AI 회계 자동분류 — 은행거래를 계정과목에 자동으로

법인통장에서 3,300,000원이 출금됐다고 하자. 은행 거래내역에는 이 정도만 표시된다.

2026-08-31  출금 3,300,000원  적요: 주식회사 ABC

이 한 줄만 보고 계정과목을 결정할 수 있을까. 가능한 경우도 있지만 그렇지 않은 경우가 더 중요하다. 원재료 매입대금일 수도, 설비 수리비일 수도, 보증금 지급일 수도, 선급금일 수도, 이전에 발생한 외상매입금을 결제한 것일 수도 있다. 같은 거래처와 여러 종류의 거래를 한다면 거래처명만으로는 더 어렵다. 그래서 은행거래 자동분류를 “통장 적요를 보고 AI가 계정과목을 맞히는 기능”으로 이해하면 실제 회계업무를 지나치게 단순화하게 된다. 핵심은 통장 한 줄을 분류하는 게 아니라 은행거래가 어떤 실제 거래를 정산한 것인지 연결하는 것이다.

은행거래는 회계사건의 원인이 아니라 결과인 경우가 많다

원재료를 1,000만원어치 매입했다고 하자. 원재료 입고 → 거래처 매입채무 발생 → 세금계산서 수취 → 며칠 뒤 법인통장에서 1,000만원 지급으로 진행된다. 은행에서는 마지막 단계만 보인다 — -10,000,000원. 하지만 회계에서는 이미 원재료 매입이나 채무가 앞 단계에서 인식됐을 수 있다. 이 경우 은행거래를 보고 다시 원재료 / 보통예금처럼 새 매입거래를 만드는 건 중복처리가 된다. 실제 필요한 처리는 기존 외상매입금과 지급거래를 연결하는 외상매입금 / 보통예금일 수 있다.

즉 은행거래 자동화에서 첫 번째 질문은 “이 거래의 계정과목은 무엇인가?“가 아니라 “이미 시스템에 존재하는 어떤 거래와 연결되는가?” 가 되어야 한다.

자동분류보다 먼저 ’매칭’을 생각한다

회계 자동화에서는 분류와 매칭을 구분하면 구조가 훨씬 명확해진다. 매칭은 이미 존재하는 거래를 찾는 작업이다.

매출채권 3,000,000  → 고객 입금 3,000,000
매입채무 1,200,000  → 공급업체 지급 1,200,000
법인카드 미지급금    → 카드대금 출금
급여 지급예정액      → 직원 급여 이체

반면 분류는 대응되는 선행 거래가 없는 은행내역의 성격을 판단하는 작업이다 — 은행수수료·이자수익·일부 공과금·반복비용 등이 이에 가깝다. 가능하다면 시스템은 먼저 기존 채권·채무·증빙·지급요청과 매칭하고, 매칭되지 않는 거래에 대해서만 분류를 시도하는 편이 회계적으로 자연스럽다.

3,300,000원 출금을 다시 보자

주식회사 ABC로 3,300,000원이 출금됐고, 시스템에 ABC 미지급 매입채무 3,300,000 / 세금계산서 공급대가 3,300,000 / 지급예정일 8월 31일 / 지급계좌 = 현재 은행계좌가 있다고 하자. 이 경우 AI가 계정과목을 새로 추측할 필요가 거의 없다. 거래처·금액·지급일·미결채무가 일치하므로 기존 매입채무와 매칭할 수 있다. 이것이 회계 자동화에서는 훨씬 강한 근거다. 반대로 동일 금액의 미결채무가 여러 건 있거나 부분지급이라면 추가 판단이 필요하다.

금액이 같다고 같은 거래는 아니다

자동매칭에서 흔히 쓰는 조건이 금액이지만 금액만으로 연결하면 위험하다. 같은 거래처에 매달 1,100,000원을 지급할 수도, 서로 다른 거래처에서 우연히 같은 금액이 입금될 수도, 여러 세금계산서를 한 번에 합산 지급할 수도, 1,000만원 채무 중 600만원만 부분지급할 수도, 수수료를 차감한 금액이 입금될 수도 있다. 따라서 매칭점수는 상황에 따라 거래처 · 금액 · 거래일 · 예정일 · 증빙번호 · 계약번호 · 미결채권채무 · 과거 지급패턴을 함께 쓸 수 있다. 머신러닝으로도, 점수기반 Rule로도 구현할 수 있다. 중요한 건 기술의 이름보다 왜 이 거래를 연결했는지 설명할 수 있는가다.

