기업 스프레드시트를 조사한 한 연구에 따르면 94%가 최소 하나의 심각한 오류를 포함하고 있다. 씨티그룹(Citigroup)은 스프레드시트 실수 하나 때문에 채권자들에게 9억 달러를 잘못 송금한 적이 있다. JP모건에 60억 달러의 손실을 입힌 "런던 고래(London Whale)" 거래 사태 역시 부분적으로는 엑셀에서의 복사-붙여넣기 오류가 원인이었다. 그리고 2020년, 영국의 공공 의료 시스템은 스프레드시트가 조용히 행(row) 한도에 도달하는 바람에 코로나19 검사 결과 1만 6천 건을 놓쳤다.
그런데 이렇게 오류투성이인 스프레드시트들이 지금 하나둘 AI 어시스턴트에게 넘겨지며 "그냥 이것 좀 분석해줘"라는 요청을 받고 있다. 이것이 올해 금융업계에서 돌고 있는 한 주장의 불편한 이면이다: 메뉴를 클릭해가며 쓰도록 만들어진 전통적인 FP&A(재무 계획 및 분석) 소프트웨어는 이미 한물갔다는 것. 이 도발적인 주장을 내놓은 사람은 텔아비브 기반 FP&A 기업 데이터레일스(Datarails)의 CEO 디디 구르핀켈(Didi Gurfinkel)이다. 데이터레일스는 재무팀들의 "엑셀 지옥"을 해결하며 이름을 알린 회사다. 그의 주장을 간단히 요약하면 이렇다: AI는 이제 인간보다 더 빠르고 더 낫게 모델을 만들고, 분석을 실행하고, 보고서를 작성할 수 있다 — 따라서 AI가 다룰 수 있는 범위를 제한하는 도구는 이미 뒤처져 있다는 것이다.
"죽었다"는 표현에 동의하든 안 하든, 그 밑바탕에 깔린 변화는 소규모 사업체를 운영하거나, 신생 스타트업의 작은 재무팀을 이끌거나, 심지어 자기 회사의 숫자를 스프레드시트로 직접 관리하는 사람이라면 주목할 가치가 있다.
데이터레일스가 실제로 발표한 것
지금까지 1억 7,500만 달러의 벤처 자금을 조달했으며 2026년 초에는 7,000만 달러 규모의 시리즈 C 투자를 유치한 데이터레일스는, FinanceOS라는 플랫폼을 출시했다. 이는 단일 제품이라기보다는 포지셔닝의 전환에 가깝다: 또 하나의 폐쇄형 대시보드를 만드는 대신, 데이터레일스는 재무팀들이 이미 선호하는 AI 도구(클로드, ChatGPT, 마이크로소프트 코파일럿 등)를 계속 쓸 것이라 보고, 그 밑에 깔린 데이터를 신뢰할 수 있게 만드는 데 집중하기로 한 것이다.
FinanceOS는 수백 개의 소스 시스템(회계 소프트웨어, ERP, CRM, 급여 시스템)에 연결되어, 상계 처리, 통화 환산, 서로 다른 세 시스템에서 나온 숫자가 맞지 않을 때 이를 조정하는 등 화려하지 않지만 꼭 필요한 통합 작업을 수행한 뒤, 그 결과를 모델 컨텍스트 프로토콜(Model Context Protocol) 표준을 이용한 통제되고 감사 가능한 계층을 통해 AI 모델에 노출한다. AI가 만든 모델이 일단 생성되면, 밑에 깔린 데이터가 계속 갱신되더라도 일관성을 유지하도록 고정(잠금)할 수 있다.
경쟁사에 대한 구르핀켈의 날카로운 언급은, 오래된 벤더들은 "이미 사라진 것이나 다름없다... 기술을 다시 쓸 만한 자금도 에너지도 없다"는 것이었고, 반면 새로운 AI 네이티브 경쟁사들은 매끈한 인터페이스에는 큰 투자를 했지만 화려하지 않은 데이터 통합 계층에는 충분히 투자하지 않았다는 것이었다 — 그리고 그는 바로 그 데이터 통합 계층이야말로 진짜 지속 가능한 경쟁 우위라고 주장한다. 데이터레일스는 또한 가격 정책을 좌석(사용자)당 라이선스 방식에서 사용량 기반 방식으로 전환하고 있는데, 이는 앞으로 소프트웨어를 "사용"하는 주체가 점점 인간이 아니라 AI 에이전트가 될 것이라는 전제에 근거한다.
재무 분야의 AI 도입 역설
이런 흐름을 눈치챈 것은 데이터레일스만이 아니다. 기업 재무 분야의 AI 활용에 관한 업계 설문조사들은 계속해서 같은 이상한 패턴을 보여준다: 도입률은 오르는데, 체감하는 효과는 거의 그대로라는 것이다. 2025년의 한 업계 벤치마크 조사에 따르면 AI를 실제로 사용하는 재무팀의 비율은 58%에서 59%로 전년 대비 단 1퍼센트포인트 상승하는 데 그쳤고, 반면 이미 AI 도구를 도입한 재무팀의 91%는 그것이 실제 업무에 미친 영향이 낮았다고 답했다.
