Elicit

Elicit란?

Elicit은 학술 연구를 위한 AI 어시스턴트로, 하나의 판단 위에 제품 논리를 세웠습니다. 현대 과학의 병목은 아이디어를 만드는 데 있는 것이 아니라 이미 존재하는 근거를 다 읽어내는 데 있다는 것입니다. 범용 챗봇은 학습 과정에서 흡수한 내용을 바탕으로 연구 질문에 답하지만, Elicit이 하는 일은 더 좁고 더 검증 가능합니다. 명확히 정의된 학술 문헌 코퍼스를 검색하고, 질문과 실제로 관련된 논문을 꺼내어, 그 내용을 열 단위로 점검할 수 있는 표로 펼쳐 놓습니다. 대상 사용자는 자신의 인용에 책임을 져야 하는 사람들입니다. 체계적 문헌고찰 연구자, 근거 종합 팀, 의료기술평가와 규제 분석가, 제약 및 의료기기 연구자, 정책 연구자, 그리고 그 아래에서 스크리닝 실무를 떠맡는 대학원생들입니다.

이 회사의 내력은 다소 특이합니다. Elicit은 비영리 연구기관 Ought에서 출발해 2023년 9월 독립적인 공익법인(PBC)이 되었고, 같은 시기 Fifty Years가 주도한 900만 달러 시드 라운드를 마감했습니다. 엔젤 투자자에는 구글 수석 과학자 Jeff Dean과 GitHub 공동창업자 Tom Preston-Werner가 포함됩니다. 2025년 2월에는 Spark Capital과 Footwork가 공동 주도한 2200만 달러 시리즈 A를 1억 달러 기업가치로 마감했습니다. 이 출신 배경은 제품 형태에 직접 영향을 미쳤습니다. Ought 시절의 핵심 명제는 기계 추론의 결과만 확인하는 것이 아니라 그 과정을 감독한다는 것이었고, 모든 주장에 원문 문장을 보여주겠다는 Elicit의 고집은 그 명제를 인터페이스로 옮겨 놓은 결과입니다.

같은 범주의 제품들과 견주면 Elicit은 '구조화된 데이터' 쪽 끝에 서 있습니다. Consensus는 예/아니오형 질문에서 근거의 무게중심을 빠르게 읽어내는 데 강하고, Semantic Scholar는 본질적으로 인용 그래프 위에 놓인 발견 계층입니다. 반면 Elicit의 무게중심은 추출에 있습니다. 쌓여 있는 PDF 더미를 필터링하고 정렬하고 CSV로 내보내 곧바로 분석에 투입할 수 있는 행과 열로 바꾸는 것입니다. 이 초점은 동시에 성능에 관한 독립적 근거가 가장 집중된 지점이기도 하며, 진짜 한계 역시 바로 여기에 있습니다.

