접지는 일반적으로 "모델의 답변을 가능한 한 검증 가능한 외부 정보에 기반하게 만드는 것"으로 이해할 수 있습니다. 가장 일반적인 형태는 모델이 검색 결과, 데이터베이스 기록, 기업 지식 베이스 또는 기타 명시적 출처와 함께 답변을 생성하고, 그 출처들을 함께 가져오는 것입니다. 최근 많은 AI 검색 제품들이 '접지'를 강조하고 있는데, 이는 사용자들의 핵심 불만에 답하는 것입니다: 단순히 실제 답변처럼 보이는 답변만 하지 말고, 당신이 무엇을 기반으로 하는지 알고 싶습니다.
그라운딩이 없으면 모델은 주로 훈련 중 배운 패턴에 의존해 답변합니다. 이 방식의 장점은 빠르고 부드럽다는 점이지만, 문제가 시기적절성, 세부 사항의 차이, 또는 긴 꼬리 사실과 관련되면 "매우 비슷하게 말하지만 실제로는 불안정하다"는 말이 쉽게 생깁니다. 그라운딩의 목표는 이러한 불확실성을 낮추고, 모델이 먼저 현재 문제에 더 가까운 외부 자료와 상호작용한 뒤, 그 자료를 바탕으로 답을 정리할 수 있도록 하는 것입니다.
많은 사람들이 그라운딩을 RAG와 동일시하는데, 이 이해는 절반만 맞습니다. RAG는 매우 흔한 접지 구현이지만, 접지는 더 광범위합니다. 구글 검색, 기업용 데이터베이스, 구조화된 테이블, API 반환 결과, 웹 스크래핑 결과를 사용해 모델을 제한하는데, 이는 실제로 기반을 잡는 것입니다. 초점은 어떤 기술적 용어가 사용되는지가 아니라, 그 답이 외부 증거에 의해 더 명확하게 "구현"되었는지에 있습니다.
왜 이 단어가 뜨거운 단어가 되었을까요? AI 검색이 "내가 대답할 수 있냐"에서 "감히 믿어도 된다"로 바뀌었기 때문입니다. 특히 검색, 조사, 쇼핑, 의료 정보, 정책 문의 같은 상황에서 사용자는 아름다운 요약에 만족하지 못하고, 증거, 출처, 출신지를 빠르게 확인하고 계속 검증하기를 원합니다. 그라운딩이 바로 이 욕구층의 핵심입니다.
하지만 그라운딩도 신격화되어서는 안 됩니다. 첫째, 출처가 있다고 해서 그 출처가 신뢰할 만하다는 뜻은 아닙니다. 웹 페이지 자체가 오래되었거나, 일방적이거나 서로 잘못 복사된 것일 수도 있습니다. 둘째, 설령 모델이 출처를 얻더라도 인용이 불완전하거나, 잘못된 맥락을 편집하거나, 여러 출처를 혼합해 하나의 결론에 이르게 할 수 있습니다. 셋째, 탐색 단계 자체가 편향되어 있다면, 근거 있는 답변은 단지 "더 근거 있는 편향"일 뿐입니다.
따라서 근거 기반 시스템이 좋은지 아닌지를 판단하려면 인용 링크 여부뿐만 아니라 세 가지를 봐야 합니다: 출처가 실제적이고 클릭 가능한지, 인용이 이전 결론과 일치하는지, 그리고 검색 링크가 핵심 정보를 최대한 포함하는지 여부입니다. 많은 제품들이 이제 '출처 답변 제공'을 강조하는데, 이는 단순히 글쓰기 능력이 아니라 신뢰성을 놓고 경쟁하는 것입니다.
간단히 말해, 모델을 갑자기 사실 데이터베이스로 바꾸는 대신, Grounding은 그것에 현실적인 이해력을 부여합니다. AI 검색이 더 이상 누구보다 잘 요약하는 것만이 아니라, 사용자가 그에 기반해 의사결정을 내릴 수 있는 자신감을 주는 것이 중요해지고 있습니다.
