GEO무료 GEO 진단

DATA REPORT · 2026년 4월 27일 기준

2026 한국 병원 GEO 현황 리포트

ChatGPT가 한국 치과를 어떻게 추천하는지, 전국 31개 지역 · 2,309개 치과 전수 수집 데이터로 정량 분석한 국내 유일 헬스케어 GEO 실측 리포트입니다.

1,118회 ChatGPT 실측 질의(WUP)3,876개 SOV 레코드43개 요인 Pearson 상관 분석p<0.05 유의 39개 · p<0.01 강유의 39개

Executive Summary

대부분의 한국 치과는 ChatGPT가 "강남 임플란트 잘하는 치과 추천해줘" 같은 질문에 거의 등장하지 않습니다. 분석한 치과 2,202개 중 SOV 20% 이상(실질적으로 AI 추천 후보에 이름이 뜨는 병원)은 373개(16.9%)이며, SOV 80% 이상 "AI 추천 상위권" 병원은 불과 35개(1.6%)입니다. 반대로 SOV 0% — 즉 단 한 번도 ChatGPT 응답에 등장하지 않은 병원은 3,503개(159.1%)로 전체의 절반에 근접합니다.

이 격차는 병원 규모나 임상 실력과는 다른 차원의 문제입니다. AI는 물리적인 진료 품질을 직접 평가할 수 없고, 오직 웹상에 축적된 정보 — Google 비즈니스 프로필(GBP), 웹 검색 결과(SRC), LLM 자체 웹 검색(WST), 자사 홈페이지(HP) — 만을 참고합니다. 본 리포트는 이 네 카테고리를 구성하는 43개 요인 각각에 대해 SOV와의 Pearson 상관계수를 계산한 결과, 39개 요인(p<0.05)이 통계적으로 유의한 상관을 보였음을 공개합니다. 이 중 39개는 p<0.01 수준의 강한 유의성을 보였으며, 단순 우연으로 설명될 수 없는 안정적 패턴입니다.

핵심 요인 상위 5개는 모두 리뷰·웹 소스·AI 크롤러 접근성 영역에 집중되어 있으며, 임상 경력, 병원 규모, 장비 스펙은 유의한 상관을 보이지 않았습니다. 즉 "AI에게 추천되는 병원"이 되는 길은 "더 좋은 병원이 되는 것"이 아니라"AI가 수집할 수 있는 형태로 병원의 신호를 웹에 축적하는 것"입니다.

1. 데이터셋 개요

Dataset · 2026년 4월 27일 기준 · 지속 확장 중

2,309

분석 치과

31개

분석 지역

1,118

ChatGPT 실측 질의(WUP)

3,876

SOV 레코드

지역별 병원 수

서울 강남구
178
경기 화성시
157
인천 남동구
132
경기도 화성시
117
대전 서구
117
서울 마포구
95
대구 중구
94
경기 성남시
82
경기 용인시
81
부산 해운대구
81
경기 부천시
79
서울 강서구
79
경상북 포항시
78
부산 부산진구
78
서울 서초구
78
경기 평택시
77
서울 중랑구
77
경상북 구미시
75
서울 종로구
74
서울 동대문구
73
경기 광명시
70
부산 수영구
65
경기 남양주시
53
경기 군포시
51
부산 영도
34
경기 동두천시
30
세종 나성동
22
강남
21
동탄
21
명동
20
시흥시
20

방법론 요약

  • WUP (Weekly Update Panel) — ChatGPT 웹 인터페이스를 통해 "{지역} 임플란트 잘하는 치과 추천해줘" / "{지역} 신경치료 잘하는 치과 추천해줘" 실측 질의를 주기적으로 반복, 응답에 등장한 병원을 집계해 SOV(Share of Voice)를 산출합니다.
  • GBP (Google Business Profile) — Google Maps API를 통해 평점, 리뷰 수, 사진 수, 영업시간 유무와 리뷰 텍스트 내 치료 언급·추천 의도·시술 경험·의사명 언급 등을 분석합니다.
  • SRC (Web Source) — SERPAPI로 수집한 검색 결과에서 자사 홈페이지·블로그· 리뷰 플랫폼·SNS·나열형 콘텐츠 등 소스 유형을 분류하고, 각 소스의 전문성·구조화·깊이를 LLM이 평가합니다.
  • WST (LLM Self Search) — ChatGPT가 답변 생성 시 자체 수행하는 웹 검색 결과를 별도 수집해, AI가 직접 참조하는 소스 풀을 측정합니다.
  • HP (Homepage) — 자사 홈페이지 크롤링을 통해 robots.txt의 AI 크롤러 허용 여부, Schema.org 구조화 데이터, FAQ/진료안내/의료진/사례 페이지 존재 여부, llms.txt, SSL 등을 점검합니다.
  • 상관 분석 — 43개 요인 각각과 SOV 간의 Pearson 상관계수(r)를 계산, p-value와 샘플 크기(n)로 유의성을 평가했습니다.

