더 쉬워진 법적 디스커버리
사건 문서에서 핵심 사실을 일괄 추출하여 Excel로

디스커버리 스프레드시트는 보편적이며, 그만큼 수작업이 많습니다

디스커버리 스프레드시트는 새로운 개념이 아닙니다. 미국 법무부 연방 변호인 사무소는 Excel을 소송 추적에 활용하는 방법에 대한 포괄적인 가이드를 발표했으며, 이 가이드는 파라리걸이 매일 수행하는 작업을 정확히 설명합니다: 정부의 디스커버리 인덱스에서 베이츠 번호 범위를 복사하고, 스프레드시트에 붙여넣고, 관리인, 수령 날짜, 설명을 위한 열을 추가하는 것입니다. Morton Elder Law의 별도 가이드는 2003년에 발표된 동일한 워크플로우를 설명합니다: 모든 페이지에 베이츠 스탬프를 찍고, 문서와 녹음기를 가지고 앉아 각 문서에 대한 메모를 받아 적어 나중에 스프레드시트에 옮기는 것입니다. 이 프로세스는 20년 동안 거의 변하지 않았습니다.

기존 가이드는 문제의 쉬운 절반 — 어떤 문서를 보유하고 있는지 추적하는 것 — 을 해결합니다. 베이츠 범위를 기록하고, 디스커버리가 수령된 시점을 기록하고, 어떤 당사자가 생성했는지 기록하는 방법을 알려줍니다. 이는 메타데이터 관리이며 중요합니다. 그러나 더 깊은 병목은 문서가 말하는 내용을 추출하는 것입니다. 디포지션 기록에는 타임라인에 중요한 날짜가 세 개 포함될 수 있습니다. 인터로가토리 응답에는 14항에 묻힌 자백이 포함될 수 있습니다. 경찰 보고서에는 어떤 인덱스에도 없는 증인 이름이 나열될 수 있습니다. 이러한 사실을 페이지에서 구조화된 사건 분석 스프레드시트로 옮기는 것은 여전히 수작업이며, 파라리걸이 가장 많은 시간을 보내는 부분입니다.

Reddit에서 파라리걸은 정기적으로 스프레드시트 템플릿과 워크플로우 팁을 교환하며, 이는 두 가지를 확인해 줍니다: 첫째, 디스커버리 스프레드시트는 업계 전반의 표준 도구이며, 둘째, 모든 사람이 여전히 직접 작성하고 수동으로 채우고 있다는 것입니다. 문제는 스프레드시트를 사용할지 여부가 아니라 모든 필드를 직접 입력해야 하는지 여부입니다.

대부분의 "디스커버리 정리" 가이드가 놓치는 것

검색 결과와 실제 파라리걸 업무 사이의 괴리는 범주 오류에서 비롯됩니다. 색인 생성은 추출이 아닙니다. 베이츠 번호 매기기 시스템은 문서 ABC-0042가 존재한다는 것을 알려줍니다. 그러나 ABC-0042 — 2페이지 분량의 사건 보고서 — 에 특정 부상 날짜, 출동 경찰관의 이름, 그리고 발생한 사건에 대한 서술적 설명이 포함되어 있다는 것은 알려주지 않습니다. 이는 파라리걸이 사건 사실 시트에 필요로 하는 세 가지 데이터 포인트이며, 이는 색인의 베이츠 범위를 조회하는 것이 아니라 문서를 읽는 것에서 비롯됩니다.

이것이 법률 AI 마케팅을 지배하는 계약 추출 도구도 문제를 해결하지 못하는 이유입니다. 계약 추출 도구는 당사자 이름, 발효일, 갱신 조건, 준거법과 같은 사전 정의된 필드를 광범위하게 유사한 구조를 따르는 계약서에서 추출하도록 설계되었습니다. 디스커버리 문서에는 그러한 구조가 없습니다. 경찰 보고서는 디포지션 기록과 전혀 닮지 않았습니다. 인터로가토리 응답은 의료 기록과 전혀 닮지 않았습니다. 추출 과제는 계약서에서 조항을 찾는 것이 아니라 공통 형식, 공통 용어, 공통 레이아웃을 공유하지 않는 문서에 흩어져 있는 사실을 찾는 것입니다.

