회사가 1년 동안 장사를 잘했는지, 장부에 적힌 숫자가 맞는지를 바깥 전문가가 확인해 주는 일을 회계감사라고 합니다. 주식시장에 상장된 회사라면 매년 꼭 받아야 하는 ‘건강검진’ 같은 일이죠. 그런데 이 일에 AI 에이전트 100개 이상을 한꺼번에 투입해 본 실험 결과가 나왔습니다.
세계 4대 회계법인(빅4) 중 하나인 KPMG의 영국 법인이 ‘프로젝트 엑스포넨셜(Project Exponential)’이라는 이름으로, 영국 FTSE 250 지수에 들어간 한 상장사의 재무제표를 AI 에이전트들에게 감사하게 했습니다. KPMG 영국 감사 부문 책임자 캐스 버넷(Cath Burnet)은 영국 파이낸셜타임스(FT)에 “여러 사례에서 AI가 훨씬 더 깊이 파고들었고, 어떤 상황에서는 더 나은 질문을 했다”고 말했어요. 이 소식은 해외 개발자 커뮤니티 해커뉴스에서도 480점 가까운 추천을 받으며 화제가 됐습니다.
그렇다고 “이제 회계사는 필요 없다”는 이야기일까요? 아닙니다. 같은 실험에서 AI가 규정과 회사 서류를 제대로 맞춰 보지 못해 사람이 끼어들어야 했던 장면도 있었고, 정식 감사 의견은 결국 사람이 한 감사를 바탕으로 나갔습니다. 오늘은 이 실험이 정확히 무엇을 했는지, ‘더 나은 질문’이 왜 중요한지, 어디까지가 사실이고 어디부터가 과장인지, 그리고 영국 감독 당국이 왜 같은 주에 경고를 내놨는지까지 차근차근 풀어 보겠습니다.

1. 한눈에 보는 오늘 이야기
| 질문 | 짧은 답 |
|---|---|
| 무슨 일인가요? | KPMG 영국 법인이 AI 에이전트 100개 이상으로 상장사 한 곳의 재무제표를 감사해 보는 실험을 했습니다. |
| 어떤 회사를? | 영국 FTSE 250 지수에 속한 상장사 한 곳입니다. 회사 이름은 공개되지 않았어요. |
| 어떻게? | 원래 하던 사람 감사와 나란히(병행) 진행했습니다. 같은 장부를 두 팀이 따로 본 셈이에요. |
| 결과는? | 몇몇 부분에서 AI가 사람 팀보다 더 깊이 파고들고 더 나은 질문을 했다고 KPMG가 밝혔습니다. |
| 한계는? | 한 영역에서 AI가 규정과 회사 서류를 맞춰 보는 데 실패해 사람이 개입했습니다. |
| 정식 감사였나요? | 아닙니다. 실험 결과는 회사 결산을 공식 승인하는 데 쓰이지 않았습니다. |
| 다음은? | 최대 20건의 더 큰 감사로 실험을 넓히고, 장기적으로 고객에게 AI 기반 감사를 제공하는 게 목표입니다. |
2. 먼저, 회계감사가 뭔지부터
회사는 1년에 한 번 “우리는 이만큼 벌고, 이만큼 쓰고, 재산은 이만큼 있습니다”라는 성적표를 냅니다. 이게 재무제표예요. 그런데 회사가 직접 쓴 성적표를 그대로 믿기는 어렵겠죠? 그래서 회사와 이해관계가 없는 회계법인이 들어가 “이 숫자가 믿을 만한지”를 확인하고 의견을 붙입니다. 이것이 외부 회계감사입니다. 우리나라도 상장회사는 매년 외부 회계법인의 감사를 받고, KPMG의 한국 회원사는 삼정KPMG입니다.
