Executive Summary

중복 제거는 두 레코드가 같은 것을 가리키는지 묻는다. 기업 계열 식별(corporate-family resolution)은 두 레코드가 같은 주인 아래 있는지 묻는다. 겉보기에 비슷한 두 질문인데 증거가 놓인 자리가 다르다. 전자는 두 문자열이 얼마나 닮았는지에 답이 어느 정도 들어 있다. 후자는 그렇지 않다. 항공 부품 회사 Heico Corporation과 Blue Aerospace LLC는 실제로 모회사와 자회사인데, 두 이름을 아무리 오래 들여다봐도 그 사실이 나오지 않는다. 관계는 두 레코드 밖에, 회사가 증권 당국에 낸 공시 안에 적혀 있다.

업계는 이 일을 오랫동안 엔터티 해소(entity resolution)와 엔터티 매칭의 한 갈래로 다뤄 왔다. 페블러스도 비정형 데이터 파이프라인이 엔터티 해상도에서 무너진다는 진단을 먼저 다뤘다. 이번 논문은 그 진단의 한 단계 앞으로 들어간다. 무엇이 무너지는지가 아니라 어느 단계에서 무너지는지를 계층별로 갈라 재고, 그 결과를 벤치마크로 공개했다.

레코드를 가족으로 묶는 이 일은 지출 통합 말고도 여러 곳을 지탱한다. 신용 익스포저 집계와 실소유자·제재 심사, 공급업체 리스크 통합이 같은 묶음 위에 서 있고, 매출 쪽에서는 고객 시스템의 계정 계층이 같은 구조다. 그런데 논문이 선행연구를 정리한 절을 보면 이 과제가 왜 지금까지 이런 형태로 측정되지 않았는지가 나온다. 회사 이름을 원천 사이에서 맞추는 연구는 특허 데이터와 금융 식별자, 학습된 이름 표현까지 길게 이어져 있지만 관심은 철자 변형 아래 같은 회사를 알아보는 데 있다. 계열 식별은 그 일이 끝나는 곳에서 시작된다. 소유 관계 자체를 다룬 연구도 경제학과 네트워크 과학, 은행 지주 구조, 유럽 기업등기부 지식그래프 쪽에 이미 있고, 계층 연결을 기업 데이터 위의 링크 예측으로 다룬 사례도 있다. 저자가 확인한 한 그중 어느 것도 보류 분할을 갖춘 재현 가능한 공개 벤치마크를 내놓지 않았고, 관계가 레코드에서 복원 가능한지로 쌍을 갈라 놓은 것도 없었다. 저자가 가장 가까운 공개 자원으로 든 CompanyKG는 기업 117만 곳을 노드로 두고 15종의 기업 간 관계를 5,106만 간선으로 담은 그래프다. 과제는 유사도 예측과 경쟁사 검색, 유사도 순위 세 가지다. 노드가 이미 해소된 기업 엔터티라서, 이 글이 다루는 연결 문제는 그 과제가 시작되기 전에 풀린 것으로 가정돼 있다.

재료는 미국 연방 계약 집행 기록 2025 회계연도 전체 아카이브다. 6,638,350행에 고유 엔터티 104,459개가 들어 있다. 정답은 사람이 붙인 주석도 모델이 추론한 값도 아니다. 공급업체가 연방 조달에 등록할 때 스스로 신고한 최종 모회사의 고유기관식별번호(UEI)와 명칭이다. 허위 신고에 법적 책임이 따르는 자기신고라는 점이 이 정답의 성격을 정한다. 강제력이 있는 대신, 신고자가 게을러도 그대로 남는다. 모집단의 크기를 감으로 잡아 두면 읽기가 쉬워진다. 페블러스가 같은 API로 직접 집계한 2025 회계연도 연방 계약 집행액은 7,785억 달러였다. 이 논문이 다루는 663만 행이 그 돈의 흐름을 적은 장부다.

1.1모회사를 신고한 등록의 86.3%가 자기 자신을 적었다

아카이브를 열면 첫 함정이 바로 나온다. 모회사를 신고한 엔터티 가운데 89,962개, 즉 86.3%가 자기 자신을 최종 모회사로 적었다. 별도로 받아 본 API 표본 4,806건에서도 자식 레코드의 82.8%가 자기 자신을 가리켰고, 진짜 부모와 자식을 잇는 링크는 760건뿐이었다. 이 자기 참조를 걷어내면 진짜 링크 14,288건이 남는다. 여기서 규모가 큰 가족을 손으로 심사해 일부를 뺀 것이 벤치마크의 양성 쌍 13,716건이다. 두 숫자는 서로 다른 것을 센 값이라 섞어 쓸 수 없다.

완성된 벤치마크는 후보 쌍 54,864개와 기업집단 10,307개로 이루어진다. 양성 13,716건에 음성 41,148건을 양성 하나당 세 개씩 붙였고, 음성은 세 등급으로 나뉜다. 무관한 가족의 모회사를 무작위로 붙인 것, 공통 토큰이 있는 무관한 모회사를 붙인 것, 그리고 같은 블로킹 키에 떨어지는 것이다. 마지막 등급이 배치된 파이프라인이 판정하게 되는 쌍이다. 분할은 가족 단위로 나눠 가족과 엔터티, 정규화한 이름, 중복 쌍 네 축에서 누출을 검사했고, 검사에 실패하면 조용히 봉합하지 않고 빌드를 중단하게 만들어 두었다.

1.2이름이 얼마나 보이는지로 셋으로 갈랐다

벤치마크의 설계가 갈린 곳은 양성 쌍을 어떻게 나눌지였다. 난이도라는 이름으로 뭉개지 않고, 자식 이름과 모회사 이름이 변별 토큰을 얼마나 공유하는지로 세 계층으로 쪼갰다. 변별 토큰은 inc나 holdings, international, services처럼 어디에나 붙는 일반어를 뺀 낱말이다. 계층을 이렇게 정의하면 어느 계층이 어려운지가 분석 결과가 아니라 정의로 정해진다.

벤치마크의 이름 가시성 계층 구성. 출처: arXiv:2609.04269v1 표 1.

절반이 넘는 55.0%는 정규화만 하면 이름이 똑같아지는 쌍이다. 데이터 통합의 실무 가치가 걸려 있는 쪽은 맨 아래 줄이다. 전체의 23.5%, 3,222쌍이 두 이름 사이에 공통 낱말을 하나도 갖지 않는다. 앞 절의 Heico와 Blue Aerospace가 이 계층에 있고, L3Harris Technologies가 인수한 Aerojet Rocketdyne도 여기 있다. 실제로 일어난 인수인데 이름에서는 전혀 보이지 않고, 확인은 공시로만 된다.

엔터티 해소 파이프라인은 두 단계로 돌아간다. 먼저 비교할 만한 쌍을 골라내고, 그다음에 고른 쌍만 판정한다. 앞쪽이 후보를 고르는 단계, 곧 블로킹이다. 이 단계가 필요한 이유는 산수다. 논문이 블로킹을 잰 수령자 명부에는 엔터티 114,230개가 있고, 이를 전부 짝지으면 6,524,189,335쌍이 나온다. 65억 쌍을 매처에 넣을 수는 없으니 블로킹이 그중 극히 일부만 남긴다. 블로킹의 성적은 두 숫자로 매긴다. 진짜 링크를 후보 안에 얼마나 남겼는지가 후보 포함률이고, 비교 공간을 얼마나 줄였는지가 축소율이다. 저자는 이 성적을 자기 쌍 파일에 등장하는 엔터티만으로 재지 않고 수령자 명부 전체에 대고 쟀다. 앞쪽으로 좁히면 이미 관심 엔터티만 걸러 둔 명부라 축소율과 후보 품질이 실제보다 좋게 나온다.

저자는 이 논문에서 가장 중요한 결과가 아래 표라고 직접 적었다. 블로킹 기법 일곱 가지를 같은 명부에 돌려 전체 후보 포함률과 계층별 후보 포함률을 나란히 놓은 표인데, 평균값 하나로 요약하면 이 글의 논지가 그 안에서 사라진다.