핵심 기능

• 구조화된 데이터 추출과 표 생성: 제품 전체가 여기에 기반합니다. 공식적으로 데이터 추출을 Elicit의 '초능력' 중 하나로 부르며, 표와 그림에서도 추출할 수 있다는 점을 강조합니다. 회사의 표현대로, 대부분의 임상 결과는 사실 거기에 들어 있습니다. 필요한 열(표본 수, 중재, 결과 지표, 효과 방향, 연구비 출처)을 정의하면 Elicit이 논문 집합 전체에 걸쳐 채워 넣으며, 정량·정성 항목을 모두 지원하고 각 셀에는 그 값을 뒷받침하는 인용문이나 그림이 붙습니다.
• 약 1억 3800만 편에 대한 시맨틱 검색: 코퍼스는 Semantic Scholar, OpenAlex, PubMed 세 출처를 합쳐 중복과 불완전 레코드를 제거한 뒤 약 1억 3800만 건이며, ClinicalTrials.gov에 등록된 54만 5천 건 이상의 임상시험을 별도 코퍼스로 선택할 수 있습니다. 검색은 키워드 매칭이 아닙니다. 자체 임베딩 모델로 인용 수와 최신성까지 반영해 전체 코퍼스를 의미 유사도 순으로 정렬한 뒤, 상위 1,000편을 다시 언어모델로 재정렬하고, 요금제와 워크플로에 따라 상위 4편에서 1,000편까지 보여줍니다.
• 문장 단위 인용: AI가 생성한 모든 주장은 논문 전체가 아니라 출처 논문의 정확한 문장 또는 그림에 고정됩니다. 회사는 이 대비를 분명히 합니다. 다른 도구들은 참고문헌 링크만 걸어 두어 답이 어디서 왔는지 찾으려면 논문을 통째로 읽어야 하고, 때로는 그 정보가 인용된 출처에 아예 없다는 것입니다. 이는 제품에서 가장 파급력이 큰 설계 결정입니다. 검증을 하나의 연구 과업에서 한 번 훑어보는 동작으로 바꿔 놓기 때문입니다.
• 감사 가능한 체계적 문헌고찰 워크플로: Elicit은 프로토콜 정교화, 검색, 스크리닝, 추출, 종합에 이르는 전 과정을 다룹니다. 엔터프라이즈 등급에서 스크리닝은 4만 편까지 확장되며, 포함·배제 결정마다 배제 사유, 기준별 점수, 뒷받침 인용문이 따라붙습니다. 회사는 이를 PRISMA 감사 가능이라고 표현합니다. 이중 검토는 두 명의 사람이 AI 보조를 받는 방식일 수도, AI가 아예 두 번째 검토자 역할을 맡는 방식일 수도 있습니다.
• 최대 200편을 종합하는 연구 보고서: 보고서 워크플로는 최대 200개 출처에 걸쳐 열 페이지 이상의 문헌 고찰을 생성하며, 각 주장은 문장 단위 인용으로 뒷받침되고 PRISMA 흐름도, 논문 요약표, 사용된 검색 전략을 담은 방법론 섹션이 포함됩니다. 내장 템플릿은 조직별로 맞춤 설정할 수 있습니다.
• 라이브러리와 알림: 찾아낸 논문은 프로젝트를 넘나들며 재사용할 수 있도록 저장·정리되며, 저장한 검색은 새 논문이 나올 때 알려주는 알림으로 전환할 수 있습니다. 이것이 회사가 말하는 '살아 있는 리뷰', 즉 완료된 리뷰를 다시 만드는 대신 갱신하는 방식의 구현 기제입니다.
• 자체 문서 업로드와 구독 연결: 직접 보유한 PDF를 올려 맞춤 추출을 수행할 수 있고, 기관 저널 구독을 연결해 오픈 액세스 범위를 넘어 전문 열람 범위를 넓힐 수 있습니다.