학교 시험에 빗대 보면 이해가 쉬워요.
| 회계감사 용어 | 학교에 빗대면 | 뜻 |
|---|---|---|
| 재무제표 | 학생이 직접 채점해 낸 성적표 | 회사가 만든 1년 살림 보고서 |
| 감사인(회계법인) | 다른 학교에서 온 채점 선생님 | 숫자가 맞는지 확인하는 바깥 전문가 |
| 감사 증거 | 답안지·풀이 과정 | 계약서·영수증·은행 잔액 확인서 같은 근거 자료 |
| 감사 의견 | “이 성적표는 믿을 만합니다” 도장 | 재무제표가 적정한지에 대한 공식 결론 |
| 독립성 | 채점 선생님이 학생 과외 선생님이면 안 됨 | 감사인이 회사와 얽히지 않아야 한다는 원칙 |
전통적인 감사는 많은 수의 주니어 회계사가 자료를 하나하나 대조하고, 경험 많은 매니저와 파트너가 판단을 내리는 사람 손이 아주 많이 드는 일입니다. 바로 이 부분에 AI 에이전트를 넣어 본 것이 이번 실험이에요.
3. ‘AI 에이전트’는 챗봇과 뭐가 다를까
챗GPT에 질문 하나 던지고 답 하나 받는 건 ‘챗봇’ 방식입니다. AI 에이전트는 한 걸음 더 나가서, 목표를 받으면 스스로 자료를 찾고, 정리하고, 다음에 뭘 할지 정하며 여러 단계를 이어서 처리하는 AI를 말해요. 이번 실험에서는 이런 에이전트가 100개 넘게 감사의 여러 단계에 나뉘어 배치됐고, 서로 협력하며 자율적으로 일했다고 FT는 전했습니다.
| 구분 | 챗봇 | AI 에이전트(이번 실험) |
|---|---|---|
| 일하는 방식 | 질문 하나 → 답 하나 | 목표 하나 → 여러 단계를 스스로 이어서 처리 |
| 맡은 범위 | 문서 요약, 표 정리 같은 한 가지 작업 | 감사 전 과정에 걸쳐 역할을 나눠 맡음 |
| 협업 | 보통 혼자 | 여러 에이전트가 서로 주고받으며 일함 |
| 결과물 | 답변 글 | 자료 기록, 결론·관찰 초안, 다음 단계 제안 |
보도에 따르면 지금까지 감사에서 AI는 개별 작업을 돕는 데 쓰였지, 영국의 큰 감사 전체 과정에 걸쳐 쓰인 적은 없었습니다. 그래서 이번 실험이 주목을 받은 거예요.
4. 프로젝트 엑스포넨셜은 어떻게 진행됐나

FT 보도와 이를 인용한 아이리시 타임스·인터내셔널 어카운팅 불러틴 등의 내용을 정리하면 이렇습니다.
| 항목 | 내용 |
|---|---|
| 실험 이름 | 프로젝트 엑스포넨셜(Project Exponential) |
| 대상 | FTSE 250 지수 편입 영국 상장사 1곳(이름 비공개)의 재무제표 |
| 시기 | 올해(2026년) 진행, 보도는 11월 18일 전후 |
| 투입된 AI | AI 에이전트 100개 이상, 감사 모든 단계에 배치 |
| 에이전트가 한 일 | 데이터 수집 → 분석·기록 → 결론과 관찰 사항 초안 → 다음 단계 제안 |
| 개발 기간 | 약 4개월 |
| 사람 팀 | 파트너 2명과 디렉터 1명이 시니어 매니저·주니어 직원과 함께 에이전트를 만들고 운영(정확한 인원은 비공개) |
| 진행 방식 | 기존 사람 감사와 병행 |
| 서명 | 감사 파트너가 실험 감사에 ‘서명’은 했지만, 회사 결산을 공식 승인할 때 이 결과에 기대지는 않음 |
여기서 꼭 짚을 점은 사람이 손을 뗀 게 아니라는 것입니다. 버넷은 이번 팀이 전통 감사팀과는 “모양과 규모가 달랐다”면서도 사람의 참여는 여전히 “결정적(critical)”이었다고 강조했어요. 직원들이 한 일은 다음과 같습니다.
| 사람이 맡은 일 | 쉽게 말하면 |
|---|---|
| 에이전트의 목표 정하기 | “이번엔 매출 쪽을 봐 줘”처럼 숙제를 내 줌 |
| 회사 사업·이전 감사 정보 제공 | “이 회사는 이런 장사를 하고, 작년엔 이런 문제가 있었어” 하고 배경 설명 |
| 중간중간 결과 점검 | 숙제를 하는 도중에 들여다봄 |
| 결론에 반박하기 | “정말 그래? 근거는?” 하고 따져 물은 뒤 감사 의견 확정 |
5. ‘더 깊이, 더 나은 질문’은 무슨 뜻일까

감사의 핵심은 사실 ‘좋은 질문’입니다. “이 달에만 매출이 갑자기 늘었네요, 왜죠?” “이 거래처와의 계약서는 어디 있나요?” 같은 질문을 던져야 숨은 문제가 드러나거든요.
