답사는 늘 폐허에서 시작하는 법이다. 화려한 데모의 전각이 아니라, 새벽 네 시 사십칠 분에 무너져 내린 한 병원 시스템의 잔해 앞에 먼저 서 보아야 한다. 아는 만큼 보인다고 했던가. 이 장은 검색 증강 생성이라는 거대한 유적지를 걷기 전에 반드시 챙겨야 할 지도이자 나침반이다.
야간 근무 중이던 한 수간호사가 병원의 새 AI 임상 어시스턴트에 질문 하나를 던진다. "경증 간기능 장애 환자에게 권장되는 아세트아미노펜의 일일 최대 용량은 얼마인가." 4만 7천 건의 임상 문서 위에 세워진 검색 증강 생성 시스템은 2초도 걸리지 않아 자신만만하게 답한다. 4,000밀리그램.
그 답은 틀렸다. 정답은 병원 자체 임상 가이드라인 23쪽에 묻혀 있던 2,000밀리그램이었다. 4,000이라는 숫자는 간이 건강한 환자에게만 해당한다. 시스템은 범용 아세트아미노펜 문서를 집어 오고, 정작 간기능 장애 문서는 통째로 놓친 채, 간호사가 그대로 따랐더라면 급성 간 손상으로 이어졌을 답을 확신에 찬 어조로 생성해 낸 것이다.
다행히 그 간호사는 22년 경력의 베테랑이었다. 수상한 답을 알아채고 자리에 두고 쓰던 인쇄본 매뉴얼을 확인한 뒤 시스템을 신고했다. 아침 아홉 시, IT팀이 어시스턴트를 프로덕션에서 내렸고, 그날 오후 개발팀은 임상 위원회 앞에 앉아 모든 내부 벤치마크를 통과한 시스템이 어떻게 이토록 중대한 문제에서 틀릴 수 있었는지를 해명해야 했다. 사후 분석이 밝혀낸 결함은 다섯이었으니, 하나같이 교과서에 나올 법한 나이브 RAG의 실패들이었다.
512토큰 경계에서 간기능 장애 가이드라인이 문장 중간에서 잘려 나갔다. 용량 권고와 그것을 한정하는 환자 맥락이 분리되었고, 정답을 담은 청크에는 "간기능 장애"라는 말이 아예 남지 않았다. 검색이 맥락화할 수 없는 고아 권고문이 된 것이다.
웹 텍스트로 학습된 범용 문장 트랜스포머는 간호사의 "경증 간기능 장애"와 원문의 의학 동의어들 — "손상된 간 기능", "Child-Pugh Class A" — 사이의 의미적 간극을 잇지 못했다. 모델에게 이들은 거의 무관한 어구였다.
수천 건의 환자 교육 자료에 등장하는 범용 문서가, 인용은 드물지만 결정적으로 관련 있는 전문 문서를 눌러 버렸다. 말뭉치 안에서의 인용 빈도가 관련성을 지배한 것이다.
용량과 환자 맥락 사이의 임상적 관계를 표현할 방법이 시스템에는 없었다. 질문이 담고 있는 구조화된 의학 개념이 아니라 질문의 표면형만으로 검색했다.
생성 단계는 "검색된 문서로부터 자신감 있는 임상 답변을 종합하라"고 지시받고 있었다. 검색된 문서에 정답이 없을 때, 모델은 어쨌든 하나를 — 자신감 있게 — 지어냈다.
이 다섯 문제는 모두 검색 문헌에 잘 기록되어 있고, 모두 알려진 완화책이 있으며, 개발팀도 모르지 않았다. 그들은 관련 논문을 읽은 노련한 엔지니어들이었다. 다만 6주 스프린트에 쫓겨 지름길을 택했을 뿐이다. 그들은 파이프라인을 만들었지, 시스템을 만들지 않았다. 2026년 현재 프로덕션 RAG 파이프라인의 약 40%가 검색에서 실패하는 까닭이 바로 여기에 있다. 해답은 더 좋은 언어 모델이 아니다. 검색 파이프라인의 모든 단계를 엄밀하게 공학하는 것, 그리고 RAG를 정적인 '가져다 붙이기' 패턴에서 자신이 무엇을 검색했는지 추론하고, 증거가 부족함을 알아차리고, 더 나은 질문을 하거나 답변을 거부할 줄 아는 에이전틱 시스템으로 끌어올리는 것이다.
