NotebookLM은 표가 많은 보고서를 얼마나 정확하게 읽을까?
NotebookLM은 표가 많은 보고서를 얼마나 정확하게 읽을까? 실제 테스트 결과 공개
최근 NotebookLM을 활용하는 사람들이 빠르게 늘어나고 있다. 논문, 연구보고서, 정부 정책자료, 감사보고서, 사업계획서 등 다양한 PDF를 업로드한 뒤 AI와 대화하며 필요한 내용을 찾을 수 있다는 점이 큰 장점으로 꼽힌다.
하지만 실제로 사용하다 보면 한 가지 의문이 생긴다.
"본문은 잘 읽는 것 같은데 표도 정확하게 읽을까?"
특히 연구보고서나 정책자료를 자주 다루는 사람이라면 표와 통계자료가 얼마나 중요한지 잘 알고 있을 것이다. 많은 연구결과가 표 형태로 정리되어 있고, 정책 예산이나 통계수치 역시 대부분 표로 제공된다.
만약 AI가 표를 잘못 읽는다면 분석 결과 자체가 달라질 수 있다.
그래서 이번에는 NotebookLM이 표가 많은 보고서를 얼마나 정확하게 읽는지 직접 테스트해봤다.
이번 실험에서는 단순 요약이 아니라 다음 세 가지를 중심으로 분석했다.
표 인식 정확도
통계자료 분석 능력
실제 오류 사례
특히 장점뿐 아니라 실제로 발생한 오류와 한계까지 함께 정리해보았다.
왜 표 분석 테스트가 중요할까?
AI가 문서를 읽는 방식은 사람이 읽는 방식과 다르다.
사람은 표를 보면 행과 열의 관계를 직관적으로 이해한다.
예를 들어 다음과 같은 표가 있다고 가정해보자.
연도 | 방문객 수 | 증가율
2023 | 100만명 | -
2024 | 120만명 | 20%
2025 | 150만명 | 25%
사람은 숫자의 위치와 관계를 쉽게 파악한다.
하지만 AI는 PDF 내부 구조나 OCR 결과를 기반으로 정보를 해석한다.
따라서 표 구조가 복잡하거나 스캔 품질이 좋지 않으면 숫자와 항목의 연결이 깨질 수 있다.
실제로 여러 사용자 테스트에서도 복잡한 표나 격자가 없는 표에서 행과 열 관계가 무너지는 사례가 보고되고 있다.
즉, 표 분석은 단순한 문서 요약보다 훨씬 어려운 작업이다.
실험에 사용한 자료
이번 테스트에는 실제 공개된 연구보고서와 정책자료를 활용했다.
자료 구성은 다음과 같았다.
정부 정책 연구보고서 5건
공공기관 감사보고서 5건
통계연보 3건
연구논문 4편
산업동향 보고서 3건
총 20개 PDF
전체 분량은 약 2,500페이지 수준이었다.
특히 다음과 같은 표를 포함한 자료를 의도적으로 선정했다.
단순 통계표
다중 열 구조 표
합계와 세부항목이 혼합된 표
예산표
연구결과 표
회귀분석 결과표
첫 번째 실험, 단순 표 인식 정확도
가장 먼저 단순한 통계표를 테스트했다.
예를 들어 연도별 예산현황이나 인원 현황처럼 구조가 단순한 표다.
NotebookLM에 다음과 같은 질문을 입력했다.
"2021년부터 2025년까지 예산 변화를 정리해줘."
결과는 상당히 만족스러웠다.
단순 표의 경우 대부분 정확하게 인식했다.
숫자 추출도 비교적 안정적이었다.
특히 디지털 원본 PDF는 정확도가 높았다.
텍스트 선택이 가능한 PDF에서는 큰 문제를 발견하지 못했다.
두 번째 실험, 복잡한 표 인식 테스트
이번에는 여러 열과 여러 항목이 포함된 복합 표를 테스트했다.
예를 들어 다음과 같은 유형이다.
사업별 예산
연도별 성과지표
지역별 통계자료
세부항목 분석표
이 단계부터 차이가 나타나기 시작했다.
일부 표에서는 특정 수치가 다른 항목과 연결되는 현상이 발생했다.
특히 셀이 병합된 표에서 이런 문제가 자주 나타났다.
NotebookLM 관련 사용자 테스트에서도 병합 셀과 다단계 헤더가 포함된 표는 구조를 잘못 해석하는 경우가 보고되고 있다.
세 번째 실험, 통계자료 분석
이번에는 단순 숫자 추출이 아니라 해석 능력을 확인했다.
질문 예시는 다음과 같았다.
"방문객 증가율이 가장 높은 연도를 알려줘."
"예산 증가 폭이 가장 큰 사업은 무엇인가?"
"5년 평균 성장률을 계산해줘."
흥미롭게도 단순 계산은 상당히 정확했다.
하지만 전제가 되는 표 구조를 잘못 읽은 경우 계산 결과도 달라졌다.
즉,
숫자 계산 능력 문제가 아니라
숫자를 읽는 과정의 문제가 발생하는 경우가 있었다.
