사상 리더
AI의 지능은 이를 뒷받침하는 금융 데이터에 달려 있다

핵심 포인트AI는 시스템들이 지급일과 같은 단일 필드의 의미에 대해 합의하지 못할 때 실패합니다.
더 보기
- AI는 시스템들이 지급일과 같은 단일 필드의 의미에 대해 합의하지 못할 때 실패합니다.
- 연결된 금융 데이터는 AI가 의미 있는 변화와 일상적인 변동을 구분할 수 있게 합니다.
- 데이터 계약과 이벤트 기반 흐름은 AI 애플리케이션 자체보다 더 중요합니다.
AI는 금융의 미래를 논하는 거의 모든 대화에 등장하게 됐다. 조직들은 일상적인 업무를 자동화하고, 예측을 개선하며, 직원들이 더 빠르게 의사결정을 내릴 수 있도록 AI에 투자하고 있다. 이런 논의는 대부분 모델과 애플리케이션에서 시작된다. 하지만 내 경험상, 출발점은 그 시스템이 의존하는 데이터의 품질과 연결성, 거버넌스여야 한다.
나는 경력 내내 결제 인프라를 구축하고 확장해 왔으며, 가장 어려운 문제는 알고리즘인 경우가 거의 없었다. 회계 플랫폼, 은행, 급여 서비스 제공업체와 결제망이 동일한 사업상 사건을 같은 방식으로 표현하도록 하는 데 필요한 기반 인프라가 진짜 어려운 과제였다.
이 문제는 금융 분야에서 특히 두드러진다. 회계, 은행 업무, 급여, 송장 발행, 결제는 모두 사업 의사결정에 영향을 미치는 정보를 만들어 낸다. 이러한 시스템이 서로 독립적으로 작동하면 데이터 환경이 파편화되어 AI가 조직 전반의 맥락을 파악하기가 훨씬 어려워진다. AI는 개별 시스템 안에서 패턴을 찾아낼 수 있지만, 조직의 재무 상황을 연결된 관점에서 파악하지 못하면 기업 전반에서 무슨 일이 일어나는지 신뢰성 있게 설명할 수 없다. Melio 초창기에 우리는 사소해 보이지만 실제로는 그렇지 않은 문제를 마주했다. ‘지급 완료’란 무엇을 의미할까? 고객이 월요일에 결제를 승인한다. 화요일에는 계좌에서 자금이 빠져나간다. 목요일에는 공급업체의 은행에서 그 자금을 사용할 수 있게 된다. 다음 주에는 해당 거래가 송장과 대조된다. 시점은 네 가지이고 ‘언제 지급되었는가’에 대한 타당한 답도 네 가지지만, 어느 것도 틀리지 않다. 회계 담당자는 이런 모호함을 별다른 생각 없이 처리한다. 하지만 ‘지급일’을 단일 필드로 취급하는 예측 모델은 시점에 관해 확신에 차 있으면서도 체계적으로 틀린 예측을 내놓는다. 현금 흐름 예측에서 반드시 정확해야 하는 것이 바로 시점인데도 말이다. 이러한 시스템을 연결하는 것이 필요한 첫 단계였다. 각 필드의 의미에 합의하도록 한 것이야말로 그 연결에 실질적인 가치를 부여했다. 금융 분야에서 ‘AI 활용 준비’는 연결된 데이터에서 시작한다. 그리고 시스템들이 동일한 사건을 같은 방식으로 표현할 때에만 진정한 연결이라고 할 수 있다.
가시성이 높아지면 의사결정도 나아진다
금융 데이터를 연결해야 할 필요성이 점점 더 커지고 있다. Xero의 Small Business Insights 보고서에 따르면 미국의 소기업은 대금을 받기까지 평균 29.3일을 기다리는 반면, 연간 매출 성장률 4.0%는 여전히 장기 평균을 밑돌고 있다. 결제 시점과 지출, 수요가 모두 서로 독립적으로 움직이는 상황에서 조직은 각 신호를 따로 분석하는 대신 서로 연결할 수 있는 시스템을 필요로 한다. 이는 대기업의 자금 관리 업무뿐 아니라 직원 10명 규모의 사업체에도 똑같이 해당한다.
분기가 끝나기 전에 직원을 한 명 더 채용할 수 있을지 결정해야 하는 기업을 생각해 보자. 이 결정에는 오늘의 은행 잔액뿐 아니라 예상되는 고객 대금, 급여 지급 의무, 정기 지출, 다가오는 세금 납부 의무와 예상 매출도 고려된다. 어느 하나의 지표만으로는 신뢰할 만한 답을 얻을 수 없다. 이러한 정보를 한데 모으면 경영진은 재무 상황을 더 명확히 파악할 수 있고, AI도 의미 있는 추론의 기반을 얻는다. 자동화에는 거래 데이터 접근이 필요하다. 추론에는 맥락이 필요하다.
