기사가 100개에서 300개, 1,000개로 늘어도 미디어가 더 좋아졌다는 뜻은 아니다.
최악의 경우 커진 것은 창고뿐이다.
좋은 글은 뒤쪽 상자에 묻히고, 입구에는 늘 같은 인기 글만 놓이며, 직접 검색하지 않으면 존재조차 알기 어려워진다.
그래서 더 좋은 비유는 이것이다.
웹사이트는 보관함이 아니라 가게다.
홈은 매장 입구, 주제는 진열대, 검색은 점원, 기사 카드는 가격표와 안내판, 관련 글은 다음 진열대, 분석은 POS, 콘텐츠 자동화는 창고와 작업실, QA는 검품, 추천 갱신은 진열 변경이다.
좋은 가게는 손님을 출구에서 멀리 가두지 않는다.
필요한 것을 빨리 찾을 수 있고, 원하면 오래 둘러볼 수 있고, 돌아올 이유가 있으며, 무엇을 찾지 못했는지까지 학습해 진열이 조금씩 좋아진다.
바로 이것이 찾기 → 읽기 → 다음 관심 → 재방문 → 자동 개선의 순환이다.
1. 체류시간이 아니라 유용한 발견을 북극성으로 삼는다
페이지뷰와 체류시간은 목표 그 자체가 되면 위험하다.
30초 만에 한 문장으로 답을 얻고 떠난 사람은 숫자로 보면 약한 방문처럼 보인다. 그러나 목적을 완벽하게 달성했다면 UX는 성공이다.
반대로 답을 못 찾아 다섯 페이지를 헤맨 사람은 PV를 다섯 개 만들지만 사실은 미아를 다섯 번 센 것일 수 있다.
Google의 HEART 프레임워크는 Happiness, Engagement, Adoption, Retention, Task Success 같은 여러 차원으로 UX를 보고 제품 목표를 측정 신호와 지표로 연결한다.[1]
따라서 “많이 봤다”보다 먼저 다음을 나눈다.
- 목적을 달성했는가
- 흥미로운 발견이 있었는가
- 유용한 다음 단계가 보였는가
- 다시 쓰고 싶은가
늘려야 할 것은 유용한 발견의 수다.
PV는 결과로 따라오면 좋다. PV 자체가 마약이 되면 출구 없는 쇼핑몰을 만들게 된다.
2. 찾기 — 사람은 링크 개수보다 정보의 냄새를 따라간다
Information Foraging Theory는 사람들이 주변의 단서를 보고 어디에 가치 있는 정보가 있을지 추정하며 탐색한다고 설명한다.[2]
웹에서는 그 단서가 정보의 냄새가 된다.
“업무”, “AI”, “생활”만 적힌 카드는 분류만 알려준다.
반면 “관계를 망치지 않고 부탁을 거절하는 법”은 클릭 뒤에 얻을 가치를 예측하게 해준다.
따라서 발견 품질은 링크 수가 아니라 제목, 설명, 주제, 현재 상황, 얻을 결과가 서로 같은 방향을 가리키는지에 달려 있다.
Google도 중요한 페이지가 내부의 다른 페이지에서 연결되어야 하고, 앵커 텍스트는 구체적이고 관련성이 있어야 한다고 권장한다. 동시에 페이지당 이상적인 링크 수 같은 마법의 숫자는 없다고 설명한다.[3]
모든 기사를 발견 가능하게 만들고 싶다고 해서 모든 상품을 계산대 앞에 쌓을 필요는 없다.
3. 읽기 — 모든 글을 같은 틀에 넣지 않는다
“5초 안에 결론을 보여라”는 조언은 어떤 콘텐츠에는 좋지만 모든 글에 적용하면 읽을거리가 죽는다.
문제 해결, 절차, 가격 비교, 설정 가이드는 답을 먼저 주는 편이 좋다.
반면 체험, 관찰, 문화, 여행, 서사형 분석은 과정 자체가 가치일 수 있다.
콘텐츠 유형별로 독자의 일을 정의한다.
- 해결형: 답, 조건, 절차를 빠르게
- 판단형: 선택지와 트레이드오프를 빠르게
- 이해형: 질문에서 구조로
- 읽을거리형: 사건과 발견의 흐름을 보존
- 고위험형: 근거, 적용 범위, 불확실성을 명확히
Google의 people-first 가이드도 검색 순위 조작이 아니라 실제 독자에게 유용하고, 읽고 나서 목표 달성에 도움이 되며 만족스러운 콘텐츠를 강조한다.[4]
형식은 SEO 미신이 아니라 인간의 목적에서 골라야 한다.
