PDF를 AI에 맡겼는데 답이 틀리는 이유: 스캔·표·문맥 손실

PDF의 표에는 국내 출장 식비가 2만 원으로 적혀 있는데 답변에 3만 원이 나왔다면, 글자를 읽은 단계부터 확인합니다. 숫자가 틀렸다는 사실만으로 모델의 계산 능력을 원인으로 정할 수는 없습니다. pypdf의 텍스트 추출 문서는 PDF의 표가 위치에 맞춰 배치한 글자로 저장되기도 하며, 일반 텍스트로 바꾸는 과정에서 행과 열을 해석하기 어렵다고 설명합니다.

문제를 좁히는 기준은 세 가지입니다. 화면의 글자가 추출문에도 있는지, 그 글자가 어느 제목·행·열에 속하는지, 답변이 그 관계를 지켰는지 확인합니다. 앞 단계에서 사라진 예외는 마지막 답변에 정확성을 요구하는 문장만 덧붙여 복구하기 어렵습니다.

글자 선택과 내용 전달을 따로 확인한다

텍스트로 만든 PDF는 글자 정보를 포함합니다. 스캔 PDF는 페이지 사진만 포함할 수도 있고, 사진 위에 인식된 글자 정보를 겹쳐 놓을 수도 있습니다. 문서 한 권 안에서도 페이지마다 구성이 다를 수 있어 첫 장의 복사 성공만으로 전체 파일을 판단하기 어렵습니다.

OCRmyPDF의 소개 문서에 따르면 OCR은 이미지의 글자를 추정해 선택·검색 가능한 텍스트로 바꾸며, 이 도구는 스캔 PDF에 그 텍스트 레이어를 더합니다. 화면의 숫자는 선명해도 뒤에 붙은 OCR 결과가 다르면 복사한 숫자는 달라집니다. 텍스트를 선택할 수 있다는 사실은 화면과 추출문이 일치하는지 확인할 출발점입니다.

확인은 중요한 문장 하나를 복사해 나란히 읽는 것으로 시작합니다. 금액의 쉼표, 소수점, 음수 기호, 날짜, 부정 표현을 먼저 봅니다. 추출문에 글자가 전혀 없으면 이미지 인식이나 OCR 경로를 확인하고, 글자는 있으나 잘못됐다면 원문 이미지와 인식 결과를 대조합니다. 처음부터 텍스트가 들어 있는 페이지까지 전부 다시 OCR로 바꾸는 방식은 별도의 인식 오류를 더할 수 있습니다.

여러 단으로 편집한 문서는 글자를 읽는 순서도 살핍니다. PyMuPDF의 읽기 순서 설명은 파일에 저장된 텍스트 순서가 사람이 보는 읽기 순서와 다를 수 있다고 밝힙니다. 위치 정보를 보존한 추출이나 영역별 읽기가 필요한 이유입니다. 한 줄에 나란히 있는 두 문장이 서로 다른 규정에 속한다면 좌우 위치만 지운 텍스트에서는 적용 대상이 섞일 수 있습니다.

표의 숫자는 행·열·각주와 함께 읽는다

표를 검토할 때는 값 하나를 찾은 뒤 위로 올라가 열 제목, 왼쪽으로 이동해 행 제목을 확인합니다. 표 위의 단위와 아래의 각주도 같은 기록에 묶습니다. ‘20’이라는 값만 남으면 20원인지 20만 원인지 알 수 없고, 개정 전·후 열이 바뀌면 숫자를 정확히 읽어도 답은 틀립니다.

pypdf의 추출 난점 설명은 병합 셀, 각주 위치, 머리말·꼬리말을 텍스트로 옮길 때의 선택을 구분합니다. 글자를 모두 추출해도 표 구조와 본문 소속 관계까지 자동으로 보존됐다고 볼 수는 없습니다. 확인할 단위는 ‘숫자가 포함됐는가’에서 ‘이 숫자가 어떤 조건에 적용되는가’까지 이어집니다.

표가 다음 페이지로 계속되면 앞 페이지의 열 제목과 뒤 페이지의 반복 제목을 연결합니다. 각주가 뒤 페이지로 넘어갔다면 적용 대상이 앞의 표 전체인지 특정 행인지 원문에서 찾습니다. 문서의 인쇄 쪽수와 PDF 뷰어의 순번이 다를 때는 두 번호를 함께 남겨 같은 페이지를 다시 열 수 있게 합니다.

화면에서 표를 잘라 다시 제공하는 방법도 범위를 정해 씁니다. 필요한 행과 열만 자르다가 단위·적용일·제외 조건까지 잘라내면 답을 바꾸는 정보가 줄어듭니다. 재입력할 범위는 값과 그 값을 해석하는 표제·각주가 함께 들어오는 영역입니다.

세 쪽 시험 문서에서 확인한 추출 차이

진단 예시로 실제 회사 자료를 쓰지 않는 영문 PDF 세 쪽을 만들었습니다. 첫 쪽은 출장과 장비 반납 규정을 두 단으로 배치했고, 둘째 쪽은 개정 전후 식비 표와 예외 각주를 넣었습니다. 셋째 쪽은 영수증 규칙을 이미지로만 저장했습니다. 2026년 10월 28일 UTC에 pypdf 6.21.3의 일반 추출과 레이아웃 추출을 실행하고, 렌더링한 각 페이지와 대조했습니다.