# 우리 가게 장부를 AI에게 보여 주면 다음 달 할 일까지 골라 줄까?

_장부를 읽는 AI는 쓸모가 있지만, 답 하나를 그대로 믿기는 이르다_

> 회사 7,505곳과 8만 5,078건의 기록을 분석한 실험에서 배운 모델이 범용 AI보다 앞섰다. 다만 범용 AI는 매출 처방의 84.2%를 한 가지에 몰았다.

- 종류: 칼럼
- 주소: https://aisitekorea.com/column/accounting-logs-ai-picks-next-move
- 발행: AI사이트코리아 (https://aisitekorea.com)
- 작성일: 2026-10-08

장부를 AI에게 보여 주는 일은 해볼 만하다. 여러 달의 숫자를 읽고 매출과 비용의 흐름을 정리하거나, 무엇을 바꿔 볼지 후보를 찾는 데는 쓸모가 있다. 하지만 AI가 고른 한 가지 처방을 바로 실행하는 것은 아직 이르다.

실험에서는 실제 회사 7,505곳의 회계 기록 8만 5,078건을 분석했다. 과거 기록에서 무엇이 효과가 있었는지 배운 모델이 지표별로 가장 높은 점수를 받았지만, 학습하지 않은 범용 AI는 매출 목표에서 84.2%를 같은 처방으로 몰았다.

장부를 읽는 AI도 목표를 먼저 정하지 않으면 흔한 처방을 되풀이한다.

## 장부를 보여 주면 AI는 무엇을 하나?

실험에서는 회사의 지난 몇 달 회계 보고서를 AI에게 보여 주고, 34가지 경영 변화 가운데 다음 달에 할 일 하나를 고르게 했다. 연구진은 그 처방이 일어난 달을 기준으로 앞 11개월과 뒤 11개월의 지표를 비교해 처방을 평가했다.

34가지 처방은 연구진이 임의로 만든 목록이 아니다. 실제 장부에서 광고비 증가, 구독 해지, 거래처 변경, 선금 수령 같은 변화를 찾아 목록으로 만들었다.

처음에는 44가지 변화가 잡혔다. 그중 학습 자료에서 한 회사와 안 한 회사가 각각 100건 이상인 34가지만 남겼다. 사례가 적은 처방은 우연히 좋아 보일 수 있기 때문이다.

| 항목 | 숫자 |
|---|---|
| 회사 수 | 7,505곳 |
| 회사-월 기록 | 8만 5,078건 |
| 회사당 판단 시점(중앙값) | 12개월 |
| 처음 잡힌 변화 / 남긴 처방 | 44가지 / 34가지(10개 분야) |
| 처방을 남긴 조건 | 한 회사·안 한 회사 각 100건 이상 |
| 채점 기간 | 처방한 달 앞 11개월 vs 뒤 11개월 |
| AI에게 준 회사 요약 글 길이(중앙값) | 약 2만 3,000자 |
| 처방 감지 정확도(1,000건 검수) | 95% |
| 시험용으로 떼어 둔 회사 기록 | 전체의 약 10% |

## 어떤 일을 고르라고 했나?

처방은 동네 가게에서도 충분히 생길 수 있는 일들이다. 광고비를 늘리거나 새 판매 경로를 열고, 거래처를 바꾸거나 은행·보험 수수료를 줄이는 일 등이 들어갔다.

자금 조달이나 선금 받기, 결제 대행사 바꾸기, 근무 시간 기록 도입처럼 현금 흐름이나 운영 방식에 관한 변화도 있었다. 회계 업무 흐름이나 지급 시점을 조정하는 처방도 포함됐다.

| 분야 | 처방 예 |
|---|---|
| 매출·영업 | 영업 인센티브 |
| 마케팅 | 광고비 늘리기 |
| 판매 경로·상품 | 새 판매 경로 열기 |
| 구독 | 구독 해지 |
| 거래처·구매 | 거래처 바꾸기·합치기 |
| 비용 절감 | 은행·보험 수수료 줄이기 |
| 인건비 | 교육비 늘리기 |
| 현금 흐름·자금 | 자금 조달, 선금 받기 |
| 운영 도구 | 결제 대행사 바꾸기, 근무 시간 기록 도입 |
| 회계·신고 | 회계 업무 흐름, 지급 시점 조정 |

