AI가 가게 정보를 못 찾으면 어떻게 될까?
미국 상장사 자료에서도 원문에 숫자가 있어도 정리 과정에서 빠졌다. 표와 문장의 차이는 최대 83.33% 대 42.11%였다.
공시를 했는데도 분석 자료에서 빠지는 기업이 있다. 원문에 숫자가 없는 것이 아니라, 숫자가 정리된 자료에서 빠졌기 때문이다. 미국 상장사 연구에서는 AI가 표 속 숫자를 최고 83.33% 찾았지만 문장 속 숫자는 최고 42.11%에 그쳤다.
정보가 있는 것과 AI가 읽을 수 있는 것은 다르다.
공시를 냈는데 왜 자료에서 빠질까?
미국 상장사는 증권거래위원회(SEC)에 연차 보고서(10-K)를 낸다. 하지만 투자자와 연구자가 이 원문을 그대로 읽기보다 숫자를 뽑아 정리한 재무 데이터베이스를 이용하는 경우가 많다. 이 과정에서 원문에 있던 값이 빠질 수 있다.
스탠퍼드·런던경영대학원·UC버클리 연구진은 자산 가격 연구에 많이 쓰이는 지표 45개를 살폈다. 빈칸이 있는 기업은 70%가 넘었고, 이 기업들의 시가총액은 약 50%였다.
| 항목 | 숫자 | 조건 |
|---|---|---|
| 빈칸이 있는 기업 | 70% 이상 | 미국 상장사, 지표 45개 기준 |
| 그 기업들의 시가총액 비중 | 약 50% | 같은 표본 |
| 2000년대 빈칸 있는 종목 | 75% 이상 | 시가총액 절반 이상 |
| 가장 작은 규모 구간 비중 | 약 50% → 10% 미만 | 지표 45개 모두 갖춘 회사만 남길 때 |
| 장부가 대비 시가 비율 양 끝 구간 | 10% 이상 → 약 2% | 같은 처리 |
| 지표 3개만 요구해도 | 표본 15% 탈락 | 장부가 대비 시가 비율· |
문제는 빈칸이 있는 회사를 분석에서 빼는 방식이다. 지표 45개가 모두 채워진 회사만 남기면 가장 작은 규모 구간의 비중이 약 50%에서 10% 미만으로 줄었다. 원문에 정보가 있어도 정리된 자료에서 빠지면 작은 회사가 분석 대상에서 크게 줄어드는 것이다.
숫자가 문장에 있으면 AI는 못 읽을까?
이번 실험은 미국 상장사의 10-K 문장을 대상으로 했다. 연구진은 공개 지식 그래프에서 문장을 뽑아 정답을 직접 달고, 현금성자산·단기차입금·신용한도·연구개발비를 찾는 방법을 비교했다.
네 항목의 원문 위치도 달랐다. 현금성자산은 표에 있었고, 단기차입금과 연구개발비는 표와 문장에 섞여 있었다. 신용한도는 계약 문장 안에 들어 있었다.
| 항목 | 원문 위치 | 원자료 행 수 | 실험 표본 |
|---|---|---|---|
| 현금성자산 | 표(쉬움) | 47 | 47 |
| 단기차입금 | 표+문장(중간) | 37,637 | 100 |
| 신용한도 | 계약 문장(어려움) | 52,718 | 100 |
| 연구개발비 | 표+각주(어려움) | 16,843 | 100 |
규칙만으로 글자를 찾는 정규식은 성적이 낮았다. 현금성자산은 4.88%, 단기차입금은 5.76%, 신용한도는 15.93%였고 연구개발비는 0.00%였다. 문장 안에 있는 숫자가 현재 값인지, 미래 계획인지, 비율인지 구분하기 어려웠기 때문이다.
AI는 더 많이 찾았지만 위치에 따른 차이는 남았다.
| 방법 | 현금성자산(표) | 단기차입금 | 신용한도(문장) | 연구개발비 |
|---|---|---|---|---|
| 정규식 | 4.88% | 5.76% | 15.93% | 0.00% |
| 구형 언어모델(BERT) | 0.00% | 시험 안 함 | 시험 안 함 | 시험 안 함 |
| AI 80억(기본 지시) | 62.75% | 40.29% | 34.62% | 34.48% |
| AI 140억 | 83.33% | 34.48% | 27.50% | 27.42% |
| AI 700억 | 72.34% | 48.45% | 42.11% | 76.92% |
표에 있는 현금성자산은 140억 모델이 83.33%를 찾았다. 반면 문장 속 신용한도는 가장 큰 모델도 42.11%에 그쳤다. 숫자가 원문에 있다는 사실만으로 AI가 같은 수준으로 읽어 내는 것은 아니었다.