사람 감사팀은 시간과 인원이 한정돼 있어서 보통 전체 거래 중 일부를 골라(표본) 확인합니다. 반면 AI 에이전트는 훨씬 많은 거래를 훑어볼 수 있죠. 영국 회계 감독 당국(FRC) 지침을 소개한 기술 매체 디코더도 “전통 감사가 표본을 뽑는 곳에서 AI 에이전트는 잠재적으로 훨씬 많은 거래를 분석할 수 있다”고 설명했습니다. 더 많이 볼수록 이상한 점이 눈에 띌 가능성이 커지고, 그만큼 질문거리도 늘어나는 거예요.
| 비교 | 사람 위주 감사 | AI 에이전트 활용 감사 |
|---|---|---|
| 보는 범위 | 주로 표본을 뽑아 확인 | 훨씬 많은 거래를 훑을 수 있음 |
| 강점 | 맥락 이해, 규정 해석, 전문가 판단 | 지치지 않는 대량 대조, 패턴 찾기 |
| 약점 | 시간·인력 한계 | 규정 적용 실수, 그럴듯한 오답(환각), 지저분한 데이터에 약함 |
| 이번 실험에서 | 최종 감사 의견을 책임짐 | 일부 사안에서 더 깊이 파고들고 더 나은 질문 |
다만 “더 나은 질문을 했다”는 평가는 KPMG 스스로 밝힌 내용이라는 점을 기억해 두세요. 외부 기관이 결과를 따로 검증한 것은 아니고, 어떤 질문이 얼마나 나았는지 구체적인 수치도 공개되지 않았습니다. 그리고 ‘몇몇 사례에서’라는 단서가 붙어 있어요.
6. AI가 실패한 장면: 규정과 서류 맞춰 보기
버넷은 감사의 한 영역에서 AI 에이전트가 일련의 규정을 회사 서류와 맞춰 보는 데 실패해 사람이 개입해야 했다고 밝혔습니다. 어떤 규정이었는지는 공개되지 않았지만, 이 장면은 지금 AI의 강점과 약점을 잘 보여 줍니다.
예를 들어 볼게요. “거래 1만 건 중에 금액이 이상하게 큰 걸 찾아 줘”는 AI가 잘하는 일입니다. 하지만 “이 회사 계약서 조항이 회계 기준의 이 문단에 해당하는지 판단해 줘”는 글자 맞추기가 아니라 해석이 필요한 일이에요. 규정 문구와 실제 서류 표현이 딱 맞아떨어지지 않을 때 AI는 엉뚱하게 연결하거나 놓칠 수 있습니다.
| AI가 비교적 잘하는 일 | 아직 사람 눈이 꼭 필요한 일 |
|---|---|
| 많은 거래에서 튀는 숫자 찾기 | 규정·기준을 실제 서류에 적용해 판단하기 |
| 자료 모으고 표로 정리하기 | 애매한 상황에서 “이건 문제다”라고 결론 내리기 |
| 작업 과정을 빠짐없이 기록하기 | 결론에 책임지고 서명하기 |
| “이건 왜 그렇죠?” 질문 후보 뽑기 | 회사 사람의 답이 말이 되는지 따져 보기 |
뉴스1 보도에 따르면 KPMG는 AI 에이전트의 모든 작업 과정과 문답 기록을 추적할 수 있도록 시스템을 만들었다고 강조했습니다. AI가 틀렸을 때 “어디서, 왜” 틀렸는지 거슬러 올라갈 수 있어야 사람이 제대로 감독할 수 있기 때문이에요.