블로킹 기법별 후보 포함률(%). 측정 범위는 수령자 명부 114,230개 엔터티, 소박한 비교 공간 6,524,189,335쌍. 출처: arXiv:2609.04269v1 표 4.
† 표시한 두 줄의 0.00%는 실험 결과가 아니라 항등식이다. 이름이 겹치지 않는 계층이 바로 그 토큰 함수의 교집합이 비는 경우로 정의되기 때문에, 같은 함수로 만든 블로킹 키가 그 계층을 잡을 방법이 없다. 저자도 이 항목에는 아무 공로를 주장하지 않았다.

오른쪽 마지막 열만 위에서 아래로 읽으면 이 글의 요점이 나온다. 이름 기반 기법은 전체에서 60~72%를 잡으면서 그 계층에서는 3%를 넘지 못한다. 문자 q-gram은 71.4에서 2.79로, 정렬 이웃은 71.2에서 2.05로, 발음 키는 61.3에서 0.25로 떨어진다. 항등식으로 0이 되는 두 줄을 아예 빼고 봐도 결론은 그대로다. 키를 그 토큰 함수에서 떼어 놓아도 3%를 넘는 기법이 하나도 없었다.

2.1이름을 버린 두 기법이 더해 준 것은 2.95%p였다

표에는 이름을 아예 보지 않는 기법이 둘 있다. 우편번호와 시·주로 키를 만드는 속성 키, 그리고 문장 인코더로 임베딩을 만들어 최근접을 찾는 방식이다. 속성 키는 표에서 유일하게 어려운 계층 성적(2.39%)이 자기 전체 성적(1.9%)보다 높다. 이름을 보지 않으니 이름이 안 겹친다고 불리해질 일이 없다. 그런데 절대 수준이 2.39%다.

임베딩 최근접은 단일 기법 가운데 전체 후보 포함률이 가장 높다. 72.5%로 문자 q-gram보다 앞선다. 그 기법이 어려운 계층에서 가져오는 값은 2.89%다. 저자는 그 원인을 인코더의 표현력에서 찾지 않는다. MiniLM이 Blue Aerospace를 Heico 근처에 놓지 않는 이유는 인코더가 약해서가 아니라, 학습 신호 안에 둘을 잇는 것이 없기 때문이다. 이름을 버리는 두 기법을 이름 기반 합집합에 더해 얻은 값은 3.82에서 6.77로, 2.95%p다.

2.2그 2.95%p를 얻으려고 후보를 여덟 배 넘게 늘렸다

후보를 더 만들면 포함률은 오른다. 문제는 그 대가다. 가장 표준적인 토큰 블로킹은 후보 1,534,063쌍을 만든다. 일곱 기법을 다 합친 합집합은 13,074,120쌍을 만든다. 약 8.5배 늘려서 어려운 계층에서 2.95%p를 더 얻은 셈이다. 저자의 원문 표현은 2.95점을 더 얻으려고 자릿수가 하나 더 붙는 양의 쌍을 감당한다는 것이다. 그러고도 그 계층 포함률은 6.77%에서 멈춘다.

그래서 논문은 후속 연구에 기준선을 하나 걸어 두었다. 후보 예산을 6,524,189,335쌍 가운데 13,074,120쌍 수준으로 묶은 상태에서 어려운 계층의 6.8%를 넘어설 것. 후보 집합을 무작정 넓혀 축소율을 무너뜨리는 방식은 문제를 옮긴 것이지 푼 것이 아니라고 잘라 말했다. 후보 생성 예산과 재현율을 맞바꾸는 문제 자체는 데이터 통합의 다른 과제에도 있다. 페블러스가 다룬 학습 데이터 중복 제거의 조기 중단 규칙이 같은 저울을 반대쪽에서 다룬 사례다.

후보 생성이 병목이라는 진단을 받아들이기 전에 뒤 단계를 확인해야 한다. 매처가 충분히 좋았다면 이야기가 달라졌을 것이다. 논문은 매처 다섯 종을 같은 벤치마크에 돌렸다. 정규화 후 정확 일치, 토큰 자카드, 시퀀스 비율, 문자 3-gram 기반 TF–IDF, 그리고 문장 인코더 임베딩이다. 임계값은 검증 분할에서 골랐고, 아래 표에는 모든 쌍에 예라고 답하는 상수 분류기를 바닥으로 함께 실었다.

매칭 기준선. 오른쪽 세 열은 계층별 재현율(%)이다. 출처: arXiv:2609.04269v1 표 5.

이름이 같은 계층에서는 다섯 종 가운데 넷이 100.0을 되찾고, 토큰 자카드가 99.2로 그 뒤에 붙는다. 같은 표의 오른쪽 끝에서는 어떤 방법도 4.7%를 넘지 못한다. 논문 초록이 가장 강한 매처로 든 값은 4.2%인데, 이건 지표가 달라서 생기는 차이다. 평균정밀도 기준 최강은 TF–IDF(78.7)이고 F1 기준 최강은 MiniLM이다. 둘 중 어느 잣대를 들어도 그 계층의 성적은 5%에 닿지 않는다. 신뢰구간을 붙여도 마찬가지다. TF–IDF의 4.2%는 95% 신뢰구간 [2.9, 6.1]이고, 같은 방법이 이름이 겹치는 계층에서 받은 49.9%는 [45.8, 54.0], 이름이 같은 계층의 100.0%는 [99.8, 100.0]이다. 구간이 서로 닿지 않는다.

전체 성적만 보면 사정이 전혀 다르게 읽힌다. TF–IDF 문자 3-gram은 F1 76.8, 정밀도 89.6, 재현율 67.3, 평균정밀도 78.7을 받는다. 평균만 보고서에 실으면 거의 풀린 과제로 보이는 숫자다. 정확 일치와 토큰 자카드가 어려운 계층에서 받은 0.0%도 성능이 아니라 정의의 결과다. 공유 토큰이 없는 계층이니 공유 토큰을 세는 방법이 0을 받는 것이 당연하다.

3.1어려운 계층에서는 상수 분류기가 매처 전부보다 높다

어려운 계층에서 모든 쌍에 예라고 답하면 F1 29.0이 나온다. 같은 계층에서 매처 다섯 종의 최고값은 9.0이고 최저는 0.0이다. 전부 바닥 아래다. 아무 판단도 하지 않는 규칙보다 못한 점수를 다섯 개 방법이 나란히 받았다면, 그 지표는 방법을 재고 있지 않다. 이것이 저자가 계층별로는 F1을 앞세우지 않고 재현율을 보고하는 이유다.

여기서 문장 인코더를 깎아내리는 이야기로 넘어가면 논지가 오히려 약해진다. 인코더는 전체 성적이 가장 좋은 매처다. F1 78.5로 최고 문자열 방법의 76.8보다 높고, 이름이 겹치는 계층에서는 64.3 대 56.3으로 8점 넘게 앞선다. 약어와 재표현을 다루니 토큰 겹침이 놓치는 쌍을 잡아낸다. 이름이 같은 계층에서는 98.7 대 98.7로 똑같은데, 문자열 동일성이 그 계층을 이미 포화시켜 놓았기 때문이다. 이 인코더는 이길 만한 곳에서 이긴다.

그런데 문장 인코더가 이 계층에서 최고 문자열 방법 대비 얻는 것은 F1 1.0점이다. 8.0에서 9.0으로 올라간다. 같은 인코더를 앞 단계의 블로커로 쓰면 2.89%를 얻는다. 같은 표현을 파이프라인의 두 자리에 각각 꽂아도 둘 다 0 근처에 머문다. 저자가 빠진 재료를 더 좋은 임베딩으로 보지 않는 근거 가운데 가장 강한 것이 이 대칭이다.

