API를 연결하는 것만으로 이 과정이 완성되지 않는 이유는
OCR API 적용 전 확인할 항목에서 더 자세히 다뤘습니다.
Contents
한국딥러닝의 2026년 상반기 사업 중 약 94%가 금융과 공공에서 나왔습니다.한눈에 보기1. 에이전트는 늘었는데 업무에 붙지 않습니다2. 앞단 : 82.9%를 읽었는데 답은 52.8%만 맞았습니다격차는 어느 지점에서 생기는가3. 뒷단 : 앞단을 풀어도 사람의 확인이 남습니다검수 지점을 정할 때 확인할 질문4. 금융과 공공에서는 두 단계가 규제로 강제됩니다정부가 고른 공공 AI 첫 과제도 문서 심사입니다5. 우리 상반기 데이터는 이 흐름의 관측치입니다6. 도입 전 확인할 다섯 가지자주 묻는 질문Q. AI 에이전트의 앞단과 뒷단은 무엇을 뜻하나요Q. OCR 정확도가 높으면 에이전트 성능도 따라 오르나요Q. 금융과 공공에서 문서 AI 수요가 먼저 나타나는 이유는 무엇인가요Q. 완전 자동화를 목표로 잡아도 되나요참고 자료한국딥러닝의 2026년 상반기 사업 중 약 94%가 금융과 공공에서 나왔습니다.
2026년 7월에 집계해 발표한 KDL 상반기 데이터에서
문서 AI 사업 매출은 전년 동기 대비 3.4배,
기술 도입 문의는 5.3배 이상의 수치를 기록했습니다.
이 수치는 국내 시장 통계가 아니라 KDL의 사업 구성입니다.
다만 같은 시기에 국내외에서 나온 조사와 연구, 규제 문서를 나란히 놓으면
이 구성이 왜 만들어졌는지가 비교적 선명하게 드러납니다.
결론부터 말하자면
AI 에이전트를 도입한 조직이 늘면서 문서 AI 수요가 따라 늘고 있습니다.
에이전트가 일하려면 앞단에서 문서를 읽어 구조화된 입력을 받아야 하고, 뒷단에서 그 결과를 검증해 기존 시스템에 넣어야 하기 때문입니다.
금융과 공공에서 이 수요가 먼저 나타나는 이유는 그 두 단계가 규제로 강제되기 때문입니다. 아래에서 외부 조사와 정책 자료를 순서대로 확인해보겠습니다.
한눈에 보기
에이전트 확산은 아직 초기입니다. 확산 단계까지 끌고 간 조직은 23%, 실험 단계는 39%입니다
막는 것은 모델이 아니라 데이터입니다. 72%가 통합되고 접근 가능한 데이터가 없다고 답했습니다
문자를 읽어도 답이 맞지는 않습니다. 82.9% 읽어낸 조건에서 후속 질의응답 정확도는 52.8%였습니다
사람의 확인은 여전히 남습니다. 영국 금융회사의 75%가 AI를 쓰지만 완전 자율은 2%입니다
정부의 첫 과제도 문서입니다. 공공 AI 전환 선도 과제 셋은 복지·고용, 납세, 신약심사로 전부 문서를 읽고 판정하는 업무입니다
1. 에이전트는 늘었는데 업무에 붙지 않습니다
2025년 하반기부터 2026년 상반기 사이에 나온 조사 세 건이 같은 방향을 가리킵니다.
조사 | 표본 | 핵심 결과 |
|---|---|---|
McKinsey (2025년 11월) | 105개국 1,993명 | 전사 확산 23%, 실험 39%. 개별 업무로 좁히면 확산 10% 미만 |
Deloitte (2026년 8월) | 미국 기업 임원 501명 | 42%가 테스트하거나 배포. 업무 프로세스가 준비됐다는 응답은 5% |
BARC (2026년 6월) | 약 220개 | AI에 쓸 수 있는 비정형 데이터가 절반 미만이라는 응답 70% |
요약하자면
회사 전체로는 23%가 확산했는데, 특정 부서 업무로 내려가면 10%를 넘지 않습니다. 파일럿은 돌아가는데 실제 업무에는 붙지 않고 있다는 뜻입니다.
Deloitte 조사에서 조직이 준비됐다고 답한 비율이 5%에 그친 것도 같은 이야기입니다.
그렇다면 무엇이 막고 있을까요. Deloitte 조사가 꼽은 1순위 장애 요인은 모델 성능이 아니라 데이터였습니다. 통합되어 있고 접근 가능한 데이터가 없다는 응답이 72%였습니다.
그 데이터가 어떤 형태인지는 BARC 조사에서 확인할 수 있었습니다.
