공공기관 문서 파싱 솔루션 선택 기준 | HWP 지원·온프레미스 조건 총정리

공공기관에는 수십 년치 HWP·HWPX 문서가 쌓여 있습니다. 이 방대한 자산을 AI가 활용 가능한 데이터로 전환하는 작업이 공공기관 문서 파싱입니다. 실제로 솔루션을 적용해 보면 표가 어긋나거나 각주 전체가 누락되는 문제가 자주 발생합니다.

앞단에서 문서를 잘못 읽으면 그 오차는 검색·답변 단계까지 그대로 번지기 때문에, 처음부터 제대로 된 기준으로 솔루션을 골라야 합니다. HWP·HWPX 지원부터 온프레미스 조건까지, 공공기관이 문서 파싱 솔루션을 고를 때 무엇을 확인해야 실패하지 않는지 기준별로 정리했습니다. 

공공기관 문서에서 자주 발생하는 파싱 문제

HWP 문서 파싱, 일반 AI 도구로 어려운 이유

공공기관 문서는 대부분 HWP·HWPX 포맷인데, 일반 AI 도구는 이 형식을 직접 읽지 못해 PDF로 바꾼 뒤 처리합니다. 바로 이 변환 단계에서 표나 각주 같은 구조 정보가 손실될 수 있습니다.

HWP·HWPX는 국내 업무 환경에 최적화된 문서 포맷입니다. 오랫동안 공공·민간에 축적된 한글 문서는 AI가 학습해야 할 중요한 데이터 자산입니다.

한컴테크 블로그에 따르면, 한컴은 과거부터 파일 포맷 형식을 공개하고 HWPX 변환기를 무료로 배포해 왔습니다. 다만 형식이 열려 있다고 해서 기계가 그 안의 구조를 곧바로 이해하는 것은 아닙니다.

텍스트만 추출해서는 부족한 이유가 있습니다. 문서 레이아웃 연구(LayoutLM)에 따르면 기존 방식은 글자를 읽어 내는 데만 집중한 나머지, 문서를 온전히 이해하는 데 꼭 필요한 레이아웃·서식 정보를 놓친다고 지적합니다. 표의 어느 칸이 어느 항목에 속하는지, 각주가 어느 문장에 연결되는지 등의 연관성이 사라지면, 사람은 한눈에 파악할 수 있어도 AI는 문서를 절반만 이해하게 됩니다.

병합 셀·다단 헤더가 많은 공공문서, 표 구조 인식의 한계

공공문서에 자주 나타나는 병합 셀, 여러 단으로 나뉜 머리글, 테두리 없는 표는 기존 방식으로 처리할 경우 구조가 손상된 채 인식되는 경우가 많습니다. 표의 행과 열 관계를 복원하는 TSR(Table Structure Recognition, 표 구조 인식)의 난도가 그만큼 높기 때문입니다.

특히 공공문서에서 자주 어긋나는 지점은 다음과 같습니다.

• 병합 셀: 여러 칸이 하나로 묶인 표를 하나의 구조로 잡아내지 못함
• 다단 구성: 읽기 순서가 뒤섞여 항목과 값이 서로 어긋남
• 테두리 없는 표: 표로 인식하지 못하고 일반 텍스트로 처리
• 결과: 결과: 구조가 손상된 데이터는 RAG 검색 정확도 저하로 이어짐

표를 검출하고 그 구조를 인식하는 일은 딥러닝에서 별도로 연구될 정도로 난도가 높은 과제입니다.

표 검출·구조 인식 서베이 연구도 이 점을 지적합니다. 결국 표의 일부를 잘못 읽으면 그 오류가 이후 검색·답변 단계까지 이어지기 때문에, 표 구조를 얼마나 온전히 보존하느냐가 핵심입니다.

💡 병합 셀·다단 헤더처럼 손상되기 쉬운 표 구조를 어떻게 보존하는지는 한컴 데이터 로더 데모에서 확인할 수 있습니다.

