엔터프라이즈 에이전트는 문서를 기반으로 작동합니다. 에이전트가 정책을 따르거나, 규정 준수 질문에 답하거나, 티켓을 제출하기 전에, 어떤 수집(ingestion) 계층은 Word 파일이나 PDF를 토큰으로 변환해야 합니다. 그리고 바로 이 계층에서 야외에 배치된 에이전트는 정보를 암묵적으로 손실합니다. 우리는 모든 주류 컨버터가 하나의 계층을 잃는다는 것을 보여줍니다. 즉, 작성자가 텍스트의 모양(look)을 통해 인코딩한 의미를 잃게 되며, 이 손실은 에이전트가 눈에 띄게 불완전하기보다는 자신감 있게 틀리도록 만듭니다. 우리는 76개의 실제 정책 문서를 기반으로 한 태스크를 구축했습니다: LLM 심사관 없이 결정론적 매처(deterministic matcher)를 사용하여 파일 자체의 OOXML 속성에 대해 작성자가 강조한 요구사항을 복구하는 것입니다. 서식에 무감각한 수집 과정은 마이크로 F1 점수가 0.690에서 0.150 (docling) 및 0.075 (일반 텍스트)으로 급락하며, 이 격차는 두 공급업체의 여섯 가지 답변 모델(Opus, Sonnet, Haiku 등 다섯 개의 Claude 모델과 OpenAI의 GPT-5.6을 포함함)에서 재현됩니다. 단서(cue)를 볼 수 없는 에이전트는 추측하고, docling은 작성자가 표시하지 않은 요구사항에 대한 위양성률(false-positive rate)이 우리보다 네 배 높습니다. 스팬 수준의 leave-one-out 분석은 손실을 두 가지 단서—하이라이트 (+0.302)와 색상 (+0.262)—로 국한하며, 둘 다 Holm-adjusted p < 1e-4를 보입니다. 반면, 볼드체(bold), 이탤릭체(italic), 고정폭 글꼴(monospace), 취소선(strikethrough)은 각각 0에 대해 +/-0.003 범위 내에 있습니다. 동일한 비대칭성이 PDF에서도 나타납니다. 색상 역시 주류 컨버터가 보존하지 못하고 어떤 파싱 벤치마크도 점수화하지 못하는 단서이며, 이는 흔합니다: 6,460개의 문서 중 32.8%가 의도적인 색상이나 하이라이트를 포함하며, 그중 10.3%는 의무 사항에 관한 것입니다. 사전에 등록된 테스트를 통해 에이전트에게 단서를 입력하는 것이 단순히 보존하는 것보다 +0.085를 추가한다는 것을 보여줍니다 (Holm-adjusted p = 0.049). 우리는 독립적인 모달리티(kappa = 0.72)를 통해 렌더링된 페이지 이미지와 레이블을 검증하고, 오직 단어만으로 달성할 수 있는 범위(AUC 0.664)를 제한합니다. 에이전트 빌더들에게 실질적인 발견은 추론(reasoning)이 아니라 수집 과정(ingestion)에서 신뢰성이 얻거나 잃는다는 것이며, 해결책은 저렴하고 측정 가능하다는 것입니다.