curl -sL https://example.com/product/ai-builder
| grep -Eo '[^|- ]>|]>'
curl -sL https://example.com/product/ai-builder | grep -c '`, , 같은 시맨틱 태그를 유지할 것(``로 바꿔도 시각적 차이는 없지만 기계가 읽을 때 정보가 전부 사라집니다).
수정 후 무엇을 검증할까: 하나의 검수 체크리스트
| 점검 항목 | 판정 기준 | 흔한 불합격 원인 |
|---|---|---|
| URL 계층 | 핵심 페이지가 홈에서 3회 이내 클릭으로 도달, 경로 계층은 2단계 이내 | 카테고리와 날짜가 경로에 들어감 |
| 제목 유일성 | 페이지마다 H1이 하나이고 title 주제와 일치 | 카드 컴포넌트에서 H1을 재사용 |
| 크롤링 권한 | robots.txt가 핵심 디렉터리를 잘못 차단하지 않음, 관리자와 검색 결과 페이지는 차단됨 | 테스트 환경 규칙이 운영에 그대로 반영 |
| 페이지 안정성 | LCP, CLS가 개선 작업으로 인해 후퇴하지 않음 | 이미지에 너비·높이 속성이 없어 흔들림 발생 |
| 구조화 데이터 | 페이지 유형마다 대응 Schema가 있고 검증 오류 없음 | 템플릿 복사 시 필드명 미교체 |
텐센트 클라우드 개발자 커뮤니티의 실무 문서도 비슷한 기준을 제시합니다. 핵심 페이지는 3회 클릭 이내, URL 계층은 2단계 이내로 유지하고, 글·Q&A·제품·기업 네 가지 페이지 유형에 각각 Schema를 배포하며, 루트 디렉터리에 llms.txt를 두어 모델이 사이트 구조를 이해하도록 돕습니다(텐센트 클라우드 개발자 커뮤니티). 이 글은 또한 경험적 관찰 주기도 제시합니다. 아키텍처와 크롤링 권한 관련 변경은 약 37일, 구조화 데이터와 llms.txt는 약 715일에 인식되고, 콘텐츠와 내부 링크 클러스터 최적화는 약 15~30일에 안정화되는 경향이 있습니다. 이 숫자는 실무 요약이지 보장이 아니므로 일정 계획에 쓰는 편이 적절합니다.
Metadata, 내부 링크, 구조화 데이터 검증 방법
Metadata는 "유일하고 대응될 것"을 봅니다. 페이지마다 title에 플레이스홀더가 없는지, description이 본문 앞 160자의 기계적 절단이 아닌지, canonical이 정식 도메인을 가리키는지 확인합니다. 배치 개선 후 가장 흔한 잔재는 일부 페이지가 여전히 대체(fallback) 문구를 쓰는 것이며, 전 사이트 title 목록을 내보내 중복도 순으로 정렬하면 바로 드러납니다.
내부 링크는 "도달 가능하고 의미적으로 관련될 것"을 봅니다. 사이트 크롤러로 모든 내부 링크 대상을 내보내 404와 비정상 301을 걸러냅니다. 그다음 앵커 텍스트가 대상 페이지의 주제를 설명하는지 봅니다. 전부 "여기를 클릭"이면 안 됩니다. 목표는 주제 클러스터를 명시적으로 드러내는 것입니다. 핵심 페이지 하나를 십여 편의 롱테일 콘텐츠가 가리키는 편이, 사이트 전체를 서로 링크시키는 것보다 가치가 큽니다.
구조화 데이터는 "화면에 보이는 내용과 일치할 것"을 봅니다. 아래 스크립트로 JSON-LD 파싱 가능 여부를 배치 확인할 수 있습니다.
