코드 없는 AI 데이터 입력:
모델 학습 없이 문서 데이터 추출하기

기존 방식: 문서 추출에 개발자와 학습 데이터가 필요했던 이유

"제로 트레이닝"이 무엇을 의미하는지 이해하려면, 트레이닝에 드는 비용이 얼마였는지 이해하는 것이 도움이 됩니다. 비전 언어 모델 이전에는 문서 추출이 2계층 구조로 작동했습니다. OCR이 이미지를 텍스트로 변환하고, 머신러닝 분류기가 텍스트를 필드에 매핑하는 방식이었죠. OCR 계층은 문자 인식을 담당했습니다. ML 계층이 나머지 모든 것을 담당했는데, 바로 그 부분이 비용이 많이 드는 부분이었습니다.

문서 추출을 위한 전통적인 ML 모델을 학습시키려면 레이블이 지정된 예시를 입력해야 했습니다. 사람이 송장 번호가 어느 텍스트인지, 날짜가 어느 것인지, 합계가 어느 것인지 수동으로 표시한 수백 개의 문서가 필요했죠. UiPath의 공식 문서에 따르면 일반 필드당 레이블이 지정된 샘플 20~50개가 필요합니다. 즉, 10개 필드로 구성된 송장 템플릿은 모델이 프로덕션 수준의 정확도에 도달하기 전에 200~500개의 주석이 달린 문서가 필요합니다. 라인 항목 테이블과 같은 열 필드의 경우 요구 사항은 열당 문서 50~200개로 늘어납니다. 그리고 이것은 하나의 문서 레이아웃에 대한 이야기입니다. 다른 송장 형식을 사용하는 새 공급업체가 생기면 새로운 학습 데이터가 필요하거나, 최적화되지 않은 레이아웃에 걸쳐 있는 모델의 낮은 정확도를 감수해야 합니다.

일정을 살펴보면: 학습 샘플 수집 및 주석 처리에 2~4주, 모델 학습 및 평가에 1~2주, 그리고 새 문서 레이아웃이 나타날 때마다 재학습을 유발하는 지속적인 유지보수 주기가 필요했습니다. 필요한 팀 구성은 다음과 같습니다. 문서 도메인을 이해하는 데이터 주석자, 학습 파이프라인을 구성할 머신러닝 엔지니어, 그리고 결과 모델을 프로덕션 시스템에 통합할 개발자. 첫 번째 실용적인 추출까지 걸린 총 시간: 일반적으로 3~6주. 총 비용: 소프트웨어 구독이 아닌 엔지니어링 급여로 측정되었습니다.

2023년 이전에 "AI 문서 추출"을 평가해 본 사람이라면 누구나 알고 있는 세상이 바로 이것입니다. 그리고 "이건 개발자가 필요하다"는 인식이 지속되는 이유이기도 합니다. 그 인식은 근거가 없어서가 아니라 시대에 뒤떨어진 것입니다.

변화: AI가 오늘날 훈련 없이 문서를 읽는 방법

문서 추출의 경제성을 바꾼 기술은 비전 언어 모델(VLM)입니다. 이는 인간처럼 문서를 처리하는 AI의 한 종류로, 레이블이 지정된 예제에서 패턴을 매칭하는 것이 아니라 전체 페이지를 보고 각 정보의 의미를 이해합니다.

VLM은 귀하의 송장에서 학습하지 않습니다. 수백만 개의 문서(송장, 영수증, 은행 명세서, 계약서, 양식, 보고서)를 다양한 레이아웃, 언어, 품질 수준으로 사전 훈련받았습니다. 사전 훈련 중에 모델은 시각적 패턴과 의미적 역할을 연관 짓는 법을 배웠습니다. 문서 오른쪽 하단에 굵은 글씨로 "합계" 옆에 있는 숫자는 지불 금액입니다. 페이지 상단 근처에 "송장 날짜: MM/DD/YYYY" 형식으로 표시된 날짜는 송장 날짜입니다. "수량" 열 옆에 "단가"가 있으면 수량을 의미하며, 그 뒤의 숫자에 단가를 곱한 값이 라인 합계입니다. 모델은 수백만 개의 문서에서 이러한 연관성을 수백만 번 보고 배웠으며, 귀하의 특정 송장에서 무엇을 찾아야 하는지 지시받지 않았습니다.

