짧은 답
PDF와 대화하려면, 그 파일을 읽을 수 있는 도구(브라우저 확장 프로그램, Gemini Notebook, ChatGPT, Claude, Acrobat Studio, 또는 전용 PDF 채팅 앱)에서 문서를 연 다음 평소 쓰는 말로 질문하면 됩니다. 대부분의 도구는 문서를 텍스트로 변환하고, 질문과 관련 있어 보이는 구절을 찾아낸 뒤, 그 구절만 사용해 답하라고 언어 모델에 요청합니다.
마지막 대목이 사실상 이야기의 전부입니다. 여러분은 PDF를 읽은 상대와 이야기하고 있는 것이 아닙니다. 눈에 보이지 않는 검색 단계가 골라준 몇 개 문단만 읽은 상대와 이야기하고 있는 것입니다. PDF 채팅의 유용한 점도, 위험한 점도 전부 여기에서 나옵니다.
실전 규칙은 이렇습니다. 찾고 명확히 하는 데 쓰되, 세거나 결론을 내리는 데는 쓰지 마세요. 그리고 인용하기 전에 도구가 가리킨 페이지를 직접 확인하세요.
PDF와 "대화"할 때 실제로 벌어지는 일
질문과 답변 사이에는 네 가지 일이 벌어지고, 각 단계는 저마다 독립적으로 잘못될 수 있습니다.
파싱. PDF가 텍스트로 변환됩니다. PDF는 텍스트 포맷이 아니라 인쇄 포맷이기 때문에, 이 작업은 정말로 어렵습니다. 파일에 읽는 순서가 보장된 형태로 저장돼 있지 않고, 표는 대개 선 몇 개와 떠다니는 글자들에 불과하며, 스캔된 페이지는 텍스트가 아예 없는 사진 한 장입니다.
청킹. 추출된 텍스트가 보통 수백 단어 단위의 조각으로 잘리고, 키워드가 아니라 의미로 검색할 수 있도록 벡터로 변환됩니다.
검색(retrieval). 여러분의 질문도 벡터로 바뀌고, 시스템은 그 벡터에 가장 가까이 놓인 몇 개의 청크를 꺼내 옵니다. 사람들이 존재 자체를 잊는 단계가 바로 여기입니다. 모델에게 건네지는 것은 여러분의 문서가 아닙니다. 발췌문 몇 개를 모아 놓은 작은 더미입니다.
생성. 모델은 그 발췌문으로 답을 쓰고, 좋은 도구라면 그 발췌문을 가리키는 인용을 함께 붙입니다.
어떤 도구는 검색을 건너뛰고 문서 전체를 모델의 컨텍스트 윈도우에 밀어 넣습니다. 이는 한 종류의 실패를 다른 종류의 실패와 맞바꾸는 선택이며, 그 자체로 하나의 큰 주제입니다. 이 트레이드오프의 엔지니어링 측면은 컨텍스트 로트와 RAG 대 롱 컨텍스트 논쟁에서 다뤘습니다. PDF를 펼쳐 든 독자에게 중요한 것은 지금 쓰는 도구가 둘 중 어느 쪽인지 아는 것입니다. 무너지는 방식이 다르기 때문입니다.
실패 1: 모델이 읽기도 전에 파일이 망가진다
PDF 채팅 도구에 왜 표를 잘못 읽었는지 물으면 설명 대신 사과가 돌아옵니다. 진짜 이유는 대개 그 표가 추출 단계를 넘기지 못했다는 것입니다.
2026년 5월, 연구진은 문서 파싱을 정직하게 시험하기 위해 만든 벤치마크 PureDocBench를 발표했습니다. 파이프라인 파서, 엔드투엔드 전문 모델, 범용 비전 언어 모델을 아우르는 40개 모델을 10개 도메인, 1,475페이지에 걸쳐 평가했고, 각 페이지는 깨끗한 버전, 디지털로 열화시킨 버전, 실제로 열화된 버전으로 준비했습니다. 결론은 이렇습니다. 문서 파싱은 해결과 거리가 멉니다. 최고 성능 모델의 점수가 100점 만점에 약 74점이었고, 최상위와 최하위의 격차는 44.6점이었습니다.