이 책의 근본 주장은 이렇다. 검색 증강 생성은 규칙 기반 챗봇에서 언어 모델 어시스턴트로 넘어온 것에 견줄 만한 건축적 전환을 이미 겪었다는 것이다. 그 전환이란 검색을 정적인 조회 단계로 보던 시대에서 검색을 능동적인 의사결정 서브시스템으로 보는 시대로의 이행이다. 이 전환을 이해하는 것이 나머지 모든 것의 전제가 된다.
2020년에 등장해 2023년쯤 널리 퍼진 본래의 RAG 패턴은 검색을 단 한 번의 결정론적 연산으로 취급했다. 질의를 벡터로 임베딩하고, 문서 임베딩 말뭉치와 비교하고, 상위 k개를 언어 모델의 컨텍스트 창에 밀어 넣고, 답을 생성한다. 검색 단계에는 자율성도, 자기가 무엇을 가져오는지에 대한 자각도, 다시 시도하거나 다듬을 능력도 없었다. 검색 엔진 시대에서 빌려 온 정보 검색의 원시 부품을 언어 모델 출력에 접붙인 것에 지나지 않았다.
한동안은 이것으로 족했다. 제품 매뉴얼, 작은 사내 위키, FAQ 데이터베이스 같은 단순한 말뭉치에서는 그런대로 돌아갔고, 데모에서는 훌륭해 보였기에 수천 개의 초기 생성형 AI 배포의 기본 아키텍처가 되었으며 모든 입문 강좌의 표준 교안이 되었다. 그리고 그 배포들이 프로덕션 규모로 커지자, 균열이 드러나기 시작했다.
균열은 우연이 아니라 구조였다. 정적 검색은 서로 닮지 않은 두 문서를 종합해야 하는 멀티홉 질문을 다루지 못한다. 상위 k개 청크가 하필 무관할 때 회복하지 못한다 — 언어 모델은 소음을 받아 소음을 돌려준다. 말뭉치 안에 확실한 답이 있는 질문과 없는 질문을 구별하지 못하므로 두 경우 모두에서 똑같은 확신으로 지어낸다. 명확화 질문을 던질 수 없고, 정보가 더 필요하다고 판단할 수 없다. 요컨대 복잡한 질의 앞에서 노련한 인간 연구자가 본능적으로 하는 그 어떤 일도 하지 못한다.
에이전틱 RAG는 이것을 뒤집는다. 검색을 선형 파이프라인의 고정된 한 단계가 아니라, 계획하고, 행동하고, 결과를 관찰하고, 다음 행보를 결정할 수 있는 자율적 구성요소 — 에이전트 — 가 수행하는 목표 지향적 활동으로 다룬다. 에이전트는 검색을 실행하고, 돌아온 것을 살피고, 불충분하다고 판단하면 질의를 고쳐 쓰고, 다시 검색하고, 다른 말뭉치를 참조해야겠다고 결정하고, 한 번 더 검색하고, 이제 증거가 충분하다고 판단한 뒤에야 답을 종합한다. 매 단계마다 사람에게 넘기거나, 답변을 거부하거나, 불확실성을 밝힐 선택지를 지닌다.
이것은 소폭의 개선이 아니라 다른 범주의 시스템이다. 정적 RAG 파이프라인과 에이전틱 RAG 시스템의 관계는 계산기와 연구 조수의 관계와 같다. 계산기는 입력에 대해 결정론적으로 계산한다. 연구 조수는 무엇을 계산할지 결정하고, 질문이 잘못 세워졌음을 알아차리고, 되묻고, 여러 자료를 참조하고, 숙고된 답을 내놓는다. 둘 다 제 쓰임이 있으되, 틀렸을 때의 대가가 클 때 적합한 것은 오직 하나다.
이 건축적 전환의 파장은 시스템의 모든 층위에 미친다. 청킹은 더 이상 한 번으로 끝나는 결정이 아니라 에이전트가 말뭉치에 대해 알게 된 바에 따라 달라지는 동적 활동이 된다. 검색은 단일 벡터 유사도 연산이 아니라 하이브리드 검색, 재순위화, 질의 변환, 그래프 탐색을 아우르는 연산의 연쇄가 된다. 생성은 마지막 단계가 아니라 여러 선택지 중 하나가 된다 — 에이전트는 후속 검색을 택할 수도, 산문 대신 구조화된 데이터를 반환할 수도, 질의를 상급으로 넘길 수도 있다. 평가는 정적 벤치마크가 아니라 에이전트가 가능한 행동의 결정 트리를 지나온 경로, 곧 궤적에 대한 지속적 관찰이 된다.
