2026년에 기준을 충족하는 재무 AI 워크플로우는 네 가지입니다: 조정, 예측, 경비 분류, 감사 준비. 그 외 모든 것은 데모가 그럴듯한 파일럿 단계에 불과합니다.
도입률 수치는 여러분의 선택에 도움이 되지 않습니다. KPMG에 따르면 재무 부서에서 AI를 활발히 활용하는 비율이 2024년 30%에서 2026년 75%로 증가했습니다. Deloitte의 1,326명 리더 대상 Finance Trends 설문에서는 63%가 완전 배포했지만 실질적인 가치를 확인한 비율은 21%에 불과했습니다. Thomson Reuters는 어떤 형태로든 ROI를 추적하는 비율이 18%에 그친다고 밝혔습니다. 이 수치들은 서로 모순이 아닙니다. '도입'이라는 단어에 세 가지 정의가 있을 뿐입니다.
따라서 이 글은 통제 기준으로 필터링합니다: COSO의 2026년 2월 GenAI 가이던스 요건, 벤더의 정확도 주석이 실제로 측정한 것, 그리고 당사 디렉토리의 309개 재무·뱅킹 도구 중 두 테스트를 모두 통과하는 것들입니다.
2026년 도입률 수치는 서로 모순되므로 정의에 따라 읽어야 합니다
한 조사에서 93%라고 하고 다른 조사에서 14%라고 해도 둘 다 맞을 수 있습니다. 서로 다른 것을 측정하고 있으며, 거의 대부분이 헤드라인에서 그 사실을 밝히지 않습니다.
파일럿 사용, 배포된 사용, 핵심 워크플로우 사용은 세 가지 다른 질문입니다
KPMG의 Global AI in Finance 2026 보고서에서는 재무 부서에서 AI를 활발히 활용하는 비율이 2024년 30%에서 2026년 75%로 두 배 이상 증가했으며, 재무 리더의 71%가 AI가 ROI 기대치를 충족하거나 초과한다고 답했습니다. 여기서 '활발한 사용'은 컨트롤러가 채팅 창에 분산 코멘트를 붙여넣는 행위까지 포함합니다. Thomson Reuters는 조직 전반의 GenAI 활용에 대해 묻자 40%를 기록했으며, 1년 전의 22%에서 상승했고, 에이전틱 AI는 15%로, 계획 또는 검토 중인 비율은 53%였습니다. 같은 연도, 같은 직종에서 세 배의 격차가 났습니다. 질문 방식이 그 결과를 만든 것이지, 시장이 만든 것이 아닙니다.
따라서 수치를 인용하기 전에 정의를 먼저 확인하십시오: 도구를 한 번이라도 시도한 사람을 세는지, 회사가 구매한 사람을 세는지, 아니면 감사인이 지켜보는 월말 마감을 한 달 이상 버텨낸 워크플로우를 세는지를 확인하십시오. 세 번째 정의만이 여러분 자신의 로드맵에 의미 있는 정보를 제공합니다.
아무도 조정하지 않는 배포-가치 격차
Deloitte의 Finance Trends 2026 설문(1,326명의 글로벌 재무 리더 대상)은 양쪽을 모두 물었기 때문에 반드시 참고해야 합니다. 63%가 재무 부문에 AI를 완전 배포했고, 21%만이 실질적인 가치를 창출했다고 믿으며, 14%는 AI 에이전트를 완전히 통합했습니다. 배포율이 가치 창출율의 약 세 배입니다. 이 격차가 2026년 재무 AI의 실제 현황이며, 벤더 미팅에 가져가야 할 수치입니다.
ROI를 전혀 측정하지 않는 경우가 압도적으로 많습니다
모든 도입 차트를 더욱 불안정하게 만드는 부분이 있습니다: 응답자 중 18%만이 조직이 어떤 방식으로든 AI ROI를 추적하고 있다고 알고 있었으며, 전년도 대비 거의 변화가 없었고, 추적하는 경우 대부분은 비즈니스 성과가 아닌 내부 운영 지표를 측정했습니다. 측정되지 않은 지출에 대한 자기 보고식 만족도는 기분일 뿐, 증거가 아닙니다.
두 가지 습관이 도움이 됩니다. 모든 통계를 반복하기 전에 해당 설문의 자체 정의와 대조하고, 벤더의 스폰서 연구에서 나온 수치는 주석을 찾을 때까지 마케팅 주장으로 취급하십시오. 당사는 디렉토리의 309개 재무·뱅킹 AI 도구와 당사가 추적하는 AI 트렌드 보고서에도 동일한 필터를 적용합니다. 다음 섹션의 쇼트리스트가 짧은 이유가 그것입니다.
