단계 해부

AI 검색 최적화의 전과 후는 홈페이지의 겉모습이 아니라 AI가 병원 정보를 읽고 그대로 인용할 수 있는가에서 갈린다. 진단 점수는 답변 문단의 구조, 구조화 데이터, 사업장 정보 일치, 전문성 신호, 기술 기반이라는 다섯 축으로 매겨지며, 점수가 오르는 과정은 곧 AI가 병원을 추천 후보에 올리는 과정과 같다. 이 글은 그 과정을 단계별로 풀어 원장이 오늘 무엇부터 손볼지 알 수 있게 정리했다.

환자가 챗GPT에 '○○동에서 임플란트 상담 꼼꼼하게 해주는 치과'를 물었다고 해 보자. 답변에 세 곳이 나오는데 우리 병원은 없다. 같은 상권, 비슷한 장비, 더 긴 경력인데도 그렇다. 홈페이지 제작에 적지 않은 비용을 들였고 블로그도 매주 올린다. 그런데 AI는 옆 병원을 고른다. 이런 상황을 겪은 원장이 가장 먼저 묻는 말은 '우리 홈페이지가 뭐가 부족하냐'인데, 실제로 부족한 것은 디자인이 아니라 AI가 읽을 수 있는 형태의 정보인 경우가 대부분이다.

이 글은 진단을 받은 병원이 점수를 끌어올리는 과정을 일반화해 전과 후를 비교한다. 특정 병원의 실적이 아니라 여러 현장에서 반복해서 보이는 패턴이므로, 수치는 범위로만 말하고 사례는 일반화된 예시로 제시한다.

진단 점수는 무엇을 재는가: 디자인 점수가 아니라 인용 가능성 점수

먼저 용어부터 정리하자. AI 검색 최적화는 흔히 AEO(Answer Engine Optimization, 답변 엔진 최적화)라고 부른다. 네이버나 구글에서 링크 순위를 올리는 기존 검색 최적화(SEO)와 달리, 챗GPT·제미나이·네이버 AI 검색처럼 답을 문장으로 돌려주는 엔진이 우리 병원을 답변 재료로 고르게 만드는 작업이다. 링크를 클릭하는 환자가 아니라, 답변 안에 병원 이름이 등장하는지를 겨냥한다.

그래서 진단 점수는 홈페이지가 예쁜가를 재지 않는다. AI가 페이지를 읽었을 때 질문에 대한 답을 바로 뽑아낼 수 있는가, 병원이 어떤 곳인지 기계가 오해 없이 파악할 수 있는가, 여러 출처의 정보가 서로 일치하는가, 글을 쓴 사람이 전문가라는 근거가 있는가, 그리고 애초에 AI 크롤러가 페이지에 접근할 수 있는가를 본다. 일반적으로 이 다섯 축을 항목별로 쪼개 점수화하며, 합산 점수보다 어느 축이 비어 있는지를 보는 것이 실무적으로 더 중요하다.

점수가 낮다는 것은 환자가 AI에게 질문할 때마다 우리 병원이 후보에서 빠지고 있다는 뜻이다. 반대로 같은 상권의 경쟁 병원 대부분이 아직 이 작업을 하지 않았다면, 몇 가지 구조만 바로잡아도 답변에 들어갈 가능성이 크게 달라진다. 흔한 오해 하나를 짚자면, 점수가 낮다고 홈페이지를 새로 만들 필요는 거의 없다. 대부분은 기존 페이지의 첫 문단을 고치고, 보이지 않는 코드 몇 줄을 넣고, 외부 등록 정보를 맞추는 것으로 해결된다. 비용의 문제가 아니라 순서와 정확성의 문제다.

