2025년 들어 Google, OpenAI, Perplexity 등 주요 테크 기업들이 앞다투어 출시하고 있는 새로운 검색 패러다임이 있습니다. 바로 ‘DeepSearch'(또는 ‘DeepResearch’)입니다. 이 기술은 기존의 검색 방식을 혁신적으로 변화시키고 있으며, 기업 환경에서도 큰 가치를 창출하고 있습니다. 이번 글에서는 차세대 검색 기술인 DeepSearch의 개념, 활용 사례, 그리고 미래 전망에 대해 알아보겠습니다.
DeepSearch의 등장 배경
DeepSearch – 검색, 읽기, 추론의 반복적 루프로 최적의 답변을 찾는 과정 (출처: Jina AI)
2025년 초, DeepSearch는 Google과 OpenAI가 DeepResearch 출시를 통해 선도하면서 새로운 검색 표준으로 자리 잡았습니다. 하지만 이 개념이 완전히 새로운 것은 아닙니다. 2024년에는 이러한 기술이 RAG(Retrieval-Augmented Generation)나 multi-hop QA로 불렸지만, 2025년 1월 말 Deepseek-r1의 출시 이후 급격한 성장 모멘텀을 얻게 되었습니다.
DeepSearch가 급부상하게 된 핵심 계기는 2024년 9월 OpenAI의 ‘o1-preview’ 출시였습니다. 이는 test-time compute 개념을 도입하며 업계의 관점을 바꾸기 시작했습니다. Test-time compute란 추론 단계에서 더 많은 컴퓨팅 리소스를 사용하는 것을 의미합니다. 이를 통해 AI 모델은 여러 가능한 답변을 평가하고, 더 깊은 계획을 수립하며, 최종 응답 전에 자기 성찰을 할 수 있게 되었습니다.
이러한 변화는 사용자 경험에도 영향을 미쳤습니다. 과거에는 200ms 내에 응답하지 못하면 실패로 간주되었지만, 2025년에는 더 높은 품질의 결과를 위해 더 긴 처리 시간을 받아들이는 문화가 형성되었습니다. 특히 AI가 ‘생각하는’ 과정을 시각적으로 보여주는 인터페이스가 표준이 되면서 사용자들도 이를 자연스럽게 수용하게 되었습니다.
DeepSearch란 무엇인가?
DeepSearch는 최적의 답을 찾을 때까지 검색, 읽기, 추론의 반복적인 루프를 실행합니다. 검색 작업은 웹 검색 엔진을 활용하여 인터넷을 탐색하고, 읽기 작업은 특정 웹 페이지를 자세히 분석합니다. 추론 작업은 현재 상태를 평가하고 원래 질문을 더 작은 하위 질문으로 나눌지 또는 다른 검색 전략을 시도할지를 결정합니다.
DeepSearch UI에서 확인할 수 있는 AI의 ‘생각’ 과정 (출처: Jina AI)
전통적인 검색 엔진이나 2024년의 RAG 시스템은 단일 검색-생성 패스를 실행하는 반면, DeepSearch는 파이프라인을 여러 번 반복합니다. 따라서 토큰 사용량 제한이나 실패 시도 횟수를 기반으로 하는 명확한 중단 조건이 필요합니다.
DeepSearch는 다양한 웹 도구(검색기와 리더 등)를 갖춘 LLM 에이전트로도 볼 수 있습니다. 에이전트는 현재 관찰과 과거 행동을 분석하여 다음 단계를 결정합니다. 이는 LLM이 상태 간 전환을 제어하는 상태 기계 아키텍처를 형성합니다.
DeepSearch와 DeepResearch의 차이
많은 사람들이 DeepSearch와 DeepResearch를 혼동하지만, 이들은 서로 다른 문제를 해결합니다.
DeepSearch는 정보의 정확성과 완전성을 확보하기 위한 반복적 검색 시스템으로, 참조 URL이 있는 간결한 답변을 생성합니다.
DeepResearch는 DeepSearch를 기반으로 하되, 긴 연구 보고서를 생성하기 위한 구조화된 프레임워크를 추가합니다. 일반적으로 목차 작성으로 시작하여 각 섹션에 DeepSearch를 체계적으로 적용하며, 마지막으로 전반적인 내러티브 일관성을 개선합니다.
DeepSearch가 DeepResearch의 구성 요소가 되는 관계 (출처: Jina AI)
다음 표는 두 기술의 주요 차이점을 요약합니다:
| DeepSearch | DeepResearch | |
|---|---|---|
| 해결하는 문제 | 반복적 검색을 통한 정보의 정확성과 완전성 | 문서 규모에서의 콘텐츠 구성, 일관성 및 가독성 |
| 최종 표현 | 참조 URL이 있는 간결한 답변 | 여러 섹션, 차트, 표 및 참조가 있는 긴 구조화된 보고서 |
| 핵심 복잡성 | 명확한 전환 조건이 있는 상태 기계 아키텍처 | 마이크로(검색)와 매크로(문서) 문제를 모두 관리하는 다층 아키텍처 |
| 최적화 초점 | 로컬 최적화(최상의 다음 검색/읽기 동작) | 글로벌 최적화(섹션 구성, 용어 일관성, 전환) |
기업 환경에서의 DeepSearch 활용 사례
Sikla 제품 매뉴얼에서 DeepSearch를 활용한 검색 결과 (출처: Jina AI)
기업 검색은 까다로운 과제가 많습니다. 쿼리는 품질, 세부 사항, 도메인 특성이 다양하지만, 응답은 정확하고 직접적이며 매우 관련성이 높아야 합니다. 동시에 기업 데이터는 일반적으로 구조화가 약하거나 완전히 비구조화되어 있으며, 다양한 형식과 접근성 수준으로 보관됩니다.