// node check-ld.mjs https://example.com/page
const html = await (await fetch(process.argv[2])).text();
const blocks = [...html.matchAll(/]+application\/ld\+json[^>]*>([\s\S]*?)/g)];
console.log('JSON-LD 블록 수:', blocks.length);
for (const [i, b] of blocks.entries()) {
try { const d = JSON.parse(b[1].trim()); console.log(i, '파싱 성공', d['@type'] ?? '(@type 누락)'); }
catch (e) { console.log(i, '파싱 실패:', e.message); }
}
파싱 성공은 첫 단계일 뿐이며, 사람이 직접 대조해야 합니다. FAQPage의 질문이 실제 페이지에 등장하는지, Product의 가격과 재고가 페이지와 일치하는지, Organization의 이름과 로고가 브랜드와 일치하는지 확인해야 합니다. 페이지에 없는 내용을 마크업하는 것이, 마크업을 하지 않는 것보다 문제를 일으키기 쉽습니다.
비용: 단일 사이트 개선 비용을 명확히 계산하기

비용은 단가만 보고 판단할 수 없습니다. 마이크로소프트가 공개한 데이터에 따르면, MAI Code 2는 네 가지 코딩 벤치마크 평균에서 GPT-6.1 Sol의 약 98% 성능을 보이면서 가격은 약 40% 수준입니다. 평균 작업 1회당 비용은 0.309달러로, GPT-6.1 Sol의 0.761달러, Claude Opus 5.5의 6.306달러보다 낮습니다(IT之家). 경량 버전인 MAI Code 2 Flash는 프로모션 가격 기준 작업 1회당 비용이 0.052달러까지 내려가며, DeepSWE 1.1, Terminal-Bench 2.1, SWE Atlas 세 테스트의 평균 통과율은 61.0%로 GPT-6 Luna의 55.1%, Claude Haiku 5.5의 53.9%보다 높습니다(IT之家). 사용 진입 장벽 측면에서 Code 2는 Copilot Pro, Business, Enterprise 등 구독 사용자를 대상으로 하며, Flash는 Free와 Student 사용자까지 범위에 포함합니다(DoNews).
이 숫자들이 재는 것은 범용 코딩 과제이지 "기업 공식 웹사이트에 전 사이트 canonical을 채우는 일"이 아니므로, 그대로 환산하는 것은 의미가 제한적입니다. 더 실용적인 계산법은 배치 단위 추정입니다. 단일 사이트 작업 수 ≈ 페이지 유형 수 × 변경 범주 수(metadata, 구조화 데이터, 내부 링크, 템플릿 리팩터링을 각각 한 범주로 계산). 작업 1회 비용은 공개된 규모에 재작업 계수 2~3배를 곱해 잡습니다. 숨은 비용은 사람의 검수 시간이며 보통 호출 비용보다 큽니다. 따라서 재작업 한 라운드를 줄이는 것이 단가를 낮추는 것보다 비용을 아낍니다. 경량 모델은 빈도 높은 소규모 수정에, 플래그십 모델은 파일 간 리팩터링과 난이도 높은 디버깅에 배치하는 것이 적절합니다.
기업이 지금 해야 할 일: 4단계 실행
- 먼저 자산을 파악하고, 그다음 모델을 고릅니다. 페이지 유형, 템플릿 수, CMS 지원 여부, 다국어 버전 유무를 집계합니다. 템플릿이 집중되어 있을수록 파일 간 수정이 안전합니다.
- 검수 기준을 체크리스트로 만듭니다. 개선 전에 한 번 실행해 기준선(baseline)을 만들고, 개선 후 다시 실행해 차이로 결과를 설명합니다. "좋아진 것 같다"로 보고하지 않습니다.
- 배치로 나눠 진행하고 롤백 지점을 남깁니다. 템플릿 계층, 구조화 데이터, 콘텐츠 구조를 3라운드로 나누고, 라운드마다 다시 크롤링해 검증합니다.
- 개선 역량을 일상 도구에 정착시킵니다. 일회성 수작업 개선은 시간이 지나면 무효가 되고, 새 페이지에는 다시 태그가 빠집니다. we0 같은 AI 웹사이트 빌더 플랫폼에서는 SEO·GEO 최적화, CMS 백엔드, 도메인 배포가 사이트 구축 흐름의 일부이므로(we0.ai), metadata와 Schema 생성을 페이지 생성 단계에 넣는 편이 출시 후에 보완하는 것보다 수월합니다.
