ChatGPT·Perplexity가 우리 병원을 추천하는 기준은 무엇일까? AI 의료 답변의 작동 원리

ChatGPT·Perplexity가 병원을 답변에 포함할 때 사용하는 알고리즘은 현재 어떤 공식 문서에도 공개되어 있지 않습니다. 다만 의료 RAG(검색 증강 생성) 연구와 각 플랫폼의 정책을 역분석하면, '공신력 있는 출처에 인용되어 있는가'와 '정보가 최신 상태로 유지되고 있는가'가 핵심 변수로 작용할 수 있습니다. 원장님의 병원이 AI 답변에 노출될 가능성을 높이려면, 이 두 가지 변수를 먼저 이해해야 합니다.

AI는 병원 질문에 실제로 어떻게 답변하나요?

환자가 '○○ 증상에 좋은 병원 추천해줘'라고 입력하면, ChatGPT와 Perplexity는 단순히 저장된 데이터를 출력하는 것이 아닙니다. 두 플랫폼은 RAG(Retrieval-Augmented Generation) 구조, 즉 외부 문서를 실시간으로 검색·발췌한 뒤 답변을 생성하는 방식을 활용합니다.

1. 1환자 질문이 입력됩니다.
2. 2AI가 외부 데이터베이스·웹 문서를 검색해 관련 정보를 발췌합니다.
3. 3발췌된 정보를 바탕으로 자연어 답변을 생성합니다.
4. 4출처를 병기하거나(Perplexity 방식) 생략한 채 답변을 제공합니다.

이 구조가 '단순 검색'과 다른 이유는, 출처를 인용하더라도 AI가 문맥을 잘못 해석하거나 오래된 정보를 그대로 반영할 수 있기 때문입니다. 특히 ChatGPT는 민감한 의료 용어에 대해 '의료 전문 자격 없이 조언을 제공하는 것으로 오인될 수 있다'는 판단 하에 답변을 거부하거나 재입력을 요청하는 보수적 안전 정책을 운용합니다. 이로 인해 복잡한 의료 질문에 대한 실질적 답변이 제한되는 부작용이 발생할 수 있습니다.

ChatGPT·Perplexity·Google AI의 의료 답변 기준, 무엇이 다른가요?

세 플랫폼은 각기 다른 의료 정책을 표방하지만, 병원 추천 알고리즘은 공통적으로 외부에 공개되어 있지 않습니다. 플랫폼별 공식 입장과 연구에서 확인된 성능 데이터를 정리하면 아래와 같습니다.

Google MedGemma는 '일반의료해(general medical harms)' 평가를 포함한 내부 적대적 테스트 결과를 부분적으로 공개하고 있어, 업계 안전 기준의 기준점으로 부상하고 있습니다. 그러나 실제 병원 선택 질문에 적용되는 가중치는 여전히 공개되어 있지 않습니다.

AI는 어떤 출처를 보고 병원 정보를 가져오나요?

의료 RAG 시스템이 우선적으로 참조하는 출처는 다음과 같습니다. 병원 정보가 이 경로에 포함될수록 AI 답변에 반영될 가능성이 높아질 수 있습니다.

• PubMed — 생의학 학술 논문 데이터베이스
• UpToDate — 임상 의사결정 지원 데이터베이스
• Cochrane 리뷰 — 체계적 문헌 고찰
• AHA 등 국제 임상 가이드라인
• UMLS — 의료 지식그래프(개념 표준화 체계)

단일 데이터베이스(예: PubMed만)에 의존할 경우 편향 위험이 높아진다는 것이 다중 출처 벤치마크 연구에서 지적되고 있습니다. 다양한 권위 출처에 병원 정보가 분산 인용될수록 RAG 시스템이 해당 정보를 채택할 가능성이 높아질 수 있습니다.