설명을 많이 붙이면 더 정확해질까?
AI가 엉뚱한 숫자를 고르지 않도록 「이건 빼라」는 금지 규칙을 추가하는 방법도 시험했다. 연구진은 연구개발 세액공제나 쓰지 않은 차입 한도처럼 제외해야 할 대상을 지시했다.
그런데 정밀도는 일부 높아졌지만, 맞는 숫자까지 함께 빠졌다. 작은 모델에서는 지시가 많아질수록 찾아야 할 정보까지 놓치는 결과가 나타났다.
| 항목(80억 모델) | 기본 지시 | 금지 규칙 추가 후 | 변화 |
|---|---|---|---|
| 단기차입금 F1 | 40.29% | 31.08% | −9.21%p |
| 단기차입금 재현율 | 37.14% | 22.58% | −14.56%p |
| 단기차입금 정밀도 | 44.12% | 52.17% | +8.05%p |
| 연구개발비 F1 | 34.48% | 27.91% | −6.57%p |
| 신용한도 F1 | 34.62% | 18.95% | −15.67%p |
신용한도 F1은 기본 지시에서 34.62%였지만 금지 규칙을 추가하자 18.95%로 내려갔다. 변화는 −15.67%p였다. 「예외를 한 문장에 많이 넣는 것」이 사람에게는 친절해 보여도 정보를 찾는 쪽에는 오히려 어려워질 수 있다는 결과다.
동네 가게도 같은 일이 생길까?
이번 연구가 동네 가게 홈페이지를 직접 실험한 것은 아니다. 따라서 미국 상장사에서 나온 수치를 그대로 가게에 적용할 수는 없다. 다만 AI가 가게 정보를 찾고 정리하는 과정에서도 읽을 수 있는 자료가 필요하다는 점은 참고할 수 있다.
미국 100대 대도시권의 동네 의사와 식당 추천을 살핀 연구에서는 웹 검색 없이 답할 때 실제 존재하는 의사와 맞는 비율이 4~11%였고, 검색을 켜면 64~71%로 올랐다. 읽을 자료가 있느냐가 답의 정확도에 영향을 줄 수 있다는 사례다.
국내 소상공인 환경도 아직 디지털 정보가 충분히 정리됐다고 보기 어렵다. 중소벤처기업부가 2026년 3월 발표한 2024년 기준 실태조사에서는 소상공인이 613.4만 곳이고, 디지털·스마트 기술을 쓰는 곳은 27.2%였다. 온라인 판매 채널을 쓰는 곳은 그중 49.0%였다.
| 항목 | 숫자 | 조사 |
|---|---|---|
| 소상공인 사업체 | 613.4만 곳(전년 대비 +2.9%) | 중기부 2024년 기준, 2026.3 발표, 약 4만 곳 |
| 디지털· | 27.2%(+9.2%p) | 같은 조사 |
| 온라인 판매 채널 사용 | 49.0%(복수 응답) | 같은 조사, 도입 사업체 중 |
| 생성형 AI 쓰는 단독 자영업자 | 12.6% | KISDI 2026.4 |
| 동네 의사 추천, 검색 없이 실제와 맞음 | 4~11% | 미국 100대 도시권 감사 연구 |
| 같은 추천, 검색 켜면 | 64~71% | 같은 연구 |
KISDI 2026년 4월 조사에서는 생성형 AI를 쓰는 단독 자영업자가 12.6%였다. 가게 정보를 AI가 읽기 좋은 형태로 정리해 둔 곳이 얼마나 되는지를 직접 측정한 국내 조사는 재료에서 확인되지 않았다.
그렇다면 가게 정보는 어떻게 적어야 할까?
연구 결과를 가게 홈페이지에 그대로 적용한 검증은 아니다. 다만 연구에서 나타난 차이를 기준으로 보면 고객이 자주 묻는 가격·영업시간·주소·예약 방법 같은 정보는 문장 속에 묻기보다 표나 한 줄짜리 항목으로 분리하는 방식이 예상된다.