재무팀은 의미 있는 분석을 시작하기도 전에 매달 초반을 시스템 간 데이터 대조에 써야 할 수 있다. 전체 상황을 파악할 때쯤이면 이해하려는 현금 흐름의 변화가 이미 몇 주 전의 일이 되어 있을지도 모른다. 연결된 데이터는 바로 이러한 시차를 줄일 수 있다.
AI는 비즈니스를 이해할 때 가치를 더한다
금융 분야의 1세대 AI는 효율성에 초점을 맞췄다. 거래를 분류하고, 송장을 처리하며, 팀이 일상적인 업무를 더 빠르게 마치도록 돕는 것이었다. 이러한 기능은 여전히 가치를 제공하지만, 기대치는 업무 자동화에서 맥락을 고려한 의사결정 지원으로 옮겨가고 있다. 여기에는 현금 흐름 위험을 더 일찍 파악하고, 예측 정확도를 높이며, 결제 행태나 지출 또는 매출 패턴의 변화가 미래 실적에 어떤 영향을 미칠지 이해하는 일이 포함된다.
이를 실현하려면 AI가 맥락을 고려해 금융 데이터를 분석해야 한다. 거래의 의미는 주변 상황에 따라 달라진다. 지출 증가는 과소비를 뜻할 수도 있고 계절적 수요에 대비한 재고 구매를 반영할 수도 있다. 현금 보유액 감소는 유동성 압박의 신호일 수도 있고 분기별 세금 납부 시점에 따른 현상일 수도 있다. AI가 과거 거래, 현금 보유 현황, 미수금과 운영 신호 전반의 패턴을 연결해 의미 있는 변화와 일반적인 변동을 구분할 수 있을 때 비로소 가치를 발휘한다.
올바른 기반 구축
금융 분야의 AI 도입을 검토하는 기술 리더가 던져야 할 핵심 질문은 어떤 애플리케이션을 먼저 배포할지가 아니라, 기반 데이터 환경이 해당 애플리케이션에 필요한 완전하고 시의적절한 맥락을 제공할 수 있는지 여부다. 이러한 시스템을 구축할 때 특히 중요한 투자는 다음과 같다.
통합을 단순한 연결이 아니라 계약으로 다루라. 회계 플랫폼과 결제 시스템을 한 번 동기화하는 것만으로는 시간이 지나면서 데이터가 어긋나게 된다. 스키마, 필드 정의, 최신성 보장 등을 명시한 데이터 계약을 정의해야 한다. 그래야 상위 시스템이 변경되더라도 하위 AI의 성능이 눈에 띄지 않게 저하되는 일을 막을 수 있다.
일괄 대사에서 이벤트 기반 데이터 흐름으로 전환하세요. 재무 데이터를 매주 또는 매월 대사한다면, AI는 오래된 정보를 바탕으로 예측하게 됩니다. 거래가 발생하는 즉시 전파하는 이벤트 기반 파이프라인을 구축하면 모델이 변화를 조기에 감지하는 데 필요한 최신 데이터를 제공할 수 있습니다.
재무 지표를 위한 의미 계층을 구축하세요. ‘현금 포지션’, ‘미수금’ 및 ‘매출’은 모든 시스템에서 같은 의미여야 합니다. 정의가 일관되지 않으면 AI는 자신 있게 답변을 내놓더라도 팀마다 그 답변을 다르게 해석하게 됩니다.
AI의 결과를 실제 정답과 대조해 평가하세요. 장부는 금융 분야가 대부분의 AI 영역보다 유리한 점입니다. 검증 가능한 기록이 있기 때문입니다. AI가 생성한 재무 인사이트도 주니어 애널리스트의 업무와 같은 기준으로 평가해야 합니다. 실제 수치와 대조해 검증하고, 시간이 흐르면서 정확도를 측정해야 합니다. AI 추천에 대한 신뢰는 측정을 통해 얻는 것이지, 주장만으로 확보되는 것이 아닙니다.
이러한 투자는 그 기반 위에 구축되는 AI 애플리케이션만큼 주목받지는 않지만, 애플리케이션의 작동 여부를 좌우합니다.
진정한 차별화 요소
AI가 재무 관리에 내재화되면서 기술적 과제는 개별 모델이 무엇을 할 수 있는지에서, 더 폭넓은 재무 데이터 아키텍처 안에서 모델이 얼마나 효과적으로 작동하는지로 옮겨가고 있습니다.
데이터 연결에 투자하는 조직은 현금 흐름의 변화를 더 일찍 파악하고 AI가 생성한 예측을 더 신뢰할 수 있습니다. 차이를 만드는 것은 모델이 아닙니다. 모델을 뒷받침하는 데이터입니다.