같은 연구팀이 그동안 이 분야가 써 온 벤치마크 OmniDocBench를 검수했더니, 채점 대상 21,353개 블록에서 2,580개의 오류, 즉 12.08%가 나왔습니다. 재는 데 쓰던 자 자체가 휘어 있었던 셈입니다.
실제 문서와 대화하는 사람에게 중요한 발견은 두 가지입니다.
- 수식이 공통 병목입니다. 벤치마크의 세 트랙 평균으로 보면 수식 인식에서 67%를 넘긴 모델이 하나도 없었습니다. 물리학 논문이나 재무 교과서를 놓고 대화하고 있다면, 답변에서 가장 믿을 수 없는 부분이 바로 수식입니다.
- 열화는 순위를 뒤집습니다. 범용 비전 언어 모델은 디지털 열화와 실제 열화에서 각각 0.99점과 8.52점을 잃었습니다. 파이프라인 파서는 4.90점과 14.21점을 잃었는데, 이는 순위를 통째로 뒤집기에 충분한 폭입니다. 깨끗한 페이지에서 이기는 도구가 페이지 품질이 떨어지는 순간 크게 질 수 있습니다.
같은 질문인데도 처음부터 디지털로 만들어진 보고서에서는 깔끔한 답이 나오고 복사본 챕터에서는 이상한 답이 나오는 이유가 여기에 있습니다. 다단 학술 논문은 단을 따라 아래로 내려가는 대신 옆으로 가로질러 읽히고, 각주가 문장 한가운데에 끼어들며, 머리글 텍스트가 페이지마다 반복되며 검색을 오염시킵니다. 이 중 어느 것도 여러분 눈에는 보이지 않습니다. 도구는 추출 결과가 아니라 답변만 보여주기 때문입니다.
원본이 스캔본이거나 빽빽한 2단 논문이라면, 해당 페이지를 직접 볼 때까지 추출된 모든 숫자를 미검증 상태로 취급하세요. 흔한 신호는 주변 문장과 미묘하게 어긋나는 수치입니다.
실패 2: 검색은 이미 물어본 것만 찾아낸다
다들 건너뛰는 산수가 있습니다. Anthropic 문서에 따르면 Claude는 PDF의 각 페이지를 이미지로 변환하는 동시에 텍스트를 추출하며, 추출된 텍스트만으로도 보통 페이지당 1,500~3,000 토큰이 들고 페이지 이미지는 그 위에 따로 과금됩니다. 그러니 300페이지짜리 책이라면 이미지를 한 장도 세기 전에 텍스트만 450,000~900,000 토큰입니다.
그만한 크기의 컨텍스트 윈도우가 실제로 존재하기는 하지만, 그것을 채우는 일은 느리고 비쌉니다. 그래서 많은 소비자용 도구가 대신 검색을 씁니다. 그리고 검색에는 뚜렷한 사각지대가 있습니다. 검색은 질문과 닮은 청크를 찾아냅니다. 답이 어느 한 구절에 모여 있지 않은 질문은 찾아낼 청크 자체가 없습니다.
그래서 특정 유형의 질문이 예측 가능하게 무너집니다.
- "저자가 X를 몇 번 언급하나요?" 그 횟수를 담고 있는 청크는 존재하지 않습니다.
- "2장과 9장의 어조는 어떻게 다른가요?" 답이 두 곳에 동시에 걸쳐 있습니다.
- "이 보고서가 빠뜨린 것은 무엇인가요?" 부재에는 벡터가 없습니다.
이런 질문을 던지면 좋은 도구는 알 수 없다고 말합니다. 평범한 도구는 어쨌든 답합니다. 우연히 검색된 것이 무엇이든 그것으로 답을 만들고, 그 답은 믿을 만한 답과 겉보기에 똑같습니다.