전(前): 점수가 낮은 병원 홈페이지에서 반복되는 다섯 장면

진단을 해 보면 점수가 낮은 병원은 놀랄 만큼 비슷한 모습을 하고 있다. 첫째, 메인 화면이 큰 이미지 한 장이고 병원 소개 문구가 그 이미지 안에 글자로 박혀 있다. 사람 눈에는 보이지만 AI에게는 글자 없는 그림이다. 둘째, 진료 안내 페이지가 '임플란트, 교정, 보철, 충치 치료' 식의 나열로 끝난다. 환자가 묻는 것은 어떤 경우에 어떤 과정을 거치는가인데 그 답이 어디에도 없다.

셋째, 의료진 소개가 '약력 보기' 버튼을 누르면 뜨는 이미지 한 장이다. 전문의 여부, 경력, 소속 학회가 텍스트로 존재하지 않으니 AI는 이 병원에 누가 있는지 모른다. 넷째, 네이버 플레이스에는 '○○치과의원', 구글에는 '○○덴탈클리닉', 홈페이지에는 '○○치과 강남점'으로 이름이 제각각이고 전화번호나 진료시간도 조금씩 다르다. 다섯째, 질문 형태의 콘텐츠가 하나도 없다. 환자의 질문에 답하는 구조 자체가 없으니 AI가 가져다 쓸 문장이 없다.

비유하자면 간판은 화려한데 명함에 전화번호가 없는 상태다. 지나가는 사람은 들어올 수 있지만, 누가 '그 동네에 괜찮은 치과 있어?'라고 물었을 때 소개해 줄 정보가 없다. AI 검색은 이 소개의 역할을 하는 엔진이고, 소개할 재료가 없으면 아무리 좋은 병원도 언급되지 않는다.

1단계: AI가 그대로 옮겨 적을 수 있는 답변 문단 만들기

개선 작업의 출발점은 각 핵심 페이지의 첫 문단이다. AI는 긴 페이지를 다 읽고 요약하기보다, 질문과 정확히 맞물리는 짧고 완결된 문단을 우선 인용하는 경향이 있다. 그래서 병원 소개, 진료 안내, 의료진, 오시는 길, 자주 묻는 질문 같은 페이지마다 두세 문장으로 이 페이지가 답하는 질문을 먼저 적는다.

전과 후를 한 문장으로 비교하면 이렇다. 전에는 '환자 중심의 진료로 건강한 미소를 만들어 드립니다'였다. 후에는 '○○치과는 서울 ○○동 ○○역 2번 출구 앞에 있는 치과의원으로, 임플란트·교정·보철 진료를 하며 평일 저녁 8시까지 야간 진료를 운영한다'가 된다. 앞 문장은 어느 병원에나 붙일 수 있고, 뒤 문장은 이 병원에만 해당한다. AI가 가져다 쓸 수 있는 문장은 뒤쪽이다.

1. 핵심 페이지 다섯 개를 정하고, 각 페이지가 답할 환자 질문을 한 줄로 적는다.
2. 그 질문에 대한 답을 두세 문장으로 써서 페이지 맨 위에 둔다. 지역명, 진료 범위, 운영 방식 같은 사실 정보를 포함한다.
3. 진료 안내는 무엇을 하는가보다 어떤 과정을 거치는가, 상담에서 무엇을 확인하는가로 쓴다.
4. 자주 묻는 질문 페이지를 만들어 실제 전화로 들어오는 질문 열 개 안팎을 질문-답 형식으로 정리한다.

흔한 실수는 이 과정에서 '최고', '완벽', '통증 없는' 같은 단정 표현을 넣는 것이다. 의료광고 관련 규정에 저촉될 수 있을 뿐 아니라, AI도 근거 없는 단정 문장을 인용 재료로 선호하지 않는다. 효과를 약속하는 문장이 아니라 과정과 사실을 설명하는 문장이 점수를 올린다.

2단계: 구조화 데이터, 기계에게 건네는 명함

구조화 데이터는 흔히 스키마(Schema)라고 부르는데, 쉽게 말해 사람이 읽는 페이지 뒤에 기계가 읽는 명함을 한 장 더 붙이는 작업이다. 이 명함에는 이 페이지는 치과의원이다, 이름은 무엇이고, 주소는 어디고, 전화는 몇 번이고, 진료시간은 언제고, 의료진은 누구다가 정해진 형식으로 적힌다. 검색 엔진과 AI는 본문을 추측하는 대신 이 명함을 먼저 읽는다.

