Board AI 의사결정 설문, 거버넌스보다 앞서는 CFO의 신뢰도 확인
Board는 최고경영진 내부의 뚜렷한 충돌을 발견했다. CFO의 48%는 AI 조언이 자신의 판단과 상충할 때도 이를 따른다고 답했다. Board AI 의사결정 설문은 재무 책임자들이 CIO와 COO보다 대규모 언어 모델을 더 쉽게 활용하고 있음을 시사한다. 하지만 공식 통제 체계는 이러한 신뢰를 따라가지 못하고 있다.
이 변화는 직장 내 AI 사용량이 늘어난 것 이상의 의미를 지닌다. 대규모 언어 모델(LLM)은 예산, 전망, 채용, 재고, 투자와 관련된 전략적 선택의 입력 요소가 되고 있다. 동시에 수십 년간 경영진이 신뢰해 온 정보원을 대체하기도 한다.
따라서 핵심 대결 구도는 AI 대 인간 경영진이 아니다. 경영진의 도입과 제도적 책임성 간의 대결이다. 많은 기업은 AI가 미치는 영향을 설명하거나 검토하고 신뢰성 있게 측정할 수 있기 전에, 중대한 의사결정에 AI를 끌어들이고 있다.
Board의 AI 의사결정 설문이 드러낸 최고경영진의 새로운 습관
LLM은 생산성 보조 도구에서 전략 조언에 영향력을 미치는 정보원으로 이동했다.
Board는 2026년 5월과 6월에 미국 CFO, CIO, COO 300명을 대상으로 설문조사를 실시했다. 모든 응답자는 연 매출 1억 달러 이상을 창출하는 조직에 근무했다.
회사는 9월 16일 planning intelligence report를 통해 조사 결과를 공개했다. Board는 엔터프라이즈 계획 소프트웨어를 판매하므로, 그 결론은 모든 공급업체 후원 연구에 적용되는 것과 같은 수준의 검증을 받아야 한다. 그럼에도 직급별 차이는 경영진 행동의 중요한 변화를 보여준다.
응답자의 61%는 전략적 결정에 가장 큰 영향을 미치는 외부 정보원 가운데 LLM을 꼽았다. 이는 ChatGPT, Claude, Gemini, Copilot을 설문에 제시된 모든 전통적 정보원보다 앞서게 했다.
업계 동료와 전문 네트워크는 42%를 기록했다. 기술 공급업체는 37%, 외부 컨설턴트는 28%였으며, Gartner는 14%가 언급했다.
이 결과가 경영진이 AI를 경험 많은 자문가보다 더 정확하다고 본다는 점을 입증하는 것은 아니다. 다만 LLM 출력이 의사결정 과정에서 유난히 접근하기 쉬운 요소가 되었음을 보여준다. 경영진은 별도의 회의를 잡지 않고도 요약, 시나리오, 반론 또는 권고안을 요청할 수 있다.
세 역할 가운데 CFO가 가장 높은 사용률을 보고했다. CFO의 69%가 LLM을 영향력 있는 자원으로 꼽았으며, COO는 58%, CIO는 56%였다.
AI가 경영진의 판단과 다른 결론을 제시할 때 이 차이는 더 중대해진다. CFO의 48%는 이런 상황에서 AI 권고안을 따른다고 답했다. CIO는 33%, COO는 11%였다.
세 그룹 전체에서 자신의 판단과 충돌할 때 AI 조언을 따른다고 답한 비율은 31%였다. AI 기반 의사결정에 관한 공식 거버넌스 및 에스컬레이션 절차를 갖췄다고 답한 비율은 39%에 불과했다.
이 수치는 연관된 두 가지 변화를 보여준다. AI는 의사결정 과정에서 자리를 얻었지만, 책임성 체계는 여전히 기존 소프트웨어를 위해 구축된 수준에 머물러 있다.
