거래처 40곳과 일하는 식자재 유통 회사의 경리 담당자를 떠올려 보겠습니다. 아침마다 메일로 온 거래명세서 PDF, 카카오톡으로 온 납품서 사진, 아직 팩스로 들어오는 발주서를 모니터 한쪽에 띄웁니다. 그리고 품목, 수량, 단가, 금액을 한 줄씩 ERP에 옮겨 적습니다. 서류는 이미 글자로 되어 있는데 사람이 그 글자를 다시 칩니다. 이 글은 이 반복 입력을 AI에게 읽히는 방법과, 그래도 사람이 꼭 봐야 하는 지점을 정리합니다.

서류 입력 자동화는 세 단계로 나뉩니다

흔히 “OCR을 쓰면 된다”고 하지만, OCR(광학 문자 인식, 이미지 속 글자를 텍스트로 바꾸는 기술)은 전체 일의 한 부분입니다. 서류 한 장이 장부의 한 줄이 되기까지는 세 단계를 거칩니다.

단계 하는 일 지금 사람이 하는 방식 자동화하면
1. 모으기 메일·메신저·팩스로 흩어진 서류를 한곳에 모음 받은편지함과 단톡방을 돌며 내려받기 정해진 메일 주소나 폴더로 들어오면 자동 수집
2. 읽기 서류에서 거래처, 날짜, 품목, 수량, 단가, 금액을 뽑음 눈으로 읽고 손으로 입력 AI가 항목별로 뽑아 표로 만듦
3. 확인하고 넣기 숫자가 맞는지 보고 ERP·엑셀에 기록 입력하면서 동시에 확인 규칙으로 걸러낸 의심 건만 사람이 확인

이렇게 서류를 모으고 읽고 검증해 시스템에 넣는 흐름 전체를 업계에서는 IDP(Intelligent Document Processing, 지능형 문서 처리)라고 부릅니다. 이 표에서 중요한 줄은 3단계입니다. 읽기만 자동으로 바꾸고 확인을 설계하지 않으면, 사람이 AI의 결과를 처음부터 다시 대조하느라 시간이 거의 줄지 않습니다.

사람이 옮겨 적을 때 생기는 오류

손 입력을 바꾸려는 이유가 시간만은 아닙니다. 사람이 옮겨 적은 숫자는 생각보다 자주 틀립니다. 미국 네바다대 라스베이거스(UNLV)의 킴벌리 바처드(Kimberly Barchard) 교수 연구실은 2011년 학술지 『Computers in Human Behavior』에 실은 실험에서 입력 방식별 오류를 비교했습니다. 연구실 소개 자료에 따르면 한 번 입력하는 방식의 오류율은 1% 안팎이었습니다. 입력한 뒤 원본과 눈으로 대조하는 방식도 오류가 거의 줄지 않아, 두 방식 모두 두 사람이 따로 입력해 비교하는 방식보다 약 30배 많은 오류를 냈습니다.

더 곤란한 점은 틀린 값의 모양입니다. 같은 자료는 오류 대부분이 “그 칸에 들어갈 수 있는 범위 안”이었다고 전합니다. 수량 12를 21로 치거나 단가 4,800을 8,400으로 치면 둘 다 그럴듯한 숫자라서 눈에 띄지 않습니다. 한 달에 거래명세서 1,000줄을 입력하는 회사라면 오류율 1%로 잡아도 매달 10줄 정도가 틀린 채 장부에 남고, 대부분은 월말 거래처 대사 때나 드러납니다.

그래서 서류 입력 자동화의 목표는 “사람보다 빨리 읽기”보다 “틀린 줄을 먼저 찾아내기”에 가깝습니다. AI가 읽은 값에 계산 규칙을 붙이면, 사람이 한 줄씩 보던 확인 작업을 의심 가는 몇 줄로 좁힐 수 있습니다.

사람이 옮겨 적을 때 생기는 오류 관련 장면
AI 생성 이미지

읽는 기술은 세 갈래입니다

서류를 읽는 기술은 크게 세 가지입니다. 어느 것이 낫다기보다 서류의 모양에 따라 맞는 것이 다릅니다.

