많은 사람들이 ChatGPT나 다양한 AI 서비스에 PDF를 업로드한 뒤 질문을 던집니다. 그러면 AI는 마치 사람이 문서를 처음부터 끝까지 읽고 이해한 것처럼 답변을 제공합니다. 그래서 “AI가 PDF를 통째로 읽는 것 아닐까?”라고 생각하기 쉽습니다.

하지만 실제 내부 동작은 우리가 문서를 읽는 방식과 상당히 다릅니다. AI는 PDF 파일을 그대로 읽는 것이 아니라, PDF 안에 들어 있는 텍스트와 구조를 분리하고, 필요한 경우에는 OCR을 수행하며, 긴 문서는 여러 조각으로 나누어 저장한 뒤 질문과 가장 관련 있는 부분만 다시 찾아 답변을 생성합니다.

즉 AI는 PDF를 하나의 그림처럼 바라보는 것이 아니라, 여러 단계의 분석 과정을 거쳐 사람이 읽기 쉬운 형태로 변환한 다음 이해를 시도합니다.

1. PDF는 생각보다 단순한 문서가 아니다

PDF는 우리가 보는 것처럼 단순한 종이 문서가 아닙니다. 내부에는 글자의 위치, 글꼴, 크기, 줄바꿈, 이미지, 벡터 그래픽 등 다양한 정보가 저장됩니다. 화면에서는 하나의 문서처럼 보이지만 내부적으로는 수많은 객체(Object)가 좌표와 함께 기록되어 있습니다.

예를 들어 같은 문장이라도 줄마다 각각 독립된 객체로 저장될 수도 있고, 글자 하나하나가 개별 좌표를 가진 형태일 수도 있습니다. 따라서 AI는 먼저 이 객체들을 읽어 사람이 이해할 수 있는 문단 구조로 다시 조립해야 합니다.

2. AI가 가장 먼저 하는 일은 텍스트 추출

텍스트 기반 PDF라면 AI는 가장 먼저 문서 안의 문자 데이터를 추출합니다. 이 과정에서는 글자의 순서를 다시 정렬하고, 제목과 본문을 구분하며, 페이지 번호나 머리말처럼 반복되는 요소도 함께 분석합니다.

이 단계가 끝나면 AI는 사람이 복사한 텍스트와 비슷한 형태의 데이터를 얻게 됩니다. 하지만 이것만으로는 충분하지 않습니다. 표, 이미지, 캡션, 각주처럼 위치가 중요한 정보는 별도로 처리해야 하기 때문입니다.

3. 스캔 PDF는 OCR이 필요하다

스캔한 계약서나 오래된 책은 대부분 이미지 형태입니다. 이런 PDF에는 실제 텍스트가 존재하지 않습니다. 사람이 보기에는 글자가 있지만 컴퓨터 입장에서는 단순한 픽셀 덩어리일 뿐입니다.

이때 사용하는 기술이 OCR(Optical Character Recognition)입니다. OCR은 이미지 속 글자를 찾아 실제 문자 데이터로 변환하는 기술이며, AI가 문서를 이해하기 위한 첫 단계가 됩니다.

4. 표와 이미지는 왜 따로 분석할까?

표는 일반 문장과 구조가 다릅니다. 같은 행과 열에 있는 정보끼리 연결되어야 의미가 생기기 때문입니다. 따라서 AI는 표를 단순한 텍스트가 아니라 셀 구조로 해석하려고 시도합니다.

이미지 역시 마찬가지입니다. 그림 안의 캡션, 축 이름, 범례 등을 함께 읽어야 그래프의 의미를 이해할 수 있습니다. 그래서 최신 AI는 PDF 안에서 텍스트와 이미지를 별도로 분석한 뒤 다시 결합하는 방식을 사용합니다.

5. 긴 PDF는 한 번에 모두 읽지 않는다

많은 사람들이 AI가 수백 페이지에 달하는 PDF를 한 번에 모두 기억한다고 생각합니다. 하지만 실제 언어 모델은 한 번에 처리할 수 있는 입력 길이, 즉 컨텍스트(Context)에 한계가 있습니다. 따라서 긴 문서는 그대로 모델에 전달되지 않습니다.