본문을 잘 써도 AI가 이것이 병원 이름인지 슬로건인지 헷갈리면 인용이 어색해진다. 스키마가 있으면 그 혼동이 사라진다. 반대로 스키마가 없거나 잘못 적혀 있으면, 본문이 아무리 좋아도 기계 입장에서는 신원이 불확실한 사업장으로 남는다.

1. 병원 유형에 맞는 항목을 고른다. 치과는 Dentist, 일반 의원은 MedicalClinic이나 Physician 유형을 쓴다.
2. 이름, 주소, 전화, 진료시간, 홈페이지 주소를 홈페이지에 보이는 내용과 글자 하나까지 같게 적는다.
3. 의료진 페이지에는 Person 항목으로 이름, 직책, 소속, 전문 분야를 넣는다.
4. 자주 묻는 질문 페이지에는 FAQPage 항목을 붙여 질문과 답을 그대로 연결한다.
5. 작성 후 반드시 구글의 리치 결과 테스트 같은 검증 도구로 오류를 확인한다.

흔한 실수는 제작업체가 템플릿을 복사해 붙이면서 다른 병원의 이름이나 주소가 남아 있는 경우, 그리고 본문과 스키마의 진료시간이 서로 다른 경우다. 틀린 명함은 없는 명함보다 나쁘다. 진단에서 이 항목은 있다·없다가 아니라 맞다·틀리다로 채점된다.

3단계: 이름·주소·전화 일치, 세 곳에서 같은 병원임을 확인시키기

AI는 홈페이지 하나만 보고 병원을 판단하지 않는다. 네이버 플레이스, 구글 비즈니스 프로필, 카카오맵, 각종 디렉토리를 교차로 확인한다. 이때 이름·주소·전화번호가 서로 다르면 AI는 같은 병원인지 확신하지 못하고, 일반적으로 확신이 없는 정보는 답변에서 제외되기 쉽다.

흔히 보는 불일치는 이렇다. 지점명이 붙었다 안 붙었다 한다. 건물명과 도로명 주소가 섞여 있다. 대표번호와 상담번호가 플랫폼마다 다르다. 휴진일이 네이버에는 반영됐지만 구글에는 몇 년 전 그대로다. 이전한 병원인데 옛 주소가 남아 있는 디렉토리가 두세 곳 있다. 하나하나는 사소해 보이지만 기계에게는 서로 다른 다섯 병원으로 보일 수 있다.

1. 병원의 공식 표기 하나를 정한다. 이름, 도로명 주소, 층, 대표번호, 진료시간, 휴진일을 한 장의 기준 문서로 만든다.
2. 네이버 플레이스, 구글 비즈니스 프로필, 카카오맵, 홈페이지, 스키마 순으로 기준 문서와 대조해 고친다.
3. 병원 이름으로 검색해 나오는 외부 디렉토리를 찾아 옛 정보를 수정 요청한다.
4. 진료시간 변경 같은 변동 사항은 기준 문서부터 갱신한 뒤 전 플랫폼에 반영한다.

이 단계는 비용이 거의 들지 않고 효과가 빠르다. 진단 점수에서도 가장 짧은 시간에 가장 확실하게 오르는 축이다. 담당 직원 한 명이 반나절이면 1차 정리가 끝난다.

4단계: 전문성 신호, 누가 쓴 글인지 AI가 알게 하기

검색 엔진이 콘텐츠를 평가할 때 쓰는 기준으로 E-E-A-T가 있다. 경험(Experience), 전문성(Expertise), 권위(Authoritativeness), 신뢰(Trust)의 머리글자로, 건강처럼 사람의 삶에 직접 영향을 주는 분야에서는 이 기준이 엄격하게 적용된다. AI 검색도 같은 논리로 이 글을 쓴 사람이 누구이고 믿을 만한가를 따진다.