롱 컨텍스트 도구는 다른 방식으로 실패하지만, 실패의 확실성은 못지않습니다. ICML 2025에서 발표된 NoLiMa 벤치마크에서 Modarressi와 동료들은 고전적인 건초더미 속 바늘 테스트를 쉽게 만들어 주던 글자 그대로의 단어 중복을 최소화했습니다. 32K 토큰 구간에서 시험한 모델 중 11개가 자기 자신의 짧은 컨텍스트 기준선의 50% 아래로 떨어졌습니다. GPT-4o는 가장 잘 버틴 두 예외 중 하나였는데, 그런데도 99.3%에서 69.7%로 내려앉았습니다. Nelson Liu와 공저자들은 이미 TACL에서 같은 모양을 보인 바 있습니다. 지금은 "lost in the middle"(중간에서 길을 잃는다)로 불리는 U자형 곡선입니다. 모델은 긴 입력의 앞부분과 끝부분에 있는 정보에서 가장 좋은 성능을 내고, 한가운데에서 가장 나쁜 성능을 냅니다. 필요한 사실이 300쪽 중 140쪽에 있다면, 그곳이 바로 가장 불리한 자리입니다.
실패 3: 근거가 있다고 맞는 것은 아니다
이 분야에서 가장 솔깃한 주장은, 모델을 내 문서에 근거하게 만들면 환각이 사라진다는 것입니다. 그렇지 않습니다. 그리고 근거 제시가 실제로 얼마나 도움이 되는지 꼼꼼하게 측정한 연구가 이제는 있습니다.
Varun Magesh, Faiz Surani, Matthew Dahl, Mirac Suzgun, Christopher Manning, Daniel Ho는 AI 법률 리서치 도구에 대한 최초의 사전등록 평가를 수행했고, 그 결과는 2025년 Journal of Empirical Legal Studies에 실렸습니다. 이들은 선별된 법률 코퍼스에서 답을 찾도록 특별히 만들어진 LexisNexis와 Thomson Reuters의 제품을 고정된 202개 질의 세트로 시험했습니다. 기억을 더듬어 짐작하는 챗봇이 아닙니다. 검증된 문서를 대상으로 하는 검색 시스템이고, "hallucination-free"(환각 없음)를 내세워 판매되는 제품입니다.
결과는 이렇습니다.
| 시스템 | 정확하게 답한 비율 | 환각 비율 |
|---|---|---|
| Lexis+ AI | 65% | 17% |
| Westlaw AI-Assisted Research | 41% | 33% |
| Ask Practical Law AI | 19% | 17% |
| 비교용 GPT-4 (근거 없음) | 수치 없이 그래프로만 제시 | 43% |
Ask Practical Law AI는 질의의 62%에서 불완전한 응답, 그러니까 거절이거나 근거 없는 응답을 내놨습니다. 저자들은 그 원인을 신중함이 아니라 좁은 문서 범위에서 찾습니다. 이 제품은 판례나 법령, 규정이 아니라 실무 해설 문서만 참조합니다. (논문 서론은 Westlaw의 정확도를 42%로 반올림해 적습니다. 위 표의 41%는 세 시스템을 나란히 정리한 논문 자체의 세부 수치입니다.)
이 표는 두 번 읽어야 합니다. 서로 다른 두 가지를 말하고 있기 때문입니다. 근거 제시는 환각에는 효과가 있었습니다. 문서에 근거한 세 시스템은 GPT-4의 43%를 각각 17%, 17%, 33%로 낮췄습니다. 반면 신뢰성에는 아무 효과가 없었습니다. 셋 중 둘은 질의의 절반도 정확하게 답하지 못했고, 그 이유도 서로 달랐습니다. Westlaw의 부족분은 대부분 환각이었습니다. 환각 33%에 불완전 응답 25%였습니다. Ask Practical Law AI는 거의 전부가 몸을 사린 결과였습니다. 불완전 응답 62%에 환각 17%였습니다. 저자들 스스로의 요약은, 공급업체의 주장이 과장돼 있고 환각은 여전히 "substantial"(상당한 수준)로 남아 있다는 것입니다.
이제 이것을 여러분의 상황에 옮겨 보세요. 그 시스템들은 전문가가 선별하고 제대로 파싱된 법률 데이터베이스에서 검색합니다. 제대로 해낼 유인이 막대한 기업들이 구축한 데이터베이스입니다. 여러분의 도구는 오늘 아침 어떤 파서가 짐작으로 뚫고 지나간 PDF에서 검색합니다. 더 나은 결과를 기대할 이유가 없고, 답변 옆에 붙은 인용 표시는 어느 쪽이든 똑같이 권위 있어 보일 것입니다.