이것이 바로 "제로 트레이닝"의 실제 의미입니다. 모델은 이미 송장, 영수증, 은행 명세서, 구매 주문서, 계약서 및 수십 가지 다른 문서 유형을 이해합니다. 이는 귀하가 훈련시켰기 때문이 아니라, 방대한 규모의 시각적 문서 이해를 위해 사전 훈련되었기 때문입니다. 첫 번째 송장을 업로드할 때 모델은 학습하지 않습니다. 이미 알고 있는 지식을 한 번도 본 적 없는 문서에 적용하는 것입니다. 동일한 메커니즘이 휴대폰 카메라로 찍은 구겨진 영수증 사진, 15년 된 복합기에서 스캔한 PDF, SAP에서 생성된 디지털 송장에서도 작동합니다. 시각적 품질은 다르지만 기본적인 의미 구조는 동일합니다.

이러한 차이점은 코드 없는 도구가 설정 없이 첫날부터 작동할 수 있는 이유를 설명합니다. 추출에 레이아웃별 훈련이 필요했다면, 개발자가 훈련 파이프라인을 구축하고 도메인 전문가가 도구가 유용한 결과를 생성하기 전에 샘플에 주석을 달아야 했을 것입니다. VLM이 의미적으로 추출을 처리하기 때문에 필요한 유일한 입력은 추출하려는 것이며, 이는 이미 알고 있는 정보입니다.

Firstsource의 VLM 기반 문서 처리 연구에 따르면, 전통적인 OCR 파이프라인은 별도의 OCR → 레이아웃 분석 → 필드 매핑 단계의 연쇄적 오류로 인해 정보 추출에서 15-20%의 오류율을 보입니다. VLM은 시각적 레이아웃, 텍스트 내용, 의미적 의미를 하나의 통합된 단계로 처리하여 이러한 격차를 해소합니다. 연쇄적 오류, 성능을 저하시킬 중간 출력, 공급업체가 송장 헤더를 재설계할 때 유지 관리해야 할 템플릿이 없습니다.

기술 아키텍처 차이에 대한 더 자세한 비교는 AI 데이터 입력 소개에서 VLM이 메커니즘 수준에서 OCR과 어떻게 다른지 다루고 있습니다.

열 이름에서 구조화된 데이터로: 노코드 추출이 실제로 작동하는 방식

모델을 학습시키거나 통합 코드를 작성할 필요가 없다면, 무엇을 해야 할까요? 워크플로우는 단 하나의 설계 결정을 중심으로 구축됩니다. 입력(템플릿, 영역, 규칙)을 구성하는 대신 출력을 설명하는 것입니다. 그 모습은 다음과 같습니다.

핵심 메커니즘은 맞춤 열 추출입니다. 텍스트 입력에 원하는 필드 이름("송장 번호", "공급업체 이름", "PO 번호", "합계", "마감일")을 입력하면 AI가 문서의 어디에 있든 각 값을 의미적으로 이해하여 찾아냅니다. 위치가 아니라 의미를 기준으로 합니다. 입력한 열 이름은 최종 스프레드시트의 정확한 헤더가 됩니다. 입력하는 문서가 아니라 받고 싶은 데이터 구조를 설명하는 것입니다.

이것이 노코드 추출을 가능하게 만드는 근본적인 전환입니다. 템플릿 기반 도구는 문서에 표시를 하도록 요구합니다. "여기 송장 번호 주위에 상자를 그리고, 저기에 날짜 주위에 상자를 그리세요." 하나의 레이아웃을 이해하도록 도구를 구성하는 것입니다. 열 기반 추출은 원하는 것을 설명하도록 요구합니다. "송장 번호, 날짜, 합계를 주세요." AI가 매핑을 처리합니다. 어떤 레이아웃, 어떤 공급업체, 어떤 형식에서든 말이죠.

인쇄된 필드의 직접 추출 외에도 노코드 AI는 수식이나 스크립트 작성 없이도 작업 범위를 넓힐 수 있는 두 가지 추가 모드를 지원합니다.

계산 열은 추출 중에 계산을 수행하고 결과를 출력합니다. 나중에 처리해야 하는 원시 데이터가 아닌 결과를 말입니다. 구매 주문서에는 수량과 단가가 나와 있지만 라인 합계는 인쇄되지 않습니다. 라인 합계 (수량 × 단가)라는 열을 정의하면 AI가 두 소스 값을 모두 추출하고, 곱한 다음, 결과를 스프레드시트에 한 번에 작성합니다. 추출 후 엑셀 수식이 필요 없습니다. 동일한 메커니즘으로 여러 행 집계(섹션의 모든 항목 합산), 조건부 논리(계산된 합계와 인쇄된 합계 간 불일치 플래그 지정), 고정 매개변수 참조(문서에 전혀 없는 세율 적용)도 처리합니다.