3.2주소를 쓰면 된다는 답이 왜 막히는가

이름이 소용없다면 주소나 전화번호를 쓰면 되지 않느냐는 질문이 곧바로 나온다. 논문은 그 실험도 했다. 다만 양쪽 레코드에 속성이 모두 있는 테스트 쌍 822개에 한정된 실험이고, 그 부분집합의 기저율은 본 분할과 다르다. 속성만 쓰는 모델이 어려운 계층에서 받은 59.9는 그 부분집합의 바닥 59.4보다 0.5점 위일 뿐이고, 그것도 거의 모든 쌍에 예를 쏴서 얻는다. 저자는 n=822에서 이 차이들이 결과로 성립하지 않는다고 판정했다. 살아남는 정성적 발견은 하나다. 이름 특징은 이 계층에서 31.2로 바닥보다 한참 아래이므로, 쓸모가 없는 정도가 아니라 해롭다.

더 결정적인 것은 속성이 원리적으로 이 계층을 구할 수 없는 이유다. 벤치마크의 고유 모회사 10,307개 가운데 스스로 수령자로도 등장하는 곳은 608개, 5.9%뿐이다. 나머지 94.1%는 주소도 전화번호도 소재지도 원천 어디에도 없다. 지주회사는 보유하려고 존재하고, 거래하지 않는 모회사에는 기록될 사업장이 없다. 더 좋은 벤더 피드로 메울 수 있는 결측이 아니라 채워 넣을 대상 자체가 없는 공백이다.

속성 커버리지의 구조적 공백. 주소 일치율은 양쪽에 주소가 있는 참 쌍만 분모로 삼은 값이고 표본은 각각 77·110·130쌍이다. 출처: arXiv:2609.04269v1 §6.6.

마지막 줄이 직관과 어긋난다. 주소 일치율이 가장 어려운 계층에서 가장 높다. 이름이 같은 등록은 대개 한 브랜드 아래 흩어진 별개 사업장이라 주소가 서로 다르고, 인수된 자회사는 가끔 모회사 건물에서 관리되기 때문이다. 표본이 작아 저자는 이 순서에 대해 어떤 강한 추론도 하지 않는다. 핵심은 순서가 아니라 수준이다. 주소 일치율이 어디서도 10.0%를 넘지 않으므로, 주소를 완벽하게 맞히는 매처를 갖다 놓아도 이 계층은 거의 건드리지 못한다.

이 실험이 무엇을 대상으로 삼았는지도 같이 봐야 한다. 양쪽에 속성이 있는 쌍만 남기면 모회사가 마침 스스로 거래도 하는 가족만 남는다. 지주회사에서 가장 먼 모회사들이다. 그래서 저자는 자기 다속성 실험이 과제 전체를 대표하지 않는 모집단을 재고 있다고 적어 두었다. 속성이 도움이 되지 않았다는 결과도, 속성이 도움이 될지 모른다는 기대도 이 부분집합 밖으로 그대로 넓힐 수는 없다.

그러면 답은 어디서 오는가. 논문의 결론은 이 계층이 유사도가 아니라 지식을 잰다는 것이다. 답이 쌍 밖에서 와야 하므로 기업 계열 식별은 매칭에서 검색과 증거 종합으로 옮겨 간다. 저자가 이 과제를 엔터티 매칭 문헌 대신 근거를 대고 사실을 검증하는 연구 쪽에 붙여 놓은 이유도 그것이다. 지금까지 이 과제가 들어가 있던 서랍을 바꾸자는 제안이다.

이 벤치마크의 두 번째 기여는 수치가 아니라 채점 방식에 있다. 같은 데이터를 관행대로 F1 하나로 채점하면 앞 절의 격차가 보고서에서 사라진다. 저자는 그 이유를 세 갈래로 적었다. 네 번째는 이 분야가 그동안 같은 단계를 어떻게 채점해 왔는지다.

4.1계층별 F1은 방법 대신 기저율을 잰다

모든 쌍에 예라고 답하는 상수 분류기가 이름이 같은 계층에서 F1 98.6점을 받고, 이름이 겹치는 계층에서 18.5점을 받는다. 방법을 하나도 쓰지 않았는데 계층 사이에 80점 차가 생긴다. 계층별 F1을 나란히 놓고 비교하면 방법의 차이가 아니라 그 계층 양성률의 차이를 읽게 된다. 참고로 이 벤치마크의 계층별 양성률은 이름이 같은 계층 97.3%, 이름이 겹치는 계층 10.2%, 이름이 겹치지 않는 계층 16.9%다. 가장 낮은 값이 가장 어려운 계층에 붙어 있지 않다는 점도 이 지표가 난이도를 재지 않는다는 증거다.

두 번째 얽힘이 더 고약하다. 음성 쌍의 등급이 계층과 구조적으로 붙어 있다. 공통 토큰이 있는 무관한 모회사를 붙인 음성은 정의상 이름이 겹치는 계층에 떨어지고, 무작위로 붙인 음성은 거의 언제나 이름이 겹치지 않는 계층에 떨어진다. 가장 어려운 계층이 가장 쉬운 음성을 배급받는 셈이라, 정밀도가 측정하려는 효과와 반대 방향으로 편향된다. 그래서 저자는 계층별로는 그 계층의 양성에만 의존하는 재현율을 쓰고, 정밀도와 평균정밀도는 전역으로만 보고한다.

음성 등급을 나눠 보고하면 정밀도의 정체도 드러난다. 무작위 음성만으로 재면 다섯 방법 모두 거짓 양성률 0.0%다. 배치된 파이프라인이 판정하게 되는 같은 블로킹 키 음성에서는 0.5~3.2%, 공통 토큰이 있는 음성에서는 1.0~6.5%로 올라간다. 무작위 음성으로만 보고서를 쓰면 실무자가 결코 겪지 않을 정밀도를 발표하게 된다.

4.2건수로 잘하는 파이프라인이 금액으로는 못할 수 있다

조달 지출은 극단적으로 쏠려 있다. 벤치마크의 전체 링크 13,716건에서 상위 1%가 집행액의 77.4%를 나르고, 상위 10%가 96.8%를 나른다. 여기에 금액 가중을 걸어 다시 재면 TF–IDF 문자 3-gram의 재현율은 비가중 67.3에서 지출 가중 60.1로 내려간다. 작은 공급업체 여럿을 맞히고 큰 것 몇 개를 놓치는 방법과 그 반대는 실무에서 전혀 같지 않은데, F1은 둘을 똑같이 채점한다.

이 집중도 수치에는 저자가 자기 손으로 바로잡은 이력이 붙어 있다. 앞선 판본은 엔터티별 API 표본으로 계산한 값이었는데, 정렬 수집이 중간에 끊겨 표본이 특정 글자로 시작하는 식별번호로 거의 다 채워져 있었다. 모집단 표본이 아니라고 밝히고 링크 전체 집합으로 다시 계산한 값이 위의 77.4%다. 앞 절의 F1 88과 함께 읽으면, 이 논문에서 손을 본 지점이 방법보다 무엇을 분모로 삼았는지 쪽에 몰려 있다는 것이 보인다.

4.3쌍 점수와 산출물은 같이 움직이지 않는다

조달과 신용 시스템이 실제로 받아 가는 산출물은 쌍 판정이 아니다. 모든 공급업체 레코드를 가족에 배정한 분할이다. 논문은 자식이 둘 이상인 가족 902개를 대상으로 두 조건을 비교했다. 배치와 동일하게 블로킹을 적용한 조건, 그리고 분할 안의 모든 쌍을 채점하는 오라클 조건이다.

가족 단위 군집화. 임계값은 검증 분할에서 선택했다. 출처: arXiv:2609.04269v1 표 8.

블로킹을 없애면 쌍 F1은 32.2에서 39.4로 오르는데 정확히 복원된 가족 비율은 16.6%에서 14.9%로 내려간다. 추가 후보가 거짓 링크를 들이고, 이행 폐포가 그 하나하나를 서로 다른 두 가족의 병합으로 번식시키기 때문이다. 저자는 이 대비를 과장하지 말라고 스스로 못박는다. 테스트 가족 181개에 기댄 비교이고 정확 복원의 신뢰구간이 겹쳐 어느 조건도 다른 쪽을 압도하지 않는다. 방어할 수 있는 문장은 좁은 쪽이다. 쌍 F1과 정확 분할 복원은 단조 관계가 아니므로, 쌍 품질로 튜닝한 파이프라인이 산출물을 뒤로 돌릴 수 있다.