조정: 실제로 달성 가능한 자동 매칭율
계정의 60%~80%가 자동 인증될 것으로 계획하고, 비즈니스 케이스는 그 하단을 기준으로 작성하십시오. 데모에서 듣게 될 벤더 수치는 "최대 98%" 자동 인증에 99% 매칭 정확도입니다. 실제 고객 배포에서는 43%~85% 사이에 위치하므로, 60~80%가 현실적인 계획 가정치입니다(Numeric). 마감 인력 모델이 90%에서만 작동한다면, 첫 월말 마감 전에 프로젝트가 실패합니다.
마케팅 상한치 대 실제 고객 범위
43% 하한과 85% 상한은 동일한 소프트웨어에서 나온 것입니다. 그 격차는 벤더의 모델이 아닌 여러분의 데이터에서 비롯됩니다.
98% 수치는 좁은 범위에서 달성 가능합니다: 거래량이 많고 분산이 작은 계정, 예를 들어 은행 현금 및 신용카드 클리어링 계정으로, 일대일 매칭이 명확하고 중요성 임계값이 여유 있게 설정된 경우입니다. 동일한 도구를 선급 비용, 내부거래, 발생 부채, 재고로 확장하면 인증된 비율이 크게 떨어집니다. 이 계정들은 판단이 필요하지 매칭이 아니기 때문입니다. 어떤 벤더에게든 참조 고객의 비율이 어떤 계정 유형을 대상으로 한 것인지 물어보십시오. 답변이 "현금과 AR"이라면, 그 수치가 포트폴리오 비율이 아닌 부분 비율임을 알게 된 것입니다.
격차를 만드는 요소: 데이터 위생, 보조원장 커버리지, 중요성 임계값
여러분이 어느 위치에 놓일지를 결정하는 세 가지 요소가 있으며, 계약 전에 모두 통제할 수 있습니다. 첫째는 보조원장 커버리지입니다: 지원 상세 내용이 스프레드시트나 API가 없는 시스템에 있는 계정은 어떤 정확도로도 자동 인증이 불가능하므로, 지금 그 수를 세어 분모에서 빼십시오. 둘째는 데이터 위생으로, 일관된 참조 ID, 안정적인 벤더 명칭, 이전 기간을 재기재하지 않는 은행 피드를 의미합니다. 셋째는 중요성 임계값으로, 대시보드를 좋아 보이게 만들기 위해 조용히 조정하는 레버입니다.
자동 인증 임계값을 $500에서 $5,000으로 높이면 기본 매칭에서 단 하나의 개선 없이도 비율이 오릅니다. 감사인은 이를 알아챕니다. 기존 SOX 문서에서 임계값을 설정하고 파일럿 기간 동안 그대로 유지한 다음 측정하십시오. 당사 디렉토리의 공개된 성과를 보여주는 AI 사례 연구는 동일한 필터로 읽을 가치가 있습니다: 보고된 비율이 계정 유형과 임계값을 명시하는지 확인하십시오. 대부분은 그렇지 않습니다.
파일럿에 작성해야 할 인수 기준
이것을 킥오프 덱이 아닌 주문서에 기재하십시오. 실제 계정 포트폴리오 전체에 걸쳐 분기말 한 번, 3개월 전체를 실행하십시오.
- 범위 내 모든 대차대조표 계정에서 최소 65%의 자동 인증율을 달성하며, 현재 중요성 임계값에서 측정하고 파일럿 기간 동안 임계값을 고정합니다.
- 중요성 이상의 계정에서 오인증율은 0이어야 합니다. 오인증이란 도구가 인증한 잔액을 검토자가 나중에 재오픈해야 했음을 의미합니다. 이것이 매칭율이 아닌 파일럿을 종료시키는 수치입니다.
- 모든 인증은 매칭된 원본 기록, 적용된 규칙 또는 모델 버전, 예외 대기열을 승인한 담당자를 보여주는 내보내기 가능한 감사 추적을 생성해야 합니다.
- 재정의 비율은 월별로 추적되어 보고되어야 하며, 이를 통해 감사인이 발견하기 전에 이탈을 확인할 수 있습니다.
벤더가 여러분의 데이터에서 측정된 비율을 보장하지 못한다면, 43%를 얻을 것으로 가정하고 계약을 체결하십시오.
