법적 증거개시(Discovery)가 더 쉬워집니다
사건 문서에서 핵심 사실을 일괄 추출하여 엑셀로

디스커버리 스프레드시트는 보편적이지만, 수작업이 필수입니다

디스커버리 스프레드시트는 새로운 아이디어가 아닙니다. 미국 법무부 연방 변호인 사무소는 소송 추적에 Excel을 사용하는 방법에 대한 포괄적인 가이드를 발표했으며, 이는 법률 비서가 매일 수행하는 작업을 정확히 설명합니다: 정부의 디스커버리 색인에서 베이츠 번호 범위를 복사하고, 스프레드시트에 붙여넣고, 관리인, 수신 날짜, 설명 열을 추가합니다. Morton Elder Law의 별도 가이드는 2003년에 발행되어 동일한 워크플로를 설명합니다: 모든 페이지에 베이츠 스탬프를 찍고, 문서와 녹음기를 가지고 앉아 각 문서에 대한 메모를 받아쓰기한 후 나중에 스프레드시트로 옮깁니다. 이 프로세스는 20년 동안 거의 변하지 않았습니다.

기존 가이드는 문제의 쉬운 절반—어떤 문서를 보유하고 있는지 추적하는 것—을 해결합니다. 베이츠 범위를 기록하고, 디스커버리가 언제 수신되었는지 기록하며, 어느 당사자가 제출했는지 표시하는 방법을 알려줍니다. 이는 메타데이터 관리이며 중요합니다. 그러나 더 깊은 병목 현상은 문서가 무엇을 말하는지 추출하는 것입니다. 증언 기록에는 타임라인에 중요한 세 개의 날짜가 포함될 수 있습니다. 답변서에는 14항에 숨겨진 자백이 포함될 수 있습니다. 경찰 보고서에는 어떤 색인에도 없는 증인 이름이 나열될 수 있습니다. 이러한 사실을 페이지에서 구조화된 사건 분석 스프레드시트로 옮기는 것은 여전히 수작업이며, 법률 비서가 가장 많은 시간을 소비하는 부분입니다.

Reddit에서는 파라리걸들이 정기적으로 스프레드시트 템플릿과 업무 팁을 공유하는데, 이는 두 가지를 확인시켜 줍니다. 첫째, 디스커버리 스프레드시트는 업계 전반의 표준 도구라는 점, 둘째, 여전히 모든 사람이 직접 입력하고 있다는 점입니다. 문제는 스프레드시트를 쓸지 말지가 아니라, 모든 필드를 직접 입력해야 하느냐는 것입니다.

대부분의 "디스커버리 정리" 가이드가 놓치는 점

검색 결과와 실제 파라리걸 업무 사이의 괴리는 범주 오류에서 비롯됩니다. 인덱싱은 추출이 아닙니다. 베이츠 번호 체계는 문서 ABC-0042가 존재한다는 것을 알려줍니다. 하지만 ABC-0042(2페이지 분량의 사건 보고서)에 특정 부상 날짜, 출동 경찰관 이름, 사건 경과에 대한 서술이 포함되어 있다는 것은 알려주지 않습니다. 이 세 가지 데이터 포인트는 파라리걸이 사건 사실표에 필요로 하는 것이며, 인덱스에서 베이츠 범위를 조회하는 것이 아니라 문서를 읽어서 얻어야 합니다.

이것이 법률 AI 마케팅을 지배하는 계약 추출 도구도 문제를 해결하지 못하는 이유입니다. 계약 추출 도구는 대체로 유사한 구조를 따르는 계약서에서 미리 정의된 필드(당사자 이름, 발효일, 갱신 조건, 준거법)를 추출하도록 설계되었습니다. 디스커버리 문서에는 그런 구조가 없습니다. 경찰 보고서는 증언 기록과 전혀 다릅니다. 답변서는 의료 기록과 전혀 다릅니다. 추출의 과제는 계약서에서 조항을 찾는 것이 아니라, 공통된 형식, 공통된 용어, 공통된 레이아웃이 없는 문서들에 흩어져 있는 사실을 찾는 것입니다.