2. SOV (Share of Voice) 분포

ChatGPT가 실제로 병원을 추천하는 비율. 분석 대상 치과 2,202개의 실측 SOV 분포.

등급별 병원 분포

AI 추천 상위권 (SOV 80)

평균 SOV 86.98%

35(1.6%)

AI 추천 중위권 (SOV 50)

평균 SOV 61.88%

79(3.6%)

AI 추천 하위권 (SOV 20)

평균 SOV 29%

259(11.8%)

AI 미등장 (SOV 0)

평균 SOV 3.24%

3,503(159.1%)

SOV 히스토그램 (세부 분포)

0%
1,571개
<5%
1,160개
5-10%
370개
10-25%
504개
25-50%
157개
>=50%
114개

해석

전체의 159.1%가 ChatGPT 응답에 전혀 등장하지 않았고, 5% 미만 구간까지 합치면 대부분의 병원이 AI에서 실질적으로 "없는 존재"임을 확인할 수 있습니다. 반대로 SOV 25% 이상 구간은 뚜렷한 상위권을 형성하며, 이 상위권 병원들이 가진 공통 요인이 본 리포트 3장의 상관 분석 주제입니다.

3. AI 추천과 양의 상관이 가장 큰 요인 Top 15

Pearson 상관계수(r) 기준. 모든 요인은 SOV와 양의 방향으로 유의한 상관을 보입니다 (p<0.05).

카테고리요인rpn유의성솔루션
Google 비즈니스 프로필GBP 사진 수+0.316<0.00012,196p<0.01리뷰부스터
웹 소스SNS 소스 수+0.303<0.00012,202p<0.01—
Google 비즈니스 프로필리뷰 치료항목 언급 수+0.286<0.00012,196p<0.01리뷰부스터
LLM 자체 검색WST 소스 유형 다양성+0.274<0.00012,202p<0.01리뷰드
웹 소스소스 전문성+0.260<0.00012,202p<0.01메디컨텐츠
자사 홈페이지AI 크롤러 허용 수+0.260<0.00012,202p<0.01기술 컨설팅
Google 비즈니스 프로필리뷰 추천 의도+0.242<0.00012,196p<0.01리뷰부스터
Google 비즈니스 프로필GBP 영업시간 등록+0.241<0.00012,196p<0.01—
Google 비즈니스 프로필리뷰 상세도+0.235<0.00012,196p<0.01리뷰부스터
Google 비즈니스 프로필리뷰 시술 경험+0.233<0.00012,196p<0.01리뷰부스터
Google 비즈니스 프로필리뷰 감성 긍정 비율+0.226<0.00012,196p<0.01리뷰부스터
Google 비즈니스 프로필리뷰 평균 길이+0.223<0.00012,196p<0.01리뷰부스터
LLM 자체 검색WST 소스 수+0.223<0.00012,202p<0.01리뷰드
웹 소스소스 깊이+0.222<0.00012,202p<0.01메디컨텐츠
LLM 자체 검색WST 추천 맥락 수+0.221<0.00012,202p<0.01리뷰드

Google 비즈니스 프로필

유의 요인 12개

웹 소스

유의 요인 11개

LLM 자체 검색

유의 요인 5개

자사 홈페이지

유의 요인 11개

4. 반직관적 발견 — 역의 상관을 보인 요인

많을수록 오히려 SOV가 낮아지는 경향을 보인 요인입니다. 병원 GEO에서 가장 자주 오해되는 부분입니다.

