수험생은 이미 ChatGPT에게 대학을 묻고 있다 — 입학홍보처가 지금 당장 해야 할 GEO 5가지

수험생의 정보 탐색 경로가 바뀌었다 — 대학은 아직 모르고 있다

Carnegie의 2025년 Summer Research Series에 따르면, 대학 탐색 과정에서 AI를 사용하는 수험생 비율은 2023년 4%에서 2024년 10%, 2025년 23%로 급증했다. 고등학생 예비 지원자는 25%, 학부모는 21%가 이미 AI를 대학 선택 과정에 활용하고 있다. 이 궤적이 유지되면 2026년 말까지 35~40%에 이를 것이라는 전망이 나온다.

UPCEA와 Search Influence가 760명의 예비 학습자를 대상으로 수행한 2025년 AI Search in Higher Education 연구는 더 충격적이다. 예비 학생의 50%가 매주 AI 도구를 사용하여 교육 프로그램을 탐색하며, 79%는 Google의 AI Overview를 읽은 후에야 검색 결과를 클릭한다. 56%는 AI가 인용한 기관을 더 신뢰한다고 답했다. 대학 웹사이트를 방문하기 전에, 수험생은 이미 AI가 제공한 요약 정보를 기반으로 선택지를 좁히고 있다.

그런데 같은 시기에 실시된 UPCEA Snap Poll(30개 회원 기관 대상)의 결과는 정반대다. 대학 기관의 60%가 AI 검색 대응을 '탐색 중'이라고 답했다. 공식 전략을 보유한 곳은 30%에 불과했고, 70%가 '인력 부족과 우선순위 경쟁'을 가장 큰 장벽으로 꼽았다. 수험생은 이미 ChatGPT에게 대학을 묻고 있는데, 대학은 아직 그 질문이 존재하는지조차 파악하지 못하고 있다.

한국 대학이 처한 상황은 더 심각하다

글로벌 데이터만으로는 한국 대학의 긴박함을 충분히 설명하기 어렵다. 한국 수험생의 정보 탐색 행동에는 고유한 구조적 특성이 있다.

첫째, 한국 수험생은 네이버·구글뿐 아니라 나무위키, 대학 커뮤니티(에브리타임, 오르비), 유튜브를 동시에 활용하는 멀티 플랫폼 탐색 행동이 일반적이다. 여기에 ChatGPT, Perplexity, Gemini 같은 AI 검색까지 추가되면서 정보의 진입점이 5~6개로 분산되었다. 수험생이 "서울 소재 컴퓨터공학과 취업률 높은 대학 추천"이라고 ChatGPT에 물었을 때, AI는 대학의 공식 홈페이지가 아니라 대학어디가, 나무위키, 뉴스 기사, 블로그를 조합하여 답변을 생성한다.

둘째, 한국 대학의 웹 콘텐츠는 AI가 파싱하기 극도로 어려운 구조다. 입학처 홈페이지는 PDF 기반의 모집요강 중심이고, 학과 소개 페이지는 이미지 중심의 브로셔형 디자인이 주를 이룬다. 질문-답변 구조의 FAQ는 거의 없고, 구조화 데이터(Schema Markup)를 적용한 대학 웹사이트는 사실상 전무하다. AI 크롤러가 방문하더라도 의미 있는 정보를 추출할 수 없는 구조인 것이다.

셋째, 한국 대학 입학홍보처의 디지털 마케팅 역량과 예산은 기업과 비교할 수 없을 만큼 제한적이다. 대부분의 입학홍보처는 입시 박람회, 고교 방문, 대학저널 광고에 예산을 집중하고 있으며, '온라인 콘텐츠 최적화'는 우선순위에서 밀려나 있다. GEO는커녕 기본적인 SEO조차 체계적으로 수행하는 대학은 소수에 불과하다.

ChatGPT에 실제로 대학을 물어보면 어떤 일이 벌어지는가

이론이 아니라 실제 현상을 직시할 필요가 있다. ChatGPT, Perplexity, Gemini에 한국 대학 관련 질문을 던졌을 때 공통적으로 관찰되는 패턴이 있다.