예측: 실질적인 속도 향상, 매우 불균등한 정확도 향상
FP&A AI는 더 좋은 수치가 아닌 사이클 타임을 위해 구매하십시오. KPMG의 2026년 3월, 20개국 1,013명의 시니어 재무 리더 대상 설문에서 의사결정 속도가 향상된 비율은 71%, 의사결정 품질은 70%, 예측 정확도는 64%였습니다(KPMG). 64%는 세 가지 중 가장 약한 수치이며, 비즈니스 케이스를 무너뜨릴 만큼 넓은 범위를 숨기고 있습니다.
예측 정확도보다 의사결정 속도가 더 안정적으로 향상됩니다
속도와 품질 향상은 AI가 잘하는 작업에서 비롯됩니다: 네 개 시스템의 실적을 하나의 분산 뷰로 통합하고, 코멘트 초안을 작성하고, 시나리오를 하루가 아닌 몇 분 만에 재실행하는 것입니다. 이 작업들은 모델이 무언가를 예측할 필요가 없습니다. 조립하고 설명하는 것이 필요할 뿐이며, 그것이 AI가 잘하는 부분입니다.
따라서 성공 기준을 베이시스 포인트가 아닌 일수로 작성하십시오. 마감에서 예측까지의 처리 시간, 사이클당 실행된 시나리오 수, 데이터 조립에 소비된 분석가 시간 등입니다. 유일한 인수 테스트가 예측 오차라면, KPMG의 세 가지 측정 결과 중 가장 약한 것에 베팅하는 셈입니다.
뱅킹이 71%, 헬스케어가 44%인 이유
동일한 KPMG 데이터에서 예측 정확도 향상은 뱅킹의 71%에서 헬스케어의 44%까지 범위를 보였습니다(KPMG). 격차는 해당 섹터가 보유한 깨끗하고 고빈도이며 구조화된 이력 데이터의 양과 관련됩니다. 뱅킹은 수십 년간의 일별 거래 데이터를 가격 및 타임스탬프와 함께 보유합니다. 헬스케어 예측은 텍스트에 있고 계약에 따라 변경되는 지불자 믹스, 계약 조건, 상환 타이밍에 의존합니다.
벤더에게 참조 고객이 두 세계 중 어느 쪽 출신인지 물어보십시오. 데이터가 풍부한 섹터에서의 71% 결과는 입력값이 계약 PDF라면 여러분의 수익 예측에 대해 거의 아무것도 알려주지 않습니다.
FP&A 코파일럿이 멈추는 곳: 가정 레이어는 사람이 담당합니다
모델은 예약 추세를 외삽할 수 있습니다. 하지만 새로운 가격 티어가 이탈율을 바꾼다는 것, Q3 채용 계획이 6주 미뤄진다는 것, 11월에 재협상 중인 고객을 30% 할인해야 한다는 것은 결정할 수 없습니다. 이 가정들이 예측을 이끌며, 영업 및 운영과 대화하는 사람들에게서 나옵니다.
도구의 범위를 가정 라인 아래의 모든 것으로 지정하고, 가정은 소유자와 날짜가 있는 검토 가능한 레지스터에 유지하십시오.
경비 분류: 가장 완성도 높은 워크플로우
이번 분기에 재무 AI 워크플로우 하나를 파일럿한다면, 트랜잭션 코딩과 경비 정책 검토를 선택하십시오. 작업이 좁고, 정답은 여러분의 정책 문서에 기재되어 있으며, 에이전트의 모든 결정은 검토 가능한 추적 기록을 남깁니다.
정책 확인이 판단보다 에이전트에 더 적합한 이유
정책 확인은 여러분이 작성한 규칙에 대한 조회입니다. 이 $340 저녁 식사에 영수증, 비즈니스 목적, 1인당 한도 이하의 참석자가 있는가? 이것은 구조화된 필드와 영수증 이미지에 대한 결정론적 추론이며, 실패 모드는 검토자가 몇 초 만에 파악할 수 있습니다. 이것을 예측과 비교해 보면, 분기가 마감될 때까지 수치가 잘못되었는지 아무도 알 수 없습니다. 코딩은 정책 쪽에 더 가깝습니다: 가맹점, 금액, 부서, GL 계정, 과거 코딩이 레이블 세트로 사용됩니다.
거래량도 도움이 됩니다. 월별로 수천 건의 거의 동일한 결정이 생성되며, 이것이 정확도를 단순한 일화가 아닌 의미 있는 것으로 만드는 형태입니다.
