그라운딩

쉽게 말하면, 그라운딩은 AI가 답을 기억에만 기대어 만들지 않고, 검색한 문서나 데이터베이스처럼 확인 가능한 외부 정보에 근거해 만드는 것이다. 답변의 각 주장을 어디서 가져왔는지 되짚을 수 있어, 그럴듯하지만 틀린 내용인 환각(hallucination)을 줄이는 데 쓰인다.

1. 개요

인공지능에서 그라운딩은 AI 시스템의 출력을 검증 가능한 실제 정보에 묶는 과정이다. 그래서 각 주장을 모델의 기억이 아니라 외부 출처까지 거슬러 올라갈 수 있다. 모델이 학습 중 익힌 패턴만으로 답하는 대신, 그라운딩은 출력을 검색된 문서, 검색 결과, 데이터베이스, 감각 입력처럼 독립적으로 확인할 수 있는 정보에 연결한다. 이 기법은 환각(hallucination)에 맞서는 핵심 공학적 방어 수단이다. 환각은 대규모 언어 모델(large language model, LLM)이 그럴듯하지만 사실과 다른 진술을 내놓는 경향을 말한다.

잘 구성된 검색 시스템에서 그라운딩은 환각 비율을 상당히 줄일 수 있다. Google DeepMind의 FACTS Benchmark Suite에 따르면 가장 강력한 그라운딩 모델도 사실성 70% 아래에 머문다. 2026년 초 기준으로는 Gemini 3 Pro가 FACTS Score 68.8%로 선두였다.³

그라운딩은 정보 검색, 지식 표현, 언어 생성이 만나는 지점에서 작동한다. 그라운딩된 시스템의 응답은 특정 문서, 데이터베이스, 검색 결과, 기타 지식 출처에 묶여 있어 사용자가 각 주장을 원출처까지 추적할 수 있다. 이 추적 가능성이 그라운딩된 응답을 추측성 응답과 가르는 요소다.

2. 기호 접지 문제

AI에서 그라운딩이라는 발상은 현재 대규모 언어 모델의 열풍보다 수십 년 앞서 등장했다. 1990년 인지과학자 Stevan Harnad는 *Physica D: Nonlinear Phenomena*에 「The Symbol Grounding Problem」을 발표했다. 이 논문은 계산 시스템이 다루는 기호가 사람의 해석에 기대는 의미가 아니라 시스템 자체에 내재한 의미를 어떻게 가질 수 있는지 물었고, 이 질문은 오늘날에도 여전히 유효하다.

Harnad는 핵심 퍼즐을 이렇게 정리했다. 임의의 모양에 따라서만 다뤄지는 무의미한 기호 토큰의 의미를, 다른 무의미한 기호가 아닌 무엇에 근거시킬 수 있느냐는 것이다. 그는 이를 중국어-중국어 사전만으로 중국어를 배우려는 상황에 비유했다. 실제 경험과 연결되지 않으면 기호는 어디에도 닻을 내리지 못한다.

Harnad는 기호 표현이 두 종류의 비기호적 표현 위에 아래에서 위로 접지되어야 한다고 제안했다. 하나는 원거리 대상과 사건의 감각 투사를 닮은 아이코닉 표현(iconic representations)이고, 다른 하나는 대상 범주의 불변 특징을 골라내는 학습된 특징 검출기인 범주 표현(categorical representations)이다. 그는 연결주의가 이런 불변 특징을 학습하는 메커니즘 역할을 할 수 있으며, 원시 감각 데이터와 기호 레이블 사이의 다리가 된다고 보았다.²

기호 접지 문제는 원래 고전적 AI와 인지과학의 틀에서 제기되었다. 2020년대 들어 LLM이 확산하면서 실무적 긴급성을 얻었다. 현대 언어 모델은 토큰을 통계적으로 처리하며, 그 토큰이 가리키는 세계와 내장된 연결이 없다. 그라운딩 기법은 이 간극을 메우기 위한 공학적 해법으로 등장했다.

