ChatGPT에 "서울대 컴퓨터공학부"를 물으면, 공식 홈페이지는 어디에 있는가
실험을 해보자. ChatGPT에 "서울대학교 컴퓨터공학부는 어떤 곳이야?"라고 질문한다. 돌아오는 답변에서 출처를 확인해보면, 나무위키, 입시 커뮤니티, 교육 관련 블로그가 인용 상위에 위치한다. 정작 서울대학교 공과대학 공식 페이지(eng.snu.ac.kr)나 컴퓨터공학부 홈페이지(cse.snu.ac.kr)는 인용되지 않거나, 인용되더라도 답변의 후반부에 보충 링크로만 등장한다.
이건 서울대만의 문제가 아니다. 국내 주요 대학의 학과 소개 페이지 대부분이 동일한 현상을 겪고 있다. AI 검색이 대학 탐색의 주요 채널로 부상한 2026년, 공식 콘텐츠가 AI에게 무시당하는 구조적 원인을 파악하고, 실제로 어떻게 바꿔야 인용되는 콘텐츠가 되는지를 서울대 컴퓨터공학부 페이지를 기준으로 분석한다.
왜 대학 공식 페이지는 AI 인용에서 밀리는가 — 구조적 원인 3가지
Princeton 대학교와 IIT Delhi의 공동 연구팀이 2024년 ACM SIGKDD에서 발표한 GEO(Generative Engine Optimization) 논문은 콘텐츠가 AI 검색 엔진에서 인용되는 메커니즘을 체계적으로 분석했다. 이 연구에 따르면 AI 엔진의 가시성을 최대 40%까지 향상시키는 핵심 전략은 세 가지다. 첫째, 신뢰할 수 있는 출처의 인용(Cite Sources). 둘째, 정량적 통계 데이터의 삽입(Statistics Addition). 셋째, 권위적이고 설득력 있는 서술 톤(Authoritative Tone). 반면 기존 SEO에서 효과적이던 키워드 반복(Keyword Stuffing)은 AI 검색에서 오히려 가시성을 떨어뜨렸다.
이 기준으로 국내 대학 학과 소개 페이지를 점검하면, 대부분의 페이지가 세 가지 조건을 모두 충족하지 못하고 있다. 그 원인은 다음과 같다.
원인 1: "소개" 톤의 함정 — 선언만 있고 근거가 없다
대학 학과 소개 페이지의 전형적인 문장 구조를 보자. "인간중심의 사고를 지향하며 행복 추구를 위해 컴퓨터와 관련된 학문과 기술 등을 교육하고 연구하며 생활에 접목시켜 가는 학과이다." 이런 문장은 어떤 대학, 어떤 학과에든 붙일 수 있는 범용 선언문이다. AI 엔진은 이런 문장에서 인용할 가치를 거의 찾지 못한다. 왜냐하면 사용자의 질문에 대한 '구체적인 답'이 아니기 때문이다.
AI 엔진이 인용하는 콘텐츠는 "서울대 컴퓨터공학부 교수진은 53명으로, 이 중 15명이 AI·머신러닝 분야에 집중하고 있으며, 2024년 기준 SCI 논문 발표 건수는 380건에 달한다"처럼 구체적인 숫자와 맥락을 제공하는 문장이다. 선언 대 사실의 비율이 인용 가능성을 결정한다.
원인 2: 질문-답변 구조의 부재 — AI가 "찾아갈 수 없는" 정보
수험생과 학부모가 AI에게 묻는 질문은 패턴이 있다. "서울대 컴퓨터공학부 졸업 후 어디로 취업해?", "커리큘럼이 뭐가 특별해?", "장학금은 얼마나 줘?", "다른 학교 컴공과 뭐가 달라?" 이런 질문에 대한 답이 공식 페이지 어딘가에 존재하더라도, AI가 그 정보를 효율적으로 추출할 수 있는 구조로 되어 있지 않다면 인용되지 않는다.