벤더의 정확도 정의가 실제로 측정하는 것
Ramp는 정책 에이전트에서 수동 검토가 약 85% 감소하고 정확도 99% 이상을 달성한다고 밝히며, 주석에서 정확도를 다음과 같이 정의합니다: 인간 검토자도 승인한 에이전트 권장 승인 건, 2025년 7월 1일 자 내부 분석 기준(Ramp Support). 비즈니스 케이스에 넣기 전에 이 정의를 두 번 읽으십시오. 이 정의는 승인 경로의 일치도를 측정하므로, 에이전트가 잘못 플래그한 경비나 검토자가 통과시킨 위반에 대해서는 아무것도 말해주지 않습니다. 공개된 방법론은 Ramp를 대부분의 경쟁사보다 앞서게 합니다. 대부분의 경쟁사는 분모 없이 비율만 공개합니다. 쇼트리스트의 모든 벤더에게 동일한 주석을 요청하고, 거절은 하나의 답변으로 취급하십시오.
남은 예외를 위한 인간-루프 설계
에이전트가 처리하지 못하는 15%는 지정된 검토자에게 라우팅하고, 재정의 비율을 기록하며, 재정의가 증가할 때 재훈련을 트리거하는 임계값을 설정하십시오. 이 재정의 비율은 COSO의 2026년 2월 GenAI 가이던스가 요구하는 이탈 KPI 중 하나입니다(Deloitte Heads Up). 당사 디렉토리에 등재된 550개 AI 에이전트 중 여러분의 시간을 투자할 가치가 있는 것들은 지원 티켓 없이 해당 로그를 제공하는 것들입니다.
감사 준비: 감사인이 실제로 테스트할 수 있는 증거
감사 준비 벤더에게 데모를 보기 전에 한 가지 질문을 하십시오: 담당 팀이 이 수치가 어떻게 산출되었는지 물었을 때 내보내기 결과물이 어떻게 생겼습니까? 답변이 채팅 기록이라면, 감사 준비 도구가 아닌 생산성 도구를 구매하는 것입니다.
GenAI 전용 PCAOB 기준은 없지만 AS 1105와 AS 2301은 이미 적용됩니다
생성형 AI를 위해 작성된 PCAOB 기준은 없습니다. 그렇다고 그 공백에 앉아 있을 수 있는 것은 아닙니다. 감사 증거와 위험 평가에 관한 기존 기준은 이미 AI 지원 작업의 기준을 설정하고 있으며(Fieldguide), 이는 AI가 작성한 일정이 직원이 수작업으로 만든 스프레드시트와 동일하게 충분성과 적절성에 대해 평가됨을 의미합니다. 감사인은 이를 거부하기 위해 새로운 규칙이 필요하지 않습니다.
COSO는 2026년 2월 23일 최초로 내부통제-통합 프레임워크를 AI로 확장하는 거버넌스 절반을 채웠습니다. GenAI 사용 사례를 수집, 변환, 기장, 조율, 판단, 모니터링, 규제 인텔리전스, 인간-AI 상호작용 등 8가지 역량 유형으로 분류했습니다(Journal of Accountancy). 수집과 변환은 방어하기 쉬운 영역입니다. 판단은 질문이 길어지는 영역입니다.
모델이 생성한 경우 충분하고 적절한 증거란 무엇인가
출력이 감사인이 열 수 있는 원본 문서로 추적되어야 함을 의미합니다. 추출은 이것이 가장 잘 유지되는 워크플로우입니다. 기본 PDF나 인보이스가 여전히 증거이고 모델은 더 빠른 검토 수단이기 때문입니다. 이 레이어를 살펴보고 있다면, 당사 디렉토리는 217개의 문서 및 PDF 추출 도구를 추적하며, 여러분의 시간을 투자할 가치가 있는 것들은 요약된 답변이 아닌 추출한 모든 필드에 대해 페이지 및 좌표 참조를 제공합니다.
KPMG International의 글로벌 감사 혁신 & AI 총괄 Sebastian Stöckle는 이 테스트를 명확하게 표현했습니다: "AI는 설명하고 통제할 수 있을 때만 실질적인 가치를 제공합니다"(KPMG).