대신 문서는 일정한 길이의 작은 단위로 분할됩니다. 이 과정을 청킹(Chunking)이라고 부르며, 대부분의 AI 기반 문서 검색 시스템은 이 방식을 사용합니다.

예를 들어 300페이지 PDF라면 페이지 단위가 아니라 의미가 유지되는 문단이나 섹션 단위로 잘라 각각 독립적인 정보 조각으로 저장합니다. 이렇게 하면 질문과 관련된 부분만 빠르게 찾아 모델에게 전달할 수 있습니다.

6. 임베딩은 문서를 숫자로 바꾸는 과정

문서를 조각으로 나눈 뒤에는 그대로 저장하지 않습니다. AI는 각 문단을 수백 개에서 수천 개의 숫자로 이루어진 벡터(Vector) 형태로 변환합니다. 이 과정을 임베딩(Embedding)이라고 합니다.

임베딩은 단순한 암호화가 아닙니다. 의미가 비슷한 문장은 숫자 공간에서도 서로 가까운 위치에 배치되도록 만드는 기술입니다.

예를 들어 “배터리 충전”과 “충전 속도”는 표현은 다르지만 의미가 비슷하기 때문에 임베딩 공간에서도 가까운 위치를 갖습니다. 반대로 “주식 시장”처럼 전혀 다른 내용은 멀리 떨어집니다.

7. 질문이 들어오면 어떻게 찾을까?

사용자가 질문을 입력하면 AI는 먼저 질문도 같은 방식으로 임베딩합니다. 이후 저장되어 있던 수많은 문단 벡터와 비교하여 가장 의미가 가까운 문단들을 찾습니다.

이 과정을 벡터 검색(Vector Search)이라고 합니다. 일반적인 키워드 검색과 달리 같은 단어가 없어도 의미가 비슷하면 관련 문서를 찾을 수 있다는 것이 가장 큰 특징입니다.

예를 들어 PDF에는 “광학 문자 인식”이라고 적혀 있는데 사용자가 “OCR”이라고 질문해도 AI는 두 표현이 같은 개념이라는 것을 임베딩 공간에서 인식하여 관련 문단을 찾아낼 수 있습니다.

8. ChatGPT가 PDF를 답변하는 원리

최근 AI 서비스에서 가장 많이 사용하는 방식이 바로 RAG(Retrieval-Augmented Generation)입니다.

RAG는 질문과 관련된 문단을 먼저 검색한 뒤, 그 내용을 언어 모델에게 함께 전달하여 답변을 생성하는 방식입니다.

즉 ChatGPT가 PDF 전체를 계속 기억하는 것이 아니라, 질문이 들어올 때마다 가장 필요한 문단만 찾아 다시 읽는 구조에 가깝습니다.

9. AI가 PDF를 잘못 이해하는 이유

모든 PDF를 완벽하게 이해하는 것은 아닙니다. 특히 스캔 품질이 낮거나 표가 복잡한 문서, 여러 단으로 구성된 논문, 수식이 많은 연구 자료에서는 정보가 잘못 연결될 수 있습니다.

또한 PDF 자체에 오류가 있거나 텍스트 순서가 깨져 저장되어 있으면 AI 역시 같은 문제를 그대로 이어받습니다. 따라서 AI의 답변이 이상하다면 모델보다 원본 PDF의 구조를 먼저 확인하는 것이 좋습니다.

FAQ

📚 함께 보면 좋은 글

AI가 PDF를 이해하는 원리를 알았다면 토큰, 컨텍스트, 표 인식, GPT의 예측 방식까지 함께 살펴보면 AI가 문서를 처리하는 전체 흐름을 더욱 쉽게 이해할 수 있습니다.

🔗 공식 자료

• Adobe PDF Specification
• Adobe Acrobat SDK Documentation
• OpenAI Embeddings Documentation
• Google Cloud Vision OCR Documentation
• ISO 32000 PDF Specification

📖 출처

• Adobe
• OpenAI
• Google Cloud
• ISO 32000
• Microsoft AI Documentation