두 조건이 공통으로 말해 주는 것도 하나 있다. B-cubed를 정밀도와 재현율로 갈라 보면 블로킹 조건이 85.8 대 45.4, 오라클 조건이 84.3 대 45.1이다. 합친 것이 틀린 경우보다 합쳐야 할 것을 합치지 못한 경우가 훨씬 많다. 어느 조건에서도 정확히 복원된 가족이 소수에 머문 이유가 여기 있고, 지출을 원장에서 합산하는 일은 쌍 점수보다 그 정확 복원 쪽에 기댄다.

4.4이 분야는 같은 단계를 거의 풀린 것으로 보고해 왔다

6.8%라는 값이 얼마나 낯선 숫자인지는 이웃 벤치마크와 나란히 놓아야 보인다. 2026년 6월에 공개된 종단 데이터 통합 벤치마크 MaDI-Bench는 블로킹을 같은 지표인 후보 포함률과 축소율로 평가하고, 다섯 과제 세 파이프라인에서 94.37~100.00%를 얻는다. 기업(Companies) 과제만 떼어 보면 94.37, 97.73, 100.00%다. 그 벤치마크가 남은 여지로 지목한 단계는 블로킹이 아니라 데이터 융합이고, 그쪽 정확도는 40.20에서 84.87% 사이로 적힌다. 블로킹 전용 최신 연구인 SC-Block은 후보 포함률 99.5%를 기본값으로 맞춰 놓고 파이프라인 실행 시간을 겨룬다. 최신 블로커 여덟 종보다 1.5~2배, 큰 데이터셋에서는 8배 빠르다는 것이 그 논문의 결과다. 이 분야는 후보 생성을 이미 풀린 단계로 보고 속도를 다투는 중이었다.

차이는 무엇을 어려운 사례로 놓았는지에서 온다. 지표는 양쪽이 같다. MaDI-Bench의 어려운 사례는 난이도 손잡이로 합성된다. 손잡이 하나는 값을 약어나 토큰 재배열, 재표현, 토큰 누락으로 다시 쓰는 표면 변형 강도이고, 그 문서는 이 손잡이가 블로킹과 매칭이 의존하는 표면 겹침을 깎아 낸다고 명시한다. 어려움을 문자열 오염으로 만들면 문자열에 여전히 신호가 남고, 그러면 블로킹은 풀린 것처럼 보인다. 반면 이 벤치마크의 계층은 자연 발생이고 외부 법적 공시로 인증된다. 블로킹 연구가 게을렀던 것이 아니라 측정 설계가 달랐다.

블로킹의 부분집단 격차를 1급 지표로 처음 올린 쪽은 공정성 문헌이다. 2024년 9월 공개된 연구는 성별이나 인종 같은 보호 속성으로 다수와 소수 집단을 나눠 축소율과 후보 포함률의 집단 간 차이를 정의하고, 엔터티 매칭 표준 데이터셋 일곱 종에서 그 격차를 쟀다. 완벽한 매처를 가정해도 블로킹 단계의 격차가 그대로 최종 결과의 격차로 옮겨진다는 것이 그 연구의 결론이다. 아마존–구글 데이터셋에서 XSuffix 블로커는 18.16%, QGram은 1.01%였다. 이 글의 중심 주장이 독립된 선행 실험에서 이미 확인돼 있다는 뜻이다.

다만 두 격차는 모집단이 다르므로 뺄셈해서는 안 된다. 선행연구가 나눈 것은 인구통계 집단이고 이 벤치마크가 나눈 것은 이름 가시성 계층이다. 규모만 견주면 이렇다. 일곱 데이터셋을 아우른 선행연구의 후보 포함률 격차 표에서 값은 −6.13에서 +11.79%p 사이였고, 가장 불리한 부분집단의 후보 포함률도 67.62% 아래로 내려가지 않았다. 앞 단락의 18.16%는 데이터셋 하나에서 잰 값이라 이 표와 집계 단위가 다르다. 이 벤치마크에서 두 계층의 값은 100.00과 6.77이다. 저자가 격차를 거의 전면적이라 표현한 것이 과장이 아니라는 근거를 선행연구의 수치가 보태 준다.

저자 자신도 이 실패가 기업 계열을 넘어선다고 적는다. 방어할 만한 전체 점수가 과제를 성립시킨 부분집합의 0에 가까운 성적을 덮는 구조는, 벤치마크의 양성이 난이도에서 이질적이고 쉬운 다수가 어떤 표면 특징과 상관할 때마다 생긴다. 그래서 벤치마크를 만드는 쪽은 쉬운 사례를 쉽게 만들어 주는 그 축으로 계층을 갈라 보고해야 하고, 심사하는 쪽은 그것을 요구해야 한다는 것이 논문의 권고다. 앞의 F1 88도 같은 권고의 다른 얼굴이다. 관계의 두 변이 서로 다른 종류의 객체일 때 모델은 관계 대신 객체의 종류를 배울 수 있고, 전체 점수는 그 사실을 드러내지 않는다.

찾지 못한 것은 평가되지 않는다는 구조는 다른 데서도 나타난다. 페블러스는 에이전트가 연구 질문에 맞는 데이터 열을 절반도 찾지 못하는 사례와 출력 형식을 바꾸자 데이터 품질 점수가 흔들린 사례를 각각 다뤘다. 검색 단계가 병목인데 뒤 단계 점수만 보는 구조, 그리고 지표가 재려던 것을 재지 못하는 구조가 이 논문에서 한 데이터셋 안에서 동시에 관측된다.

이름이 하나도 겹치지 않는 그 3,222쌍이 실은 등록 오류라면, 아무도 못 찾는 것이 정상이지 실패가 아니다. 논문은 이 반론에 조달 등록과 출처를 전혀 공유하지 않는 문서로 답한다. 상장회사가 연차보고서에 붙이는 부속명세서 21(Exhibit 21), 곧 등록인의 자회사 명세서다.

5.1대조 설계는 파일명을 믿지 않았다

먼저 문서를 어떻게 골랐는지가 이 대조의 신뢰를 정한다. 파일명으로 고르면 실패한다. ex2101.htm이 부속명세서 2의 하위 파일일 수도 있고, 자회사 명세서가 파일명에 번호 없이 올라오기도 한다. 그래서 문서를 고른 기준은 EDGAR가 제출 색인에 선언한 exhibit type 하나였다. 파일명 패턴과 관할 표기 목록 내용 검사라는 보조 신호 두 개는 선언 타입과 92.6% 일치했지만, 일치를 선택 조건으로 걸지는 않았다. 그러면 제출인 스스로 부속명세서 21이라고 선언한 12건이 버려지기 때문이다. 이렇게 확보한 제출 160건에서 선언 링크 1,575건을 검사했다.

부속명세서 21 대조 결과. 출처: arXiv:2609.04269v1 표 3.

매처가 4.7%밖에 되찾지 못한 그 계층에서, 794건 가운데 510건이 모회사 자신의 공시에 자회사로 적혀 있었다. 연결이 데이터에 없는 것이 아니다. 파이프라인이 그 증거를 찾으러 가지 않는다.

이 64.2%가 문서를 아무렇게나 뒤져 얻은 우연이 아니라는 것은 대조 조건으로 확인한다. 널 조건은 셋이고, 세 값이 각각 다른 종류의 우연을 배제한다.

세 가지 널 조건. 참 조건 64.2%와 대비된다. 출처: arXiv:2609.04269v1 §5.