Jina AI는 독일 기반 글로벌 모듈식 건설 및 엔지니어링 시스템 공급업체인 Sikla GmbH와 협력하여 DeepSearch의 실제 활용 사례를 보여주었습니다. 이 회사의 제품 카탈로그, 사양, 패스너 및 다양한 건설 제품에 대한 지원 문서에 DeepSearch를 적용했습니다.
예를 들어, “TCS F VdS/FM Beam Clamp의 조임 토크는 얼마인가?”라는 질문에 일반 검색은 관련성이 낮은 여러 문서를 반환했지만, DeepSearch는 정확한 답변(10 Nm)과 함께 관련 문서 링크를 제공했습니다.
또한 DeepSearch는 다국어를 지원하여 “Was ist der Anzugsmoment für eine 25mm Stabilrohrschelle?”(25mm Stabil 파이프 클램프의 조임 토크는 얼마인가?)와 같은 독일어 질문에도 정확하고 종합적인 답변을 제공할 수 있었습니다. 특히 이 질문은 여러 제품에 적용될 수 있는 모호한 질문이었음에도 DeepSearch는 관련된 모든 제품 정보를 분석하여 상세하고 완전한 답변을 제공했습니다.
DeepSearch 구현의 핵심 요소
DeepSearch 구현의 핵심은 루프 추론 접근 방식에 있습니다. 주요 구현 요소는 다음과 같습니다:
1. 시스템 프롬프트
DeepSearch는 XML 태그를 사용하여 섹션을 정의하고 필드 제약 조건을 JSON 스키마에 직접 배치하여 더 견고한 시스템 프롬프트와 생성을 만듭니다.
2. 갭 질문 순회
“갭 질문”은 주요 질문에 답하기 전에 채워야 할 지식 격차를 나타냅니다. DeepSearch는 FIFO(First-In-First-Out) 큐를 활용하여 새로운 갭 질문들을 큐의 앞부분에 추가하고 원래 질문은 항상 뒤로 푸시하는 방식으로 이를 처리합니다.
3. 쿼리 재작성
쿼리 재작성은 DeepSearch의 결과 품질을 크게 결정하는 요소입니다. 좋은 쿼리 재작성기는 단순히 자연어를 키워드로 변환하는 것이 아니라, 다양한 언어, 톤, 콘텐츠 형식에 걸쳐 더 많은 잠재적 답변을 포함하도록 쿼리를 확장합니다.
4. 메모리 관리
DeepSearch는 “메모리”와 “지식”으로 구분된 메모리 시스템을 갖추고 있습니다. 이를 통해 에이전트가 알고 있는 것, 시도한 것, 성공하거나 실패한 것을 인식할 수 있습니다.
5. 예산 강제
예산 강제란 시스템이 조기에 반환되는 것을 방지하고 예산이 초과될 때까지 계속 처리하도록 보장하는 것을 의미합니다. 구현에서는 답변을 시도하기 전에 지식 격차를 식별하도록 시스템을 명시적으로 구성하여 더 깊은 사고를 장려합니다.
미래 전망 및 발전 가능성
DeepSearch는 복잡한 쿼리에 철저하고 깊이 있게 접근하는 방식에서 큰 도약을 이루었습니다. 검색, 읽기, 추론의 개별 단계로 프로세스를 분해함으로써 기존의 단일 패스 RAG나 멀티홉 QA 시스템의 많은 한계를 극복했습니다.
앞으로 DeepSearch 기술이 더욱 발전함에 따라 다음과 같은 영향을 미칠 것으로 예상됩니다:
- 기업 정보 검색의 혁신: 기업 IT 분야에서 정보 검색만큼 AI 기술이 즉각적인 관련성을 갖는 영역은 거의 없습니다. DeepSearch는 고객 서비스와 직원 지원을 위한 강력하고 접근 가능한 솔루션을 제공할 것입니다.
- 개인화된 정보 접근: 사용자 맞춤형 정보 검색이 가능해져 개인의 관심사와 선호도에 기반한 더 정확한 정보 제공이 이루어질 것입니다.
- 다국어, 다모달 검색 확장: 언어 장벽을 넘어서고 텍스트뿐만 아니라 이미지, 오디오, 비디오 등 다양한 형태의 콘텐츠를 통합적으로 검색하고 이해하는 능력이 발전할 것입니다.
- 지연 시간보다 정확성 중심: 검색 패러다임이 빠른 응답 시간보다 정확하고 심층적인 정보 제공에 초점을 맞추는 방향으로 계속 변화할 것입니다.
결론
DeepSearch는 단순한 검색 기술의 진화가 아닌, 정보 접근과 활용 방식의 근본적인 변화를 가져오고 있습니다. 검색, 읽기, 추론의 반복적 루프를 통해 더 정확하고 심층적인 정보를 제공함으로써, 사용자의 정보 요구를 더 효과적으로 충족시킬 수 있게 되었습니다.
특히 기업 환경에서는 복잡한 문서와 다양한 정보 소스를 효율적으로 처리하여 고품질의 정보를 제공함으로써 업무 효율성과 의사결정의 질을 크게 향상시킬 수 있습니다.
미래에는 DeepSearch 기술이 더욱 발전하여 개인화된 정보 접근, 다국어 및 다모달 검색 능력이 확장될 것이며, 단순히 빠른 응답보다는 정확하고 심층적인 정보 제공에 초점을 맞추는 검색 패러다임의 변화가 계속될 것입니다.
기업과 개인 모두 이러한 차세대 검색 기술을 적극적으로 도입하고 활용함으로써, 정보 홍수 시대에 더 효과적으로 대응하고 가치 있는 인사이트를 얻을 수 있을 것입니다.
Comments