방식 원리 잘 맞는 서류 약점
템플릿 OCR 양식 이미지에서 “이 칸은 금액”처럼 읽을 위치를 사람이 지정 매번 같은 양식(우리 회사 발주서, 특정 거래처 명세서) 양식이 바뀌거나 거래처마다 다르면 그만큼 새로 등록
특화 모델 서비스 회사가 특정 서류 종류에 맞춰 미리 학습 영수증, 사업자등록증, 명함, 신분증처럼 정형화된 서류 제공되는 서류 종류가 정해져 있음
생성형 AI 이미지를 보고 “품목·수량·단가를 표로 뽑아 줘”라는 지시를 따름 거래처마다 양식이 제각각인 명세서, 손글씨가 섞인 납품서 없는 값을 그럴듯하게 채울 수 있어 검증 규칙이 꼭 필요

국내 서비스로 예를 들면, 네이버클라우드의 CLOVA OCR은 General, Template, Document 세 가지 방식을 제공합니다. 공식 용어집(2026년 10월 확인)에 따르면 Document OCR의 특화 모델은 사업자등록증, 신용카드, 영수증, 신분증, 명함을 지원합니다. 거래명세서는 이 목록에 없으므로 템플릿을 직접 지정하거나 다른 방식을 써야 합니다.

거래처가 40곳이고 양식이 다 다르다면 템플릿 40개를 만드는 것보다 생성형 AI 쪽이 현실적입니다. 비용은 생각보다 작습니다. 업스테이지의 공식 안내(2026년 10월 확인)는 문서를 읽는 Parse가 페이지당 0.01달러, 필드를 뽑는 Extract가 페이지당 0.03달러로, 영수증 필드 추출을 페이지당 0.04달러로 예시합니다. 마이크로소프트 Azure의 문서 인식 서비스는 무료 등급으로 한 달 500페이지까지 쓸 수 있습니다.

속도도 문제가 되지 않습니다. 2025년 4월 공개된 한 연구는 법률 비용 청구서 검토를 사람과 대형 언어 모델(LLM)로 비교했습니다. 경력 있는 검토자가 청구서 한 건에 194~316초를 쓴 반면, 가장 빠른 모델은 3.6초에 끝냈습니다. 입력이 아니라 검토 업무의 결과이긴 하지만, 읽는 속도는 이제 병목이 아니라는 점을 보여 줍니다. 남는 문제는 정확도를 어떻게 믿을 것인가입니다.

먼저 할 일은 OCR이 필요 없는 서류를 빼는 것입니다

AI로 읽히기 전에 따져 볼 질문이 하나 있습니다. 그 서류가 정말 종이나 이미지로만 존재하는지입니다. 세금계산서가 대표적인 예입니다. 법인과 일정 규모 이상의 개인사업자는 전자세금계산서를 발급하므로, 그 내용은 홈택스에서 데이터로 내려받을 수 있습니다. 같은 내용이 PDF로 메일에 왔다고 그것을 다시 OCR로 읽는 것은 돌아가는 길입니다.

거래처 명세서도 마찬가지입니다. 큰 거래처는 대개 자기 ERP에서 엑셀이나 CSV로 뽑아 줄 수 있습니다. “PDF 말고 엑셀로도 보내 주실 수 있나요”라는 메일 한 통이 OCR 도입보다 정확하고 쌉니다. 거래처별로 서류가 어떤 형태로 오는지 표로 정리해 보면, 실제로 AI가 읽어야 할 서류는 처음 생각보다 줄어드는 경우가 많습니다. 이 정리는 무엇부터 자동화할까에서 다룬 우선순위 매기기와 같은 작업입니다.

100% 자동이 아니라 확인할 줄을 고르는 설계

AI가 읽은 결과를 그대로 장부에 넣으면 안 됩니다. 대신 어떤 줄을 사람이 볼지 정하는 규칙을 둡니다. 마이크로소프트의 문서 인식 공식 문서(2026년 4월 갱신)는 신뢰도 점수를 이렇게 설명합니다. “0.95(95%)라는 값은 예측이 20번 중 19번 정도 맞을 가능성이 높다는 뜻”이고, 정확도가 중요한 업무에서는 이 점수로 자동 승인할지 사람 검토로 넘길지 정할 수 있다는 것입니다. 같은 문서는 직접 학습시킨 모델의 정확도를 80% 이상으로 맞추되, 금융이나 의료 기록처럼 민감한 경우는 100%에 가깝게 하고 사람 검토 단계를 추가하라고 권합니다.

신뢰도 점수만으로는 부족합니다. 앞에서 본 것처럼 틀린 값도 그럴듯해 보이기 때문입니다. 그래서 서류 자체의 논리로 한 번 더 거릅니다. 거래명세서라면 다음 규칙을 쓸 수 있습니다.

  • 줄마다 수량 × 단가가 금액과 같은가
  • 줄 금액의 합이 공급가액 합계와 같고, 부가세가 그 10%인가
  • 품목명이 우리 품목 목록에 있는가, 처음 보는 품목이면 표시
  • 단가가 지난 3개월 같은 품목 단가와 크게 다르지 않은가
  • 우리가 낸 발주서의 품목·수량과 맞는가

이 규칙을 모두 통과한 줄은 확인 없이 넣고, 하나라도 걸린 줄만 원본 이미지와 나란히 띄워 사람이 고칩니다. 바처드 연구실의 실험에서 두 사람이 따로 입력해 비교하는 방식이 가장 정확했던 것과 같은 원리입니다. AI의 판독과 계산 규칙이 서로를 교차 검증하는 셈입니다.

