이 기사는 09월 29일 10:12 마켓인사이트에 게재된 기사입니다.
최근 기업 최고재무책임자(CFO)들과 생성형 AI 활용 방안을 논의할 때마다 빠지지 않고 나오는 질문이 있다. ‘재무 부문에서는 무엇부터 시작해야 하는가?’라는 것이다.ADVERTISEMENT
기업의 재무팀은 방대한 데이터를 다루면서 동시에 데이터 조정, 결산, 차이 분석, 보고, 예측, 리스크 평가 등 반복 업무와 판단이 필요한 업무를 수행한다. 그러나 많은 조직이 여전히 데이터 취합과 보고서 작성에 상당한 시간을 들이는 탓에, 정작 경영 의사결정을 위한 분석과 통찰에는 충분한 역량을 투입하지 못한다.
생성형 AI는 데이터를 단순히 요약하는 수준을 넘어 분석 결과를 설명하고 초안을 작성하며, 의사결정에 필요한 새로운 관점을 제시하는 업무 파트너로 발전할 수 있다. 즉, AI의 가치는 단순한 비용 절감보다 데이터를 찾고 정리하는 시간을 줄여 사람이 더 빠르고 정확하게 판단하도록 돕는 데 있다.
ADVERTISEMENT
그렇다고 AI가 제시한 결과를 검증 없이 활용할 수는 없다. 재무 정보는 경영진의 의사결정뿐 아니라 외부 공시, 투자자 커뮤니케이션, 세무·규제 대응에도 활용되기 때문에 데이터 품질과 설명 가능성, 접근 권한, 민감정보 보호가 중요하기 때문이다.
따라서 어떤 영역에 AI를 활용할지, 어떤 영역을 규칙 기반으로 자동화할 것인지, 어디에서 사람의 승인이 필요한지를 명확히 해야 한다. 즉 회계와 의사결정을 생성형 AI만으로 수행하기보다는 AI와 규칙 기반 자동화, 사람의 판단을 결합한 하이브리드 모델이 현실적이다. 이 원칙을 실제 실행으로 옮기기 위해서는 먼저 적용 대상 업무를 선별해야 한다.
그렇다면 CFO는 어디에서 시작해야 할까? 답을 찾기 위해서는 먼저 통제할 수 있고 효과를 측정할 수 있는 재무 업무를 선별하는 데 있다. 데이터 접근이 가능하고, 업무 기준이 비교적 명확하며, 결과를 사람이 검증할 수 있는 소수의 과제부터 추진하는 것이 현실적이다.
우선순위는 다음 조건을 충족하는 업무에서 정해야 한다. 반복 빈도가 높고, 입력 데이터에 접근할 수 있으며, 판단 기준의 상당 부분을 명시할 수 있고, 결과를 사람이 검증할 수 있으며, 오류가 발생하더라도 즉시 수정할 수 있는 업무다.
ADVERTISEMENT
먼저 결산 업무에서 활용도를 살펴보면 생성형 AI는 비정형적이거나 과거 패턴에서 벗어난 분개를 식별하고, 조정 필요 여부와 검토 근거의 초안을 제시할 수 있다. 다만 실제 조정 분개의 생성과 시스템 반영은 사전에 정의된 규칙과 승인 절차에 따라 수행되어야 한다.
예를 들어 IFRS 16 리스 회계는 계약 조건이 회계처리에 직접 영향을 미치는 대표적인 영역이다. 그러나 대기업이 보유한 수백 건에서 수천 건의 리스 계약서를 재무팀이 일일이 검토하는 데에는 현실적인 한계가 있다. AI는 계약서에서 연장 옵션, 중도해지 조항, 변동 리스료 조건 등 회계처리에 영향을 미치는 조항을 자동으로 식별하고 요약할 수 있다. 이후 실제 회계처리는 IFRS 16과 기업이 사전에 정한 회계정책을 반영한 규칙 기반 엔진이 수행하고, 재무 담당자가 최종 검증하는 구조가 가능하다.
ADVERTISEMENT
실례로 복잡한 선박 리스계약을 다수 관리하는 기업에서는 AI가 주요 계약 조건과 잠재적 위험 조항을 선별하고, 담당자가 이를 검토한 뒤 회계처리로 연결하는 체계를 구축하고 있다. 이러한 접근은 회계처리의 정확성을 높이는 동시에 계약 리스크를 영업 및 운영 부문과 공유함으로써, CFO 산하 회계조직의 역할을 결산 중심에서 전사적 리스크 관리로 넓히는 계기가 되었다.
현금흐름 예측과 운전자본 관리도 대표적인 활용 영역이다. 예를 들어, 특정 고객군의 대금 지급 지연이 최근 몇 개월 동안 증가하고 있다면, 생성형 AI는 이러한 추세를 조기에 감지하고 향후 현금 유입 감소 가능성을 제시할 수 있다. 재무 담당자는 이를 바탕으로 자금 조달 계획이나 채권 회수 전략을 선제적으로 검토할 수 있다. 매출채권, 매입채무, 재고 데이터를 연계하면 이상 징후와 현금흐름 개선 기회를 지속적으로 탐지하는 것도 가능하다.
ADVERTISEMENT
고객별 매출채권 회수 이력과 지급 패턴에 재고 및 매입채무 데이터를 결합해 단기 현금흐름의 변화를 예측했던 사례 회사는 예측 결과를 채권 회수와 재고 운영의 우선순위 조정에 활용하면서 자금 부족에 선제적으로 대응하고 있어, 단기 차입 부담과 운전자본 비효율을 함께 낮추는 효과가 기대된다.
또한 위험관리와 내부감사에서는 점검 수단으로 활용하는 상시 모니터링 체계 구축 및 고도화를 위한 방법으로 적용할 수 있다. 규칙 기반으로 추출한 거래 데이터와 위험 지표를 분석해 이상 항목을 식별하고, 인터뷰나 설문 등 비정형 자료에서 핵심 주제를 추출하며, 내·외부 정보로부터 새롭게 부상하는 위험을 탐색할 수 있고 이 과정에서 식별된 위험 신호는 담당자의 검토와 승인 절차를 거쳐 탐지 규칙을 지속적으로 정교화할 수 있다.
생성형 AI가 재무의 모든 판단을 대신하지는 않을 것이다. 그러나 데이터를 찾고 정리하는 시간을 줄이고 분석의 범위와 속도를 높여, 재무 인력이 더 중요한 질문에 집중하도록 도울 수 있다. 성공적인 출발점은 완벽한 기술이 아니라 명확한 전략, 검증 가능한 활용 사례, 접근 가능한 데이터, 그리고 견고한 통제 체계다.
앞으로 재무 조직의 경쟁력은 누가 더 많은 AI를 도입했느냐로 결정되지 않을 것이다. 오히려 AI가 제시한 결과를 검증하고 이를 실제 경영 의사결정으로 연결할 수 있는 조직과 그렇지 못한 조직의 격차가 더 커질 것이다. CFO는 생성형 AI를 단순한 비용 절감 도구가 아니라, 재무의 판단력과 기업의 실행력을 높이는 새로운 파트너로 설계하여야 한다.