나이브 RAG는 결정론적 단일 패스 파이프라인이다: 질의 임베딩 → 상위 k개 검색 → 답변 생성. 검색 단계는 자기성찰이 없으며 나쁜 결과로부터 회복하지 못한다.
에이전틱 RAG는 상태를 지닌 순환 시스템이다. 계획 에이전트가 검색을 실행하고, 그 적절성을 평가하고, 질의를 변환하고, 그래프를 탐색하며, 언제 답하고 언제 거부하고 언제 상급으로 넘길지를 결정한다. 검색 단계는 성찰적이며 자기교정적이다.
여기서 실패란 검색된 청크들이 질의에 올바로 답하는 데 필요한 정보를 담고 있지 않다는 뜻이다. 언어 모델은 무관한 맥락으로부터 답을 지어내거나, (대부분의 모델이 자신 있게 답하도록 훈련된 탓에 드물지만) 답변을 거부하거나, MedCentral 병원이 새벽 네 시에 받았던 것과 같은 확신에 찬 오답을 내놓는 수밖에 없다.
유의할 것은, 40%가 시스템 전체의 실패율이 아니라 검색 단계만 떼어 놓은 실패율이라는 점이다. 여기에 생성 오류까지 겹치면, 프로덕션 시스템이 실제로 마주하는 복잡한 실세계 질의에서 나이브 RAG의 종단 간 정확도는 흔히 50%를 밑돈다. 오답의 대가가 무응답의 대가를 넘어서는 모든 응용 — 대다수 기업 응용, 모든 규제 산업, 그리고 의료·법률·금융 서비스의 전부 — 에서 이는 재앙적인 숫자다.
이 40%는 다섯 가지 뚜렷한 실패 범주로 분해되며, 각각은 독립적으로 일어나고 겹쳐 일어나면 서로를 증폭한다. 이 범주들에 정확한 이름을 붙이는 일이 그것들을 공학적으로 우회하는 첫걸음이다.
가만히 들여다보면 MedCentral 사건은 이 범주들의 표본실이나 다름없다. 의미적 간극은 "경증 간기능 장애"와 "Child-Pugh Class A" 사이에서, 청킹 아티팩트는 512토큰 경계에서, 순위 역전은 범용 아세트아미노펜 문서의 승리에서 각각 제 모습을 드러냈다. 도메인이 전문화될수록 범용 임베딩이라는 다리는 약해진다. "우리 공급업체 중 최근 제재받은 경쟁사와 이사를 공유하는 곳은 어디인가" 같은 질문은 공급업체 명부, 경쟁사의 규제 조치, 이사회 명단 데이터베이스를 결합해야만 답이 나온다 — 어느 단일 문서에도 답은 없다.
이 다섯 범주는 이론이 아니다. 저자가 연구했거나 직접 참여한 모든 프로덕션 RAG 실패의 사후 분석마다 등장하는 범주들이며, 이 책의 나머지가 체계적으로 공략하도록 설계된 과녁들이다. 청킹 아티팩트는 4장이, 의미적 간극·순위 역전·컨텍스트 오염은 5장이, 멀티홉 불충분은 GraphRAG와 에이전틱 검색을 다루는 6~7장이 맡는다. 9장은 이 실패들을 프로덕션에 닿기 전에 개발 단계에서 탐지하는 평가 방법을 세운다.
나이브 RAG가 부진할 때 경험이 얕은 팀이 가장 먼저 하는 일은 k를 늘리는 것 — 더 많은 청크를 가져오는 것이다. 이것은 좀처럼 도움이 되지 않으며 사태를 악화시키기 일쑤다. k를 키우면 관련 정보보다 컨텍스트 오염이 더 빨리 늘어난다. 관련 신호는 찾기 쉬워지는 게 아니라 어려워진다. 부진에 대한 올바른 응답은 거의 언제나 '더 많이 검색하라'가 아니라 '더 잘 검색하라'다.
