회계에 AI를 도입한 방법과 그 결과

이 프로젝트는 회계팀이 ML(머신러닝) 팀에게 AI가 인보이스(청구서)를 읽도록 학습시켜 달라고 요청하면서 시작되었다. 인보이스는 오래된 Excel 파일, CID 폰트가 포함된 문서, Word 표, 여러 페이지로 된 PDF, 심지어 사진에 이르기까지 형식이 제각각이었다. 팀은 상업적으로 민감한 데이터를 회사 내부에 두기 위해 온프레미스(on-premise, 사내 구축형) LLM(대규모 언어모델)을 선택했고, 스캔 문서와 이미지 처리를 위해 OCR(광학 문자 인식, PaddleOCR)을 사용했다. 전처리 단계에서는 모든 입력을 구조를 유지한 채 Markdown으로 변환하고, 이후 LLM이 필드를 추출해 1C와 연동되는 JSON 계약(JSON contract) 형태로 만든다. 그 다음에는 엄격한 검증 절차가 이어진다. 필드 유형과 길이에 대한 형식적 검사와 더불어, BIK(러시아 은행 식별 코드), 코레스폰던트 계좌(correspondent account), KPP(러시아 세무 등록 코드), INN(러시아 납세자 식별 번호) 체크섬 등 러시아 은행 정보에 특화된 규칙 검사도 포함된다. 팀은 처음에 qwen3-thinking-30b-a3b를 사용했지만, 실제 운영 단계에서는 openai/gpt-oss-120b로 전환했다. 그 과정에서 모델이 계좌 번호를 숫자로 취급해 앞자리의 0을 빠뜨리는 버그를 겪기도 했다. 이 파이프라인은 테스트 세트에서 100%의 정확도를 달성했으며, 실제 운영 6개월이 지난 현재 수작업을 줄이고 인보이스 처리 속도를 높이는 성과를 냈다. 앞으로는 더 다양한 문서 유형을 처리할 수 있도록 확장할 계획이다.