거래명세서에서 수량과 단가를 정확히 읽었다고 입력이 끝난 것은 아닙니다. 수량은 상자 단위인데 단가는 개당일 수 있고, 할인이나 반품 행은 금액 부호가 다를 수 있습니다. 문서 AI의 핵심은 글자를 데이터로 바꾸는 단계와 그 데이터가 거래를 올바르게 표현하는 단계를 연결하는 데 있습니다.
문자 인식과 업무 해석은 다른 단계다
OCR은 문서의 문자와 위치를 제공하고 문서 추출 모델은 품목명·수량·금액 같은 필드를 구조화합니다. 그러나 구조화된 숫자도 어떤 단위와 의미를 갖는지 확인해야 합니다. 숫자가 읽혔다는 사실과 전표로 사용할 수 있다는 판단은 분리합니다.
원문 문자열, 정규화한 값, 페이지와 영역, 인식 신뢰도를 함께 보존합니다. 검수자가 오류를 발견했을 때 숫자만 보는 것이 아니라 원문 위치를 확인할 수 있어야 합니다. 자동 정규화가 원문을 덮어쓰면 점이나 쉼표를 어떻게 해석했는지 추적하기 어렵습니다.
단위와 품목 매핑을 명시적으로 관리한다
거래처의 품목명과 내부 품목코드는 일대일로 맞지 않을 수 있습니다. 공급사 코드, 포장 수량, 규격, 유효기간을 포함한 매핑을 관리합니다. 같은 품목이라도 포장이 변경되면 상자와 개수의 환산 계수가 달라집니다.
환산 계수가 없거나 여러 후보가 있으면 모델이 가장 그럴듯한 값을 고르게 두지 않습니다. 해당 행을 검수 대상으로 보내고 확정된 매핑을 남깁니다. 사람이 한 번 수정한 값을 모든 거래처와 과거 문서에 적용하면 또 다른 오류가 생길 수 있으므로 적용 범위도 저장해야 합니다.
검증은 행·문서·주문 수준으로 쌓는다
행에서는 수량, 단가 기준, 할인, 금액 부호가 일치하는지 봅니다. 문서에서는 행 합계와 문서 총액의 관계를 확인합니다. 주문 수준에서는 발주 수량과 입고 수량, 기존 처리 이력을 대조합니다. 어느 단계에서 차이가 생겼는지 보여 주면 검수 속도가 빨라집니다.
허용 오차는 데이터 형식과 업무 규칙에 따라 정합니다. 통화별 최소 단위와 반올림 지점을 먼저 합의해야 하며 모든 차이를 임의의 오차 범위로 덮지 않습니다. 세금이나 법적 증빙 처리 규칙은 해당 업무의 승인 기준을 사용하고 추출 모델이 결정하지 않게 합니다.
가상 사례: 상자 수와 낱개 단가
명세서에 수량 3상자, 상자당 20개, 개당 단가 500이 적혀 있다고 가정해 봅시다. 단순히 수량과 단가만 곱하면 1,500이지만 포장 단위까지 반영하면 30,000입니다. 여기의 숫자는 환산 오류를 설명하기 위한 가상 예시이며 실제 통화나 거래 조건을 뜻하지 않습니다.
시스템은 원문 수량과 환산 수량을 함께 보여 주고 어떤 계수를 적용했는지 설명해야 합니다. 문서 합계가 맞는다고 품목 매핑까지 옳다고 보장할 수 없으므로 주문의 규격과 품목코드도 대조합니다. 숫자 하나가 맞는 것보다 거래 전체가 일관되는지가 중요합니다.
신뢰도 하나로 자동 승인하지 않는다
인식 신뢰도가 높더라도 합계가 맞지 않거나 처음 등장한 품목이면 검수가 필요할 수 있습니다. 반대로 신뢰도가 조금 낮아도 발주 정보와 일치하고 계산 검증을 통과하면 검수 우선순위를 낮출 수 있습니다. 자동 처리 여부는 여러 증거를 결합한 명시적 규칙으로 결정합니다.
검수 화면에는 모든 필드 대신 차이가 있는 행과 관련 원문을 먼저 보여 줍니다. 수정 사유를 선택하고 원본 값과 수정 값을 함께 남깁니다. 승인자의 수정이 모델 학습에 사용될 때는 오류 수정인지 예외 거래 처리인지 구분해야 잘못된 학습을 피할 수 있습니다.
성과는 입력 속도와 재작업을 함께 본다
자동 추출률만 올리면 틀린 전표가 뒤 단계로 넘어갈 수 있습니다. 무검수 처리 건의 사후 오류율, 검수 소요시간, 중복 문서 차단 수, 품목 매핑 실패 유형을 함께 확인합니다. 거래처 서식이 바뀔 때 어떤 검증이 먼저 이상을 잡는지도 살펴봅니다.
처음부터 모든 문서를 자동 승인하기보다 한 거래처와 한 문서 종류에서 검증 규칙을 정교하게 만드는 편이 좋습니다. 원문을 보존하고 단위와 합계를 연결하면 문서 AI가 실무자가 신뢰할 수 있는 입력 도구가 됩니다.
실무 체크리스트
- 원문 수량과 내부 환산 수량을 함께 보존하는가
- 품목·포장 단위의 적용 범위와 변경 이력을 관리하는가
- 행·문서·주문 검증 결과로 검수 대상을 정하는가
참고 자료: Google Document AI의 추출 응답과 정규화 값 설명. 참고 자료는 추출된 필드와 문서 위치, 정규화 값 등을 다룹니다. 거래별 단위 환산과 합계 검증은 별도로 구현할 업무 규칙입니다.
본문 이미지는 이해를 돕기 위해 생성한 개념 삽화이며 실제 측정 자료나 고객 현장 사진이 아닙니다.
#문서AI #OCR #문서자동화 #거래명세서 #품목매핑 #단위환산 #데이터검증 #업무자동화 #입고관리 #기업AI