디스커버리 데이터 추출을 유난히 어렵게 만드는 문서 유형

대부분의 문서 추출 사용 사례는 송장, 영수증, 은행 명세서 등 단일 문서 유형을 대상으로 합니다. 공급업체마다 형식은 다르지만 문서 범주는 일관됩니다. 그러나 디스커버리는 다릅니다. 단일 사건 파일에 근본적으로 다른 6~7가지 문서 유형이 포함될 수 있으며, 각 유형마다 추출해야 하는 필드가 다릅니다:

• 증언록 — 50~300페이지 분량의 Q&A 형식. 법률 비서는 증언자 이름, 진술 날짜, 특정 사실 인정 내용(일정상 사건, 인정된 대화, 확인된 문서)이 필요합니다. 관련 사실은 수백 개의 문답에 흩어져 있으며, 요약 섹션에 모여 있지 않습니다.
• 답변서 — 질문이 미리 인쇄되고 답변이 빈칸에 타자 또는 필기로 작성되는 양식 문서. 피고의 질문 제7호에 대한 답변에 사건의 핵심 인정 내용이 포함될 수 있습니다. 법률 비서는 비교표 작성을 위해 질문 번호, 질문 내용, 답변을 추출해야 합니다.
• 의료 기록 — SOAP 노트 구조, 진단 코드, 치료 날짜, 의료 제공자 이름이 여러 페이지와 섹션에 걸쳐 분산된 방대한 임상 문서. 인신 사고 사건의 경우 관련 필드는 초진일, 주 진단명, 권장 치료, 예후 등으로, 의료 제공자의 문서화 시스템에 따라 다른 페이지의 다른 섹션에 나타납니다.
• 경찰 및 사건 보고서 — 주요 사실(날짜, 장소, 관련 당사자, 경찰 관찰 내용)이 라벨 필드가 아닌 문단 형식으로 포함된 서술 중심 문서. 보고서 번호는 상단에, 증인 진술은 중간에, 경찰 결론은 하단에 있을 수 있습니다.
• 서신 및 청구서 — 합의 제안, 책임 주장, 손해 계산, 기한 명시가 포함된 비정형 비즈니스 서신 및 이메일. 이는 모든 사건 파일에서 가장 표준화되지 않은 문서입니다.

템플릿 기반 추출 도구로는 이렇게 다양한 형식을 처리할 수 없습니다. 한 병원의 의료 기록 레이아웃에 맞춰진 도구는 다른 기관의 기록에서는 제대로 작동하지 않습니다. 애리조나 경찰 보고서 형식으로 학습된 도구는 캘리포니아 보고서에서 엉뚱한 결과를 냅니다. 소규모 법률 사무소가 현실적으로 선택할 수 있는 방법은 수동 추출뿐이었습니다. 하지만 의미를 이해하는 AI 모델이 등장하면서 상황이 바뀌었습니다.

열 이름 추출이 다양한 형식을 처리하는 방법

템플릿 도구가 실패하는 증거 문서 추출을 AI가 처리할 수 있는 이유는, 최신 비전-언어 모델이 문서를 마치 법률 비서가 읽는 방식, 즉 필드가 페이지의 어디에 있는지가 아니라 무엇을 나타내는지 이해하는 방식으로 처리하기 때문입니다. 이것이 기존 OCR 추출과 ImageToTable.ai가 열 이름 추출이라고 부르는 방식의 핵심 차이입니다. 도구에 "페이지의 X,Y 좌표를 봐라"고 지시하는 대신, 출력 스프레드시트에 원하는 열 머리글을 입력하여 찾고자 하는 데이터 포인트를 알려주기만 하면 됩니다. AI는 각 문서를 읽고 내용을 의미적으로 이해한 후, 페이지상의 위치나 원본 문서의 레이블과 관계없이 사용자가 정의한 열 정의와 일치하는 값을 찾아냅니다.

실제로는 열 집합을 한 번만 정의하면 사건 파일 내 모든 문서 유형에 걸쳐 사용할 수 있습니다. 인신 사고 사건의 경우 열은 다음과 같을 수 있습니다:

이 접근 방식은 법률 비서의 역할을 근본적으로 바꿉니다. 각 문서를 읽고 수동으로 스프레드시트에 사실을 입력하는 대신, 법률 비서는 사건에 필요한 사실 범주를 정의하고 AI가 문서를 읽도록 합니다. 그런 다음 법률 비서는 추출된 결과를 검토하고 확인하는데, 이는 처음부터 추출하는 것보다 인지적으로 더 빠른 작업입니다. 수동 추출에 8-10시간이 걸릴 수 있는 50건의 증거개시 문서를 AI 처리 시간 2분 미만으로 처리할 수 있어, 법률 비서는 하루 종일 데이터를 입력하는 대신 60-90분을 검증에 할애할 수 있습니다.