7. 숫자로 정리하기

| 숫자 | 뜻 | 읽을 때 주의할 점 |
|---|---|---|
| 100개 이상 | 투입된 AI 에이전트 수 | 에이전트 ‘개수’가 곧 실력은 아님. 역할을 잘게 나눴다는 뜻에 가까움 |
| 1곳 | 실험 대상 회사(FTSE 250 상장사) | 회사 하나의 결과로 일반화하기엔 이릅니다 |
| 약 4개월 | 에이전트 개발 기간 | ‘감사에 걸린 시간’이 아니라 ‘시스템을 만든 시간’ |
| 최대 20건 | 다음 단계로 넓힐 대형 감사 수 | 아직 수천 건 감사에 쓸 규모는 아니라고 KPMG도 인정 |
| 23% | AI에 대한 신뢰가 ‘제한적’이라고 답한 기업 감사위원장 비율 | 대형 감사법인들의 정책 연구 단체(Centre for Public Interest Audit)가 지난달 낸 보고서 수치(아이리시 타임스 보도) |
KPMG는 “분명한 시간 절약 기회”를 확인했다고 했지만, 그만큼 감사 수수료가 내려갈지는 밝히지 않았습니다. 또 버넷은 수천 건의 감사를 돌릴 만큼의 기술 규모는 아직 없고, AI 에이전트가 일할 만큼 데이터가 ‘깨끗한’ 회사가 아직 적으며, AI 감사를 원하지 않는 회사도 있을 수 있다고 말했어요.
8. 같은 주에 나온 감독 당국의 경고: “기술이 뭐든 책임은 감사인에게”
공교롭게도 실험 소식이 나오기 직전인 11월 16일, 영국 회계 감독 기관인 재무보고위원회(FRC)가 감사인이 AI를 포함한 기술을 쓸 때 독립성을 어떻게 지켜야 하는지에 대한 지침을 냈습니다. 새 규칙을 만든 건 아니고, 기존 윤리 기준을 어떻게 적용할지 설명하는 지침이에요. FRC의 마크 배빙턴(Mark Babington) 규제기준 담당 이사는 “감사인의 AI 활용은 감사 품질을 높일 수 있지만, 감사인의 독립성은 공익에 봉사하는 감사의 중심에 있어야 한다”고 말했습니다.
왜 이런 걱정이 나올까요? AI 에이전트는 회사 데이터를 깊이 훑기 때문에 감사와 상관없는 ‘쓸 만한 정보’(비효율적인 업무, 비용 절감 기회 등)까지 찾아낼 수 있습니다. 감사인이 이걸 회사에 건네며 “저희가 컨설팅도 해 드릴까요?”로 이어지면, 채점 선생님이 과외 영업을 하는 꼴이 되는 거죠.
| FRC가 짚은 위협 | 쉽게 말하면 |
|---|---|
| 경영 위협 | 감사인의 조언이 사실상 회사 경영 결정의 일부가 되어 버림 |
| 자기 검토 위협 | 내가 낸 조언이 반영된 숫자를 내가 다시 감사함. 비슷한 AI 모델이 만든 결과를 비슷한 모델로 검사하면 “맞다”는 쪽으로 쏠릴 수 있다는 점도 지적 |
| 자기 이익 위협 | AI 기술 시연이 “다음 일감 따내기”의 발판처럼 보일 수 있음 |
| 친밀 위협 | 감사와 무관한 조언을 자주 하다 보면 감사인이 경영진과 너무 가까워 보임 |
반대로 내부통제의 큰 결함처럼 감사 기준상 반드시 알려야 하는 사항을 전달하는 것은 독립성 위협이 아니라고 FRC는 정리했습니다. 즉 “AI로 알게 된 걸 말하지 마라”가 아니라 “감사인답게, 사실 위주로, 선을 지켜서 말하라”에 가깝습니다.
9. 그래서 회계사는 사라질까? 과장과 사실 구분하기
| 이런 말을 들으면 | 실제로는 |
|---|---|
| “AI가 회계사를 이겼다” | 일부 사례에서 더 깊이 파고들고 더 나은 질문을 했다는 KPMG 자체 평가입니다. 외부 검증이나 점수 비교는 공개되지 않았어요. |
| “AI가 감사를 끝냈다” | 정식 감사 의견은 사람이 한 기존 감사를 근거로 나갔습니다. |
| “사람은 필요 없다” | 목표 설정·자료 제공·점검·반박을 사람이 했고, 규정 대조 실패 땐 사람이 개입했습니다. |
| “곧 모든 감사가 AI로” | 다음 단계는 최대 20건. KPMG도 수천 건 규모는 아직이라고 말했습니다. |
| “감사비가 싸진다” | 시간 절약은 확인했지만 수수료 인하 여부는 밝히지 않았습니다. |
오히려 이번 실험이 보여 주는 변화는 ‘일하는 모양’입니다. 버넷 말처럼 팀의 “모양과 규모”가 달라지는 거죠. 많은 주니어 회계사가 맡던 반복 대조 작업은 AI가 늘려 가고, 사람은 목표를 정하고, 결과를 의심하고, 최종 판단에 책임지는 쪽으로 무게가 옮겨 갈 가능성이 큽니다.