디스커버리 추출을 유난히 어렵게 만드는 문서 유형

대부분의 문서 추출 사용 사례는 송장, 영수증, 은행 명세서와 같은 단일 문서 유형을 포함합니다. 형식은 공급업체마다 다르지만 문서 범주는 일관됩니다. 디스커버리는 다릅니다. 단일 사건 파일에는 6~7가지 근본적으로 다른 문서 유형이 포함될 수 있으며, 각각 다른 추출 필드 세트가 필요합니다:

• 디포지션 녹취록 — 50~300페이지 분량의 Q&A 형식. 파라리걸은 증언자 이름, 증언 날짜, 구체적인 사실 인정(일정상 사건, 인정된 대화, 확인된 문서)이 필요합니다. 관련 사실은 수백 개의 교환에 흩어져 있으며, 요약 섹션에 그룹화되어 있지 않습니다.
• 인터로가토리 응답 — 질문이 미리 인쇄되고 답변이 빈칸에 타이핑되거나 손으로 작성되는 양식 기반 문서. 피고의 인터로가토리 #7에 대한 답변에는 사건의 핵심 인정이 포함될 수 있습니다. 파라리걸은 인터로가토리 번호, 질문 텍스트, 답변을 비교 시트에 추출해야 합니다.
• 의료 기록 — SOAP 노트 구조, 진단 코드, 치료 날짜, 제공자 이름이 여러 페이지와 섹션에 걸쳐 분산된 밀도 높은 임상 문서. 개인 상해 사건에서 관련 필드는 초진 날짜, 주요 진단, 권장 치료, 예후일 수 있으며, 이러한 데이터 포인트는 의료 제공자의 문서화 시스템에 따라 다른 페이지의 다른 섹션에 나타납니다.
• 경찰 및 사건 보고서 — 핵심 사실(날짜, 위치, 관련 당사자, 경찰관 관찰)이 라벨이 지정된 필드가 아닌 문단 형식으로 포함된 서술 중심 문서. 보고서 번호는 상단에, 목격자 진술은 중간에, 경찰관의 결론은 하단에 있을 수 있습니다.
• 서신 및 요구 서신 — 합의 제안, 책임 주장, 손해 계산, 마감 기한 진술이 포함된 비정형 비즈니스 서신 및 이메일. 이는 모든 사건 파일에서 가장 표준화되지 않은 문서입니다.

템플릿 기반 추출 도구로는 이러한 다양한 형식을 처리할 수 없습니다. 한 병원의 의료 기록 레이아웃에 맞게 구성된 도구는 다른 제공자의 기록에서는 실패합니다. 애리조나 경찰 보고서 형식으로 학습된 도구는 캘리포니아 보고서에서 의미 없는 결과를 생성합니다. 소규모 법률 사무소의 실질적인 접근 방식은 수동 추출이 유일했지만, 의미론적 이해가 가능한 AI 모델이 등장하면서 상황이 바뀌었습니다.

열 이름 추출이 다양한 형식을 처리하는 방식

템플릿 도구가 실패하는 디스커버리 문서 추출을 AI가 처리할 수 있는 이유는 최신 비전-언어 모델이 파라리걸이 문서를 읽는 방식과 동일하게 문서를 처리하기 때문입니다. 즉, 필드가 나타내는 정보가 무엇인지를 이해하는 것이지, 페이지에서 어디에 위치하는지를 이해하는 것이 아닙니다. 이것이 기존 OCR 추출과 ImageToTable.ai가 열 이름 추출이라고 부르는 방식의 핵심 차이입니다. 도구에 "페이지의 X,Y 좌표를 보라"고 지시하는 대신, 출력 스프레드시트에 원하는 열 헤더를 입력하여 찾고자 하는 데이터 포인트를 알려주는 것입니다. AI는 각 문서를 읽고 내용을 의미적으로 이해한 다음, 페이지의 어디에 나타나든 원본 문서에서 어떻게 표시되든 관계없이 열 정의와 일치하는 값을 찾습니다.

실제로 이는 열 집합을 한 번 정의하고 사건 파일의 모든 문서 유형에 걸쳐 사용할 수 있음을 의미합니다. 인적 상해 사건의 경우 열은 다음과 같을 수 있습니다:

이 접근 방식은 파라리걸의 역할을 근본적으로 바꿉니다. 각 문서를 읽고 스프레드시트에 수동으로 사실을 입력하는 대신, 파라리걸은 사건에 필요한 사실 범주를 정의하고 AI가 문서를 읽습니다. 그런 다음 파라리걸은 추출된 결과를 검토하고 검증하는데, 이는 처음부터 추출하는 것보다 인지적으로 더 빠른 작업입니다. 수동 추출에 8~10시간이 걸릴 수 있는 디스커버리 문서 50건은 AI 처리 시간 2분 미만으로 처리할 수 있으며, 파라리걸은 데이터 입력에 하루를 쓰는 대신 검증에 60~90분을 사용할 수 있습니다.

