노코드 AI 데이터 입력:
모델 학습 없이 문서 데이터 추출하기

기존 방식: 문서 추출에 개발자와 학습 데이터가 필요했던 이유

"제로 트레이닝"의 의미를 이해하려면, 기존 학습 방식의 비용을 아는 것이 도움이 됩니다. 비전 언어 모델 이전에는 문서 추출이 두 계층으로 이루어졌습니다. OCR이 이미지를 텍스트로 변환하고, 머신러닝 분류기가 텍스트를 필드에 매핑했습니다. OCR 계층은 문자 인식을 담당했고, ML 계층이 나머지 모든 것을 처리했는데, 이것이 바로 비용이 많이 드는 부분이었습니다.

문서 추출을 위한 기존 ML 모델을 학습시키려면 레이블이 지정된 예제가 필요했습니다. 사람이 수동으로 어떤 텍스트가 송장 번호인지, 날짜인지, 총액인지 표시한 수백 개의 문서가 필요했습니다. UiPath 자체 문서에 따르면 일반 필드당 20~50개의 레이블 샘플이 필요하므로, 10개 필드의 송장 템플릿은 모델이 프로덕션 수준 정확도에 도달하기 전에 200~500개의 주석 문서가 필요합니다. 라인 항목 테이블과 같은 열 필드의 경우 요구 사항이 열당 50~200개 문서로 증가합니다. 그리고 이것은 하나의 문서 레이아웃에 대한 것입니다. 다른 송장 형식을 가진 새 공급업체는 새로운 학습 데이터가 필요하거나, 최적화되지 않은 여러 레이아웃에 걸쳐 확장된 모델의 낮은 정확도를 감수해야 합니다.

일정: 학습 샘플 수집 및 주석 작업에 2~4주, 모델 학습 및 평가에 추가 1~2주, 새로운 문서 레이아웃이 발생할 때마다 재학습이 필요한 지속적인 유지보수 주기. 필요한 인력: 문서 도메인을 이해하는 데이터 주석 작업자, 학습 파이프라인을 구성할 머신러닝 엔지니어, 결과 모델을 프로덕션 시스템에 통합할 개발자. 첫 번째 유용한 추출까지 총 소요 시간: 일반적으로 3~6주. 총 비용: 소프트웨어 구독료가 아닌 엔지니어 인건비로 측정.

이것이 2023년 이전에 "AI 문서 추출"을 평가한 모든 사람이 경험한 현실이며, "이걸 하려면 개발자가 필요하다"는 가정이 여전히 남아 있는 이유입니다. 그 가정은 근거가 없지는 않지만, 이제는 구식입니다.

변화: 오늘날 AI가 학습 없이 문서를 읽는 방법

문서 추출의 경제성을 바꾼 기술은 비전 언어 모델(VLM)입니다. 이는 인간이 문서를 처리하는 방식, 즉 전체 페이지를 보고 각 정보 조각의 의미를 이해하는 방식으로 문서를 처리하는 AI 클래스입니다. 레이블이 지정된 예제에서 패턴을 매칭하는 방식이 아닙니다.

VLM은 사용자의 인보이스에서 학습하지 않습니다. 인보이스, 영수증, 은행 명세서, 계약서, 양식, 보고서 등 다양한 레이아웃, 언어, 품질 수준의 수백만 개 문서로 사전 학습되었습니다. 사전 학습 과정에서 모델은 시각적 패턴과 의미적 역할을 연관짓는 법을 배웠습니다. 예를 들어 문서 오른쪽 하단 모서리에 "합계"라는 단어 옆에 굵게 표시된 숫자는 청구 금액입니다. 페이지 상단 근처에 "청구일: MM/DD/YYYY" 형식으로 표시된 날짜는 청구일입니다. "수량" 열 옆에 "단가"가 있으면 수량을 의미하며, 그 뒤의 숫자에 단가를 곱한 값이 라인 합계입니다. 모델은 이러한 연관성을 특정 인보이스에서 무엇을 찾아야 하는지 지시받지 않고, 수백만 개의 문서에서 수백만 번 이러한 패턴을 보면서 학습했습니다.