활용 사례

1. 체계적 문헌고찰과 근거 종합: 5인 팀의 전통적 체계적 문헌고찰은 보통 수개월이 걸리며, 그 대부분은 스크리닝과 추출이라는 노동입니다. 팀은 Elicit으로 수천 건의 레코드에 스크리닝을 돌리고(AI가 제안한 기준을 편집할 수 있습니다), 구조화된 항목을 표로 추출해 분석에 사용합니다. 결과물을 방어 가능하게 만드는 것은 속도가 아니라 감사 가능한 흔적입니다. 배제 사유, 기준별 점수, 뒷받침 인용문이야말로 방법론 섹션에 쓸 수 있는 내용입니다.
2. 프로토콜 확정 전의 범위 검색: 어떤 문헌이 있는지 모르는 상태에서 리뷰 프로토콜을 정해야 하는 것은 그 자체로 닭이 먼저냐 달걀이 먼저냐의 문제입니다. Elicit의 검색은 의미 기반이며 정밀도가 유난히 높아 빠른 정찰에 적합합니다. 어떤 질문이 연구된 적이 있는지, 어떻게 조작적으로 정의되었는지, 이견은 어디에 있는지 확인한 뒤 본격적인 검색 전략에 투입할 수 있습니다.
3. 제약·의료기기·의료기술평가 근거 작업: 규제와 HTA 업무는 시험군별 결과, 이상반응, 무진행 생존기간 같은 비교 가능한 근거표를 반복적으로 구성해야 합니다. 표와 그림에서 추출하는 Elicit의 능력은 정확히 이 지점을 겨냥하며, 회사는 정책용 리뷰에 이를 적용한 산업계 고객을 제시합니다.
4. 마감이 있는 정책 브리프와 신속 리뷰: 어떤 결정이 몇 달이 아니라 며칠 안에 근거 기반을 필요로 할 때, 자동 추출에 사람의 검증을 더하면 100여 편 규모의 신속 범위 리뷰가 현실적으로 가능해집니다. 회사가 인용한 한 방법론 전문가는 바로 이런 작업, 즉 100편이 넘는 연구를 하루 만에 신속 범위 리뷰로 끝낸 사례를 이야기합니다.
5. 박사 논문 문헌 고찰과 자격시험 준비: 대학원생은 Elicit으로 한 분야를 지도화합니다. 기초가 되는 연구를 찾고, 어떤 구성개념이 연구마다 어떻게 측정되어 왔는지 추적하고, 문헌 고찰 장을 떠받치는 비교표를 만듭니다. 이런 작업에서 구조화된 산출물은 링크 목록보다 확연히 유용하지만, 아래에서 논의하듯 유일한 검색 수단이 되어서는 안 됩니다.
6. 연구 영역의 지속적 모니터링: 저장한 검색과 알림을 결합하면 일회성 리뷰가 모니터링되는 피드로 바뀝니다. 특정 치료 영역이나 기술 분야를 맡은 팀이 데이터베이스 알림을 수동으로 관리하지 않고도 관련 신규 논문을 파악할 수 있습니다.

Elicit 사용 방법

1. elicit.com에서 계정을 만듭니다. 무료 Basic 등급을 바로 쓸 수 있으며 무제한 검색, 요약, 논문 대화를 제공하므로 비용을 들이기 전에 자신의 주제로 검색 품질을 평가할 수 있습니다.
2. 불리언 검색식이 아니라 자연어로 연구 질문을 입력합니다. Elicit의 순위는 의미 기반이므로 잘 정의된 질문("성인 우울증 치료에서 온라인 CBT가 대면 CBT와 동등한가?")이 키워드 나열보다 훨씬 낫습니다. 질문이 너무 넓으면 Elicit이 좁히는 방법을 제안하는 경우가 많습니다.
3. 반환된 논문을 훑어보고 자연어로 스크리닝 기준을 적용해 범위를 좁힙니다. Elicit이 제시하는 배제 사유를 반드시 읽으십시오. 어떤 기준이 의도와 다르게 해석되고 있는지를 잡아내는 지점이 바로 여기입니다.
4. 추출 열을 정의합니다. 구체적이고 사실적인 항목 몇 개로 시작해 각 셀의 뒷받침 인용문을 확인한 뒤 열을 늘리십시오. 스무 편에서 열 정의를 바로잡는 비용은 사백 편에서 해석 오류를 발견하는 비용보다 훨씬 낮습니다.
5. 추출된 값을 출처와 대조해 검증하되, 사실형 열보다 해석형 열을 우선 검증합니다. 결과 표를 CSV나 XLSX로 내보내 분석하거나, 방법론 섹션이 포함된 서술형 종합이 필요하면 연구 보고서를 생성합니다.
6. 주제가 계속 진행 중이라면 검색을 알림으로 저장하고, 논문은 라이브러리에 남겨 이번 스크리닝 작업을 다음 프로젝트에서 재사용하십시오.