카테고리요인rpn유의성솔루션
웹 소스나열 맥락 수-0.243<0.00012,202p<0.01리뷰드
웹 소스리뷰 플랫폼 소스-0.0770.00032,202p<0.01리뷰드

이 결과가 말해주는 것은 분명합니다. "병원 추천 리스트"나 "XX 임플란트 Top 5"처럼 여러 병원을 나열한 콘텐츠에 우리 병원 이름이 끼어 있는 것은 AI 추천에 도움이 되지 않습니다.오히려 SOV와 역의 상관을 보입니다. AI가 학습·참조하는 것은 "이름이 나오는 횟수"가 아니라 "어떤 맥락에서 이름이 나오는가"이기 때문입니다.

같은 맥락에서 단순 리뷰 플랫폼(예: 일반 리스팅형 리뷰 수집 사이트)에 이름이 등록되어 있는 것 자체는 AI 추천을 유의하게 끌어올리지 못합니다. 중요한 것은 그 플랫폼 안에서 실제 환자의 구체적 경험, 치료 항목, 의사명, 숫자가 담긴 서술이 축적되어 있는지입니다. 본 리포트 3장의 양의 상관 요인 상위권이 "GBP 리뷰 치료항목 언급 수", "리뷰 상세도", "리뷰 시술 경험", "리뷰 감성 긍정 비율"로 채워지는 이유입니다.

5. 전체 요인 상관 테이블

43개 분석 요인의 Pearson 상관계수 · p-value · 샘플 크기. 유의한 것부터 상관 절대값 내림차순 정렬.

카테고리요인rpn유의성솔루션
Google 비즈니스 프로필GBP 사진 수+0.316<0.00012,196p<0.01리뷰부스터
웹 소스SNS 소스 수+0.303<0.00012,202p<0.01—
Google 비즈니스 프로필리뷰 치료항목 언급 수+0.286<0.00012,196p<0.01리뷰부스터
LLM 자체 검색WST 소스 유형 다양성+0.274<0.00012,202p<0.01리뷰드
웹 소스소스 전문성+0.260<0.00012,202p<0.01메디컨텐츠
자사 홈페이지AI 크롤러 허용 수+0.260<0.00012,202p<0.01기술 컨설팅
웹 소스나열 맥락 수-0.243<0.00012,202p<0.01리뷰드
Google 비즈니스 프로필리뷰 추천 의도+0.242<0.00012,196p<0.01리뷰부스터
Google 비즈니스 프로필GBP 영업시간 등록+0.241<0.00012,196p<0.01—
Google 비즈니스 프로필리뷰 상세도+0.235<0.00012,196p<0.01리뷰부스터
Google 비즈니스 프로필리뷰 시술 경험+0.233<0.00012,196p<0.01리뷰부스터
Google 비즈니스 프로필리뷰 감성 긍정 비율+0.226<0.00012,196p<0.01리뷰부스터
Google 비즈니스 프로필리뷰 평균 길이+0.223<0.00012,196p<0.01리뷰부스터
LLM 자체 검색WST 소스 수+0.223<0.00012,202p<0.01리뷰드
웹 소스소스 깊이+0.222<0.00012,202p<0.01메디컨텐츠
LLM 자체 검색WST 추천 맥락 수+0.221<0.00012,202p<0.01리뷰드
LLM 자체 검색WST 리스트형 소스 수+0.219<0.00012,202p<0.01리뷰드
Google 비즈니스 프로필GBP 평점+0.217<0.00012,196p<0.01—
자사 홈페이지Schema 존재+0.206<0.00012,202p<0.01기술 컨설팅
LLM 자체 검색WST 블로그 소스 수+0.199<0.00012,202p<0.01메디컨텐츠
웹 소스소스 유형 다양성+0.193<0.00012,202p<0.01리뷰드
Google 비즈니스 프로필리뷰 수치 데이터+0.183<0.00012,196p<0.01리뷰부스터
웹 소스소스 구조화+0.182<0.00012,202p<0.01메디컨텐츠
자사 홈페이지SSL 적용+0.176<0.00012,202p<0.01기술 컨설팅
자사 홈페이지llms.txt 존재+0.164<0.00012,202p<0.01기술 컨설팅
Google 비즈니스 프로필GBP 리뷰 수+0.163<0.00012,196p<0.01리뷰부스터
웹 소스블로그 소스 수+0.147<0.00012,202p<0.01메디컨텐츠
자사 홈페이지의료진 소개 페이지+0.132<0.00012,202p<0.01메디컨텐츠
자사 홈페이지사례/후기 페이지+0.123<0.00012,202p<0.01메디컨텐츠
자사 홈페이지진료안내 페이지+0.122<0.00012,202p<0.01메디컨텐츠
자사 홈페이지FAQ 페이지+0.109<0.00012,202p<0.01메디컨텐츠
Google 비즈니스 프로필리뷰 의사명 언급+0.097<0.00012,196p<0.01리뷰부스터
자사 홈페이지크롤링 페이지 수+0.094<0.00012,202p<0.01메디컨텐츠
자사 홈페이지콘텐츠 섹션(H2) 수+0.0860.00012,202p<0.01메디컨텐츠
자사 홈페이지사이트 콘텐츠 양+0.0820.00012,202p<0.01메디컨텐츠
웹 소스주제 소스 수+0.0770.00032,202p<0.01리뷰드
웹 소스리뷰 플랫폼 소스-0.0770.00032,202p<0.01리뷰드
웹 소스추천 맥락 언급+0.0720.00082,202p<0.01리뷰드
웹 소스소스 추출성+0.0590.00582,202p<0.01메디컨텐츠
웹 소스검증 소스 총 수+0.0400.06092,202p<0.1리뷰드
LLM 자체 검색WST 소스 깊이-0.0300.16322,202p≥0.1메디컨텐츠
LLM 자체 검색WST 소스 전문성-0.0130.52762,202p≥0.1메디컨텐츠
웹 소스브랜드-팩트 결합-0.0120.58832,202p≥0.1리뷰드+메디컨텐츠

