비정형 데이터를 정형화하는 순간, 진짜 비즈니스가 시작됩니다: 부동산 오퍼 비교 서비스 분석

안녕하세요. 풀링포레스트 CEO 김형철입니다.

제품을 기획하고 운영하다 보면 가장 골치 아픈 영역 중 하나가 바로 '비정형 데이터(Unstructured Data)'의 처리입니다. 고객이 보내주는 피드백, 이메일, 그리고 각종 문서 파일들은 그 자체로는 데이터베이스에 넣을 수 없는 날 것의 상태입니다. 이것을 사람이 일일이 읽고 엑셀이나 어드민 페이지에 입력하는 과정은 리소스 낭비가 심할뿐더러, 단순 반복 작업이라 실수하기도 쉽습니다. 저 역시 과거에 계약서 수십 장을 앞에 두고 밤새 엑셀에 데이터를 옮겨 적으며 막막함을 느꼈던 기억이 납니다. "이걸 왜 사람이 하고 있어야 하지?"라는 의문이 끊이질 않았죠.

오늘은 이런 '문서 지옥'을 AI 기술로 해결한 흥미로운 케이스를 하나 소개하려 합니다. 바로 미국의 부동산 시장을 타깃으로 한 OfferGridAI라는 서비스입니다. 이 제품을 분석하면서, 우리 팀이 가져가야 할 'Vertical AI(특정 산업 특화 인공지능)' 전략에 대해 꽤 깊은 통찰을 얻을 수 있었습니다.

1. 문제는 '정보의 홍수'가 아니라 '정리의 부재'

미국 부동산 시장에서 리스팅 에이전트(Listing Agent, 판매자 측 중개인)는 인기 매물을 내놓으면 순식간에 수십 개의 매수 제안서(Offer)를 받습니다. 이 제안서들은 대부분 PDF 형태이며, 페이지 수가 15장이 넘어가는 경우도 허다합니다.

문제는 여기서 발생합니다. 판매자는 단순히 가격만 보는 게 아닙니다. 계약금(Earnest Money), 대출 조건(Financing), 우발 조항(Contingencies), 클로징 날짜 등을 종합적으로 고려해야 합니다. 에이전트는 이 PDF들을 일일이 읽고, 엑셀을 켜서 '비교표'를 수작업으로 만들어야 합니다. 통계적으로 5개의 오퍼를 비교하는 데 평균 1~2시간이 걸린다고 합니다. 시간은 촉박하고, 실수는 용납되지 않는 상황이죠.

2. AI를 통한 파이프라인의 자동화

OfferGridAI는 이 프로세스를 아주 단순하고 명쾌하게 해결합니다. 핵심 기능은 PDF 업로드와 데이터 추출, 그리고 시각화입니다.

사용자가 여러 개의 매수 제안서(PDF, DOCX 등)를 드래그 앤 드롭으로 업로드하면, AI가 문서를 스캔하여 핵심 필드를 추출합니다. 단순히 텍스트를 읽는 OCR(광학 문자 인식)을 넘어, 문맥을 이해하고 정형 데이터로 변환하는 것입니다.

• 주요 추출 항목: 구매 가격, 다운 페이먼트 비율, 금융 유형(현금/대출), 우발 조항(검사, 감정 등), 판매자 실수령액(Net to Seller) 등.

이 과정이 단 2분 안에 끝납니다. 사람이 2시간 동안 해야 할 일을 2분으로 줄여주는 것, 이것이 바로 B2B SaaS가 제공할 수 있는 가장 확실한 효용입니다.

3. 데이터 입력이 아닌 '의사결정'을 돕다

제가 이 서비스에서 가장 인상 깊게 본 기능은 단순한 데이터 나열이 아닌 '리스크 스코어(Risk Score)' 시스템입니다.

단순히 "A가 10억, B가 9억 8천"이라고 보여주는 것은 1차원적입니다. 이 서비스는 금융 조건이나 까다로운 우발 조항 등을 분석해 각 오퍼의 리스크를 '낮음/보통/높음'으로 시각화합니다. 예를 들어, 가격은 조금 낮더라도 '현금 박치기'이고 '검사 조건'이 없는 오퍼가, 가격은 높지만 '대출 승인 조건'이 붙은 오퍼보다 거래 성사 확률이 높다는 것을 점수화해주는 것입니다.

이는 제품이 단순한 '입력 도구'를 넘어 '의사결정 지원 도구'로 진화했음을 의미합니다. 판매자를 설득해야 하는 에이전트 입장에서 이보다 강력한 무기는 없습니다. "데이터가 이렇습니다"라고 말하는 것과 "데이터를 분석해 보니 이것이 안전합니다"라고 말하는 것은 천지 차이니까요.

4. 개발자와 PM이 주목해야 할 점

이 사례를 통해 우리가 배울 수 있는 점은 명확합니다.

첫째, 생성형 AI의 가치는 '채팅'에만 있지 않습니다. 많은 사람이 챗봇 형태의 서비스에 집중하지만, 실제 비즈니스 임팩트는 지루하고 복잡한 문서를 정형 데이터로 바꾸는 백엔드 프로세스에서 더 크게 발생할 수 있습니다.

둘째, 도메인 지식(Domain Knowledge)의 결합이 필수적입니다. 단순히 PDF를 요약하는 범용 AI 모델로는 '부동산 우발 조항'의 미묘한 리스크를 계산해낼 수 없습니다. 특정 산업의 워크플로우를 깊이 이해하고, 그들이 가장 고통스러워하는 지점(Pain Point)을 정확히 긁어주는 튜닝이 필요합니다.

셋째, 결과물은 익숙한 형태여야 합니다. 이 서비스는 결과를 혁신적인 UI가 아닌, 누구나 익숙한 '스프레드시트(그리드)' 형태로 보여줍니다. 사용자 경험(UX) 측면에서 기존의 멘탈 모델을 해치지 않으면서 효율만 극대화한 영리한 선택입니다.

마치며

기술은 화려할 때보다 사용자의 퇴근 시간을 앞당겨줄 때 가장 빛납니다. 풀링포레스트 팀원 여러분도 지금 우리가 개발하고 있는 기능이 사용자의 '반복 노동'을 얼마나 줄여주고 있는지, 그리고 단순 정보를 넘어 어떤 '통찰'을 제공하고 있는지 다시 한번 점검해 보았으면 합니다.

막연한 기술 도입보다는, 이처럼 구체적인 문제를 집요하게 파고드는 솔루션이 결국 시장에서 살아남습니다. 우리도 데이터의 홍수 속에서 고객에게 튜브가 아닌 보트를 건네주는 제품을 만들어봅시다.