팁 & 모범 사례

• 포괄적 리뷰에서 Elicit을 유일한 검색 수단으로 삼지 마십시오. 이에 관한 독립적 근거는 명확하며 아래 제한사항에서 자세히 다룹니다. PubMed, Embase, Web of Science 또는 해당 분야의 전문 데이터베이스에서 전통적 검색으로 보완하십시오.
• 사실형 열과 해석형 열을 나누어 다르게 취급하십시오. 참여자 수나 보고된 측정치 같은 항목의 추출은 신뢰할 만하지만, 어떤 연구가 무엇을 의미하는지 판단해야 하는 항목은 확연히 덜 신뢰할 만합니다. 해석형 열은 수동으로 검증하고 사실형 열은 표본 점검하십시오.
• 유일한 추출자가 아니라 두 번째 검토자로 쓰십시오. 발표된 개념 증명 연구에 따르면 Elicit과 사람 검토자의 의견이 일치했을 때 정확도는 100%였습니다. 즉 유용한 신호는 추출 자체가 아니라 불일치입니다. 병렬로 추출하고 충돌 항목만 조정하는 편이 어느 한쪽이 단독으로 하는 것보다 빠르고 정확합니다.
• 전문에 의존하는 항목은 Elicit이 실제로 전문을 읽었는지 먼저 확인하십시오. 전문 접근이 없으면 제목과 초록으로 물러나며, 오류를 내는 대신 조용히 더 얕은 추출 결과를 내놓습니다. 브라우저 확장을 설치하고 기관 구독을 연결하면 도구가 볼 수 있는 범위가 실질적으로 달라집니다.
• 재현성이 요구될 때는 키워드 검색을 사용하고 그대로 기록하십시오. 대화형·의미 기반 검색은 직접 재현되지 않으며, 방법론 섹션은 독자가 그대로 반복할 수 있어야 합니다.
• 좁게 시작해 넓히십시오. 검색이 정밀하지만 망라적이지는 않으므로, 같은 질문을 여러 방식으로 바꾸어 여러 번 돌리면 단일 표현으로는 놓치는 논문이 드러납니다.
• 값이 아니라 인용문을 읽으십시오. 뒷받침 인용문이야말로 이 인용 설계의 존재 이유입니다. 인용문이 그 값을 명백히 뒷받침하지 못하는 셀이야말로 추출 오류를 가장 빨리 잡아내는 방법입니다.

이런 분께 추천

• 체계적 문헌고찰·근거 종합 전문가: 핵심 대상이며, PRISMA 감사 가능 결정과 이중 검토를 포함한 스크리닝·추출 워크플로가 명시적으로 이들을 위해 설계되었습니다.
• 제약·바이오테크·의료기기 연구자: 시험군별 결과와 이상반응 데이터를 초록이 아니라 표와 그림에서 꺼내어 시험 근거표를 구성해야 하는 팀입니다.
• 의료기술평가·규제 분석가: 구조화된 방법론 요건과 시간 압박 속에서 방어 가능한 근거 기반을 만들어야 하는 사용자입니다.
• 정책 연구자와 정부 분석가: 압축된 일정 안에서 근거 기반 브리프를 작성하며, 신속 범위 리뷰가 리뷰를 아예 하지 않는 것에 대한 현실적 대안이 되는 경우입니다.
• 박사 과정 및 대학원 연구자: 문헌 고찰 장을 구성하고, 구성개념이 어떻게 조작화되어 왔는지 지도화하며, 자격시험을 준비하는 학생들입니다.
• 학술 사서와 연구 지원 인력: AI 연구 도구를 평가하고 교육하는 전문가로, 여러 기관에서 Elicit에 대한 독립적 평가를 발표해 왔습니다.
• 기업 R&D와 경쟁 정보 팀: 학계 밖에서 근거 종합을 적용하는 산업 사용자로, 회사가 확장 방향으로 밝힌 영역입니다.
• 임상의와 임상 연구자: 시험 근거를 찾고 비교해야 하는 사용자이며, 논문 색인과 별개로 ClinicalTrials.gov를 검색할 수 있습니다.

