AI 업무자동화, 마지막 20%의 예외 처리가 성패를 가른다
송장 한 장에서 시작하는 에이전틱 AI와 기업 AX
송장을 읽어 엑셀에 옮기는 일은 자동화했는데, 담당자의 야근은 줄지 않는다. 거래처 품번이 사내 품번과 다르거나, 발주번호 뒤에 납품처 이름이 붙어 있거나, 포장 단위가 달라 시스템이 처리를 멈추기 때문이다. 이런 예외가 생길 때마다 사람이 자료를 찾고 값을 고친 뒤 다시 입력한다.
기업의 AX, 즉 AI를 활용한 업무 전환에서 주목할 지점이 여기에 있다. 문서를 얼마나 빨리 읽는가에 더해, 읽은 정보가 기존 업무 시스템에서 실제로 처리되도록 만드는 과정까지 설계해야 한다. 제목의 '마지막 20%'는 특정 기업의 예외 비율이 아니라, 자동화를 끝까지 연결하기 어려운 구간을 뜻한다.
1. 문서를 읽는 AI에서 예외 해결을 돕는 AI로
문자인식 기술인 OCR은 문서 속 글자를 데이터로 바꾼다. 그러나 '무엇이라고 적혀 있는가'를 알아내는 것과 '우리 회사에서 어떤 항목으로 처리해야 하는가'를 판단하는 것은 별개의 문제다.
예를 들어 송장에 'ABC-100 / 부산공장'이라고 쓰여 있어도 사내 발주번호는 'ABC-100'일 수 있다. 이때 필요한 것은 더 정교한 문자 추출만이 아니다. 거래처 정보와 발주 내역을 조회하고, 승인된 처리 기준에 따라 일치 여부를 확인하는 절차다.
AI 에이전트는 주어진 목표에 맞춰 필요한 자료와 도구를 활용해 업무 단계를 수행하는 소프트웨어다. 실무에서는 정해진 순서로 실행되는 자동화 흐름에 AI의 문서 해석과 후보 제안을 결합할 수 있다. Microsoft의 공식 문서도 자동화 흐름 안에서 문서 처리, 외부 시스템 연결, 사람의 승인을 함께 구성하는 방식을 설명한다.[2]
여기서 권하는 설계 원칙은 분명하다. 숫자 계산과 필수 조건 검사는 프로그램이 수행하고, 표현이 다른 문서의 해석은 AI가 돕도록 한다. 최종 실행 여부는 회사가 정한 규칙과 승인 절차로 결정한다.
2. 실제 사례: Asurion은 송장 자동화의 병목을 어떻게 풀었나
2026년 10월 8일 Microsoft가 공개한 Asurion 고객 사례는 이런 접근을 보여준다. 이 회사는 거래처 품번과 내부 품번의 불일치 등으로 송장 자동처리에 어려움을 겪었다. 기존 송장 수집 과정에 Copilot Studio 에이전트를 넣고, Power Automate로 오류 정보를 전달해 정해진 지침에 따라 수정·재처리하도록 구성했다.
발표에 따르면 초기 두 거래처에서 20% 미만이던 무인 처리율은 개선 과정에서 북미·남미 공급업체 대상으로 70%를 넘었다. 비교 대상 범위가 확대된 수치이며, 전체 업무시간이나 비용이 같은 비율로 줄었다는 의미는 아니다. 독립적인 검증 결과가 아닌 공급업체의 고객 사례 발표라는 점도 고려해야 한다. MCP라는 시스템 연결 기술의 활용은 당시 품질검증 환경에서 시험 중이었다.[1]
이 사례에서 얻을 수 있는 시사점은 기존 시스템을 교체하기 전에 반복적으로 발생하는 예외의 원인을 살펴보라는 것이다. AI가 개입할 지점을 좁히면 도입 범위와 검증 부담도 구체화할 수 있다.
3. 국내 제조기업이라면 '거래명세서 대조'부터
다음은 국내 전기부품 제조기업을 가정한 적용 예시다. 실제 구축 실적이나 검증된 성과를 뜻하지 않는다.