"서울 소재 컴퓨터공학과 추천해줘"라는 질문에 AI는 서울대, KAIST, 고려대, 성균관대 같은 상위권 대학을 나열한다. 여기까지는 예상 가능하다. 문제는 그 이후다. AI가 각 대학의 학과 소개, 커리큘럼 특징, 취업률을 설명할 때, 그 정보의 출처는 대학 공식 사이트가 아니라 나무위키, 대학알리미, 뉴스 기사인 경우가 대부분이다. 대학이 직접 통제할 수 없는 외부 소스가 AI의 답변을 구성하고 있다는 뜻이다.

"등록금 저렴한 간호학과 추천" 같은 구체적 질문에서는 더 심각한 문제가 드러난다. AI는 등록금, 장학금, 임상 실습 환경 같은 세부 정보를 답변에 포함하려 하지만, 대학의 공식 웹사이트에 이런 정보가 AI가 추출할 수 있는 형태로 존재하지 않는다. 결과적으로 AI는 오래된 블로그 포스트나 부정확한 커뮤니티 정보를 참조하여 잘못된 등록금 정보를 전달하거나, 아예 해당 대학을 추천 목록에서 제외한다.

"야간 수업 가능한 대학원 프로그램"이나 "직장인이 다닐 수 있는 사이버 대학 비교" 같은 복합 조건 질문에서는 대학 간 격차가 극명하게 드러난다. 프로그램 페이지에 수업 시간, 온라인 비율, 학점 이수 기간 같은 구체적 정보를 구조화하여 제공하는 대학은 AI 답변에 포함되고, 그렇지 않은 대학은 존재 자체가 사라진다.

이것은 단순한 온라인 마케팅의 문제가 아니다. AI가 수험생의 첫 번째 정보 필터가 되는 시대에, AI 답변에서 빠지는 것은 수험생의 선택지에서 빠지는 것과 같다.

입학홍보처가 지금 당장 해야 할 GEO 5가지

1. AI 가시성 감사(AI Visibility Audit)부터 시작하라

모든 전략의 출발점은 현황 파악이다. 입학홍보처가 가장 먼저 해야 할 일은 자교의 주요 학과·프로그램명으로 ChatGPT, Gemini, Perplexity에 직접 질문해보는 것이다.

"OO대학교 컴퓨터공학과 어때?", "서울에서 간호학과 좋은 대학 추천해줘", "OO대학교 등록금 얼마야?", "OO대학교 졸업 후 취업률 어때?" — 이런 질문을 각 AI 플랫폼에 던지고, 결과를 기록하라. 확인해야 할 항목은 다음과 같다.

우리 대학이 언급되는가. 언급된다면 정보가 정확한가. 경쟁 대학은 어떻게 소개되고 있는가. AI가 참조한 출처는 무엇인가 — 공식 사이트인가, 나무위키인가, 블로그인가. 잘못된 정보가 유통되고 있지는 않은가.

이 감사를 체계적으로 수행하면, AI가 우리 대학을 어떻게 인식하고 있는지에 대한 기준선(baseline)을 확보할 수 있다. 기준선 없이 전략을 수립하는 것은 지도 없이 항해하는 것과 같다. UPCEA와 Search Influence의 연구팀도 이 단계를 AI 검색 전략의 필수 첫 단계로 권고하고 있다.

2. 학과 페이지를 'AI가 읽을 수 있는 구조'로 재설계하라

대부분의 한국 대학 학과 소개 페이지는 AI 관점에서 거의 무용지물이다. 이미지 중심 레이아웃, Flash나 JavaScript로만 렌더링되는 콘텐츠, PDF로만 제공되는 교육과정표 — 이 모든 것이 AI 크롤러의 정보 추출을 가로막는다.