3. 대규모 언어 모델에서 그라운딩이 중요한 이유

대규모 언어 모델은 문장에서 가장 그럴듯한 다음 토큰을 예측해 글을 만든다. 이 방식은 매끄럽고 일관된 글을 만들지만 사실성을 보장하지는 않는다. 모델에는 진실에 대한 내부 개념이 없고, 학습 데이터에 기초한 그럴듯함의 모델만 있다. 학습 데이터가 불완전하거나 오래되었거나 모호하면, 모델은 틀린 내용을 확신에 차 내놓을 수 있다.

그라운딩은 추론 실행 시점에 모델이 권위 있는 정보에 접근하도록 해서 이 문제에 대응한다. 학습 중 익힌 지식인 파라메트릭 지식(parametric knowledge)에만 전적으로 기대는 대신, 그라운딩된 시스템은 관련 외부 데이터를 검색해 응답에 반영한다. 이점은 다음과 같다.

• 환각 감소: 검색된 출처가 뒷받침하는 정보로 출력을 제한해, 잘 구성된 시스템에서는 환각을 60~80% 줄일 수 있다.
• 최신 정보 접근: LLM의 학습 데이터에는 차단 시점(cutoff date)이 있다. 웹 검색이나 실시간 데이터베이스를 통한 그라운딩은 모델이 최근 사건에 답하게 한다.
• 검증 가능성: 그라운딩된 응답은 특정 출처를 가리키는 인용을 포함할 수 있어, 사용자가 각 주장을 독립적으로 확인할 수 있다.
• 도메인 특화: 기업은 공개 학습 데이터에 포함된 적 없는 사내 문서, 제품 카탈로그, 고객 기록 같은 독점 데이터에 모델을 그라운딩할 수 있다.

4. 주요 그라운딩 기법

그라운딩에는 여러 접근법이 등장했으며, 각각 적합한 사용 사례가 다르다. 이들은 하나의 시스템에서 함께 결합할 수 있다.

4.1. 검색 증강 생성(RAG)

검색 증강 생성(Retrieval-augmented generation, RAG)은 가장 널리 채택된 그라운딩 기법이다. Facebook AI Research의 Lewis 등이 2020년에 도입했으며, 텍스트 생성 전에 정보 검색 단계를 추가한다. 이 과정은 세 단계로 이루어진다.⁵

• 검색(Retrieve): 사용자 질의가 주어지면 시스템은 지식 베이스(벡터 데이터베이스, 문서 저장소, 검색 인덱스)에서 관련 구절을 찾는다.
• 증강(Augment): 검색된 구절을 추가 맥락으로 모델의 프롬프트에 넣는다.
• 생성(Generate): 모델은 파라메트릭 지식과 검색된 맥락을 함께 반영해 응답을 만든다.

RAG 시스템은 보통 임베딩 모델로 질의와 문서를 모두 벡터 표현으로 바꾼 뒤, 근사 최근접 이웃 탐색으로 의미상 가장 가까운 문서를 찾는다. RAG에 흔히 쓰이는 벡터 데이터베이스에는 Pinecone, Weaviate, Chroma, FAISS가 있다.⁵

RAG의 강점은 유연성에 있다. 지식 베이스를 모델과 독립적으로 갱신할 수 있어 재학습 없이도 최신 상태를 유지할 수 있다. 다만 RAG의 품질은 검색 단계에 크게 좌우된다. 잘못된 문서가 검색되면 모델은 여전히 부정확한 응답을 내놓거나 검색된 맥락을 아예 무시할 수 있다.

4.2. 웹 검색 그라운딩

웹 검색 그라운딩은 언어 모델을 검색 엔진에 연결해, 응답을 생성하기 전에 실시간 웹을 조회하게 한다. 최근 사건, 빠르게 바뀌는 데이터, 학습 데이터에 잘 담기지 않은 주제에 특히 유용하다.

여러 주요 AI 플랫폼이 이 방식을 구현했다.