자기 조직의 AI 관련 비정형 데이터가 어디에 있는지 완전히 파악하고 있다는 응답은 29%에 그쳤습니다. 이에 대해 리서치 부문 책임자 Kevin Petrie는 상황을 이렇게 요약했습니다.
Unstructured data carries the context AI agents need to act reliably, yet most organizations cannot say where it sits or how it is used.
에이전트가 신뢰할 만하게 행동하려면 맥락이 필요하고 그 맥락은 비정형 데이터에 담겨 있는데, 대부분의 조직은 그것이 어디에 있고 어떻게 쓰이는지 말하지 못합니다.
기업에서 비정형 데이터의 대부분은 문서입니다.
계약서, 청구서, 신청서, 보고서, 도면, 회의록, 그리고 그것들의 스캔본입니다.
*원자료 바로 보기
💡 용어 정리: 에이전트의 앞단과 뒷단
단계 | 하는 일 | 포함되는 작업 |
|---|---|---|
앞단 | 사람이 읽던 문서를 기계가 쓸 수 있는 구조로 바꿉니다 | 문자 인식, 레이아웃 분석, 표와 항목 추출, 형식 정규화 |
뒷단 | 에이전트가 만든 결과를 확인하고 후속 시스템에 반영합니다 | 규칙 대조, 예외 분류, 사람 검수, 시스템 전달 |
2. 앞단 : 82.9%를 읽었는데 답은 52.8%만 맞았습니다
문자 인식 점수가 높아도 업무 성과가 따라오지 않습니다.
2026년 7월 ACL 2026 Industry Track에 발표된 「When Good OCR Is Not Enough」에서 산업 문서 570건 3,402페이지를 11개 난이도 범주로 나누고 OCR 모델 10종을 평가한 연구는 문자 인식 정확도와, 그 결과를 그대로 검색증강생성에 넣었을 때의 응답 정확도를 함께 측정했습니다.
시각 요소가 복잡한 문서 범주에서 이런 결과가 나왔습니다.
82.9% OCR accuracy yet only 52.8% RAG accuracy (30.1% discrepancy)
문자는 82.9% 읽어냈는데, 그 결과로 답한 정확도는 52.8%였습니다. 30.1%포인트 차이입니다.
모델별로도 같은 하락이 확인됩니다. 한 오픈소스 파이프라인은 86.7%에서 60.3%로 26.4%포인트 떨어졌고, 범용 멀티모달 모델 하나는 75%에서 52%로 떨어졌습니다.
이것이 최근에 생긴 문제도 아닙니다. ICCV 2025에 게재된 「OCR Hinders RAG」는 문서 이미지 8,561장과 질의응답 8,498쌍으로 실험한 결과, 가장 성능이 좋은 솔루션조차 전체 평가에서 F1점수가 14% 떨어졌다고 밝혔습니다. 2년 간격을 둔 두 연구가 같은 방향을 가리킨다면, 특정 시점의 문제가 아니라 구조적 문제로 보는 편이 타당합니다.
인용 범위: 두 연구 모두 특정 제품의 성능을 검증하는 자료가 아닙니다. 문자 인식 점수와 실제 업무 성과가 서로 다른 지표라는 일반적 근거로만 인용했습니다.
격차는 어느 지점에서 생기는가
문서 처리는 실제 도입에서 대체로 이런 순서로 설계됩니다.
문서를 입력하고 유형을 분류합니다
제목, 표, 본문, 체크 항목 등 구조를 파악합니다
필요한 값을 추출하고 형식을 정규화합니다
업무 규칙이나 기준 데이터와 비교합니다
예외와 저신뢰 결과를 사람이 검수합니다
확정된 결과를 후속 시스템에 전달합니다
문자 인식은 1단계와 2단계 사이에 있습니다.
여기서 표의 병합 셀이 잘못 풀리거나 여러 단으로 나뉜 항목이 뒤섞이면, 글자는 정확히 읽혔어도 3단계 이후가 전부 어긋납니다. 뒤로 갈수록 오차가 커지는 이유입니다.
💡
*원자료 바로 보기
3. 뒷단 : 앞단을 풀어도 사람의 확인이 남습니다
문서를 정확히 읽어냈다고 해서 그 결과를 그대로 시스템에 넣을 수 있는 것은 아닙니다.
영국의 두 금융당국인 영란은행과 금융행위감독청(FCA)이 118개 금융회사를 조사해 2024년 11월에 낸 공동 보고서를 보겠습니다. 75%가 이미 AI를 쓰고 있고, 10%가 3년 안에 도입할 계획이라고 답했습니다. 전체 활용 사례의 55%는 어떤 형태로든 자동 의사결정을 포함하고 있었습니다.
그런데 완전 자율 방식은 2%였습니다.