지원 플랫폼

• 웹 애플리케이션: 기능이 온전히 갖춰진 주 인터페이스로, 브라우저에서 elicit.com에 접속하면 되고 설치가 필요 없습니다.
• 브라우저 확장: 이미 보유한 저널 구독을 활용해 전문 접근을 확장하는 데 쓰이며, 오픈 액세스를 넘어 Elicit이 읽을 수 있는 범위를 실질적으로 넓힙니다.
• REST API: Pro 등급부터 제공되며 엔터프라이즈에서는 무제한입니다. 문서화된 인터페이스는 리서치 에이전트 세션을 모델로 하고 표, 산문, 프레젠테이션, 그림 같은 인터랙티브 아티팩트를 반환하며, 표는 CSV나 XLSX로, 산문은 마크다운으로 단기 유효 사전서명 URL을 통해 내려받습니다.
• 레퍼런스 매니저 연동: Zotero 가져오기·내보내기와 EndNote, Mendeley 연결을 지원해 찾은 논문이 기존 인용 워크플로로 흘러 들어갑니다.
• 네이티브 모바일 앱이나 데스크톱 앱은 공식 사이트에서 안내하고 있지 않으며, 제품은 브라우저를 통해 제공됩니다 (정보 확인 필요, 최신 클라이언트는 공식 사이트 기준).

가격 및 요금제

Elicit에는 실제로 쓸 만한 무료 등급이 있습니다. Basic은 비용이 없으며 전체 코퍼스 무제한 검색, 무제한 논문 요약, 전문이 있는 경우 무제한 논문 대화, 답변 출처 확인, Zotero 가져오기를 제공하고 Research Agent와 연구 보고서만 제한된 사용량으로 묶어 둡니다. 검색 품질이 자신의 분야에 맞는지 판단하기에는 이 등급만으로도 근거 있는 판단을 내리기에 충분합니다.

유료 등급은 어떤 버튼이 열리느냐가 아니라 얼마나 많은 연구 작업량을 허용하느냐로 구분되는데, 연구용 제품으로서는 상당히 정직한 구조입니다. Pro는 월 49달러, 연 588달러(35% 절감 표기)이며 에이전트·보고서·체계적 문헌고찰 워크플로의 표준 사용량, 최대 5,000편 스크리닝, 표 20열, 135개 데이터 소스 추출, 개인화 알림 10개, 업로드 논문 맞춤 추출, API 접근을 더합니다. Scale은 월 169달러, 연 2,028달러(39% 절감 표기)로 Pro 대비 5배 사용량에 더해 그림 추출, 실시간 공동 편집, 200개 데이터 소스, 30열, 사용량 추적과 좌석 관리가 있는 관리자 패널을 제공합니다. Enterprise는 맞춤 가격이며 4만 편 스크리닝, 40열, 무제한 알림과 API, SSO 및 SAML, 2FA, 사용자 분석, 맞춤 통합, 전담 고객 성공 팀이 포함됩니다. 정확한 혜택과 현재 가격은 공식 가격 페이지에서 확인하십시오.

대안

• Consensus: 마찬가지로 동료 심사 문헌을 다루는 AI 검색 엔진이지만, 추출 표를 만드는 것보다 초점이 좁은 질문에서 근거의 균형을 빠르게 읽는 데 최적화되어 있습니다. 신속한 결론이 필요할 때 더 적합하고, 구조화된 열이 필요할 때는 약합니다.
• Semantic Scholar: 앨런 인공지능연구소의 무료 학술 발견·인용 그래프 도구이며, 주목할 점은 Elicit이 활용하는 코퍼스 중 하나라는 사실입니다. 논문을 찾고 추적하는 데는 탁월하지만 구조화된 추출이나 스크리닝은 하지 않습니다.
• 전통적 체계적 문헌고찰 소프트웨어(Covidence, Rayyan, DistillerSR): 리뷰 프로세스 관리를 위해 만들어졌고 방법론적 엄밀성과 팀 워크플로가 확립되어 있지만 AI 기반 추출은 약합니다. 실무에서는 AI 추출 계층과 병용하는 경우가 많습니다.
• 전통적 서지 데이터베이스(PubMed, Embase, Web of Science, Scopus): 경쟁자라기보다 필수적인 보완재입니다. 망라적이고 재현 가능한 불리언 검색을 제공하며, 독립적 근거는 AI 의미 검색이 아직 이를 대체하지 못한다는 점을 보여줍니다.
• 연구 모드를 갖춘 범용 AI 어시스턴트: 방향을 잡고 요약하기에는 편리하지만, 경계가 정해진 학술 코퍼스도 문장 단위 출처 고정도 없어 인용 정확성이 검증 가능해야 하는 상황에는 부적합합니다.