• Google 검색 그라운딩: 구글은 Gemini API의 내장 도구로 그라운딩을 제공한다. 활성화되면 모델이 프롬프트를 분석해 웹 검색이 답변을 개선할지 판단하고, 검색 질의를 자동 생성해 실행한 뒤 결과를 출처가 달린 응답으로 종합한다. API는 사용된 검색 질의, 그라운딩 청크(출처 주소와 제목), 응답의 텍스트 구간을 출처 청크에 대응시키는 그라운딩 지원 정보를 담은 메타데이터를 돌려준다. 개발자는 이를 이용해 문장 안 인용 화면을 만들 수 있다. 구글은 공간 정보와 지역 업체 질의를 위한 Google Maps 그라운딩으로도 기능을 확장했다.
• 퍼플렉시티(Perplexity AI): 검색 그라운딩을 중심으로 설계된 답변 엔진이다. 모든 응답은 실시간 웹 검색으로 시작하고, 검색된 문서는 임베딩과 추출 파이프라인을 거쳐 관련 구절이 뽑힌 뒤 원래 질의와 함께 LLM에 전달된다. 퍼플렉시티의 핵심 설계 원칙은 모델이 검색하지 않은 내용을 말해서는 안 된다는 것이며, 이는 표준 RAG보다 한 걸음 더 나아가 근거 없는 주장을 명시적으로 금지한다는 뜻이다. 각 응답에는 원출처에 연결되는 번호 매긴 문장 내 인용이 붙는다.
• ChatGPT 검색: OpenAI는 ChatGPT에 웹 검색 기능을 통합해 2025년 2월부터 모든 사용자에게 제공했다. 시스템은 응답 전에 웹에서 정보를 검색하며, 응답에는 관련 출처 페이지로 가는 링크가 포함된다. 웹 검색 도구는 Responses API를 통해 OpenAI API에서도 쓸 수 있으며, gpt-4o-search-preview 같은 모델은 검색 증강 생성을 위해 설계되었다.
• Anthropic 웹 검색: Anthropic은 Claude API에 웹 검색 도구를 도입해, Claude 모델이 생성 중에 웹을 검색할 수 있게 했다. 모델은 질문에 학습 데이터 밖의 정보가 필요하다고 판단하면 목표형 검색 질의를 만들고, 결과를 분석한 뒤 출처 자료에 대한 인용과 함께 응답한다. 이 도구는 Claude 3.7 Sonnet, 업그레이드된 Claude 3.5 Sonnet, Claude 3.5 Haiku에서 쓸 수 있다.^6,7,8

4.3. 인용 생성

인용 생성은 그라운딩된 AI 시스템이 특정 주장을 특정 출처에 귀속시키는 메커니즘이다. 검색된 정보로 응답을 빚기만 하는 것과 달리, 인용 생성은 출력 텍스트와 이를 뒷받침하는 문서 사이에 명시적 연결을 만든다.

Anthropic의 Citations API는 2025년 1월 Claude 모델용으로 도입되었으며, 개발자가 컨텍스트 창에 원본 문서를 넣을 수 있게 한다. 생성 중 Claude는 사용한 정확한 문장과 구절을 가리키는 참조를 자동으로 붙여 검증 가능하고 추적 가능한 응답을 만든다. Anthropic은 이 기능이 맞춤형 프롬프트 기반 인용 방식보다 재현율 정확도를 최대 15%까지 높였다고 밝혔다.

Google의 Gemini API는 생성된 텍스트의 구간을 그라운딩 청크에 대응시키는 그라운딩 지원 정보를 돌려준다. 개발자는 이를 이용해 인용을 프로그램으로 표시할 수 있다.⁶

최근 연구는 인용을 아키텍처 원칙으로 탐구하고 있다. 2024년 인용 기반 코드 이해 연구는 BM25 희소 매칭, BGE 밀집 임베딩, 임포트 관계를 따라가는 Neo4j 그래프 확장을 결합해 인용 정확도 92%와 환각 0건을 달성했다. 이는 단일 방식 기준선보다 14~18%포인트 높은 성능이다.⁹

4.4. 도구 사용과 함수 호출

도구 사용(tool use, 함수 호출·function calling이라고도 함)은 모델이 사실 정보를 얻기 위해 외부 도구, API, 함수를 호출할 수 있게 하는 그라운딩 기법이다. 모델은 기억으로 답을 만드는 대신 특정 데이터가 필요하다고 인식하고, 적절한 도구를 호출한 뒤 반환된 데이터를 응답에 통합한다.

예시는 다음과 같다.