Board CFO Gordon Pothier는 CFO Dive에 재무 책임자들은 대체로 더 보수적이고 회의적이라고 말했다. 그는 이들의 도입이 현재 AI 추진력의 강도를 보여준다고 주장했다. 다만 그의 더 중요한 조언은 의견 충돌에 관한 것이었다. 경영진은 권고안을 자동으로 받아들이기보다 스트레스 테스트해야 한다는 것이다.
이 구분은 중요하다. LLM에 자문하는 것과 의사결정을 위임하는 것은 다르다. 그러나 충돌 상황에서 그 권고를 따른다면, 최종 승인을 인간이 내리더라도 기술은 의사결정 권한에 더 가까워진다.
CFO들이 지금 LLM으로 향하는 이유
경영진은 계획 주기가 자신들이 마주한 의사결정 속도를 따라가지 못하기 때문에 AI를 도입하고 있다.
Board의 더 광범위한 조사 결과는 낡은 정보와 씨름하는 조직의 모습을 보여준다. 응답자의 85%는 지난 1년간 더 빠른 의사결정을 내려야 한다는 압박이 커졌다고 답했다. 실시간으로 재계획할 수 있다고 답한 비율은 27%에 그쳤다.
응답자의 4분의 3은 계획 관련 의사결정의 약 절반 이상이 30일이 지난 데이터에 의존한다고 말했다. 83%는 이사회가 이미 최신성이 떨어진 것으로 알려진 전망을 바탕으로 행동했다고 답했다. 40%는 그러한 결정으로 중대한 사업상 결과가 발생했다고 보고했다.
이 결과는 CFO AI 의사결정의 빠진 맥락을 제공한다. 재무팀은 단순히 대화형 인터페이스에 끌리는 것이 아니다. 변화하는 상황과 경영진의 대응 사이의 거리를 줄이려 하고 있다.
전통적인 계획 수립에는 운영 데이터 수집, 정의 조정, 모델 업데이트, 발표 자료 준비가 흔히 필요하다. 수정된 전망이 이사들에게 전달될 즈음에는 그 기반 가정이 이미 바뀌었을 수 있다.
LLM은 더 빠른 경로를 제공하는 것으로 보인다. 수초 만에 보고서를 요약하고, 시나리오를 비교하며, 가정을 추출하고, 질문의 틀을 잡을 수 있다. 연결된 시스템은 내부 정보를 검색하고 외부 신호를 반영할 수도 있다.
이 속도는 과제가 탐색적일 때 실질적인 가치를 만든다. 예를 들어 재무 책임자는 어떤 가정이 마진 하락에 가장 크게 기여하는지 물을 수 있다. 모델은 더 깊은 분석이 필요한 시나리오를 식별하는 데 도움을 줄 수 있다.
위험은 유창한 출력이 최신 증거로 오인될 때 나타난다. LLM은 기초 판매 데이터가 완전한지 또는 적절한 거버넌스 아래 있는지를 자동으로 알지 못한다. 최신 전망에서처럼, 오래된 전망에서도 자신감 있는 설명을 만들어낼 수 있다.
Board의 보고서에는 이 문제를 보여주는 불편한 신호가 담겨 있다. 59%는 현재 AI 투자액이 창출하는 가치를 초과한다고 답했다. 그러나 이들 가운데 92%는 향후 12개월 동안 지출을 늘릴 계획이라고 밝혔다.
또 다른 21%는 자사 AI 성과를 실제가 뒷받침하는 수준보다 이사회, 투자자, 동료들에게 더 긍정적으로 제시한다고 답했다. 이 결과는 도입 압력이 검증된 수익만으로 발생하는 것이 아님을 시사한다.
Pothier는 동료 압박을 이렇게 요약했다. “이 흐름을 따라가지 못하는 CFO가 정말 되고 싶은가?” 이러한 우려는 이해할 수 있지만, 사업 타당성은 아니다.