10. 우리 일에 가져올 교훈: AI 에이전트에게 일 맡길 때 4단계
회계사가 아니어도 이 실험에서 배울 점이 있습니다. 회사에서 AI에게 보고서 초안, 자료 정리, 데이터 분석을 맡기는 분이라면 KPMG 직원들이 한 역할을 그대로 따라 해 보세요.
| 단계 | KPMG 실험에서 | 내 업무에 적용하면 |
|---|---|---|
| 1. 목표 정하기 | 에이전트별 목표 설정 | “지난 분기 지출에서 평소보다 30% 넘게 늘어난 항목만 찾아 줘”처럼 범위를 좁게 |
| 2. 배경 건네기 | 회사 사업·이전 감사 정보 제공 | “작년엔 출장비가 문제였어” 같은 맥락을 먼저 알려 주기 |
| 3. 중간 점검 | 작업을 주기적으로 확인 | 한 번에 끝까지 맡기지 말고 중간 결과를 보고 방향 수정 |
| 4. 결론 반박 | 결론에 이의를 제기한 뒤 확정 | “근거 원문은?” “반대로 볼 여지는?”을 꼭 묻고, 숫자는 원자료로 확인 |
특히 4단계가 중요합니다. AI가 좋은 질문을 던져 줄 수는 있지만, 그 질문에 대한 최종 답과 책임은 여전히 사람 몫이라는 게 이번 실험과 FRC 지침이 동시에 보여 준 메시지예요.
11. 자주 묻는 질문
| 질문 | 답 |
|---|---|
| 어떤 회사를 감사했는지 알 수 있나요? | 공개되지 않았습니다. FTSE 250 지수(런던 증시 시가총액 101~350위권 기업 묶음)에 속한 회사라는 것만 알려졌어요. |
| AI가 찾은 문제가 실제 결산에 반영됐나요? | 알려지지 않았습니다. KPMG는 회사 결산을 공식 승인할 때 실험 결과에 기대지 않았다고 했습니다. |
| 한국 회계법인도 이런 걸 하나요? | 이번 보도는 KPMG 영국 법인의 실험에 관한 것입니다. 국내 회계법인의 비슷한 감사 실험은 이번 보도에 나오지 않았습니다. |
| 회계사를 꿈꾸는 학생은 걱정해야 하나요? | 반복 대조 업무는 줄어들 수 있지만, 규정 해석·판단·책임은 사람 몫으로 남는다는 게 이번 실험의 결론에 가깝습니다. AI를 잘 부리고 결과를 의심할 줄 아는 능력이 더 중요해질 거예요. |
| AI가 틀리면 누가 책임지나요? | 감사인입니다. FRC는 “어떤 기술을 쓰든 감사인이 책임진다”는 입장이고, 감사인은 AI를 어떻게 썼는지 설명하고 결과를 따져 볼 수 있어야 한다고 강조했습니다. |
마무리: AI는 ‘질문 잘하는 신입’, 도장은 사람이
이번 KPMG 실험을 한 줄로 줄이면 “AI 에이전트 100개는 지치지 않고 더 많이 보고, 가끔은 사람보다 날카로운 질문을 던졌다. 하지만 규정 해석에서 넘어졌고, 최종 도장은 사람이 찍었다”입니다. 회계감사처럼 신뢰가 생명인 일에서도 AI가 ‘보조 도구’를 넘어 ‘팀원’ 자리로 들어오기 시작했다는 신호이고, 동시에 감독 당국은 “편리해져도 책임과 독립성은 그대로”라고 선을 그었어요. 우리도 AI에게 일을 맡길 때 목표를 정하고, 배경을 건네고, 중간에 보고, 마지막엔 꼭 반박해 보는 습관을 들여 보세요. AI가 던진 좋은 질문을 내 판단으로 마무리하는 것, 그게 AI 시대의 일하는 방식입니다.