Google Gemini 모니터 검증 결과, 중대한 AI 검색 실패 드러내

Google Gemini는 324개 기기를 대상으로 한 테스트에서 4개 주요 AI 도구 가운데 가장 높은 성과를 보였지만, 모니터 검증 답변은 여전히 최대 14%의 경우에서 틀렸다. ChatGPT, Microsoft Copilot, Perplexity의 성과는 더 낮았으며, 정확도는 약 63%에서 83% 사이였다.

이번 예비 연구는 이들 서비스가 독립적인 임상 검증을 통과한 가정용 혈압계를 식별할 수 있는지 평가했다. 연구진은 공인 레지스트리를 통해 각 기기의 상태를 이미 알고 있었다. 챗봇은 공개된 근거를 찾아 정확히 해석하기만 하면 됐다.

이 단순한 검색 과제는 더 깊은 충돌을 드러냈다. 대화형 AI는 정교한 건강 권고를 제시할 수 있지만, 제품명을 답변을 뒷받침해야 할 권위 있는 기록과 안정적으로 연결하지 못할 수 있다.

이 결과가 특정 챗봇이 일반적으로 다른 챗봇보다 더 안전하다는 점을 입증하는 것은 아니다. 다만 자신감 있게 제시되는 건강 제품 조언은 일반적인 소비자 검색 결과보다 더 면밀한 검토가 필요하다는 점을 보여준다.

연구는 4개 AI 도구에서 324개 혈압계를 테스트했다

연구진은 2026년 4월과 5월 캐나다에서 가정용 혈압계 324개를 평가했다. 표본에는 검증된 기기 145개와 검증되지 않은 기기 179개가 포함됐다.

연구진은 3개의 검증 레지스트리, 알려진 미검증 기기 목록, Amazon에서 인기 있게 판매되는 혈압계를 바탕으로 표본을 구성했다. 캐나다, 호주, 미국에서 판매되는 제품이 포함됐다.

각 기기는 Google Gemini, OpenAI의 ChatGPT, Microsoft Copilot, Perplexity를 사용해 확인했다. 이들 서비스는 언어 모델과 검색 또는 검색·조회 기능을 결합하지만, 정확한 시스템과 출처 선택 방식은 서로 다르다.

연구진은 모든 혈압계에 대해 세 가지 질문 형식을 제출했다. 하나는 일반 소비자 질문과 유사했고, 다른 하나는 챗봇에 특정 레지스트리를 명시적으로 지시했다.

세 번째 프롬프트는 더 많은 세부 정보를 추가하고 한 단어로 답하도록 요구했다. 이 설계는 더 명확한 지시가 도구를 신뢰할 수 있는 결론으로 이끌 수 있는지 시험했다.

예비 결과는 2026년 10월 8일 발표됐다. 결과는 버지니아주 알링턴에서 열린 American Heart Association의 Hypertension Scientific Sessions에서 공개됐다.

Google Gemini가 가장 강력한 결과를 냈다. 프롬프트 문구에 따라 답변 정확도는 86%에서 91% 사이였다.

그러나 이 결과도 약 9%에서 14%의 오류율을 뜻한다. 대규모 제품 카탈로그에서는 잘못된 추천이나 부정확한 배제가 발생할 여지가 많다.

ChatGPT, Copilot, Perplexity의 정답률은 약 63%에서 83% 사이였다. 공개된 요약은 모든 프롬프트 형식에 대한 모델별 완전한 분석을 제공하지 않는다.

오류는 비대칭적이기도 했다. 네 시스템 모두 검증되지 않은 기기를 식별하는 것보다 검증된 기기를 인식하는 데 더 어려움을 겪었다.

이 차이는 중요하다. 챗봇은 근거가 되는 레지스트리 항목이 공개적으로 उपलब्ध하더라도 임상적으로 검증된 혈압계를 잘못 배제할 수 있다.