앞의 두 널 조건은 기계적으로 공유하는 것이 하나도 없다. 하나는 회사를 무작위화하고 문서 종류를 고정하며, 다른 하나는 회사를 고정하고 문서 종류를 바꾼다. 그런데 결과가 0.25점 차로 붙었고 양측 피셔 정확검정으로 구분되지 않는다(p=0.34). 참 조건은 그 위 64.1점에 있다. 서로 무관한 두 설계가 같은 바닥에 떨어졌다는 사실이, 그 바닥이 어느 한 대조 설계의 산물이 아니라 매처 자체의 성질임을 특정한다. 세 번째 조건은 제출 문서 크기 이점까지 제거한 더 어려운 변형이고, 그래도 5.79%다. 참고로 두 번째 조건은 순수한 널이 아니라 보수적이다. 복지플랜이나 신용계약이 자회사를 참여 고용주나 보증인으로 정당하게 열거할 수 있고, 관측된 1건이 정확히 그 경우였다.

5.2왜 하필 그 문서에 답이 있고, 왜 64.2%가 하한인가

증거가 왜 이 문서에 모이는지는 규정 원문에 적혀 있다. 미국 연방규정집 17편 229.601조 (b)(21)항은 등록인이 무엇을 제출해야 하는지를 이렇게 정한다.

규정이 영업 상호를 적도록 요구하는 문서이므로, 등록 명칭과 다른 이름으로 장사하는 자회사의 관계가 하필 여기 남는다. 그리고 같은 조항의 뒷문장이 유보의 크기를 정해 준다. 생략 한계선은 같은 규정집의 중요 자회사 정의에 걸려 있고, 그 정의는 투자·자산·손익 시험에서 10% 기준을 쓴다. 이름 없이 넘어간 자회사들을 다 합쳐 하나로 봤을 때 그 10%에 못 미치면 적지 않아도 된다. 서식도 규제되지 않아 완전하고 정확한 목록을 담은 다른 문서를 참조로 편입해도 된다.

그래서 64.2%는 확인된 비율이지 실제 비율이 아니다. 하한으로 읽어야 하는 이유가 셋이다. 확인율이 파서가 회수한 텍스트 양과 상관하므로(스피어만 ρ=0.35) 파서 재현율만큼 깎여 있다. 모회사 이름으로 증권 등록인 목록을 맞춰 문서를 얻었으므로 가족 표본이 무작위로 뽑히지 않았다. 그리고 확인되지 않은 284건을 반증으로 읽을 수 없다. 위 규정이 중요하지 않은 자회사의 생략을 허용하고 있으니, 적히지 않았다는 사실만으로는 관계가 없다는 결론이 나오지 않는다. 논문에 붙은 유보는 저자의 겸양이 아니라 규정이 정해 준 크기다.

5.3어려운 사례를 버려서 만든 결론이 아니다

자기신고 아카이브에는 잡음이 있다. 이를테면 호주 자회사가 Raytheon Company의 최종 모회사라는 주장이 들어 있고, 이삿짐 회사가 폐기물 처리 업체 103곳의 모회사라는 주장도 있다. 자동 규칙으로 걸러 볼 수는 있다. 자식들이 공유하는 지배적 토큰을 모회사가 갖고 있지 않으면 표시하는 규칙은 위 두 사례를 잡는다. 그런데 자회사가 전부 진짜인 Arctic Slope Regional Corporation도 같이 잡는다. 튜닝 실패가 아니다. 진짜 대기업집단은 바깥에서 보면 잘못 붙은 가족과 똑같이 생겼다. 규칙을 공격적으로 적용하면 Heico와 TransDigm, Berkshire Hathaway, Republic Services가 지워진다. 하필 벤치마크를 만들 가치가 있게 만드는 바로 그 가족들이다.

그래서 저자는 규모가 큰 가족만 따로 떼어 손으로 심사했다. 28개 가족을 검토해 8개를 제외하고 20개를 유지했고, 유지와 제외 양쪽 모두에 사유를 적어 전체 로그를 공개했다. 제외 판정은 이름 문자열이 아니라 엔터티 식별자를 기준으로 내렸다. 이름 불안정성을 다루는 논문에서 방어할 수 있는 유일한 선택이다. 이 심사로 링크 458건이 빠지고, 주권 포괄 엔터티 아래에서 114건이 더 빠졌다.

여기서 편향 의심이 생긴다. 제외된 링크의 84.7%가 이 논문의 논지가 서 있는 바로 그 계층에 속한다. 어려운 사례를 골라 버려서 격차를 만든 것 아니냐는 질문이 성립한다. 저자는 제외를 하나도 하지 않은 빌드로 전 실험을 다시 돌렸다. 링크 14,288건, 그중 이름이 겹치지 않는 것 3,619건이다. 결과는 반대 방향이었다. 무필터 빌드에서 어려운 계층의 최고 재현율은 0.9%로, 필터 빌드의 4.2%보다 낮다. 제외를 걷어내면 과제가 더 어려워진다. 두 빌드 모두 공개되고, 작은 가족은 양쪽 다 자동 필터 없이 남아 있으며 저자는 이를 제거했다고 주장하는 대신 한계가 정해진 라벨 잡음으로 보고한다.

5.4정답 데이터 자체에 천장이 있다

이 논문에서 가장 데이터적인 사실은 93.2%가 아니라 18.5%다. 같은 등록 정보를 두 독립 채널로 읽으면 답이 갈린다. 엔터티별 API와 대량 집행 아카이브가 둘 다 모회사를 보고한 248개 엔터티에서, 모회사 식별번호가 정확히 일치한 비율은 64.9%이고 정규화한 이름이 일치한 비율은 73.8%다. 실질적으로 다른 모회사를 지목한 경우가 18.5%, 다섯 건에 한 건꼴이다.

불안정성은 채널 사이에서 그치지 않는다. 아카이브 안에서만도 1,005개 엔터티가 자기 집행 행들에 서로 다른 모회사를 여러 개 달고 있다. API에서는 자식 레코드 4,424개 가운데 1,065개가 이력에 모회사를 둘 이상 갖고 있고, 한 레코드에 최대 아홉 개까지 쌓여 있다. 소유가 바뀌어도 필드가 교체되지 않고 누적되기 때문이다. 원인은 셋으로 갈린다. 스냅숏 사이의 실제 소유권 변동, 완료된 인수를 등록 정보가 따라가지 못한 것, 그리고 명백한 오류다. 저자는 이 셋을 중재하지 않고 최신값을 취한 뒤, 불일치가 난 46개 엔터티의 목록을 그대로 공개했다.

논문의 처방은 한 줄로 요약된다. 증거가 레코드 밖에 있으므로 후보 생성 단계가 밖에서 증거를 가져와야 한다. 처방이 옳은지와 처방을 지금 실행할 수 있는지는 다른 질문이다. 후자에 답하려면 소유 관계를 담은 대장이 얼마나 넓은지 확인해야 하는데, 논문은 여기까지 가지 않는다. 이 절은 페블러스가 규정과 기관 공개 파일을 원문으로 확인한 것이다. 조회는 모두 2026년 9월 8일에 했다.

6.1미국 실소유자 등록부는 국내 설립 법인을 대상에서 뺐다

기업투명화법에 따른 실소유자 정보 보고 제도가 가장 먼저 떠오르는 후보다. 그런데 2026년 8월 14일 관보에 실린 최종규칙이 보고 범위를 좁혔다. 재무부 금융범죄단속국은 2025년 3월의 잠정최종규칙을 일부 수정해 최종 확정하면서, 미국인 실소유자와 미국인 설립신청자의 정보 보고 의무까지 추가로 면제했다. 같은 기관의 공식 안내 페이지는 미국 회사는 실소유자 정보 보고 요건에서 면제되며 따라서 더는 보고서를 제출할 필요가 없다고 적는다. 현재 보고 대상은 외국법에 따라 설립돼 미국에서 영업 등록을 한 법인뿐이다.