PDF 채팅이 실제로 잘하는 질문
이런 도구에 대한 실망은 대부분 질문의 모양이 잘못된 데서 옵니다. 질문을 작동 원리에 맞추면 이 기술은 정말로 훌륭합니다.
| 질문 유형 | 예시 | 신뢰도 | 이유 |
|---|---|---|---|
| 위치 찾기 | "저자가 성찰성을 어디에서 정의하나요?" | 높음 | 검색은 말 그대로 검색 엔진이고, 이 질문이 곧 검색입니다 |
| 정의하거나 설명하기 | "세 번째 전제를 쉬운 말로 설명해 주세요" | 높음 | 해당 구절이 이미 주어져 있고, 모델은 파일 전체를 넘나들며 추론하는 것이 아니라 바꿔 말하고 있을 뿐입니다 |
| 한 곳에서 값 뽑기 | "연구 2의 표본 크기는 얼마였나요?" | 중간에서 높음 | 텍스트가 깔끔하게 파싱됐다면 믿을 만합니다. 표와 수식은 꼭 확인하세요 |
| 번역하거나 쉽게 풀기 | "이 문단을 비전문가용으로 다시 써 주세요" | 높음 | 눈으로 볼 수 있는 텍스트만 다루는 순수한 국소 작업입니다 |
| 여러 절을 넘나드는 비교 | "7장은 3장을 어떻게 수정하나요?" | 낮음 | 답이 어느 한 청크에도 들어 있지 않습니다 |
| 세거나 집계하기 | "'행위주체성'은 몇 번 쓰였나요?" | 매우 낮음 | 합계를 담은 청크가 없습니다. 모델은 추정하면서도 확신에 찬 말투로 답합니다 |
| 부재 찾아내기 | "이 논문이 다루지 못한 것은 무엇인가요?" | 매우 낮음 | 쓰여 있지 않은 것은 검색할 수 없습니다 |
| 품질 판단하기 | "이 방법론은 타당한가요?" | 낮음 | 문서 전체에 더해 외부 지식까지 필요합니다 |
이 구분만 제대로 해도 문제의 절반은 사라집니다. PDF 채팅은 아주 빠르고 아주 글을 잘 읽는, 무언가를 찾아내는 리서치 조교로 쓰세요. 책을 끝까지 읽은 독자로 대하지는 마세요.
최고의 PDF 채팅 도구, 그리고 정말 중요한 단 하나의 기능
기능 목록은 잠시 잊으세요. 쓸 만한 PDF 채팅 도구와 위험한 도구를 가르는 기능은, 각 답변이 정확히 어디에서 왔는지 알려주어 직접 확인할 수 있게 해 주느냐입니다. 클릭 한 번이면 최선의 형태이고, 직접 찾아가야 하는 페이지 번호라면 그럭저럭 받아들일 만합니다. 둘 중 어느 것도 주지 않는다면 그 도구는 아예 후보에서 빼는 게 맞습니다.