24%는 스스로 여러 판단을 내리되 사람의 감독을 포함하도록 설계되어 있었습니다.
절반 이상이 AI에 판단을 맡기지만, 그중 대부분은 사람이 마지막을 봅니다.
그 마지막을 어디에 둘 것인가가 설계의 핵심입니다.
검수 지점을 정할 때 확인할 질문
틀리면 비용이나 규제 위험이 큰 필드는 무엇인가
신뢰도 기준 아래의 결과만 검수할 것인가, 특정 항목은 전부 검수할 것인가
문서 유형별 예외를 누가 정의하고 갱신하는가
검수자가 원본과 추출 결과를 한 화면에서 대조할 수 있는가
수정 기록과 최종 승인자를 남겨야 하는가
💡
에이전트에 실행 권한을 주면서 승인과 로그를 함께 설계하는 방법은
AI 에이전트 구축, 잘못된 실행을 막는 권한·승인·로그 설계에서 다뤘습니다.
4. 금융과 공공에서는 두 단계가 규제로 강제됩니다
앞단과 뒷단은 모든 산업에 필요하지만, 금융과 공공에서는 선택이 아니라 요건입니다.
금융위원회가 2025년 12월에 공개한 금융분야 AI 가이드라인 개정방향은 보조수단성 원칙을 이렇게 정리합니다.
최종 의사결정과 그에 따른 책임은 임직원이 부담할 수 있도록 내부 관리체계를 구축해야 합니다
같은 문서의 신뢰성 원칙에는 "체계적인 검증 및 오류 대응 절차"가 명시되어 있습니다. 뒷단의 검수와 감사 추적이 권고가 아니라 관리체계의 구성 요소로 들어가 있다는 뜻입니다.
절차도 이미 돌아가고 있습니다. 금융보안원은 2025년 2월부터 금융권 AI 서비스의 보안성 평가를 본격 시행했고, 발표 시점 기준으로 32개 금융회사의 49개 서비스가 접수됐습니다. 도입 자체가 별도 검증을 거친다는 의미입니다.
해외도 방향이 같습니다. EU AI Act 제14조는 고위험 AI 시스템에 사람의 감독을 요구합니다. 감독자가 상황에 따라 시스템을 쓰지 않기로 결정하거나, 출력을 무시하고 되돌리거나, 정지 절차로 개입할 수 있어야 한다는 내용입니다. 고위험 시스템에 대한 의무는 2026년 8월 2일부터 적용됐고, 금융의 신용평가는 고위험 분류에 포함됩니다.
💡
문서를 조직 밖으로 내보내기 어려운 환경에서 이 검증을 어떻게 설계하는지는 금융권 문서 AI 구축 시 확인할 조건에서 다뤘습니다.
정부가 고른 공공 AI 첫 과제도 문서 심사입니다
공공에서는 정책 자료가 더 직접적입니다. 정부는 AI 대전환 15대 선도프로젝트를 기업 7대, 공공 3대, 기반 3대 과제로 구성했습니다. 공공 3대는 복지·고용, 납세, 신약심사입니다. 셋 다 서류를 받아 읽고 판정하는 업무입니다.
각 과제는 2026년에 실제로 착수했습니다.
과제 | 담당 | 예산 | 현황 |
|---|---|---|---|
신약심사 | 식품의약품안전처 | 3개년 총 223억 원 | 2026년 2월 전담 조직 출범. 2026년 원료 의약품 규격과 생물학적동등성 평가, 2027년 개량신약, 2028년 신약 순 확대 |
복지 | 보건복지부, 한국사회보장정보원 | 2년간 118억 7,500만 원 | 2026년 6월 수행기관 7곳 선정 |
고용 | 고용노동부 | 미공개 | 고용24 AI 서비스 2026년 6월 시범운영, 8월 정식 운영 |
납세 | 국세청 | 미공개 | 2026년 시범, 2027년 본사업 |
2026년 정부 AI 예산은 총 9.9조 원으로 41개 부처 741개 사업에 배정됐습니다.
신약심사의 로드맵이 특히 시사적입니다. 첫해 대상이 원료 의약품 규격과 생물학적동등성 평가 심사인데, 둘 다 제출 서류를 읽고 기준과 대조하는 작업이 핵심입니다. 정부가 공공 AI 전환의 출발점으로 문서 심사 업무를 고른 셈입니다.
원자료 바로 보기
5. 우리 상반기 데이터는 이 흐름의 관측치입니다
여기까지가 외부 자료입니다. 이제 처음에 놓았던 수치로 돌아오겠습니다.
한국딥러닝이 2026년 7월에 집계해 발표한 상반기 사업 데이터는 다음과 같습니다.