논문이 다루는 모집단은 미국 연방 조달에 등록한 미국 국내 법인이다. 그 법인들에 대한 실소유자 등록부는 이제 없다. 등록부가 폐지된 것은 아니고, 이 글은 규제의 방향을 논평하지 않는다. 확인한 사실은 하나다. 처방이 딛고 설 대장 후보 가운데 가장 넓어 보였던 것이 논문의 모집단을 덮지 않는다.

6.2세계 법인 식별 체계에서 최종 모회사가 적힌 항목은 제출자 기준 4.02%다

다음 후보는 전 세계 법인식별기호(LEI) 체계다. 이 체계에는 누가 누구를 소유하는가를 담는 2단계 데이터가 있다. 발급 현황은 전체 3,423,173건, 활성 3,162,582건이다. 2단계 보고율을 99%로 소개하는 자료가 흔한데, 원본 공개 파일을 내려받아 직접 집계해 보면 그 99%가 무엇을 센 값인지가 달라진다.

GLEIF 골든카피 관계 레코드 파일과 보고 예외 파일 직접 집계. 파일 발행 2026년 9월 7일 16:00 UTC, 집계 2026년 9월 8일. 지목과 예외는 교집합이 0이다(둘 중 하나만 제출한다). 활성 LEI를 분모로 삼으면 4.20%다.

예외 신고가 96%라는 사실을 부실로 읽으면 틀린다. 이 체계의 2단계가 쓰는 개념은 소유가 아니라 회계상 연결이고, 직접 모회사는 그 법인을 연결하는 연결재무제표를 작성하는 가장 낮은 단계의 법인으로 정의된다. 예외 사유 분포를 보면 대부분이 규정 정의상 적을 모회사가 없다는 정직한 답이다. 자연인이 지배하는 경우가 37.1%(1,175,644건), 연결재무제표 작성 대상이 아닌 경우가 34.6%(1,096,733건), 지배자를 알 수 없는 경우가 21.0%(666,312건)다.

그래도 블로커에 꽂을 대장으로 보면 결론은 하나로 모인다. 전 세계 법인 식별 체계 전체에서 최종 모회사가 적힌 항목은 13만 건이고, 그것이 모이는 기업집단은 4만 곳이 안 된다. 논문의 벤치마크 하나가 가진 기업집단만 10,307개다. 예외 사유 가운데 하나는 성격이 다르다. 모회사가 있다고 답했는데 그 모회사에 식별번호가 없어서 관계를 기재할 상대가 대장에 없는 경우가 118,686건, 3.7%다. 관계를 적어 낸 전체 건수 132,777과 거의 맞먹는다. 그리고 이 대장이 논문의 모집단에 닿지 못하는 더 단순한 이유가 남는다. 미국 연방 조달 등록에는 이 식별번호를 보고할 의무가 없다. 논문의 모집단은 애초에 이 대장 밖에 있다.

6.3상용 대장은 있다. 재현율은 공개되지 않는다

공개 대장이 좁다면 상용 대장이 남는다. 실제로 있다. 던앤브래드스트리트의 기업 계열 데이터는 연결 레코드 약 1,800만 건과 글로벌 최종 모회사 약 400만 건을 담고 있다고 밝히며, 자회사마다 자기와 모회사, 국내 최종, 글로벌 최종 네 개의 식별번호를 붙이고 통상 50% 초과 지분을 기준으로 삼는다. 무디스 오비스는 활성 소유 링크 약 1억 9,300만 건과 기업 6억 3,500만 곳 이상을 담고 있다고 밝힌다. 두 수치는 모두 사업자 자체 발표이고 집계 단위도 서로 다르다. 한쪽은 연결된 레코드 수를 세고 다른 쪽은 개별 소유 링크 수를 센다. 나란히 놓고 우열을 가릴 수 있는 값이 아니다.

정작 필요한 숫자는 어느 쪽도 공개하지 않는다. 보류한 정답 집합에 대한 재현율, 그중에서도 이름이 겹치지 않는 쌍에 한정한 계층별 재현율이다. 그러니 상용 대장으로 이 문제가 이미 해결됐다고 말할 수는 있어도, 밖에서 그 말을 검증할 방법은 없다. 여기서 이 글의 고리가 닫힌다. 논문은 자기 벤치마크 양성 쌍의 52.5%가 조달 시스템의 데이터 재배포 제한에 걸릴 수 있다고 적었고, 그 제한의 출처가 바로 앞 단락의 사업자가 제공한 데이터다. 이 52.5%는 저자가 일부러 상한으로 잡은 값이다. 제한은 2022년 4월 4일 이전에 시작된 기초 계약에 딸린 레코드로 범위가 정해져 있는데 판정에 쓰라고 지정된 필드가 집행 데이터에 아예 없어서, 링크를 지탱하는 거래 가운데 가장 이른 이행 개시일로 세었다. 오래된 기본계약에 붙은 2025년 발주가 그 계약의 최초 개시일을 물려받으니 값이 부풀 수밖에 없다. 반대로 여기 있는 거래를 모두 2025 회계연도 행위로 읽으면 노출은 0이다. 저자는 전체 벤치마크와 함께 기준일 이후 양성 쌍 6,522건만 남긴 보수적 부분집합도 같이 공개했다. 그래도 고리 자체는 남는다. 연결 문제를 풀어 줄 데이터를 가진 쪽이, 공개 벤치마크가 자기 양성 쌍의 절반 가까이를 조건부로 다뤄야 하는 이유이기도 하다.

6.4한국은 이름이 아니라 법인등록번호로 묶는다

한국 실무자가 우리는 이미 대장이 있다고 답할 근거는 실제로 있고, 성격도 미국 쪽과 다르다. 미국 조달 쪽이 자기신고 체계라면 한국은 법으로 정의된 지배 기준으로 계열을 판정한다. 독점규제 및 공정거래에 관한 법률 시행령 제4조는 동일인이 동일인관련자와 합해 발행주식 총수의 30% 이상을 소유하면서 최다출자자인 회사를 계열로 보고, 지분율과 별도로 사실상 사업내용을 지배하는지를 따지는 지배력 요건을 함께 둔다. 이름은 판정 기준에 들어가지 않는다. 그래서 이 대장은 이름이 겹치지 않는 계열도 원리상 빠뜨리지 않는다.

지정 규모와 공개 형식도 1차 자료로 확인된다. 2026년 공시대상기업집단은 102개, 소속회사는 3,538개다. 2025년 92개 3,301개, 2024년 88개 3,318개에서 늘었고, 그중 상호출자제한기업집단은 47개 2,088개다. 공정거래위원회 기업집단포털은 이 명단을 공공데이터포털 공개 API로 내보내는데, 반환 항목에 기업집단명과 소속회사명, 법인등록번호, 대표자, 설립일, 계열편입일이 들어 있다. 문자열이 아니라 식별번호로 묶인 대장이 기계 판독 가능한 형태로 이미 나와 있다는 뜻이다.

이 대장이 덮지 못하는 구간도 명시적으로 정해져 있다. 공시대상기업집단 지정은 자산총액 5조 원 이상에 한정되고, 그 아래 계열 관계에 대응하는 공식 대장은 확인하지 못했다. 갱신은 자료 제출과 검토를 거쳐 매년 5월 1일 기준으로 연 1회 이루어진다. 명단이 전수도 아니다. 연구개발비 비율이 높은 중소기업의 유예나 임원독립경영 요건 충족 회사처럼 편입에서 제외되는 사유가 시행령에 따로 있다. 논문이 다루는 저인지도 자회사 층은 대체로 이 하한 아래에 있다. 국내 표준과 대장의 층위 지도는 한국의 AI 레디 데이터 표준을 다룬 앞선 리포트에서 따로 정리했다. 한편 국내 기업이 조달·구매 시스템에서 계열 통합을 실제로 어떻게 하는지에 대한 공개 사례는 이번 조사에서 확인하지 못했다.

6.5부품은 다 있고, 이 과제에 끼운 구현이 없다

대장 쪽이 아니라 방법 쪽에서도 같은 질문을 던져야 한다. 외부 증거로 후보를 만드는 블로커를 만든 사례가 이미 있는가. 논문은 이를 미래 과제로만 제시한다. 조사 결과는 아키텍처가 이미 존재한다는 것과, 이 과제에 소유 대장을 증거로 쓴 사례는 찾지 못했다는 것이다.

