왜 아직도 파서가 필요한가: LLM으로 PDF를 직접 읽을 때의 정확도·비용 문제와 실무적 타협

커뮤니티 반응은 대체로 경험 공유 중심으로 형성되었으며, 많은 사용자가 LLM만으로는 테이블·정확한 수치 처리에서 문제가 생겼다는 유사한 경험을 전했다. 일부는 멀티모달 모델의 편의성을 높이 평가했지만 대규모 배치 처리나 규정 준수가 필요한 경우 파서 기반 전처리를 권장하는 목소리가 다수였다. 논쟁은 주로 비용·운영 위치(로컬 대 클라우드)와 오류 감지·검증 전략에서 갈렸다.

• 실무에서는 먼저 목표를 명확히 하여 '요약·주제 추출'인지 '원문 보존이 필수인 정밀 추출'인지 구분하는 것이 필요하다. 낮은 정확도로도 괜찮다면 멀티모달 LLM을 우선 사용하고, 정확성이 요구되는 필드에 대해서는 OCR→파서→검증 루틴을 추가하는 하이브리드 파이프라인을 구축할 것을 권장한다. 이 접근은 개발 초기에는 빠른 반복을 허용하고, 운영 전환 시에는 결정적 추출을 점진적으로 도입해 위험을 줄이는 방식으로 작동한다.
• 도구 선택 시에는 OCR 품질과 배포 위치를 먼저 평가하고, 이후 테이블 추출과 셀 매핑을 지원하는 라이브러리를 검증하는 것이 실무 효율을 높인다. 로컬 배포가 필요하면 오픈소스 OCR과 좌표 기반 파서 조합을 테스트하고, 관리형 서비스가 허용된다면 DocAI·Textract 같은 제품의 API 응답 품질을 표본 문서로 비교해보아야 한다. 마지막으로 대규모 문서 처리에서는 모델 직접 추론 비용과 파서 유지·운영 비용을 TCO 차원에서 계산해 선택해야 한다.

결정적 추출(Deterministic Extraction)

— 결정적 추출은 원문에서 특정 필드나 표 셀처럼 일관된 규칙으로 데이터를 추출하는 방식으로, 정규 표현식·좌표 기반 OCR 결과 매핑·구조화된 파서를 통해 입력을 그대로 꺼내는 과정을 말한다. 이 방식은 모델 출력의 무작위성이나 바꾸어쓰기 없이 원본과 정확히 일치해야 할 경우에 사용되며 테이블 셀, 정확한 수치, 표제어 등에서 중요한 역할을 한다. 본문에서는 LLM의 비결정적 출력 대신 파서를 사용해 이러한 정확한 값을 보장하는 실무적 대안으로 설명된 개념이다.

광학 문자 인식(OCR)

— OCR은 이미지나 PDF의 픽셀 데이터를 텍스트로 변환하는 단계로, 스캔 문서에서 글자를 인식해 좌표와 문자열을 제공하여 이후 파싱이나 테이블 추출에 입력으로 쓰인다. 본문에서는 로컬 OCR이나 클라우드 OCR을 파서 워크플로에 결합해 LLM이 처리하기 쉬운 정형 텍스트를 만드는 과정에서 필요하다고 지적되었다. OCR 품질이 낮으면 표 셀·숫자 인식에서 오류가 발생해 LLM의 후처리도 실패할 수 있다.

멀티모달 모델(Multimodal Model)

— 멀티모달 모델은 텍스트뿐 아니라 이미지·PDF 등 여러 형태의 입력을 직접 해석해 자연어로 응답을 생성하는 모델 계열을 가리키며, 본문에서는 Gemini나 GPT 계열의 멀티모달 기능을 언급했다. 이러한 모델은 단일 문서 요약이나 메타데이터 추출에서는 편리하지만 테이블의 정확한 셀 값이나 원문과 완전히 일치해야 하는 경우 비결정적 생성 때문에 한계가 있다고 지적되었다. 실무에서는 멀티모달 모델을 전처리·후처리 파이프라인과 결합하는 접근이 비용과 정확도 면에서 균형을 맞춘다.

테이블 추출(Table Extraction)

— 테이블 추출은 문서 내 표의 셀 구조와 각 셀의 값을 좌표 기반 또는 구조화된 파서로 식별해 표 데이터 프레임 형태로 변환하는 작업을 뜻하며, 본문에서는 LLM이 표의 정확한 셀 값을 놓치기 쉬운 사례로 테이블 추출의 필요성을 언급했다. 파서는 좌표·셀 경계·OCR 텍스트를 결합해 결정적으로 값을 반환하므로 숫자·계산값·표 기반 보고서에서 필수적이다. 따라서 테이블 추출이 잘 설계되면 LLM이 요약이나 해석 단계에서 오류를 덜 범하게 된다.