계약 시 명시해야 할 보존, 로깅, 재현성
이것을 계약서에 기재하십시오. 배포 후 소급 적용은 비용이 많이 들기 때문입니다. 모든 실행에 각인된 모델과 버전 식별자, 사용된 프롬프트 또는 구성, 출력 필드에서 원본 문서와 페이지까지의 변경 불가 계통, 타임스탬프가 있는 각 항목의 검토 및 승인자 내보내기 가능 로그, 그리고 벤더 기본값이 아닌 감사 보존 정책에 맞는 보존 기간을 요청하십시오. 벤더가 연중에 기반 모델을 업그레이드할 때 로그에 어떤 일이 발생하는지 물어보십시오.
그리고 지속적으로 모니터링하십시오. COSO 가이던스는 이탈을 감지하기 위해 거래량, 거래 규모, 재정의 비율 등의 KPI를 사용해 모델 성능을 지속적으로 모니터링할 것을 요구합니다. 설정 후 방치하는 통제는 이탈을 잡아내지 못하기 때문입니다(Deloitte). 재정의율은 대시보드에 올려야 할 항목입니다. 검토자가 항목의 30%에서 조용히 모델을 수정하고 있다면, 작성되기를 기다리는 통제 결함과 실현되지 못한 비즈니스 케이스가 있는 것입니다.
쇼트리스트를 걸러내는 통제 체크리스트
두 번째 데모 전에 모든 벤더에게 이것을 전달하십시오. 대부분은 2026년 2월 23일에 발행된 COSO의 '생성형 AI에 대한 효과적인 내부통제 달성(Achieving Effective Internal Control Over Generative AI)'에서 직접 가져온 것으로, 내부통제-통합 프레임워크(2013)를 AI 거버넌스로 최초 공식 확장한 것입니다(Journal of Accountancy). 이것이 여러분이 가진 가장 가까운 성문 기준이며, 재무 분야에 판매하는 벤더라면 이미 알고 있어야 합니다.
COSO의 8가지 GenAI 역량 유형과 사용 사례와의 관련성
COSO는 GenAI 사용 사례를 수집, 변환, 기장, 조율, 판단, 모니터링, 규제 인텔리전스, 인간-AI 상호작용 등 8가지 역량 유형으로 분류합니다(Journal of Accountancy). 벤더에게 제품이 수행하는 역량 유형을 서면으로 답변하도록 요구하십시오.
중요한 경계선은 기장과 판단입니다. 문서를 수집하고 초안으로 변환만 하는 도구는 원장에 직접 기재하거나 예외 허용 여부를 결정하는 도구와는 다른 통제 문제를 야기합니다. 경비 코딩은 일반적으로 수집, 변환, 판단을 다룹니다. 조정 자동 인증은 기장을 다룹니다. 벤더의 답변이 "8가지 모두"라면, 그들도 읽지 않은 것입니다.
시점 보증에서 지속적 모니터링으로
기존의 SOC 방식 워크스루는 분기 사이에 이탈하는 모델을 커버하지 못합니다. COSO 가이던스는 정적인 시점 보증 대신 지속적인 모델 성능 모니터링을 요구하며, 이탈을 감지하기 위해 거래량, 거래 규모, 재정의 비율을 중심으로 KPI를 설정합니다. 설정 후 방치하는 통제는 명시적으로 불충분합니다(Deloitte Heads Up).
계약에서 요구해야 할 재정의율 및 이탈 KPI
- 사용자별 및 거래 유형별 재정의율: 대시보드에서 보이는 것만이 아닌 월별 내보내기 가능.
- 날짜가 있는 모델 버전 이력: 추측이 아닌 특정 릴리스와 오류율 변화를 연결할 수 있도록.
- 여러분이 정의한 병렬 실행 기간 동안 여러분의 데이터를 기준으로 측정한 정확도, 분모를 서면으로 기재.
- 검토를 트리거하는 지정 임계값. 지금 수치를 정하고(예: 어느 달이든 재정의율이 8% 초과) 계약에 기재.
보증 준비도가 결과를 예측하는 변수입니다
KPMG는 조직 중 42%만이 완전히 보증 준비가 되어 있으며, 성과 격차는 미묘하지 않다고 밝혔습니다: 준비된 기업은 오류 감소 개선을 33%로 보고한 반면, 비준비 기업은 6%이며, AI 확장에 대한 신뢰도는 42% 대 14%입니다(KPMG).