또한 사용자에게 기기의 상태에 대해 잘못된 인상을 줄 수도 있다. 연구의 공개 요약은 그에 따른 모든 소비자 상황을 수치화하기에 충분한 세부 정보를 제공하지 않는다.

연구진은 처음에 혼합된 결과를 낸 기기의 20%를 재검사했다. 세 명의 평가자가 주로 2026년 5월 동안 서로 다른 컴퓨터와 날짜에 해당 검색을 반복했다.

같은 챗봇도 같은 질문에 다른 답을 내놓는 경우가 있었다. 이러한 불일치는 건강 제품 검색을 반복하면 첫 결과가 확인될 것이라는 가정을 약화시킨다.

이 연구는 여전히 예비 단계다. 학회 초록은 발표를 위해 검토되지만, 출판된 논문에 적용되는 완전한 동료 심사를 거치지는 않는다.

전체 초록은 2026년 11월 Hypertension 학회 부록에 게재될 예정이다. 그때까지 공개된 자료는 오류 분류와 통계적 비교에 관한 제한적인 정보만 제공한다.

핵심 결과는 이미 분명하다. 4개의 주요 AI 도구는 공개 레지스트리에 문서화된 답이 있는 검증 과제에서 어려움을 겪었다.

Google Gemini 모니터 검증이 여전히 부족했던 이유

Google Gemini 모니터 검증은 연구에서 가장 좋은 성과를 냈지만, 1위를 차지했다고 해서 감독 없는 건강 관련 의사결정에 충분히 신뢰할 수 있는 결과가 되는 것은 아니다.

91%의 정확도는 일반 검색 벤치마크에서는 높게 들린다. 하지만 만성 질환을 추적하는 데 쓰이는 장비를 선택하는 사람에게는 같은 수치가 다른 의미를 갖는다.

핵심 문제는 관련 정보가 없었다는 데 있지 않았다. 검증된 제품은 임상의와 소비자가 적합한 기기를 찾도록 돕기 위해 만들어진 레지스트리에 등재돼 있었다.

연구 발표 저자이자 University of Montreal 내과 레지던트인 Anna Soriano는 이 결과를 직관에 반한다고 설명했다. Soriano에 따르면 도구들은 때때로 정확한 공식 페이지를 찾았지만, 레지스트리 등재를 검증의 증거로 취급하지 못했다.

이러한 행동은 검색과 해석의 차이를 보여준다. 제품과 연관된 단어를 찾는 것은 해당 페이지가 권위 있게 확립하는 내용을 이해하는 것과 다르다.

전통적인 데이터베이스 조회는 엄격한 규칙을 적용할 수 있다. 정확한 기기 모델이 승인 레지스트리에 표시되면 시스템은 등재된 상태와 이를 뒷받침하는 기록을 반환한다.

언어 모델은 다르게 작동한다. 지시사항, 검색된 텍스트, 모델 지식, 그리고 해당 상호작용을 위해 구성된 맥락을 바탕으로 답을 예측한다.

이 과정에는 여러 실패 지점이 개입할 수 있다. 검색은 정확한 제품 대신 유사한 모델을 찾아낼 수 있다. 판매업체는 축약된 이름이나 지역별 제품명을 사용할 수 있다.

모델은 규제 승인, 제조업체 마케팅, 독립 임상 검증을 혼동할 수 있다. 이러한 용어는 일반 텍스트에서는 관련 있어 보일 수 있지만, 서로 다른 증거 기준을 나타낸다.

챗봇은 정확한 레지스트리 페이지를 찾아도 그 의미를 잘못 부여할 수 있다. 검증된 기기에서 더 많은 오류가 발생했다는 점에서 이는 이번 연구와 특히 관련 있어 보인다.

프롬프트 문구도 성과를 바꿨다. 각 혈압계의 기본 상태는 고정돼 있었지만, Google Gemini의 점수는 세 가지 질문 형식에 걸쳐 달라졌다.

이는 대화형 제시 방식이 사실 분류에 영향을 미쳤음을 시사한다. 더 나은 프롬프팅은 결과를 개선했지만 오류를 없애지는 못했다.