2023년부터 2026년 사이 RAG 아키텍처는 뚜렷한 네 세대를 거쳤다. 이 진화를 아는 것은 단순한 역사 공부가 아니다. 각 세대가 오늘도 유효한 기법들을 남겼고, 현대의 프로덕션 시스템은 대개 여러 세대의 요소를 결합해 쓰기 때문이다. 어느 세대가 어느 기법을 내놓았는지를 알아야 파이프라인의 각 부분에 맞는 연장을 고를 수 있다. 옛 절터의 주춧돌 위에 고려의 석탑이 서고 조선의 전각이 덧지어지듯, RAG의 세대들도 겹겹이 쌓여 오늘의 가람을 이룬다.
기본 패턴을 확립했다. 말뭉치를 고정 크기로 자르고, 각 청크를 벡터로 임베딩해 벡터 데이터베이스에 저장하고, 런타임에 질의를 임베딩해 최근접 상위 k개를 가져와 프롬프트에 이어 붙이고 생성한다. 단순하고 빠르게 만들 수 있으며 좁은 말뭉치의 단순한 질의에는 그런대로 통한다. 대부분의 입문 튜토리얼이 지금도 가르치는 패턴이자, 프로덕션에서 40%가 실패하는 바로 그 패턴이다.
적소 — 좁은 말뭉치의 FAQ형 단순 질의나이브 RAG의 한계가 드러나며 등장했다. 검색 전(前) 기법으로 질의 재작성, 질의 확장, 그리고 가상의 답을 만들어 그것을 임베딩하는 가설 문서 임베딩(HyDE)을, 검색 후(後) 기법으로 크로스 인코더 재순위화, 품질 필터링, 관련 구간만 뽑아내는 압축을 도입했다. 벡터 유사도와 BM25류 키워드 검색을 결합한 하이브리드 검색도 이 세대의 유산으로, 의미적 간극 실패를 직접 겨눈다. 2026년의 프로덕션급 RAG 시스템 대부분은 다른 세대와 무엇을 결합하든 하이브리드 검색을 기본선으로 깐다.
적소 — 프로덕션급 단발 검색2024년 말에 태동해 2025~2026년에 무르익었다. 검색 과정에 성찰과 자율성을 불어넣었다. Self-RAG와 교정 RAG(CRAG)는 생성에 앞서 검색 결과의 관련성을 평가하고 다른 질의로 재시도할지, 변형에 따라서는 로컬 말뭉치가 부족할 때 웹 검색으로 확대할지를 결정하는 비평 루프를 더했다. 복잡한 질의를 하위 질의로 분해해 각각 검색하고 결과를 종합하는 다단계(반복적) 검색도 이 세대의 것이다. 앞 절에서 말한 건축적 전환이 구체화되는 지점이 바로 여기다.
적소 — 복잡한 질의, 규제 도메인, 고위험 답변에이전틱 세대의 뒤가 아니라 곁에서 나란히 달린다. Microsoft Research가 개척하고 Neo4j의 GraphRAG 통합 등으로 널리 구현된 이 계열은, 문서 자체에서 추출한 구조화된 지식 그래프로 말뭉치를 보강해 멀티홉 불충분을 정면 돌파한다. 그래프는 문서가 서술하는 엔티티, 관계, 커뮤니티를 부호화하고, 질의가 오면 텍스트 청크만이 아니라 순수 텍스트 검색에는 보이지 않는 관계를 담은 그래프 부분경로까지 함께 가져온다. 단일 문서의 내용이 아니라 엔티티 간 관계에 답이 달린 모든 응용에서 지배적 아키텍처다.
적소 — 멀티홉 추론, 관계 질의2026년의 전형적인 프로덕션 아키텍처는 어드밴스드 세대의 하이브리드 검색과 재순위화를 기본 검색 기제로 깔고, 에이전틱 세대의 성찰과 반복 검색을 '검색이 충분한가'를 판정하는 래퍼로 두르고, 멀티홉 추론이 필요한 질의에는 GraphRAG의 엔티티 인지 탐색을 동원한다. 어느 세대를 배치할지는 세 요인 — 질의의 복잡도, 오답의 대가, 가용한 엔지니어링 예산 — 에 달렸다. 작은 위키의 사내 검색이라면 어드밴스드 RAG로 족하고 에이전틱 층은 영영 필요 없을 수 있다. 금융사의 규제 준수 어시스턴트는 그것 없이 출시할 수 없다. MedCentral이 만들려던 것과 같은 임상 의사결정 지원 도구라면 세 세대 전부에 GraphRAG까지 필요하고, 그러고도 세심한 평가와 인간 개입 감독이 없으면 부족할 수 있다.
