
문서 형식, DRM, 파싱 결과, 입력 데이터 품질. AI에 문서를 넣기 전에 통과해야 하는 세 관문과 점검 순서를 정리했습니다.
데이터 파이프라인, 보이지 않는 세 개의 관문
파이프라인이 완성된 것처럼 보여도 답이 나오지 않는 이유는 대개 AI 앞단에 있다. 문서가 올라가고, 서버가 정상으로 뜨고, 요청도 들어오는데 결과가 비어 있는 경우다.
AI에 문서를 넣기 전에는 세 개의 관문을 순서대로 통과해야 한다. 파일 형식을 읽을 수 있는지, 접근 권한이 풀려 있는지, 파싱 결과의 품질이 쓸 만한지다. 이 글은 세 관문이 각각 어떻게 조용히 막히는지와 도입 전에 확인할 항목을 정리한다.

AI 파이프라인이 처리하는 형식과 조직이 실제로 쓰는 형식이 다르면 첫 관문에서 막힌다. PDF와 DOCX는 오픈소스 파싱 엔진으로 다룰 수 있다. HWP는 사정이 다르다. 폐쇄망과 상용 운영 환경에서 안정적으로 처리하려면 한컴 계열 라이선스나 별도의 파싱 모듈이 필요한 경우가 많다.
문서 처리에 필요한 라이선스와 연동 범위를 도입 전에 확인한다.
HWP는 국내 공공기관과 금융권에서 수십 년간 사실상 표준으로 쓰인 문서 포맷이다. 정부 발표에 따르면 2026년 5월부터 지방정부 온나라시스템에서 hwp 첨부를 제한하고 개방형 포맷으로 전환하는 범위가 넓어질 예정이다[1]. 그래도 이미 쌓인 HWP 문서는 한동안 주력 데이터로 남는다.
형식은 이렇게 확인한다.
HWP 파싱의 구체적인 방법은 HWP 문서를 AI가 읽게 하려면에 따로 정리했다.
AI 시스템이 처리할 수 있는 것은 복호화된 텍스트뿐이므로, DRM이 걸린 문서는 복호화 단계가 파이프라인에 먼저 들어가 있어야 한다. 기업 내부 문서에 DRM을 적용하는 것은 예외적인 상황이 아니다. 금융기관은 규제 준수를 위해 내부 문서에 DRM을 적용하는 경우가 많고, 내부통신망 분리와 암호화 통신에 관한 요건도 함께 따른다[2].
DRM 연동 범위와 담당 조직을 사전에 합의한다.
DRM 연동은 한 번 만들어 모든 고객에게 쓰는 방식이 되기 어렵다. 조직마다 DRM 벤더가 다르고 망 정책도 다르기 때문이다. 연동 개발과 종단 간 테스트가 도입 일정에 들어 있지 않으면 오픈 직전이나 직후에 발견한다. 그때는 일정 지연으로 이어진다.
접근권은 이렇게 확인한다.
실제 조직의 문서 샘플로 파싱 품질을 검증한다. 엔진을 올리거나 설정을 바꾼 뒤에도 같은 샘플로 회귀 검증을 수행한다.
파싱 품질은 이렇게 확인한다.
문서 파이프라인이 정상이어도 문서 밖에서 들어오는 입력의 품질은 따로 관리해야 한다. 음성 인식(STT), OCR 스캔, 웹 크롤링, 수작업 입력은 각각 다른 경로로 RAG에 들어간다. 음성 인식 결과가 그대로 검색 입력으로 들어가면, 깨진 텍스트가 들어간 만큼 뜬금없는 답변이 나온다. 입력 데이터의 품질이 AI 출력 품질의 상한선이 된다.
이 경로들은 문서 파이프라인의 점검 목록에 들어 있지 않은 경우가 많다. 경로마다 별도의 품질 기준과 점검 주기를 정해야 한다.
입력 경로는 이렇게 확인한다.