제한사항 및 유의점

• 검색 민감도는 공급사 벤치마크가 시사하는 수준보다 현저히 낮으며, 이것이 이 도구에 관해 가장 먼저 알아야 할 사실입니다. Elicit이 직접 발표한 평가는 994편의 오픈 액세스 Cochrane 리뷰를 정답 집합으로 삼아 초록 스크리닝 민감도 96.9%, 전문 단계 논문 수준 재현율 99.5%를 보고합니다. 그러나 Lau와 Golder가 2025년 《Cochrane Evidence Synthesis and Methods》에 발표한 연구에 따르면, 네 건의 사례 리뷰에서 Elicit의 검색 민감도는 평균 39.5%였고 원 리뷰의 검색은 94.5%였습니다. 쉽게 말해 단독으로 사용했을 때 전통적 검색이 찾아낸 연구의 대부분을 놓쳤습니다. 같은 연구는 Elicit의 정밀도가 평균 41.8%로 원 리뷰 검색의 7.55%보다 훨씬 높다는 점도 확인했습니다. 즉 돌려받는 결과에는 무관한 문헌이 훨씬 적습니다. 정직한 해석은 이렇습니다. 정밀한 탐색적 검색 도구로는 탁월하지만 망라적 검색 도구로는 부적합합니다. 저자들은 현재 민감도가 전통적 검색을 대체하기에 충분하지 않다고 결론지으면서, 제품이 계속 개선되고 있으므로 재평가가 필요하다고 덧붙였습니다.
• 추출 정확도는 낯선 자료에서 떨어지며, 판단이 필요한 지점에서 가장 취약합니다. 환경·생명과학 분야를 아우른 실현가능성 연구는 Elicit이 인간 데이터 추출자를 보완할 수는 있어도 대체할 수는 없다고 결론지었습니다. 정확도 기준을 충족한 변수 비율이 프롬프트 개발 단계의 78%에서 새롭고 접한 적 없는 연구에 적용했을 때 69%로 떨어졌기 때문입니다. 2025년 《Social Science Computer Review》의 개념 증명 연구는 43편의 연구와 602개 데이터 포인트에서 Elicit과 사람 검토자를 비교해 Elicit 81.4%, 사람 86.7%의 정확도를 측정했고, 그 차이는 통계적으로 유의하지 않았습니다. 이는 그 자체로 상당히 좋은 결과입니다. 다만 유용한 대목은 세부 분해입니다. 참여자 수에 대한 일치도는 81.4%였지만 주요 결과는 34.8%, 관심 구성개념은 16.3%로 떨어졌습니다. 같은 연구는 Elicit이 때때로 원 논문이 아니라 인용된 연구에서 값을 가져오는 것도 관찰했습니다. 사실형 항목은 표본 점검을 곁들이면 대체로 신뢰할 만하지만 해석형 항목은 그렇지 않으며 반드시 검증해야 합니다.
• 재현성은 검색과 추출 두 계층 모두에서 불완전합니다. 서로 다른 계정에서 동일한 프롬프트를 다시 실행했을 때 추출된 값의 90%는 정확히 재현되었지만, 뒷받침 인용문은 46%, 추론 서술은 30%만 일치했습니다. 다시 말해 답은 대체로 안정적이지만 그 답을 뒷받침하는 근거는 자주 흔들립니다. 별도로 디킨대학교 도서관의 평가는 대화형 검색이 직접 재현되지 않으며 "현재 체계적 문헌고찰 보고에 요구되는 투명성이 부족하다"고 지적합니다. 방법론 섹션이 재현 가능해야 한다면 키워드 검색을 사용하고 그렇게 기록하십시오.
