회사 업무를 하다 보면 생각보다 많은 시간을 문서를 읽고 필요한 정보를 다시 입력하는 일에 사용합니다.
Invoice를 열어 Vendor, Invoice Number, 날짜와 금액을 확인하고 시스템에 입력합니다. 영수증에서는 Merchant와 결제금액을 확인하고, 계약서에서는 계약기간이나 상대방 정보를 찾아야 합니다.
이런 반복 업무를 줄이기 위해 사용되는 대표적인 기술이 OCR입니다.
OCR은 사진이나 PDF 안에 있는 글자를 읽어 텍스트로 바꿔주는 기술입니다. 하지만 최근의 문서 처리 AI는 단순히 글자를 읽는 단계를 넘어섰습니다.
이제는 문서가 Invoice인지 영수증인지 구분하고, 표를 인식하고, Invoice Number, Vendor, Total Amount처럼 필요한 데이터를 구조화해서 추출하는 것까지 가능합니다.
이러한 기술을 흔히 Document AI라고 부릅니다.
그렇다면 OCR과 Document AI는 정확히 무엇이 다르고, 실제 업무에서는 어디까지 활용할 수 있을까요?
OCR은 문자를 읽는 기술이다
먼저 OCR부터 간단히 살펴보겠습니다.
OCR은 Optical Character Recognition, 즉 광학 문자 인식 기술입니다.
예를 들어 Invoice 이미지에 다음과 같은 내용이 있다고 가정해보겠습니다.
ABC CompanyInvoice No. INV-2026-1035Invoice Date 09/15/2026Total $1,980.00
OCR은 이미지에 적혀 있는 이 내용을 텍스트로 바꿔줍니다.
사람이 Invoice를 보고 직접 타이핑하지 않아도 컴퓨터가 글자를 읽을 수 있게 되는 것입니다.
이것만으로도 상당히 유용하지만 실제 업무 자동화에서는 한 가지 문제가 남습니다.
컴퓨터가 $1,980.00이라는 글자를 읽었다고 해도 그 숫자가 무엇을 의미하는지 알아야 하기 때문입니다.
OCR과 Document AI의 가장 큰 차이
OCR이,
“이 문서에 무엇이라고 적혀 있는가?”
를 읽는 기술이라면,
Document AI는 한 단계 더 나아가,
“이 정보가 무엇을 의미하는가?”
를 이해하는 방향으로 발전했습니다.
예를 들어 OCR 결과가 다음과 같다고 해보겠습니다.
ABC Trading Co.INV-2026-10352026-09-15$1,980
Document AI를 활용하면 이를 다음과 같은 구조화된 정보로 바꿀 수 있습니다.
Vendor = ABC Trading Co.
Invoice Number = INV-2026-1035
Invoice Date = 2026-09-15
Total Amount = $1,980
즉 단순한 문자 데이터가 업무 시스템에서 바로 사용할 수 있는 Field 데이터로 바뀌는 것입니다.
1. 문서의 레이아웃과 구조를 이해한다
업무 문서는 단순히 글자만 나열되어 있지 않습니다.
Invoice에는 Header가 있고 그 아래 Line Item이 있습니다.
신청서에는 질문과 입력값이 있고, 재무자료에는 여러 개의 표가 들어가기도 합니다.
Document AI는 이런 문서의 구조를 함께 분석할 수 있습니다.
예를 들어 문서에,
Vendor Name: ABC Company
가 있다고 해보겠습니다.
사람은 자연스럽게 Vendor Name이 항목이고 ABC Company가 값이라는 것을 이해합니다.
Document AI도 이런 관계를 찾아 Key와 Value로 연결할 수 있습니다.
단순히 글자를 읽는 것보다 실제 업무에서는 훨씬 활용도가 높은 방식입니다.
2. 표 안의 데이터까지 구조적으로 읽는다
Document AI가 업무 자동화에서 특히 유용한 부분 중 하나가 Table 인식입니다.
Invoice에는 보통 이런 항목이 있습니다.
| Description | Qty | Unit Price | Amount |
|---|---|---|---|
| Consulting Service | 10 | $150 | $1,500 |
| Software License | 1 | $300 | $300 |
단순 OCR은 Consulting, 10, 150, 1,500이라는 문자를 읽는 데 집중합니다.
하지만 업무에서는 이 숫자가 어느 Column에 속하는지가 더 중요합니다.
Document AI는 행과 열의 관계를 유지하면서 표의 구조를 분석할 수 있습니다.
이렇게 추출된 데이터는 이후 ERP의 Invoice Line Item이나 Excel 데이터로 변환하는 데 활용할 수 있습니다.
3. 문서 종류 자체를 AI가 구분할 수 있다
실제 회사 업무에서는 한 종류의 문서만 들어오는 경우보다 여러 문서가 함께 들어오는 경우가 많습니다.
예를 들어 하나의 PDF 안에,
Invoice
Purchase Order
Receipt
Contract
가 섞여 있을 수도 있습니다.
예전에는 사람이 파일을 열어보면서 각각 어떤 문서인지 확인해야 했습니다.