항목 | 수치 | 성격 |
|---|---|---|
문서 AI 사업 매출 | 전년 동기 대비 3.4배 | 전년 대비 변화 |
기술 도입 문의 | 전년 동기 대비 5.3배 이상 | 전년 대비 변화 |
금융·공공 비중 | 상반기 사업의 약 94% | 2026년 상반기 구성비 |
고객사 내부 설치 비중 | 전체 사업의 약 90% | 2026년 상반기 구성비 |
이 구성은 앞에서 정리한 흐름과 같은 방향을 가리킵니다. 규제로 검증이 강제되는 산업에서 문서 처리 요구가 먼저 나타나고, 문서를 조직 밖으로 보내기 어려운 조건에서 내부 설치가 선택됩니다.
특히 문의가 5.3배 늘었다는 점이 시사적입니다. 매출보다 문의가 더 크게 늘었다는 것은 지금 막 검토를 시작한 조직이 그만큼 많다는 뜻입니다. 앞단을 어디까지 자동화할지, 뒷단의 검수를 어느 지점에 둘지 묻는 단계에 있는 곳이 늘고 있습니다.
한국딥러닝이 자체 집계한 사업 데이터입니다.
6. 도입 전 확인할 다섯 가지
앞단과 뒷단이라는 틀로 보면 도입 검토에서 확인할 항목이 정리됩니다.
대표 문서 형식이 단정한 견본이 아니라 실제 변형과 예외를 포함하는가
보안과 망 환경 원본과 추출 데이터가 이동하고 저장될 수 있는 범위는 어디까지인가
검수 범위 사람이 반드시 확인해야 하는 문서와 필드는 무엇인가
연동 대상 추출 결과가 전달될 ERP, CRM, 그룹웨어 또는 내부 시스템은 무엇인가
운영 책임 모델과 규칙의 변경, 장애 대응, 품질 모니터링을 누가 맡는가
이 다섯 가지를 먼저 정하면 시연에서 인식률만 비교하는 데서 벗어나 실제 운영 가능성을 검토할 수 있습니다. 자동화 범위와 검수 지점을 단계로 설계하는 방법은
금융·공공 AI 자동화 설계 가이드에서 이어서 확인할 수 있습니다.
자주 묻는 질문
Q. AI 에이전트의 앞단과 뒷단은 무엇을 뜻하나요
앞단은 사람이 읽던 문서를 기계가 쓸 수 있는 구조로 바꾸는 단계입니다. 문자 인식, 레이아웃 분석, 표와 항목 추출, 형식 정규화가 여기 속합니다. 뒷단은 에이전트가 만든 결과를 확인하고 후속 시스템에 반영하는 단계로, 규칙 대조와 예외 분류, 사람 검수, 시스템 전달이 여기 속합니다.
Q. OCR 정확도가 높으면 에이전트 성능도 따라 오르나요
항상 그렇지는 않습니다. ACL 2026 Industry Track 연구에서는 문자 인식 정확도가 82.9%인 문서 범주에서 후속 질의응답 정확도가 52.8%로 나타났습니다. 문자를 읽는 것과 문서 구조를 보존하는 것이 다른 과제이기 때문입니다.
Q. 금융과 공공에서 문서 AI 수요가 먼저 나타나는 이유는 무엇인가요
문서 처리 결과가 심사, 정산, 민원, 규제 대응과 직접 연결되고, 그 과정에 사람의 검증이 규제로 요구되기 때문입니다. 금융위원회 AI 가이드라인은 최종 의사결정과 책임을 임직원이 부담하도록 내부 관리체계를 갖추라고 정하고 있습니다.
Q. 완전 자동화를 목표로 잡아도 되나요
업무에 따라 다릅니다. 영란은행과 금융행위감독청의 2024년 조사에서 118개 금융회사의 AI 활용 사례 중 자동 의사결정을 포함한 비율은 55%였으나 완전 자율 방식은 2%였습니다. 규정상 사람의 확인이 요구되는 업무에서는 자동화 비율 자체가 목표 지표가 되기 어렵습니다.
참고 자료
에이전트 도입 현황
McKinsey (2025-11) · Deloitte (2026-08) · BARC (2026-06)문서 처리 정확도 연구
ACL 2026, When Good OCR Is Not Enough · ICCV 2025, OCR Hinders RAG금융 규제와 감독
영란은행·FCA (2024-11) · 금융위원회 AI 가이드라인 (2025-12) · 금융보안원 (2025-02) · EU AI Act 제14조공공 AI 전환 정책
국가인공지능전략위원회 예산 자료 (2026-03) · 15대 선도프로젝트 (2025-08) · 식약처 AI 심사 (2026-02) · 국세청 로드맵 (2026-01)한국딥러닝 상반기 발표
벤처스퀘어 (2026-07-16)
Share article