챗GPT는 왜 옆 병원만 추천할까 — AI 인용을 결정하는 MedicalOrganization 스키마의 모든 것

MedicalOrganization 스키마는 병·의원의 이름, 주소, 진료 과목, 의료진, 진료 시간 같은 핵심 정보를 AI와 검색엔진이 오해 없이 읽도록 국제 표준 형식으로 정리한 구조화 데이터입니다. 챗GPT나 퍼플렉시티 같은 AI 검색이 지역 병원을 추천할 때 이 데이터가 갖춰진 병원은 정확한 정보와 함께 인용될 가능성이 커지고, 없는 병원은 존재 자체가 흐릿하게 처리되기 쉽습니다. 이 글은 의료기관 구조화 데이터가 AI 인용의 기본 자격이 되는 이유와, 우리 병원 홈페이지에 적용하는 구체적 단계를 다룹니다.

퇴근길 지하철에서 한 환자가 챗GPT에 이렇게 묻습니다. '○○동에서 상담 친절하게 해주는 치과 알려줘.' AI는 몇 초 만에 두세 곳을 이름·위치·특징까지 붙여 추천하는데, 그 자리에서 10년 넘게 진료해 온 우리 병원은 언급조차 되지 않습니다. 원장 입장에서는 억울합니다. 홈페이지도 새로 만들었고, 블로그도 꾸준히 올렸는데 왜 AI는 옆 병원만 아는 걸까요. 문제는 노력의 양이 아니라, 그 노력이 AI가 읽을 수 있는 형태로 저장되어 있느냐입니다.

AI는 홈페이지를 '보지' 않는다 — 옆 병원만 추천되는 구조적 이유

사람은 홈페이지를 눈으로 봅니다. 세련된 메인 이미지, 원장 인사말, 진료 안내 배너를 보고 '괜찮은 병원이네'라고 느낍니다. 그러나 AI는 화면을 보지 않습니다. 페이지 뒤편의 텍스트와 코드 구조를 읽고, 그 안에서 '이 기관이 무엇이고, 어디에 있고, 무엇을 하는 곳인지'를 추론합니다. 이 추론 과정에서 정보가 이미지 안에 갇혀 있거나, 흩어져 있거나, 표준 형식 없이 서술만 되어 있으면 AI는 확신을 갖지 못합니다.

AI 답변의 특성상 이 차이는 검색 순위 하락보다 훨씬 가혹하게 작동합니다. 기존 검색은 10위여도 목록에는 존재했지만, AI 답변은 보통 두세 곳만 골라 말하고 나머지는 아예 언급하지 않습니다. 확신을 주는 병원과 그렇지 못한 병원 사이에 '노출 순서'의 차이가 아니라 '존재 유무'의 차이가 생기는 것입니다. 신환 문의 전화가 서서히 줄어드는데 원인을 특정하기 어렵다면, 이 보이지 않는 탈락을 의심해 볼 필요가 있습니다.

반대로 기회의 관점도 분명합니다. 아직 국내 병·의원 다수가 이 영역을 비워두고 있어서, 정확한 구조화 데이터를 먼저 갖춘 병원은 규모나 광고비와 무관하게 AI가 안심하고 인용할 수 있는 소수가 됩니다. 광고 입찰처럼 매달 비용이 드는 경쟁이 아니라, 한 번 제대로 정리하면 계속 작동하는 기반 작업이라는 점이 핵심입니다.

구조화 데이터란 무엇인가 — AI에게 건네는 전자 명함

구조화 데이터(스키마 마크업)는 홈페이지에 이미 있는 정보를 기계가 읽기 쉬운 표준 양식으로 한 번 더 적어주는 작업입니다. 구글·마이크로소프트 등이 함께 운영하는 schema.org라는 국제 표준 어휘집이 있고, 여기서 정한 항목 이름에 맞춰 병원 정보를 채워 넣으면 됩니다. 비유하자면 사람에게는 멋진 브로슈어를 건네고, 기계에게는 규격화된 명함을 건네는 셈입니다.