• 실질적 상한선은 코퍼스 규모가 아니라 전문 접근성입니다. 전문 분석은 논문이 오픈 액세스이거나, Elicit 브라우저 확장과 본인의 저널 구독이 함께 있을 때 작동합니다. 그렇지 않으면 Elicit은 제목과 초록만 읽습니다. 결정적 문헌이 유료 장벽 뒤에 있는 분야에서는 이 점이 추출 깊이를 조용히 제한하며, 제한되었다는 사실을 알려주지도 않습니다.
• 수록 범위에는 놓치기 쉬운 명확한 경계가 있습니다. 단행본, 학위논문, 비학술 출판물은 아예 제외되며, Elicit 자체 문서도 회색문헌과 일부 임상시험 보고서는 자동 검색에서 검색률이 낮고 중국어 출판물을 포함한 지역적 공백이 있다고 경고합니다. 인문사회 분야 사용자들은 과학·기술·의학에 비해 수록이 얇다고 반복적으로 보고합니다. 디킨의 평가는 영어 편중 위험과 정식 비판적 평가 기능의 부재도 함께 지적합니다. Elicit은 어떤 연구가 무엇을 보고했는지는 추출하지만, 그 연구가 좋은 연구였는지는 알려주지 않습니다.
• 환각 문제는 종결된 것이 아니라 제약된 것입니다. TechCrunch의 Kyle Wiggers는 2023년 9월 시드 라운드를 보도하면서 근본적인 환각 문제가 과연 해결되었는지 의문을 제기했고, 인용을 지어내 사흘 만에 내려진 과학 언어모델인 Meta의 Galactica를 언급했습니다. 문장 단위 인용은 조작을 막는 것이 아니라 눈에 보이게 만든다는 점에서 진지한 완화책이지만, 확인하는 부담은 여전히 읽는 사람에게 있습니다. 근거 종합 실무자들은 스크리닝 단계에서 수동 검증 없이는 정식 메타 연구에 쓰기에 충분히 신뢰할 만하지 않다고 거듭 경고합니다.
• 공급사가 발표한 수치는 그 회사가 붙인 단서와 함께 읽어야 합니다. 인정할 점은 Elicit이 수치와 함께 단서도 공개한다는 것입니다. 추출은 오픈 액세스 연구에서만 측정되었고, 시맨틱 검색만 평가되었을 뿐 키워드와 시맨틱을 합친 전체 워크플로는 평가되지 않았으며, 전문 스크리닝 표본은 작았고, 추출 질문은 원 프로토콜에서 가져온 것이 아니라 사후에 재구성한 것입니다. 사이트에 인용된 고객 사례, 예컨대 VDI/VDE가 독일 교육정책을 뒷받침하는 체계적 문헌고찰에서 1,511개 데이터 포인트 중 1,502개를 Elicit이 정확히 추출했다고 보고한 사례는 유리한 조건에서 얻어진 공급사 전달 결과이지 독립적 평가가 아닙니다.
• 공개된 수치들이 서로 맞지 않습니다. 홈페이지는 1억 2500만 편 이상이라고 광고하지만 가격 페이지와 헬프 센터는 모두 1억 3800만이라고 적고 있으며, 사용자 수는 위치에 따라 200만, 500만, 월 40만으로 각각 다르게 나타납니다. 1억 3800만이라는 수치가 근거가 가장 탄탄한데, 세 출처 데이터베이스 간 중복 레코드를 어떻게 제거하는지 설명이 붙은 유일한 수치이기 때문입니다. 사용자 수의 세 가지 기준은 누적 가입자와 월간 활성 사용자처럼 서로 다른 것을 재고 있을 가능성이 높지만, 사이트는 그렇게 밝히지 않습니다.