열 이름 접근 방식은 또한 일반적인 디스커버리 문제, 즉 사건 진행 중에 도착하는 문서를 해결합니다. 재판 2주 전에 새 자료가 도착하면(보충 인터로가토리 응답, 이전에 공개되지 않은 증인 진술) 전체 사건 파일을 다시 읽을 필요가 없습니다. 동일한 열 세트로 새 문서를 업로드하면 추출된 사실이 기존 스프레드시트에 직접 추가됩니다. 사건 사실 시트에 문서를 추가하는 워크플로는 사건 진행 단계와 관계없이 파일 업로드와 거의 같은 시간이 걸립니다.

흩어진 문서로 사건 사실 시트 작성하기

사건 사실 시트는 디스커버리 로그와 다릅니다. 디스커버리 로그는 무엇을 보유하고 있는지 알려줍니다(베이츠 ABC-0001~ABC-0492, 5월 3일 원고 측 변호인으로부터 수령). 사실 시트는 문서가 증명하는 바, 즉 타임라인, 자백, 모순, 손해액을 알려줍니다. 수동으로 작성하려면 문서를 읽으면서 문서 간 정보를 상호 참조해야 합니다. 경찰 보고서의 부상 날짜는 의료 기록의 입원 날짜와 일치해야 하고, 디포지션의 증인 진술은 사건 보고서의 경찰관 메모와 대조해야 하며, 요구서의 합의 제안은 실제 의료 비용 옆에 배치해야 합니다.

열 이름 추출은 법적 분석을 수행하지 않지만, 그 앞에 있는 조립 단계를 제거합니다. 사건 파일의 모든 문서가 동일한 구조화된 출력(동일한 열, 동일한 순서, 동일한 형식)으로 이어질 때, 파라리걸이 머릿속에서(또는 스프레드시트 행을 오가며 스크롤하면서) 수행하던 상호 참조는 시각적이고 즉각적으로 이루어집니다. 사건 날짜별로 정렬하여 타임라인을 만들 수 있습니다. 문서 출처별로 필터링하여 손해액 계산을 위한 의료 기록을 분리할 수 있습니다. "핵심 자백" 열을 스캔하여 디포지션 증언과 인터로가토리 답변 사이의 모순을 찾을 수 있습니다.

이전에 문서 범주별로 별도의 스프레드시트(의료 연대기, 디포지션 요약, 통신 추적)를 유지 관리하던 개인 개업 변호사 또는 소규모 법률 사무소 파라리걸의 경우, 모든 것을 단일 추출 가능한 데이터 세트로 통합하면 사건 준비를 정보 고고학처럼 느끼게 만드는 분열을 제거합니다. 계약서에 효과적인 것과 동일한 열 이름 접근 방식 — 중요한 데이터를 정의하고 AI가 찾도록 하는 방식 — 은 디스커버리 문서에도 직접 적용되지만, 더 광범위하고 예측 불가능한 형식 범위에 적용됩니다.

전체 e디스커버리 플랫폼이 여전히 필요한 경우

AI 추출이 어디에 적합하고 어디에 적합하지 않은지 정확히 구분할 필요가 있습니다. Relativity, CaseMap, Venio One과 같은 전체 e디스커버리 플랫폼은 그럴 만한 이유가 있어 존재합니다. 이들은 열 이름 추출로는 해결하도록 설계되지 않은 문제를 처리합니다.

다음과 같은 경우 전체 e디스커버리 플랫폼이 필요합니다:

• 테라바이트 규모의 전자 저장 정보(ESI)를 처리하는 경우 — 수백만 개의 이메일, Slack 메시지, 데이터베이스 내보내기 파일, 포렌식 이미지가 포함됩니다. 엔터프라이즈 플랫폼이 제공하는 수집, 중복 제거, 초기 사건 평가 파이프라인은 가벼운 추출 도구로는 대체할 수 없습니다.
• 메타데이터가 보존된 네이티브 형식의 생산이 필요한 경우 — 상대 측 변호인이 생성 날짜, 작성자 정보, 변경 추적이 온전한 네이티브 형식의 문서를 요구할 때, 전자 생산을 처음부터 끝까지 처리하는 플랫폼이 필요합니다.
• 특권 로그, 삭제 스탬프, 감사 추적이 포함된 다중 검토자 워크플로우를 관리하는 경우. 엔터프라이즈 플랫폼은 역할 기반 접근 제어와 상세 로깅을 갖춘 협업 검토를 위해 구축되었습니다.