공공기관 문서 파싱 솔루션 선택 기준

공공기관 문서 파싱 솔루션을 선택할 때 실제로 결정 요인이 되는 기준은 네 가지입니다. HWP·HWPX 원본을 변환 없이 직접 읽는지, 문서가 내부망을 벗어나지 않는지, 정형·비정형 문서를 하나의 솔루션으로 함께 처리하는지, 그리고 초기 구축 없이 먼저 검증할 수 있는지입니다.

HWP·HWPX 원본 파싱 지원 여부

원본 바이너리를 직접 처리하는 솔루션은 PDF로 변환하는 중간 단계 없이, 원본 파일 자체를 다섯 단계로 나누어 구조를 보존합니다. 여기서 바이너리란 육안으로 읽는 문서가 아니라 프로그램이 저장한 원본 파일 형태를 말합니다.

1. 문서 – 처리할 원본 문서를 그대로 수신합니다.
2. 데이터 속성 분석 – 문서가 어떤 요소로 구성됐는지 성격을 파악합니다.
3. 데이터 및 정보 추출 – 텍스트·표·계층 정보를 추출합니다.
4. AI 보완 – 규칙 기반 처리만으로 부족한 부분을 AI가 보완합니다.
5. 데이터 및 정보 보완 – 추출 결과를 정제합니다.
6. 최종 결과물 제공 – 구조화된 데이터를 최종 산출물로 제공합니다.

이렇게 원본을 직접 다뤄야 표 구조·각주·메타데이터를 그대로 보존할 수 있습니다. 문서 레이아웃 데이터 세트 연구(DocLayNet)에 따르면, 문서의 구조를 정확히 구분하는 일은 8만여 페이지를 사람이 일일이 주석 처리한 대규모 데이터로 따로 학습해야 할 만큼 별개의 과제로 다뤄집니다. 원본 구조를 처음부터 직접 읽어 내는 방식이 중요한 이유가 여기에 있습니다.

온프레미스·폐쇄망 환경, 문서 AI 솔루션으로 운영할 수 있을까

문서가 외부로 전송되지 않는 온프레미스 방식이라면 폐쇄망 환경에서도 문서 AI 솔루션을 운영할 수 있습니다. 온프레미스는 고객사 내부 서버에 솔루션을 직접 설치해 운용하는 방식이라, 문서 데이터가 기관 밖으로 나가지 않아 보안 요구가 높은 공공 환경에 적합합니다.

개인정보처럼 민감한 데이터가 담긴 문서를 다루는 기관일수록, 데이터가 내부망을 벗어나지 않는 구조가 도입의 전제 조건이 됩니다. 민감 데이터를 외부로 내보내지 않고 처리하는 것은 온프레미스 문서 AI 연구에서도 실제로 다루는 과제입니다. 이 연구는 완전히 내부에서만 실행되는 방식을 기본으로 하고, 클라우드 연동은 정책이 허용할 때만 선택할 수 있도록 설계했습니다.

실제로 행정안전부가 추진한 범정부 초거대 AI 공통 기반 사업도 정부·지자체가 보안 우려 없이 생성형 AI를 활용하도록 하는 것을 목표로 삼았습니다. 그만큼 공공 영역에서는 얼마나 잘 읽느냐만큼 어디서 처리하느냐가 도입을 좌우합니다.

정형·비정형 문서 동시 처리, 파싱 솔루션 필수 조건

서식이 정해진 정형 문서와 스캔본·이미지가 섞인 비정형 문서를 하나의 솔루션으로 함께 처리할 수 있는지가, 도구를 둘로 나누지 않게 하는 기준입니다. 공문·법령처럼 형식이 일정한 정형 문서는 사전에 정의한 규칙 기반으로 빠르게 처리하고, 그림·표가 섞인 비정형 문서는 DLA(Document Layout Analysis, 문서 구조 분석)로 정밀하게 분석합니다.

