# AI가 우리 가게 정보를 알아서 고쳐줄까?

_AI가 가게 정보를 정확하게 답하려면 무엇을 준비해야 할까_

> VectorRAG를 붙인 실험에서는 환각률이 0.28~0.73%까지 낮아졌지만, GraphRAG는 8.81~10.53%였다. 자료를 어디서 어떻게 연결하느냐가 중요하다.

- 종류: 칼럼
- 주소: https://aisitekorea.com/column/ai-fix-store-errors-needs-docs
- 발행: AI사이트코리아 (https://aisitekorea.com)
- 작성일: 2026-09-29

AI는 가게 정보가 틀렸다는 사실을 스스로 알아채고 고치는 것이 아니다. 정확한 자료를 검색해서 답하게 하면 오류를 크게 줄일 수 있지만, 자료가 검색 대상에 없으면 소용이 없다. 결국 사장님이 챙겨야 할 것은 AI가 읽을 수 있는 정확한 가게 정보다.

AI는 오류를 스스로 고치는 것이 아니라, 정확한 자료를 찾아 답할 때 오류가 줄어든다.

## AI가 우리 가게 정보를 알아서 고쳐주는 것 아닌가?

그렇지 않다. 최근 소상공인 환경을 대상으로 한 연구에서는 LLaMA, Mistral-7B, Qwen3 세 모델에 호주 SME 관련 문서 31건을 연결해 실험했다. 문서를 벡터로 저장해 검색하게 한 VectorRAG와 문서를 그래프로 엮어 검색하게 한 GraphRAG를 비교했다.

결과는 방식에 따라 크게 달랐다. VectorRAG에서는 환각 위험이 0.28~0.73%였지만, GraphRAG에서는 8.81~10.53%였다. 같은 RAG라도 자료를 연결하고 검색하는 방식에 따라 결과가 달라진다는 뜻이다.

| 방식(모델) | 맥락 관련성 | 환각 위험 | F1-BERTScore |
|---|---|---|---|
| Vector-LLaMA | 0.9435 | 0.28% | 89.0% |
| Vector-Mistral | 0.9435 | 0.33% | 91.5% |
| Vector-Qwen | 0.9435 | 0.73% | 88.6% |
| Graph-LLaMA | 0.2351 | 8.81% | — |
| Graph-Mistral | 0.2314 | 10.53% | — |
| Graph-Qwen | 0.2431 | 10.34% | — |

그래서 "AI에 우리 가게 정보를 알려주면 알아서 틀린 내용을 고쳐주겠지"라고 생각하면 안 된다. AI가 정확한 정보를 답하게 하려면 먼저 정확한 문서가 있어야 하고, 그 문서를 AI가 검색할 수 있어야 한다.

## 정확한 자료를 주면 정말 답이 달라질까?

연구에 나온 사례를 보면 차이가 분명하다. "호주에서 사이버 사고를 신고하는 번호가 무엇인가"라는 질문에 자료를 주지 않은 기본 모델은 "1800 CYBER REPORT"라는 존재하지 않는 번호를 답했다.

반면 정확한 문서를 검색하게 한 RAG 모델은 실제 기관인 ACSC의 번호 "1300 292 371"을 정확하게 답했다. 가게도 마찬가지다. 전화번호, 영업시간, 주소 같은 정보가 AI가 참고할 수 있는 문서에 있으면 그 자료를 바탕으로 답할 수 있지만, 자료가 없으면 잘못된 내용을 만들 가능성이 남는다.

| 질문 예 | 자료 없는 기본 모델 | 자료를 붙인 RAG 모델 |
|---|---|---|
| 사이버 사고 신고 번호는? | 1800 CYBER REPORT(존재하지 않음) | 1300 292 371(정확) |

## 그럼 가게 정보를 어디에 둬야 할까?

여기서 중요한 것이 자료가 AI의 검색 대상에 들어가느냐는 문제다. RAG는 문서를 검색해서 답에 활용하는 방식이므로, 문서 자체가 검색되지 않으면 RAG의 방식이 아무리 좋아도 활용할 자료가 없다.

2026년 9월 16~20일 직접 확인한 결과 네이버 블로그, 스마트스토어, 네이버쇼핑은 AI 봇 9종을 모두 차단하고 있었다. 같은 기간 챗GPT 답변 31건을 살펴봤을 때 인용 출처 10건은 가게 자체 홈페이지였고, 네이버 블로그와 브런치에서 나온 인용은 0건이었다.

이 결과는 가게 정보가 어디에만 있는지가 중요하다는 것을 보여준다. 네이버 블로그에만 가게의 영업시간이나 전화번호가 있다면, AI가 그 정보를 검색하지 못하는 상황에서는 정확한 답을 만들 자료 자체가 부족해진다.

## 검색을 켜기만 해도 정확도가 달라질까?

다른 조사에서도 자료를 검색해서 가져오는 것의 차이가 나타났다. 미국 100개 대도시권에서 AI에 병원과 의사를 추천해 달라고 한 뒤 실제 등록 명부와 비교했다.