• 날씨 API를 호출해 「지금 도쿄 기온은 얼마인가?」에 답하기
• 데이터베이스를 조회해 고객의 주문 내역 가져오기
• 코드 인터프리터를 실행해 수학 계산 검증하기
• 캘린더 API에 접근해 일정 가능 여부 확인하기

도구 사용은 모델을 실시간의 구조화된 데이터에 묶는다. 날짜, 숫자, 가격처럼 정밀성이 필요한 작업이나 비공개 시스템 접근에 특히 유용하다. OpenAI, Anthropic, Google을 포함한 주요 LLM 제공사들이 API에서 도구 사용을 지원한다.

4.5. 지식 그래프 그라운딩

지식 그래프는 사실을 구조화된 관계로 표현한다. 지식 그래프로 LLM을 그라운딩하려면 사용자 질문과 관련된 개체와 관계를 그래프에서 조회하고, 이 구조화된 정보를 맥락으로 제공한다. 비정형 문서 검색과 달리 지식 그래프는 파리 - 수도 - 프랑스 같은 정밀한 사실 삼중항을 제공하고 여러 단계의 관계를 따라갈 수 있다.

이 방식은 제품, 업무 절차, 규제 요건을 다루는 도메인 특화 지식 그래프를 유지하는 기업 환경에서 흔하다.

5. 시각적 그라운딩

시각적 그라운딩은 자연어 설명을 이미지나 영상의 특정 영역에 연결하는 독립된 하위 분야다. 텍스트 그라운딩이 언어 모델의 출력을 사실 출처에 묶는다면, 시각적 그라운딩은 언어를 시각 인식에 묶는다.

5.1. 정의와 과제

시각적 그라운딩은 참조 표현 이해(Referring Expression Comprehension, REC)라고도 하며, 텍스트 설명(「참조 표현」)을 바탕으로 이미지 속 특정 영역을 찾는 일이다. 이 분야에는 여러 관련 과제가 있으며, 아래 표와 같다.⁴

시각적 그라운딩은 시각 질의응답, 멀티모달 대화 시스템, 로봇의 지시 수행, 대화형 이미지 편집 등 응용의 기반이다.⁴

5.2. Grounding DINO

Grounding DINO는 IDEA Research가 개발한 개방형 집합(open-set) 객체 탐지 모델이다. Shilong Liu, Zhaoyang Zeng, Tianhe Ren, Feng Li, Hao Zhang 등이 저자로 참여한 논문은 2023년 3월 arXiv에 처음 공개되었고, ECCV 2024에서 발표되었다.^10,11

이 모델은 DINO(DETR with Improved deNoising anchOr boxes, 개선된 노이즈 제거 앵커 박스를 갖춘 DETR) 트랜스포머 기반 탐지기와 그라운딩 사전 학습을 결합한다. 이를 통해 범주 이름이나 설명 구절 같은 자연어 입력으로 지정한 임의의 객체를 탐지할 수 있다. 구조는 세 가지 핵심 구성 요소로 이루어진다.¹¹

• 특징 강화기(Feature enhancer): 교차 모달리티 어텐션으로 언어 특징과 시각 특징을 융합한다.
• 언어 유도 쿼리 선택(Language-guided query selection): 언어 특징으로 탐지 쿼리 선택을 이끌며, 이미지 특징을 텍스트 토큰과 비교해 점수를 매긴다.
• 교차 모달리티 디코더(Cross-modality decoder): 셀프 어텐션과 이미지-텍스트, 텍스트-이미지 방향의 교차 어텐션을 번갈아 수행해 탐지 결과를 정교하게 다듬는다.

Grounding DINO는 COCO 학습 데이터 없이 COCO 탐지 제로샷 전이 벤치마크에서 52.5 AP를 달성했다. 또 ODinW 제로샷 벤치마크에서 평균 AP 26.1로 기록을 세웠다.¹¹

Grounding DINO 1.5는 2024년 5월에 공개되었으며 두 가지 변형이 있다.¹²

Pro 모델은 향상된 시각 백본으로 구조를 확장하고, 그라운딩 주석이 달린 2,000만 장 이상의 이미지로 학습되었다. LVIS에서 미세 조정하면 Pro 모델은 LVIS-minival에서 68.1 AP에 도달한다.