적요 키워드는 유용하지만 회계근거 전체가 될 수 없다

“적요에 전기가 있으면 전기요금” 같은 Rule은 반복거래를 빠르게 찾는 데 유용하다. 하지만 한 단계 더 필요하다. 한국전력에 지급했다고 모든 금액을 같은 비용계정으로 처리할 수 없다 — 공장 전력이라면 제조간접비로, 본사 사무실 전력이라면 판매관리비 성격일 수 있고, 사업장별 전력비가 한 번에 청구될 수도 있다. 그래서 자동화에서는 거래상대방 → 거래유형 후보 → 사업장·부서·원가센터 → 계정과목처럼 회계 맥락을 추가로 볼 수 있다. 계정과목 하나를 맞히는 것보다 어느 조직과 어느 원가대상에 귀속되는지가 관리회계에서는 더 중요할 수 있다.

세금계산서가 있으면 은행거래보다 더 강한 근거가 된다

은행에서 5,500,000원이 출금됐고 같은 시기에 거래처로부터 공급가액 5,000,000원·부가세 500,000원의 세금계산서를 수취했다면, 통장 적요만 분석하는 것보다 세금계산서와 매입거래를 함께 확인하는 게 더 많은 정보를 준다 — 거래처·공급가액·세액·작성일자·품목이 이미 존재하기 때문이다. 국세청도 전자세금계산서를 별도의 세법상 증빙체계로 관리하며 발급·전송 및 기재내용 의무와 가산세 규정이 있다. 그래서 회계 자동화는 은행데이터만 읽는 구조보다 은행 + 전자세금계산서 + 카드 + ERP 거래 + 채권채무를 연결하는 방향이 더 강하다. 세금계산서가 있다는 사실이 회계처리를 자동으로 확정한다는 뜻은 아니지만, 은행 적요보다 풍부한 거래근거가 된다.

입금이라고 모두 매출은 아니다

법인통장에 1억원이 입금됐다고 금액이 크다고 매출로 분류하면 큰 오류가 난다. 대출금·차입금·보증금 반환·부가세 환급금·다른 계좌에서의 이체·매출채권 회수일 수도 있다. 그래서 입금 = 매출로 학습시키면 안 된다. 먼저 내부 계좌 간 이체인지, 미결 매출채권과 매칭되는지, 금융거래인지, 세금 관련 입금인지를 확인해야 한다. 은행거래 분류에서 가장 위험한 오류 중 하나가 현금흐름과 손익을 같은 것으로 보는 것이다.

출금이라고 모두 비용도 아니다

마찬가지로 5,000만원이 나갔다고 비용 5,000만원이 발생한 게 아닐 수 있다. 대출원금 상환·설비 구입(자산 인식)·보증금 지급·기존 매입채무 결제·다른 회사계좌로의 이동일 수 있다. 그래서 AI 회계분류에서 최소한 Cash Flow와 Expense는 같은 것이 아니다를 분리해야 한다. 은행거래는 자금의 이동을 보여주지만 회계는 그 이동의 경제적 성격을 판단한다.

하나의 은행거래가 여러 회계항목으로 나뉠 수도 있다

법인카드 결제대금 7,500,000원이 한 번에 출금되면 은행에는 한 줄이지만 카드 사용내역에는 운반비·소모품비·접대비·출장비·통신비 등 여러 거래가 들어 있을 수 있다. 은행 한 줄을 하나의 계정과목으로 분류하면 안 되는 대표 사례다. 급여이체도 비슷하다 — 은행에서는 총 지급액 하나지만 급여회계에서는 직원별 급여·예수금·공제항목이 이미 별도 계산돼 있다. 그래서 자동화 시스템은 은행거래를 무조건 1 transaction = 1 account로 가정하지 않아야 한다.

반대로 여러 은행거래가 하나의 거래를 정산할 수도 있다

외상매입금 1,000만원을 300 + 400 + 300으로 나눠 지급하면 세 개의 은행거래가 하나의 채무와 연결된다. 고객이 여러 번 나눠 입금하는 경우도 같다. 회계 자동매칭에서는 1:1뿐 아니라 1:N, N:1, N:N 관계가 발생할 수 있다. 이 때문에 단순 키워드 분류보다 미결채권·채무 관리가 중요하다.