Board 최고제품책임자 David Marmer는 더 절제된 관점을 제시했다. 그는 AI를 추가로 구매하는 것만으로는 근본적인 계획 문제를 해결할 수 없다고 말했다. 조직은 AI를 구체적인 의사결정, 가정, 책임자와 연결해야 한다.
이 지점에서 체계적인 AI knowledge base가 중요해진다. 모델에는 통제되지 않는 문서 더미가 아니라 추적 가능한 맥락이 필요하다. 의사결정의 질은 어떤 정보가 사용됐는지, 언제 업데이트됐는지, 누가 이를 소유하는지를 아는 데 달려 있다.
CFO AI 의사결정이 재무 조직에 가하는 새로운 압박
재무 책임자는 이제 AI의 경제적 가치와 AI 영향을 받은 의사결정의 무결성을 모두 방어해야 한다.
CFO는 이 전환에서 독특한 위치를 차지한다. 이들은 기술 지출을 승인하고, 수익을 모니터링하며, 계획 수립을 감독하고, 낙관적인 전망에 이의를 제기하는 경우가 많다. 이제 이들은 자신이 평가해야 하는 기술의 빈번한 사용자이기도 하다.
이 이중 역할은 Board의 결과가 재무 부서를 넘어 중요한 이유를 설명한다. CFO의 권고는 자본 배분, 인력 운용, 가격 책정, 인수합병, 투자자 커뮤니케이션에 영향을 미친다. 오류는 누구도 공통 원인을 인식하기 전에 사업 전반으로 퍼질 수 있다.
재무 책임자들은 더 빠른 답변을 기대하는 이사회의 압박도 받는다. 이사가 추가 시나리오를 요청하면 LLM은 즉각적인 답변을 생성할 수 있다. 기존 계획 주기는 며칠이 걸릴 수 있다.
이러한 편의성은 기대치를 바꾼다. 경영진이 수분 만에 AI 생성 답변을 경험하고 나면, 더 느린 절차를 정당화하기는 어려워진다. 그 느린 절차에 필수적인 검증이 포함돼 있더라도 마찬가지다.
CIO는 다른 압박을 받는다. 시스템 보안, 접근 제어, 모델 선택, 기술적 신뢰성 관리를 맡아야 한다. 그러나 Board는 CIO가 CFO보다 LLM을 전략적 영향 요인으로 꼽을 가능성이 낮다는 사실을 발견했다.
COO는 상충하는 AI 조언을 따르려는 의지가 더욱 낮다고 보고했다. 이들의 업무는 일반 모델이 직접 관찰할 수 없는 물리적 제약, 공급업체 상황, 현장 운영과 자주 맞닿아 있다.
이러한 역할 차이는 조직 내 마찰을 만든다. 재무 부서는 운영 측이 비현실적이라고 보는 AI 생성 시나리오를 받아들일 수 있다. 기술 리더는 모델에 승인된 접근 권한이나 감사 통제가 부족하다는 이유로 워크플로를 거부할 수 있다.
Board는 제한된 개입으로 여러 단계의 작업을 계획하고 수행할 수 있는 시스템을 뜻하는 에이전틱 AI의 도입도 고르지 않다는 점을 발견했다. CIO의 66%와 CFO의 60%는 실제 비즈니스 프로세스에서 적극적으로 사용 중이라고 답했다. COO 가운데 같은 답변을 한 비율은 38%에 불과했다.
보고된 수익도 비슷한 양상을 보였다. CIO의 73%와 CFO의 71%는 에이전틱 AI에서 명확하고 측정 가능한 수익을 얻었다고 주장했다. COO에서는 이 수치가 52%로 떨어졌다.
이 비율은 자기 보고식이며 공급업체 후원 연구에서 나온 것이다. 기업 간 공통된 수익 계산 방식을 입증하지는 않는다. 그럼에도 이 격차는 각 경영 기능이 서로 다른 운영 관점에서 AI를 평가하고 있을 수 있음을 시사한다.