포맷마다 처리 방식도 달라집니다. HWP·HWPX는 원본을 직접 파싱해 표·각주까지 보존하고, PDF는 원본에서 바로 추출하되 스캔 문서는 OCR(Optical Character Recognition, 광학 문자 인식)을 연동합니다. OOXML은 텍스트를 추출하고, PNG·JPG·BMP 같은 이미지 파일은 OCR로 글자를 인식합니다. 하나의 솔루션이 이 방식들을 상황에 맞게 선택하거나 병행함으로써, 공공기관이 OCR 솔루션과 정형 문서 처리 도구를 따로 둘 필요가 없어집니다.

복잡하게 배치된 문서에서 구성 요소를 정확히 검출하는 일은 여전히 활발히 연구되는 과제입니다. 문서 구조 분석 연구(Hybrid DLA)에서는 Transformer 기반 객체 탐지 기술로 표·그림 등 문서 구성 요소의 검출 정확도를 높이는 방법을 다룹니다. 그만큼 비정형 문서를 제대로 읽어 내는 것이 여전히 쉽지 않다는 것을 보여줍니다.

공공기관 문서 파싱 솔루션 도입 비용과 확장성

초기 서버 구축 없이 사용한 만큼만 비용을 내며 먼저 검증할 수 있는 방식이 있는지가, 예산과 검증 절차를 감안해야 하는 공공기관에는 중요한 기준입니다. SaaS API 방식은 별도 서버를 세우지 않고 즉시 연동해, page(문서 페이지) 단위로 사용한 만큼만 비용이 발생합니다.

이렇게 페이지 단위로 사용량만큼 과금하는 방식은 문서 AI API에서 널리 쓰이는 구조입니다. Google Document AI도 처리한 페이지 수에 따라 비용이 매겨지는 종량제로 운영되고, 실패한 요청에는 비용을 매기지 않습니다. 서버를 미리 구축하지 않아도 되므로, 공공기관이 예산을 크게 들이기 전에 실제 문서로 성능을 먼저 확인하기에 적합합니다.

이 방식은 공공기관 문서 파싱 자동화를 처음 검토하는 단계에 적합합니다. 큰 초기 투자 없이 실제 기관 문서로 결과를 확인한 뒤, 규모가 커지면 온프레미스로 확장하는 순서로 진행할 수 있습니다. 온프레미스 구축 전에 파일럿(검증) 목적의 사전 테스트 용도로도 적합합니다.

💡 보안이 까다로운 공공 환경에서도 행정안전부·경기도교육청·국회가 선택한 솔루션 

👉 한컴 데이터 로더 자세히 살펴보기 

공공기관 문서 파싱 솔루션 비교 기준 3가지

공공기관 문서 파싱 솔루션을 비교할 때는 속도나 정확도 수치보다, 문서를 어떤 방식으로 처리하는지 그 구조적 차이를 먼저 확인해야 합니다. 앞단 전처리가 얼마나 정교한지가 결국 최종 검색·답변 품질을 좌우하기 때문입니다.

한눈에 살펴보는 공공기관 문서 파싱 솔루션 비교 기준

비교 기준	확인할 질문	기관 환경에서의 의미
변환 단계 유무	PDF 변환을 거치는가, 원본(HWP·HWPX)을 직접 파싱하는가	변환 단계가 없어야 표·각주 손실을 줄임
표·각주 보존 여부	표 구조·각주·메타데이터가 그대로 보존되는가	복잡한 표일수록 보존 여부가 품질을 좌우함
온프레미스 지원 여부	문서가 외부로 나가지 않는 구조로 운영되는가	폐쇄망에서는 필수 조건

표에서 첫 번째 기준인 변환 단계를 특히 주의 깊게 살펴봐야 합니다. PDF로 변환하는 과정에서 생긴 오류가 이후 검색·답변까지 그대로 전이되기 때문입니다. OCR과 RAG 연계 연구는 추출 단계의 오차가 이후 검색·생성으로 이어지는 현상을 여러 실제 업무 문서에서 확인하며, 앞단 품질이 전체 결과의 상한선을 정한다고 지적합니다. 두 번째 기준인 표·각주 보존도 문서 종류에 따라 편차가 크며, 문서 파싱 벤치마크 연구에서는 특정 문서에서만 성능이 좋은 도구가 실제 업무 문서에서는 정확도가 떨어질 수 있어 다양한 문서로 평가해야 한다고 강조합니다.