Edge 모델은 자원이 제한된 기기에서 실시간 추론 실행에 최적화되었다.¹²

6. 그라운딩과 RAG의 차이

그라운딩과 검색 증강 생성은 서로 가깝지만 같은 개념은 아니다. 두 개념의 차이를 알면 현대 AI 시스템이 어떻게 설계되는지 이해하기 쉽다.

RAG는 그라운딩을 이루는 여러 기법 중 하나다. 다른 그라운딩 방법으로는 웹 검색 통합, 도구 사용, 지식 그래프 질의, 구조화된 데이터에 대한 직접 API 접근이 있다. 완전히 그라운딩된 시스템은 여러 기법을 결합할 수 있다. 예를 들어 사내 문서에는 RAG를, 최신 사건에는 웹 검색을, 구조화된 데이터 질의에는 도구 사용을 쓸 수 있다.

AWS Prescriptive Guidance는 그라운딩을 모델 출력을 정확한 검색 정보에 고정하는 더 넓은 과정으로 설명한다. 그리고 RAG는 검색과 증강을 수행하는 기술적 파이프라인이라고 설명한다.¹³

7. 그라운딩 API와 플랫폼

여러 클라우드 플랫폼이 그라운딩을 관리형 서비스로 제공해, 그라운딩된 AI 애플리케이션을 만드는 데 드는 엔지니어링 부담을 줄인다.

7.1. Google Vertex AI 그라운딩

Google은 Vertex AI를 통해 여러 그라운딩 옵션을 제공한다.

• Google 검색 그라운딩: Gemini 모델을 실시간 웹 콘텐츠에 연결한다. 모델이 검색할 시점을 정하고 질의를 만들어 실행한 뒤, 구조화된 인용 메타데이터와 함께 응답을 돌려준다. Gemini 2.0, 2.5, 3 모델군에서 지원된다.
• Vertex AI Search 그라운딩: Vertex AI Search로 색인된 기업 데이터에 응답을 근거시킨다. 사내 지식 베이스에 유용하다.
• Google Maps 그라운딩: Gemini 3 모델용으로 출시되었으며, 위치 기반 애플리케이션을 위한 공간 데이터, 지역 업체 정보, 장소 세부 정보에 접근하게 한다.
• 사용자 지정 검색 API 그라운딩: 개발자가 자체 검색 인프라에 맞춰 그라운딩할 수 있게 한다.

Gemini 3 모델은 실행된 검색 질의 단위로 과금되며, 이전 모델은 프롬프트 단위로 과금된다.

7.2. Microsoft Azure와 Anthropic의 근거 기능

Microsoft Azure AI Content Safety에는 LLM이 생성한 텍스트가 제공된 출처 자료에 뒷받침되는지 평가하는 근거성 탐지(groundedness detection) 기능이 있다. 두 가지 모드로 작동한다.¹⁴

이 서비스는 도메인별 탐지(의료, 일반)와 작업별 최적화(요약, 질의응답)를 지원한다. 수정 기능은 근거 없는 텍스트를 제공된 출처 자료에 맞게 자동으로 고쳐 쓸 수 있다. 예를 들어 요약문에 환자 이름이 Kevin이라고 적혔는데 출처 문서에는 Jane이라고 되어 있으면, 수정 기능이 불일치를 바로잡는다. 현재 정확도는 영어 콘텐츠에 맞춰 최적화되어 있다.¹⁴

Anthropic은 개발자가 Claude의 컨텍스트 창에 출처 문서를 추가할 수 있게 하는 Citations API를 제공한다. 생성 중 Claude는 사용한 정확한 구절을 자동으로 인용해, 각 주장을 특정 출처 위치까지 추적할 수 있는 결과를 만든다. 이 기능은 Claude 3.5 이후 모델에서 쓸 수 있다.

8. 그라운딩 측정과 벤치마크

그라운딩이 출력을 얼마나 잘 뒷받침하는지 측정하는 일은 활발한 연구 분야다. 여러 지표와 벤치마크가 개발되었다.

