스키마 마크업의 이해와 활용 : 검색엔진과 AI를 위한 엔티티 구조화
스키마 마크업의 개념부터 JSON-LD 구현 방식, Organization·Article·Person 등 주요 스키마 유형과 엔티티 연결 구조를 설명해요. 업시크릿의 실제 활용 사례를 통해 검색엔진이 브랜드와 콘텐츠의 관계를 어떻게 이해하는지 살펴보고, SEO뿐 아니라 AI 검색과 GEO 관점에서 스키마를 어떻게 활용할 수 있는지도 함께 정리했어요.
이 글의 목차
검색엔진은 웹페이지에 서비스 정보가 표시되어 있어도 각각의 정보가 무엇을 의미하는지, 그리고 서로 어떤 관계를 가지고 있는지는 추가적인 해석이 필요해요.
이때 활용할 수 있는 것이 스키마 마크업(Schema Markup)이에요.
스키마는 웹페이지의 정보를 검색엔진이 이해하기 쉬운 형태로 구조화해 전달하는 데이터 체계예요. 콘텐츠에 등장하는 기업, 사람, 상품, 기사, 장소 등의 의미를 명확하게 정의하고, 각각의 엔티티가 어떤 관계를 가지고 있는지 알려주는 역할을 하고 있어요.
검색엔진과 생성형 AI가 웹에 있는 다양한 정보를 연결하고 답변을 만들어내는 환경에서는 사이트와 콘텐츠의 의미 구조를 명확하게 만드는 기술이라는 관점이 더욱 중요해지고 있어요.
스키마 마크업의 정의
스키마 마크업은 Schema.org 공식 문서에서 정의하고 있는 구조화 데이터 어휘를 활용해 웹페이지의 정보를 표현하는 방식이에요.
사람이 웹페이지를 보면 특정 텍스트가 회사명인지, 사람 이름인지, 상품 가격인지 자연스럽게 판단할 수 있어요. AI 나 검색엔진은 사람이 판단하는 것보다 조금 더 체계적으로 접근할 필요가 있어요. 이러한 정보가 무엇을 의미하는지 보다 명확하게 정의해줄 때, 정보의 관계나 체계를 읽고 학습할 수 있기 때문이에요.
저희 업시크릿 사례를 통해 스키마에 대해 알아 볼게요,
업시크릿
사람에게는 이것이 하나의 브랜드 또는 회사명이라는 사실이 자연스럽잖아요. 그런데, AI에게는 그렇지 않을 수 있어요. 이 때, 구조화 데이터를 활용해서 다음과 같이 보다 명확하게 정의를 해주는 거에요.
{
"@type": "Organization",
"name": "업시크릿"
}
이렇게 하면 검색엔진은 단순한 문자열인 ‘업시크릿’을 하나의 조직 엔티티(Organization Entity)로 이해할 수 있어요.
즉, 스키마의 핵심은 페이지에 존재하는 정보를 한 번 더 반복해서 적는 것이 아니에요.
그 정보가 무엇을 의미하는지 검색엔진이 이해할 수 있도록 의미를 부여하는 것에 더 가까워요.
검색 가시성과 스키마의 역할
스키마를 적용한다고 해서 검색 순위가 자동으로 올라가는 것은 아니에요.
구조화 데이터 자체를 직접적인 검색 순위 상승 요소로 보는 것은 적절하지 않아요.
대신 스키마는 검색엔진이 페이지의 콘텐츠와 의미를 보다 정확하게 이해할 수 있도록 도와주고 있어요.
Google 역시 구조화 데이터 공식 가이드에서 구조화 데이터를 페이지의 정보를 제공하고 콘텐츠를 분류하기 위한 표준화 된 형식으로 설명하고 있어요.
콘텐츠 유형에 따라서는 다양한 검색 기능이나 결과에 활용될 가능성도 높일 수 있어요.