열 이름 접근 방식은 또한 일반적인 증거개시 문제를 해결합니다: 사건 중간에 도착하는 문서들입니다. 재판 2주 전에 새로운 자료(보충적인 답변서, 이전에 공개되지 않은 증인 진술서)가 들어올 때, 전체 사건 파일을 다시 읽을 필요가 없습니다. 동일한 열 세트로 새 문서를 업로드하면 추출된 사실이 기존 스프레드시트에 바로 추가됩니다. 사건 사실표에 문서를 추가하는 작업 흐름은 사건 진행 단계와 관계없이 파일 업로드와 거의 같은 시간이 소요됩니다.

흩어진 문서로 사건 사실표 만들기

사건 사실표는 증거개시 목록과 다릅니다. 증거개시 목록은 무엇을 가지고 있는지 알려줍니다(원고 측 변호사로부터 5월 3일에 받은 Bates ABC-0001부터 ABC-0492까지). 사실표는 문서가 무엇을 증명하는지 알려줍니다 — 타임라인, 자백, 모순, 손해액. 수동으로 작성한다는 것은 문서를 읽으면서 정보를 상호 참조하는 것을 의미합니다: 경찰 보고서의 부상 날짜가 의료 기록의 입원 날짜와 일치하는지, 증언의 증인 진술이 사건 보고서의 경찰관 메모와 대조되는지, 요구서의 합의 제안이 실제 의료 비용과 비교되어야 합니다.

컬럼명 추출은 법적 분석을 대체하지 않지만, 그 전 단계인 문서 정리 작업을 없애줍니다. 사건 파일의 모든 문서가 동일한 구조화된 출력(동일한 컬럼, 동일한 순서, 동일한 형식)으로 통합되면, 법률 비서가 머릿속으로(또는 스프레드시트 행을 오가며 스크롤하며) 하던 상호 참조 작업이 시각적이고 즉각적으로 이루어집니다. 사건 발생일 기준으로 정렬하여 타임라인을 만들 수 있습니다. 문서 출처별로 필터링하여 손해배상 계산을 위한 의료 기록을 분리할 수 있습니다. "핵심 인정사실" 컬럼을 훑어 증언 녹취서와 답변서 간의 모순을 찾을 수 있습니다.

이전에는 의료 연대표, 증언 요약, 서신 추적 등 문서 유형별로 별도의 스프레드시트를 유지하던 개인 변호사나 소규모 법률 사무소의 법률 비서에게, 모든 것을 하나의 추출 가능한 데이터셋으로 통합하는 것은 사건 준비를 정보 발굴 작업처럼 느끼게 만드는 단편화를 제거합니다. 계약서에 효과적인 것과 동일한 컬럼명 접근 방식, 즉 중요한 데이터를 정의하고 AI가 찾도록 하는 방식이 발견 절차 문서에도 직접 적용되지만, 더 광범위하고 예측 불가능한 형식 범위에서 적용됩니다.

여전히 전체 eDiscovery 플랫폼이 필요한 경우

AI 추출이 적합한 위치와 그렇지 않은 위치를 정확히 구분할 필요가 있습니다. Relativity, CaseMap, Venio One과 같은 전체 eDiscovery 플랫폼이 존재하는 이유가 있습니다. 이들은 컬럼명 추출이 해결하도록 설계되지 않은 문제를 처리합니다.

다음과 같은 경우 전체 eDiscovery 플랫폼이 필요합니다:

• 테라바이트 단위의 전자 저장 정보(ESI)를 처리하는 경우 — 수백만 개의 이메일, Slack 메시지, 데이터베이스 내보내기 파일, 포렌식 이미지 등. 엔터프라이즈 플랫폼이 제공하는 수집, 중복 제거, 조기 사례 평가 파이프라인은 경량 추출 도구로는 대체할 수 없습니다.
• 메타데이터가 보존된 원본 형식의 생성이 필요한 경우 — 상대방 변호인이 생성 날짜, 작성자 정보, 변경 내용 추적이 그대로 유지된 원본 형식의 문서를 요구한다면, 전자 문서 생성을 처음부터 끝까지 처리하는 플랫폼이 필요합니다.
• 다중 검토자 워크플로를 관리하며 특권 기록, 말소 스탬프, 감사 추적이 필요한 경우. 엔터프라이즈 플랫폼은 역할 기반 접근 제어와 상세 로깅을 갖춘 협업 검토 환경을 위해 설계되었습니다.