FAQ

Q1. Elicit은 무료로 사용할 수 있나요?

네, 무료 Basic 등급은 전체 코퍼스 무제한 검색, 무제한 논문 요약, 무제한 논문 대화, Zotero 가져오기를 포함하며 Research Agent와 연구 보고서만 사용량이 제한됩니다. 유료는 Pro 월 49달러부터 시작하며, 현재 조건은 공식 가격 페이지를 확인하십시오.

Q2. Elicit은 Consensus나 Semantic Scholar와 어떻게 다른가요?

셋 다 학술 문헌을 검색하지만 산출물이 다릅니다. Consensus는 초점이 좁은 질문에서 근거의 균형을 빠르게 읽는 데 최적화되어 있고, Semantic Scholar는 발견과 인용 그래프 도구이며, Elicit의 차별점은 논문의 데이터를 맞춤형 표로 추출한다는 것입니다. 표와 그림에서도 추출하며 각 값에는 뒷받침 인용문이 붙습니다.

Q3. 체계적 문헌고찰 검색을 Elicit만으로 해도 되나요?

안 됩니다. 2025년 《Cochrane Evidence Synthesis and Methods》의 독립 연구는 Elicit의 검색 민감도가 평균 39.5%로 원 리뷰의 94.5%에 크게 못 미치며, 현재로서는 전통적 검색을 대체할 만큼 민감하지 않다고 결론지었습니다. 일반 데이터베이스 검색의 보완재로 사용하십시오. 높은 정밀도 덕분에 초기 탐색 작업에서는 가치가 큽니다.

Q4. Elicit의 데이터 추출은 얼마나 정확한가요?

무엇을 추출하느냐에 크게 좌우됩니다. 2025년 연구는 전체 정확도 81.4%, 사람 검토자 86.7%로 통계적으로 구분되지 않는 수준을 측정했지만, 참여자 수 일치도는 81.4%인 반면 관심 구성개념은 16.3%에 그쳤습니다. 사실형 항목은 대체로 신뢰할 만하고 해석형 항목은 수동 검증이 필요합니다.

Q5. Elicit이 인용을 지어내나요?

핵심 완화책은 문장 단위 인용입니다. AI가 생성한 모든 주장이 출처의 정확한 문장이나 그림에 고정되므로 뒷받침되지 않는 주장은 감춰지지 않고 드러납니다. 범용 챗봇보다 위험이 크게 낮지만 뒷받침 인용문을 읽을 필요까지 없애 주지는 않으며, 독립 연구자들은 정식 근거 종합에서는 수동 검증을 권고합니다.

Q6. Elicit이 유료 장벽 뒤의 논문도 읽을 수 있나요?

부분적으로 가능합니다. 오픈 액세스와 구독 논문을 모두 색인하지만, 전문 분석에는 오픈 액세스 논문이거나 Elicit 브라우저 확장과 본인의 저널 구독이 함께 필요합니다. 전문 접근이 없으면 제목과 초록만으로 작동합니다.

Q7. Elicit은 어떤 출처를 검색하나요?

Semantic Scholar, OpenAlex, PubMed를 합쳐 중복과 불완전 레코드를 제거한 뒤 약 1억 3800만 편이며, 별도 코퍼스로 ClinicalTrials.gov의 54만 5천 건 이상 시험이 있습니다. 단행본, 학위논문, 비학술 출판물은 포함되지 않습니다.

Q8. Elicit에 API가 있나요?

네, API 접근은 Pro 등급부터 포함되며 엔터프라이즈에서는 무제한입니다. 문서화된 인터페이스는 리서치 에이전트 세션을 다루며, 반환되는 아티팩트에는 CSV나 XLSX로 내려받는 표와 마크다운으로 내려받는 산문이 포함됩니다.

Q9. Elicit에서 팀 협업이 가능한가요?

실시간 공동 편집은 Scale 등급부터 제공되며, 이 등급에는 사용량 추적과 좌석 관리가 있는 관리자 패널도 추가됩니다. 엔터프라이즈는 SSO와 SAML, 2FA, 사용자 분석을 더합니다.

Q10. Elicit이 인문사회 분야에도 적합한가요?

사용은 가능하지만 상대적으로 약합니다. 코퍼스는 원칙적으로 모든 분야를 포괄하지만, 사용자들은 인문사회 분야의 수록이 과학·기술·의학보다 얇다고 일관되게 보고하며, 한 독립적 도서관 평가는 영어 편중 위험을 지적합니다.