따라서 재무 조직에는 공동 검토 체계가 필요하다. 모든 중대한 권고안은 출처 데이터, 모델, 가정, 인간 책임자를 식별해야 한다. 또한 팀은 권고안이 프로세스에 들어온 뒤 무엇이 달라졌는지도 기록해야 한다.
이 기록은 결과가 기대에 미치지 못할 때 중요하다. 기록이 없다면 리더들은 모델 실패와 부실한 데이터, 잘못된 구현, 또는 시스템을 무시한 경영진의 결정을 구분할 수 없다.
유용한 인간의 역할은 최종 출력을 승인하는 데 그치지 않는다. 프레이밍에 이의를 제기하고, 증거를 점검하며, 해당 질문이 AI 지원에 적합한지 결정하는 일이다. 책임성은 답변이 나오기 전부터 시작된다.
입증된 의사결정 품질보다 빨랐던 도입
높은 AI 사용량이 가장 큰 재무적 결과를 수반하는 의사결정을 AI가 개선했다는 사실을 입증하지는 않는다.
독립 연구도 이러한 구분을 뒷받침한다. Gartner가 재무 리더 204명을 대상으로 실시한 설문에서는 재무 AI 투자의 45%가 생산성에 중점을 뒀다. 의사결정 품질을 주된 목표로 둔 비율은 20%에 불과했다.
finance AI findings는 활동량과 기업 가치 사이의 격차를 보여준다. 더 빠른 문서 작성이나 조정은 유용한 효율성을 만들 수 있다. 하지만 그러한 이득이 가격 책정, 투자, 위험 관련 의사결정을 자동으로 개선하지는 않는다.
생산성은 측정하기가 더 쉽다. 팀은 자동화 전후에 투입된 시간을 비교할 수 있다. 의사결정 품질은 몇 달 뒤에야 드러나는 경우가 많고, 외부 환경이 결과를 흐릴 수 있다.
이 측정 문제는 Board AI 의사결정 설문을 복잡하게 만든다. 경영진은 LLM이 자신에게 영향을 미친다고 보고할 수 있지만, 영향력은 결과가 아니다. 이 설문은 모델을 따른 것이 더 나은 결정으로 이어졌는지 판단하지 않는다.
Federal Reserve Bank of Richmond의 증거는 유용한 맥락을 더한다. 해당 기관의 corporate AI evidence는 2025년 말 수집된 603건의 응답과 145건의 추가 응답을 바탕으로 했다.
기업들은 생산 효율성, 의사결정 속도, 산출물 측면에서 이점을 보고했다. 그러나 연구자들은 AI가 전체 인력 규모나 비용을 실질적으로 바꿨다는 근거를 거의 찾지 못했다. 응답자들 역시 단기적으로 총고용에 미칠 영향은 크지 않을 것으로 예상했다.
이러한 결과는 의미 있는 운영상 개선과 양립할 수 있다. 동시에 AI가 이미 기업 경제를 변혁했다는 주장보다는 덜 극적이다.
Capgemini는 2025년 8월과 9월에 C-suite 임원 500명을 대상으로 설문조사를 실시했다. 전략적 의사결정의 여러 단계에서 AI를 표준 관행으로 적극 활용한다고 답한 비율은 17%에 불과했다. 또 다른 42%는 선택적으로 활용한다고 답했다.
임원 의사결정 연구에 따르면, 47%는 의사결정 품질이 눈에 띄게 또는 그 이상 개선됐다고 보고했다. 59%는 의사결정 시간과 비용에서도 유사한 개선을 보고했다.
그러나 같은 연구에서 AI가 3년 내 특정 전략적 결정을 자율적으로 내리게 될 것이라고 예상한 비율은 1%에 그쳤다. 임원들은 지원에는 익숙해 보이지만, 공식적인 책임을 넘기는 데는 아직 신중하다.
그 경계는 설명하기는 쉽지만 집행하기는 어렵다. 리더는 모델의 프레이밍에 크게 의존하면서도 공식적인 의사결정자로 남을 수 있다. 인간은 답변을 검토하되 그 뒤의 추론을 다시 구성하지 않을 수 있다.
