갈라파고스의 반격, 한컴이 깃허브 1위에 오른 날

구독자님, 오스왈드에요. 구글 Discover에 노출된 제 뉴스레터를 발견해 들어오셨나요? 구독해주신다면 재밌고 유익한 뉴스레터를 가장 빠르게 받아보실 수 있어요. 🙇

들어가며

구독자님, 안녕하세요. 지난 3월 20일, PDF 데이터 추출 도구 ‘오픈데이터로더 PDF v2.0’이 깃허브 전체 트렌딩 1위에 올랐어요. 21일 하루에만 스타 수가 1,800개 늘었고, 총 스타 수는 7,000개를 넘었어요. 처음에 저는 이 오픈데이터로더를 누가 만든줄 몰랐어요. 그러다 이용약관과 한국어 페이지가 있는 걸 보고 한국인 개발자인가? 했다가 한글과 컴퓨터에서 만들었다는 사실을 알고 깜짝 놀랐어요. 네. 맞아요. 그 한컴이요.

저는 이 한 줄짜리 뉴스를 그냥 흘려보낼 수 있어요. “한국 회사가 오픈소스 하나 잘 만들었나 보다.” 그런데 저는 이 사건을 한국 IT 산업의 의미있는 변곡점으로 보고 있어요.

왜냐면 그동안 한컴은 한국 IT ‘갈라파고스’의 대표 기업으로 꼽혀왔거든요. HWP 포맷, 정부·공공기관 의존, 해외 매출 미미. 한컴오피스는 30년 넘게 사실상 국내에서만 팔렸어요. 글로벌 오피스 시장에서 MS 오피스가 95% 이상을 차지하는 동안, 한컴오피스의 국내 점유율은 약 30% 선을 지키는 게 한컴의 게임이었어요.

그런 한컴의 기술이 처음으로 글로벌 개발자 커뮤니티에서 직접 검증받은 사건이에요. 그것도 “한국 기업이라 봐주는” 보정 없이, 벤치마크 수치와 별 수로요. 깃허브에 등록된 약 4억 개 프로젝트 중 트렌딩 1위에 오른다는 건 바늘구멍을 통과하는 일에 가까워요.

오늘은 이게 어떻게 가능했고, 이 패턴이 다른 한국 기업과 우리 개인에게 어떤 시사점을 주는지 풀어볼게요.

📊 벤치마크가 말하는 것

먼저 수치부터 짚어볼게요. 오픈데이터로더 측이 공개한 자체 벤치마크에서, 읽기 순서·표·제목 추출 항목의 문서별 평균 점수는 다음과 같아요.

• OpenDataLoader (hybrid): 0.907 ← 1위
• Docling: 0.882
• Nutrient: 0.880
• Marker: 0.861
• Unstructured (hi_res): 0.841 자체 벤치마크라는 점은 정직하게 짚고 가야 해요. 다만 한컴은 테스트 데이터와 재현 코드를 깃허브에 모두 공개해 두었어요. 결과를 검증하고 싶으면 누구나 직접 돌려볼 수 있어요.

여기서 진짜 충격은 점수 자체가 아니에요. 속도예요. 오픈데이터로더는 페이지당 0.015초로 처리해요. 반면 비슷한 정확도를 보이는 마커(Marker)는 페이지당 약 53.9초가 걸려요. 약 1,000배 차이고, 마커는 GPU가 필수인데 오픈데이터로더는 CPU만으로도 돌아가요.

이게 왜 중요할까요? 기업 실무에서 PDF 100만 페이지를 처리한다고 치면, 마커는 약 624일이 걸리는 작업을 오픈데이터로더는 약 4시간 만에 끝낸다는 뜻이에요. AI 학습용 데이터 파이프라인을 짜는 입장에서, 이건 “조금 더 빠른” 게 아니라 “처음으로 가능해진” 영역이에요. 고성능 GPU 인프라가 없는 중소기업과 1인 개발자에게도 문이 열린 거예요.

기업이 보유한 실무 데이터의 80~90%는 PDF·문서 같은 비정형 포맷이라고 자주 이야기되는데, 그 데이터를 AI에 먹이려면 정제 단계에서 막혀왔어요. PDF는 화면에 보기 좋게 그리는 데 최적화된 포맷이지 데이터를 추출하라고 만든 포맷이 아니거든요. 표 하나가 어디서 시작해서 어디서 끝나는지, 다단 레이아웃에서 어떤 순서로 읽어야 하는지, 이미지 안에 박혀 있는 텍스트는 어떻게 꺼낼지. 이걸 정확하고 빠르게 푸는 도구가 RAG¹​ 시대의 핵심 인프라였어요.

비결은 ‘하이브리드 엔진’이에요. 단순 텍스트는 규칙 기반(Rule-base)으로 즉시 처리하고, 복잡한 표나 다단 레이아웃에만 AI를 호출해요. 모든 페이지에 무거운 AI 모델을 돌리는 다른 도구들과 다른 설계예요.