추론 열은 AI가 문서에 적용되는 범주, 태그 또는 라벨을 판단하여 스프레드시트에 채워 넣도록 합니다. 식당 영수증에는 "범주: 식비"라고 적혀 있지 않습니다. 하지만 회계를 위해서는 비용 범주가 필요합니다. 범주 (옵션: 식비/교통비/사무비/기타)라는 열을 정의하세요. AI가 각 영수증(점심 영수증, 주유소 영수증, 사무용품 영수증)을 읽고 올바른 범주를 결정합니다. 추출과 분류가 전체 배치에서 동시에 발생합니다. 추론 열은 모든 문서 유형에서 동일하게 작동합니다. 배송 메모에서 긴급 주문 플래그 지정, 국제 송장에서 통화 감지, 보험 증서에서 문서 하위 유형 식별 등이 가능합니다.

이 세 가지 모드 — 직접 추출, 계산, 추론 — 은 하나의 실제 운영 현실로 수렴합니다. 원하는 것을 입력하고, 가진 것을 업로드하고, 구조화된 스프레드시트를 받는 것입니다. 학습 데이터도, 템플릿 편집기도, 코드도 필요 없습니다.

일괄 처리는 이를 대량 작업으로 확장합니다. 15개 공급업체의 인보이스 50장을 업로드하세요. 열 이름을 한 번 입력하세요. AI가 50장 모두를 처리하고, 각 레이아웃 변형에서 모든 필드를 식별하여, 문서당 한 행씩 총 50개의 행이 있는 단일 스프레드시트로 내보냅니다. 모든 필드가 올바른 열에 배치됩니다. 수작업으로 오후 내내 걸리던 작업이 업로드 및 검토의 몇 분으로 단축됩니다.

구글 시트 애드온: 스프레드시트 안에서 코드 없이 추출

웹 기반 워크플로우가 "개발자가 필요하다"에서 "브라우저만 있으면 된다"로 장벽을 낮췄다면, 구글 시트 애드온은 "이미 작업 중인 도구를 벗어날 필요가 없다"는 수준으로 더 낮춥니다.

ImageToTable.ai 구글 시트 애드온은 스프레드시트 안에 있는 사이드바입니다. 열고, 이미지나 PDF를 업로드하고, 열 이름을 입력하면 추출된 데이터가 활성 시트에 직접 추가됩니다 — 구조화된 행, 올바른 열, 복사-붙여넣기 불필요. 전체 워크플로우가 시트 안에서 이루어집니다: 인보이스 데이터 추출, 영수증 세부 정보, 또는 은행 명세서 거래 내역을 도구를 전환하거나, 파일을 다운로드하거나, 출력 형식을 다시 지정하지 않고 작업 중인 스프레드시트로 직접 가져옵니다.

이것이 중요한 이유는 노코드 워크플로우의 마지막 마찰 지점인 내보내기 단계를 제거하기 때문입니다. 웹 기반 도구에서는 업로드 → 처리 → 다운로드 → 파일 열기 순서로 진행됩니다. 하지만 Sheets 애드온을 사용하면 업로드 → 처리 → 데이터가 이미 스프레드시트에 있습니다. 즉, 현재 사용 중인 시트에 기존 수식, 차트, 참조와 함께 데이터가 추가됩니다. 공유 AP 스프레드시트로 공급업체 인보이스를 처리하는 팀의 경우, 추출 단계에서 관리할 새 파일이 생성되지 않고 이미 모두가 열어 둔 파일에 행만 추가됩니다.

이 애드온은 계정 모드로 작동합니다. API 키를 한 번만 연결하면 웹 대시보드와 동기화되어 동일한 기록, 동일한 저장된 열 템플릿, 동일한 사용량 추적이 유지됩니다. 별도 설정이 필요 없고, 새 로그인도 필요 없습니다. 추출 엔진은 웹 버전과 동일하며, 인터페이스만 달라집니다.