학과 페이지 재설계의 핵심 원칙은 명확하다. 수험생이 AI에게 물을 법한 질문을 H2 헤딩으로 설정하고, 그 바로 아래에 40~60단어의 자기 완결적 답변 단락을 배치하는 것이다. AI는 3,000단어짜리 글 전체를 인용하지 않는다. 하나의 단락, 때로는 하나의 문장만을 골라 답변에 삽입한다. 따라서 모든 핵심 정보가 독립적으로 의미를 전달할 수 있는 '시맨틱 청크(semantic chunk)' 단위로 구조화되어야 한다.

구체적으로 학과 페이지에 반드시 포함되어야 할 정보 블록은 다음과 같다. 학과 개요와 차별화 포인트(이 학과만의 강점은 무엇인가). 교육과정 구조(주요 전공 과목, 학점 구성, 졸업 요건). 졸업 후 진로와 취업 데이터(취업률, 주요 취업 분야, 대표 취업처). 등록금과 장학금 정보(연간 등록금, 교내/교외 장학금 종류와 조건). 입학 요건과 전형 정보(수시/정시 전형별 지원 자격, 반영 비율). 학과 관련 FAQ(수험생이 가장 많이 묻는 질문 5~10개와 명확한 답변).

각 정보 블록에는 구체적 수치가 포함되어야 한다. "높은 취업률을 자랑합니다"가 아니라 "2025년 졸업생 취업률 87.3%, 주요 취업처 삼성전자·LG·네이버(대학알리미 기준)"처럼 정량적 데이터를 명시해야 AI가 신뢰할 수 있는 정보원으로 인식한다. 프린스턴대, 조지아텍, Allen AI 연구소가 공동 수행한 GEO 원론 연구에서도, 통계 데이터를 포함한 콘텐츠의 AI 가시성이 최대 41% 향상된다는 결과가 확인된 바 있다.

3. robots.txt와 AI 크롤러 접근 정책을 점검하라

아무리 좋은 콘텐츠를 만들어도, AI 크롤러가 접근할 수 없으면 아무 소용이 없다. 한국 대학 웹사이트의 상당수가 robots.txt에서 AI 크롤러를 명시적으로 차단하거나, Cloudflare 같은 CDN의 기본 설정으로 인해 AI 봇 트래픽이 자동 차단되고 있다.

입학홍보처가 즉시 확인해야 할 사항은 세 가지다. 첫째, robots.txt 파일에서 GPTBot(ChatGPT), ClaudeBot(Claude), PerplexityBot(Perplexity)의 접근이 허용되어 있는가. 둘째, CDN이나 WAF(Web Application Firewall) 설정에서 AI 크롤러가 차단되고 있지 않은가. 셋째, 학과 소개 페이지, 입학 정보 페이지, FAQ 페이지가 크롤링 허용 범위에 포함되어 있는가.

주의할 점이 있다. AI 크롤러는 '학습용 봇'과 '검색용 봇'으로 분화되어 있다. OpenAI의 경우 GPTBot은 학습용, OAI-SearchBot은 검색용이다. 검색용 봇을 차단하면 ChatGPT 검색 결과에서 완전히 사라진다. 학습용 봇의 허용 여부는 조직의 콘텐츠 정책에 따라 결정할 수 있지만, 검색용 봇은 AI 가시성을 위해 반드시 허용해야 한다.

대학 IT 부서와의 협업이 필수적인 이유가 여기에 있다. 입학홍보처 단독으로는 robots.txt나 서버 설정을 변경할 수 없는 경우가 대부분이다. IT 부서에 'AI 검색 노출을 위해 특정 크롤러의 접근을 허용해야 한다'는 구체적 요청을 전달하고, 허용할 봇 목록과 허용 범위를 명확히 정의하여 전달하는 것이 첫 단계다.

4. 수험생의 '대화형 질문'에 직접 대응하는 콘텐츠를 만들어라

전통적인 입학홍보 콘텐츠는 '대학이 말하고 싶은 것'을 중심으로 설계되어 있다. "세계적 수준의 교수진", "첨단 연구 시설", "글로벌 네트워크" — 이런 표현은 수험생이 AI에게 묻는 질문과 전혀 맞닿아 있지 않다.