8.1. 근거성 지표와 RAG 트라이어드

근거성(faithfulness라고도 함)은 생성된 응답이 검색되었거나 제공된 출처 문서에 얼마나 뒷받침되는지를 측정한다. 환각의 역개념이다. 흔한 평가 방식은 다음과 같다.¹⁵

• 주장 단위 검증: 응답을 개별 주장으로 나누고, 각 주장을 출처 문서와 대조한다.
• NLI 기반 점수화: 자연어 추론 모델이 각 주장을 출처에 대해 뒷받침됨, 모순됨, 중립 중 하나로 분류한다.
• LLM 평가자: 별도의 언어 모델이 응답이 제공된 맥락에 충실한지 평가한다.

RAGAS, TruLens, DeepEval 같은 인기 오픈소스 평가 프레임워크는 RAG 시스템에 자동 근거성 점수를 제공한다.¹⁵

RAG 트라이어드는 RAG 시스템의 세 가지 품질을 평가하는 프레임워크다. 세 가지는 문맥 관련성(검색된 문서가 질의와 관련 있는가), 근거성(응답이 검색된 맥락에 충실한가), 답변 관련성(응답이 실제로 질문에 답하는가)이다. 이 세 지표는 검색 단계와 생성 단계를 함께 보여 주는 성능 관점을 제공한다.

8.2. FACTS 그라운딩 리더보드

FACTS Grounding 벤치마크는 2024년 12월 Google DeepMind와 Google Research가 도입했으며, LLM이 제공된 문서 맥락에 근거한 장문 응답을 생성하는 능력을 평가한다. DeepMind 팀은 LLM이 다양한 용도에서 정보를 전달하는 주된 수단이 되고 있어 응답의 사실 정확성이 중요하다고 밝혔다.^3,16

데이터셋은 1,719개 예시(공개 860개, 비공개 859개)로 구성되며, 최대 32,000토큰(약 2만 단어) 분량의 문서를 포함한다. 금융, 기술, 유통, 의학, 법률 분야를 다룬다.¹⁶

2025년 Google은 Kaggle과 협력해 FACTS를 FACTS Benchmark Suite로 확장했고, 공개 예시를 3,513개로 늘려 네 가지 벤치마크를 포함하게 했다.³

2026년 초 기준으로 Gemini 3 Pro가 FACTS Score 68.8%로 리더보드 선두였으며, 이는 Gemini 2.5 Pro와 비교해 Search 벤치마크에서 오류율이 55% 줄어든 결과다. 전체 FACTS Score가 70%를 넘는 모델은 없었으며, 그라운딩된 사실성에 아직 개선 여지가 크다. 리더보드는 Kaggle에서 공개되어 있다.³

9. 그라운딩의 과제와 한계

그라운딩은 효과적이지만 실무적인 과제가 여러 가지 있다.

9.1. 검색 품질과 지연 시간

그라운딩의 품질은 검색된 정보만큼만 좋다. 검색 시스템이 관련 없거나 오래되었거나 잘못된 문서를 반환하면 모델은 품질이 낮은 출처에 근거해 응답할 수 있다. 적대적 환경에서는 조작된 문서가 검색 파이프라인에 주입될 수 있어 이 문제가 더 커진다.

그라운딩은 생성 전에 검색 단계(또는 여러 검색 단계)를 추가해 응답 시간을 늘린다. 고객 지원 챗봇처럼 실시간성이 중요한 애플리케이션에서는 이 지연이 상당할 수 있다. 시스템 설계자는 그라운딩의 깊이와 응답 속도 사이에서 균형을 맞춰야 한다.

그라운딩을 써도 기반 모델의 파라메트릭 지식은 학습 시점에 고정되어 있다. 그라운딩 시스템이 질의 구성 문제, 색인 공백, 연결 문제 등으로 관련 정보를 검색하지 못하면, 모델은 오래되었을 수 있는 내부 지식으로 대체하면서 그 정보가 낡았을 수 있다는 점을 알리지 않는다.

9.2. 맥락 한계, 지식 충돌, 측정과 보안

Claude, Gemini 같은 모델은 100,000토큰이 넘는 큰 컨텍스트 창을 갖추고 있지만, 검색된 맥락을 무제한으로 넣을 수는 없다. 관련 문서가 많으면 시스템은 무엇을 포함할지 정해야 하며, 중요한 정보가 빠질 수 있다. 모델은 「lost in the middle」 효과도 보이는데, 긴 맥락의 가운데에 놓인 정보에 덜 주목하는 현상이다.