가장 정확했던 문서 유형
실험 결과 가장 정확도가 높았던 자료는 다음과 같았다.
디지털 원본 PDF
보고서 원본이 전자문서 형태로 제작된 경우
표 인식 정확도가 높았다.
단순 구조 표
행과 열이 명확하게 구분된 경우
오류가 거의 발생하지 않았다.
최근 보고서
최신 보고서는 PDF 구조가 비교적 정돈되어 있어 분석 결과도 안정적이었다.
가장 오류가 많았던 문서 유형
반대로 오류가 자주 발생한 자료도 있었다.
스캔본 PDF
OCR에 의존하는 문서는 오류가 증가했다.
NotebookLM은 텍스트를 읽기 때문에 스캔본은 OCR 품질에 크게 영향을 받는다.
이미지 기반 표
표가 이미지 형태로 삽입된 경우
정확도가 떨어졌다.
병합 셀이 많은 표
행과 열 관계가 복잡한 경우
숫자 연결 오류가 발생했다.
실제 오류 사례 1
한 정책보고서의 예산표를 분석했다.
원본 표에는
사업 A
사업 B
사업 C
예산이 각각 정리되어 있었다.
하지만 NotebookLM은 일부 항목의 예산을 다른 사업과 연결했다.
전체 예산 규모는 맞았지만 세부 항목 연결이 틀린 것이다.
만약 원문 검토 없이 보고서를 작성했다면 잘못된 결론을 내릴 수 있는 상황이었다.
실제 오류 사례 2
통계연보에 포함된 지역별 인구 자료를 테스트했다.
지역명이 여러 줄로 구성된 표였다.
NotebookLM은 일부 지역 데이터를 다른 지역과 연결했다.
전체 추세는 맞았지만 세부 수치가 바뀌어 있었다.
특히 표 구조가 복잡할수록 이런 현상이 증가했다.
실제 오류 사례 3
연구논문의 회귀분석 결과표를 테스트했다.
회귀계수와 유의확률이 함께 제시된 표였다.
일부 변수의 계수와 유의확률이 서로 다른 행과 연결되는 현상이 발생했다.
이 경우 연구 결과 해석 자체가 달라질 수 있다.
실제로 복잡한 표는 행과 열 관계가 깨지면서 숫자가 뒤섞일 수 있다는 사례가 여러 테스트에서 보고되고 있다.
오류를 줄이는 방법
실험 과정에서 오류를 줄이는 방법도 확인할 수 있었다.
첫 번째
표 자체를 설명하게 한다.
예를 들어
"이 표는 몇 개의 열과 행으로 구성되어 있나?"
라고 먼저 질문한다.
두 번째
숫자 추출 전에 구조를 확인한다.
복잡한 표는 바로 분석하지 말고
구조를 설명하게 하는 것이 좋다.
세 번째
중요한 숫자는 원문 검증을 한다.
예산
통계
연구결과
성과지표
등은 반드시 원본 PDF와 대조해야 한다.
네 번째
스캔본은 OCR 후 사용한다.
스캔본 PDF는 OCR을 거친 뒤 활용하는 것이 정확도를 높이는 데 도움이 된다.
연구자 입장에서의 활용성
연구자 관점에서 NotebookLM은 상당히 유용한 도구였다.
특히 다음 작업에서 효과가 좋았다.
논문 비교
보고서 요약
핵심 내용 정리
연구 흐름 분석
문헌고찰 작성
하지만 통계표와 연구결과표는 반드시 재검증이 필요했다.
특히 논문 작성이나 정책분석처럼 정확성이 중요한 작업에서는 원문 확인이 필수라고 생각한다.
실제 업무 활용성
공공기관이나 기업에서도 활용 가능성은 충분했다.
예를 들어
감사보고서 분석
사업계획서 검토
정책자료 비교
성과평가 자료 검토
등에서는 상당한 시간 절약 효과가 있었다.
다만 표 안에 있는 숫자를 그대로 인용하는 작업이라면 검증 절차를 추가하는 것이 안전했다.
최종 결론
이번 실험을 통해 NotebookLM은 표가 많은 보고서를 상당 부분 분석할 수 있지만 모든 표를 100% 정확하게 읽는 것은 아니라는 점을 확인할 수 있었다.
단순한 통계표와 디지털 원본 PDF에서는 높은 정확도를 보였지만, 스캔본 PDF, 병합 셀이 많은 표, 복잡한 통계표에서는 오류가 발생할 수 있었다.
특히 정책자료, 연구논문, 감사보고서처럼 수치가 중요한 문서는 AI 결과를 그대로 사용하는 것이 아니라 원문과 대조하는 과정이 필요했다.
결론적으로 NotebookLM은 표 분석 업무를 빠르게 수행할 수 있는 강력한 보조도구이지만, 최종 검증은 여전히 사람이 수행해야 한다. 특히 연구자와 공무원, 정책분석가처럼 숫자의 정확성이 중요한 사람이라면 AI 분석 결과를 참고자료로 활용하고 핵심 수치는 반드시 원문을 재확인하는 것이 가장 안전한 활용 방법이라고 생각한다.