| 도구 | 파일을 다루는 방식 | 출처로 클릭해 이동할 수 있나 | 알아둘 만한 확인된 사항 |
|---|---|---|---|
| Glasp | 청크를 검색하는 대신, 페이지 경계를 표시한 문서 전체 텍스트를 통째로 보냅니다 | 클릭 이동은 없습니다. (p. 3) 형태로 페이지를 적어 주고, 그 페이지는 직접 펼쳐 봐야 합니다 | 검색 단계가 없으므로 앞에서 말한 청크 누락 문제는 해당되지 않습니다. 대신 롱 컨텍스트 문제를 그대로 물려받습니다. 무료 요금제는 월 20건의 채팅 메시지를 허용하고, 그 PDF에 남긴 하이라이트는 채팅에 투입되지 않고 라이브러리에 따로 저장됩니다 |
| Gemini Notebook (구 NotebookLM) | 노트북에 추가한 모든 소스를 색인합니다 | 예. 인라인 인용을 누르면 소스의 근거 구절로 바로 이동합니다 | 무료 요금제는 노트북당 소스 수에 상한이 있으므로 무엇을 넣을지 미리 계획해야 합니다 |
| ChatGPT | 파일을 대화 안으로 업로드합니다 | 페이지 단위 인용은 문서화돼 있지 않으므로 직접 확인해야 합니다 | 파일당 512MB, 텍스트 파일은 파일당 2M 토큰 상한 |
| Claude | 각 페이지를 이미지로 변환하면서 그 페이지의 텍스트를 추출합니다 | 텍스트 인용은 되지만 이미지 인용은 안 되고, 추출 가능한 텍스트가 없는 스캔본은 "are not citable"(인용 불가)입니다 | 페이지당 텍스트 1,500~3,000 토큰에 이미지 토큰이 더해집니다. 요청당 100페이지, 1M 토큰 컨텍스트 윈도우에서는 600페이지 |
| Acrobat Studio | 이미 Acrobat 라이브러리에 있는 PDF를 대상으로 동작합니다 | 예. 번호가 매겨진 인용이 소스로 연결됩니다 | AI Assistant는 Studio에 묶여 제공되고, 다른 Acrobat 요금제에서는 별도 추가 상품으로 판매됩니다 |
| ChatPDF | 한 번에 문서 하나를 업로드하고 색인합니다 | 페이지를 인용합니다 | 무료 플랜은 하루 2개 문서를 분석하며, GPT-4o와 GPT-4o-mini 사이에서 라우팅합니다 |
고를 때 참고할 점 몇 가지. PDF가 공개된 웹에 있다면 브라우저 기반 도구가 업로드 단계 자체를 없애 줍니다. Glasp의 PDF 채팅이 그런 경우이고, 이것이 PDF 하이라이터를 대체하지 않고 짝을 이루는 이유이기도 합니다. 여러 문서를 한꺼번에 종합해야 한다면 노트북 형태의 도구가 유리합니다. 다루는 자료가 기밀이라면 무엇보다 먼저 파일이 어디에서 처리되는지 확인하세요. 애초에 내 컴퓨터를 떠나면 안 되는 문서라면 정확도 문제는 아무 의미가 없기 때문입니다.
주석 기능 쪽 비교는 2026년 최고의 PDF 하이라이터에서 다뤘습니다.
30초 검증 루틴
모든 답변을 일일이 따져 볼 필요는 없습니다. 비용이 거의 들지 않으면서 창피를 당할 만한 오류는 걸러내는 습관 하나면 됩니다.
- 인용을 클릭하세요. 훑어보기 위해서가 아닙니다. 모델이 그 출처에 갖다 붙인 문장이 실제로 존재하는지 확인하기 위해서입니다. 이 한 단계만으로 꾸며낸 내용 대부분이 걸러지고, 이 확인을 어렵게 만드는 도구는 신뢰를 잃어 마땅합니다.
- 페이지 번호를 실제 페이지와 대조하세요. 파서는 페이지 경계를 수시로 어긋나게 잡습니다. 스캔본에서는 특히 그렇습니다. 46쪽이라고 인용됐는데 실제로는 44쪽에 있다면, 추출 전체가 밀려 있다는 신호입니다.
- 일부러 틀린 전제로 다시 물어보세요. "저자가 그 효과는 2015년 이후 사라졌다고 주장하는 부분이 어디인가요?" 내가 지어낸 주장에 도구가 동의한다면, 그 도구는 나를 반박할 만큼 문서를 꼼꼼히 읽고 있지 않다는 뜻이고, 앞서 받은 답변도 함께 의심해야 합니다.
- 숫자는 반드시 원본 표를 보세요. 표는 추출에서 가장 약한 고리이고, 숫자는 여러분이 밖에서 그대로 옮겨 말할 가능성이 가장 높은 것입니다.
3번은 다들 건너뛰지만 가장 많은 것을 드러내는 단계입니다. 답변이 아니라 기계 장치 자체를 시험하기 때문입니다. 내가 지어낸 주장에 동의하는 도구는 내 문서를 참조하고 있는 것이 아닙니다. 내 문서의 목소리를 흉내 내 그럴듯한 문장을 쓰고 있을 뿐입니다.
