생성형 AI를 사용해 보셨나요? 최근 화제가 된 '지브리 이미지 만들기'로 한층 더 생활 가까이 다가온 기분입니다. 일상 생활 뿐 아니라 많은 업종과 분야에서도 AI는 적극적으로 활용되기 시작하는 중입니다. 고객 응대 자동화, 이미지 및 영상 제작, 문서 작성 등 어떤 툴보다 업무 생산성 향상이란 측면에서 '변곡점'을 주는 듯한 느낌입니다.

FP&A 팀에 AI를 도입했을 경우에 대한 이점은 이전 콘텐츠로 설명했는데요.

[FP&A 팀의 시간낭비 요소, AI로 해결하기]

AI의 도입이 재무 분야에서도 생산성을 높여주리라는 확신에는 변함이 없지만, 재무 분야의 특성상 '아무 AI'나 활용할 수는 없는 일입니다. FP&A팀이 사용해야 할 AI는 어떤 조건을 갖추고 있을까요?

LLM(Large Language Model) 기반 생성형 AI의 맹점

1. “말은 되지만, 숫자는 틀릴 수 있다”

생성형 AI는 우리가 질문을 하면, 어떤 문제라도 알아듣고 답변을 해줍니다. 그것이 틀린 답변일지라도 말입니다. 2024년 한 연구에 따르면, AI가 만들어낸 정보 10개 중 3~9개는 틀릴 수 있다고 합니다.

LLM 기반 생성형 AI의 '환각률(hallucination rate)'의 수치(*)

• GPT-3.5: 39.6%

• GPT-4: 28.6%

• Google Bard: 91.4%

(*)출처: [PubMed - Hallucination Rates and Reference Accuracy of ChatGPT and Bard for Systematic Reviews: Comparative Analysis]

실제로 Microsoft는 Bing에 ChatGPT 기반 AI 기능을 도입하며 데모를 진행할 때, 재무 보고서를 요약하며 총이익률과 영업이익률 등의 수치를 부정확하게 전달(**)했던 사례도 있습니다.

(**)출처: [PC MAG - Demo of Microsoft's AI-Powered Bing Included Several Small Mistakes]

보고서 자체가 깔끔하더라도 숫자의 단위, 쉼표 하나만 틀려도 신뢰성을 잃는 회계와 재무 보고서에서 이러한 환각률은 큰 리스크를 줄 수 있습니다.

2. 학습이라는 이름의 유출

생성형 AI는 데이터를 '학습'합니다. 이를 통해 AI 자체의 발전을 도모하기 때문인데요. 문제는 '학습'한 데이터가 어떻게 사용되거나 저장되는지 알 수 없다는 겁니다.

실제 2023년 삼성전자는 소스코드 리뷰에 ChatGPT를 활용하다 민감한 내부 코드가 외부로 유출되는 사고를 겪고, 사내에서 ChatGPT 사용을 전면 금지(***)하는 정책을 세우기도 했습니다.

(***)출처: [이코노미스트 - [단독] 우려가 현실로…삼성전자, 챗GPT 빗장 풀자마자 ‘오남용’ 속출]

재무팀이라면 이런 유출 문제에 더욱 경각심을 가질 수 밖에 없습니다. 재무데이터는 단순한 숫자가 아닌, 기업의 전략과 의도가 포함된 민감한 정보로서 그 중요도가 다른 정보와는 다르기 때문입니다.

“FP&A를 위한 AI”가 가져야 할 조건

앞서 말한 내용들 때문에 FP&A를 위한 AI는 생성형 AI와는 다른 선결 조건이 필요합니다.

첫째, 틀린 숫자를 말하지 않을 것.

둘째, 데이터에 대한 보안을 철저히 지킬 것.

숫자에 대한 리스크와 보안에 대한 리스크가 철저히 배제되고, 무결성과 신뢰성을 가진 AI가 필요합니다.

FP&A에는 LLM(Large Language Model)이 아닌 “규칙기반” AI가 필요하다.

앞서 살펴본 것과 같이 정확한 데이터와 엄격한 규칙 적용을 선결 조건으로 가진 재무와 회계 데이터를 다루는 것에 사용자의 언어와 상황에 영향을 받는 LLM 기반의 AI는 한계를 가질 수 밖에 없습니다. 하지만, 파이넥스의 규칙기반 AI는 정확한 데이터와 엄격한 규칙 적용을 기반으로 데이터를 다룹니다.

1. ERP 원장 데이터 기반의 분석과 무결성 검증

파이넥스는 정확한 수치 제공을 위한 회계 기준 기반의 자동화 로직을 도입하였습니다. ERP에 기록된 회계 전표(원장) 데이터를 기반으로 재무 분석을 수행합니다. 모든 수치는 AI 기반의 정합성 검증 로직을 통해 확인되며, 오류 발생 시 데이터 원천까지 추적하여 정확성을 재점검합니다.

2. 근거 기반의 자동화 = 규칙기반(Rule-Based) AI 로직

파이넥스의 자동화는 불확실한 추정이 아닌, 검증된 회계 원칙과 재무 기준에 따라 작동합니다. 이는 사전 정의된 수식과 조건에 따라 작동하는 규칙기반(rule-based) AI 로직으로, CPA와 CFO가 신뢰할 수 있는 재현 가능하고 설명 가능한 자동화입니다.

예) KPI 분석 자동계산, 계정 분류 기준 자동 적용 등

3. LLM 기반 AI와의 차별점

파이넥스는 LLM(대형언어모델)처럼 확률 기반 추론이 아닌, ERP 기반 숫자 로직에 최적화된 정확성 중심 AI입니다. 필요 시, LLM은 보조적으로 설명/요약/추천의견 제시 등에 활용되지만, 재무수치 산출에는 항상 정량 기반 rule-based 로직만을 적용합니다.

4. 데이터 보안과 사용자 주도형 접근 원칙

파이넥스는 고객의 데이터를 외부로 전송하지 않으며, 고객의 직접 동의 없이는 원장 데이터 접근이 불가능합니다. 모든 데이터는 암호화 저장되며, 거래처 및 적요 등 민감 데이터는 AI 자동 삭제 기능을 포함한 철저한 내부 보안 정책이 적용됩니다.

[파이넥스의 도입방법] [파이넥스의 보안정책]]

대 AI 시대, 재무분야에서 만큼은 ‘재무 전문 AI’가 필요합니다. 지금도 많은 재무팀은 파이넥스로 정확하고, 안전하게 AI를 사용 중입니다. AI 도입을 고려 중이라면, 파이넥스 FP&A 솔루션을 도입하세요.