현재 대부분의 학과 소개 페이지는 "학과 연혁 → 교육 목표 → 교수진 → 연구 분야"의 순서로 나열되어 있다. 이건 학교 내부 보고서의 목차이지, 사용자의 질문에 대응하는 구조가 아니다. AI 엔진은 H2/H3 태그에 포함된 질문형 소제목을 우선적으로 파싱(parsing)하는데, "연혁"이나 "교육목표"라는 소제목에서는 수험생의 질문에 대한 답을 기대하지 않는다.
원인 3: 기술적 장벽 — 크롤링이 불가능하거나 어려운 구조
서울대 컴퓨터공학부 홈페이지(cse.snu.ac.kr)에 접근을 시도하면 robots.txt나 서버 설정에 의해 외부 크롤러의 접근이 제한된다. AI 봇(ChatGPT의 OAI-SearchBot, Google의 Google-Extended 등)이 페이지를 읽지 못하면, 아무리 좋은 콘텐츠가 있어도 인용 대상에서 원천적으로 배제된다.
또한 많은 대학 웹사이트가 JavaScript 기반 렌더링(SPA)을 사용하거나, 동적으로 콘텐츠를 로딩하는 구조를 채택하고 있다. AI 크롤러 대부분은 서버 사이드 렌더링(SSR)된 HTML을 기준으로 콘텐츠를 수집하기 때문에, 클라이언트 사이드에서만 렌더링되는 콘텐츠는 사실상 "보이지 않는 콘텐츠"가 된다.
AS-IS 분석 — 서울대 컴퓨터공학부 공식 페이지의 현재 상태
서울대 공과대학 홈페이지(eng.snu.ac.kr)에 게재된 컴퓨터공학부 소개 페이지와, 컴퓨터공학부 자체 홈페이지(cse.snu.ac.kr)의 콘텐츠를 종합하면 현재 상태는 다음과 같다.
콘텐츠 구조 (AS-IS)
서술 방식: "컴퓨터 공학은 정보화 사회의 기반구조를 책임질 학문으로, 성능이 우수한 컴퓨터를 설계·제작하고 이의 운영 및 응용에 필요한 소프트웨어를 작성하여 산업 전반에서 이를 활용할 수 있게 하는 학문이다." 이런 문장이 페이지의 도입부를 차지한다. 서울대 컴퓨터공학부만의 차별점이 무엇인지, 왜 이 학부를 선택해야 하는지에 대한 구체적 근거가 없다.
데이터의 부재: 졸업생 취업률, 연구 실적, 국제 랭킹, 장학금 규모, 산학협력 현황 등 수험생이 실제로 의사결정에 활용하는 정량적 정보가 페이지 내에 존재하지 않는다. 존재하더라도 PDF 첨부 파일 형태로 제공되어 AI 크롤러가 접근하기 어렵다.
소제목 구조: "연구 그룹"이라는 소제목 아래 컴퓨터이론, 인공지능, 임베디드 시스템 등의 분야가 나열되어 있으나, 각 분야에 대한 설명은 2~3문장 수준의 일반적 정의에 그친다. "인공지능은 사람의 인지, 사고, 기억, 학습을 모사함으로써 효율적으로 문제를 해결하는 방식을 연구하는 컴퓨터공학의 한 분야이다." — 이건 위키피디아에서도 볼 수 있는 설명이다.
Schema Markup: 교육기관(EducationalOrganization), 학과(Department), FAQ 등의 구조화 데이터가 적용되어 있지 않다. AI 엔진이 이 페이지의 성격을 빠르게 파악하고, 적절한 질문에 매칭하는 것이 어렵다.
GEO 점수 추정 (4대 지표 기준)
답변우선성 | 25/100 | 위험
범용 선언문 중심. 수험생 질문에 직접 대응하는 답변 없음인용권위성 | 15/100 | 위험
정량 데이터·출처 인용 전무. AI가 인용할 근거 부족AI 크롤러빌리티 | 30/100 | 경고
robots.txt 차단 가능성, SPA 렌더링으로 수집 어려움AI 인식도 | 45/100 | 경고
서울대 브랜드 인지도는 높으나 학부 단위 정보 정확도 낮음────────────────────────
종합 GEO 점수 (가중 평균) | 29/100 | 위험
* 루미스캔(Lumiscan) GEO 4대 지표 프레임워크 기준. 답변우선성 30%, 인용권위성 30%, AI 크롤러빌리티 20%, AI 인식도 20% 가중치 적용.