이 요령에 대해 공정하게 덧붙이자면, 스탠퍼드 연구에서는 시험한 모든 시스템에서 거짓 전제 질문의 정확도가 가장 높았고, Lexis+ AI와 Westlaw는 물론 순수 GPT-4까지도 잘못된 전제를 대놓고 바로잡는 경우가 많았습니다. 여기에는 "이에 대한 근거를 찾을 수 없습니다"라는 답을 정답으로 채점한 연구 자체의 채점 기준도 한몫합니다. 소비자용 PDF 채팅은 그 어느 기준에 맞춰서도 만들어지지 않았습니다. PDF가 아닌 일반 AI 출력에 쓸 수 있는 이 습관의 범용 버전은 60초 환각 점검법에 정리해 두었습니다.
하이라이트가 먼저, 채팅은 그다음
PDF 채팅에는 정확도와 무관한 두 번째 비용이 있습니다. 완벽한 답을 얻고도 아무것도 남지 않을 수 있다는 것입니다.
찾는 일, 고르는 일, 압축하는 일을 도구가 대신하면, 그 내용을 여러분의 기억에 새겨 넣었을 작업 전부를 도구가 해 버린 셈이 됩니다. 이것은 도구를 쓰지 말라는 이야기가 아닙니다. 순서에 관한 이야기입니다.
효과가 있는 순서는 이렇습니다.
- 무엇이든 묻기 전에 먼저 읽고 하이라이트하세요. 무엇이 중요한지 고르는 일이 인지적으로 비싼 단계이고, 남겨둘 가치가 있는 것도 그 단계입니다. 덤으로 답변을 검증할 때 대조할 문서의 지도가 손에 남습니다.
- 그다음에 채팅으로 빈틈을 공략하세요. 하이라이트가 불러일으킨 질문을 도구에 던지세요. 이 용어가 무슨 뜻인지, 이 주장은 어디에서 옹호되는지, 단서 조항은 존재하는지.
- 답은 하이라이트 옆에 자기 말로 적으세요. 그대로 붙여 넣은 AI 답변은 그저 저장해 둔 무언가로 퇴색합니다. 다시 표현한 답변은 배운 것이 됩니다.
- 채팅이 아니라 하이라이트를 남기세요. 대화는 일회용입니다. 여러분이 고른 구절이 오래 남는 산출물이고, 세션이 사라지고 한참 뒤에도 계속 검색할 수 있습니다.
Glasp의 웹 하이라이터는 바로 이 흐름을 중심으로 만들어졌습니다. PDF든 웹 문서든 하이라이트하고, 그 구절을 한곳에 모아 두고, 그다음 파일 하나씩이 아니라 지금까지 읽은 것 전체를 대상으로 하이라이트와 대화하는 것입니다. 하이라이팅 쪽 이야기는 PDF 주석 방법론에서 더 깊이 다뤘습니다.
자주 묻는 질문
ChatGPT는 PDF를 읽을 수 있나요?
읽을 수 있습니다. PDF를 대화에 바로 업로드할 수 있으며, OpenAI 자체 문서 기준으로 파일당 512MB 제한과 텍스트 및 문서 파일에 대한 2M 토큰 상한이 적용됩니다. 다만 모든 주장이 특정 페이지에 정확히 대응한다고 보장하지는 못하므로, 인용할 계획이 있는 내용은 반드시 직접 확인하세요. 결과가 가장 예측하기 어려운 것은 스캔 PDF와 표가 많은 문서입니다.
PDF와 무료로 대화하려면 어떻게 하나요?
방법은 여럿 있습니다. Gemini Notebook에는 노트북당 소스 수 상한이 있는 무료 요금제가 있고, ChatPDF의 무료 플랜은 하루 두 개의 문서를 분석하며, 브라우저 기반 도구를 쓰면 웹에 이미 열려 있는 PDF와 아무것도 업로드하지 않고 대화할 수 있습니다. 무료 요금제는 보통 답변 품질이 아니라 문서 개수, 페이지 수, 하루 질문 수를 제한합니다.
AI는 왜 PDF에서 엉뚱한 페이지를 인용하나요?
