2010년대 초, 제가 다니던 회사에서는 제가 인터넷에서 찾지 못한 정보는 인터넷에 없는 것처럼 받아들여지기도 했습니다.
지금 생각하면 조금 민망합니다. 제가 대단한 통찰을 가진 사람이라서가 아니었습니다.
다만 흩어진 정보를 찾고, 서로 다른 자료를 비교하고, 조각난 내용을 모아 그럴듯한 결론으로 만드는 일을 비교적 잘했습니다.
그때는 그것만으로도 충분히 쓸모가 있었습니다.
같은 인터넷 앞에 앉아도 어떤 사람은 빈손으로 돌아오고, 어떤 사람은 필요한 자료를 찾아왔습니다.
검색어를 어떻게 넣을지, 어느 사이트를 먼저 볼지, 공식 자료와 블로그 글과 커뮤니티 글을 어떻게 구분할지 아는 것이 능력이었습니다. 정보는 이미 어딘가에 있었지만, 그것을 꺼내오는 데에는 기술이 필요했습니다.
그런데 요즘은 그 능력이 예전만큼 희소하지 않습니다. AI는 더 빨리 찾고, 요약하고, 더 그럴듯한 레퍼런스를 붙입니다.
예전에는 브라우저 창을 여러 개 열어놓고 하나씩 비교해야 했던 일을 한 화면에서 정리해 줍니다.
배경을 묻고, 장단점을 정리해 달라고 하거나 비교표를 만들어 달라고 하면 꽤 쓸 만한 답이 나옵니다.
편했지만 허탈했다는게 솔직한 심정이었습니다. 할루시네이션에 희롱당하던 시절이 차라리 나았다고 느껴질 정도입니다.
오랫동안 쌓아온 능력 중 일부가 생각보다 쉽게 자동화되는 장면을 보고 있었기 때문입니다. 정보의 위치를 찾아내고, 여러 자료를 한곳에 모으고, 대략적인 결론을 만드는 일은 이제 AI가 훨씬 빠르게 해냅니다.
그래서 검색은 끝났다는 말이, 아주 틀린 말처럼 들리지는 않습니다.
하지만 정확히 말하면 검색이 끝난 것은 아닙니다. 검색자가 빨리 끝났다고 느끼게 되었을 뿐입니다.
검색 결과 페이지는 이미 오래전부터 답변 페이지로 변하고 있었습니다.
검색 결과 페이지가 답변 페이지로 바뀌기 시작한 것은 AI 오버뷰가 처음은 아니었습니다.
구글은 이미 2014년 1월 추천 스니펫을 도입하며, 검색 결과 상단에 짧은 답을 먼저 보여주기 시작했습니다.
AI 오버뷰는 그 흐름을 새로 만들었다기 보다, 더 강하게 밀어붙인 것입니다.
스니펫이 원문 일부를 끌어올리는 방식이었다면, AI 오버뷰는 여러 자료를 합쳐 하나의 답처럼 보여줍니다.
사용자는 요약을 보고, 필요하면 출처 링크를 누를 수 있습니다.
많은 경우 그 필요를 느끼지 않습니다. 이미 충분히 정리된 것처럼 보이기 때문입니다.
검색 결과를 더 내려가지 않아도 되고, 여러 사이트를 비교하지 않아도 되고, 레퍼런스 링크도 붙어 있으니 허술해 보이지도 않습니다.
그러니 많은 사람은 그 지점에서 멈춥니다.
그런데 검색의 문제는 정보를 찾지 못하는 데 있지 않습니다.
너무 빨리 찾았다고 느끼는 데 있습니다. 이건 인상만의 이야기가 아닙니다.
퓨리서치센터가 2025년 3월 미국 성인의 구글 검색 데이터를 분석한 결과, AI 요약이 없는 검색에서는 일반 링크 클릭률이 15%였는데, AI 요약이 붙은 검색에서는 8%로 거의 절반으로 떨어졌습니다.
그리고 AI 요약 안에 붙은 출처 링크를 누른 비율은 1%에 불과했습니다.