AI는 설명하고 통제할 수 있을 때만 실질적인 가치를 제공합니다. 보증 준비도는 지속적인 성과와 숨겨진 위험을 구분합니다. — Sebastian Stöckle, KPMG International 글로벌 감사 혁신 & AI 총괄
쇼트리스트를 작성한 후가 아닌 전에 체크리스트를 실행하십시오. 당사의 재무 및 뱅킹 카테고리에는 309개의 리스팅이 있으며, 어떤 기능 비교보다 빠르게 그 수를 몇 개로 줄일 수 있습니다.
모든 정확도 주장을 자체 주석과 대조하여 읽으십시오
재무 AI 데모의 모든 성과 수치는 측정값이며, 모집단, 정확의 정의, 날짜 없는 측정값은 마케팅 자산입니다. 주석은 대개 공개되어 있습니다. 거의 아무도 읽지 않을 뿐입니다.
대부분의 수치를 낮추는 세 가지 질문
두 번째 데모 전에 서면으로, 순서대로 질문하십시오.
- 어떤 거래가 집계되었습니까? 총 거래량이 아닌 수치가 계산된 대상 부분 집합을 물어보십시오.
- 무엇이 정답으로 간주되었습니까? 누군가가 정답 기준을 정의했습니다. 그 정의를 그대로 받아내십시오.
- 언제, 누구의 데이터로 측정되었습니까? 작년의 단일 내부 분석은 서비스 수준이 아닙니다.
분모, 날짜, 자체 선별된 비교
Ramp의 정책 에이전트는 수동 경비 검토를 약 85% 줄이고 정확도 99% 이상을 달성한다고 발표하며, 자체 문서에서 그 정확도를 에이전트 권장 승인 중 인간 검토자도 승인한 것으로 정의합니다. 2025년 7월 1일 자 내부 분석 기준입니다(Ramp Support). 이것은 승인 경로의 일치도를 측정합니다. 에이전트가 잘못 플래그한 경비나 검토자가 그냥 통과시킨 위반에 대해서는 아무것도 말하지 않습니다. 이것이 컨트롤러가 신경 쓰는 오류 유형입니다.
조정 주장은 다르게 실패합니다. 자동 인증 수치는 "최대 98%"라는 상한치로 제시되지만, 실제 고객 배포는 43%~85% 범위에 위치합니다(Numeric). 상한치는 최상의 계정에서 최상의 달에 최상의 고객에서 발생한 사실입니다.
신뢰할 수 있는 공개 방식이란 무엇인가
Ramp가 하는 것처럼 표본 크기, 채점 규칙, 날짜를 명시하고, 정확도와 함께 오승인율을 보고하는 것입니다. 파일럿 중에 여러분의 지난 분기 데이터를 기준으로 계산된 수치를 요청하십시오. 그 테스트를 실행하지 않으려는 벤더는 주석에 무엇이 적힐지 이미 알려준 것입니다.
데모가 월말 마감에서 실패하는 이유와 이를 방지하는 파일럿 설계
데모는 정제된 추출물로 실행됩니다. 지난 분기의 깔끔한 보조원장, 잘 정형화된 십여 개의 인보이스, 내부거래 없음, 3일 밤 11시에 세무팀이 게시한 수동 분개 없음. 마감은 그 반대 모집단이며, 영업 엔지니어가 통화에서 걸러냈을 모든 실패 모드가 마감일에 컨트롤러 앞에서 한꺼번에 나타납니다.
모델 선택보다 검색 구성이 정확도를 더 좌우합니다
동일한 재무 질문 세트에서 최신 모델을 다른 것으로 교체하면 답변이 조금 달라집니다. 문서가 청크되는 방식, 어느 기간 파일이 가져와지는지, 각주가 표와 함께 이동하는지를 바꾸면 답변이 크게 달라집니다. 재무 QA에서의 대부분의 오답은 유창한 문장으로 표현된 검색 실패입니다: FY25에 대해 물었는데 도구가 FY24 일정을 찾았지만 산문은 양쪽 모두 완벽하게 읽힙니다.
COSO의 2026년 2월 가이던스는 수집과 변환을 판단과는 별개의 역량 유형으로 취급하며, 각각 자체적인 통제를 수반합니다(Journal of Accountancy). 여러분의 실제 지저분한 원본 파일로 파이프라인을 테스트하십시오. 벤더의 샘플 세트는 거의 아무것도 알려주지 않습니다.
숙련된 검토자가 이득의 대부분을 획득합니다
직원에게 배포하기 전에 가장 우수한 시니어 두 명 앞에 도구를 놓으십시오. CPA에 대한 AI의 시간 절약 효과를 정량화하는 현장 연구도 같은 방향을 가리킵니다: 시간은 이미 정답이 어떻게 생겼는지 알고 몇 초 만에 오답을 발견할 수 있는 사람들에게 집중됩니다(Journal of Accountancy).