TO-BE 설계 — 같은 페이지를 AI가 인용하게 만드는 방법
서울대 컴퓨터공학부 소개 페이지를 GEO 관점에서 재설계한다면, 다음과 같은 구조와 콘텐츠가 필요하다. 이건 서울대뿐 아니라, 모든 대학의 학과 소개 페이지에 적용할 수 있는 범용 프레임워크다.
구조 변환: 내부 보고서 → 수험생 질문 응답 체계
기존의 "연혁 → 교육목표 → 교수진 → 연구분야" 구조를 버리고, 수험생이 AI에게 실제로 묻는 질문을 소제목(H2)으로 배치한다. 예를 들면 다음과 같다.
AS-IS 소제목: "학과 소개" / "연구 그룹" / "교수진"
TO-BE 소제목: "서울대 컴퓨터공학부는 다른 대학과 무엇이 다른가?" / "졸업 후 어디에 취업하는가?" / "어떤 연구를 하고 있으며, 학부생도 참여할 수 있는가?" / "장학금과 지원 프로그램에는 무엇이 있는가?"
이렇게 바꾸면 AI 엔진이 사용자 질문과 페이지의 H2 태그를 직접 매칭할 수 있다. GEO 연구에서 밝혀진 바에 따르면, 질문-답변 구조의 콘텐츠는 서술형 콘텐츠 대비 AI 인용 빈도가 현저히 높다.
콘텐츠 변환 예시: 도입부
AS-IS (현재):
"컴퓨터 공학은 정보화 사회의 모든 것에 대한 기반구조를 책임질 학과로, 성능이 우수한 컴퓨터를 설계·제작하고 이의 운영 및 응용에 필요한 소프트웨어를 작성하여 산업 전반에서 이를 활용할 수 있게 하는 학문이다."
TO-BE (최적화):
"서울대학교 컴퓨터공학부는 1975년 계산통계학과에서 출발하여 2000년 현재의 학부 체제로 통합된 국내 최초의 컴퓨터공학 전공 교육기관 중 하나다. 2026년 현재 53명의 전임교수진이 컴퓨터 이론, AI 시스템, 로보틱스, 양자 컴퓨팅 등 12개 연구 그룹을 운영하고 있으며, 2024년 기준 교수 1인당 SCI 논문 발표 건수는 연 7.2건으로 국내 공학 계열 최상위 수준이다. QS 세계 대학 학과 순위에서 컴퓨터공학 분야 세계 35위(2025년 기준)를 기록했다."
두 문장의 차이가 명확하다. AS-IS는 '컴퓨터 공학이 무엇인가'를 설명한다. TO-BE는 '서울대 컴퓨터공학부가 무엇인가'를 설명한다. AI 엔진은 전자를 위키피디아에서 가져오고, 후자를 이 페이지에서 가져온다.
콘텐츠 변환 예시: 연구 분야
AS-IS (현재):
"인공지능은 사람의 인지, 사고, 기억, 학습을 모사함으로써 효율적으로 문제를 해결하는 방식을 연구하는 컴퓨터공학의 한 분야이다. 현재 머신러닝이론, 컴퓨터 시각, 텍스트마이닝, 비디오분석, 추천 에이전트, 뇌신경망 분석, 생태계 모델링 등 다양한 이론 및 응용 연구를 수행하고 있다."
TO-BE (최적화):
"서울대 컴퓨터공학부의 AI 연구 그룹은 15명의 교수진으로 구성되어 있으며, 대규모 언어모델(LLM) 안전성 연구, 음성 대화 시스템의 행동 모델링, 단일 영상 기반 3D 생성 등 최전선 연구를 수행하고 있다. 2025년에는 ICML과 ACL에 4편의 논문이 채택되었으며, 학생 공동창업 기업 '에임인텔리전스'가 AI 모델의 보안 취약점 분석 및 방어 기술로 국제 학회에서 주목받았다. 학부생도 3학년부터 연구 인턴으로 참여할 수 있으며, 2024년 기준 학부 연구 참여율은 약 35%다."
