문헌 검토는 논문을 많이 읽는 일이 아니라, 한 연구 분야의 지형을 정리하는 일입니다. 무엇이 이미 밝혀졌는지, 어떤 방법이 쓰였는지, 어디에 빈틈이 남아 있는지 판단해야 합니다.
문제는 규모입니다. 2022년 한 해에만 514만 편 이상의 학술 논문이 출판됐고, 2018년 이후 연간 출판량은 약 23% 증가했습니다.1 1996년 이후 출판된 논문은 약 6,400만 편으로 추산됩니다.1 연구자가 수작업으로 검색하고 읽고 분류하기에는 이미 너무 큰 환경입니다.
이 지점에서 AI 에이전트 기반 문헌 조사가 의미를 갖습니다.
AI 에이전트는 ‘검색창’이 아니라 ‘워크플로 자동화’에 가깝다
AI 문헌 검토 도구는 검색, 관련성 순위화, 요약, 지식 조직화, 사용자 워크플로를 결합합니다.1 즉, 단순히 논문 목록을 보여주는 데서 끝나지 않습니다. 주제에 맞는 논문을 찾고, 우선순위를 매기고, 내용을 요약하고, 쟁점별로 묶는 과정까지 지원합니다.
AI 에이전트는 이 흐름을 더 작업 단위로 나눠 수행합니다. 예를 들어 사용자가 “이 주제의 최근 연구 흐름을 정리해줘”라고 요청하면, 에이전트는 검색 범위를 정하고, 후보 논문을 모으고, 관련성을 평가하고, 주제별로 분류한 뒤, 서베이 초안의 구조를 제안할 수 있습니다.
이 변화는 갑자기 등장한 것이 아닙니다. 초기 AI 문헌 검토 도구는 체계적 문헌고찰을 돕는 텍스트 마이닝 워크벤치에서 출발했습니다.1 2016년 SWIFT-Review는 머신러닝, 단어 빈도, LDA 토픽 모델링으로 문헌 관련성을 우선순위화했고, Rayyan은 능동학습 기반 텍스트 분류로 초록 스크리닝을 가속했습니다.1
달라진 점은 여기에 LLM과 대규모 학술 데이터베이스가 결합됐다는 것입니다.
중요한 것은 ‘얼마나 많이 요약했나’가 아니다
논문 100편을 빠르게 요약하는 기능은 유용합니다. 하지만 문헌 검토의 품질을 결정하는 핵심은 요약량이 아니라 선별 기준입니다.
어떤 논문을 포함했는가
어떤 논문을 제외했는가
최신 연구와 고전 연구를 어떻게 구분했는가
인용 관계와 방법론적 차이를 반영했는가
연구 질문과 직접 관련 있는 논문을 우선했는가
Semantic Scholar 같은 검색 인프라는 약 1억 9,000만~2억 편의 논문을 색인합니다.1 이런 환경에서는 단순 키워드 검색만으로는 충분하지 않습니다. 의미 기반 검색, 관련성 점수, 인용 관계, 최신성 같은 기준을 함께 봐야 합니다.
따라서 좋은 AI 문헌 조사 에이전트는 “요약을 잘하는 도구”라기보다 “무엇을 읽어야 하는지 좁혀주는 도구”에 가깝습니다.
에이전트형 문헌 조사는 어떻게 구성되는가
최근 제안된 Agentic AutoSurvey는 논문 검색, 주제 클러스터링, 서베이 작성, 품질 평가를 담당하는 4개 에이전트를 조합했습니다.2 이 시스템은 6개 LLM 연구 주제에서 주제별 75~443편의 논문을 처리했고, 기존 AutoSurvey보다 높은 평가 점수를 기록했습니다.2
이 사례가 보여주는 방향은 분명합니다. 문헌 조사는 하나의 거대한 프롬프트로 끝나는 작업이 아니라, 여러 단계의 판단이 이어지는 과정입니다.
관련 논문을 넓게 찾는다.
연구 질문과의 관련성을 기준으로 좁힌다.
주제, 방법론, 결과별로 묶는다.
핵심 논문과 주변 논문을 구분한다.
초안을 만들고 품질을 다시 평가한다.
AI 에이전트는 이 반복적인 과정을 빠르게 수행할 수 있습니다. 다만 그 결과가 곧바로 신뢰 가능한 문헌 검토가 되는 것은 아닙니다.
연구자의 역할은 사라지지 않고 앞단으로 이동한다
AI 에이전트가 논문을 찾고 요약할수록 연구자의 역할은 줄어드는 것처럼 보일 수 있습니다. 실제로는 다릅니다. 연구자는 더 이상 모든 논문을 처음부터 같은 강도로 읽는 사람이 아니라, 질문과 기준을 설계하고 결과를 검증하는 사람이 됩니다.
실무적으로는 다음과 같은 방식이 안전합니다.
먼저 AI로 관련 논문을 넓게 수집한다.
AI가 제안한 관련성 순위와 클러스터를 확인한다.
핵심 논문 후보를 직접 읽는다.
AI가 만든 요약, 표, 비교 항목을 검증한다.
누락된 주요 연구나 과도하게 강조된 논문이 없는지 점검한다.
최종 결론은 연구자가 직접 판단한다.
특히 포함·제외 기준은 사람이 명확히 정해야 합니다. 오래된 연구를 어떻게 다룰지, 최신 논문에 얼마나 가중치를 둘지, 특정 방법론이나 데이터셋을 기준으로 삼을지 같은 판단은 문헌 검토의 결론을 크게 바꿀 수 있습니다.
AI 에이전트는 판단을 대체하지 않고 판단 지점까지 데려간다
좋은 문헌 검토는 “많이 읽었다”는 증명이 아닙니다. “왜 이 논문들이 중요하며, 이 분야가 어떤 방향으로 움직이고 있는가”를 설명하는 작업입니다.
AI 에이전트는 그 설명을 대신 완성해주는 존재가 아닙니다. 대신 연구자가 더 빨리 핵심 논문에 도달하고, 더 넓은 범위를 놓치지 않으며, 반복적인 정리 작업에 쓰는 시간을 줄여줍니다.
따라서 AI 에이전트를 문헌 조사에 활용할 때의 핵심은 명확합니다. 검색과 요약은 맡기되, 기준과 결론은 연구자가 책임져야 합니다. 그 균형을 지킬 때 AI 에이전트는 단순한 생산성 도구를 넘어, 더 좋은 연구 질문을 만드는 보조 연구자가 될 수 있습니다.
1How AI Literature Review Tools Work: RAG & Semantic Search | IntuitionLabs
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.