처방 감지 정확도는 1,000건을 따로 확인했을 때 95%였다. 다만 이 숫자는 잡힌 변화가 실제 변화였는지만 본 것이고, 실제로 일어난 변화를 AI가 얼마나 놓쳤는지는 측정하지 않았다.

## 그래서 범용 AI가 가장 잘했나?

그렇지는 않았다. 과거 기록에서 처방별 효과를 배운 모델 두 가지와 보수적으로 가치를 계산하는 모델, 학습하지 않은 범용 AI, 가장 흔한 처방만 고르는 방식, 빈도대로 무작위로 고르는 방식을 비교했다.

매출총이익에서는 연구진의 새 방식이 0.084로 가장 높았고, 매출에서는 처방별로 따로 학습한 모델이 0.085로 가장 높았다. 당좌비율에서는 보수적 가치 모델이 0.062로 가장 높았다.

범용 AI의 점수는 매출총이익 0.031, 매출 0.070, 당좌비율 0.037이었다. 이 점수는 실제 매출이나 이익이 몇 퍼센트 올랐다는 뜻이 아니라, 같은 조건에서 어떤 방식이 더 나은 처방을 골랐는지 비교하기 위한 점수다.

| 방식 | 매출총이익 | 매출 | 당좌비율 |
|---|---|---|---|
| 연구진 새 방식(배운 모델) | 0.084 | 0.079 | 0.007 |
| 처방별 따로 학습(배운 모델) | 0.074 | 0.085 | 0.018 |
| 보수적 가치 모델 | 0.048 | 0.059 | 0.062 |
| 범용 AI(학습 없음) | 0.031 | 0.070 | 0.037 |
| 늘 가장 흔한 처방 | 0.038 | 0.038 | 0.043 |
| 빈도대로 무작위 | 0.022 | 0.018 | 0.020 |

## 왜 AI가 비슷한 답을 반복했나?

범용 AI의 답이 한쪽으로 몰린 점이 눈에 띈다. 매출을 목표로 했을 때 시험 회사 기록 7,633건 가운데 84.2%에서 같은 처방을 골랐다.

회사의 요약 글은 중앙값으로 약 2만 3,000자였다. 그런데도 회사마다 다른 답을 고르기보다 같은 처방을 반복했다.

반대로 과거 기록을 배운 두 모델은 평균 점수가 비슷해도 서로 같은 처방을 고른 경우가 많지 않았다. 두 모델이 같은 처방을 낸 비율은 지표별로 10.7~14.2%였다.

| 방식 | 매출총이익: 고른 처방 종류 / 1위 처방 비중 | 매출: 고른 처방 종류 / 1위 처방 비중 |
|---|---|---|
| 연구진 새 방식 | 34가지 / 13.8% | 33가지 / 18.7% |
| 처방별 따로 학습 | 22가지 / 25.2% | 22가지 / 30.1% |
| 범용 AI | 18가지 / 39.5% | 20가지 / 84.2% |

| 두 모델이 같은 처방을 낸 비율 | 숫자 |
|---|---|
| 매출총이익 | 12.8% |
| 매출 | 14.2% |
| 당좌비율 | 10.7% |
| 매출총이익 점수 차(95% 구간) | 0.010(−0.008~0.028) |
| 매출 점수 차(95% 구간) | −0.006(−0.025~0.012) |

이 차이는 사장님에게 중요한 부분이다. AI가 그럴듯한 경영 상식을 말하는 것과, 실제 회사들이 무엇을 바꾼 뒤 숫자가 어떻게 달라졌는지를 바탕으로 후보를 고르는 것은 다르다.