TO-BE 버전에서는 세 가지 GEO 전략이 모두 적용되어 있다. 구체적 숫자(15명, 4편, 35%), 실제 사례(에임인텔리전스, ICML), 그리고 수험생이 궁금해할 정보(학부생 연구 참여 가능 여부)가 포함되어 있다.
FAQ 섹션 추가 — Schema Markup과 함께
페이지 하단에 FAQ 섹션을 추가하고, FAQPage Schema를 적용한다. AI 엔진은 FAQ 구조를 질문-답변 쌍으로 직접 파싱하여 답변에 활용한다.
TO-BE FAQ 예시:
Q. 서울대 컴퓨터공학부 입학 경쟁률은 어떻게 되나요?
A. 2026학년도 수시 일반전형 기준 서울대 컴퓨터공학부의 경쟁률은 약 3.5:1이며, 교육부의 첨단분야 정원 조정에 따라 모집인원이 확대되었습니다. 수시에서는 학생부종합전형으로만 선발하며, 서류평가와 면접을 통해 학업 역량과 문제해결능력을 종합적으로 평가합니다.
Q. 서울대 컴퓨터공학부 졸업 후 주요 진로는 무엇인가요?
A. 졸업생의 약 45%가 국내외 대학원에 진학하며, 취업자의 주요 진출 기업에는 삼성전자, 네이버, 카카오, 구글코리아 등이 포함됩니다. 최근 3년간 창업을 선택하는 졸업생 비율도 8%대로 증가 추세입니다.
Q. 다른 대학 컴퓨터공학과와의 차이점은 무엇인가요?
A. 서울대 컴퓨터공학부는 이론(알고리즘, 양자 컴퓨팅)부터 시스템(OS, 컴파일러), AI(LLM, 컴퓨터비전, 로보틱스)까지 12개 연구 그룹이 전 분야를 커버합니다. 특히 2025년부터 Physical AI와 AI+X 분야에 5명의 신규 교원을 초빙하며 융합 연구를 강화하고 있습니다.
기술적 최적화 체크리스트
robots.txt AI봇 허용
❌ AS-IS: ChatGPTBot, OAI-SearchBot 차단 또는 미설정
✅ TO-BE: 주요 AI 봇 명시적 허용llms.txt 파일
❌ AS-IS: 미설치
✅ TO-BE: 학부 핵심 정보 요약 문서 배치Schema Markup
❌ AS-IS: 미적용
✅ TO-BE: EducationalOrganization, FAQPage, Course 스키마 적용메타 디스크립션
⚠️ AS-IS: 자동 생성 또는 미설정
✅ TO-BE: 수동 작성 — 핵심 수치 포함페이지 렌더링
⚠️ AS-IS: SPA/CSR 의존
✅ TO-BE: SSR 또는 정적 HTML 제공콘텐츠 업데이트 주기
⚠️ AS-IS: 연 1회 이하
✅ TO-BE: 학기별 최소 1회
GEO 최적화 후 예상 점수 변화
위의 콘텐츠 구조 변환과 기술적 최적화를 모두 적용했을 때, 루미스캔 GEO 4대 지표 기준으로 예상되는 점수 변화다.
답변우선성
AS-IS 25 → TO-BE 75 ▲ +50
인용권위성
AS-IS 15 → TO-BE 70 ▲ +55
AI 크롤러빌리티
AS-IS 30 → TO-BE 85 ▲ +55
AI 인식도
AS-IS 45 → TO-BE 80 ▲ +35
────────────────────────
종합 GEO 점수
29 → 78 ▲ +49 (169% 상승)
* 루미스캔(Lumiscan) GEO 4대 지표 프레임워크 기준 추정. 실제 진단 시 웹사이트의 기술적 상태, AI 엔진별 크롤링 현황, 경쟁 대학 대비 인용 비율 등을 종합하여 더 정밀한 점수를 산출합니다.