Rule과 AI의 역할을 다시 나눈다

명확한 반복거래에는 Rule이 강하다 — 특정 계좌에서 매달 동일한 대출이자가 빠지고 계약정보가 연결돼 있다면 Rule 기반 처리가 안정적이고, 특정 PG사의 입금이 정산자료와 연결된다면 정산 Rule이 더 중요하다. 반면 적요가 일정하지 않고 과거 거래패턴과 여러 특성을 함께 봐야 한다면 머신러닝 기반 추천을 쓴다. 이 경우에도 AI가 바로 회계전표를 확정하기보다 후보를 제시하는 방식이 적합하다.

명확한 거래 → Rule 또는 직접 매칭
애매한 거래 → AI 추천
근거 부족   → 사람 확인

AI는 Rule이 부족한 곳을 채우는 도구이지 모든 회계판단을 대체하는 상위 계층이라고 볼 필요는 없다.

’AI 신뢰도 95%’만으로 자동확정하면 안 된다

시스템이 “지급수수료 95%“라고 추천했다면 95라는 숫자가 무엇을 뜻하는지 먼저 확인해야 한다 — 모델 내부의 상대적 Confidence일 수도, 실제 95% 확률을 잘 보정한 값이 아닐 수도 있다. 그래서 자동처리 기준을 정할 때 모델점수 하나만 쓰기보다 거래금액 · 계정과목 위험도 · 세금영향 · 거래처 · 근거 데이터의 수 · 과거 오류이력을 함께 고려하는 게 좋다. 9,900원 은행수수료와 5억원 자산취득 거래를 같은 자동화 기준으로 처리할 이유는 없다.

’큰 금액은 사람이 본다’도 조금 더 정교하게

큰 금액은 반드시 사람이 확인한다는 방향은 이해하기 쉽지만 금액만으로 위험을 판단하면 부족하다. 매달 반복되는 1억원 임차료는 근거가 매우 명확할 수 있고, 반대로 30만원짜리라도 세무상 민감하거나 처음 보는 거래처라면 확인이 필요하다. 그래서 자동승인 기준은 금액 · 거래유형 · 신규 거래처 여부 · 세무영향 · 증빙 존재 · 매칭 신뢰도 · 계정변경 빈도를 조합하는 편이 현실적이다. 핵심은 High Amount = High Risk라는 한 가지 Rule이 아니라 회계적으로 잘못 처리됐을 때의 영향도다.

자동분류와 자동분개는 같은 기능이 아니다

은행거래에서 “이 거래는 외상매입금 지급 같다”고 판단하는 건 분류·매칭 단계이고, 그다음 실제 분개를 생성하는 건 별도 단계다. 거래유형: 외상매입금 지급이 확정되면 회사의 Account Mapping Rule에 따라 차변 외상매입금 / 대변 보통예금 전표를 생성한다. 이때 중요한 건 AI가 직접 계정코드를 임의로 쓰는 구조보다 Transaction Type → Accounting Rule → Account Mapping 구조다. 그래야 회사가 계정정책을 바꿔도 AI 모델 전체를 재학습하지 않고 회계 Rule을 변경할 수 있고, 어떤 규칙으로 어떤 전표가 생성됐는지도 추적된다.

자동분개와 연결되는 지점이다

자동분개에서 중요한 것은 실제 업무 Event가 무엇인지 먼저 정의하는 것이었다. 은행거래 자동분류도 같다. 은행에서 돈이 나갔다는 이유만으로 회계 Event를 새로 만드는 게 아니라, 기존 구매 · 매출 · 급여 · 세금 · 금융 · 비용 Transaction 가운데 무엇과 관계되는지를 찾고, 실제 회계처리가 필요한 경우 정해진 회계 Rule에 따라 전표를 생성한다. 이렇게 하면 은행 API가 단순한 회계입력 자동화 도구가 아니라 미결 거래를 정산하고 자금 흐름을 확인하는 데이터원천이 된다.