이것이 바로 "제로 트레이닝"이 실제로 의미하는 바입니다. 모델은 송장, 영수증, 은행 명세서, 구매 주문서, 계약서 등 수십 가지 문서 유형을 이미 이해하고 있습니다. 사용자가 학습시킨 것이 아니라, 방대한 규모의 시각적 문서 이해를 통해 사전 학습되었기 때문입니다. 첫 번째 송장을 업로드할 때 모델은 학습하는 것이 아닙니다. 이미 알고 있는 지식을 처음 보는 문서에 적용하는 것입니다. 동일한 메커니즘은 휴대폰 카메라로 찍은 구겨진 영수증 사진, 15년 된 복합기에서 스캔한 PDF, SAP에서 생성된 디지털 송장 등 다양한 시각적 품질에서도 작동합니다. 동일한 기본 의미 구조를 가지고 있기 때문입니다.

이러한 차이점은 노코드 도구가 설정 없이 첫날부터 작동할 수 있는 이유를 설명합니다. 추출에 레이아웃별 학습이 필요했다면, 개발자가 학습 파이프라인을 구축하고 도메인 전문가가 도구가 유용한 결과를 생성하기 전에 샘플에 주석을 달아야 했을 것입니다. VLM이 의미론적으로 추출을 처리하기 때문에 필요한 유일한 입력은 추출하려는 항목뿐이며, 이는 이미 사용자가 알고 있는 정보입니다.

Firstsource의 연구에 따르면, VLM 기반 문서 처리에서 기존 OCR 파이프라인은 OCR → 레이아웃 분석 → 필드 매핑 단계의 연쇄적 오류로 인해 정보 추출 시 15-20%의 오류율을 보입니다. VLM은 시각적 레이아웃, 텍스트 콘텐츠, 의미적 맥락을 하나의 통합 단계로 처리하여 이러한 격차를 해소합니다. 연쇄 오류가 없고, 중간 출력물이 저하되지 않으며, 공급업체가 송장 헤더를 재설계해도 유지 관리할 템플릿이 필요 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 추출의 실제 작동 방식

모델을 훈련시키거나 통합 코드를 작성할 필요가 없다면, 실제로 무엇을 해야 할까요? 워크플로는 하나의 설계 결정을 중심으로 구축됩니다. 입력(템플릿, 영역, 규칙)을 구성하는 대신 출력을 설명하는 것입니다. 실제로 어떻게 이루어지는지 살펴보겠습니다.

핵심 메커니즘은 사용자 정의 열 추출입니다. 텍스트 입력 필드에 "송장 번호", "공급업체 이름", "구매 주문 번호", "합계", "마감일"과 같은 필드 이름을 입력하면 AI가 문서의 어디에 있든 각 값을 찾아냅니다. 위치가 아니라 의미적으로 무엇을 의미하는지 이해하기 때문입니다. 입력한 열 이름은 최종 스프레드시트의 정확한 헤더가 됩니다. 입력하는 문서가 아니라 받고자 하는 데이터 구조를 설명하는 것입니다.

이것이 노코드 추출이 작동하게 만드는 근본적인 역전입니다. 템플릿 기반 도구는 문서에 표시하도록 요구합니다: "여기 송장 번호 주위에 상자를 그리고, 저기 날짜 주위에 상자를 그리세요." 하나의 레이아웃을 이해하도록 도구를 구성하는 것입니다. 열 기반 추출은 원하는 것을 설명하도록 요구합니다: "송장 번호, 날짜, 합계를 알려주세요." AI가 매핑을 처리합니다 — 모든 레이아웃, 모든 공급업체, 모든 형식에서 말이죠.

인쇄된 필드의 직접 추출 외에도, 노코드 AI는 수식이나 스크립트를 건드리지 않고도 할 수 있는 작업을 확장하는 두 가지 추가 모드를 지원합니다:

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

추론 열은 AI가 문서에 적용되는 카테고리, 태그 또는 라벨을 판단하여 스프레드시트에 자동으로 입력합니다. 식당 영수증에 "카테고리: 식비"라고 적혀 있지 않지만, 회계 처리를 위해 비용 카테고리가 필요합니다. 카테고리 (옵션: 식비/교통비/사무용품/기타)라는 열을 정의하면, AI가 각 영수증(점심 영수증, 주유소 영수증, 사무용품 영수증)을 읽고 올바른 카테고리를 판단합니다. 추출과 분류가 전체 배치에서 동시에 이루어집니다. 추론 열은 모든 문서 유형에서 동일하게 작동합니다. 납품서에서 긴급 주문을 표시하거나, 해외 송장에서 통화를 감지하거나, 보험 증명서에서 문서 하위 유형을 식별하는 등 다양하게 활용 가능합니다.