대표적으로 다음과 같은 정보를 구조화할 수 있어요.
이러한 구조화 데이터는 검색 결과에서 콘텐츠가 보다 풍부하게 표현되는 데 활용될 수 있어요. 왜냐하면, 검색엔진 사이트 이해도를 높일 수 있기 때문이에요.
스키마를 통해 페이지에 등장하는 기업, 사람, 서비스, 콘텐츠 등의 관계가 명확해질수록 검색엔진은 이 사이트가 어떤 주제를 다루고 있는지, 누가 콘텐츠를 만들고 있는지, 어떤 브랜드가 있는지 이해하기 쉬워져요.
스키마 구현 방식
구조화 데이터를 적용하는 대표적인 방법에는 JSON-LD, Microdata, RDFa가 있어요.
JSON-LD 방식
현재 가장 일반적으로 사용하고 있는 방식이에요.
페이지의 HTML 요소에 직접 구조화 데이터를 삽입하지 않고, 별도의 JSON 형태로 작성할 수 있어 개발과 유지 관리가 비교적 간편해요.
<script type="application/ld+json">
{
"@context": "https://schema.org",
"@type": "Organization",
"name": "업시크릿"
}
</script>
JSON-LD의 또 다른 장점은 @id를 이용해 여러 엔티티를 서로 연결할 수 있다는 점이에요.
기업, 웹사이트, 작성자, 기사 등의 정보를 각각 정의한 뒤 동일한 엔티티를 서로 연결하면 하나의 의미 그래프를 만들 수 있어요.
Microdata 방식
Microdata는 HTML 태그 내부에 직접 구조화 데이터 속성을 삽입하는 방식이에요.
페이지에 표시되는 요소와 구조화 데이터를 바로 연결할 수 있다는 장점이 있어요.
다만 사이트 구조가 복잡해질수록 HTML 코드 역시 복잡해질 수 있어 유지 관리가 어려워질 수 있어요.
RDFa 방식
RDFa 역시 Microdata와 비슷하게 HTML 요소에 속성을 추가해 의미를 정의하는 방식이에요.
현재 일반적인 SEO 환경에서는 JSON-LD의 활용도가 상대적으로 높은 편이에요. 하지만 사이트의 기술적인 구조와 목적에 따라 여러 방식을 함께 활용할 수도 있어요.
스키마 유형의 선택
모든 페이지에 동일한 스키마를 적용할 필요는 없어요.
콘텐츠의 목적과 페이지에 실제로 존재하는 정보에 따라 적절한 유형을 선택한 후, 적용하는 것을 추천 드려요.
기업 사이트라면 Organization, 콘텐츠 페이지라면 Article, 작성자 페이지라면 Person, 상품 페이지라면 Product 같은 스키마를 활용할 수 있어요.
여기에서 중요한 기준은 스키마의 개수가 아니에요.
페이지의 실제 콘텐츠와 구조화 데이터가 서로 일치 하는지를 먼저 살펴봐야 해요.
검색엔진에 더 많은 정보를 제공하기 위해 페이지에 존재하지 않는 내용을 스키마에 추가하는 방식은 좋은 구조화 데이터 전략이라고 보기 어려워요.
엔티티 중심의 스키마 설계
스키마를 단순히 페이지 단위의 SEO 기술로 이해하면 각각의 페이지에 Article, Product, Organization 등을 개별적으로 넣는 수준에서 끝나기 쉬워요.
하지만 스키마를 보다 효과적으로 활용하려면 엔티티 간의 관계까지 함께 고려하는 것이 중요해요.
예를 들어 한 기업에서 발행한 인사이트 콘텐츠에는 여러 개의 엔티티가 동시에 존재하고 있어요.
- 콘텐츠를 발행한 기업
- 콘텐츠를 작성한 사람
- 실제 기사 콘텐츠
- 기사가 위치한 웹페이지
- 해당 페이지가 포함된 웹사이트
이를 관계로 표현하면 다음과 같이 볼 수 있어요.