이 정도로 강력한 기술치고는 이상한 결과다. CFO와 재무 리더들이 흔히 내놓는 설명은 모델 자체가 나쁘다는 것이 아니라, 그 모델에 입력되는 데이터가 엉망이라는 것이다. 팀들은 정말로 유능한 AI를, 정말로 엉망인 원본 데이터에 연결해놓고는 왜 결과물이 도움이 안 되는지 의아해하고 있다.
진짜 문제는 AI 부족이 아니라 통제되지 않은 데이터다
어떤 벤더의 제품 출시 소식보다 더 중요한 대목은 바로 이것이다: 재무팀 내 AI 도입은 계속 늘고 있지만, 그 AI가 만들어내는 효과는 그만큼 따라오지 못하고 있다는 점이다. 2026년의 여러 업계 설문조사가 같은 간극을 지적한다 — 팀들은 AI를 켜는 속도가 그로부터 가치를 얻는 속도보다 빠르며, 가장 흔히 꼽히는 이유는 데이터 품질이다. 2026년의 널리 인용된 한 CFO 설문조사에 따르면, 재무 리더의 63%가 자사의 지출 데이터를 완전히 파악하고 있다고 믿었지만, 실제로 그런 경우는 약 5%에 불과했다.
바로 이 간극이 이 이야기의 핵심이다. 장부가 지저분하다면, AI 도구를 붙인다고 해서 그 지저분함이 사라지지는 않는다 — 그저 그 지저분함을 더 빠르게 처리해서, 나쁜 입력값을 바탕으로 만든 자신만만한 답변으로 돌려줄 뿐이다. AI 모델은 자신이 틀렸을 때를 안정적으로 알아차리지 못한다. 2년 전에 이미 폐지된 세법 규정을 인용하거나, 마지막 업데이트 이후 방치된 스프레드시트 탭을 요약하면서도, 맞는 답을 낼 때와 정확히 똑같은 확신에 찬 어조로 말할 것이다.
소규모 사업체라면 이는 사소하지만 비용이 큰 방식으로 나타난다:
- AI가 생성한 현금흐름 요약이 아무도 알려주지 않은 은행 계좌 하나를 조용히 빠뜨리는 경우.
- 수식 셀의 3~5%에 소리 없는 오류가 포함된 스프레드시트로 만들어진 "깔끔해 보이는" 경비 보고서 — 이 비율은 지난 20년간 스프레드시트 오류 연구에서 꾸준히 관찰돼왔고, 시트가 커질수록 더 심해질 뿐이다.
- 탭이 링크가 아니라 복사로 만들어져서, 실제로는 서로 다른 두 회계 기간의 값을 평균 낸 것에 불과한 마진에 대한 자신만만한 답변.
이 중 어느 것도 진짜로는 AI의 문제가 아니다. 이는 AI가 더 잘 보이게 만들었을 뿐인 데이터 거버넌스 문제다 — 왜냐하면 이제 그 엉망인 데이터가 하나의 문단으로 요약되어 나오면, 명백히 지저분해 보이는 원본 스프레드시트보다 오히려 액면 그대로 믿기 쉬워지기 때문이다.
"AI 대응" 재무 데이터가 실제로 요구하는 것
FinanceOS 같은 제품을 써보든 안 써보든, 그것이 팔고 있는 밑바탕의 원칙 자체는 따로 받아들일 가치가 있다:
1. 스프레드시트 폴더가 아니라 단일한 진실의 원천. "진짜 숫자"가 마지막 수정 날짜가 제각각인 네 개의 워크북에 흩어져 있다면, 그 위에 어떤 AI 계층을 올려도 이를 제대로 조정하지 못한다 — 그저 어느 것이 최신본인지 추측할 뿐이다.
2. 모든 숫자에 대한 감사 추적. 어떤 수치가 바뀌었다면, 왜 바뀌었는지, 누가(또는 무엇이) 바꿨는지 답할 수 있어야 한다. 이것이 바로 스프레드시트가 가장 취약한 부분이다 — 수식이 고정값으로 덮어써지면 아무런 흔적도 남지 않는다.
3. 잠긴, 버전 관리되는 모델. AI가 만든 예측 모델은 검토하는 동안 안정적으로 유지될 때만 쓸모가 있다. 밑에 깔린 데이터가 모델 아래에서 계속 조용히 바뀐다면, 당신은 계속 움직이는 표적을 검토하고 있는 셈이다.
4. 자동화 이후가 아니라 이전에 오는 거버넌스. 흔히 있는 이미 있는 프로세스에 AI를 그냥 덧붙이려는 본능이 작동한다. 실제로 가치를 얻는 팀들은 반대로 한다: 계정과목 체계를 정리하고, 분류 기준을 표준화한 다음에야 비로소 AI를 그 위에 겨눈다.