이 세 가지 모드(직접 추출, 계산, 추론)는 하나의 운영 현실로 수렴됩니다. 원하는 것을 입력하고, 가진 문서를 업로드하면, 구조화된 스프레드시트를 받게 됩니다. 학습 데이터도, 템플릿 편집기도, 코드도 필요 없습니다.

일괄 처리는 이를 대량 작업으로 확장합니다. 15개 공급업체의 송장 50개를 업로드하고, 열 이름을 한 번만 입력하세요. AI가 50개 모두를 처리하고, 각 레이아웃 변형에서 모든 필드를 식별하여, 문서당 한 행씩 총 50행의 단일 스프레드시트를 내보냅니다. 모든 필드가 올바른 열에 배치됩니다. 수동 입력에 오후 내내 걸리던 작업이 업로드 및 검토에 단 몇 분이면 완료됩니다.

Google Sheets 부가기능: 스프레드시트 안에서 코드 없이 추출

웹 기반 워크플로가 "개발자가 필요하다"는 장벽을 "브라우저만 있으면 된다"로 낮췄다면, Google Sheets 부가기능은 그 장벽을 "이미 사용 중인 도구를 떠날 필요가 없다"는 수준까지 낮춥니다.

ImageToTable.ai 구글 시트 애드온은 스프레드시트 안에서 실행되는 사이드바입니다. 열면 이미지나 PDF를 업로드하고 열 이름을 입력하면 추출된 데이터가 활성 시트에 바로 추가됩니다 — 구조화된 행, 올바른 열, 복사-붙여넣기 불필요. 모든 작업이 시트 안에서 이루어집니다: 송장 데이터 추출, 영수증 세부 정보, 은행 거래 내역을 도구 전환, 파일 다운로드, 출력 형식 수정 없이 작업 중인 스프레드시트에 바로 가져옵니다.

이것이 중요한 이유는 노코드 워크플로의 마지막 마찰점인 내보내기 단계를 없애기 때문입니다. 웹 기반 도구에서는 업로드 → 처리 → 다운로드 → 파일 열기를 거쳐야 합니다. 하지만 시트 애드온을 사용하면 업로드 → 처리 → 데이터가 이미 스프레드시트에 있습니다 — 사용 중인 시트에, 기존 수식, 차트, 참조와 함께 말이죠. 공유 AP 스프레드시트에 공급업체 송장을 처리하는 팀의 경우, 추출 단계에서 관리할 새 파일이 생기지 않고 모두가 이미 열어본 파일에 행만 추가됩니다.

애드온은 계정 모드로 작동합니다: API 키를 한 번만 연결하면 웹 대시보드와 동기화됩니다 — 동일한 기록, 동일한 저장된 열 템플릿, 동일한 사용량 추적. 별도 설정 불필요. 새 로그인 불필요. 추출 엔진은 웹 버전과 동일하며, 인터페이스만 변경됩니다.

이 애드온은 어떤 웹 도구도 단독으로 할 수 없는 워크플로우를 가능하게 합니다: 수집 링크. 공유 가능한 링크를 생성하여 고객, 공급업체 또는 팀원에게 보내면, 그들은 링크를 열고 짧은 인증 코드를 입력한 후 문서를 직접 업로드합니다. 회원가입, 로그인, 새로운 도구 학습이 필요 없습니다. 파일은 자동으로 처리 대기열에 들어옵니다. Sheets 애드온과 결합하면 완전한 노코드 파이프라인이 완성됩니다. 누군가 문서를 업로드하면, 스프레드시트를 열기만 하면 추출된 데이터가 처리 대기열에서 기다리고 있으며, 한 번의 클릭으로 시트에 추가할 수 있습니다. 이 워크플로우에 대한 자세한 내용은 팀이 직원 경비 영수증을 공유 Google 시트에 수집하는 방법을 확인하세요. 직원별 설정이 전혀 필요 없습니다.