또한 이 애드온은 어떤 웹 도구도 단독으로는 할 수 없는 워크플로우를 지원합니다: 수집 링크. 공유 가능한 링크를 생성하여 고객, 공급업체 또는 팀원에게 보내면 됩니다. 상대방은 링크를 열고 짧은 확인 코드를 입력한 후 문서를 직접 업로드합니다. 등록도, 로그인도, 배울 도구도 필요 없습니다. 파일은 자동으로 처리 대기열에 들어옵니다. Sheets 애드온과 결합하면 완전한 노코드 파이프라인이 완성됩니다. 다른 사람이 문서를 업로드하고, 사용자는 스프레드시트를 열면 추출된 데이터가 처리 대기열에서 기다리고 있어 한 번의 클릭으로 시트에 추가할 수 있습니다. 이 워크플로우에 대해 더 자세히 알아보려면 팀이 직원 경비 영수증을 공유 구글 시트로 수집하는 방법을 확인해 보세요. 직원별 설정이 전혀 필요 없습니다.

최대 수혜자 — 그리고 추가 기능이 필요할 수 있는 경우

노코드 AI 추출이 모든 사용자에게 동일하게 도움이 되는 것은 아닙니다. 특정 프로필에 최적화되어 있으며, 자신이 그 프로필에 해당하는지 아는 것이 기능 목록보다 더 유용합니다.

운영 및 회계 팀이 가장 자연스러운 적합 대상입니다. 이들은 매일 문서를 처리하고, 각 문서 유형에서 필요한 데이터가 정확히 무엇인지 알고 있으며, 이미 스프레드시트에서 작업하고 있습니다. 수동 입력에서 노코드 추출로 전환하는 데 걸리는 시간은 몇 분에 불과합니다. 인터페이스가 이미 머릿속으로 하고 있는 작업("이 인보이스 더미에서 인보이스 번호, 날짜, 합계가 필요해")을 수행하도록 요청하고 물리적인 부분(각 값을 찾아 올바른 셀에 입력)을 자동화하기 때문입니다. 회계 워크플로우에 미치는 영향은 즉각적입니다. 병목 현상인 수동 필드 입력을 도구가 대체하기 때문입니다.

소규모 사업주가 직접 장부를 관리하는 경우 노코드 추출의 혜택이 특히 큽니다. 전담 AP 담당자를 고용할 만한 규모도, 맞춤 자동화를 위해 개발자를 고용할 예산도 없기 때문입니다. 월 20~50장의 인보이스를 수동으로 처리하는 것은 느리고 오류가 발생하기 쉽지만, 노코드 AI로 처리하면 10분 미만이 소요됩니다. 비용 계산은 기업과 다릅니다. 팀을 대체하는 것이 아니라 매월 수동 데이터 입력에 쓰던 오후 시간을 되찾는 것입니다.

문서 수집 프로세스를 운영하는 모든 분 — 고객으로부터 서명된 양식 수집, 직원으로부터 경비 영수증 수집, 현장 직원으로부터 검사 보고서 수신 — 은 수집 링크와 노코드 추출의 조합으로 혜택을 얻습니다. 수집 측면에서는 참가자가 아무것도 설치하거나 계정을 만들 필요가 없어지고, 추출 측면에서는 수집자가 각 제출물을 수동으로 입력할 필요가 없어집니다. 이 둘을 합치면 "문서 수집 → 데이터 입력 → 파일 정리"가 "링크 공유 → 스프레드시트 검토 → 완료"로 바뀝니다.

API가 필요한 팀은 아키텍처의 다른 쪽에 있습니다. 추출된 데이터가 사람의 검토 없이 데이터베이스, ERP 또는 다른 애플리케이션으로 자동으로 흘러들어가야 한다면 API 우선 방식이 적합합니다. 의사 결정 프레임워크는 간단합니다. 데이터가 사람이 검토하는 스프레드시트에 들어간다면 노코드로 충분합니다. 데이터가 프로그래밍 방식으로 다운스트림 비즈니스 로직을 트리거한다면 API가 필요합니다. API와 노코드 아키텍처 비교에서 어떤 방식이 팀에 맞는지 결정하는 네 가지 질문을 살펴보세요.

매우 특수한 문서를 다루는 조직 — 독점적인 내부 양식, 독특한 레이아웃 규칙을 가진 업계별 규제 서류, 학습 데이터가 제한적인 틈새 언어로 작성된 문서 — 은 제로 트레이닝 정확도가 필요한 수준보다 낮을 수 있습니다. 이는 접근 방식의 실패가 아니라 사전 학습 범위의 결과입니다. VLM은 수백만 개의 예시를 본 문서 유형에서 가장 뛰어난 성능을 발휘합니다. 한 회사 내에만 존재하는 문서 유형의 경우 그러한 노출이 없으며, 맞춤 학습(또는 이를 지원하는 도구)이 선택지가 됩니다.