외부 증거 기반 후보 생성에 닿는 연구 계열. 2026년 9월 8일 조사 기준.

소유 관계 대장을 검색해 문자열 증거 없는 후보를 제안하는 블로커를 구현하고 계층별 재현율을 보고한 연구는 찾지 못했다. 아무도 생각하지 못했다는 뜻은 아니다. 부품은 다 있다. 없는 것은 그 부품을 이 과제에 끼운 구현과, 끼운 뒤에 채점할 잣대다. 후자를 이 논문이 만들었다.

이 결과의 권위를 어디까지 실을 것인지는 먼저 정해 두는 편이 낫다. 논문은 단독 저자 한 사람이 썼고, 소속은 독립 연구자다. arXiv에 2026년 9월 2일 올라온 v1이고 동료 심사를 거치지 않았다. 21쪽에 표 여덟 개다. 연구진이나 공동 연구팀이라고 쓸 대상이 아니며, 대학이나 기업 이름을 붙일 수도 없다.

심사가 없는 대신 이 논문이 갖춰 둔 것은 재현 장치다. 본문의 모든 수치를 스크립트가 결과 파일에서 생성하고 별도 스크립트가 원고와 대조해 검증한다. 시드는 20260827로 고정했고 빌드는 결정론적이다. 손으로 옮겨 적은 수치가 없다고 밝혀 두었다. 벤치마크와 손 심사 전체 로그, 모든 수치를 재생산하는 코드가 공개 저장소에 함께 올라와 있다. 유지한 가족과 제외한 가족 양쪽에 사유가 적혀 있고, 정답이 갈린 46개 엔터티도 열어 볼 수 있다.

논문이 스스로 그은 범위도 좁다. 단일 관할이고 단일 회계연도다. 다국적 구조는 미국 등록 법인을 통해서만 나타난다. 기록된 모회사 관계가 1홉이므로 자식에서 최종 모회사로 가는 연결만 평가하고 중간 지주 사슬은 평가하지 않는다. 부속명세서 대조는 증권 등록인에 한정된다. 다속성 기준선은 양쪽에 속성이 있는 소수 부분집합에서 측정됐다. 라벨 잡음은 한계가 정해져 있지만 실재하고, 손 심사는 큰 가족만 다뤘으며 작은 가족은 전혀 다루지 않았다. 그리고 이 논문의 기준선들은 최신 성능이 아니라 문제의 모양과 바닥을 세우는 값이다. 더 좋은 매처가 있느냐는 질문에는 답하지 않는다.

한 가지는 저자가 답하지 않겠다고 명시해 두었다. 사전학습 모델이 이런 소유 관계 사실을 이미 갖고 있는지는 시험하지 않았고 어느 쪽으로도 주장하지 않는다고 못박았다. 공시가 공개 웹에 있어 학습 데이터 오염 문제가 따로 생기기 때문이다. 그러니 이 결과에서 언어 모델이 이 관계를 안다거나 모른다는 결론을 끌어낼 수는 없다.

논문 5절은 블로킹의 부분집단 격차를 1급 속성으로 재기 시작한 선행연구를 인용한다. 그 참고문헌 항목이 서로 다른 두 논문을 한 줄에 합쳐 놓았다. 적힌 저자 다섯 명은 2022년 메타 블로킹 기술보고서의 저자이고, 함께 적힌 제목과 식별번호, 연도는 2024년 9월의 블로킹 편향 평가 논문의 것이다. 세 초록 페이지를 직접 열어 확인했다. 실질 주장은 무너지지 않는다. 4절에서 인용한 격차 측정은 존재하고, 저자는 모슬레미와 발라무루간, 밀라니의 그 논문이다. 틀린 것은 귀속뿐이다. 참고문헌 주석이 유별나게 꼼꼼한 논문에도 이런 항목이 남았다는 사실이 말해 주는 것은 분업이다. 수치 재현 스크립트는 이 종류의 오류를 잡지 못하고, 동료 심사는 잡는다. 심사를 거치지 않은 v1을 읽을 때 어디를 직접 확인해야 하는지가 그래서 정해진다.

페블러스가 DataClinic으로 해 온 일은 데이터셋을 열어 무엇이 잘못됐는지 세는 것이다. 이 논문은 그 세는 행위 자체에 빠진 칸이 있다고 말한다. 그래서 남의 이야기로 읽히지 않는다.

8.1정리의 성패를 재는 지표가 스스로를 검증하지 못한다

매칭 정확도는 매처에게 보여 준 쌍만 채점한다. 보여 주지 않은 쌍은 오답으로도 집계되지 않는다. AI 레디 데이터를 모델이 바로 쓸 수 있게 정리된 데이터라고 정의할 때, 그 정리의 성패를 재는 지표가 후보에도 오르지 못한 관계를 세지 않는다면 정의가 스스로를 검증하지 못한다. 엔터티 매칭 실패가 하류에서 어떤 비용으로 돌아오는지는 에이전트를 멈추는 데이터 결함을 다룬 리포트에서 따로 정리했다.

8.2한계를 계량해 보여 주는 편이 품질을 주장하는 것보다 쓸모 있다

정답 데이터가 자기 자신과 어긋나는 폭을 벤치마크의 상한으로 적어 둔 5.4절이, 페블러스가 진단 성적서를 낼 때마다 부딪히는 문제와 겹친다. 저자는 정답이 갈린 사례를 중재하지 않고 목록째 공개했다. 품질을 주장하는 대신 한계를 계량해 보여 주는 태도이고, 페블러스가 진단 성적서에서 취해 온 방식과 같다. 같은 종류의 문제를 다른 도메인에서 다룬 사례로는 저자 식별이 걸린 학술 그래프의 데이터 품질 리포트가 있다.

8.3명부를 가진 조직이 지금 확인할 수 있는 것 세 가지

첫째, 우리 통합 지표가 후보 생성 단계의 재현율을 따로 재고 있는가. 매칭 F1만 있다면 못 본 것을 세지 않는 지표다. 둘째, 놓친 연결에 금액 가중을 걸어 봤는가. 건수로 잘하는 파이프라인이 금액으로는 못하고 있을 수 있다는 것이 4.2절의 내용이다. 셋째, 모회사 쪽 속성 커버리지를 관계의 양쪽으로 나눠 봤는가. 레코드 단위로 계산한 커버리지 수치는 3.2절이 보여 준 한쪽 쏠림을 통째로 감춘다.

8.4같은 문제의 다른 지점

논문의 처방을 실행하는 일은 공시를 읽어 관계를 세우고 그 관계로 후보를 제안하는 작업이다. 문서에서 구조를 뽑아 그래프로 세우고 그 그래프로 데이터를 잇는 일이니, 페블러스가 비정형 파이프라인과 온톨로지 쪽에서 다뤄 온 것과 같은 층위에 있다. 다만 산출물이 다르다. 질문에 답하기 위한 지식그래프가 아니라 레코드를 이어 줄 후보를 만들기 위한 대장이다. 잘못 이어진 노드가 하류를 오염시키는 구조는 그래프가 틀리면 검색증강생성도 틀린다는 리포트에서 다뤘고, 이 논문은 그 그래프를 어디에 쓰면 값이 나오는지를 한 군데 더 알려 준다.

본문의 벤치마크 수치는 모두 논문 전문(HTML)에서 직접 확인했다. 6절의 대장 수치는 페블러스가 2026년 9월 8일에 규정 원문과 기관 공개 파일, 공개 API를 직접 열어 집계한 값이고, 조회 시각과 파일 발행 시각을 해당 줄에 밝혔다. 사업자 자체 발표는 그 사실을 함께 적었다.