전체 eDiscovery 플랫폼이 필요하지 않은 경우:

• 사건 관련 문서가 수백만 건이 아닌 수십에서 수백 건인 경우. 일반적인 소규모 법인의 개인 상해 또는 계약 분쟁 사건은 증거 개시 과정에서 200~500페이지 정도의 문서가 관련될 수 있으며, 이는 PDF로 충분히 관리 가능하지만 수동 추출은 매우 느립니다.
• 주된 필요가 이미 수집 및 정리된 문서에서 구조화된 사실을 추출하는 것인 경우. 보유한 문서는 알고 있지만, 그 내용을 파악해야 합니다.
• Excel에서 사건 타임라인, 손해액 표, 증인 비교표를 작성하는 경우 — 이러한 워크플로는 전체 검토 플랫폼의 오버헤드보다는 빠른 추출과 수동 확인을 통해 이점을 얻습니다.

차이는 규모와 목적에 있습니다. 귀하의 사건에서 증거개시가 물류 작업(소송 지원 팀이 수백만 개의 파일을 관리)이라면 플랫폼이 필요합니다. 반면, 증거개시가 정보 추출 문제(관리 가능한 수의 문서에서 핵심 사실을 분석용 구조화된 형식으로 추출)라면 AI 추출이 더 가볍고 빠르며 비용이 훨씬 적게 듭니다.

자주 묻는 질문

AI 추출이 손으로 쓴 답변서를 처리할 수 있나요?

네, 합리적인 범위 내에서 가능합니다. ImageToTable.ai의 비전-언어 모델은 양식에 손으로 쓴 텍스트(수기로 작성된 답변서 포함)를 읽을 수 있습니다. 정확도는 필체의 가독성에 따라 달라집니다. 깔끔한 인쇄체는 높은 정확도의 추출을 생성하지만, 필기체가 심하거나 압축된 필체는 오류를 유발할 수 있습니다. 손으로 쓴 답변의 중요한 인정 사항에 대해서는 추출된 값을 원본 문서와 대조하여 수동으로 확인하는 것을 항상 권장합니다.

스캔된 PDF에서도 작동하나요, 아니면 디지털 문서에서만 작동하나요?

둘 다 가능합니다. AI는 문서가 디지털 PDF, 평판 스캔, 또는 실물 문서의 휴대폰 사진 등 어떤 방식으로 생성되었든 시각적으로 보이는 그대로 처리합니다. 선명하고 페이지가 반듯하며 텍스트를 읽을 수 있는 스캔 문서는 잘 작동합니다. 심하게 기울어지거나, 저해상도이거나, 물에 손상된 스캔은 사람이 읽을 때와 마찬가지로 정확도를 떨어뜨립니다.

한 번에 몇 개의 문서를 처리할 수 있나요?

여러 파일을 한 번에 업로드하여 일괄 처리할 수 있습니다. 추출된 모든 데이터는 단일 Excel 출력으로 병합되며, 각 문서는 하나의 행(또는 문서에 여러 방문 기록이 포함된 의료 기록과 같이 여러 레코드가 포함된 경우 여러 행)을 생성합니다. 일괄 처리당 엄격한 문서 수 제한은 없지만, 매우 큰 배치(수백 개 파일)는 처리 시간이 비례하여 더 오래 걸립니다.

기밀 문서 및 특권 문서에 대해 안전한가요?

파일은 암호화된 연결을 통해 처리되며, 처리 완료 후에는 보관되지 않습니다. 그러나 다른 클라우드 기반 도구와 마찬가지로, 로펌은 구체적인 윤리적 의무와 고객 기밀 유지 요구 사항을 평가해야 합니다. 엄격한 데이터 거주 요건이나 에어갭 보안 요구 사항이 적용되는 문서의 경우 클라우드 기반 추출 도구가 적합하지 않을 수 있습니다.

베이츠 스탬프가 찍힌 문서에서 스탬프 간섭 없이 데이터를 추출할 수 있나요?

네. AI는 베이츠 스탬프(일반적으로 페이지 하단이나 오른쪽 여백에 있는 페이지 식별자)와 문서의 실제 내용을 구분합니다. 문서 본문에 있는 사건 번호나 청구 번호와 "ABC-0042" 같은 베이츠 번호를 혼동하지 않습니다. 출력물에 참조 열로 베이츠 번호가 필요하다면 추출 열 중 하나로 "베이츠 번호"를 추가하면 됩니다.

수정된 문서는 어떻게 처리되나요?

AI는 페이지에 보이는 내용을 읽습니다. 수정된 문서에서 검게 칠해진 텍스트는 사람 검토자가 읽을 수 없는 것처럼 AI도 읽을 수 없습니다. 문서가 부분적으로 수정된 경우 AI는 보이는 부분만 추출합니다. 수정 영역에 완전히 속하는 필드는 공백 또는 부분적으로 반환됩니다.