5. "그 탭은 건드리지 마세요"에 의존하지 않는 권한 체계. 공유 스프레드시트에서 접근 제어는 대개 특정 셀을 수정하지 말자는 구두 합의로 이뤄진다. 이것은 거버넌스가 아니다 — 새로운 사람이 팀에 합류하는 순간 곧바로 깨지는 습관일 뿐이다. 당신의 숫자를 담고 있는 시스템이라면, 모두가 규칙을 기억해주길 바라는 대신 누가 무엇을 바꿀 수 있는지를 강제해야 한다.
6. 도구를 넘어, 벤더보다 오래 살아남는 기록. 대부분의 FP&A 플랫폼처럼 FinanceOS도 독점(proprietary) 시스템이다 — 유용하긴 하지만, 당신의 과거 데이터는 다른 누군가의 제품 안에 살고 있다. 어떤 도구를 도입하든 물어볼 가치가 있는 질문이다: 만약 내일 그 도구를 떠난다면, 완전하고 읽을 수 있는 재무 이력을 그대로 가지고 나갈 수 있는가, 아니면 수년치 거래 내역을 손으로 다시 입력해야 하는가?
다섯 명 규모의 회사에도 실제로 의미가 있을까?
"FP&A 플랫폼"이라는 말을 들으면 대기업 이야기라고 넘겨짚기 쉽다. 하지만 실제로는 실패 양상이 규모와 무관하게 똑같다 — 다만 다섯 명 규모의 회사에서는 당신 말고는 아무도 그 스프레드시트를 감사하지 않기 때문에 덜 눈에 띌 뿐이다.
프로젝트 수익성을 공유 스프레드시트로 관리하는 작은 에이전시를 상상해보자: 고객마다 탭이 하나씩 있고, 시간은 시간 추적 도구에서 가져오고, 비용은 카드 명세서에서 붙여넣는다. AI 어시스턴트에게 "지난 분기에 어떤 고객이 수익성이 좋았나요?"라고 물으면, 흔쾌히 모든 탭을 읽고 자신 있게 순위가 매겨진 목록을 내놓을 것이다. 하지만 그것이 알려주지 못하는 것은, 고객 탭 두 개가 나머지와 다른 간접비 계산식을 쓰고 있다는 사실(오래된 템플릿에서 복사된 것)과, 어떤 고객의 숫자는 마지막 청구서 발행 이후 그 탭이 업데이트되지 않아 3주나 지난 값이라는 사실이다. AI로서는 그것을 알 방법이 없다 — 그저 셀 안의 숫자를 보고 보고할 뿐이다.
해결책이 반드시 엔터프라이즈급 FP&A 소프트웨어를 사는 것일 필요는 없다. 중요한 것은, AI가 당신의 숫자를 건드리기 전에 그 숫자가 존재하는 단일한 장소, 그것들이 따르는 일관된 형식, 그리고 각 수치가 마지막으로 언제 바뀌었는지에 대한 기록이 있는지를 확인하는 것이다. 이것은 거버넌스 문제이지, 회사 규모의 문제가 아니다.
플레인텍스트, 버전 관리되는 장부를 위한 논거
"AI 대응 데이터"라는 유행어가 생기기 훨씬 전부터, 바로 이 간극을 메우기 위해 플레인텍스트 회계(plain-text accounting)가 만들어졌다. 버전 관리되는 플레인텍스트 형식으로 유지되는 원장은 구조상 이미, 재무팀들이 지금 스프레드시트에 뒤늦게 덧붙이려고 애쓰는 그 속성들을 가지고 있다:
- 모든 변경 사항이 추적된다. Git 히스토리 자체가 곧 감사 추적이다 — 별도의 변경 로그를 관리할 필요도, 흔적 없이 조용히 덮어써지는 수식도 없다.
- "final_v3" 워크북 폴더가 아니라 하나의 정본 파일. 어느 버전이 최신인지에 대한 모호함이 없다.
- 구조화되고 파싱 가능한 데이터. 항목들이 자유형식의 스프레드시트 셀 대신 일관된 복식부기 형식을 따르기 때문에, 원장을 읽는 AI 도구는 병합된 셀이 무엇을 의미하는지 추측하는 대신 구조화되고 감사 가능한 기록을 바탕으로 작업하게 된다.
만약 당신이 소규모 사업주, 프리랜서, 또는 인디 개발자로서 현재 스프레드시트로 장부를 관리하며 AI 코파일럿에게 넘겨야 할지 고민하고 있다면, 더 오래가는 해법은 대체로 먼저 근본적인 기록 관리 방식을 바로잡는 것이다.
처음부터 AI 대응 장부를 유지하라
앞으로 몇 년간 어떤 재무 도구가 승리하든, 결국 승자는 AI가 손대기 전부터 밑바탕 기록이 신뢰할 만했던 쪽일 것이다. Beancount.io는 투명하고, 버전 관리되며, 바로 이런 종류의 정밀한 검증을 위해 구조화된 플레인텍스트 회계를 제공한다 — 블랙박스 스프레드시트도, 미스터리한 수식도 없이, AI든 사람이든 어떤 도구도 신뢰할 수 있는 감사 가능한 기록만 있을 뿐이다. 무료로 시작하기로 앞으로 무엇이 오든 준비된 기반 위에 당신의 장부를 구축하라.