제로 트레이닝 AI 추출이 아직 할 수 없는 것

노코드 추출의 한계를 명확히 하는 것이 정직한 평가와 영업 멘트를 구분 짓는 요소입니다. 다음은 부족한 부분입니다.

극도로 특수하거나 독점적인 문서 유형. 수백만 개의 인보이스, 영수증, 은행 명세서로 학습된 VLM은 해당 문서 유형에 대한 깊은 의미론적 이해를 갖고 있습니다. 한 회사가 설계하고 다른 곳에서는 사용되지 않으며 독특한 방식으로 구성된 독점 내부 양식은 모델이 본 적이 없는 것입니다. 그래도 추출을 시도하며 일부 필드(날짜, 금액, 이름 — 알고 있는 것과 유사한 것)는 정확히 얻을 수 있지만, 표준 문서 유형보다 정확도가 눈에 띄게 낮습니다. 업계 전반에 동등한 형식이 없는 맞춤 문서 형식이 워크플로우의 중심이라면 문서당 더 많은 필드를 검증해야 할 것으로 예상하세요.

페이지 간 종속성이 있는 복잡한 다중 페이지 레이아웃. 병합된 셀, 분할된 행, 이전 페이지의 값을 참조하는 누계가 있는 3페이지에 걸친 테이블은 여전히 VLM에게 어려운 과제입니다. 모델은 페이지를 독립적으로 처리하며 "이 품목은 2페이지에서 시작해 페이지 나눔을 넘어 3페이지로 이어진다"는 연속 메모리를 유지하지 않습니다. 단순한 다중 페이지 연속성(한 페이지에서 다음 페이지로 깔끔하게 이어지는 거래 테이블)은 잘 처리됩니다. 인접하지 않은 페이지의 값을 집계해야 하는 복잡한 스패닝 로직은 상당한 비율의 경우에서 오류를 발생시키며 사람의 검토가 필요합니다.

순수 그래픽 정보. 문서가 텍스트 라벨 없이 차트, 다이어그램 또는 색상 코드 시각 자료로만 데이터를 전달한다면 AI가 추출할 것이 없습니다. 막대 차트의 높이는 라벨이 있는 축 없이는 숫자 값으로 변환되지 않습니다. 텍스트 라벨 없이 파란색 음영에 의미를 부여하는 색상 범례는 파싱할 수 없습니다. 텍스트와 시각 자료를 혼합한 문서(데이터 테이블과 차트가 모두 있는 보고서)는 테이블 부분에서만 작동합니다.

심각하게 저하된 입력 품질. 인쇄된 인보이스의 깨끗한 300 DPI 스캔은 99% 정확도에 근접합니다. 저조도에서 각도로 촬영한 바랜 열전사 영수증 사진은 정확도가 떨어집니다. VLM은 적당한 품질 문제(약간의 흐림, 기울어짐, 고르지 못한 조명)를 보정하지만, 문자가 사람이 읽기에도 진정으로 모호해지면 AI도 어려움을 겪습니다. 낮은 확신 필드를 수동 검토로 표시하는 신뢰도 점수는 이를 완화하지만 제거하지는 않습니다.

솔직하게 말씀드리면, 노코드 AI는 깨끗하고 읽기 쉬우며 구조가 명확한 문서의 80%를 높은 정확도로 처리합니다. 다음 15% — 중간 수준의 품질 문제, 흔하지 않은 레이아웃, 가벼운 손글씨 — 는 사용 가능하지만 완벽하지는 않은 정확도로 처리합니다. 마지막 5% — 심하게 손상된 스캔, 겹치는 손글씨, 순수 그래픽 문서, 업계에 유사 사례가 없는 독점 양식 — 는 여전히 사람의 주의가 필요합니다. 문서 유형별 추출 정확도에 영향을 미치는 요인에 대한 자세한 분석은 실용 정확도 가이드에서 중요한 변수들을 다루고 있습니다.

자주 묻는 질문

노코드 AI 추출은 문서 자동화를 활용할 수 있는 대상을 바꿉니다 — 기술을 더 단순하게 만드는 것이 아니라, 복잡성을 설정 단계에서 사전 학습 단계로 옮기는 방식입니다. 모델은 도구를 열기 전에 이미 인보이스가 어떤 모습인지 학습하는 어려운 작업을 마쳤습니다. 사용자에게 남은 일은 문서에서 원하는 것을 설명하는 것뿐입니다 — 매일 문서를 처리하는 사람이라면 이미 잘 알고 있는 내용입니다.