한 단어 답변을 요구하는 방식은 불확실성을 감출 수도 있다. 이 형식에서는 모델이 어떤 모델 번호를 일치시켰는지, 어떤 레지스트리를 확인했는지, 근거가 어디서 충돌했는지를 보여줄 수 없다.

더 긴 답변은 이러한 추론 경로를 드러낼 수 있지만, 길이만으로 정확성이 보장되지는 않는다. 유창한 설명은 불확실한 근거를 확정된 것처럼 보이게 할 수 있다.

따라서 Google Gemini 모니터 검증 결과는 단순한 상식 퀴즈 실패가 아니라 제품 설계 문제를 드러낸다. 사용자는 답변을 보지만, 검색과 개체 일치 과정은 대부분 숨겨져 있다.

사람은 응답을 데이터베이스 결과로 해석할 수 있다. 실제로는 여러 불확실한 단계를 거쳐 조합된 생성형 결론일 수 있다.

두 제품이 같은 브랜드, 외형 또는 거의 동일한 모델 번호를 공유할 때 이 차이는 매우 중요해진다. 검증은 특정 제조업체 전체가 아니라 특정 기기와 특정 인구집단에 적용된다.

일반 성인용으로 검증된 혈압계가 임신부, 어린이 또는 특정 팔 둘레에 대해서도 동등한 근거를 갖는 것은 아닐 수 있다. 일반적인 챗봇 답변은 이러한 차이를 평면화할 수 있다.

Google Gemini의 상대적 우위는 여전히 유용하다. 이는 모델 설계, 검색 품질, 프롬프트 처리 또는 출처 해석이 이 과제를 개선할 수 있음을 시사한다.

하지만 이 연구는 어떤 구성 요소가 차이를 만들었는지 분리해 보여주지 않는다. 또한 모델이나 검색 시스템이 업데이트된 뒤에도 Gemini가 우위를 유지할 것이라는 점을 보여주지 않는다.

Google Gemini는 비교에서 이겼지만, 남은 오류는 가장 좋은 성과를 낸 챗봇조차 결정론적인 레지스트리 확인을 대체할 수 없음을 보여준다.

검증된 혈압계는 승인받은 제품 그 이상이다

“검증됨”이라는 말은 혈압 측정에서 정확한 의미를 갖는다. 이는 독립적인 시험에서 기기가 허용된 임상 프로토콜에 따라 일관되게 정확한 것으로 확인됐음을 뜻한다.

이는 매장에 진열돼 있거나, 익숙한 브랜드를 달고 있거나, 합법적 판매를 위한 기본 요건을 충족한다는 것과 다르다. 긍정적인 고객 리뷰와도 다르다.

챗봇이 이 구분을 흐리기 쉬운 이유는 제품 페이지가 이러한 주장을 종종 서로 가까이 배치하기 때문이다. 마케팅 문구는 동등한 근거를 확립하지 않은 채 “정확한”, “임상 시험 완료”, “승인된”이라는 표현을 사용할 수 있다.

미국의 ValidateBP 레지스트리는 독립 전문가 위원회를 통해 시험 문서를 검토한다. 기기는 등재되기 전에 레지스트리 기준을 충족해야 한다.

STRIDE BP는 고혈압 전문가들이 관리하는 국제 기준 자료를 제공한다. 현재 웹사이트는 551개 기기를 승인했으며 이 중 294개를 우선 권장 기기로 지정했다고 밝힌다.

이 수치는 시장의 작은 비중만을 포괄한다. STRIDE BP 데이터에 따르면 전자 혈압계는 5,000개 이상이 상업적으로 판매되고 있다.

이 격차는 소비자가 ChatGPT나 Gemini에 도움을 구할 수 있는 이유를 설명한다. 제품 페이지와 전문 레지스트리 사이에서 이름을 비교하는 일은 번거로울 수 있다.