검토 레이어를 건너뛰면 Deloitte의 결과를 얻게 됩니다: AI 생성 오류가 포함된 보고서로 호주 정부에 $60,000 이상을 환불했습니다(CFO Dive).
비용, 불명확한 가치, 취약한 위험 통제가 에이전틱 프로젝트를 좌초시킵니다
모델 역량이 이 프로그램들을 멈추는 경우는 드뭅니다. Deloitte의 Finance Trends 설문(1,326명의 재무 리더 대상)에서는 63%가 재무 부문에 AI를 완전 배포했지만 실질적인 가치를 본 비율은 21%에 불과하며, 에이전트를 완전 통합한 비율은 14%였습니다(CFO Dive). Thomson Reuters는 에이전틱 도입율을 15%로, 계획 또는 검토 중인 비율을 53%로 집계했습니다(Thomson Reuters). Deloitte의 2026년 2분기 CFO Signals에서는 CFO의 59%가 배포 압력과 위험의 균형을 최대 과제로 꼽았고, 51%는 거버넌스 권한이 부족하다고 답했습니다(Deloitte).
시작 전에 수치를 기재한 90일 파일럿
- 하나의 워크플로우와 하나의 법인을 선택하십시오. 단일 자회사의 조정이 측정할 수 없는 재무 전체 롤아웃보다 낫습니다.
- 도구가 관여하기 전에 두 번의 마감 동안 기준선을 설정하십시오: 소요 시간, 예외 수, 재작업율, 인증까지 소요 일수.
- 컨트롤러 및 외부 감사인의 담당 파트너와 서면으로 인수 임계값에 합의하고 날짜를 기재하십시오.
- 재정의율을 주별로 모니터링하고, 거래량과 거래 규모도 함께 모니터링하십시오. 이것이 COSO의 지속적 모니터링 기대가 기반으로 하는 이탈 신호입니다(Deloitte Heads Up).
- 1일차에 종료 기준을 기재하십시오. 예: 90일 시점에 자동 인증율이 55% 미만이거나, 검토자 재정의가 3주 연속 15%를 초과하면 중단하고 재협상합니다.
그런 다음 결과를 수치와 함께 내부에 공개하십시오. 당사 디렉토리에서 팀들이 실제 배포를 문서화하는 방식처럼 말입니다. 조직 중 18%만이 어떤 방식으로든 AI ROI를 추적하므로(Thomson Reuters), 하나의 서면 기준선만으로도 갱신 시점에 5명 중 4명의 구매자보다 앞설 수 있습니다.
자주 묻는 질문
2026년에 AI가 인간 검토자 없이 장부 기장을 할 만큼 신뢰할 수 있습니까?
아니요, 그리고 통제 프레임워크는 이제 검토자를 유지할 것을 전제합니다. KPMG는 재무 부서에서 AI를 활발히 활용하는 비율이 2024년 30%에서 2026년 75%로 상승했다고 밝혔지만, 완전히 보증 준비가 된 조직은 42%에 불과하며, 그렇지 않은 조직의 6% 대비 33%의 오류 감소 효과를 보고합니다(KPMG, 2026년 5월 11일). COSO의 2026년 2월 가이던스는 '설정 후 방치' 통제를 명시적으로 불충분한 것으로 취급하며, 대신 지속적인 모델 성능 모니터링을 요구합니다(Deloitte Heads Up). 검토되지 않은 출력에는 이미 가격표가 붙어 있습니다: Deloitte는 AI 오류가 포함된 보고서로 호주 정부에 $60,000 이상을 환불했습니다(CFO Dive).
AI 조정 소프트웨어에서 기대할 수 있는 자동 매칭율은 얼마입니까?
슬라이드의 수치가 아닌 60%~80% 자동 인증을 계획하십시오. 조정 벤더는 "최대 98%" 자동 인증에 99% 매칭 정확도를 마케팅하지만, 실제 고객 결과는 43%~85% 범위에 위치합니다(Numeric). 비율을 인수 기준에 기재하고 데모 데이터가 아닌 파일럿 중 과거 원장을 기준으로 측정한 다음, 세 번의 마감 후 재측정하십시오. 거래 믹스가 변하면 매칭 품질이 이탈하기 때문입니다(COSO에 대한 Deloitte Heads Up).
