메뉴를 없애다, AI 회계 Copilot과 자연어 지시
48단계까지의 완벽한 데이터 파이프라인 위에 사용자 경험(UX)의 혁신을 입힙니다.
회계사가 '조회 조건'을 일일이 클릭하는 대신, 채팅창에 "올해 비용 중 전년보다 20% 이상 폭증한 거래처를 찾아 엑셀로 줘" 라고 말하면, AI가 의도를 파악하고 직접 SQL과 Pandas를 돌려 보고서를 대령하는 진정한 AI Copilot을 구현합니다.
메뉴 클릭의 시대에서 자연어(대화)의 시대로
기존 시스템에서는 원하는 데이터를 뽑기 위해 수많은 체크박스와 콤보박스를 조작한 뒤 엑셀로 다운받아 수작업으로 피벗을 돌려야 했습니다. 49단계의 Copilot은 이 과정을 "채팅 한 줄"로 대체합니다.
Intent(의도) 분석과 Entity(핵심어) 추출
AI는 인간의 자연어 문장에서 Structured Output(구조화된 JSON 데이터)을 뽑아내는 데 천재적입니다.
- Intent (어떤 행동을 할까?):
EXPENSE_ANALYSIS(비용 분석 업무) - Entity (조건은 무엇인가?):
year=2026,month=8,min_amount=1000000,growth_rate_min=20
절대 원칙: AI에게 직접 계산(수학)시키지 마라
대형 언어 모델(LLM)은 문맥 파악에는 뛰어나지만, 산수 계산에는 잼병입니다. 14.7% 증가를 15%로 퉁쳐서 말하는 일이 빈번합니다. 회계 시스템에서 이런 오차는 치명적입니다.
AI는 "무엇을 조회하고 분석할지 결정(Tool Calling)"하고, 파이썬(Pandas)이 넘겨준 "완벽하게 계산된 결과값을 예쁘게 포장해서 설명"하는 역할만 수행해야 합니다. 실제 계산은 무조건 Python 엔진이 담당합니다.
SQL 조회와 Pandas 분석의 연결
AI가 넘겨준 파라미터(조건)를 바탕으로 파이썬이 움직입니다. DB에서 로우(Raw) 데이터를 뽑고, 판다스 데이터프레임으로 변환하여 그룹화 및 증감률을 계산합니다.
# AI가 지시한 조건에 따라 Pandas 연산 수행 df["growth_rate"] = ((df["current"] - df["previous"]) / df["previous"]) * 100 result = df[ (df["amount"] >= 1_000_000) & (df["growth_rate"] >= 20) ]
차트/엑셀/PDF 보고서 자동 생성
회계사가 "대표님 보고용으로 엑셀로 좀 빼줘" 라고 하면, 시스템은 분석된 결과를 openpyxl로 예쁘게 포매팅한 엑셀 파일이나 matplotlib 그래프가 첨부된 PDF로 변환하여 채팅창 다운로드 링크로 던져줍니다.
테넌트 보안 및 권한 필터링
AI에게 모든 데이터를 무방비로 열어주면 안 됩니다. 앞서 45단계에서 배운 tenant_id 기반의 쿼리 제한이 여기서도 완벽히 작동해야 합니다. 회계사 A가 "전체 매출 큰 거 뽑아줘" 라고 해도, 백단에 있는 Python Tool은 반드시 현재 로그인한 회계사 A의 테넌트 영역 안에서만 SQL 조회를 돌리도록 강제(Enforce)되어야 합니다.
50단계 예고: 대단원, 회계사무소 통합 SaaS 구축
이제 파이썬과 AI, 그리고 클라우드 배포와 워크플로우 엔진까지 모든 준비가 끝났습니다.
다음 50단계는 이 50번의 기나긴 여정을 집대성하는 시간입니다. 우리가 만든 고객관리, 자동수집, AI 코파일럿, 보안 통제 모듈을 하나로 엮어 실제 회계사무소가 돈을 내고 쓸 수 있는 상용(Commercial) 레벨의 'AI 통합 회계 플랫폼'을 완성하는 대단원의 막을 올립니다!