수험생이 AI에게 묻는 질문은 구체적이고, 조건이 복합적이며, 비교를 전제로 한다. "1학기에 등록금 감면받을 수 있는 장학금이 있는 컴퓨터공학과는?", "수도권에서 야간 수업 가능한 경영학 대학원은?", "비전공자가 지원할 수 있는 AI 대학원 프로그램은?", "자취 비용까지 포함하면 총 비용이 가장 합리적인 대학은?" — 이런 질문에 직접 답하는 콘텐츠가 필요하다.

EAB(Education Advisory Board)의 분석에 따르면, 기존의 "최고의 간호 프로그램"이나 "내 근처 MBA" 같은 키워드 중심 접근에서 벗어나, "야간에 다닐 수 있는 간호 프로그램은 어디인가", "1세대 대학생을 위한 지원이 가장 좋은 대학은 어디인가" 같은 대화형 질문에 직접 대응하는 콘텐츠를 구축해야 AI가 해당 대학을 인용한다.

실행 방법은 다음과 같다. 입학 상담 과정에서 수험생이 가장 자주 묻는 질문 20~30개를 수집한다. 각 질문을 H2 또는 H3 헤딩으로 설정하고, 그 아래에 구체적 수치와 조건을 포함한 40~60단어의 답변을 배치한다. 이 콘텐츠를 학과 페이지의 FAQ 섹션에 통합하거나, 독립적인 "입학 가이드" 페이지로 구축한다. 핵심은 한 페이지에 모든 정보를 나열하는 것이 아니라, 하나의 질문에 대해 완결적인 답변을 제공하는 구조를 만드는 것이다.

이때 학위 프로그램 페이지 하나만으로는 부족하다. 그 프로그램을 둘러싼 커리어 가이드, 자격증 연계 정보, 산업 파트너십 소개 같은 위성 콘텐츠를 함께 구축해야 AI가 해당 대학을 특정 주제의 포괄적 정보원으로 인식한다. Johnson County Community College의 사례가 이를 뒷받침한다. AI를 통해 유입된 트래픽은 전체 방문자의 1% 미만이었지만, 해당 트래픽의 참여도(engagement)는 사이트 평균보다 훨씬 높았다. 적은 방문이라도 AI를 통한 유입은 이미 정보를 확인하고 온 고관여 방문자라는 의미다.

5. 구조화 데이터(Schema Markup)를 학과·프로그램 페이지에 적용하라

구조화 데이터는 AI 크롤러에게 "이 페이지의 정보가 무엇을 의미하는지"를 명시적으로 알려주는 메타데이터다. 사람이 웹 페이지를 읽을 때는 맥락을 이해하지만, AI 크롤러는 HTML 구조와 Schema Markup에 의존하여 정보의 의미를 파악한다.

대학 웹사이트에 적용해야 할 핵심 Schema 타입은 다음과 같다. EducationalOrganization — 대학의 공식 명칭, 설립 연도, 소재지, 인증 정보를 구조화한다. Course — 각 학과의 주요 교과목, 학점, 수업 방식(대면/온라인/혼합)을 구조화한다. FAQPage — 질문-답변 형태의 콘텐츠를 AI가 직접 인용할 수 있는 형태로 마크업한다. AggregateRating 또는 관련 스키마를 활용하여 취업률, 학생 만족도 같은 정량 데이터를 구조화한다.

한국 대학 중 이 수준의 구조화 데이터를 적용한 곳은 거의 없다. 이것은 역설적으로 기회이기도 하다. 경쟁 대학보다 먼저 구조화 데이터를 적용하면, AI 답변에서 우선적으로 인용될 가능성이 높아진다. GEO 원론 연구에서 밝혀진 중요한 패턴이 있다. GEO에서는 기존 SEO에서 중시하던 도메인 권위보다 콘텐츠 자체의 구조와 품질이 더 중요하게 작용한다. 검색 결과 5위에 랭크된 사이트라도 콘텐츠를 잘 구조화하면 AI 가시성이 115%까지 향상될 수 있는 반면, 1위 사이트는 구조화가 미흡하면 오히려 가시성이 감소한다. 이른바 '언더독의 기회'가 열리는 것이다.