## 그럼 장부를 AI에게 보여 줘도 되나?

보여 주는 것 자체는 해볼 만하다. 특히 여러 달의 장부를 읽고 매출 추이, 거래처와 고객의 쏠림, 외상 매출과 외상 매입, 현금 흐름, 이상 거래를 정리하는 용도로는 도움이 될 수 있다.

다만 질문을 막연하게 던지면 안 된다. 매출을 늘리고 싶은지, 이익을 늘리고 싶은지, 통장에 쓸 수 있는 현금을 늘리고 싶은지 먼저 정해야 한다. 실험에서도 목표 지표에 따라 가장 높은 점수를 받은 방식이 달랐다.

AI에게 답 하나만 달라고 하기보다 후보를 여러 개 받고 각각의 근거를 확인하는 편이 낫다. 같은 기록을 보고 배운 모델끼리도 같은 처방을 고른 비율이 10.7~14.2%에 그쳤기 때문이다.

| 장부를 AI에게 보여 줄 때 | 이 실험이 근거 |
|---|---|
| 목표 지표 하나를 정해서 묻는다 | 지표마다 1위 방식이 달랐다(3개 지표, 1위 3곳) |
| 답 하나 대신 후보 3~5개와 이유를 받는다 | 배운 모델 둘도 같은 답 10.7~14.2% |
| 같은 답이 반복되면 의심한다 | 범용 AI 매출 처방 84.2%가 한 가지 |
| 적어도 12개월치 장부를 준비한다 | 회사당 판단 시점 중앙값 12개월, 앞뒤 11개월 비교 |
| 실행한 처방과 그 뒤 숫자를 적어 둔다 | 배운 모델은 「한 경우·안 한 경우」 각 100건 이상이 필요했다 |

## 우리 가게 기록만으로도 AI가 배울 수 있나?

가게 한 곳의 기록만으로는 어려움이 있다. 이번 실험에서 배운 모델은 많은 회사가 실제로 무엇을 바꿨고 그 뒤 숫자가 어떻게 달라졌는지를 학습했기 때문이다.

그래도 가게에서 무엇을 바꿨는지와 그 뒤 숫자가 어떻게 됐는지를 계속 적어 두는 것은 의미가 있다. 실험에서도 한 처방을 남기려면 그 처방을 한 회사와 하지 않은 회사가 각각 100건 이상 필요했다.

따라서 지금 장부를 AI에게 보여 줄 때는 정답을 받는 것보다 우리 가게의 기록을 정리하고 다음에 비교할 기준을 만드는 데 더 큰 기대를 두는 편이 맞다.

## 다른 가게들은 AI를 얼마나 쓰고 있나?

미국에서는 소상공인의 AI 사용이 빠르게 늘고 있다. 퀵북스가 2026년에 낸 보고서에서는 미국 중소사업자의 AI 꾸준한 사용 비율이 18개월 전 48%에서 77%로 높아졌고, 장부 정리에 AI를 쓴다는 응답은 35%였다.

반면 한국 소상공인은 아직 출발선에 가깝다. 서울 소상공인 300곳을 조사한 결과 사업장에서 AI를 쓴다는 곳은 9.7%였고, 다른 500곳 조사에서는 디지털 기술 활용 수준이 입문·기초 단계라는 응답이 83.3%였다.

| 조사 | 숫자 |
|---|---|
| 퀵북스 2026 보고서(응답 3만 4,364건): 미국 중소사업자 AI 꾸준히 사용 | 48% → 77% |
| 같은 보고서: 장부 정리에 AI 사용 | 35% |
| 같은 보고서: AI로 매출이 늘었다 / 줄었다 | 43% / 2% |
| 중기중앙회 서울본부(2025.9, 서울 소상공인 300곳): 사업장에서 AI 사용 | 9.7% |
| 같은 조사: 도입 걸림돌 1위 비용 부담 | 69.0% |
| 중기중앙회(2026, 소상공인 500곳): 디지털 기술이 입문·기초 수준 | 83.3% |
| 같은 조사: 최근 3년 정부 디지털 지원사업 참여 | 3.2% |
| KISDI(2026.4): 단독 자영업자 생성형 AI 이용률 | 12.6% |

그래서 작은 가게에서는 AI에게 복잡한 경영 판단을 맡기기 전에 장부를 디지털로 정리하고, 최소한 12개월 정도의 기록을 한눈에 볼 수 있게 만드는 일이 중요하다. 이번 실험에서도 회사당 판단 시점의 중앙값은 12개월이었고, 처방 전후 11개월을 비교했다.

