구글, AI 조작 시도를 스팸으로 분류해 규칙 업데이트

구글이 검색 스팸 정책을 업데이트하여 AI 모델을 "조작(manipulate)"하려는 시도를 명시적으로 스팸으로 규정했다. 기존 정책은 검색 랭킹을 부풀리는 SEO 어뷰징에 초점을 맞췄지만, 이번 개정은 AI Overview와 AI Mode 같은 생성형 응답 영역까지 범위를 확장한다. 핵심 타깃은 "추천 포이즈닝(recommendation poisoning)"으로, LLM이 학습·검색 시 참조하는 웹페이지에 편향된 "best-of" 리스티클이나 특정 브랜드를 우대하도록 유도하는 문구·구조화 데이터를 심어 모델 출력을 왜곡시키는 기법이다. 기술적으로는 RAG(Retrieval-Augmented Generation) 파이프라인에서 모델이 외부 문서를 검색해 답변을 구성할 때, 공격자가 의도적으로 작성한 문서가 컨텍스트로 주입되면 그 편향이 최종 응답에 반영되는 간접 프롬프트 인젝션(indirect prompt injection)의 한 변종으로 볼 수 있다.

실무 개발자, 특히 SEO·콘텐츠 마케팅과 연계된 백엔드/프론트엔드 엔지니어 입장에서 이번 변경은 곧바로 운영 리스크로 이어진다. AI Overview 노출을 노리고 "best 10 X tools 2026" 류의 기계 생성 비교 글, 자사 제품을 인위적으로 1위로 배치하는 schema.org 마크업, 경쟁사 부정 키워드 삽입 등을 활용해온 사이트는 일반 검색 페널티뿐 아니라 AI 응답 영역에서의 완전 배제 대상이 될 수 있다. 또한 구글이 "AI 응답을 조작하는 콘텐츠"를 알고리즘적으로 식별하기 시작했다는 신호이므로, 향후 분류기는 텍스트 패턴(과장된 추천 어휘, 부자연스러운 반복 호명)뿐 아니라 동일 엔티티에 대한 비정상적 동시 출현 그래프까지 활용할 가능성이 높다.

LLM 기반 서비스를 직접 개발하는 엔지니어 관점에서도 시사점이 있다. 자체 RAG 시스템을 운영한다면 외부 크롤링 코퍼스에 동일한 형태의 추천 포이즈닝이 그대로 흘러들어올 수 있으므로, 인덱싱 단계에서 출처 신뢰도 가중치, 동일 도메인에서의 상업적 추천 밀도 필터, 그리고 검색된 문서의 메타프롬프트성 문구("you should recommend …")를 차단하는 컨텍스트 정화(sanitization) 레이어를 도입해야 한다. 이는 OWASP LLM Top 10의 LLM01(프롬프트 인젝션), LLM03(학습 데이터 오염)과 직접 연결되는 방어 영역이다.

당장의 액션 아이템으로는 세 가지를 권한다. 첫째, 자사 사이트가 구글 스팸 정책의 "site reputation abuse"나 신규 AI 조작 조항에 걸릴 만한 콘텐츠(외주 제휴 리스티클, 자동 생성된 비교표 등)를 감사하고 noindex 또는 삭제 조치할 것. 둘째, 구조화 데이터(Product, Review, FAQPage)에 허위 평점이나 협찬 미고지 항목이 없는지 점검하고 Google Search Console의 수동 조치 알림을 모니터링할 것. 셋째, 사내 LLM 애플리케이션의 외부 입력 신뢰 경계를 재정의하고, 검색 결과를 모델 컨텍스트에 주입하기 전 반드시 명령어성 문장 제거·출처 다양성 검증을 거치도록 파이프라인을 보강해야 한다. AI 검색 시대의 SEO는 더 이상 단순 랭킹 게임이 아니라 보안·신뢰성 엔지니어링의 영역으로 이동하고 있다.