RAG의 네 세대는 뒷 세대가 앞 세대를 폐기하는 엄격한 계승이 아니라 겹쳐 쌓이는 층이다. 2026년의 프로덕션 시스템은 어드밴스드 세대의 하이브리드 검색, 에이전틱 세대의 질의 재구성, GraphRAG 세대의 엔티티 인지 검색을 하나의 파이프라인 안에서 일상적으로 함께 쓴다. 세대를 대안이 아닌 층으로 다루는 것 — 그것이 이 책이 서 있는 프로덕션 엔지니어링의 마음가짐이다.
이 책은 밀도가 높다. 이어지는 장들은 핵심 검색 구성요소, 네 세대의 고급 패턴, 프로덕션 엔지니어링 규율, 두 편의 완결된 기업 사례 연구, 그리고 90일 구현 로드맵을 프로덕션 수준의 깊이로 다룬다. 모든 문장을 순서대로 읽는 것은 이 분야를 통달할 시간이 있는 엔지니어에게 옳은 길이다. 그 밖의 독자를 위해 책은 표적 독서 경로를 지원하도록 짜여 있다. 답사에도 코스가 있듯 독서에도 코스가 있는 법 — 어느 길을 택하든, 큰 부분을 건너뛰더라도 자기가 만들거나 운영하는 시스템에 대한 일관된 심상 지도를 얻도록 설계되었다.
첫 프로덕션급 RAG 시스템을 짓는 이의 길이다. 1장부터 순서대로 나아간다. 기초 → 핵심 아키텍처 → 고급 패턴 → 프로덕션 엔지니어링 → 사례 연구 → 로드맵의 흐름이 이해를 누적적으로 쌓도록 설계되어 있다. 책과 나란히 지으면서 읽는다.
환각이 참을 수 없이 잦거나, 무관한 결과를 돌려주거나, 이해관계자의 기대에 못 미치는 시스템을 운영 중이라면 진단부터 하는 길이 빠르다. 1~2장으로 어휘를 맞춘 뒤 9장(평가)과 10장(관측 가능성)으로 건너뛰어 실패 지점을 국소화한다. 어느 단계가 고장인지 드러나면 갈 곳은 자명해진다.
구현이 아니라 전략을 세우는 이의 길이다. 1장, 12장(운영과 AgentOps), 15장(90일 로드맵), 그리고 5부의 두 사례 연구를 읽는다. 구현을 가르치지는 않으나, 제안서와 자원 배분과 팀 구조를 지혜롭게 평가하는 눈을 준다.
한 번 통독한 뒤에는 참고서로 기능하도록 설계되었다. 모든 장이 독립적으로 완결된다. 안티패턴은 부록 D에 목록화되어 사건 대응 중 빠른 조회에 쓰이고, 부록 E의 용어집이 핵심 용어를, 부록 C의 프로덕션 준비도 점검표가 배포 리뷰를 받친다.
어느 길을 택하든 하나의 원칙만은 모든 길에 통한다. 읽으면서 지어라. 이 책의 모든 개념에는 코드 예제가 있고, 모든 예제는 동반 저장소에 있으며, 모든 패턴은 돌려 보고, 부숴 보고, 무엇이 달라지는지 관찰할 때 가장 잘 이해된다. RAG 엔지니어링은 관람하는 경기가 아니다.
프로덕션 RAG 엔지니어링 책이라면 지형에 대한 입장을 밝혀야 한다 — 2026년의 실제 시스템들이 딛고 선 프레임워크, 벡터 데이터베이스, 임베딩 제공자, 신흥 표준들 말이다. 이 책이 취하는 입장은 의도적으로 프레임워크 중립이다. 모든 패턴은 프레임워크를 넘나들며 통용되는 방식으로 가르치고, 어느 한 프레임워크의 관용구가 아키텍처를 좌우하도록 두지 않는다.
유행하는 것, 좋아하는 블로그가 권한 것을 고르고 싶은 유혹은 강하다. 이겨 내야 한다. 벡터 데이터베이스는 성능·규모·통합 제약으로, 임베딩 모델은 도메인으로, 오케스트레이션 프레임워크는 팀의 기존 역량과 시스템의 복잡도로 골라야 한다. 인기는 약한 신호이고, 제약 적합은 강한 신호다.