하지만 Document AI에서는 문서의 내용을 분석해 어떤 종류의 문서인지 구분하는 것도 가능합니다.
예를 들어 15페이지짜리 PDF를 업로드했는데,
1~3페이지는 Invoice,
4~6페이지는 Purchase Order,
7페이지 이후는 Supporting Document라면,
문서 유형별로 구분한 뒤 각각 다른 업무 프로세스로 전달하는 방식입니다.
4. 필요한 정보만 찾아서 추출할 수 있다
Document AI에서 흥미로운 기능 중 하나는 문서의 모든 정보를 가져오는 것이 아니라 업무에 필요한 특정 정보를 찾아내는 것입니다.
예를 들어 Invoice에서 실제 시스템 입력에 필요한 정보가,
Vendor
Invoice Number
Invoice Date
Due Date
Total Amount
뿐이라면 이 Field만 추출하도록 설계할 수 있습니다.
문서에 질문을 던지는 방식도 가능합니다.
예를 들어,
“Invoice Total은 얼마인가?”
“Customer Name은 무엇인가?”
“Due Date는 언제인가?”
처럼 필요한 정보를 찾도록 할 수 있습니다.
문서마다 위치와 디자인이 조금씩 달라도 정보의 의미를 중심으로 값을 찾는 방향으로 발전하고 있는 것입니다.
5. Invoice와 Receipt는 대표적인 Document AI 활용 분야다
Invoice와 영수증은 Document AI가 활용되기 좋은 대표적인 업무입니다.
문서의 형식은 조금씩 달라도 필요한 정보가 비교적 명확하기 때문입니다.
Invoice라면 보통,
Vendor
Invoice Number
Invoice Date
Due Date
Currency
Tax
Total Amount
같은 정보가 필요합니다.
최근의 Document AI 서비스에는 Invoice나 Receipt처럼 자주 사용하는 문서에 맞춰진 사전 구축 모델도 제공되고 있습니다.
따라서 모든 문서를 처음부터 직접 학습시키는 방식이 아니라 기존 모델을 활용하고 필요한 부분만 추가하는 접근도 가능합니다.
6. 계약서 같은 비정형 문서도 분석할 수 있다
Document AI의 활용이 Invoice에만 머무는 것은 아닙니다.
계약서처럼 글의 양이 많고 형식이 다양하게 존재하는 문서에서도 필요한 정보를 추출할 수 있습니다.
예를 들어 계약서에서,
Contract Name
Counterparty
Effective Date
Expiration Date
Payment Term
같은 정보를 찾는 것입니다.
여기에 생성형 AI를 함께 활용하면 계약서의 특정 내용을 요약하거나 필요한 조항을 찾아주는 방식으로도 확장할 수 있습니다.
다만 계약서에서 AI가 추출한 결과는 업무 편의를 위한 보조 정보로 보는 것이 좋습니다.
계약 문구의 법적 의미나 최종 판단은 원문을 담당자가 직접 확인해야 합니다.
7. Confidence Score를 이용해 사람이 확인할 부분을 찾는다
Document AI라고 해서 모든 내용을 항상 정확하게 읽는 것은 아닙니다.
사진이 흐릴 수도 있고,
PDF 품질이 좋지 않을 수도 있고,
숫자가 겹쳐 있거나 표 구조가 복잡할 수도 있습니다.
그래서 문서 처리 시스템에서는 Confidence Score를 활용할 수 있습니다.
예를 들어,
Vendor — 99%
Invoice Date — 97%
Invoice Number — 96%
Total Amount — 74%
와 같이 표시되는 것입니다.
그러면 사용자는 모든 값을 처음부터 다시 확인하는 것이 아니라 신뢰도가 낮은 Total Amount를 우선 확인할 수 있습니다.
특히 회계나 재무 데이터처럼 작은 오류도 문제가 될 수 있는 업무에서는 이런 검증 단계가 중요합니다.
8. Document AI 다음 단계는 Validation이다
문서를 읽어서 데이터를 추출했다고 업무가 끝나는 것은 아닙니다.
오히려 실제 자동화에서는 그다음 과정이 더 중요할 수 있습니다.
예를 들어 Document AI가 Invoice에서 다음 정보를 추출했다고 생각해보겠습니다.
Vendor = ABC Company
Invoice Number = 12345
Total Amount = $5,000
그다음 시스템에서는,
기존에 같은 Invoice가 존재하는지,
Vendor가 시스템에 등록되어 있는지,
Invoice Number가 비어 있지 않은지,
금액이 정상적인 형식인지,
PO Number가 실제 존재하는지 등을 검사할 수 있습니다.
즉,
Document AI = 데이터 추출
에서 끝나는 것이 아니라,
Document AI → Validation → 업무 처리
로 연결되어야 합니다.
9. 결국 ERP까지 연결해야 실제 자동화가 된다
Document AI의 진짜 가치가 나타나는 부분은 문서 처리 이후의 Workflow입니다.
Invoice 업무를 예로 들면 다음과 같은 흐름을 만들 수 있습니다.