Organization : 콘텐츠 발행
Person : 콘텐츠 작성자
Article : 작성자와 발행자 연결
WebPage : Article이 존재하는 페이지
WebSite : 전체 사이트
각각을 독립적인 데이터로 입력하는 것보다 서로 연결된 관계로 정의하면 검색엔진과 AI가 사이트 전체의 구조를 보다 명확하게 이해할 수 있어요.
업시크릿의 Organization 스키마 활용
업시크릿에서도 이러한 방식으로 구조화 데이터를 활용하고 있어요.
기업 자체를 하나의 Organization 엔티티로 정의하고 회사명, 공식 사이트, 로고, 브랜드 설명, 외부 프로필 등의 정보를 연결하고 있어요.
실제 적용한 Organization 스키마를 공유 드려 볼게요.
<script type="application/ld+json">
{
"@context": "https://schema.org",
"@type": "Organization",
"@id": "https://www.upsecret.ai/#organization",
"name": "업시크릿",
"alternateName": "Upsecret",
"url": "https://www.upsecret.ai/",
"logo": {
"@type": "ImageObject",
"url": "공식 로고 URL"
},
"description": "SEO와 GEO 관련 서비스를 제공하는 기업",
"sameAs": [
"공식 SNS 및 외부 프로필 URL"
]
}
</script>
여기에서 눈여겨볼 수 있는 항목이 @id예요.
"@id": "https://www.upsecret.ai/#organization"
이 값을 활용하면 여러 페이지에 등장하는 동일한 기업을 하나의 일관된 엔티티로 연결할 수 있어요.
이후 다른 구조화 데이터에서도 동일한 @id를 참조하면 매번 기업 정보를 처음부터 다시 정의하지 않고 기존의 Organization 엔티티와 관계를 만들 수 있어요.
업시크릿의 Article과 Organization 연결
업시크릿에서 발행하고 있는 인사이트 콘텐츠를 예로 들면 콘텐츠 자체에는 Article 구조를 적용할 수 있어요.
이때 작성자는 Person, 발행사는 앞에서 정의한 Organization 엔티티와 연결하는 방식으로 구조화할 수 있어요.
<script type="application/ld+json">
{
"@context": "https://schema.org",
"@type": "Article",
"@id": "https://www.upsecret.ai/insights/schema/#article",
"headline": "스키마 마크업의 이해와 활용",
"datePublished": "2026-09-03",
"dateModified": "2026-09-03",
"author": {
"@type": "Person",
"@id": "https://www.upsecret.ai/#author",
"name": "작성자 이름"
},
"publisher": {
"@id": "https://www.upsecret.ai/#organization"
},
"mainEntityOfPage": {
"@type": "WebPage",
"@id": "https://www.upsecret.ai/insights/schema/"
}
}
</script>
이 구조에서 특히 살펴볼 부분은 publisher예요.
"publisher": {
"@id": "https://www.upsecret.ai/#organization"
}
Article 안에 회사 정보를 다시 처음부터 작성하는 대신 기존에 정의한 업시크릿의 Organization 엔티티를 연결하고 있어요.
이를 관계로 표현하면 다음과 같아요.
업시크릿(Organization) : 콘텐츠 발행 조직
작성자(Person) : 콘텐츠 작성자
인사이트(Article) : 작성자와 발행자의 관계
페이지(WebPage) : 해당 콘텐츠의 실제 위치
구조화 데이터가 페이지마다 독립적으로 존재하는 것이 아니라 하나의 연결된 엔티티로 보실 수 있도록 구성했어요.
FAQ 구조화 데이터의 활용
페이지에 실제 질문과 답변 콘텐츠가 있다면 이를 Question, Answer 등의 구조로 표현할 수도 있어요.
예를 들어, 스키마 관련 인사이트에서 다음과 같은 질문을 제공하고 있다고 볼게요.