여러분 눈에 보이는 페이지 번호와 파서가 만들어낸 페이지 경계가 서로 다른 것이기 때문입니다. PDF는 구조가 아니라 레이아웃을 저장하므로 추출 과정에서 페이지가 합쳐지거나 쪼개질 수 있고, 스캔본에서는 특히 그렇습니다. 로마 숫자로 매겨진 앞부분 때문에 몇 페이지씩 오프셋이 밀리기도 합니다. 인용 하나가 일정한 폭만큼 어긋나 있다면, 나머지도 전부 그렇다고 가정하세요.
AI가 스캔된 PDF를 읽을 수 있나요?
읽을 때도 있지만, 처음부터 디지털로 만들어진 파일보다는 정확도가 떨어집니다. 스캔본에는 텍스트 레이어가 없으므로 OCR이나 페이지를 이미지로 읽는 비전 모델이 필요합니다. Anthropic은 한계를 분명히 밝힙니다. 추출 가능한 텍스트가 없는 스캔 PDF는 Claude가 "are not citable"(인용할 수 없음) 상태로 다룹니다. PureDocBench의 실제 열화 트랙에서는 파이프라인 파서가 14.21점을 잃는 동안 범용 비전 언어 모델은 8.52점을 잃어, 두 도구 유형 사이의 순위가 뒤집혔습니다. 다른 말을 믿기 전에, 이미 내용을 아는 구절로 여러분의 그 스캔본을 직접 시험해 보세요.
AI에 PDF를 업로드해도 안전한가요?
전적으로 제공업체에 달렸고, 정확도에 관한 어떤 질문보다도 먼저 정리해야 할 문제입니다. 약관에서 세 가지를 확인하세요. 업로드한 파일이 모델 학습에 사용되는지, 파일이 얼마나 오래 보관되는지, 그리고 무료 요금제가 유료 요금제와 다르게 취급되는지입니다. 실제로 다른 경우가 많습니다. NDA 대상, 고객 기밀, 미발표 연구라면, 문서를 내 컴퓨터 밖으로 절대 보내지 않는 도구나 학습 미사용 정책이 문서화된 계정을 기본값으로 삼는 것이 안전합니다.
PDF와 대화하는 것이 공부에 좋은 방법인가요?
찾는 데는 도움이 되고, 그것은 진짜 이점입니다. 다만 기억에 새기는 일은 대신해 주지 않습니다. 도구가 나를 대신해 고르고 압축한다면, 읽기에서 기억을 만드는 부분을 외주로 넘긴 셈입니다. 먼저 하이라이트하고, 그다음 채팅으로 구체적인 빈틈을 메우고, 답은 붙여 넣지 말고 자기 말로 적으세요.
결론
PDF 채팅은 제 몫을 분명히 해내는 몇 안 되는 AI 기능 중 하나입니다. 300페이지짜리 문서를 몇 초 만에 캐물을 수 있는 대상으로 바꿔 주고, 찾고 정의하고 명확히 하는 일에서는 탁월합니다.
동시에 이것은 표시되지 않은 실패 지점 세 곳을 품은 파이프라인이기도 합니다. 파서가 파일을 망가뜨리고, 검색이 문서 대신 발췌문 몇 개를 모델에 건네며, 모델은 그렇게 받은 것 위에 유창한 문장을 씁니다. 기억해 둘 것은 스탠퍼드의 결과입니다. 전용으로 만들어지고 전문적으로 근거를 갖춘 시스템조차 17~33%의 비율로 환각을 일으켰고, 셋 중 둘은 질문받은 것의 절반도 정확하게 답하지 못했습니다. 유창함과 인용 표시는 증거가 아닙니다.
그러니 잘 쓰세요. 결론을 내리게 하지 말고 찾게 하세요. 무언가를 인용하기 전에 인용 하나는 클릭해 보세요. 그리고 문서는 먼저 직접 하이라이트하세요. 대화가 사라진 다음 달에도 여러분에게 남아 있는 것은 여러분이 고른 구절이기 때문입니다.
지금 읽고 있는 자료로 직접 해 보고 싶으신가요? Glasp의 PDF 채팅으로 PDF를 열고, 중요한 부분을 하이라이트하고, 원문을 답변 바로 옆에 둔 채 질문해 보세요.