Invoice Upload
↓
Document AI
↓
Vendor·Invoice Number·Amount 추출
↓
Duplicate Check
↓
사용자 확인
↓
Approval
↓
ERP Invoice 생성
기존에는 사람이 Invoice를 열고 정보를 확인한 다음 시스템에 다시 입력했다면,
자동화 후에는 AI가 먼저 입력하고 사람이 확인하는 방식으로 업무가 바뀌는 것입니다.
목표가 사람의 확인 자체를 없애는 것이 아니라 반복적인 Data Entry를 줄이는 것입니다.
OCR → Document AI → AI Agent까지
앞으로 문서 자동화는 여기에서 더 확장될 수 있습니다.
단순하게 정리하면 다음과 같은 흐름입니다.
OCR
글자를 읽습니다.
↓
Document AI
문서의 구조와 Field를 이해합니다.
↓
Generative AI
문서 내용을 요약하고 질문에 답합니다.
↓
Validation
데이터 오류와 예외를 확인합니다.
↓
Workflow
승인이나 담당자 확인으로 연결합니다.
↓
업무 시스템
ERP나 Expense System 등에 데이터를 등록합니다.
즉 OCR이 문서를 읽는 역할을 했다면 Document AI는 문서의 구조와 의미를 이해하는 단계까지 확장되고 있다고 볼 수 있습니다.
사람의 확인은 여전히 필요하다
Document AI가 발전했다고 해서 모든 업무를 완전히 자동으로 처리하는 것이 항상 좋은 것은 아닙니다.
특히 Invoice 금액, 계약 조건, 세금 정보처럼 오류의 영향이 큰 데이터라면 사람이 최종 결과를 확인할 수 있어야 합니다.
따라서 현실적으로는,
AI가 읽는다 → AI가 추출한다 → 시스템이 검증한다 → 사람이 확인한다 → 최종 처리한다
는 구조가 적합한 경우가 많습니다.
이런 방식을 Human-in-the-loop라고 합니다.
AI가 사람을 완전히 없애는 것이 아니라 사람이 반복적으로 하던 작업을 먼저 처리해주고, 사람은 예외와 판단이 필요한 부분에 집중하는 것입니다.
어떤 회사 업무에서 활용할 수 있을까?
Document AI를 적용할 수 있는 문서는 생각보다 많습니다.
Invoice와 Receipt뿐 아니라,
계약서, Purchase Order, Bank Statement, 각종 신청서, 세금 문서, Shipping Document, Expense 증빙 등 문서를 열어 필요한 정보를 찾아 다시 시스템에 입력하는 업무라면 활용 가능성을 검토할 수 있습니다.
중요한 것은 AI가 읽을 수 있는 문서인가보다,
“이 문서를 보고 사람이 반복적으로 어떤 일을 하고 있는가?”
를 먼저 확인하는 것입니다.
그 반복 업무를 찾는 것이 Document AI 자동화의 출발점이 될 수 있습니다.
처음부터 모든 문서를 자동화할 필요는 없다
Document AI를 도입한다고 해서 처음부터 회사의 모든 문서를 처리할 필요는 없습니다.
예를 들어 Invoice 자동화를 시작한다면,
처음에는 세 가지 정보만 추출해도 됩니다.
Invoice Number
Invoice Date
Total Amount
이 세 항목의 정확도를 먼저 확인하고,
그다음 Vendor, Tax, PO Number, Line Item을 추가하는 것입니다.
업무 프로세스도 처음부터 ERP에 자동 등록하지 않고,
Document Upload → Data Extraction → User Review
까지만 만들어볼 수 있습니다.
실제 사용자에게 도움이 되는지 확인한 뒤 단계적으로 자동화 범위를 넓히는 것이 더 현실적입니다.
마무리｜OCR은 글자를 읽었고, Document AI는 문서를 이해하기 시작했다
OCR의 역할은 비교적 명확했습니다.
“사진이나 PDF에 있는 글자를 읽어줘.”
하지만 Document AI에서는 질문이 달라집니다.
“이 문서는 어떤 종류야?”
“Invoice Number는 어디에 있어?”
“이 표의 Line Item을 데이터로 만들어줘.”
“여러 페이지 중 Invoice만 찾아줘.”
“필요한 정보만 추출해서 시스템에 입력할 수 있게 만들어줘.”
즉 문서 AI는 단순한 문자 인식에서 문서 이해와 업무 데이터 생성으로 발전하고 있습니다.
하지만 가장 중요한 것은 기술 자체가 아닙니다.
회사에서 사람이 문서를 열고, 정보를 찾고, Excel이나 ERP에 다시 입력하고 있다면 그 과정 중 어느 부분을 AI에게 맡길 수 있는지 찾아보는 것입니다.
Document AI의 목표를 처음부터 100% 자동 처리로 잡기보다,
“사람이 다시 입력해야 하는 일을 얼마나 줄일 수 있을까?”
라는 질문에서 시작하는 것이 현실적입니다.
결국 Document AI는 단순히 문서를 잘 읽는 AI가 아니라 문서와 실제 업무 시스템을 연결하는 기술이라고 볼 수 있습니다.
0 Comments