사람이 수정했다고 AI가 즉시 배워서는 안 된다

담당자가 분류를 수정하면 AI가 그 패턴을 기억해 다음부터 자동 추천하는 건 가능한 구현이지만 모든 시스템이 그렇게 동작하는 것도, 운영상 항상 바람직한 것도 아니다. 담당자가 잘못 수정했을 수도, 특정 거래에만 적용되는 예외처리를 일반규칙으로 학습할 수도, 회계정책이 변경돼 과거 분류를 그대로 학습하면 안 되는 경우도 있다. 그래서 더 안전한 구조는 담당자 수정이력 축적 → 반복패턴 확인 → Rule 후보/학습데이터 반영 → 모델 평가 → 적용이다. 실시간 학습이 필요한 경우에도 별도의 검증·통제 구조를 고려해야 한다.

‘몇 주 뒤 대부분 자동처리’ 대신 예외율을 본다

매달 같은 거래가 반복되는 회사는 자동매칭률이 빠르게 높아지지만, 프로젝트성 거래가 많거나 거래처·용도가 자주 바뀌는 회사는 자동화율이 낮다. 그래서 “몇 주만 쓰면 대부분 자동화된다”는 기간 기준보다 미분류율과 수정률을 보는 편이 정확하다. 자동추천이 90% 나와도 그중 20%를 사람이 수정한다면 좋은 자동화가 아니고, 전체의 60%만 자동매칭돼도 그 60%의 오류가 거의 없고 나머지를 정확하게 예외처리한다면 실무적으로 더 안정적이다.

자동화율보다 더 중요한 숫자가 있다

회계 자동분류에서 자동매칭률 · 사람 수정률 · 미분류율 · 사후 오류율 네 숫자를 보면 유용하다. 자동매칭률만 높이면 시스템이 공격적으로 분류해 숫자를 쉽게 올릴 수 있지만 수정률과 오류율도 함께 오른다. 회계업무에서는 많이 맞히는 것보다 틀린 것을 확정하지 않는 것이 더 중요할 때가 있다. 그래서 Confidence가 낮은 거래를 과감하게 미분류로 남기는 것도 좋은 시스템의 행동이다.

’미분류’는 실패상태가 아니다

AI 시스템을 만들다 보면 모든 거래에 계정과목을 붙이고 싶어지지만, 근거가 부족한 거래라면 미분류 — 담당자 확인 필요가 더 좋은 결과일 수 있다. 대표이사 개인 이름으로 2,000만원이 입금됐는데 내부 기록과 연결되는 거래가 없다면, AI가 과거 패턴만 보고 가수금 82%라고 자동확정하는 것보다 사람이 확인하도록 남기는 편이 안전하다. 좋은 AI 회계시스템은 모르는 것을 억지로 맞히지 않는다.

은행거래가 증빙과 맞지 않을 때는 자동화보다 예외관리가 중요하다

세금계산서는 5,500,000원인데 실제 지급액은 5,400,000원이면 10만원 차이가 있다. 선입금·할인·상계처리·일부 미지급·단순 입력오류 등 이유는 여럿이다. 이 경우 시스템이 가장 먼저 할 일은 억지로 금액을 맞추는 게 아니라 차이를 보여주는 것이다.

증빙 5,500,000 / 지급 5,400,000 / 미결 100,000

이렇게 남겨야 담당자가 원인을 확인한다. 회계 자동화의 가치는 모든 숫자를 자동으로 없애는 게 아니라 설명되지 않는 차이를 눈에 띄게 만드는 것에서도 나온다.

세금계산서 데이터는 단순 첨부파일이 아니다

전자세금계산서는 거래처·금액 확인 보조자료 이상으로 활용할 수 있다. 은행거래 + 구매거래 + 세금계산서 세 데이터가 연결되면 실제 물품·용역 거래가 있었는지, 증빙이 들어왔는지, 지급이 완료됐는지를 각각 구분할 수 있다. 국세청은 전자세금계산서의 발급·전송 및 기재사항 관련 별도의 의무와 가산세 체계를 운영한다. 따라서 세금계산서 데이터는 은행거래를 분류하기 위한 문자열 하나가 아니라 별도의 세무 증빙 데이터로 취급해야 한다.