<script type="application/ld+json">
{
"@context": "https://schema.org",
"@type": "FAQPage",
"mainEntity": [
{
"@type": "Question",
"name": "스키마 마크업이란 무엇인가요?",
"acceptedAnswer": {
"@type": "Answer",
"text": "스키마 마크업은 검색엔진이 웹페이지에 포함된 기업, 사람, 상품, 콘텐츠 등의 의미를 이해하도록 정보를 구조화하는 방식입니다."
}
},
{
"@type": "Question",
"name": "스키마를 적용하면 검색 순위가 올라가나요?",
"acceptedAnswer": {
"@type": "Answer",
"text": "스키마 자체가 직접적인 검색 순위 상승을 보장하지는 않지만 검색엔진이 페이지와 엔티티를 이해하는 데 도움을 줄 수 있습니다."
}
}
]
}
</script>
여기에서도 가장 중요한 조건은 페이지의 실제 콘텐츠와 스키마가 일치하는지예요.
사용자가 페이지에서 확인할 수 없는 질문과 답변을 구조화 데이터에만 추가하는 방식보다는 실제 콘텐츠를 먼저 구성하고, 그 내용을 구조화하는 접근이 더 중요해요.
엔티티 그래프의 구축
업시크릿과 같은 사이트의 구조화 데이터를 하나의 개념으로 표현하면 다음과 같은 관계를 만들 수 있어요.
Organization: 업시크릿
(발행)
Article: 인사이트 콘텐츠
(작성)
Person: 작성자
(포함)
Question / Answer: 콘텐츠 내부 정보
(위치)
WebPage: 개별 콘텐츠 URL
(소속)
WebSite: upsecret.ai
여기에서 핵심은 단순히 스키마 유형을 많이 사용하는 것이 아니에요.
각 엔티티가 무엇이고 서로 어떤 관계를 가지고 있는지 일관성 있게 정의하는 것이 더 중요해요.
이렇게 구성한 구조는 검색엔진이 특정 콘텐츠뿐 아니라 사이트 전체의 주제와 발행 주체, 작성자, 콘텐츠 사이의 관계를 이해하는 데 도움을 줄 수 있어요.
AI 검색 환경과 구조화 데이터
검색 환경은 검색 결과 페이지에 링크만 나열하는 방식에서 사용자의 질문에 직접 답변을 제공하는 방향으로 확장되고 있어요.
생성형 AI와 AI 검색 시스템은 하나의 문서만 보는 것이 아니라 여러 출처에서 기업, 인물, 상품, 서비스와 관련된 정보를 수집하고 연결하고 있어요.
이러한 변화 때문에 SEO뿐만 아니라 GEO(Generative Engine Optimization) 관점에서도 콘텐츠의 의미와 정보 구조를 명확하게 만드는 것이 중요해지고 있어요.
단순히 특정 키워드를 얼마나 많이 사용하는지 보는 것보다 정보의 주체와 관계가 얼마나 명확하게 표현되어 있는지도 함께 살펴볼 필요가 있어요.
예를 들어 한 콘텐츠에서 회사명이 언급되더라도 AI 시스템이 그것을 정확한 기업 엔티티와 연결하지 못한다면 정보의 관계를 추가적으로 추론해야 해요.
반대로 사이트 내부에서 회사, 작성자, 콘텐츠, 서비스의 관계가 일관되게 표현되고 외부 정보와도 연결되어 있다면 시스템이 해당 정보를 해석할 때 발생하는 불확실성을 줄이는 데 도움을 줄 수 있어요.
이런 관점에서 스키마는 SEO만을 위한 기술이라기보다 검색엔진과 AI가 브랜드와 콘텐츠를 이해할 수 있도록 만드는 구조화된 정보 레이어로 바라볼 수 있어요.