이것이 최근 자주 언급되는 AEO(Answer Engine Optimization, 답변 엔진 최적화)의 출발점입니다. AEO는 검색 결과 목록에서 순위를 올리는 기존 SEO와 달리, AI가 생성하는 '답변 문장 안에' 우리 병원이 인용되도록 만드는 작업 전반을 뜻합니다. 답변에 인용되려면 AI가 우리 병원의 정체를 사실 수준으로 확신해야 하고, 그 확신의 재료가 바로 구조화 데이터입니다.

기술적으로는 JSON-LD라는 방식이 가장 널리 쓰입니다. 홈페이지 본문을 건드리지 않고, 페이지 코드 상단에 정보 꾸러미 하나를 얹는 형태라서 디자인이 바뀌지 않고 기존 콘텐츠와 충돌할 일도 적습니다. 원장이 직접 코드를 쓸 필요는 없지만, '본문과 별도로 얹는 정보 라벨'이라는 개념만 이해해도 제작 업체와의 대화가 완전히 달라집니다.

왜 하필 MedicalOrganization인가 — 일반 업체용 스키마와의 결정적 차이

schema.org에는 일반 지역 업체를 위한 LocalBusiness라는 항목도 있습니다. 실제로 많은 제작 업체가 병원 홈페이지에 이 일반형을 적용하고 '스키마 작업 완료'라고 안내합니다. 틀린 것은 아니지만, 이는 병원을 '동네 가게 중 하나'로 소개하는 것과 같습니다. AI가 의료 관련 질문에 답할 때 필요한 정보 — 진료 과목, 의료진, 의료기관으로서의 성격 — 를 담을 자리가 부족합니다.

MedicalOrganization은 의료기관 전용으로 설계된 항목입니다. 진료 과목을 뜻하는 medicalSpecialty, 소속 의료진을 나타내는 Physician 정보 연결 등 의료기관만의 속성을 표준 형식으로 선언할 수 있습니다. 하위 유형으로 의원급에 적합한 MedicalClinic, 치과를 위한 Dentist, 병원급을 위한 Hospital 등이 있어 기관 성격에 맞게 고를 수 있습니다. 환자의 질문이 '이 동네에 뭐가 있지'가 아니라 '이 증상 관련 진료를 어디서 보지'인 만큼, 진료 과목이 표준 형식으로 선언되어 있느냐가 인용 여부를 가르는 지점이 됩니다.

흔한 오해와 달리 이 작업은 홈페이지를 새로 만드는 일이 아닙니다. 이미 있는 홈페이지에 의료기관용 라벨을 정확히 붙이는 일이고, 경우에 따라 반나절이면 끝나는 작업입니다. 다만 어떤 유형을 고르고 어떤 속성을 채우느냐에 따라 결과 차이가 크기 때문에, '스키마 넣었나요'가 아니라 '어떤 유형의 스키마를 어떤 속성으로 넣었나요'를 물어야 합니다.

반드시 채워야 할 핵심 속성 — 이름·주소·과목·의료진·시간

속성을 많이 넣는 것보다 핵심 속성을 정확하게 넣는 것이 중요합니다. AI는 여러 출처의 정보를 교차 확인해 확신을 쌓기 때문에, 하나라도 다른 곳과 어긋나면 오히려 신뢰가 깎입니다. 우선순위가 높은 속성은 다음과 같습니다.

• name — 의료기관 정식 명칭. 간판·네이버 플레이스·홈페이지 표기가 한 글자도 다르지 않게 통일합니다.
• address·geo — 도로명 주소와 좌표. '○○역 3번 출구'가 아니라 표준 주소 체계로 적습니다.
• telephone — 대표 전화. 지역번호를 포함한 단일 대표번호로 통일합니다.
• medicalSpecialty — 진료 과목. 실제 진료하는 과목만 표준 값으로 선언합니다.
• physician(의료진) — 대표 원장과 소속 의료진의 이름·전문 분야. AI가 '누가 진료하는 곳인지'를 파악하는 근거가 됩니다.
• openingHours — 요일별 진료 시간과 휴진일. 점심시간·야간 진료 여부까지 구조화하면 '지금 여는 병원' 류의 질문에 유리해집니다.
• url·sameAs — 공식 홈페이지 주소와, 네이버 플레이스·공식 블로그 등 우리 병원이 맞다고 확인해 주는 다른 채널 링크.