학술

• 1.Harshit Gupta. "Corporate-Family Resolution Is Not a String-Matching Problem: A Public Benchmark Stratified by Name Visibility." arXiv:2609.04269v1 [cs.DB], 2026-09-02, 21쪽·표 8개. doi:10.48550/arXiv.2609.04269 · arXiv — 단독 저자, 소속은 독립 연구자, 동료 심사 없음. 벤치마크·손 심사 전체 로그·모든 수치 재생산 코드는 공개 저장소에 있다. 이 글이 인용한 표 1·3·4·5·6·7·8과 논문 §1·§2·§3.4·§4.1·§4.3·§4.4·§5·§5.1·§6.2·§6.4·§6.6·§7·§8·§9·§10의 서술을 전문에서 확인했다.
• 2.Mohammad Hossein Moslemi, Harini Balamurugan, Mostafa Milani. "Evaluating Blocking Biases in Entity Matching." arXiv:2409.16410, 2024-09-24. arXiv — 4.4절의 부분집단 후보 포함률 격차와 완벽한 매처 가정 실험(XSuffix 18.16%, QGram 1.01%), 일곱 데이터셋 후보 포함률 격차 표의 −6.13~+11.79%p와 소수 집단 최저 67.62%는 이 논문 전문에서 확인했다. 18.16%·1.01%는 아마존–구글 데이터셋 조건의 값이므로 앞의 표와 집계 단위가 다르다. 1번 논문 §5의 참고문헌 항목은 이 논문의 제목·식별번호·연도에 5번 논문의 저자 목록을 붙여 놓았다. 세 arXiv 초록 페이지를 직접 열어 대조했다(2026-09-08).
• 3.Aaron Steiner, Ralph Peeters, Christian Bizer. "MaDI-Bench: An End-to-End Data Integration Benchmark." arXiv:2606.30371, 2026-06-29. arXiv — 블로킹 후보 포함률 94.37~100.00%(기업 과제 94.37 / 97.73 / 100.00), 데이터 융합 정확도 40.20~84.87%, 표면 변형 강도 손잡이 서술은 전문에서 확인했다. 1번 논문은 이 문헌을 메타데이터 수준만 확인했다고 스스로 적었으므로, 본문의 비교는 페블러스가 원문을 열어 재확인한 것이다.
• 4.Alexander Brinkmann, Roee Shraga, Christian Bizer. "SC-Block: Supervised Contrastive Blocking within Entity Resolution Pipelines." arXiv:2303.03132. arXiv — 후보 포함률 99.5%를 기본값으로 맞추고 실행 시간을 겨루는 설계. 최신 블로커 8종 대비 1.5~2배, 대규모 세트에서 8배 빠르다는 결과가 4.4절에서 인용한 값이다.
• 5.Luca Gagliardelli, George Papadakis, Giovanni Simonini, Sonia Bergamaschi, Themis Palpanas. "Generalized Supervised Meta-blocking (technical report)." arXiv:2204.08801, 2022-04-19 — 2번 항목의 저자 귀속 대조에 사용했다.
• 6.Saravanan Thirumuruganathan 외. "Deep Learning for Blocking in Entity Matching: A Design Space Exploration." PVLDB 14(11):2459–2472, 2021. doi:10.14778/3476249.3476294 — 6.5절 학습형 블로커 계열의 대표 연구.
• 7.Lele Cao 외. "CompanyKG: A Large-Scale Heterogeneous Graph for Company Similarity Quantification." arXiv:2306.10649, 2023-06-18. arXiv — 1번 논문이 가장 가까운 공개 자원으로 지목한 문헌. 1절의 기업 117만 곳·관계 15종·간선 5,106만 건과 세 평가 과제(유사도 예측·경쟁사 검색·유사도 순위)는 이 논문 초록에서 직접 확인했다(2026-09-08). 1번 논문의 참고문헌은 이 문헌의 과제와 저자 목록을 다르게 적어 두었으므로, 본문 서술은 원문 기준이다.

정책 · 통계 · 1차 자료

• 8.미국 연방규정집 17편 229.601조 (b)(21) — 부속명세서, 등록인의 자회사. 생략 기준인 중요 자회사 정의는 같은 규정집 210.1-02(w)조. Cornell LII에서 원문 확인. 5.2절 인용문은 이 조항의 (i)·(ii)호를 우리말로 옮긴 것이다.
• 9.FinCEN. "Beneficial Ownership Information Reporting Requirement Revision." 최종규칙, 91 FR 52508, 2026-08-14 공개·시행, 문서번호 2026-16576 — 연방관보 API로 직접 조회했다. 2025-03-26 잠정최종규칙을 일부 수정해 최종 확정하며 보고 범위를 좁혔다고 초록에 명시돼 있다.
• 10.FinCEN. 실소유자 정보(BOI) 안내 페이지 fincen.gov/boi, 2026-09-08 조회 — 미국 회사는 보고 요건에서 면제되어 더는 보고서를 제출할 필요가 없다는 문구를 이 페이지에서 확인했다.
• 11.GLEIF. 골든카피 관계 레코드 파일 20260907-1600-gleif-goldencopy-rr-golden-copy.csv와 보고 예외 파일 20260907-1600-gleif-goldencopy-repex-golden-copy.csv, 발행 2026-09-07 16:00 UTC (goldencopy.gleif.org) — 6.2절 표의 132,777 · 126,605 · 3,167,134 · 3,299,911 · 38,828과 예외 사유 분포는 이 두 파일을 내려받아 직접 집계한 값이다. 재현 가능한 1차 계산이다.
• 12.GLEIF LEI Records API (api.gleif.org), 2026-09-08 조회 — 전체 LEI 3,423,173건, 활성 3,162,582건.
• 13.공정거래위원회. 「2026년 공시대상기업집단 등 지정 결과」 보도자료, 2026-04-30 — 공시대상기업집단 102개·소속회사 3,538개, 상호출자제한기업집단 47개·2,088개. 2025년 92개·3,301개, 2024년 88개·3,318개.
• 14.공공데이터포털. 공정거래위원회 기업집단포털 「지정된 대규모기업집단 소속회사 조회 서비스」 Open API 명세 — 반환 항목에 기업집단명·소속회사명·법인등록번호·대표자·설립일·계열편입일이 포함된다. 공개 기준일은 매년 5월 1일이다.
• 15.「독점규제 및 공정거래에 관한 법률」 시행령 제4조·제5조 (국가법령정보센터) — 계열 판정의 지분율 요건(30% 이상 최다출자자)과 지배력 요건, 그리고 편입 제외 사유.
• 16.USAspending.gov API v2 (api.usaspending.gov), 2026-09-08 조회 — 논문 원천의 모집단 규모를 확인하는 데 사용했다. 2025 회계연도 계약 집행액은 직접 집계로 $778,489,275,685였다. 집계 범위가 다른 제3자 수치와 섞지 않았다.
• 17.Dun & Bradstreet 기업 계열(Corporate Linkage) 제품 소개 · Moody's Orbis 제품 소개 — 6.3절의 1,800만 건·400만 건·1억 9,300만 건·6억 3,500만 곳은 모두 사업자 자체 발표이고 집계 단위가 서로 다르다. 어느 쪽도 보류 정답에 대한 재현율을 공개하지 않는다.

페블러스 인접 글

• 18.엔터티 해상도와 출처에서 무너지는 비정형 데이터 파이프라인 (2026-08-06) · 에이전트를 멈추는 여섯 가지 데이터 결함 (2026-07-03)
• 19.OpenAlex가 제공하는 4.7억 편의 논문 데이터 (2026-07-23) · 그래프가 틀리면 RAG도 틀린다 (2026-04-17)
• 20.AI 에이전트가 연구 질문에 맞는 데이터 열을 절반도 못 찾는다 (2026-08-09) · 학습 데이터 중복 제거를 8배 앞당긴 조기 중단 규칙 (2026-08-10)
• 21.한국의 AI 레디 데이터 표준은 카탈로그와 데이터옵스로 흩어져 있다 (2026-09-01) · 출력 형식을 바꾸자 데이터 품질 점수가 흔들렸다 (2026-09-07)