회계사 AI 감사가 어디까지 왔는지, 전수검증·이상거래탐지부터 조서·품질관리·데이터 반출 통제까지 정리했다.
회계사 AI 감사라는 말이 낯설지 않은 시기다. 거래 전수 스캔, 이상거래 자동 탐지, 조서 초안 작성 보조까지 실무 현장에서 이미 여러 형태로 시도되고 있다. 결론부터 말하면 AI가 감사 절차의 속도와 범위를 바꾸는 영역과, 사람의 확인·책임이 여전히 전제되는 영역은 뚜렷하게 갈린다. 이 글은 지금 논의되고 있는 적용 범위와 제도적 제약을 정리한다.
표본감사는 모집단 전체를 다 보는 대신 일부를 뽑아 검증하고 그 결론을 전체로 확장하는 방식이다. 시간과 인력의 한계 때문에 채택된 방법이지만, 거래 데이터를 자동으로 대사하고 규칙에서 벗어나는 항목을 걸러내는 처리 능력이 커지면서 특정 계정·거래 유형에 한해서는 모집단 전체를 스캔하는 방식이 논의되고 있다.
예를 들어 거래 12만 건 중 2%인 240건을 표본으로 뽑아 확인하던 방식과, 12만 건 전체를 자동 스캔해 이상치로 걸러진 300건만 확인하는 방식을 비교하면, 후자가 오히려 더 넓은 범위를 실질적으로 들여다보게 된다. 이는 표본감사가 사라진다는 뜻이 아니라, 표본의 정의가 "무작위 추출"에서 "전수 스캔 후 이상치로 걸러진 확인 대상"으로 바뀐다는 뜻에 가깝다.
| 구분 | 기존 표본감사 | 전수 스캔 후 확인 |
|---|---|---|
| 대상 선정 | 통계적 무작위 표본 | 규칙·모델 기반 이상치 |
| 검증 범위 | 모집단의 일부 | 모집단 전체를 1차 스캔 |
| 사람의 역할 | 표본 확인 및 결론 확장 | 걸러진 항목 확인 및 판단 |
| 한계 | 표본 밖 오류 미발견 가능 | 스캔 로직 밖 오류는 여전히 미발견 |
기존 이상거래 탐지는 대부분 규칙 기반이다. 특정 금액 이상, 특정 계정 조합, 월말·연말 집중 같은 조건을 미리 정해두고 그 조건에 걸리는 거래만 뽑는다. 이미 알려진 부정 패턴을 잡는 데는 효과적이지만, 규칙에 없는 새로운 조합의 이상 거래는 통과된다.
학습 기반 이상탐지 모델은 정상 거래 패턴을 통계적으로 학습한 뒤 그 패턴에서 벗어나는 거래를 잡아낸다는 점에서 규칙보다 넓은 범위를 볼 수 있다는 것이 논의의 핵심이다. 다만 오탐이 늘어나는 대가를 치르므로 실무에서는 두 방식을 병행하는 흐름이 자연스럽다.
감사 조서는 감사인이 어떤 절차를 수행했고 어떤 판단으로 결론에 도달했는지를 기록한 문서다. 조서의 증거력은 감사인이 실제로 확인했음을 입증하는 데서 나온다. AI가 산출한 이상치 목록이나 자동 생성 요약을 그대로 조서에 옮기는 것은 감사인이 직접 확인했다는 근거가 되지 못한다.
조서는 결과물이 아니라 수행 과정을 증명하는 문서이기 때문이다. AI 산출물은 확인 작업의 참고 정보일 뿐, 최종 감사증거가 될 수 없다. 실무적으로는 AI가 걸러낸 목록을 감사인이 직접 열람하고, 담당자에게 질의하고, 원천 증빙과 대사한 뒤 그 확인 과정을 조서에 남기는 절차가 그대로 유지된다. AI는 확인 대상을 좁혀주는 역할이지 확인 자체를 대신하지 않는다.
| 단계 | AI의 역할 | 사람의 역할 |
|---|---|---|
| 이상치 탐지 | 대량 거래에서 후보 추출 | 후보의 우선순위 판단 |
| 증빙 확인 | 문서 매칭 초안 제시 | 원본 증빙과 실제 대사 |
| 조서 작성 | 초안 문구 생성 | 최종 판단 근거 기록·서명 |
| 결론 도출 | 패턴 요약 제공 | 중요성·리스크 판단 |
AI 도구를 도입한다고 해서 감사가 별도의 예외 영역이 되는 것은 아니다. 감사 업무는 감사 품질관리 기준의 적용을 받으며, 이 기준은 절차의 설계·수행·검토 전반에 대한 통제를 요구한다. 새 도구를 쓴다는 이유로 통제 수준이 낮아지면 안 된다는 것이 논의의 전제다.
AI 도구는 결과가 그럴듯할수록 검토자가 절차를 생략하고 싶은 유혹을 만든다. 하지만 품질관리 기준의 틀에서는 도구가 무엇이든 재검토, 문서화, 예외 처리 절차가 동일하게 요구된다. 실무에서는 AI 도구 사용을 감사법인의 품질관리 정책 안에 명시적으로 편입시키는 흐름이 자연스럽다.
AI 도구로 거래 데이터를 처리하려면 결국 고객사의 재무·거래 데이터를 어딘가로 입력해야 한다. 이 데이터를 외부 서버, 특히 클라우드 기반 AI 서비스로 보내는 것 자체가 통제 대상이라는 점이 실무 도입의 큰 걸림돌이다. 그 데이터 안에는 영업비밀, 미공개 재무정보, 개인정보가 섞여 있을 수 있다.
데이터 반출은 계약과 신뢰의 문제이지 기술 성능의 문제가 아니다. 아무리 탐지 성능이 좋아도 고객사가 반출에 동의하지 않으면 쓸 수 없다. 실무에서는 폐쇄망 내 처리, 데이터 익명화, 계약서상 AI 처리 동의 조항, 접근 권한 최소화 같은 통제 장치가 먼저 갖춰진 뒤에야 도입이 논의된다.
회계사 AI 감사는 전수 검증과 이상거래 탐지 범위를 넓히는 방향으로 논의가 진행되고 있지만, 조서의 증거력·품질관리 기준·데이터 반출 통제라는 제약은 그대로 남아 있다. 결국 AI는 확인해야 할 대상을 좁혀주는 도구이고, 최종 확인과 책임은 여전히 사람의 몫이다.
감사 품질관리 기준이나 데이터 처리 관련 행정해석은 계속 갱신되는데, 이런 변화를 놓치지 않고 확인하는 일은 지식 데이터를 통해 매일 갱신되는 법령·판례·행정해석으로 대신할 수 있습니다. 이상거래 탐지 도구나 조서 작성 보조 도구를 실무에 어떻게 붙일지 감이 안 잡힌다면, 실무자가 직접 만든 전문가 강의로 구체적인 활용 방식을 먼저 살펴볼 수 있습니다.
스페시아이 네트워크 법률·세무·노무·회계·의료 전문가를 위한 서비스 — 자세히 보기