100% 자동이 아니라 확인할 줄을 고르는 설계 관련 장면
AI 생성 이미지

외부 AI 서비스에 서류를 보낸다는 점도 정해 두어야 합니다. 거래명세서에는 거래처 단가와 담당자 연락처가 들어 있습니다. 어떤 서비스에 보내도 되는지, 데이터가 학습에 쓰이지 않는 요금제인지는 사내 AI 사용 규칙 만드는 법의 기준으로 먼저 확인합니다.

계산 예시: 월 600장이면 얼마나 줄어들까

앞의 유통 회사가 거래명세서를 한 달에 600장 받고, 한 장 입력과 대조에 평균 5분이 걸린다고 해 보겠습니다. 아래 시간은 계산 방법을 보여 주기 위해 잡은 숫자이니 실제로 재어 본 값으로 바꿔 넣으면 됩니다.

항목 지금 자동화 후
기본 처리 600장 × 5분 = 3,000분 600장 × 1분(결과 훑어보기) = 600분
예외 처리 없음(전부 손으로 처리) 규칙에 걸린 15%인 90장 × 4분 추가 = 360분
한 달 합계 50시간 16시간
문서 처리 비용 0원 600장 × 0.04달러 = 24달러(환율 1,400원으로 약 3만 4천 원)

한 달에 34시간이 줄어듭니다. 인건비를 포함한 시간당 비용을 2만 5,000원으로 잡으면 매달 85만 원, 1년에 1,020만 원어치 시간입니다. 처리 비용 3만 원대와 비교하면 차이가 큽니다. 다만 이 계산에는 처음에 수집·검증·ERP 연결을 만드는 비용이 빠져 있습니다. 그 비용을 넣어 몇 달 만에 회수되는지 보는 방법은 자동화 ROI 계산법에 정리했습니다.

결과를 가장 크게 흔드는 숫자는 예외 비율입니다. 손글씨 납품서가 많아 예외가 40%로 오르면 절감 시간은 크게 줄어듭니다. 그래서 도입 전에 실제 서류로 예외 비율을 재 보는 시범 운영이 필요합니다.

시범 운영 체크리스트

계약하거나 개발을 맡기기 전에, 2주 정도 아래 순서로 시험해 보면 판단에 필요한 숫자가 대부분 나옵니다.

  1. 지난달 서류 50장을 고릅니다. 깨끗한 PDF만이 아니라 휴대폰으로 찍은 사진, 팩스 스캔, 손글씨가 섞인 것까지 실제 비율대로 넣습니다.
  2. 정답표를 만듭니다. 50장의 올바른 값을 엑셀에 미리 적어 둡니다. 이것이 없으면 정확도를 잴 수 없습니다.
  3. 항목별로 맞힌 비율을 봅니다. 전체 정확도 한 숫자보다 거래처명, 날짜, 품목, 수량, 단가, 금액을 따로 봐야 어디서 틀리는지 보입니다.
  4. 예외 비율을 셉니다. 검증 규칙에 걸려 사람이 봐야 하는 서류가 몇 장인지 셉니다. 이 숫자가 계산 예시의 15% 자리에 들어갑니다.
  5. 규칙을 통과했는데 틀린 건을 찾습니다. 가장 위험한 경우입니다. 한 건이라도 있으면 규칙을 하나 더 추가합니다.
  6. 결과가 ERP나 엑셀에 어떻게 들어가는지 확인합니다. 뽑은 표를 다시 복사해 붙여야 한다면 입력 단계 하나가 남은 것입니다.
  7. 입력하던 담당자에게 확인 화면을 쓰게 합니다. 원본과 결과가 나란히 보이지 않으면 확인이 오히려 느려집니다.

이 일곱 가지에 답이 나오면, 어떤 서류부터 자동으로 넘기고 어떤 서류는 당분간 사람이 입력할지 근거를 갖고 정할 수 있습니다. 처음부터 모든 서류를 한 번에 바꾸기보다 물량이 많고 양식이 비교적 일정한 거래처 몇 곳부터 시작하는 편이 안전합니다.

서류는 글자로 되어 있는데 사람이 그것을 다시 치고 있다면, 그 시간은 줄일 수 있습니다. 우리 회사 서류로 어디까지 자동으로 넘길 수 있을지 궁금하다면 AI 업무자동화 진단에서 함께 살펴볼 수 있습니다.

참고한 자료