왜 입학홍보처가 GEO를 주도해야 하는가

GEO는 IT 부서의 일이 아니다. 마케팅 에이전시에 위임할 수 있는 일도 아니다. 입학홍보처가 주도해야 하는 이유는 세 가지다.

첫째, 수험생의 질문을 가장 잘 아는 부서가 입학홍보처이기 때문이다. 입학 상담, 박람회, 고교 방문에서 수집된 수험생의 실제 질문은 GEO 콘텐츠의 원천 재료다. 이 질문 데이터를 AI가 읽을 수 있는 콘텐츠로 전환하는 것이 GEO의 본질이다.

둘째, AI 답변 내 정보의 정확도를 검증할 수 있는 부서가 입학홍보처이기 때문이다. AI가 우리 대학의 등록금을 잘못 안내하거나, 폐지된 학과를 추천하거나, 경쟁 대학의 정보와 혼동하는 경우를 탐지하고 교정할 수 있는 것은 실제 입시 데이터를 보유한 입학홍보처뿐이다.

셋째, GEO의 성과 지표가 결국 입학홍보처의 KPI와 직결되기 때문이다. AI 답변에서 우리 대학이 언급되는 빈도, AI를 통해 유입된 방문자의 지원 전환율, AI 답변 내 정보의 정확도 — 이 모든 지표는 최종적으로 '지원자 수'와 '입학 전환율'로 귀결된다. UPCEA 연구에서 확인된 것처럼, AI가 인용한 기관을 더 신뢰하는 수험생이 56%에 달한다. AI 답변에서 빠지는 것은 수험생의 신뢰 루프 자체에서 이탈하는 것이다.

지금 시작하지 않으면 발생하는 '가시성 부채'

UPCEA와 Search Influence는 AI 검색 대응을 미루는 대학이 축적하게 되는 문제를 '가시성 부채(visibility debt)'라는 개념으로 설명한다. AI의 콘텐츠 인용은 복리 효과를 갖는다. AI가 특정 대학의 정보를 자주 인용할수록, 그 대학의 콘텐츠에 대한 신뢰 점수가 올라가고, 이후의 인용 가능성도 높아진다. 반대로, AI가 우리 대학의 콘텐츠를 한 번도 인용하지 않으면, 그 부재가 누적되어 나중에 진입 장벽이 더 높아진다.

2026년은 한국 대학에 있어 GEO의 임계점이 될 가능성이 높다. 교육부가 대학 AI 인재양성 사업을 본격 추진하고 있고, 수험생의 AI 사용률이 가파르게 상승하고 있으며, 아직 대부분의 한국 대학이 GEO에 착수하지 않은 상태다. 선발 대학이 지금 구조화 데이터를 적용하고, 수험생 질문에 대응하는 콘텐츠를 구축하고, AI 크롤러 접근을 허용하면, 후발 대학과의 AI 가시성 격차는 시간이 지날수록 벌어진다.

더 직접적으로 말하면, ChatGPT가 "서울 소재 컴퓨터공학과 추천"에 특정 대학 5곳을 반복적으로 추천하기 시작하면, 나머지 대학이 그 목록에 진입하기 위한 비용과 시간은 기하급수적으로 증가한다. AI의 추천은 검색 엔진의 순위보다 고착성이 강하다. 지금 빈 자리를 선점하는 것이 나중에 자리를 빼앗는 것보다 압도적으로 쉽다.

Lumiscan으로 대학 GEO 진단을 시작하는 법

Lumiscan은 대학의 AI 가시성을 데이터로 진단할 수 있도록 설계된 GEO 분석 플랫폼이다. AI 봇 크롤링 분석을 통해 GPTBot, ClaudeBot, PerplexityBot이 학과 페이지에 접근 가능한지 즉시 확인할 수 있고, AI 인용 테스트를 통해 주요 AI 플랫폼에서 우리 대학이 어떻게 소개되는지를 비교 분석할 수 있다.