검색 없이 답한 경우 실제 등록 정보와 일치하는 비율은 오픈웨이트 모델 4%, 상용 모델 11%였다. 같은 상용 모델이라도 검색을 켜자 일치율이 64~71%로 높아졌다.

| 조건 | 실제 등록 정보와 일치율 |
|---|---|
| 오픈웨이트 모델, 검색 없음 | 4% |
| 상용 모델, 검색 없음 | 11% |
| 상용 모델, 검색 켬 | 64~71% |

여기서 중요한 것은 모델 이름만 보는 것이 아니다. AI가 실제 자료를 검색해서 확인할 수 있는지가 답의 정확도에 영향을 줬다.

가게 정보도 같은 원리로 볼 수 있다. 사장님이 정확한 정보를 가지고 있어도 AI가 그 자료에 접근하지 못하면 답변에 반영하기 어렵다.

## 자료를 여러 개 주면 AI는 알아서 가장 정확한 것을 고를까?

그렇게 단순하지도 않다. 여러 문서가 검색되는 상황에서는 어떤 출처가 답에 사용되는지도 중요하다. 다른 조사에서는 AI가 인용하는 출처의 59.1%가 한 번만 사용됐고, 출처 쏠림을 나타내는 지니계수는 0.68로 나타났다.

즉 자료가 많다고 해서 모든 자료가 똑같이 활용되는 것은 아니다. 여러 문서가 섞여 있다면 어떤 자료가 반복해서 등장하는지에 따라 답변에 사용되는 출처가 달라질 수 있다.

| 요인 | 수치 |
|---|---|
| 인용 출처 한 번만 쓰이는 비율 | 59.1% |
| 출처 쏠림(지니계수) | 0.68 |
| 출처 표기 시 인용 증가 | +28% |
| 통계 수치 포함 시 인용 증가 | +33% |

반대로 출처를 명확하게 밝힌 글은 인용될 가능성이 높아지는 것으로 나타났다. 질문 1만 개를 대상으로 한 조사에서 출처를 붙인 글은 인용이 28% 늘었고, 통계 수치를 넣은 글은 인용이 33% 늘었다.

## 사장님이 챙겨야 하는 것은 결국 무엇일까?

첫째는 정확한 정보다. 전화번호, 주소, 영업시간처럼 고객이 실제로 확인할 정보가 틀리지 않아야 한다.

둘째는 AI가 그 정보를 검색할 수 있는 위치다. 가게 정보가 있어도 AI가 접근하지 못하는 곳에만 있다면 답변에 활용되기 어렵다.

셋째는 정보를 연결하는 방식이다. 같은 RAG라도 VectorRAG와 GraphRAG의 실험 결과가 크게 달랐다. "AI에 자료를 넣으면 무조건 정확해진다"가 아니라, 어떤 자료를 어떤 방식으로 검색하게 하는지도 중요하다.

결국 AI가 우리 가게 정보를 알아서 고쳐주는 구조를 기대하기보다는, 정확한 정보를 AI가 읽고 검색할 수 있게 준비하는 것이 먼저다. AI가 답을 잘 만드는 데 필요한 것은 AI의 기억보다 정확한 자료와 그 자료에 대한 접근이다.

요점 ① VectorRAG 환각률은 0.28~0.73%, GraphRAG는 8.81~10.53%로 방식에 따라 차이가 났다. 요점 ② 자료 없는 모델은 존재하지 않는 번호를 만들었지만, RAG 모델은 정확한 번호 1300 292 371을 답했다. 요점 ③ 네이버 블로그·스마트스토어·네이버쇼핑은 AI 봇 9종을 모두 차단했고, 자체 홈페이지 인용은 10건이었다. 요점 ④ 검색이 없을 때 일치율은 4~11%였지만, 검색을 켠 상용 모델은 64~71%였다.

## 같이 읽을 글

 

- 우리 글은 왜 AI 답변에 안 들어갈까?

- AI는 가게가 지어낸 사실을 걸러낼 수 있을까?

- AI는 가게의 새 가격과 옛 가격 중 무엇을 믿을까?

- 네이버 블로그 글은 왜 챗GPT 답에 안 나올까?
 

## 자료 출처

 

- Enhancing LLMs with Context-Specific Knowledge for Mitigating Misinformation in SMEs: A RAG-based Modeling and Analysis(Islam·Sarker 외, arXiv 2608.00006, 2026.6, LLaMA·Mistral-7B·Qwen3 3개 모델·호주 SME 문서 31건)

- 같은 논문 전체 본문(표 4·5 실험 수치)

- Understanding AI Provider Recommendations in Local Service Markets(Ibrahim·Zaki, NYU Abu Dhabi, arXiv 2609.18341, 2026.9, 미국 100대 대도시권 등록 명부 대조)

- GEO: Generative Engine Optimization(Aggarwal 외, Princeton·arXiv 2311.09735, 질문 1만 개 실험)