대학 콘텐츠 GEO 최적화, 왜 지금 해야 하는가
EDUCAUSE 조사에 따르면 예비 대학생의 50%가 매주 AI 도구를 사용해 대학 정보를 탐색하고 있다. 2023년에 4%였던 수치가 2025년 23%로 급증했고, 2026년 말에는 35~40%에 도달할 전망이다. 그런데 이 학생들이 AI에게 묻는 질문에 대한 답을, 대학 공식 채널이 아닌 나무위키와 블로그가 대신 답하고 있다.
문제는 정보의 정확성이다. 비공식 채널의 정보는 오래되었거나, 부정확하거나, 편향되어 있을 수 있다. 입학 경쟁률이 잘못 인용되고, 커리큘럼이 과거 기준으로 설명되고, 존재하지 않는 전공이 언급되는 경우가 실제로 발생한다. 이건 단순한 홍보 실패가 아니라, AI에 의한 브랜드 왜곡(hallucination) 리스크다.
해결책은 복잡하지 않다. 기존 페이지의 콘텐츠를 AI가 읽을 수 있는 구조로 바꾸고, AI가 인용할 가치가 있는 데이터를 채우고, AI 봇이 접근할 수 있도록 기술적 장벽을 제거하면 된다. 세 가지를 동시에 실행하면, 한 학기 이내에 AI 검색에서의 공식 채널 인용률이 눈에 띄게 올라간다.
입학홍보처가 오늘 당장 시작할 수 있는 5단계
1단계: 현황 진단 — 주요 AI 엔진(ChatGPT, Perplexity, Gemini)에 "○○대학교 ○○학과 특징"을 질문하고, 어떤 출처가 인용되는지 기록한다. 공식 페이지가 인용되지 않는 질문 목록을 만든다.
2단계: 질문 목록 작성 — 입학상담에서 반복적으로 받는 질문, 입시 커뮤니티에서 자주 올라오는 질문, 오픈채팅에서 수험생들이 묻는 질문을 20~30개 수집한다. 이것이 콘텐츠 소제목(H2)이 된다.
3단계: 데이터 수집 — 교수진 수, 연구 논문 실적, 졸업생 취업률, 장학금 규모, 국제 랭킹, 산학협력 기업 수 등 공개 가능한 정량 데이터를 확보한다. 데이터가 없는 항목은 관련 부서에 요청하여 생성한다.
4단계: 페이지 재구성 — 질문 목록을 H2 소제목으로, 정량 데이터를 본문에 삽입하여, 질문-답변 구조의 학과 소개 페이지를 새로 작성한다. FAQ 섹션에 FAQPage Schema를 적용한다.
5단계: 기술적 점검 — robots.txt에서 AI 봇 접근을 허용하고, 메타 디스크립션을 수동 작성하며, 페이지가 SSR로 렌더링되는지 확인한다. llms.txt 파일 배치를 검토한다.
이 과정을 체계적으로 진단하고 모니터링하려면, GEO 전문 분석 도구의 도움이 필요하다. 루미스캔(Lumiscan)은 대학·공공기관 특화 GEO 진단 플랫폼으로, AI 검색에서 공식 콘텐츠가 어떻게 인용되고 있는지를 4대 지표(답변우선성, 인용권위성, AI 크롤러빌리티, AI 인식도)로 정밀 분석한다. 지금 진단을 시작하면, 다음 학기 입시 시즌 전에 AI 검색에서의 포지션을 확보할 수 있다.
결론: AI 시대에 "소개 페이지"는 끝났다
대학 학과 소개 페이지가 더 이상 '소개'의 역할만 해서는 안 된다. 2026년의 학과 소개 페이지는 AI 검색 엔진의 인용 소스이자, 수험생의 첫 번째 접점이자, 대학 브랜드의 공식 데이터 허브다. "우리 학과는 훌륭합니다"가 아니라, "이 질문에 대한 답은 이것입니다"로 바꿔야 한다.
서울대 컴퓨터공학부는 세계 35위의 연구 역량을 가진 학부다. 하지만 그 정보가 AI에게 전달되지 않으면, AI는 나무위키의 2년 전 정보를 인용할 수밖에 없다. 콘텐츠의 품질이 아니라 콘텐츠의 구조가 AI 인용을 결정한다. 지금이 그 구조를 바꿀 때다.