또한 답변이 일반적인 브랜드 인지도에 안전하게 의존할 수 없는 이유도 설명한다. 다수의 기기에는 공개된 검증 근거가 없으며, 같은 회사의 유사 제품도 서로 다른 기록을 가질 수 있다.

주요 국제 입장문은 생성형 챗봇이 일반적인 소비자 도구가 되기 전에 이 문제를 검토했다. 당시 약 3,000개의 커프 기반 기기 중 15% 미만만이 공개된 정확도 근거를 갖고 있다고 추정했다.

기기 정확도 검토는 약하거나 부재한 검증 요건을 광범위한 불확실성과 연결했다. 또한 인정된 국제 표준에 따른 독립 시험을 의무화할 것을 권고했다.

이 논문은 혈압 정확도를 환자 안전 문제로도 설명했다. 과대 측정된 수치는 불필요한 치료, 불안, 피할 수 있는 추가 진료로 이어질 수 있다.

과소 측정된 수치는 고혈압을 가리고 예방적 치료를 지연시킬 수 있다. 작은 체계적 오류도 많은 인구에 영향을 미치면 중요해진다.

기기 검증이 모든 가정 혈압 측정이 정확하다고 보장하지는 않는다. 측정 방법, 커프 크기, 신체 자세, 측정 시점, 기기 관리도 결과에 영향을 준다.

하지만 올바른 측정 방법으로도 충분한 정확도 근거가 없는 혈압계의 측정 방식을 바로잡을 수는 없다. 기기와 사용자의 측정 과정 모두 주의가 필요하다.

이 때문에 챗봇의 잘못된 배제 역시 중요하다. AI가 검증된 혈압계를 미검증으로 표시하면 소비자는 적합한 기기를 버리거나 더 낮은 품질의 대안을 구매할 수 있다.

연구의 비대칭성은 이 시나리오를 단순한 가정 이상의 것으로 만든다. 네 챗봇 모두 검증된 혈압계를 식별할 때 정확도가 더 낮았다.

이러한 패턴은 안전하지 않은 제품을 추천하는 것 외의 두 번째 위험을 만든다. AI 검색은 뒷받침 근거를 이해하지 못해 정당한 제품에 대한 신뢰를 낮출 수 있다.

따라서 신뢰할 수 있는 답변에는 단순한 예 또는 아니오 이상의 정보가 필요하다. 정확한 모델, 레지스트리, 대상 인구집단, 그리고 근거의 날짜를 식별해야 한다.

또한 “목록에 없음”과 “부정확한 것으로 입증됨”을 구분해야 합니다. 등록부에 없다는 것은 증거가 불충분했거나, उपलब्ध하지 않았거나, 검토 중이거나, 제출된 적이 없다는 뜻일 수 있습니다.

이 연구는 실험을 위해 알려진 검증 상태에 따라 기기를 분류했습니다. 소비자가 마주하는 시장은 제품 목록의 변화, 지역별 명칭, 불완전한 문서화로 인해 훨씬 더 복잡합니다.

임상 검증은 챗봇이 주변 제품 문구만으로 안전하게 추론할 수 있는 평판 점수가 아니라, 특정 모델에 관한 증거 상태입니다.

ChatGPT와 Copilot도 같은 증거 문제에 직면

ChatGPT, Copilot, Perplexity는 Google Gemini보다 낮은 정확도 범위를 기록했습니다. 이들의 성과는 범용 AI 어시스턴트가 건강 제품 관련 증거를 전달하는 방식에 대한 우려를 키웁니다.

이 연구를 영구적인 순위로 해석해서는 안 됩니다. AI 서비스는 동일한 소비자 경험을 유지하지 않은 채 모델, 검색 파트너, 시스템 프롬프트, 인덱스, 인터페이스를 바꿉니다.

5월에 테스트한 응답이 10월에 생성된 응답과 같지 않을 수 있습니다. 이러한 불안정성 자체가 문제의 일부입니다.