결국 비교의 초점은 어느 솔루션이 더 빠른가 하는 순위가 아니라, 자사가 다루는 문서 포맷과 보안 환경에 그 처리 방식이 맞물리는가에 있습니다.

한컴 데이터 로더 도입 사례로 보는 공공기관 문서 파싱

경기도교육청 AI 디지털플랫폼, 2,800여 개 학교 문서를 데이터화

경기도교육청의 AI 디지털플랫폼 구축 사업에서 한컴 데이터 로더는 2,800여 개 학교의 문서를 AI가 학습할 수 있는 데이터로 변환하는 역할을 맡았습니다. LG CNS 컨소시엄이 주관한 전국 교육청 최초의 대규모 AI 플랫폼 사업입니다.

디지털데일리 보도에 따르면, 한컴 데이터 로더는 약 2,800개 학교 홈페이지의 안내자료 4만여 건, 지침·법령 7,000여 건을 AI가 처리할 수 있는 형태로 변환했습니다.

여기서 데이터 로더가 맡은 일은 문서를 추출·파싱해 구조화하는 단계까지입니다. 이렇게 변환된 데이터를 받아 학교 규정·행정 지침에 대한 질의응답을 제공하는 것은 자사 RAG 솔루션 한컴피디아가 담당하며, 두 제품의 역할이 나뉘어 있습니다.

행정안전부·국회, 공공기관 전반으로 확산되는 문서 파싱 도입

행정안전부의 범정부 초거대 AI 공통 기반 사업과 국회 빅데이터 분석 플랫폼 구축 사업에서도 한컴 데이터 로더가 공공 문서를 구조화하는 역할로 채택되었습니다. 행안부 사업에서는 AI 학습용 데이터 추출 솔루션으로 공공 문서를 정밀하게 구조화했습니다.

국회 사업에서는 한컴이 삼성SDS와 컨소시엄을 구성해 116억 원 규모 사업자로 선정됐습니다. 국회사무처·국회도서관의 문서를 데이터 로더가 파싱해 벡터DB 구축의 기반을 만들고, 이후 한컴피디아가 의정활동용 질의응답을 제공하는 구조로 이어집니다. 교육·행정·입법으로 영역이 넓어지는 만큼, 공공 문서 파싱은 여러 기관이 함께 채택하는 방식으로 자리 잡고 있습니다.

한컴 데이터 로더로 시작하는 공공기관 문서 파싱

🖥 한컴 데이터 로더란

한컴 데이터 로더는 에이전트가 문서를 다루기 전에, 문서를 이해할 수 있는 AI 데이터로 전환하는 문서 파싱(Document Parsing) 솔루션입니다. 한컴 데이터 로더는 HWP·HWPX·PDF·OOXML을 구조화 데이터로 전환하는 문서 파싱 솔루션으로, 일반 OCR과 달리 문서의 구조를 보존하며 추출한다는 점이 핵심입니다.

한컴은 AI 제품 3종(한컴어시스턴트·한컴피디아·한컴 데이터 로더)으로 GS 인증 1등급을 획득으며, 데이터 로더도 여기에 포함됩니다.

한컴 데이터 로더 기술 특징

한컴 데이터 로더는 앞서 정리한 네 가지 선택 기준을 다음 기술로 충족합니다. 기준과 기술이 하나씩 맞물리는 구조입니다.

✅ HWP·HWPX 원본 바이너리 직접 파싱
PDF로 변환하지 않아 표·각주 손실을 줄입니다.

✅ 온프레미스·SaaS API 병행 지원
폐쇄망 내부 설치와 사용량 기반 검증을 모두 지원합니다.

✅ 정형·비정형 문서 동시 처리
정형은 규칙 기반으로 빠르게, 비정형은 AI 기반으로 정밀하게 처리합니다.