가장 흔한 실수는 튜토리얼 수준의 나이브 파이프라인 — 임베딩, 상위 k개 검색, 생성 — 을 그대로 프로덕션에 배포하는 것이다. 개발 환경에서는 돌아간다. 개발자의 테스트 질의가 마침 단순하고 말뭉치가 마침 작기 때문이다. 프로덕션에서는 두 전제가 모두 무너진다.
처방 — 기존 파이프라인을 끝없이 튜닝하는 것이 아니라, 출시 전에 어드밴스드 RAG(3~5장)로, 고위험 응용이라면 에이전틱 RAG(6~8장)로 옮겨 가는 것이다. 출시 후가 아니라.
프로젝트를 시작할 당시 유행하던 기본값 — 이를테면 OpenAI의 text-embedding-3-small — 을 말뭉치에 대한 평가 없이 그대로 쓰는 것은 거의 보편적인 실수다. 범용 임베딩은 전문 말뭉치에서 도메인 특화 임베딩에 15~30% 뒤진다.
처방 — 대표 질의 집합으로 서너 개의 임베딩 모델을 평가하는 비용은 엔지니어링 이틀이다. 잘못된 임베딩 모델로 출시하고 석 달 뒤에 발견하는 비용은 몇 달치의 수습이다.
프로덕션 RAG가 환각을 일으키면 언어 모델을 탓하며 프롬프트로 억눌러 보려는 것이 자연스러운 반사다. 이것은 거의 언제나 과녁을 빗나간다. 프로덕션 RAG 환각의 대다수는 검색 실패가 원인이다 — 모델은 틀린 맥락을 받아 그것에 충실하게 생성하고 있을 뿐이다.
처방 — 프롬프트 엔지니어링이 아니라 검색 엔지니어링이다. 이 두 실패 양식을 진단적으로 구별하는 관측 가능성 기법은 10장이 다룬다.
검색 증강 생성은 정적 단일 패스 파이프라인에서 에이전틱 자기교정 시스템으로의 건축적 전환을 겪었다. 이는 소폭의 개선이 아니라 다른 범주의 시스템이며, 둘을 혼동하는 것이 대다수 프로덕션 실패의 뿌리다.
나이브 RAG 파이프라인은 프로덕션에서 약 40%의 확률로 검색에 실패한다. 그 실패는 다섯 범주 — 의미적 간극, 컨텍스트 오염, 청킹 아티팩트, 멀티홉 불충분, 순위 역전 — 로 분해되며, 각각에 대해 이후 장들이 다루는 공학적 완화책이 알려져 있다.
RAG 아키텍처는 겹쳐 흐르는 네 세대 — 나이브, 어드밴스드, 에이전틱, GraphRAG — 를 거쳐 진화했다. 현대의 프로덕션 시스템은 하나를 고르는 대신 여러 세대의 요소를 결합한다. 2부와 3부가 각각을 구현 깊이로 전개한다.
이 책은 네 갈래 독서 경로 — 첫 시스템, 진단, 전략, 참고서 — 를 지원한다. 어느 길을 택하든 원칙은 하나, 읽으면서 지어라.
2026년의 지형은 소수의 프로덕션급 도구 — 오케스트레이션의 LangGraph와 LlamaIndex, 벡터 저장의 Pinecone·Weaviate·Qdrant·pgvector, 그래프의 Neo4j — 와 소수의 신흥 표준(MCP, A2A)으로 수렴했다. 이 책이 의도적으로 프레임워크 중립인 것은 패턴이 다음 판 통합의 물결에서도 살아남게 하기 위함이다.
위 문헌 목록은 원서 1장의 Further Reading을 그대로 옮긴 것이다. 서지 사항의 최종 확인은 원 출처를 통해 하는 것이 옳다.
2장은 검색 그 자체의 제1원리로 향한다. 언어 모델은 의미를 실제로 어떻게 표상하는가, 어떤 질의는 왜 본질적으로 더 어려운가, 임베딩 모델은 정말로 무엇을 하는가, 그리고 이 책의 나머지 모든 검색 결정 밑에 깔린 수학적·공학적 선택들은 무엇인가. 그리고 우리는 분석의 연장을 갖추고 MedCentral 사건으로 되돌아갈 것이다 — 파이프라인이 어디서 부러졌는지 한 줄 한 줄 짚어 보고, 거기서 부러지지 않았을 시스템을 짓기 시작하기 위하여. 아는 만큼 보이고, 본 만큼 지을 수 있는 법이다.