사용자는 개선이 사실 신뢰성의 향상을 반영하는지, 아니면 검색 결과의 일시적 변화를 반영하는지 쉽게 알 수 없습니다. 자신에게 응답한 기반 모델이 무엇인지조차 모를 수 있습니다.

이 테스트는 하나의 좁은 과제만 다뤘습니다. 진단, 치료 계획, 응급 안내, 실제 혈압 측정값 해석을 비교하지는 않았습니다.

따라서 ChatGPT가 건강 환경에서 Gemini보다 전반적으로 덜 유능하다는 점을 입증할 수는 없습니다. 연구자들이 제출한 기기 검증 질문에서의 성과만 측정합니다.

그러나 이 과제의 제한된 범위는 한 가지 해석을 강화합니다. 이 도구들은 구조화된 공개 목록과 제품을 대조하는 작업에서도 어려움을 겪었습니다.

이는 증상을 평가하거나 치료 선택의 균형을 맞추는 것보다 모호함이 적은 일입니다. 등록부 검증조차 신뢰할 수 없다면, 더 복잡한 의료 추론에는 더욱 신중해야 합니다.

이 결과는 AI 검색을 둘러싼 익숙한 약속에도 의문을 제기합니다. 이 제품들은 정보를 찾아 직접적인 답변으로 종합할 수 있는 인터페이스로 홍보됩니다.

이 인터페이스는 눈에 보이는 마찰을 없앱니다. 사용자는 더 이상 여러 페이지를 열고, 모델 번호를 비교하고, 어느 출처가 권위를 갖는지 판단할 필요가 없습니다.

마찰을 제거하는 것은 유용할 수 있지만, 검증 지점도 함께 사라집니다. 사용자는 챗봇이 판매업체, 제조업체의 주장, 또는 관련 없는 모델에 의존했다는 사실을 전혀 보지 못할 수 있습니다.

인용은 정확한 결론을 뒷받침할 때에만 도움이 됩니다. 등록부 홈페이지 링크는 특정 혈압계가 승인 목록에 포함되어 있음을 증명하지 않습니다.

이는 출처 추적성 문제입니다. 출처 추적성은 주장이 어디에서 비롯됐고 증거가 최종 진술과 어떻게 연결되는지를 설명합니다.

고위험 검색에서 인터페이스는 그 연결을 보여줘야 합니다. 일치한 등록부 기록, 정확한 모델 식별자, 적용 대상 인구집단, 조회 날짜를 표시할 수 있습니다.

제품 식별이 여전히 불확실할 때는 이분법적 결론을 거부할 수도 있습니다. 추측하는 것보다 라벨 사진이나 전체 모델 번호를 요청하는 편이 더 안전합니다.

챗봇의 일관되지 않은 재테스트 결과는 또 다른 우려를 낳습니다. 사용자는 기기나 근거가 바뀌지 않았는데도 모순된 답변을 받을 수 있습니다.

이런 행동은 생성형 시스템에서 익숙합니다. 샘플링, 검색된 결과, 컨텍스트 구성, 플랫폼 업데이트는 모두 응답에 영향을 미칠 수 있습니다.

여러 헤드라인 아이디어를 생성할 때 이러한 메커니즘은 허용될 수 있습니다. 그러나 고정된 등록부를 기준으로 의료기기를 분류할 때는 정당화하기 어렵습니다.

결정론적 계층이 요청의 해당 부분을 처리할 수 있습니다. 이후 언어 모델은 검증된 결과를 설명하고 사용자가 후속 안내를 찾도록 도울 수 있습니다.

이 설계는 사실 조회와 대화형 해석을 분리합니다. 또한 문제가 발생했을 때 더 명확한 감사 추적을 만듭니다.

건강 검색 기능을 구축하는 개발자는 등록부 기반 주장을 구조화된 데이터 과제로 다뤄야 합니다. 검색 증강 생성만으로는 올바른 출처 해석이 보장되지 않습니다.