재무 보고에 사용되는 AI에 대해 2026년 2월 COSO 가이던스는 무엇을 요구합니까?
COSO는 2026년 2월 23일 '생성형 AI에 대한 효과적인 내부통제 달성'을 발행했습니다. 이는 2013년 내부통제-통합 프레임워크를 AI 거버넌스로 최초 공식 확장한 것으로, GenAI 사용 사례를 수집, 변환, 기장, 조율, 판단, 모니터링, 규제 인텔리전스, 인간-AI 상호작용 등 8가지 역량 유형으로 분류합니다(Journal of Accountancy). 운영상의 요구는 시점 보증에서 지속적 모니터링으로의 이동이며, 거래량, 거래 규모, 재정의 비율 등의 KPI를 사용해 모델 이탈을 감지합니다(Deloitte Heads Up). 실행하는 모든 도구를 역량 유형에 따라 분류하고, 각 KPI에 임계값을 설정하며, 1일차부터 재정의를 기록하십시오. 기장 또는 판단 도구는 수집 도구보다 훨씬 무거운 통제 기대를 수반하기 때문입니다.
감사인이 생성형 AI로 작성된 작업 서류를 수락합니까?
네, 출력이 어떻게 생성되었는지와 누가 확인했는지를 보여줄 수 있다면 가능합니다. PCAOB는 생성형 AI 기준을 발행하지 않았으며, 감사 증거와 위험 평가에 관한 기존 기준은 이미 충분성, 적절성, 검토 가능성의 기준을 설정하고 있습니다(Fieldguide). 프롬프트, 도구가 검색한 원본 문서, 모델과 버전, 날짜, 작성자와 검토자 서명을 보존하십시오. 그래야 작업 서류가 모델을 다시 실행하지 않고도 자체적으로 입증될 수 있습니다. 질문은 더욱 날카로워질 것으로 예상됩니다: PwC는 PCAOB에 감사 분야 AI를 최우선 순위로 삼으라고 요청했습니다(Big4 News).
18%의 조직만이 추적한다면 AI 재무 도구의 ROI를 어떻게 계산합니까?
파일럿이 시작되기 전에 기준선을 잡으십시오. 나중에 재구성할 수 없기 때문입니다. 2026년에는 18%의 전문가만이 조직이 어떤 방식으로든 AI ROI를 추적한다고 알고 있었으며, 2025년과 거의 변화가 없었고, 대부분은 비즈니스 성과가 아닌 내부 운영 지표를 측정합니다(Thomson Reuters, 2026년 2월 9일). 이 격차가 Deloitte의 Finance Trends 설문(1,326명의 재무 리더 대상)에서 드러납니다: 63%가 재무 부문에 AI를 완전 배포했고 21%만이 실질적인 가치를 창출했다고 믿습니다(CFO Dive). 고정된 기간 동안 네 가지 수치를 추적하십시오: 마감까지 소요 시간, 예외율, 거래당 사이클 타임, 도구가 발생시키는 검토 시간을 포함한 완전 부담 비용. KPMG의 재무 리더 71%가 AI가 ROI 기대치를 충족하거나 초과한다는 발견은 기대치를 측정하는 것이므로 여러분 자신의 수치를 대체하지 마십시오(KPMG).
어떤 재무 워크플로우를 먼저 자동화해야 합니까?
경비 분류와 정책 검토를 선택하십시오. 벤더가 정확도 수치의 의미를 공개하는 유일한 워크플로우이기 때문입니다: Ramp는 약 85% 적은 수동 검토에 정확도 99% 이상을 보고하며, 이는 인간 검토자도 승인한 에이전트 권장 승인 건으로 정의되고, 2025년 7월 1일 자 내부 분석 기준입니다(Ramp). 조정은 두 번째로 선택하십시오. 달성 가능한 매칭율이 마케팅된 것보다 훨씬 낮으며, 여러분의 데이터로 유료 파일럿이 필요합니다(Numeric). 예측은 나중에 하십시오: $1B 이상 기업 CFO의 44%가 이미 AI를 계획 및 예산 수립에 활용하고 있지만(Deloitte Q2 2026 CFO Signals), 정확도 향상은 섹터에 따라 뱅킹 71%에서 헬스케어 44%까지 크게 다릅니다(KPMG). 데모하기 전에 범위를 좁히십시오. 당사 디렉토리에만 550개의 AI 에이전트가 있으며, 통제된 마감을 위해 구축된 것은 극히 드뭅니다.