## 이 실험을 어디까지 믿어야 하나?

가장 큰 한계는 실제로 AI의 처방을 실행해 결과를 확인한 실험이 아니라는 점이다. 회사들이 스스로 선택한 변화를 나중에 분석한 관찰 자료이므로, 처방과 결과 사이의 원인을 완전히 확인할 수 없다.

한 달에 여러 변화가 동시에 일어난 경우에도 처방은 하나씩 평가했다. 점수 자체도 모델로 계산한 값이라 모델이 틀리면 점수도 흔들릴 수 있다.

범용 AI 역시 고정된 질문 틀로 한 번만 답하게 했다. 질문을 여러 방식으로 바꾸거나 여러 번 대화했을 때 결과가 달라지는지는 시험하지 않았다. 자료도 인튜이트 회계 프로그램을 사용하는 회사에서 나왔기 때문에 한국의 1인 가게에 그대로 적용할 수는 없다.

결국 AI에게 장부를 보여 주는 가장 현실적인 기대는 정리와 후보 찾기다. 「다음 달에는 이것 하나만 하세요」라는 답을 경영 판단의 정답으로 받아들이기보다, 목표를 정하고 여러 후보와 근거를 비교하는 도구로 쓰는 편이 맞다.

요점 ① 회사 7,505곳·8만 5,078건을 분석한 실험에서 배운 모델이 매출총이익 0.084, 매출 0.085, 당좌비율 0.062로 지표별 1위를 기록했다. ② 학습하지 않은 범용 AI는 매출 처방의 84.2%를 한 가지에 몰았고, 매출총이익 점수는 0.031로 가장 흔한 처방의 0.038보다 낮았다. ③ 배운 두 모델이 같은 처방을 고른 비율도 10.7~14.2%뿐이어서, 답 하나보다 후보를 여러 개 받는 편이 낫다. ④ 한국 소상공인의 AI 사용은 서울 조사에서 9.7%였고, 다른 500곳 조사에서는 83.3%가 디지털 기술 활용 입문·기초 수준이었다.

## 같이 읽을 글

 

- AI가 다 해주면, 사장님은 뭘 해야 할까?

- 다른 가게에서 잘된 AI 판단, 우리 가게에도 통할까?

- AI 순위표 1등이면 믿고 써도 될까?

- 작은 가게도 비싼 AI를 써야 할까?
 

## 자료 출처

 

- Observational Policy Ranking for SMB Financial Guidance from Multi-Action Accounting Logs(인튜이트 Foresight-AI·arXiv 2608.10050·2026년 8월 제출, 회사 7,505곳·회사-월 8만 5,078건)

- 같은 논문 HTML 본문(표 4·5·10, 한계와 결론)

- 2026 AI Impact Report(인튜이트 퀵북스·2026, 4개국 응답 3만 4,364건·결제 기록 530만 곳·시카고대 경제학자 공동)

- 77% of small businesses now use AI regularly(스태커·2026, 퀵북스 보고서 수치 정리: 마케팅 45%·고객 응대 37%·장부 35%)

- 서울 소상공인 10곳 중 9곳 「AI 안 쓴다」(더나은미래·중기중앙회 서울지역본부 2025.9 조사, 서울 소상공인 300곳)

- AI 쓰는 줄 알았더니 배달앱·POS가 전부…소상공인 83%는 「디지털 초보」(헤럴드경제·중기중앙회 2026 조사, 소상공인 500곳)