검색된 정보가 모델의 파라메트릭 지식과 모순되면, 모델은 어느 출처를 신뢰할지 정해야 한다. 연구에 따르면 모델은 검색된 맥락을 항상 우선하지는 않으며, 제공된 문서가 다른 내용을 말해도 학습 데이터에 기반한 응답을 만들 때가 있다.

근거성을 객관적으로 측정하는 일은 여전히 어렵다. 자동 지표(NLI 기반, LLM 심판)는 인간 판단의 불완전한 대리 지표다. 사람의 평가는 비용이 많이 들고 규모를 키우기 어렵다. 검색 품질과 생성 품질이 얽혀 있어 그라운딩 자체의 기여를 분리하기도 어렵다.

기업 도입 환경에서 그라운딩은 독점적이거나 규제된 데이터를 다루는 경우가 많다. 이 데이터를 무단 접근, 프롬프트 인젝션 공격, 생성 응답을 통한 의도치 않은 노출로부터 보호하는 일은 현실적인 문제다. 조직은 접근 통제, 데이터 암호화, 감사 추적을 그라운딩 데이터 주변에 구축해야 한다.

10. 그라운딩 접근법 비교

다음 표는 주요 그라운딩 기법을 여러 차원에서 비교한다.

11. 그라운딩의 활용 분야

• 의료: 임상 지침, 약물 데이터베이스, 동료 심사 문헌에 그라운딩된 의료 질의응답 시스템으로, 잘못된 의료 조언의 위험을 줄인다.
• 법률: 판례 데이터베이스와 규제 문서에 그라운딩된 AI 어시스턴트로 법적 정확성을 확보한다. 그라운딩되지 않은 초기 LLM 법률 도입 사례에서는 조작된 판례 인용이 나와 그라운딩 부족의 결과를 보여 주었다.
• 고객 지원: 제품 문서, FAQ, 주문 관리 시스템에 그라운딩된 챗봇으로 정확하고 구체적인 답을 제공한다.
• 금융: 시장 데이터 피드, SEC 제출 서류, 금융 뉴스에 그라운딩된 거래 및 자문 도구로 시간에 민감한 정확성을 확보한다.
• 교육: 교과서와 교육과정에 그라운딩된 튜터링 시스템으로 사실에 맞는 설명을 제공한다.
• 검색 엔진: Perplexity, Google AI Overviews, ChatGPT Search처럼 웹 검색 결과에 응답을 그라운딩하는 AI 기반 검색 제품이다.

12. 향후 방향

그라운딩 연구는 여러 방면에서 계속 발전하고 있다. 다중 에이전트 검증 시스템은 콘텐츠 생성, 사실 확인, 인용 검증, 논리 일관성 검토를 서로 다른 에이전트에 맡겨 환각에 맞서는 여러 겹의 방어를 만든다. 학습된 희소 검색기와 다중 벡터 밀집 검색기 같은 검색 모델의 개선은 생성기에 제공되는 문서의 품질을 높이려는 것이다. 장문맥 모델 연구는 한 프롬프트에 넣을 수 있는 그라운딩 정보의 양을 늘리려 한다.

FACTS 같은 표준 벤치마크와 RAGAS 같은 평가 프레임워크의 개발은 그라운딩 기법을 더 엄밀하게 비교하도록 이끌고 있다. LLM이 의료, 법률, 금융처럼 위험도가 높은 분야에 도입될수록 견고하고 측정 가능한 그라운딩에 대한 수요는 계속 커질 것이다.

에이전트 그라운딩도 활발한 분야다. AI 에이전트가 언제, 어떻게 정보를 검색할지 스스로 결정하고, 검색, 읽기, 출처 품질 평가, 여러 출처의 정보 종합을 포함하는 다단계 조사 워크플로를 수행한다. Google은 검색 파이프라인만이 아니라 그라운딩이 활성화되었을 때 더 사실적인 응답을 내도록 모델 자체를 조정하는 「고충실도 그라운딩(high-fidelity grounding)」 모드도 도입했다.