공공 제안서 배점표·재무제표 데이터: 단순 텍스트 vs 마크다운 표 투입 시 LLM 응답 정확도 비교

※ 본 비교는 이해를 돕기 위해 동일 조건에서 구성한 가상 테스트 시나리오 예시이며, LLM 모델 버전 및 프롬프트 구성에 따라 결과가 다를 수 있습니다.

기업 문서와 공공 입찰 공고문에서 가장 중요한 의사결정 정보는 대부분 표(Table) 안에 담겨 있습니다. 제안서의 기술평가 배점 기준표, 기업의 분기별 재무제표, 조달 물품 규격서 등이 대표적인 예입니다.

이러한 문서를 LLM 기반 질의응답 시스템(RAG)에 입력할 때, 단순 텍스트 덤프 방식과 표준 마크다운 표(|---|) 방식 중 어떤 형태로 주입하느냐에 따라 AI의 수치 추론 정확도와 응답 품질에 유의미한 차이가 발생할 수 있습니다.

실제 업무에서 자주 다루는 두 가지 대표 사례를 통해 입력 형식에 따른 차이를 분석해 보았습니다.

사례 1: 공공 입찰 기술평가 배점표 (병합 셀 포함)

공공 사업 제안요청서(RFP)의 기술능력평가 배점표는 대분류, 세부 평가 항목, 배점 한도, 평가 기준이 다중 행/열로 결합된 구조를 가집니다.

1) 단순 텍스트 추출 형태로 주입 시

평가부문 세부항목 배점한도 평가기준
기술능력 투입인력 전문성 20 특급/고급 기술자 보유 비율
수행실적 유사사업 수행건수 30 최근 3개년 공공기관 실적
기술방안 시스템 아키텍처 30 클라우드 네이티브 설계 적정성
총점 합계 80

• 질의: "투입인력 전문성과 시스템 아키텍처 항목의 배점 합계는 얼마인가요?"
• 응답 양상: 열 구분이 공백으로 모호하게 연결되어 있어, LLM이 '수행실적 30'과 '시스템 아키텍처 30'의 항목명을 오인하거나 합계 계산 시 엉뚱한 수치를 참조하는 혼선이 관찰됩니다.

2) 표준 마크다운 표 형태로 주입 시

| 평가 부문 | 세부 항목 | 배점 한도 | 평가 기준 |
| --- | --- | --- | --- |
| 기술능력 | 투입인력 전문성 | 20점 | 특급/고급 기술자 보유 비율 |
| 수행실적 | 유사사업 수행건수 | 30점 | 최근 3개년 공공기관 실적 |
| 기술방안 | 시스템 아키텍처 | 30점 | 클라우드 네이티브 설계 적정성 |
| **총점 합계** | **-** | **80점** | **-** |

• 질의: "투입인력 전문성과 시스템 아키텍처 항목의 배점 합계는 얼마인가요?"
• 응답 양상: 2차원 표 그리드가 명확하여 '투입인력 전문성(20점)'과 '시스템 아키텍처(30점)'를 정확히 매칭하고, "20점 + 30점 = 50점"이라는 올바른 산술 계산 결과를 도출합니다.

입력 방식	항목-수치 매칭	합산 추론 정확도	환각(Hallucination) 위험
단순 텍스트 덤프	열 경계 모호로 오인 가능	부정확한 참조 위험	상대적으로 높음
마크다운 Table	행/열 구조 유지로 명확	정확한 수치 추출 및 계산	낮음

※ 본 비교는 이해를 돕기 위해 동일 조건에서 구성한 가상 테스트 시나리오 예시이며, LLM 모델 버전 및 프롬프트 구성에 따라 결과가 다를 수 있습니다.

사례 2: 분기별 기업 재무제표 (다중 컬럼 수치 데이터)

기업의 분기 실적 보고서는 시점(2024 4Q, 2025 1Q, 2025 2Q)에 따른 재무 지표가 가로 축으로 길게 배치되는 특성이 있습니다.

1) 단순 텍스트 추출 형태로 주입 시

줄바꿈과 탭 간격이 무너지면서 매출액 수치와 영업이익 수치가 서로 다른 분기의 데이터와 섞여버립니다.

• 질의: "2025년 2분기 영업이익률은 전 분기 대비 얼마나 증감했나요?"
• 응답 양상: 1분기 매출액과 2분기 영업이익을 잘못 교차 계산하여 잘못된 증감률을 답변하는 형태의 계산 오류가 발생하기 쉽습니다.

2) 표준 마크다운 표 형태로 주입 시

| 재무 지표 (억원) | 2024 4Q | 2025 1Q | 2025 2Q |
| --- | --- | --- | --- |
| 매출액 | 1,200 | 1,350 | 1,500 |
| 영업이익 | 180 | 216 | 270 |
| 영업이익률 | 15.0% | 16.0% | 18.0% |

• 질의: "2025년 2분기 영업이익률은 전 분기 대비 얼마나 증감했나요?"
• 응답 양상: 2025 1Q(16.0%)와 2025 2Q(18.0%)의 행/열 교차점을 정확히 읽어내어 "+2.0%p 상승했다"는 정확한 분석 답변을 산출합니다.

입력 방식	시계열 열 매칭	지표 간 교차 연산	환각(Hallucination) 위험
단순 텍스트 덤프	분기별 수치 혼선 발생 가능	오답 도출 위험	상대적으로 높음
마크다운 Table	분기별 컬럼 정렬 유지	정확한 시계열 분석 가능	낮음

※ 본 비교는 이해를 돕기 위해 동일 조건에서 구성한 가상 테스트 시나리오 예시이며, LLM 모델 버전 및 프롬프트 구성에 따라 결과가 다를 수 있습니다.

결론: 수치와 표 데이터가 핵심인 엔터프라이즈 RAG에서 구조화 전처리의 실질적 효용

LLM은 자연어 문맥뿐 아니라 마크다운 표 문법(|, ---)을 통해 데이터의 2차원 공간적 관계를 효과적으로 해석합니다.

복잡한 수치와 조건이 포함된 공공 문서, 금융 데이터, 기술 명세서를 AI 파이프라인에 투입할 때 표 구조를 잃지 않고 표준 마크다운으로 온전히 변환하는 전처리 과정은 RAG 시스템의 신뢰도를 결정짓는 필수 요건입니다.

정확한 표 추출을 지원하는 문서 파이프라인이 필요하시다면 MDChange를 통해 실문서 파싱 품질을 직접 검토해 보세요.