그래서 의료진 페이지를 이미지에서 텍스트로 바꾸는 것이 의외로 큰 변화를 만든다. 이름, 면허 구분, 전문의 여부, 주요 경력, 소속 학회를 글자로 적고, 병원에서 올리는 칼럼이나 안내 글마다 작성자와 감수자를 표기한다. 글 끝에 '이 글은 ○○치과 ○○○ 원장이 작성했다'는 한 줄이 붙는 것만으로 AI가 출처를 명시하기 쉬워진다.

1. 의료진 소개를 텍스트로 다시 쓰고, 각 의료진에게 고유 페이지 또는 고유 영역을 준다.
2. 병원 콘텐츠마다 작성자·감수자·작성일·수정일을 표기한다.
3. 진료 설명 글은 효과를 단정하지 않고, 상담에서 확인하는 항목과 진료 과정, 준비 사항처럼 사실로 쓸 수 있는 내용에 집중한다.
4. 외부 근거가 필요하면 공공기관이나 학회 자료를 출처와 함께 언급한다.

흔한 실수는 전문성 신호를 환자 후기로 대체하려는 것이다. 후기는 의료광고 규정상 민감한 영역이고, AI가 전문성 근거로 받아들이는 정보도 아니다. 타 병원과 비교하는 문장도 마찬가지로 규정 위반 소지가 있고 AI 인용에 도움이 되지 않는다.

5단계: 기술 기반, 속도와 모바일과 크롤러 허용

앞의 네 단계를 다 해도 AI 크롤러가 홈페이지에 들어오지 못하면 아무 소용이 없다. 의외로 많은 병원 홈페이지가 robots.txt라는 접근 규칙 파일에서 AI 크롤러를 막고 있다. 제작업체가 기본 설정을 그대로 두었거나, 몇 년 전 트래픽을 줄인다며 전부 차단한 경우다. 이 파일 한 줄 때문에 수개월의 콘텐츠 작업이 AI에게 보이지 않을 수 있다.

또 하나는 메뉴와 본문이 자바스크립트로만 그려지는 구조다. 사람이 보는 화면에는 글이 있지만, 크롤러가 받아 가는 원본에는 빈 껍데기만 있는 경우가 있다. 모바일 속도도 마찬가지다. 환자 대부분이 휴대폰으로 보는데 메인 이미지가 수 메가바이트면 크롤러도 사람도 기다리다 떠난다.

1. robots.txt를 열어 주요 AI 크롤러와 검색 크롤러가 차단되어 있지 않은지 확인한다.
2. 사이트맵을 만들어 검색 엔진에 제출하고, 새 페이지를 올릴 때마다 갱신한다.
3. 이미지 안의 글자를 실제 텍스트로 옮기고, 모든 이미지에 대체 텍스트를 넣는다.
4. 휴대폰에서 메인 페이지가 몇 초 안에 뜨는지 직접 확인하고 큰 이미지는 압축한다.

이 단계는 원장이 직접 하기보다 제작업체나 담당자에게 체크리스트로 넘기는 것이 맞다. 다만 확인했다는 말만 듣지 말고 결과 화면을 캡처로 받아 두어야 한다. 기술 항목은 한 번 고치면 오래 가지만, 홈페이지를 개편할 때 되돌아가는 일이 흔하다.

후(後): 점수가 오르면 실제로 무엇이 달라지는가

다섯 단계를 거치면 진단 점수는 축별로 고르게 올라간다. 그런데 원장이 궁금한 것은 점수가 아니라 환자다. 일반화된 예시로 시간 흐름을 그려 보면 이렇다. 기술 항목과 정보 일치는 반영이 빠른 편이라 몇 주 안에 검색 결과의 병원 정보가 정돈되는 것을 볼 수 있다. 첫 문단과 스키마 수정은 검색 엔진이 페이지를 다시 읽어야 하므로 경우에 따라 한두 달의 시차가 있다. AI 답변에 병원 이름이 등장하는 변화는 그 뒤에 따라오며, 상권의 경쟁 정도에 따라 편차가 크다.