예외 조건도 따로 적는 편이 낫다. 금지 규칙을 추가했을 때 F1이 최대 −15.67%p 내려갔던 결과를 보면, 여러 조건을 한 문장이나 괄호 안에 섞기보다 별도 줄로 나누는 것이 정보를 구분하기 쉽다.
「예정」이나 「계획」 같은 미래 내용도 현재 값과 분리하는 것이 좋다. 정규식이 연구개발비에서 0.00%를 기록한 것처럼, 숫자만 보고 현재 값인지 미래 계획인지 구분하는 데 한계가 있기 때문이다.
| 정리할 것 | 실험에서 대응하는 결과 | 가게에서 할 일(예상) |
|---|---|---|
| 핵심 숫자를 표로 | 표 83.33% vs 문장 42.11% | 가격표· |
| 예외는 따로 | 금지 규칙 추가 후 F1 최대 −15.67%p | 「공휴일 요금」을 별도 줄로 |
| 지금 값과 계획 분리 | 정규식 연구개발비 0.00% | 「다음 달 인상 예정」을 따로 |
| 연도· | 연도· | 「2026년 가격」처럼 기준을 붙임 |
이 연구에는 한계도 있다. 항목별 표본은 47~100행이고, 정답은 한 사람이 손으로 달았으며 각 모델은 한 번씩만 돌렸다. 공개 모델 3종만 시험했고 상용 대형 모델은 포함하지 않았다.
140억 모델이 표에서는 700억 모델보다 높은 결과를 낸 것처럼 모델 크기가 커진다고 성적이 항상 같은 방향으로 좋아진 것도 아니다. 무엇보다 대상은 미국 상장사 10-K이므로 한국어 홈페이지나 동네 가게에서 같은 비율이 나온다고 볼 수 없다.
결국 사장님이 기억할 점은 하나다. 홈페이지에 정보를 써 놓는 것과 AI가 그 정보를 찾아서 답에 넣을 수 있게 만드는 것은 같은 일이 아니다. 중요한 숫자일수록 찾기 쉬운 자리에, 기준과 예외를 분리해 적는 것이 필요하다.
① 빈칸이 있는 미국 상장사는 70% 이상이었고 시가총액 비중은 약 50%였다. ② 지표 45개가 모두 채워진 회사만 남기면 가장 작은 규모 구간은 약 50%에서 10% 미만으로 줄었다. ③ AI는 표 속 숫자를 최고 83.33%, 문장 속 신용한도를 최고 42.11% 찾았다. ④ 금지 규칙을 추가하자 신용한도 F1은 34.62%에서 18.95%로, 최대 15.67%p 내려갔다.
같이 읽을 글
- 홈페이지를 못 읽으면 AI는 우리 가게를 어떻게 설명할까?
- 상품 정보를 사진에만 넣어도 AI가 알아볼까?
- PDF 가격표, AI가 제대로 읽게 하려면 어떻게 해야 할까?
- 우리 가게 홈페이지에 스키마 마크업이 꼭 필요할까?
자료 출처
- Resolving the Missing Financial Data Crisis: A Generative AI Pipeline for SEC 10-K Extraction(Massachusetts Academy of Math and Science·Worcester Polytechnic Institute·arXiv 2609.35864·2026년 9월 제출, 항목별 47~100행)
- Missing Financial Data(Bryzgalova·Lerner·Lettau·Pelger, SSRN 4106794, Review of Financial Studies 2025 게재, 미국 상장사 지표 45개)
- Missing Financial Data 논문 요약(ResearchGate, 같은 연구)
- How to Deal With Missing Financial Data(Quantpedia, 같은 연구의 규모별 탈락 숫자 정리)
- Understanding AI Provider Recommendations in Local Service Markets(Ibrahim·Zaki, arXiv 2609.18341, 2026년 9월, 미국 100대 대도시권·4개 업종)
- 2024년 기준 소상공인실태조사 결과 보도자료(중소벤처기업부·2026년 3월 발표·약 4만 곳)
- Intro to How Structured Data Markup Works(구글 서치 센터 공식 문서)
- Local Business (LocalBusiness) Structured Data(구글 서치 센터 공식 문서)
작성일
← 칼럼 목록