4. 다음 관심 — 답을 준 뒤 아직 몰랐던 질문 하나를 보여준다
관련 글의 최고의 역할은 “PV 하나 더 주세요”가 아니다.
현재 문제를 해결한 뒤 독자가 아직 말로 만들지 못했던 다음 질문을 보이게 하는 것이다.
Loewenstein의 정보 격차 이론은 사람이 자신이 무엇을 모르는지 알아차릴 때 지식의 빈틈이 호기심을 만들 수 있다고 본다.[5]
따라서 현재 답을 숨기지 않는다.
먼저 답한다.
그다음 세 방향을 제안한다.
- 더 깊게 보기
- 다음에 생길 문제 준비하기
- 인접한 주제로 조금 새기
이는 클릭베이트와 반대다.
“답은 다음 페이지”가 아니라 “답은 여기 있다. 이제 이것을 알았으니 다음 문제가 보인다”이다.
추천 연구는 이미 인기 있는 항목만 반복 노출하고 반응을 다시 학습시키면 인기 편향이 커지고 전체 다양성이 줄 수 있다고 경고한다.[6]
그래서 관련성 외에도 신작, 고품질 저노출 글, 인접 주제, 반복 노출 제한을 조금씩 섞어야 한다.
노출된 적이 없는 글은 인기 없는 글이 아니라 시험조차 받지 못한 글일 수 있다.
5. 재방문 — 다시 오라고 압박하지 말고 이어갈 것을 남긴다
재방문을 만들기 위해 처음부터 알림이나 가입 팝업이 필요한 것은 아니다.
자기결정이론은 자율성, 유능감, 관계성을 내적 동기에 중요한 심리 욕구로 본다.[7]
웹사이트에 기계적으로 복사할 수는 없지만 설계 렌즈로는 유용하다.
- 자율성: 관심사를 고르고 바꾸고 지울 수 있다
- 유능감: 읽은 뒤 이해하거나 선택하거나 실행할 수 있는 것이 늘어난다
- 관계성: 사이트의 시각과 편집 태도가 일관된다
재방문 입구로는 저장 글, 최근 읽은 글, 이어 읽기, 선택 주제의 새 글, 이전 글 다음 단계 등이 있다.
이상은 “안 돌아오면 손해”가 아니라 돌아오면 지난번 생각의 다음부터 시작할 수 있다이다.
6. 선택지는 적을수록 항상 좋은 것이 아니다
“선택지가 많으면 사람은 선택하지 못한다”는 말은 UX에서 너무 쉽게 법칙처럼 사용된다.
하지만 연구는 더 복잡하다.
Scheibehenne 등의 메타분석은 50개 연구 63개 조건, 5,036명을 종합했고, 선택 과부하의 평균 효과는 거의 0에 가까우며 연구 간 차이가 컸다.[8]
따라서 “관련 글은 무조건 3개”, “주제는 7개 이하” 같은 보편 숫자는 연구가 보장하지 않는다.
중요한 것은 선택지의 차이가 이해되는가, 그룹화되어 있는가, 목적별 입구가 있는가, 비교 축이 분명한가, 지금 반드시 골라야 하는가다.
100개 글을 한 줄에 두면 지옥이지만 목적별로 나누면 자산이 된다.
7. 자동 개선 — 클릭만 학습하면 진열대가 점점 단조로워진다
자동 개선의 첫 조건은 AI보다 측정 의미의 통일이다.
각 글에 대해 무엇이 보였는지, 어디에 보였는지, 클릭됐는지, 읽은 뒤 무엇을 했는지, 저장됐는지, 다시 왔는지, 한 번도 노출되지 않은 적격 글은 무엇인지 구분해야 한다.
기사 ID, 언어, 콘텐츠 버전, 추천 알고리즘 버전도 함께 기록한다.
순환은 다음과 같다.
공개 → 노출 → 행동 → 집계 → 가설 → 작은 변경 → 재검증
클릭률만 보상으로 주면 자극적인 제목과 이미 인기 있는 주제가 이긴다.
목적 달성, 추천 후 만족, 재방문, 전체 콘텐츠 노출 범위, 주제 다양성, 속도와 가독성을 가드레일로 같이 본다.
자동화는 단순 최적화기가 아니라 편향 없이 학습하기 위한 제어 시스템이다.
