ChatGPT가 답변을 생성하는 과정에서 어떤 웹 출처를 선택하고 활용하는지에 대한 흥미로운 분석 결과가 나왔습니다. 한 사용자의 로그인된 ChatGPT Pro 계정에서 수집된 약 1,240개의 출처 레코드를 네트워크 트래픽 분석을 통해 들여다본 결과, 최종 답변만으로는 알 수 없었던 출처 파이프라인, 질의 분류, 검색어, 그리고 실행 모델 등 복잡한 내부 작동 방식이 드러났습니다.
분석에 따르면, ChatGPT는 웹 검색 결과를 가져올 때 'serp', 'labrador', 'bright', 'oxylabs' 중 하나의 'result_source'를 사용합니다. 'serp'는 일반 웹 검색, 'labrador'는 로이터(Reuters), 위키피디아(Wikipedia) 등 주요 출판사 허용 목록, 'bright'와 'oxylabs'는 각각 브라이트 데이터(Bright Data)와 옥시랩스(Oxylabs) 같은 상업용 웹 스크래핑 업체를 가리킵니다. 특히 상업·쇼핑·금융·날씨 관련 질의에서는 'bright'가 주로 관찰되었습니다. 질의는 'instant search', 'shopping', 'text', 'local', 'thinking', 'image generation' 등 6가지 'turn_use_case'로 분류되며, 'text'로 분류되면 웹 검색 없이 학습 데이터만으로 답변을 생성하기도 합니다. 예를 들어, 최신성을 요구하는 질문 중 일부도 웹 검색 없이 처리되는 경우가 있었습니다. 'Thinking' 모델은 제품 비교 질문 하나를 15~40개의 하위 질의로 확장하고, 'site:' 검색을 통해 공식 가격 페이지를 직접 확인하거나 가격을 추정한 뒤 통화 기호 같은 문자열을 찾아 검증하는 정교한 과정을 거칩니다.
이러한 분석은 ChatGPT가 단순히 웹을 긁어오는 것을 넘어, 질의의 성격과 정보의 신뢰도를 고려하여 다양한 출처와 전략을 동적으로 활용하고 있음을 보여줍니다. 특히 가격이나 제품 명세 같은 사실 정보는 공식 페이지를 우선하지만, 자바스크립트(JavaScript)나 이미지에 가려져 파싱(parsing)이 어려울 경우 G2와 같은 제3자 출처로 전환하는 유연성을 보입니다. 이는 정보 제공자들이 사실과 숫자를 평문 HTML로 제공하고 스크립트나 PDF 뒤에 숨기지 않는 것이 중요하며, 제3자 보도, PR, 브랜드 언급 등을 통해 스크래퍼가 접근할 수 있는 페이지에 정보를 포함해야 함을 시사합니다. 또한, 특정 문장에 대한 인용은 동영상보다 텍스트 기반의 레딧(Reddit) 스레드에서 더 많이 발생하며, 평가성 주장은 자사 페이지보다 제3자 리뷰나 비교 콘텐츠에서 근거를 얻는 경향이 있습니다. 이러한 인사이트는 AI 시대에 웹 콘텐츠가 어떻게 소비되고 신뢰를 얻을 수 있는지에 대한 중요한 단서를 제공합니다.