그라운딩 (Grounding)

그라운딩이란?

그라운딩 (Grounding) 은 LLM 이 답변을 만들 때 각 주장을 외부 검색·참조 자료의 검증 가능한 패시지에 묶는 과정입니다. 모델의 학습 기억에만 의존해 답하지 않고, retrieval 단계에서 가져온 실제 문서에 답변 문장을 정박 (anchor) 시키는 것이 핵심입니다.

목적은 두 가지:

• 환각 (hallucination) 감소 — 학습 데이터에 없거나 변경된 사실을 외부 출처로 보강
• 인용 가능한 근거 결합 — 답변 옆에 source 카드·각주·인라인 링크로 표시되는 정보의 출처를 명확히 함

RAG 와 무엇이 다른가요?

두 개념은 가깝지만 강조점이 다릅니다.

RAG 는 시스템 아키텍처에 가깝고, 그라운딩은 답변의 품질 속성에 가깝습니다. 잘 설계된 RAG 가 그라운딩이 강한 답변을 만듭니다.

작동 흐름

1. 사용자 쿼리 → sub-query 로 분기 (query fan-out)
2. 각 sub-query 별로 외부 인덱스·문서 retrieval → 수백 페이지 후보
3. ranking · quality signal 로 패시지 선별 → context window 에 적재
4. LLM 이 패시지를 근거로 문장 생성 + citation 카드 표시 ← 이 단계가 grounding

GEO 에 미치는 영향

• 그라운딩 단계에서 LLM 은 여러 출처에서 합의된 정보를 선호 — 단일 페이지에만 등장하는 주장보다 외부 인용이 누적된 주장이 우대됨
• 단락 자기완결성이 핵심 — 패시지 하나만으로 의미가 통해야 grounding 후보로 살아남음
• schema 마크업·직접 답변 단락은 LLM 이 grounding 자료로 빠르게 인식하도록 도움
• 본문 안에 브랜드명·저자명이 명시되어 있어야 grounding 된 인용에서 브랜드가 살아남음

관련 용어

• RAG
• 패시지
• 쿼리 팬아웃
• Context Window
• Answer-First Paragraph