시간 민감성 문제도 중요합니다. 의료 지식은 빠르게 진화하며(COVID-19 사례가 대표적입니다), 이미 폐기된 연구가 RAG 소스로 인용되는 것이 현재 의료 RAG의 주요 위험 중 하나로 지적됩니다. 병원 웹사이트와 블로그 콘텐츠 역시 정기적으로 업데이트되지 않으면 AI가 오래된 정보를 그대로 반영할 수 있습니다.

AI 의료 추천에는 어떤 구조적 한계가 있나요?

AI가 출처를 인용한다고 해서 답변의 정확성이 보장되는 것은 아닙니다. 연구에서 확인된 구조적 한계를 원장님이 먼저 이해하시는 것이 중요합니다.

• 좁은 문자 해석 문제: RAG가 환자 질의를 문자 그대로만 처리해 선입견을 강화하는 오도 답변을 생성할 수 있습니다.
• 응답 변동성: 동일한 질문에도 답변이 달라지는 일관성 부재가 확인되고 있습니다.
• 최신성 반영 지연: 병원 폐업·진료과 변경·의료진 이직이 AI 답변에 즉시 반영되지 않을 수 있습니다.
• 안전 필터의 역설: 보수적 필터링이 오히려 중요한 의료 정보 접근을 차단하는 부작용으로 이어질 수 있습니다.
• 실질적 환자 위험: AI 답변을 신뢰해 잘못된 병원이나 진료과를 선택하는 상황이 발생할 수 있습니다.

우리 병원이 AI 답변에 잘 노출되려면 무엇을 해야 하나요?

AI 답변 노출은 단기 광고처럼 즉각적인 효과를 기대하기 어렵습니다. 그러나 다음의 방향성은 RAG 소스 채택 가능성을 높이는 데 유효할 수 있습니다.

1. 1권위 있는 출처에 인용되는 콘텐츠 생산: 병원 전문의가 작성한 의료 정보 글이 학술·공신력 있는 플랫폼에 인용될수록 RAG 소스로 채택될 가능성이 높아질 수 있습니다.
2. 2정보의 최신성 유지: 진료과·의료진·위치 정보를 주기적으로 업데이트하는 것이 AI 인덱싱에 유리하게 작용할 수 있습니다.
3. 3구조화된 데이터(Schema Markup) 적용: 검색엔진과 AI 모두 읽기 쉬운 형태로 병원 정보를 제공하면 크롤링 채택률이 높아질 수 있습니다.
4. 4환자 교육 콘텐츠 병행: AI 추천의 한계를 투명하게 안내하는 콘텐츠는 원장님 병원의 신뢰도를 높이는 데 기여할 수 있습니다.
5. 5공신력 있는 의료 플랫폼·언론 인용 축적: 장기적으로 전문 콘텐츠가 다양한 권위 출처에 인용될수록 AI 답변 포함 가능성이 높아질 수 있습니다.

AI가 병원을 추천할 때 환자는 어떻게 판단해야 하나요?

원장님이 이 관점을 이해하는 것은 두 가지 이유에서 중요합니다. 첫째, 환자에게 올바른 정보 이용 방법을 안내할 수 있습니다. 둘째, AI 답변의 한계를 투명하게 커뮤니케이션함으로써 병원 신뢰도를 높일 수 있습니다.

• AI 답변은 참고 자료로만 활용하고, 최종 선택은 건강보험심사평가원·의료기관 인증 등 공식 경로와 교차 확인하도록 안내하는 것이 바람직합니다.
• AI가 인용한 출처의 발행 연도와 기관 신뢰도를 직접 확인하는 습관이 필요합니다.
• 증상이 복잡할수록 AI 의존도를 낮춰야 합니다. 임상 추론 정확도가 44% 수준으로 떨어질 수 있다는 점을 환자에게 안내하는 것이 도움이 될 수 있습니다.
• AI 답변과 실제 방문 경험 간의 간극은 정보 업데이트 지연, 응답 변동성, 좁은 문자 해석 등 구조적 원인에서 비롯될 수 있습니다.