제조업에서는 은행거래가 생산원가까지 연결될 수 있다

제조업 회계에서는 한 단계 더 생각해야 한다. 공장 전력비가 출금됐을 때 비용계정을 찾는 것만으로 끝나지 않을 수 있다 — 제조원가에 포함되는 항목이라면 사업장·공정·원가센터·배부기준과 연결될 수 있다. 설비 수리비도 생산설비인지 사무실 설비인지에 따라 성격이 다르고, 외주가공비라면 특정 생산·품목과 연결해야 원가분석에 쓸 수 있다. 그래서 제조 ERP에서 AI 회계분류의 최종 목적을 “통장정리 자동화”로만 잡기보다 자금거래를 원가·채권채무·증빙 데이터와 일관되게 연결하는 것으로 보는 편이 좋다.

회계담당자가 할 일은 사라지지 않고 위치가 바뀐다

은행거래 자동분류가 잘 작동하면 사람이 일일이 계정을 선택하는 작업은 줄지만 업무 자체가 사라지지는 않는다. 미결 거래 확인·예외 거래 판단·채권채무 대사·증빙 누락 확인·월말 결산·계정 잔액 검토·세무조정과 신고자료 검토·원가손익 분석 같은 업무가 남는다. 자동화가 제대로 작동하면 사람의 역할이 입력에서 검토·예외처리·통제·분석 쪽으로 이동한다.

월말에 중요한 건 은행잔액이 맞는 것만이 아니다

ERP의 보통예금 잔액과 실제 은행잔액이 일치하면 좋지만 그것만으로 회계가 정확하다고 할 수 없다 — 은행거래가 모두 잘못된 계정으로 분류됐어도 총 잔액은 맞을 수 있기 때문이다. 그래서 월말에는 은행잔액 대사 · 미분류 거래 · 미결 채권채무 · 중복처리 · 증빙 미연결 · 수정된 자동분류를 함께 점검한다. 자동화가 발전할수록 이런 Exception Dashboard가 중요해진다.

AI 회계의 첫 목표는 ’전표 100% 자동생성’이 아니다

전표를 많이 자동으로 만드는 건 기술적으로 매력적이지만 회계에서는 자동화율 자체가 최종 목적이 아니다. 더 좋은 첫 목표는 조금 다르다.

반복거래는 자동 매칭 / 근거 충분한 거래는 계정후보 추천 / 애매한 거래는 담당자에게
증빙과 지급금액이 다르면 차이 표시 / 사람이 수정한 거래는 이력으로 / 월말엔 미분류·예외만 집중 검토

이 정도만 돼도 사람이 통장 수백 줄을 처음부터 끝까지 다시 읽는 업무는 상당히 줄고, 자동화 수준을 높일수록 어떤 거래를 자동확정해도 되는지 근거도 축적된다.

다시 3,300,000원 한 줄로 돌아가면

처음에는 ABC / -3,300,000원 한 줄만 보고 AI에게 계정과목을 묻는다면 추측의 비중이 컸다. 하지만 ERP에 ABC 거래처 / 미결 외상매입금 3,300,000 / 같은 금액의 매입증빙 / 8월 31일 지급예정 / 현재 은행계좌 지급이 연결돼 있다면 이야기가 달라진다. 이제 시스템은 계정과목을 ‘맞히는’ 게 아니라 기존 거래를 찾아 연결할 수 있다. 반대로 근거가 없다면 미분류로 남긴다. 이 차이가 중요하다.

AI 회계 자동화의 수준은 얼마나 많은 계정과목을 외웠는지로 결정되지 않는다. 은행거래가 실제 구매·매출·채권채무·증빙·원가 Transaction과 얼마나 정확하게 연결되는가로 결정된다. 그래서 회계 AI를 처음 설계할 때 물어야 할 질문도 “AI가 이 거래의 계정과목을 맞힐 수 있는가?“보다 “이 돈의 움직임을 설명해줄 원거래가 시스템 안에 있는가?” 에 가깝다.

원거래가 있다면 매칭하고, 명확한 반복거래는 Rule로 처리하고, 애매한 것만 AI가 추천하고, 그래도 근거가 부족하면 사람이 판단한다. 회계 자동화에서 가장 좋은 AI는 모든 거래에 자신 있게 답하는 AI가 아니라, 근거가 충분할 때만 자동화하고 설명되지 않는 거래를 정확하게 사람에게 남기는 시스템이다.

참고 — 전자세금계산서 발급·전송 의무와 가산세, 계정 귀속·세무 처리는 거래·회사 상황과 관련 법령에 따라 다르다. 실제 세무·회계 적용은 국세청과 전문가 확인이 필요하다.