관문 1에서 관문 3까지는 의존 관계이므로 순서대로 점검해야 한다. 형식을 읽지 못하면 접근권을 따질 의미가 없고, 접근권이 막혀 있으면 파싱 품질에 도달할 수 없다. 세 번째 관문은 가장 기술적으로 정교한 문제처럼 보이지만 설정 하나로 막히는 경우가 많다.
| 관문 | 점검 질문 | 확인 방법 | 막혔을 때 드러나는 증상 |
|---|---|---|---|
| 1. 형식 | 조직의 주요 문서 포맷을 모두 처리할 수 있는가? | 포맷 목록과 변환 모듈, 라이선스 대조 | 지원하지 않는 형식의 문서를 처리하지 못함 |
| 2. 접근권 | DRM과 암호화 문서를 복호화해 읽을 수 있는가? | 복호화 서버와의 통신 경로, 연동 범위 확인 | 문서 전체가 파이프라인에 들어오지 못함 |
| 3. 파싱 품질 | 한국어 문서가 구조를 유지한 채 텍스트가 되는가? | 실제 문서 샘플로 파싱 결과 대조, 엔진 옵션 검토 | 서버는 정상인데 결과가 비거나 글자가 깨짐 |
| 입력 경로 | 문서 밖의 입력도 품질이 관리되는가? | 경로별 샘플 점검 | 깨진 입력에서 엉뚱한 답변이 나옴 |
공개 사례에서는 문서를 읽는 단계(OCR·파싱)를 검색 단계와 한 플랫폼 안에 묶고, 효과는 실제 업무 시간으로 확인했다. 세 관문을 통과한 뒤 무엇을 재야 하는지 볼 때 참고할 수 있다.
| 사례 | 다룬 문서 | 공개된 방식과 결과 |
|---|---|---|
| JR규슈(일본, 교통) | 손글씨와 도표가 들어간 사내 문서 | AI-OCR과 사내 정보 검색(RAG)을 함께 쓰고, Box 같은 기존 시스템과 연결[3] |
| 인보이스(일본, 서비스) | 갱신이 잦고 고유 용어가 많은 업무 매뉴얼. 1,000쪽이 넘는 매뉴얼 포함 | 문서 답변 생성 앱(RAG)으로 검색 시간을 5분에서 1분 이내로 줄여 월 100시간 절감 효과 산정[4] |
| 한국증권금융(국내, 금융) | 사내 문서·이미지 | 온프레미스 플랫폼에 문서·이미지 인식(OCR)과 RAG를 함께 구축[5] |
HWP 문서를 읽는 방법과 올거나이즈의 처리 방식은 HWP 문서를 AI가 읽게 하려면에 정리했다.
도입 전에 문서 형식, DRM 연동, 파싱 품질, 표 구조화의 점검 범위를 확인한다.
이 가운데 하나라도 "아니오"라면, 데이터 파이프라인이 조용히 실패하고 있을 가능성이 있다.
파이프라인이 완성됐다는 것과 AI가 실제로 쓸 수 있는 데이터가 있다는 것은 다른 이야기다. 형식, 접근권, 파싱 품질을 순서대로 확인하고, 문서 밖 입력 경로까지 점검해야 AI가 쓸 수 있는 데이터가 만들어진다.

AI 도입 계획서에 잘 적히지 않는 점검 항목은 이 밖에도 있다. 에러 없이 나빠지는 RAG와 에이전트의 문제는 다 맞는 것 같은데, 왜 답이 이상하지?에서 정리했다. RAG 솔루션을 비교하는 기준은 엔터프라이즈 RAG 비교 기준을 참고하면 된다.
다음 편 예고: 마지막 편에서는 어떤 플랫폼을 선택할 것인지를 운영 조건에 비추어 판단하는 방법을 다룬다.
올거나이즈는 금융, 공공, 제조 등 다양한 산업에서 AI 플랫폼을 구축하고 운영해 왔다. 도입 검토부터 운영 전환까지, 이 글에서 다룬 점검을 함께 진행한다. → 도입·운영 상담 요청하기