팀은 허위 안심, 잘못된 배제, 인용 불일치, 일관되지 않은 답변을 각각 측정하는 평가도 필요합니다. 하나의 종합 정확도 점수는 이들이 낳는 서로 다른 결과를 가립니다.

사용자에게는 실질적인 교훈이 더 즉각적입니다. ChatGPT의 혈압계 조언은 검색을 시작하는 지점이어야지, 검색을 끝내는 지점이어서는 안 됩니다.

이 도구들이 공유하는 약점은 대화 능력이 아니라, 자신감 있는 답변 뒤에서 증거를 신뢰성 있게 연결하지 못한다는 점입니다.

이 연구는 경고이지 최종 판결은 아니다

American Heart Association는 이 결과를 예비적인 것으로 설명합니다. 이 연구는 학회 초록으로 발표됐으며, 아직 완전한 동료 심사 논문으로 출간되지 않았습니다.

이 한계는 독자가 순위를 얼마나 강하게 해석해야 하는지에 영향을 미칩니다. 공개 자료에는 완전한 혼동 행렬, 신뢰 구간, 기기별 결과가 제공되지 않습니다.

또한 모든 도구에 사용된 모델 버전, 계정 설정, 지리적 구성, 검색 모드를 완전히 설명하지 않습니다. 이러한 세부 사항은 재현성에 영향을 줄 수 있습니다.

연구자들은 검색 간 학습이나 개인화를 줄이기 위해 비공개 브라우징 세션에서 기기를 테스트했습니다. 다만 이것이 더 광범위한 모델 학습 효과를 막을 수는 없었다고 인정했습니다.

비공개 브라우징은 로그인한 사용자의 경험을 재현하지 못할 수도 있습니다. 개인화, 위치, 브라우징 맥락, 플랫폼 설정이 검색된 출처를 바꿀 수 있습니다.

표본은 캐나다에서 구성됐지만 세 개 국가의 Amazon 마켓에서 인기 있는 제품을 포함했습니다. 이는 유용한 폭을 제공하지만, 모든 기기나 지역을 대표하지는 않습니다.

연구자들은 인기 제품과 함께 덜 알려진 모델도 포함했습니다. 이 선택은 공개 웹 전반에서 제품명이 덜 다뤄지는 롱테일 검색 성능을 시험합니다.

일부 관찰자는 흔치 않은 기기가 벤치마크를 인위적으로 어렵게 만든다고 주장할 수 있습니다. 그러나 이러한 제품도 잘 알려진 혈압계와 같은 공식 등록부에 있었습니다.

등록부 상태를 확인한다고 주장하는 검색 도구라면, 정확한 권위 기록이 존재하는 경우 인기 신호에 의존할 필요가 없어야 합니다. 롱테일 제품은 증거 검색이 가장 큰 가치를 제공할 수 있는 영역입니다.

이 연구는 실제 소비자 행동이 아니라 챗봇의 출력을 평가했습니다. 사람들이 틀린 답변에 따라 행동하는지, 다른 출처를 확인하는지는 측정하지 않았습니다.

오진, 약물 변경, 이상 반응은 보고되지 않았습니다. 따라서 직접적인 임상 피해에 관한 주장은 이 실험에서 측정된 결과가 아니라 그럴듯한 위험으로 남습니다.

챗봇 기업들 역시 공개 자료에 응답을 제공하지 않았습니다. 이들 엔지니어는 향후 성능을 개선할 수 있는 프롬프트, 인덱싱, 엔터티 해석 변경점을 식별할 수 있습니다.

모델 업데이트는 결과를 크게 바꿀 수 있습니다. 이는 이 연구가 2026년 4월과 5월 당시 네 서비스의 스냅샷이라는 뜻입니다.

가장 강한 결론은 “AI는 의료 질문에 답할 수 없다”보다 더 제한적입니다. 이 도구들은 이 특정 등록부 검증 과제에서 신뢰할 만한 기준을 충족하지 못했습니다.