사람들은 요약을 읽고, 거기서 멈춥니다. 요약이 근거로 삼은 원문조차 거의 열어보지 않습니다.
AI 요약이 검색 클릭에 미친 변화
출처 · Pew Research Center (2025.7.22 발표) | 기준 · 2025년 3월 미국 성인 900명의 구글 검색 브라우징 데이터 | 해석 · 미국 구글 사용자 표본으로, 한국 포털 사용자나 모든 검색 상황으로 일반화하기는 어려움
물론 모든 검색에서 원문을 끝까지 확인해야 하는 것은 아닙니다. 날씨, 환율, 간단한 용어, 역사적 연도, 기초 개념처럼 빠른 확인이면 충분한 정보도 많습니다. 매번 모든 링크를 열고 검증하는 사람은 없고, 그렇게 살 수도 없습니다.
문제는 요약이 충분하지 않은 질문까지 충분한 것처럼 보이게 만든다는 데 있습니다.
특히 취향과 환경이 많이 개입되는 질문에서 AI 오버뷰는 쉽게 약해집니다.
쇼핑이 그렇습니다. 같은 물건도 누군가에게는 좋은 선택이고, 누군가에게는 전혀 맞지 않습니다.
예산, 취향, 사용 목적, 브랜드 선호, 몸에 맞는 정도, 생활 패턴이 모두 다릅니다. 이런 질문은 하나의 요약으로 끝내기 어렵습니다.
프로그래밍도 비슷합니다. 오류 메시지는 같아도 원인은 다를 수 있습니다. 언어 버전, 라이브러리 버전, 운영체제, 기존 코드 구조, 설정 파일 하나에 따라 답이 달라집니다. 사용자가 검색엔진까지 들어왔다는 것은, 이미 쉬운 답으로는 해결되지 않았다는 뜻일 때가 많습니다. 이런 문제에서 AI 오버뷰는 출발점이 될 수는 있어도 종착점이 되기는 어렵습니다.
결국 변수가 많은 질문에서는 다시 사람이 내려가야 합니다.
AI가 준 요약이 어떤 조건에서는 맞고 어떤 조건에서는 틀릴 수 있는지 생각하고, 출처를 열어보고, 자기 상황에 맞게 걸러야 합니다.
예전에는 검색어를 잘 넣는 사람이 유리했다면, 이제는 AI가 준 답을 어디까지 믿고 어디서부터 다시 파고들지 판단하는 사람이 유리합니다.
이 변화는 기업에게도 마찬가지입니다. 상위 노출만 노리는 얇은 정보는 AI 요약에 흡수되기 쉽습니다.
누구나 말할 수 있는 정의나 비슷비슷한 비교 글은 사용자가 굳이 내려와 읽을 이유를 만들지 못합니다.
그래서인지 요즘 AEO와 GEO라는 말이 부쩍 자주 들립니다. 답변 엔진 최적화, 생성 엔진 최적화. AI 검색에 맞춰 별도의 최적화가 필요하다는 이야기입니다. 그런데 흥미롭게도 구글은 2026년 공식 가이드에서 생성형 AI 검색을 위한 최적화도 결국 SEO라고 설명했습니다.
새로운 약어는 늘어나지만, 결론은 크게 다르지 않습니다. 사람이 직접 읽을 이유가 있는 콘텐츠를 만드는 일입니다.
개인에게도 마찬가지입니다. AI가 검색의 앞부분을 대신해 준다면, 사람에게 남는 일은 검색 이후입니다.
너무 빨리 도착한 답 앞에서 한 번 더 멈춰서 이 답이 내 상황에도 맞는지, 빠진 조건은 없는지, 다른 관점은 없는지 확인하는 겁니다.
검색 능력은 사라진 것이 아니라, 위치가 바뀌었습니다.
예전의 검색이 정보를 발견하는 능력이었다면, 지금의 검색은 답을 검증하고 자기 상황에 맞게 조정하는 능력에 가깝습니다.
검색은 끝난 것이 아니라, 너무 빨리 끝내고 싶은 마음과 싸우는 일이 되었습니다.
끝.