구매 담당자가 거래명세서를 받으면 시스템은 공급업체, 품번, 수량, 단가, 발주번호를 추출한다. 이후 전사적자원관리 시스템인 ERP의 발주·입고 정보와 비교한다. 정상 건은 정해진 절차로 보내고, 불일치 건만 별도로 분류한다.
| 상황 | AI와 시스템의 역할 | 담당자가 확인할 지점 |
|---|---|---|
| 거래처 품번과 사내 품번이 다름 | 승인된 품번 대응표에서 후보 조회 | 대응표에 없는 신규 품목 |
| 발주번호에 부가 문구가 붙음 | 원문을 보존하고 정규화한 번호 대조 | 둘 이상의 발주가 후보인 경우 |
| 상자와 개수 등 단위가 다름 | 등록된 포장 단위로 수량 환산 | 환산 기준이 없거나 변경된 경우 |
| 단가 또는 입고 수량이 다름 | 차이와 관련 문서를 묶어 검토 요청 | 계약 변경, 분할 납품 여부 |
품번이 비슷하다는 이유만으로 같은 부품으로 처리해서는 안 된다. 정격전압이나 허용오차가 다른 부품은 이름이 유사해도 대체할 수 없다. AI가 제시한 후보에는 원문과 조회 근거를 붙이고, 근거가 없으면 확인 요청으로 넘기도록 설계해야 한다.
4. 기대 효과는 '자동화율'과 '오류 비용'을 함께 봐야 한다
기대할 수 있는 변화는 반복 조회와 재입력의 감소, 예외 사유의 체계적인 기록, 담당자의 검토 대상 축소다. 다만 자동처리 건수를 늘리는 것만으로 성과를 판단하면 잘못된 연결을 놓칠 수 있다.
핵심 지표는 전체 접수 건 중 사람이 수정하지 않고 정확하게 완료한 비율, 담당자의 실제 검토시간, 잘못 처리된 비율, 건당 총비용이다. 무인 처리율은 표본 감사로 정확성을 함께 확인해야 한다.
효과 계산도 회사 자료에서 출발해야 한다. 가령 월 1,000건의 검토시간이 평균 6분에서 3분으로 줄었다면 월 50시간의 작업 여유가 생긴다. 이는 설명을 위한 가정이며 인건비 50시간분이 곧바로 절감된다는 뜻은 아니다. 이 시간에서 추가 오류 처리와 운영 시간을 빼고, 이용료·연동 개발비·유지보수비까지 반영해야 사업성이 드러난다.
5. 한계는 AI의 오답뿐 아니라 회사 데이터에도 있다
품번 대응표가 오래됐거나 발주 기록이 틀리면 AI도 잘못된 근거를 따라갈 수 있다. 문서에 포함된 외부 문구를 실행 지시로 받아들이지 않도록 입력 데이터와 운영 지시를 분리하고, 업무에 필요한 범위로 접근 권한을 제한하는 설계도 필요하다.
거래처 계좌 변경, 신규 품목 등록, 단가 변경과 같은 처리는 별도의 승인 대상으로 두는 편이 합리적이다. 같은 문서가 다시 접수돼도 중복 등록되지 않게 하고, 어떤 자료와 기준으로 처리했는지 기록해야 한다. 서비스 이용량 한도에 도달하거나 시스템 연결이 끊겼을 때 수동 처리로 이어갈 경로도 마련해야 한다. 공식 문서에 따르면 Copilot Studio의 자동화 실행에는 사용량이 발생하고, 용량 부족으로 신규 실행이 중단될 수 있다.[2]
6. 첫 한 달은 예외 한 종류를 줄이는 데 집중하자
첫째 주에는 최근 처리 문서를 살펴보고 예외 사유와 소요시간을 기록한다. 둘째 주에는 자주 발생하면서 판단 기준이 명확한 예외 하나를 골라, AI가 수정안을 제안하되 실제 등록은 하지 않는 방식으로 시험한다.
셋째 주에는 사람이 실제로 처리한 결과와 비교해 오답 원인과 검토 부담을 확인한다. 넷째 주에는 회사가 정한 정확성·권한·비용 기준을 충족한 범위만 제한적으로 실행하고, 나머지는 담당자에게 넘긴다.
이 칼럼이 제안하는 AX의 출발점은 담당자가 반복해서 멈춰 서는 구간을 찾는 일이다. 현장의 예외 사유를 데이터로 남기고, 해결 기준을 정리하며, 확인 가능한 범위부터 AI에 맡기는 과정이 지속 가능한 업무자동화의 기반이 된다.
참고 자료
[1] Microsoft Customer Stories, "Asurion gets invoice automation back on track with Microsoft Copilot Studio", 2026.10.8.
Asurion 송장 자동화 사례 원문
[2] Microsoft Learn, "Agent flows overview", 최종 수정 2026.11.4.
Agent flows 공식 문서
자료 확인일: 2026.11.5. 제품 기능과 이용 조건은 변경될 수 있다. 사례 수치는 발표 당시의 적용 범위를 기준으로 소개했다.