몇 분 만에 쇼케이스 사이트를 만들고 리드를 늘리세요
아이디어를 한 문장으로 입력하면 We0 AI가 쇼케이스 사이트, 페이지, CMS를 생성하고 출시 후 고객과 트래픽 확보를 돕습니다.
무료 등록을 위한 하나의 완전한 프로젝트 생성
하나의 완전한 생성 흐름을 시도하고 첫 번째 프로젝트 초안을 빠르게 보는 데 가장 적합합니다.
자주 묻는 질문
SEO 기술 개선에 모델을 하나만 써야 하나요?
그럴 필요는 없습니다. 더 흔한 방식은 분업입니다. 파일 간 리팩터링과 난이도 높은 디버깅은 저장소 수준 이해가更强的 모델에 맡기고, 대량의 소규모 수정은 비용이 낮은 경량 모델에 맡깁니다. 전제는 두 종류의 수정 사이에 명확한 검수 경계가 있어야 한다는 점입니다. 그렇지 않으면 혼용이 문제 추적 난이도를 키웁니다.
코드 벤치마크 점수로 SEO 개선 효과를 바로 예측할 수 있나요?
할 수 없습니다. 벤치마크는 범용 코딩 과제를 측정하지만, SEO 개선의 실패 유형은 대개 의미 불일치와 구조 후퇴이며 크롤링 비교와 검증 도구로 찾아야 합니다. 점수는 능력의 대략적인 구간을 설명하는 용도로 쓸 수 있을 뿐, 사이트 수준 검증을 대체하지 못합니다.
AI가 운영 환경 코드를 직접 수정하게 하는 것이 안전한가요?
합리적이지 않습니다. 실행 가능한 방식은 브랜치에서 수정하고 리뷰 후 병합하며, 매번 한 가지 유형의 문제만 다루는 것입니다. 운영 환경을 직접 수정할 때 가장 큰 위험은 잘못 고치는 것이 아니라, 잘못 고쳤는데 비교할 기준선이 없다는 점입니다.
Related Tools
- curl / grep: 렌더링 전 HTML을 수집해 핵심 태그의 존재 여부와 유일성을 확인합니다.
- 사이트 크롤러: 전 사이트 내부 링크와 상태 코드를 내보내 404와 비정상 301을 찾습니다.
- 구조화 데이터 검증 도구: JSON-LD 파싱 가능 여부와 필드가 타입 요구사항을 충족하는지 확인합니다.
- 페이지 성능 측정: 개선으로 LCP, CLS가 후퇴하지 않았는지 확인합니다.
Related Links
- IT之家: 마이크로소프트의 가성비 최고 코딩 AI 모델, MAI Code 2가 5% 비용으로 Claude Opus 5.5의 약 96% 성능 달성
- DoNews: 마이크로소프트, MAI Code 2 및 Code 2 Flash 코딩 모델 발표
- AWS Machine Learning Blog: Introducing Claude Fable 5.2 on AWS
- 텐센트 클라우드 개발자 커뮤니티: 2026 AI 웹사이트 최적화 실무 기술 문서
- we0.ai 공식 웹사이트
Summary
GPT-6.2 Astra, Claude Fable 5.2, MAI Code 2는 모두 웹사이트 SEO 기술 개선을 수행할 수 있으며, 차이는 파일 간 수정의 완결성, 리팩터링 시 구조에 대한 절제, 1회 비용에 있습니다. MAI Code 2의 공개 포지셔닝은 파일 간 수정과 저장소 수준 이해를 명확히 가리키며 비교 가능한 비용 데이터도 제공합니다. Claude Fable 5.2는 AWS를 통해 제공되며 장문 문서와 코드가 섞인 개선 설계에 적합합니다. GPT-6.2 Astra가 속한 패밀리의 전 세대 모델은 이미 업계 코딩 기준선으로 등장했으며, 신버전의 경계는 공식 설명으로 확인해야 합니다. 분수령은 모델 선택이 아니라 프로세스에 있습니다. 자산 파악, 체크리스트 작성, 배치 단위 수정, 라운드마다 크롤링 결과 비교, 그리고 metadata와 구조화 데이터 점검을 사이트 구축 단계로 앞당기는 것입니다.