눈에 보이는 변화는 대체로 세 가지다. 첫째, 챗GPT나 네이버 AI에 지역과 진료를 묶어 물었을 때 병원 이름이 후보로 언급되기 시작한다. 둘째, 홈페이지 유입 키워드에 '○○동 야간 진료 치과'처럼 질문에 가까운 긴 문장이 늘어난다. 셋째, 전화 문의의 질이 달라진다. '거기 뭐 하는 데예요'가 아니라 '야간 진료 몇 시까지예요, 상담 예약하려고요'처럼 이미 알고 오는 문의가 늘어난다.

이 변화를 확인하려면 측정 방법을 정해 두어야 한다. 가장 단순한 방법은 환자가 실제로 물을 법한 질문 열 개를 정해 매달 같은 날 챗GPT, 제미나이, 네이버 AI 검색에 묻고 결과를 표로 기록하는 것이다. 병원 이름이 몇 번 등장했는지, 어떤 문장이 인용됐는지, 경쟁 병원은 무엇이 언급됐는지를 적는다. 이 표가 석 달 쌓이면 어느 작업이 효과를 냈는지 보인다.

주의할 점도 분명히 해 두자. 점수가 올랐다고 환자 증가가 보장되는 것은 아니다. AI 답변은 질문의 표현에 따라 매번 달라지고, 경쟁 병원도 같은 작업을 시작할 수 있다. 전후 비교는 노출 가능성의 변화이지 매출을 약속하는 것이 아니다. 다만 아무것도 하지 않은 병원은 후보에조차 오르지 않는다는 점은 변하지 않는다.

오늘 당장 시작할 순서와 실행 체크리스트

우선순위는 비용 대비 효과와 반영 속도로 정한다. 첫째, 이름·주소·전화 일치부터 한다. 돈이 들지 않고 가장 빨리 반영된다. 둘째, robots.txt와 크롤러 차단 여부를 확인한다. 막혀 있으면 나머지 작업이 전부 헛수고다. 셋째, 핵심 페이지 다섯 개의 첫 문단을 다시 쓴다. 넷째, 스키마를 넣고 검증한다. 다섯째, 의료진 페이지를 텍스트화하고 콘텐츠에 작성자를 표기한다. 이 순서면 큰 비용 없이 한 달 안에 1차 개선을 마칠 수 있다.

• 병원 공식 표기 기준 문서 한 장을 만들었는가
• 네이버·구글·카카오·홈페이지의 이름·주소·전화·진료시간이 모두 같은가
• robots.txt에서 AI 크롤러와 검색 크롤러가 허용되어 있는가
• 핵심 페이지 첫 문단이 지역·진료·운영 정보를 담은 두세 문장으로 시작하는가
• 병원 유형·주소·진료시간·의료진·FAQ 스키마가 들어 있고 검증 도구를 통과했는가
• 의료진 소개와 약력이 이미지가 아닌 텍스트로 존재하는가
• 콘텐츠마다 작성자·감수자·날짜가 표기되어 있는가
• 매달 같은 질문 세트로 AI 답변 노출을 기록하고 있는가

이 체크리스트에서 세 개 이상 비어 있다면, 지금 우리 병원은 AI 답변의 후보군 바깥에 있을 가능성이 높다. 어디가 비어 있는지 스스로 판단하기 어렵다면 진단부터 받아 보는 것이 순서다. AI메디랩의 무료 진단은 위 다섯 축을 항목별로 점검해 어느 축이 비어 있는지, 무엇을 먼저 고쳐야 하는지를 보여 준다. 점수 자체보다 그 점수가 가리키는 빈칸을 아는 것이 전후를 가르는 첫걸음이다.