이 결론은 생성형 AI를 평가하는 더 넓은 원칙과도 부합합니다. 성능은 지능에 대한 일반적 인상이 아니라 의사결정 수준에서 측정돼야 합니다.

시스템은 명료하게 글을 쓰고 의료 용어를 인식하면서도, 제품의 정확도가 검증됐는지를 결정하는 출처를 잘못 처리할 수 있습니다.

마찬가지로 모델은 광범위한 의료 질문 세트에서 좋은 점수를 받으면서도 엔터티 매칭에는 실패할 수 있습니다. 각 역량에는 고유한 평가와 안전장치가 필요합니다.

향후 동료 심사는 오류가 검색, 제품명 해석, 등록부 해석, 최종 답변 생성 중 어디에서 비롯됐는지 명확히 해야 합니다. 이 구분이 가능한 해결책의 방향을 제시할 것입니다.

연구자들은 민감도와 특이도를 별도로 보고해야 합니다. 검증된 제품을 놓치는 것과 검증되지 않은 제품을 추천하는 것은 서로 다른 사용자 피해를 만듭니다.

또 다른 유용한 테스트는 모델 버전을 고정하고 여러 지역에서 같은 기기를 다시 실행하는 것입니다. 이는 검색 결과의 지리적 차이와 플랫폼 변경을 분리할 수 있습니다.

세 번째 테스트는 챗봇 답변을 직접적이고 구조화된 등록부 쿼리와 비교해야 합니다. 이러한 기준선은 대화형 종합이 가치를 더하는지, 피할 수 있는 오류를 도입하는지 보여줄 것입니다.

증거는 하나의 정의된 과제에 대한 주의를 뒷받침하지만, 어떤 챗봇의 전반적 의료 역량에 관한 더 넓은 주장은 여전히 입증되지 않았습니다.

환자, 임상의, AI 팀이 다음으로 주시해야 할 점

세 가지 변화가 이 발견이 일시적 결함이 될지, 소비자 건강 검색에서 지속되는 문제가 될지를 결정할 것입니다.

첫 번째는 연구의 전체 출판입니다. Hypertension 학회 보충 자료에는 2026년 11월 초록이 포함될 것으로 예상됩니다.

독자는 모델 버전, 정확한 프롬프트, 오류 범주, 검증된 기기와 검증되지 않은 기기에 대한 별도 결과를 살펴봐야 합니다. 이러한 세부 사항은 각 시스템이 어디에서 실패했는지 보여줄 것입니다.

기기별 사례는 특히 가치가 있을 것입니다. 틀린 답변이 명칭 변형, 지역 모델, 특정 등록부를 중심으로 집중됐는지 드러낼 수 있습니다.

전체 데이터가 광범위한 거짓 음성 패턴을 확인한다면, 직접 등록부 통합의 필요성은 더 강해집니다. 오류가 좁은 범위에 집중된다면 표적화된 엔터티 매칭으로 문제의 상당 부분을 해결할 수 있습니다.

두 번째 신호는 AI 제공업체가 건강 제품 답변을 어떻게 바꾸는지입니다. Google, OpenAI, Microsoft, Perplexity는 근거 없는 이분법적 결론을 생성하는 대신 정확한 출처 기록을 공개할 수 있습니다.

유용한 응답은 전체 모델 번호와 등록부 항목을 식별할 것입니다. 또한 목록이 확신을 갖고 일치시킬 수 없을 때 이를 명시할 것입니다.

플랫폼은 구조화된 건강 데이터 커넥터나 더 강력한 인용 검사를 추가할 수 있습니다. 생성된 주장이 사용자에게 제시된 증거와 정확히 일치하도록 요구할 수 있습니다.

경고 라벨만으로는 더 약한 대응이 될 것입니다. 일반적인 면책 조항은 대개 응답의 어느 부분이 불확실한지, 사람이 어떻게 이를 검증해야 하는지를 설명하지 못합니다.

세 번째 신호는 주요 모델 업데이트 이후의 독립적 재현입니다. 이 연구는 반복된 프롬프트가 날짜와 컴퓨터에 따라 서로 다른 분류를 생성할 수 있음을 발견했습니다.