8. SEO와 UX는 적이 아니다. 단 Google만 손님으로 보면 가게가 망가진다
Google의 Search Essentials와 people-first 지침은 유용하고 독창적인 콘텐츠, 사용자가 실제 쓰는 단어, 크롤링 가능한 링크를 기본으로 둔다.[4][3]
페이지 경험에서도 Core Web Vitals 하나가 순위를 보장하지는 않지만 전체적으로 좋은 경험을 권장한다.[9]
현재 web.dev의 좋은 기준은 75번째 백분위에서 LCP 2.5초 이하, INP 200ms 이하, CLS 0.1 이하이다.[9]
다국어 사이트는 각 언어·지역 버전을 명시적으로 연결하는 hreflang 같은 방법을 권장한다.[10]
생성형 AI 검색 가이드에서도 장기적으로 독창적이고 유용한 비범용 콘텐츠를 강조한다.[11]
좋은 제목, 의미 있는 내부 링크, 속도, 출처, 명확한 업데이트, 올바른 언어 URL, 독창적인 경험과 분석은 검색엔진뿐 아니라 사람에게도 좋다.
9. 가게로 보면 전체 시스템이 이해된다
홈은 매장 입구, 주제는 진열대, 검색은 점원, 기사는 상품, 관련 글은 다음 진열대, 저장과 이력은 보관함, 랭킹은 POS, 분석은 운영 데이터, 콘텐츠 공장은 백룸, QA는 검품, 공개 시스템은 진열, 추천 엔진은 진열 담당, SEO는 간판과 지도, 다국어화는 같은 가게를 다른 언어로 걸을 수 있게 만드는 것이다.
이렇게 연결되면 운영자는 매일 수백 개 글을 손으로 재배치할 필요가 없다.
어떤 가게를 만들지 결정하고 자동 진열 담당이 이상하게 움직이지 않는지 감사하는 일이 중심이 된다.
10. 완성형은 사람을 가두는 사이트가 아니라 스스로 배우는 사이트다
이상적인 순환은 이렇다.
- 검색, 주제, 외부 유입, 추천 어디서 와도 가치가 보인다.
- 기사 하나만으로도 현재 질문을 해결할 수 있다.
- 답을 얻은 뒤 자연스러운 다음 질문이 보인다.
- 더 읽고 싶은 사람만 계속 간다.
- 돌아온 사람은 빠르게 이어서 볼 수 있다.
- 노출, 클릭, 읽은 뒤 행동, 재방문, 미노출을 측정한다.
- 인기 편향을 제어하며 추천과 진열을 업데이트한다.
- 변경 뒤 품질, 속도, 검색, 언어, 공개 상태를 다시 확인한다.
- 나빠지면 되돌린다.
- 좋은 글을 만드는 것뿐 아니라 좋은 글이 발견될 확률을 높인다.
강한 사이트는 독자를 오래 가두는 사이트가 아니다. 필요한 곳에 빨리 도착하게 하고, 몰랐던 재미를 발견하게 하며, 다시 왔을 때 조금 더 똑똑해져 있는 사이트다.
창고 확장은 이제 그만.
이제는 진열대가 학습하는 가게를 만들 차례다.
- Rodden K, Hutchinson H, Fu X. “Measuring the User Experience on a Large Scale: User-Centered Metrics for Web Applications.” CHI 2010. Google Research research.google
- Pirolli P, Card SK. “Information Foraging.” Psychological Review. 1999;106(4):643-675. doi:10.1037/0033-295X.106.4.643 doi.org
- Google Search Central. “Link Best Practices for Google.” Checked 2026-09-25 developers.google.com
- Google Search Central. “Creating Helpful, Reliable, People-First Content.” Checked 2026-09-25 developers.google.com
- Loewenstein G. “The Psychology of Curiosity: A Review and Reinterpretation.” Psychological Bulletin. 1994;116(1):75-98. doi:10.1037/0033-2909.116.1.75 cmu.edu
- Mansoury M, Abdollahpouri H, Pechenizkiy M, Mobasher B, Burke R. “Feedback Loop and Bias Amplification in Recommender Systems.” 2020. arXiv:2007.13019 arxiv.org
- Ryan RM, Deci EL. “Self-Determination Theory and the Facilitation of Intrinsic Motivation, Social Development, and Well-Being.” American Psychologist. 2000;55(1):68-78. doi:10.1037/0003-066X.55.1.68 selfdeterminationtheory.org
- Scheibehenne B, Greifeneder R, Todd PM. “Can There Ever Be Too Many Options? A Meta-Analytic Review of Choice Overload.” Journal of Consumer Research. 2010;37(3):409-425 scheibehenne.com
- Google Search Central, “Understanding Page Experience in Google Search Results”; web.dev, “Web Vitals.” Checked 2026-09-25. ; https://web.dev/articles/vitals developers.google.com
- Google Search Central. “Tell Google about Localized Versions of Your Page.” Checked 2026-09-25 developers.google.com
- Google Search Central. “Google's Guide to Optimizing for Generative AI Features on Google Search.” Checked 2026-09-25 developers.google.com