이 중 이름·주소·전화(흔히 NAP이라고 부릅니다)의 일관성은 특히 중요합니다. 홈페이지에는 '○○치과의원', 플레이스에는 '○○치과', 블로그에는 '○○동 ○○치과'로 제각각이라면, 사람에게는 같은 병원이어도 기계에게는 서로 다른 세 개의 후보가 됩니다. 스키마 작업 전에 모든 채널의 표기를 통일하는 것이 순서상 먼저입니다.

오늘 시작하는 적용 로드맵 — 진단부터 배포까지 5단계

실행 순서를 알면 외주를 주더라도 주도권을 잃지 않습니다. 다음 다섯 단계를 권합니다.

1. 현황 진단 — 구글의 리치 결과 테스트나 schema.org 검증 도구에 홈페이지 주소를 넣어, 지금 어떤 구조화 데이터가 있는지 확인합니다. 아무것도 없거나 일반 LocalBusiness만 있는 경우가 대부분입니다.
2. 정보 원장(마스터 문서) 만들기 — 정식 명칭, 도로명 주소, 대표번호, 진료 과목, 의료진, 요일별 진료 시간, 공식 채널 목록을 문서 하나로 정리합니다. 이 문서가 이후 모든 채널의 단일 기준이 됩니다.
3. 스키마 작성 — 기관 성격에 맞는 유형(MedicalClinic·Dentist 등)을 고르고 2단계 문서 내용으로 JSON-LD를 작성합니다. 홈페이지 관리 업체에 이 문서와 함께 '이 내용으로 MedicalOrganization 계열 JSON-LD를 넣어 달라'고 요청하면 됩니다.
4. 삽입과 배포 — 대표 페이지(보통 메인)에 삽입하고, 진료 과목별 상세 페이지가 있다면 해당 페이지에도 맞는 스키마를 얹습니다.
5. 검증과 기록 — 다시 검증 도구를 돌려 오류가 없는지 확인하고, 적용 날짜와 내용을 기록해 둡니다. 이후 이전·증축·의료진 변경 때 갱신할 기준점이 됩니다.

외주로 진행한다면 완료 보고를 말로 받지 말고, 검증 도구 결과 화면을 함께 확인하는 것을 권합니다. '적용했다'와 '오류 없이 인식된다'는 다른 문제이기 때문입니다.

병원들이 가장 자주 저지르는 스키마 실수

실수 유형은 반복됩니다. 첫째, 페이지 내용과 스키마 내용의 불일치입니다. 홈페이지에는 야간 진료 종료를 공지했는데 스키마에는 옛 진료 시간이 남아 있는 식입니다. 검색엔진은 화면에 없는 내용을 스키마에만 넣는 것을 신뢰 문제로 봅니다. 둘째, 이미지 속에 갇힌 정보입니다. 진료 시간표를 이미지 한 장으로 올려두면 사람은 읽지만 기계는 읽지 못합니다. 스키마 이전에 핵심 정보는 반드시 텍스트로도 존재해야 합니다.

셋째, 한 번 넣고 방치입니다. 의료진이 바뀌고 진료 시간이 바뀌었는데 스키마는 개원 당시 그대로인 병원이 많습니다. 낡은 구조화 데이터는 AI가 틀린 정보를 자신 있게 말하게 만드는 재료가 되어, 없느니만 못한 결과를 낳기도 합니다. 넷째, 과장 문구를 스키마에 옮기는 것입니다. 스키마는 사실 정보를 담는 그릇이지 홍보 문구를 담는 곳이 아닙니다. '최고', '1위' 같은 표현은 넣을 자리도 없고, 의료광고 규정 관점에서도 위험을 키울 뿐입니다. 스키마에는 검증 가능한 사실만 담는다는 원칙을 지키는 것이 안전합니다.