가장 큰 혜택을 보는 사용자 — 그리고 더 많은 것이 필요할 수 있는 사용자

노코드 AI 추출은 모든 사용자에게 동등하게 적용되지 않습니다. 특정 프로필에 최적화되어 있으며, 해당 프로필에 속하는지 아는 것이 기능 목록보다 더 유용합니다.

운영 및 회계 팀이 가장 적합합니다. 이들은 매일 문서를 처리하고, 각 문서 유형에서 필요한 데이터를 정확히 알고 있으며, 이미 스프레드시트에서 작업하고 있습니다. 수동 입력에서 노코드 추출로의 전환은 몇 분 만에 이루어집니다. 인터페이스가 이미 머릿속에서 하고 있는 작업("이 송장 더미에서 송장 번호, 날짜, 합계가 필요해")을 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.

소상공인이 직접 장부를 관리하는 경우, 코드 없는 데이터 추출의 이점이 특히 큽니다. 전담 구매채무 담당자를 두기엔 거래량이 부족하고, 맞춤형 자동화를 위해 개발자를 고용할 예산도 없습니다. 매월 20~50장의 인보이스를 수동으로 처리하는 것은 느리고 오류가 발생하기 쉽지만, 코드 없는 AI를 사용하면 10분 이내에 처리할 수 있습니다. 비용 계산 방식도 기업과 다릅니다. 팀을 대체하는 것이 아니라, 매월 수동 데이터 입력에 쓰이던 오후 시간을 되찾는 것입니다.

문서 수집 프로세스를 운영하는 모든 사람 — 고객의 서명된 양식 수집, 직원의 지출 영수증 수집, 현장 직원의 검사 보고서 수집 등 — 은 수집 링크와 코드 없는 추출의 조합을 통해 혜택을 봅니다. 수집 측면에서는 참가자가 별도로 설치하거나 계정을 만들 필요가 없습니다. 추출 측면에서는 수집자가 각 제출물을 수동으로 기록할 필요가 없습니다. 이 둘을 결합하면 "문서 수집 → 데이터 입력 → 파일 정리" 과정이 "링크 공유 → 스프레드시트 검토 → 완료"로 바뀝니다.

API가 필요한 팀은 아키텍처의 다른 측면에 있습니다. 추출된 데이터가 사람의 검토 없이 데이터베이스, ERP 또는 다른 애플리케이션으로 자동으로 흘러들어가야 한다면, API 우선 접근 방식이 적합합니다. 의사 결정 프레임워크는 간단합니다. 데이터가 사람이 검토하는 스프레드시트에 저장된다면 코드 없는 방식으로 충분합니다. 데이터가 프로그래밍 방식으로 다운스트림 비즈니스 로직을 트리거한다면 API가 필요합니다. API와 코드 없는 아키텍처 비교에서 귀하의 팀에 적합한 방식을 결정하는 네 가지 질문을 확인할 수 있습니다.

매우 전문적인 문서를 다루는 조직 — 독점적인 내부 양식, 업계 특유의 레이아웃 규칙을 가진 규제 서류, 학습 데이터가 부족한 희소 언어로 작성된 문서 등 — 의 경우, 제로 트레이닝 정확도가 요구 수준에 미치지 못할 수 있습니다. 이는 접근 방식의 실패가 아니라 사전 학습 범위의 한계입니다. VLM은 수백만 건의 예시를 본 문서 유형에서 가장 뛰어난 성능을 발휘합니다. 단 한 회사 내에서만 존재하는 문서 유형의 경우 이러한 노출이 없으며, 따라서 맞춤형 학습(또는 이를 지원하는 도구)이 대안이 됩니다.

제로 트레이닝 AI 추출이 아직 할 수 없는 것

코드 없는 추출의 한계를 명확히 아는 것이 정직한 평가와 과장된 판매를 구분짓는 기준입니다. 다음은 그 한계점들입니다.