신뢰할 수 있는 개선은 세션, 위치, 표현 방식, 계정 상태 전반에서 지속돼야 합니다. 또한 거짓 추천과 잘못된 배제를 모두 줄여야 합니다.

소비자를 위한 현재의 안내는 더 확고합니다. 가정 혈압 측정 가이드는 올바른 커프 크기의 검증된 상완 혈압계를 권장합니다.

사용자는 공인된 등록부나 의료 전문가를 통해 정확한 기기를 확인해야 합니다. 이후 임상 장비와 비교하기 위해 혈압계를 진료 예약 때 가져가야 합니다.

올바른 측정 기술도 필수입니다. 측정 전 조용히 휴식하고, 맨살 위에 커프를 착용하며, 팔을 심장 높이에서 받치고, 말을 하지 않아야 합니다.

이 안내는 1분 간격으로 두 번 측정할 것을 권장합니다. 사용자는 결과를 기록하고 의료 전문가와 정한 일정에 따라야 합니다.

매우 높은 수치를 받은 사람은 챗봇에 긴급성 판단을 의존하지 말고 전문가의 응급 안내를 따라야 합니다. 증상에 따라 적절한 대응이 달라질 수 있습니다.

임상의는 환자에게 일반적인 가정용 혈압계를 사라고 말하는 대신, 정확히 검증된 모델을 권장함으로써 혼란을 줄일 수 있습니다. 모델 번호를 기록하면 향후 검증에도 도움이 됩니다.

AI 제품 팀은 더 넓은 책임에 직면합니다. 권위 있는 목록으로 뒷받침되는 건강 관련 주장은 결정론적 조회, 명시적 엔터티 해석, 답변 수준의 인용 테스트를 사용해야 합니다.

평가 데이터세트에는 잘 알려지지 않은 모델과 명칭 변형을 포함해야 합니다. 의료 제품 검색에서 인기는 증거를 대체할 수 없습니다.

팀은 감사를 위해 모델 출력, 검색된 근거, 제품 식별자를 보존해야 합니다. 지식 혼합 워크플로는 소스 자료를 정리하는 데 도움이 될 수 있지만, 임상적 판단을 대체할 수는 없습니다.

가장 유용한 AI 어시스턴트는 스스로 권위 있는 판단 주체인 척하지 않으면서도 검증을 더 쉽게 만들어야 합니다. 사용자를 기준이 되는 기록으로 안내하고, 정확히 일치하는 항목을 보여줘야 합니다.

이 기준은 혈압계에만 적용되는 것이 아닙니다. 챗봇이 리콜 제품, 약물 상호작용, 안전 인증 또는 의료기기 승인 여부를 분류할 때도 유사한 위험이 나타납니다.

인터페이스는 대화형처럼 느껴질 수 있지만, 그 이면의 질문은 흔히 데이터베이스 수준의 정밀성을 요구합니다. 건강 검색 제품은 이러한 차이를 중심으로 설계되어야 합니다.

현재로서는 챗봇에게 기기 기록을 찾도록 도움을 요청한 뒤, 직접 등록부 항목을 확인하는 편이 좋습니다. 불확실성이 남는다면 임상의나 약사와 정확한 모델을 확인하세요.

향후 발표될 논문이 Google Gemini의 모니터 검증 성능이 더 좋았던 이유와, 왜 모든 테스트 대상 시스템이 검증된 기기에서 더 큰 어려움을 겪었는지를 설명하는지 지켜볼 필요가 있습니다. 그 답은 문제가 해결 가능한 검색 문제인지, 아니면 생성형 검색의 더 근본적인 약점인지를 보여줄 것입니다.

AI 도구가 정확한 제품을 권위 있는 기록과 일관되게 연결할 수 있을 때까지, 건강 관련 권고는 최종 판정이 아니라 탐색을 돕는 수단으로 남아야 합니다.