가짜 통계 게시 실험, LLM이 구글 비색인 사이트를 인용함을 보여줘

TL;DR

50,000개의 허위 통계를 가진 사이트가 구글에서 빠르게 색인 해제되었지만, ChatGPT는 7개월 동안 600,000회 이상 이를 가져와 학술 및 금융 보고서에서 330개 이상의 백링크와 인용을 획득했습니다. 이 실험은 LLM이 구글 순위와 독립적으로 콘텐츠를 검색한다는 것과 통계가 AI 기반 검색에서 고가치 신호임을 증명합니다.

실험 개요 – 하루 만에 가짜 통계 사이트 구축

결과: $50 웹사이트(stateglobe.com)가 GPT-4.1로 50,000개의 통계 페이지를 생성하고, 15,000개의 목록 기사를 추가했습니다. 일주일 만에 전체 도메인이 구글에 색인되었지만, 이후 두 차례의 구글 업데이트로 즉각적인 트래픽 붕괴가 발생했습니다.

7개월 후 주요 지표:

ChatGPT-User 에이전트에서 발생한 10,000개 이상의 AI 세션.
총 600,000회 이상의 봇 요청(Cloudflare 로그).
Shopify, DHL, Bluehost를 포함한 330개 이상의 유입 도메인.
ChatGPT 트래픽으로 귀속된 10,000개 이상의 GA4 세션.

"지난 30일 동안에만 이 사이트는 봇으로부터 600,000회 이상의 요청을 받았습니다. 그중 약 72,000회는 ChatGPT-User에서 왔습니다."

구글 vs. ChatGPT – 분기된 검색 경로

결론: 구글 순위와 LLM 검색은 독립적인 프로세스입니다.

구글은 알고리즘 업데이트 후 SERP에서 사이트를 제거했습니다. 노출은 한 자릿수로 떨어졌습니다.
ChatGPT는 구글 가시성과 관계없이 답변을 뒷받침하기 위해 실시간으로 페이지를 계속 엽니다.

"ChatGPT가 검색할 때 단순히 구글 상위 10개를 복사하지 않습니다. 프롬프트를 하위 쿼리로 재작성하고, 소스와 캐시에서 후보를 가져와 재순위화한 다음, 답변을 뒷받침하기 위해 몇 개의 페이지를 엽니다."

허위 데이터의 실제 인용

결론: 완전히 조작된 숫자도 학술 및 상업적 출력물로 전파될 수 있습니다.

학술 논문에서 인용됨(스크린샷 참조).
카타르 최대 금융 그룹의 투자 리서치에서 사용됨.
인도 경제 간행물과 캐나다 인플루언서 리서치 보고서에서 참조됨.

이러한 인용은 인용 세탁 효과를 보여줍니다. 통계는 권위가 0에서 시작해 평판 있는 소스의 인용을 얻은 후, 이후 사용자와 모델에게 더 신뢰할 만하게 보입니다.

LLM이 통계를 추구하는 이유

결론: 통계는 콘텐츠 초안 작성 시 LLM의 특정 검색 요구를 충족합니다.

팬아웃 쿼리 – LLM은 하위 쿼리에 "통계" 또는 "2026"과 같은 수식어를 자동으로 추가합니다.
숫자는 증거로 작동 – 구체적인 수치는 모호한 진술보다 근거로 더 유용합니다.
내장된 사실 확인 부재 – 지연 시간과 비용 제약으로 인해 모델이 각 숫자를 검증할 수 없습니다. 관련성 재순위화기는 진실보다 일치를 우선시합니다.
신선도 신호 – 연도가 포함된 URL과 제목은 최신성을 신호하며, LLM은 이를 강하게 가중합니다.

통계 페이지 올바르게 구축하기

결론: 적절히 출처가 밝혀지고 잘 구조화된 통계 페이지는 조작 없이 LLM 인용을 얻을 수 있습니다.

문장당 하나의 주장 – 각 통계가 개별적으로 검색될 수 있도록 보장합니다.
숫자 옆에 출처와 연도 배치 – 모델 관련성과 인간 신뢰도를 향상합니다.
제목을 예상 팬아웃 쿼리에 맞춤 – "[주제] 통계 2026"과 같은 패턴을 사용합니다.
업데이트 날짜 표시 및 유지 – 신선도는 LLM에게 강력한 순위 신호입니다.
서버 렌더링 HTML로 데이터 제공 – AI 봇을 차단하는 JavaScript 숨김을 피합니다.
디자인을 최소화 – 간단한 목록은 크롤링 오버헤드를 줄이고 콘텐츠에 집중합니다.
가능하면 원본 데이터 추가 – 고유 숫자는 1차 소스가 될 수 있습니다.

LLM 검색 모니터링

결론: 전통적인 SEO 도구는 AI 봇 트래픽을 놓칩니다. 전용 신호가 필요합니다.

서버 로그 / Cloudflare – ChatGPT-User, OAI-SearchBot, PerplexityBot과 같은 에이전트를 찾습니다.
GA4 유입 소스 – chatgpt.com, perplexity.ai에서 온 세션을 추적합니다.
인용 대시보드 – 일련의 프롬프트(Peec의 내부 도구)에서 가시성을 모니터링합니다.
Ahrefs / Semrush – 새로운 유입 도메인을 추적합니다.
링크 없는 멘션 – 백링크 없이 사용을 찾기 위해 정확한 인용 숫자를 검색합니다.

윤리적 시사점

결론: 허위 데이터를 게시하는 것은 위험합니다. 이 실험은 경고이지 매뉴얼이 아닙니다.

이 사이트는 이제 콘텐츠의 조작된 성격을 인정하는 면책 조항을 게시합니다.
소스 검증은 작가와 연구자의 표준 절차가 되어야 합니다.
LLM이 저품질 또는 자체 생성 소스의 탐지를 개선함에 따라 이 전술의 효능은 감소할 수 있습니다.

커뮤니티 반응 (선정된 HN 댓글)

인용 세탁 비유: "위키백과에서는 이를 'citogenesis'라고 합니다" – @acadapter.
역사적 선례: "함정 거리(trap streets)는 지도에서 표절자를 잡기 위해 사용되었습니다" – @jfrbfbreudh.
더 넓은 위험: "가짜 통계는 실제 세계의 결정으로 눈덩이처럼 커질 수 있습니다" – @KronisLV.
모델 행동: "AI는 데이터가 가짜인지 알지 못하거나 신경 쓰지 않습니다" – @jqpabc123.
미래 완화: "LLM을 위한 구글이 필요합니다" – @tkdb.

마지막 생각

이 실험은 LLM이 웹을 구글의 순위 알고리즘과 별개의 검색 풀로 취급함을 보여줍니다. 통계는 심지어 조작된 경우에도 고가치 검색 신호로, 실제 인용과 잠재적 misinformation 연쇄로 이어집니다. 브랜드는 이 채널을 포착하기 위해 정확하고 잘 구조화된 통계를 게시하는 것을 고려해야 하며, 업계는 인용 세탁을 방지하기 위해 강력한 검증 및 탐지 메커니즘을 개발해야 합니다.