비정형 PDF 리포트 데이터 추출

"이 PDF 리포트 한 50장에서 핵심 수치만 표로 뽑아줘." 증권사 리서치, 협회 산업 보고서, 시장조사 기관 PDF가 책상 위에 매일 한 묶음씩 쌓입니다. 본문은 잘 정리돼 있는데, 그 안의 표와 수치를 사내 분석에 쓰려면 사람이 한 줄씩 다시 옮겨 적어야 합니다.

비정형 PDF 리포트 데이터 추출은 PDF 안의 표·수치·각주·출처를 LLM과 OCR이 함께 읽어, 사내 분석에 그대로 쓸 수 있는 표 형식 데이터로 자동 정리해주는 시스템을 말합니다. 사람이 손으로 옮기던 작업이 자동화되는 동시에, 출처와 페이지 번호 같은 추적 정보가 값마다 따라붙어 사후 검증이 쉬워집니다.

이 글은 리서치·전략·기획 백오피스가 PDF를 다루는 일상이 어떻게 달라지는지, 어떤 도구 조합으로 만들 수 있는지, 어디서 가장 자주 막히는지를 도입 판단에 필요한 만큼만 정리한 가이드입니다.

아침 채팅창에 올라오는 요청들

PDF 묶음을 받아둔 다음 날 아침, 사내 채팅창에는 이런 한 줄이 올라옵니다.

"이번 분기 받은 증권사 리포트 50개에서 매출·영업이익 컨센서스만 표로 뽑아줘."

5분에서 30분 사이에 표가 돌아옵니다. 예전 같으면 며칠짜리 일입니다. 요청의 모양은 그때그때 다릅니다.

"협회 산업 보고서 30장에서 시장 규모·성장률·주요 플레이어만 정리해줘."

"경쟁사 IR 자료 10년치에서 R&D 비용 추이만 한 시트에 모아줘."

정부 통계 PDF에서 2020~2025년 산업별 고용 인원만 뽑아 달라는 요청도, 보고서들의 핵심 표를 출처 페이지 번호와 함께 정리해 달라는 요청도 같은 방식으로 처리됩니다. 질문의 모양은 달라도 구조는 하나입니다. PDF 묶음을 가리키고, 원하는 표의 모양을 말하면 됩니다.

멀리서 본 전체 구조

구조를 한 문장으로 줄이면 이렇습니다. 추출하는 단계와 검증하는 단계가 분리되어 있고, 그 사이를 사내 스키마가 이어줍니다. 추출만 잘하는 시스템은 신뢰가 쌓이지 않습니다. 아래 그림에서 오렌지 박스가 LLM이 일하는 단계, 베이지 박스가 사내 자산입니다.

안쪽에서 벌어지는 일

PDF 한 묶음이 들어오면 시스템은 먼저 페이지를 나누고, 각 페이지가 표 중심인지 본문 중심인지를 LLM이 판별합니다. 표 페이지에는 표 전용 추출 전략이, 본문 페이지에는 요약과 키 수치 추출 전략이 각각 적용됩니다.

추출 자체는 PDF의 출신에 따라 갈립니다. 디지털 PDF는 직접 파싱하고, 스캔 PDF는 OCR을 거칩니다. 한국어 표·각주·병합 셀이 많은 문서라면 Naver CLOVA OCR이나 Upstage Document AI 같은 한국어 특화 도구를 먼저 검토하는 편이 안전합니다.

그다음이 스키마 매핑입니다. 추출된 raw 표를 사내 표준 컬럼명과 단위로 바꾸는 단계입니다. 같은 "매출액(백만원)"이라도 회사 안에서 "revenue_krw_mil"로 부르는지 "sales_m"으로 부르는지가 여기서 일관되게 정리됩니다.

마지막이 검증 게이트입니다. 추출된 모든 행에 출처 PDF, 페이지 번호, 원문 좌표가 함께 붙습니다. 의심스러운 값은 보류함으로 빠지고, 사람이 클릭 한 번으로 원문 페이지를 열어 확인합니다. 네 단계 가운데 하나라도 빠지면 결과가 흔들리기 쉽습니다.

도구는 PDF가 정해줍니다

도구 조합을 고를 때 첫 질문은 모델 이름이 아니라 PDF의 형태와 보안 레벨입니다. 디지털 PDF만 다룬다면 Claude Sonnet 4.6에 pdfplumber를 붙이는 옵션 A가 학습 곡선이 가장 짧은 편입니다. 한국어 스캔본과 표가 많은 환경이라면 Upstage에 Sonnet을 결합한 옵션 B가 어울립니다.