다음과 같은 경우 전체 e디스커버리 플랫폼이 필요하지 않습니다:

• 사건에 수십 개에서 수백 개의 문서가 관련된 경우 — 수백만 개가 아니라. 일반적인 소규모 로펌의 인적 상해 또는 계약 분쟁 사건은 디스커버리 자료가 200~500페이지에 이를 수 있으며, PDF로 완전히 관리 가능하지만 수동 추출은 매우 느립니다.
• 주요 필요 사항이 이미 수집되고 정리된 문서에서 구조화된 사실을 추출하는 것인 경우. 무엇을 가지고 있는지 알고 있습니다. 무엇을 말하는지 알아야 합니다.
• Excel에서 사건 타임라인, 손해 배상 표, 증인 비교 그리드를 작성하는 경우 — 전체 검토 플랫폼의 오버헤드보다 빠른 추출과 수동 검증이 더 유리한 워크플로우입니다.

차이는 규모와 목적에 관한 것입니다. 사건의 디스커버리가 물류 운영 — 소송 지원 팀이 수백만 개의 파일을 관리하는 것 — 이라면 플랫폼이 필요합니다. 사건의 디스커버리가 정보 추출 문제 — 관리 가능한 수의 문서에서 핵심 사실을 분석을 위한 구조화된 형식으로 끌어내는 것 — 이라면 AI 추출이 더 가볍고, 빠르며, 훨씬 저렴한 선택입니다.

자주 묻는 질문

AI 추출이 손으로 쓴 인터로가토리 답변을 처리할 수 있나요?

네, 합리적인 범위 내에서 가능합니다. ImageToTable.ai의 비전-언어 모델은 손으로 작성된 양식의 텍스트(수기로 작성된 인터로가토리 응답 포함)를 읽을 수 있습니다. 정확도는 필기 가독성에 따라 달라집니다 — 또렷한 인쇄체는 높은 정확도의 추출을 생성하지만, 필기체가 심하거나 압축된 글씨는 오류를 유발할 수 있습니다. 손으로 작성된 답변의 중요한 인정 사항의 경우, 원본 문서와 추출된 값을 대조하는 수동 검증을 항상 권장합니다.

스캔된 PDF에서도 작동하나요, 아니면 디지털 문서에서만 작동하나요?

둘 다 가능합니다. AI는 문서가 디지털 PDF, 평판 스캔, 또는 실물 문서의 휴대폰 사진 중 어떤 형태로 시작되었든 시각적으로 보이는 대로 처리합니다. 선명하고 곧은 페이지와 읽기 쉬운 텍스트가 있는 스캔 문서는 잘 작동합니다. 심하게 기울어졌거나, 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 레코드가 포함된 경우 — 예: 여러 방문 기록을 포함하는 의료 기록 — 여러 행)을 생성합니다. 일괄 처리당 문서 수에 대한 엄격한 제한은 없지만, 매우 큰 배치(수백 개 파일)는 처리 시간이 비례적으로 더 오래 걸립니다.

특권 및 기밀 문서에 대해 안전한가요?

파일은 암호화된 연결을 통해 처리되며 처리 완료 후 보관되지 않습니다. 그러나 다른 클라우드 기반 도구와 마찬가지로, 법률 사무소는 특정 윤리적 의무와 고객 기밀 유지 요구 사항을 평가해야 합니다. 엄격한 데이터 거주 또는 에어갭 보안 요구 사항이 적용되는 문서의 경우, 클라우드 기반 추출 도구가 적절하지 않을 수 있습니다.

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

네. AI는 베이츠 스탬프(일반적으로 페이지 하단이나 오른쪽 여백에 있는 페이지 수준 식별자)와 문서의 실제 내용을 구분합니다. 문서 본문에 나타나는 사건 번호나 청구 번호와 "ABC-0042" 같은 베이츠 번호를 혼동하지 않습니다. 출력에 참조 열로 베이츠 번호가 필요하면 추출 열 중 하나로 "베이츠 번호"를 추가할 수 있습니다.

수정된 문서는 어떻게 처리되나요?

AI는 페이지에 보이는 내용을 읽습니다. 수정된 문서에서 검게 칠해진 텍스트는 사람이 검토할 때 읽을 수 없는 것처럼 AI도 읽을 수 없습니다. 문서가 부분적으로 수정된 경우 AI는 보이는 부분만 추출합니다. 수정된 영역에 완전히 포함된 필드는 비어 있거나 부분적으로 반환됩니다.