매우 전문적이거나 독점적인 문서 유형. 수백만 건의 송장, 영수증, 은행 명세서로 학습된 VLM은 해당 문서 유형에 대한 깊은 의미론적 이해를 갖추고 있습니다. 하지만 한 회사가 설계하고 다른 곳에서는 사용되지 않으며 독특한 방식으로 포맷된 독점 내부 양식의 경우, 모델은 이와 유사한 것을 본 적이 없습니다. 그래도 추출을 시도하며 일부 필드(날짜, 금액, 이름 등 이미 알고 있는 것과 유사한 항목)는 올바르게 가져올 수 있지만, 정확도는 표준 문서 유형에 비해 눈에 띄게 낮아집니다. 업계 공통 표준이 없는 맞춤형 문서 형식이 작업 흐름의 중심이라면, 문서당 더 많은 필드를 검증해야 할 것으로 예상하십시오.

여러 페이지에 걸친 복잡한 레이아웃과 페이지 간 의존성. 세 페이지에 걸쳐 병합된 셀, 분할된 행, 이전 페이지 값을 참조하는 누계가 있는 표는 여전히 VLM에게 어려운 과제입니다. 모델은 각 페이지를 독립적으로 처리하며 "이 항목은 2페이지에서 시작하여 페이지 나누기를 넘어 3페이지까지 이어진다"는 실행 메모리를 유지하지 않습니다. 단순한 다중 페이지 연속성(한 페이지에서 다음 페이지로 깔끔하게 이어지는 거래 테이블)은 잘 처리됩니다. 복잡한 연결 로직(단일 데이터 포인트가 연속되지 않은 페이지의 값을 집계해야 하는 경우)은 상당한 비율의 경우에서 오류를 발생시키며 사람의 검토가 필요합니다.

순수 그래픽 정보. 문서가 차트, 다이어그램 또는 색상 코드 시각 자료를 통해서만 데이터를 전달하고 텍스트 레이블이 없는 경우, AI가 추출할 내용이 없습니다. 막대 그래프의 높이는 레이블이 있는 축 없이는 숫자 값으로 변환되지 않습니다. 텍스트 레이블 없이 파란색 음영에 의미를 부여하는 색상 범례는 분석할 수 없습니다. 텍스트와 시각 자료가 혼합된 문서(데이터 테이블과 차트가 모두 있는 보고서)는 테이블 부분에 대해서만 작동합니다.

심각하게 저하된 입력 품질. 인쇄된 인보이스의 깨끗한 300 DPI 스캔은 99% 정확도에 근접합니다. 어두운 조명에서 비스듬히 촬영한 바랜 열전사 영수증 사진은 정확도가 떨어집니다. VLM은 중간 정도의 품질 문제(약간의 흐림, 기울기, 고르지 않은 조명)를 보정하지만, 문자가 사람이 읽기에도 진정으로 모호해지면 AI도 어려움을 겪습니다. 신뢰도 점수(도구가 낮은 확신 필드를 수동 검토용으로 표시)는 이를 완화하지만 완전히 제거하지는 않습니다.

정직한 분포: 노코드 AI는 깨끗하고, 읽기 쉬우며, 구조적으로 명확한 문서의 80%를 높은 정확도로 처리합니다. 다음 15% — 보통 수준의 품질 문제, 흔하지 않은 레이아웃, 가벼운 손글씨 — 는 사용 가능하지만 완벽하지 않은 정확도로 처리합니다. 마지막 5% — 심하게 손상된 스캔본, 겹치는 손글씨, 순수 그래픽 문서, 업계에 유사 사례가 없는 독점 양식 — 는 여전히 사람의 주의가 필요합니다. 다양한 문서 유형에서 추출 정확도에 영향을 미치는 요소에 대한 자세한 분석은 실용 정확도 가이드에서 중요한 변수들을 다룹니다.

자주 묻는 질문

노코드 AI 추출은 문서 자동화를 사용할 수 있는 대상을 변화시킵니다. 기술을 더 단순하게 만드는 것이 아니라, 복잡성을 설정 단계에서 사전 학습 단계로 옮겼기 때문입니다. 모델은 사용자가 도구를 열기 전에 이미 인보이스가 어떻게 생겼는지 학습하는 어려운 작업을 완료했습니다. 사용자에게 남은 것은 문서에서 원하는 것을 설명하는 일뿐입니다. 매일 문서를 처리하는 사람이라면 이미 알고 있는 내용일 것입니다.