"데이터를 외부 모델에 보내야 하나요?"라는 질문이 이 지점에서 꼭 나옵니다. 디지털 PDF는 추출 단계에서 일부 페이지가 LLM에 전달되는 구조가 일반적입니다. 외부 반출 자체가 금지된 금융·공공 환경이라면 Haiku 4.5와 사내 OCR로 추론까지 사내에서 처리하는 옵션 C가 답이 됩니다. 비용은 늘어나지만, 반출 없이 추출 정확도를 확보할 수 있는 구성입니다.

시간보다 먼저 달라지는 것

숫자부터 보면, PDF 50개를 사람이 표로 옮겨 적는 데 평균 3~5일 걸리던 작업이 자동 추출 후 사람 검수 30분으로 줄어듭니다. 그런데 도입한 조직이 먼저 체감하는 변화는 속도가 아니라, 이 질문이 사라지는 것입니다.

"이 숫자 출처 어디였지?"

모든 행에 출처 PDF와 페이지 번호가 붙어 있으니, 이 질문은 클릭 한 번으로 끝납니다.

정합성도 함께 올라갑니다. 담당자마다 컬럼명과 단위가 달라 시트를 합치기 어렵던 상태가, 사내 스키마로 강제 정렬되면서 즉시 합칠 수 있는 상태로 바뀝니다. 단순히 옮겨 적는 데 쓰던 업무 시간의 50%는 검수와 해석, 새로운 분석으로 옮겨 갑니다.

조심해야 할 네 지점

현장에서 가장 먼저 부딪히는 벽은 짧은 한 줄로 요약됩니다.

"한국어 표가 잘 안 잡힌다."

영문 위주로 학습된 추출 도구는 한국어 병합 셀과 세로쓰기 헤더를 놓치기 쉽습니다. 한국어 특화 OCR과 LLM을 조합하면 해결되는 경우가 대부분입니다.

두 번째는 환각입니다. PDF에 없는 수치를 LLM이 그럴듯하게 만들어내는 사고가 신뢰를 가장 크게 무너뜨립니다. "원문 좌표가 잡히지 않으면 추출하지 않는다"는 룰을 시스템에 박아 두는 편이 안전합니다.

세 번째는 단위와 통화입니다. "백만원", "억원", "USD mn"이 같은 표 안에 섞이면 합계가 무의미해집니다. 스키마 매핑 단계에서 단위를 한 가지로 강제 변환하는 룰이 필요합니다.

마지막은 라이선스입니다. 외부 리포트 PDF를 LLM에 보내거나 사내 시트에 보관하는 것이 이용 약관과 충돌하지 않는지, 도입 전에 확인하는 것이 순서입니다.

잘 가고 있다는 신호

지표는 네 가지면 충분합니다. 먼저 자동 통과율, 즉 사람 보강 없이 분석 시트까지 도착하는 행의 비율이 도입 6개월 후 75%를 넘으면 안정 단계로 봅니다. 검수에서 잡히는 잘못된 값의 비율인 오추출 비율은 5% 이하로 관리하는 것이 권장선입니다.

속도와 신뢰도 하나씩 봅니다. PDF 50개 한 묶음을 분석 시트로 만드는 시간은 도입 전 대비 90% 이상 단축이 일반적인 목표입니다. 추출된 값에 출처 PDF와 페이지가 따라붙은 비율인 출처 추적 가능률은 처음부터 100%를 기본 요구로 두어야 합니다. 이 마지막 지표만은 타협의 대상이 아닙니다.

일정 감각도 함께 잡아 두면 좋습니다. 증권사 리서치처럼 한 종류 보고서만 다루는 파일럿은 3주, 사내 스키마 매핑과 검증 룰까지 포함하면 8~10주가 일반적입니다. 보고서 종류가 하나 늘 때마다 2~3주씩 더 잡으면 무리가 없습니다.

오늘 시작한다면

이 가이드대로 사내에서 직접 시작할 수 있습니다. 자주 받는 보고서 한 종류를 골라 디지털 PDF에서 표 한 가지만 추출하고, 사내 스키마로 변환해 분석 시트로 보내는 구성이 가장 단순한 출발점입니다. 한 페이지짜리 표 하나로 시작해도 됩니다. 단일 표, 단일 보고서 파일럿으로 정확도와 검증 룰을 확인한 뒤 묶음 단위로 넓히는 호흡이 사고가 적은 편입니다. 출처 페이지 첨부와 보류함만 잘 잡으면 첫 파일럿에서부터 시간 절감을 체감할 수 있습니다.

여러 보고서 종류를 동시에 다루거나, 한국어 스캔본 처리와 라이선스 정책, 검증 룰까지 포함한 구조를 처음부터 잡고 싶다면 권앤컴퍼니의 사내 강의·컨설팅 옵션도 활용할 수 있습니다.

강의·파일럿 모두 30분 무료 상담으로 함께 검토할 수 있습니다: 상담 신청하기