AI에 노출되려면 먼저 여행자가 무엇을 묻는지 알아야 합니다. 카이코어는 실제 투숙객이 남긴 VOC에서 페르소나를 만들고, 그 페르소나가 실제로 던지는 질문에 답하는 콘텐츠를 생성합니다.
키워드를 고르는 일이 아니라,
질문을 찾아내는 일입니다
기존 검색 최적화는 “강릉 호텔” 같은 키워드를 놓고 경쟁했습니다. 그런데 AI에게 던지는 말은 키워드가 아니라 문장입니다. “아이 둘이랑 갈 강릉 오션뷰, 조식 좋은 곳”처럼 조건과 사정이 붙습니다.
이 문장들은 마케터의 책상에서 나오지 않습니다. 실제로 다녀간 사람이 왜 그 숙소를 골랐고 무엇에 만족했는지, 그 기록 안에 이미 들어 있습니다. 카이코어의 기술은 VOC를 질문으로 되돌리는 과정을 자동화한 것입니다.
각 단계의 산출물이 다음 단계의 입력이 됩니다. 마지막 측정 결과가 다시 첫 단계의 수집 대상을 바꾸는 폐쇄 루프입니다.
OTA 리뷰, 투숙 후 설문, 지도 리뷰, 커뮤니티 언급을 한곳에 모읍니다. 핵심은 양이 아니라 출처입니다. 실제 결제·실제 투숙이 확인된 기록만 페르소나의 재료로 씁니다. 협찬 후기나 자동 생성 문장은 넣지 않습니다.
수집한 문장을 동반자·목적·의사결정 기준으로 분해해 실제 투숙객 군집을 만듭니다. “누가 오는가”가 아니라 “무엇 때문에 여기를 골랐는가”로 묶는 것이 핵심입니다. 같은 가족 여행객이라도 조식을 보고 온 사람과 수영장을 보고 온 사람은 전혀 다른 질문을 던지기 때문입니다.
페르소나별로 실제로 던질 법한 질문 세트를 만들고, 그 질문에 답이 되는 콘텐츠를 씁니다. 브로슈어 문장이 아니라 조건에 대한 답이어야 합니다. “객실이 넓습니다”가 아니라 “유아 침대를 추가해도 이동 동선이 남습니다”처럼 씁니다. 근거는 앞 단계에서 모은 투숙객의 실제 문장에서 가져옵니다.
발행으로 끝내지 않고, 그 질문에서 실제로 인용되는지를 4개 엔진에서 주 단위로 확인합니다. 같은 질문에도 답이 매번 달라지기 때문에 한 번의 확인은 근거가 되지 못합니다. 반복 측정한 비율만 지표로 씁니다.
아래는 VOC에서 페르소나를 만들고 질문을 역산하는 방식을 보여주는 예시입니다. 실제로는 숙소마다 수집된 문장에서 군집이 만들어집니다.
“애들이 조식 뷔페에서 두 번 먹었어요. 오믈렛 코너가 있어서 아침마다 줄 섰네요.”
역산된 질문강릉에서 아이랑 갈 만한 조식 좋은 호텔 추천해줘
“비행기가 밀려서 새벽 1시에 체크인했는데 프런트가 그대로 있어서 다행이었습니다.”
역산된 질문강남에서 늦은 체크인 가능한 비즈니스 호텔 알려줘
“어머니가 계단을 힘들어하시는데 엘리베이터가 로비 바로 옆이라 편했어요.”
역산된 질문부모님 모시고 갈 만한 이동이 편한 호텔 있을까
같은 사실을 말해도 AI가 답변에 옮겨 쓸 수 있는 형태가 있고, 그렇지 않은 형태가 있습니다.
주어가 숙소이고, 형용사로 끝납니다. 어떤 질문에도 답이 되지 않아 인용될 자리가 없습니다.
주어가 여행자이고, 조건에 대한 답으로 끝납니다. 질문이 들어오면 그대로 옮겨 쓸 수 있습니다.
“나왔다/안 나왔다”로는 개선할 수 없습니다. 인용을 네 갈래로 나눠 측정합니다.
타깃 질문 중 답변에 등장한 비율. 후보군에 들어갔는지를 봅니다.
우리 콘텐츠가 근거로 인용된 비율. 이름만 스친 것과 구분합니다.
언급의 맥락이 우호적인지, 몇 번째로 제시되는지를 봅니다.
답변 전체에서 우리 정보가 차지한 분량을 봅니다.
AI가 만든 문장으로 AI를 최적화하면, 모델이 자기 출력을 다시 학습하는 고리가 만들어집니다. 정보량은 늘어나지만 사실은 늘어나지 않고, 결국 어느 숙소를 설명해도 비슷한 문장이 남습니다. 플랫폼들이 이런 콘텐츠를 걸러내기 시작한 이유이기도 합니다.
카이코어가 실제 투숙 데이터를 직접 확보하는 데 비용을 쓰는 것은 이 때문입니다. 새로 만들 수 있는 것은 문장이지 경험이 아닙니다. 경험이 있어야 인용될 근거가 생깁니다.