GEO 관점의 스키마 활용
AI 검색의 확산과 함께 GEO에 대한 관심도 높아지고 있어요.
그러면서 ‘AI 검색을 위한 새로운 스키마를 별도로 만들어야 하는가’라는 질문도 생기고 있어요.
하지만 별도의 GEO 전용 스키마를 만드는 것보다 먼저 해야 할 일은 기존의 구조화 데이터 체계를 제대로 활용하는 것이에요.
실제 GEO 마케팅 실행 가이드에서도 스키마 마크업, 콘텐츠 구조화, 크롤링하기 쉬운 사이트 구조와 같은 기술적인 기반을 GEO의 주요 실행 요소로 다루고 있어요.
기업이라면 조직과 공식 정보를 명확하게 정의하고, 콘텐츠에는 작성자와 발행사를 연결하고, 서비스와 제품 정보에는 실제 페이지에서 확인할 수 있는 데이터를 제공해야 해요.
특히 다음과 같은 정보의 일관성을 살펴볼 필요가 있어요.
브랜드 정보의 일관성
페이지나 플랫폼마다 서로 다른 회사명이나 설명을 사용하는 것보다 공식 브랜드명과 핵심 설명을 일관되게 유지하는 것이 좋아요.
작성자 정보의 명확성
콘텐츠를 누가 작성했는지 명확하게 표시하고, 작성자의 프로필과 전문성을 실제 페이지에서도 확인할 수 있도록 구성하는 것이 좋아요.
콘텐츠 출처의 명확성
Article과 Organization을 연결하면 어떤 기업이나 매체가 해당 콘텐츠를 발행하고 있는지 보다 명확하게 전달할 수 있어요.
외부 엔티티와의 연결성
sameAs 등을 활용하면 공식 SNS나 외부 프로필처럼 동일한 기업 또는 인물을 설명하고 있는 출처를 연결할 수 있어요.
물론 스키마만 적용한다고 해서 AI 검색에서 특정 브랜드가 반드시 인용되거나 추천되는 것은 아니에요.
하지만 사이트가 무엇을 의미하고 있는지, 누가 콘텐츠를 발행하고 있는지, 각각의 정보가 어떤 관계로 연결되어 있는지를 구조적으로 명확하게 만드는 것은 검색엔진과 AI 시스템 모두에게 유용한 기반이 될 수 있어요.
스키마 전략의 핵심
좋은 스키마 전략은 코드를 많이 추가하는 전략이 아니에요.
페이지에 없는 데이터를 억지로 추가하거나 사용할 수 있는 모든 스키마 유형을 적용하는 것도 목적이 아니에요.
핵심은 사이트에 실제로 존재하는 정보를 검색엔진과 AI가 이해하기 쉬운 구조로 표현하는 것이에요.
구조화 데이터를 적용하기 전에는 콘텐츠와 사이트의 정보 구조가 먼저 명확해야 해요.
기업의 공식 정보가 무엇인지, 콘텐츠의 작성자가 누구인지, 어떤 서비스를 제공하고 있는지, 각각의 콘텐츠가 어떤 주제를 다루고 있는지를 실제 페이지에서 확인할 수 있어야 해요.
스키마를 먼저 추가하기보다 실제로 증명할 수 있는 회사, 전문가, 서비스, 프로젝트 정보를 먼저 구조화하는 과정이 필요해요.
그리고 그다음 단계에서 구조화 데이터를 연결하면 돼요.
결국 스키마는 사람이 이해하고 있는 웹사이트의 의미를 검색엔진과 AI도 최대한 동일하게 이해하도록 만드는 작업이라고 볼 수 있어요.
과거에는 스키마를 검색 결과의 표현을 확장하기 위한 SEO 요소로 많이 바라봤어요.
하지만 지금은 브랜드, 콘텐츠, 작성자, 서비스 사이의 관계를 구조화하는 엔티티 전략이라는 관점까지 함께 고려할 필요가 있어요.