특히 MCP(Model Context Protocol) 연동을 통해 Claude Desktop에서 "우리 대학 간호학과가 AI에서 어떻게 노출되는지 분석해줘" 같은 자연어 명령만으로 진단을 수행할 수 있다. IT 전문 인력이 부족한 입학홍보처에게 이것은 의미 있는 진입점이 된다. 기술을 몰라도 AI에게 질문하듯 진단을 시작할 수 있기 때문이다.

수험생이 AI에게 대학을 묻는 시대가 왔다. 문제는 AI가 우리 대학에 대해 무엇을 알고 있느냐가 아니라, AI가 우리 대학에 대해 무엇을 '모르고' 있느냐다. 그 공백을 채우는 작업은 지금 시작해야 한다.

자주 묻는 질문

AI 검색에서 우리 대학이 언급되지 않으면 구체적으로 어떤 피해가 있는가?

UPCEA 연구에 따르면 예비 학생의 56%가 AI가 인용한 기관을 더 신뢰한다. AI 답변에서 빠지면 수험생의 초기 탐색 단계에서 선택지로 인식되지 못하고, 이는 지원자 수 감소로 직결된다. 특히 AI를 통한 유입 트래픽은 이미 정보를 확인하고 방문하는 고관여 방문자가 대부분이므로, 이 채널의 부재는 질 높은 지원자의 이탈을 의미한다.

입학홍보처에서 GEO를 시작하기 위한 최소한의 예산과 인력은 어느 정도인가?

초기 AI 가시성 감사는 별도의 예산 없이 담당자 1명이 2~3일이면 수행할 수 있다. 주요 학과명으로 AI에 질문하고 결과를 정리하는 것만으로 기준선을 확보할 수 있다. 이후 학과 페이지 재구조화와 구조화 데이터 적용은 웹 개발 인력과의 협업이 필요하지만, 한 번 구축하면 지속적 효과가 있으므로 일회성 투자 성격이 강하다.

네이버 AI 검색(AI 브리핑)과 글로벌 AI 검색(ChatGPT, Gemini)을 동시에 대응해야 하는가?

한국 수험생은 네이버와 글로벌 AI 검색을 병행 사용한다. 다만 우선순위를 정한다면, 현재로서는 ChatGPT와 Google AI Overview의 점유율이 압도적이므로 여기에 먼저 대응하고, 네이버 AI 브리핑은 플랫폼의 크롤링 정책과 인용 구조가 안정화된 후 추가 대응하는 단계적 접근이 현실적이다.

PDF 기반 모집요강을 당장 웹 페이지로 전환하기 어려운 경우 대안은 무엇인가?

PDF를 완전히 대체할 필요는 없다. 모집요강의 핵심 정보 — 전형별 지원 자격, 전형 일정, 반영 비율, 등록금 — 를 웹 페이지 형태의 요약 콘텐츠로 별도 구축하고, PDF는 상세 참조용으로 링크하는 방식이 효과적이다. AI 크롤러가 추출할 수 있는 것은 웹 페이지의 텍스트이므로, 핵심 정보만이라도 HTML 형태로 존재해야 한다.

GEO 전략의 효과를 측정하는 방법은 무엇인가?

핵심 측정 항목은 세 가지다. 첫째, AI 답변 내 우리 대학 언급 빈도의 변화(월 1회 이상 모니터링). 둘째, AI 관련 유입 트래픽의 변화(서버 로그에서 ChatGPT-User, ClaudeBot 등의 User-Agent 분석). 셋째, AI 답변 내 정보 정확도(등록금, 취업률 등 핵심 데이터의 일치 여부). Lumiscan 같은 GEO 분석 도구를 활용하면 이 세 가지를 자동화하여 추적할 수 있다.