✅ GS(Good Software) 인증 1등급 획득

첫 번째는 HWP·HWPX 원본 파싱 기준에, 두 번째는 온프레미스와 도입 비용 기준에, 세 번째는 정형·비정형 동시 처리 기준에 그대로 대응합니다. 기준을 정리한 뒤 기능을 대조해 보면, 기관 환경에 적합한지 판단하기가 한결 수월해집니다.

💡 자사 환경에 맞는 도입 방식(온프레미스/SaaS API)이 궁금하다면, 담당자와 상담을 통해 확인해 보세요. 

👉 한컴 데이터 로더 도입 상담하기

공공기관 문서 파싱 솔루션 자주 묻는 질문 (FAQ)

공공기관 문서 파싱, 선택 기준부터 다시 세우기

공공기관 문서 파싱 솔루션을 선택할 때 기준이 되는 지점은 결국 세 가지로 좁혀집니다. HWP·HWPX 원본을 변환 없이 직접 읽는지, 문서가 내부망을 벗어나지 않는지, 정형·비정형 문서를 하나의 솔루션으로 함께 다루는지입니다. 

여기에 초기 구축 없이 먼저 검증할 수 있는 방식까지 갖추면 예산과 보안 절차가 까다로운 공공 환경에서도 무리 없이 도입을 시작할 수 있습니다. 이 기준들을 종합해 보면, 문서 파싱은 단순히 글자를 추출하는 작업이 아니라 쌓여 있는 공공 문서를 AI가 활용할 수 있는 자산으로 전환하는 작업이라는 것을 알 수 있습니다.

🖥️한컴 데이터 로더 

한컴 데이터 로더는 HWP·HWPX 원본을 변환 없이 직접 읽고, 온프레미스로 폐쇄망 환경에서도 운영되며, 정형·비정형 문서를 하나의 솔루션으로 함께 처리하는 문서 파싱(Document Parsing) 솔루션입니다.

HWP 문서가 많고 보안 때문에 도입을 망설였던 공공기관이라면, 경기도교육청·행정안전부·국회가 이미 검증한 선택지를 확인할 수 있습니다.

👉 한컴 데이터 로더 더 자세히 알아보기

👉 한컴 공식 블로그 콘텐츠 더 보기

---

참고 자료

1. arXiv, Yiheng Xu et al., 「LayoutLM: Pre-training of Text and Layout for Document Image Understanding」, 2020
2. arXiv, Mahmoud Kasem et al., 「Deep learning for table detection and structure recognition: A survey」, 2022
3. arXiv, Birgit Pfitzmann et al., 「DocLayNet: A Large Human-Annotated Dataset for Document-Layout Analysis」, 2022
4. arXiv, Arun S. Maiya, 「OnPrem.LLM: A Privacy-Conscious Document Intelligence Toolkit」, 2025
5. arXiv, Tahira Shehzadi et al., 「A Hybrid Approach for Document Layout Analysis in Document images」, 2024
6. arXiv, Junyuan Zhang et al., 「OCR Hinders RAG: Evaluating the Cascading Impact of OCR on Retrieval-Augmented Generation」, 2024
7. arXiv, Linke Ouyang et al., 「OmniDocBench: Benchmarking Diverse PDF Document Parsing with Comprehensive Annotations」, 2024
8. Google Cloud, 「Document AI pricing」
9. 한컴테크, 「AX 시대를 위한 한글 문서: 오픈소스 생태계 현황 분석과 활성화 전략」, 2025
10. 디지털데일리, 「한컴, 경기도교육청 AI 플랫폼 구축사업 참여」, 2025
11. 지디넷코리아, 「공공 AI 사업 강자로 거듭난 한컴, 행안부 ‘범정부 초거대 AI 사업’도 맡았다」, 2025
12. 지디넷코리아, 「한컴, AI 제품 3종 GS 1등급 획득…국내 기술력 ‘입증’」, 2025
13. 조선비즈, 「한컴·삼성SDS, KT·메가존 제치고 국회 빅데이터 플랫폼 사업 수주」, 2025