다섯째, 대표 페이지 한 곳에만 몰아넣기입니다. 진료 과목별 페이지, 오시는 길 페이지 등 성격이 다른 페이지에는 각각에 맞는 구조화 데이터가 붙어야 AI가 페이지 단위로 정확히 인용할 수 있습니다. 메인 페이지 하나로 끝내는 것은 시작이지 완성이 아닙니다.

적용 후에 해야 할 일 — 검증, 관찰, 갱신

적용 직후에는 두 가지를 확인합니다. 하나는 기술 검증으로, 리치 결과 테스트와 schema.org 검증 도구에서 오류와 경고가 없는지 보는 것입니다. 다른 하나는 실제 관찰로, 챗GPT·퍼플렉시티 등에 '○○동 ○○과 추천', '○○의원 진료 시간' 같은 질문을 주기적으로 던져 우리 병원이 어떻게 언급되는지 기록하는 것입니다. 답변에 등장하는지, 정보가 정확한지, 어떤 출처를 인용하는지를 월 단위로만 적어도 변화가 보입니다.

기대 수준도 현실적으로 잡아야 합니다. 스키마는 적용 즉시 순위를 끌어올리는 광고가 아니라, AI가 우리 병원을 정확히 이해하게 만드는 기반 공사입니다. 반영 시점은 서비스별 데이터 갱신 주기에 따라 다르고, 일반적으로 수주에서 수개월의 시차가 있을 수 있습니다. 중요한 것은 이 기반 위에 진료 과목별 콘텐츠, 자주 묻는 질문 정리 같은 다음 단계 작업이 쌓일 때 효과가 커진다는 점입니다. 기초 없이 콘텐츠만 쌓는 것은 주소 없는 집에 우편물을 기다리는 것과 같습니다.

운영 규칙은 간단하게 하나만 정해두면 됩니다. '병원 정보가 바뀌면, 바뀐 날에 스키마도 함께 바꾼다.' 이전·의료진 변동·진료 시간 변경이 있을 때 홈페이지 공지와 스키마 갱신을 한 묶음으로 처리하는 체크 항목을 행정 절차에 넣어두면 방치 문제는 대부분 예방됩니다.

무엇부터 할 것인가 — 이번 주 실행 체크리스트

순서는 명확합니다. 첫째 주에는 검증 도구로 현재 상태를 진단하고, 모든 채널의 병원 명칭·주소·전화 표기를 통일합니다. 둘째 주에는 정보 마스터 문서를 만들어 스키마 작성과 삽입을 진행하고, 검증 결과를 확인합니다. 그다음 달부터는 AI에게 직접 질문해 보며 언급 여부를 기록하고, 정보 변경 시 갱신하는 운영 루틴을 만듭니다.

• 리치 결과 테스트로 우리 홈페이지 구조화 데이터 유무 확인
• 홈페이지·플레이스·블로그의 이름·주소·전화 표기 통일
• 진료 과목·의료진·진료 시간을 담은 마스터 문서 작성
• 기관 유형에 맞는 MedicalOrganization 계열 스키마 적용
• 검증 도구로 오류 확인 후 적용 일자 기록
• 월 1회 AI 검색에서 우리 병원 언급 여부 점검

이 목록에서 지금 몇 개나 완료되어 있는지가 곧 우리 병원의 AI 검색 준비도입니다. 다만 진단 단계에서 막히는 경우가 많습니다. 검증 도구 결과를 어떻게 해석해야 할지, 우리 병원에 맞는 스키마 유형이 무엇인지 판단이 서지 않는다면, AI메디랩의 무료 진단을 통해 현재 상태와 우선 보완 항목을 확인해 보시기 바랍니다. 어디가 비어 있는지 아는 것만으로도, 오늘 할 일은 분명해집니다.