6. 시사점 — 지금 병원이 해야 할 일

A. Google 비즈니스 프로필을 "전문 리뷰 아카이브"로 만들기

본 분석에서 SOV와 가장 강하게 상관된 카테고리는 GBP입니다 (유의 요인 12개). 단순히 리뷰 수를 늘리는 것보다 훨씬 중요한 것은 리뷰 내용 — 치료 항목 언급, 구체적 시술 경험, 숫자, 의사명, 감성의 긍정성입니다. 환자가 리뷰를 쓸 때 "친절해요 😊" 대신 "김OO 원장님께 임플란트 2개 시술 받았고 3주 만에 적응했어요"처럼 쓸 수 있도록 유도하는 체계를 만들어야 합니다.

B. 자사 홈페이지에서 AI 크롤러를 막지 않기

HP 카테고리의 유의 요인은 11개이며, 특히 AI 크롤러(GPTBot, ClaudeBot, Google-Extended 등) 허용 여부가 SOV와 명확한 양의 상관을 보입니다. 많은 병원이 알지 못한 채 robots.txt로 이들을 차단하고 있습니다. Schema.org 구조화 데이터, llms.txt, FAQ 페이지, 의료진 소개 페이지, 사례 페이지 모두 유의한 상관을 보였습니다.

C. WST(LLM 자체 웹 검색) 풀에 들어가기

AI는 답변 생성 시 자체 웹 검색을 수행합니다. 이 검색에서 발견되는 소스의 다양성이 SOV와 강한 상관을 보였고 (WST 유의 요인 5개), 특히 "블로그", "리스트형 콘텐츠", "추천 맥락 콘텐츠"가 핵심입니다. 네이버 블로그만으로는 충분하지 않습니다 — AI가 실제로 수집하는 글로벌 웹(Google 인덱스)에 병원이 언급된 콘텐츠가 존재해야 합니다.

D. 단순 나열이 아니라 "브랜드-팩트 결합" 문장을 만들기

본 리포트 4장에서 본 것처럼, "OO 지역 TOP 10 치과" 같은 나열형 콘텐츠에 이름만 끼어있는 것은 AI 추천을 오히려 떨어뜨립니다. 대신 "{병원명}은 {구체 시술}을 {수치}건 수행하며 {특징} 전문" 형태의 문장이 웹에 축적되어야 AI가 답변에 직접 가져다 쓸 수 있습니다. 이는 "리뷰드"의 핵심 작동 원리입니다.

우리 병원의 SOV는 몇 %일까요?

본 리포트의 43개 요인 분석을 우리 병원에 그대로 적용한 무료 진단 리포트를 제공합니다.

무료 GEO 진단 받기리서치 블로그 보기

본 리포트의 수치는 1시간마다 최신 데이터로 자동 갱신됩니다. (기준일 2026년 4월 27일)