LLM은 반대 증거가 존재하더라도 기계의 권고를 선호하는 경향인 자동화 편향을 부추길 수도 있다. 대화형 언어의 유창함은 권고가 논리적인 인간의 조언처럼 보이기 때문에 이 효과를 더 알아차리기 어렵게 만든다.
따라서 Board 설문의 충돌 관련 질문은 가장 중요한 측정 항목이다. 개인적 견해와 다름에도 AI를 따르는 CFO는 처음에는 놓쳤던 증거를 발견했을 수 있다. 같은 행동은 설득력은 있지만 근거가 없는 답변에 대한 복종을 반영할 수도 있다.
이 설문은 어느 설명이 적용되는지 보여주지 않는다. 이 미해결된 차이는 독자가 48%라는 수치를 진전의 증거나 무모함의 증거로 단정하지 못하게 해야 한다.
거버넌스는 임원의 AI 활용에서 가장 약한 고리다
AI가 쉽게 되돌릴 수 없는 결정에 영향을 미칠 때 책임성 격차는 가장 위험해진다.
Board 응답자 중 AI 기반 의사결정에 대한 공식적인 거버넌스 및 에스컬레이션 절차가 있다고 답한 비율은 39%에 불과했다. 이는 많은 조직이 상충되거나 불명확한, 혹은 고위험 권고에 대한 명확한 대응 방안을 갖추지 못한 상태에서 임원의 의존도가 확대되고 있음을 뜻한다.
거버넌스가 모든 프롬프트를 위원회에 회부해야 한다는 의미는 아니다. 결정의 결과에 맞춰 검토 수준을 조정해야 한다는 뜻이다.
회의 질문을 작성하는 일은 직접적인 위험이 거의 없다. 반면 인수 가치평가, 신용 정책, 인력 감축, 이익 가정을 권고하는 일은 훨씬 큰 위험을 수반한다. 이러한 결정에는 추적 가능한 데이터와 독립적인 검토가 필요하다.
거버넌스 문제는 가정이 아니다. Deloitte는 연 매출이 최소 10억 달러인 북미 기업의 CFO 200명을 대상으로 조사했다. 이들 중 93%는 자사가 핵심 운영 전반에 AI를 사용한다고 답했다.
96%는 자사의 거버넌스 프레임워크에 자신감을 보였다. 그럼에도 59%는 배포 속도와 리스크 관리의 균형을 최우선 거버넌스 과제로 꼽았다. 비용 투명성, 사이버 보안, 보호된 콘텐츠도 중요한 우려 사항이었다.
AI 거버넌스 설문조사에 따르면, CFO의 19%는 자신이 AI 거버넌스의 주된 책임자라고 여겼다. 이는 재무 책임자를 CIO와 보안 리더 뒤에, CEO와 이사회 앞에 위치시킨 결과다.
프레임워크에 대한 자신감이 직원들이 이를 일관되게 준수한다는 것을 보여주지는 않는다. 조직은 특히 임원들이 시간 압박을 느끼는 상황에서 실제 의사결정 과정에 통제가 작동한다는 증거가 필요하다.
Capgemini는 응답자의 71%가 법적 및 보안 노출을 우려한다고 밝혔다. 69%는 AI의 영향을 받은 결정을 설명하기 어렵다고 답했고, 60%는 기업 데이터의 부적절성을 지적했다.
52%는 산출물의 품질이나 관련성을 검증할 역량을 우려했다. 30%는 특히 AI에 기반해 잘못된 결정을 내릴 위험을 언급했다.
이러한 우려는 임원 활용을 위한 최소한의 통제 장치를 보여준다. 모델은 승인된 정보에 접근해야 하고, 출처 자료를 공개하며, 의사결정 기록을 보존해야 한다. 조치에 앞서 자격을 갖춘 사람이 결과에 이의를 제기해야 한다.
조직에는 의견 불일치에 대한 에스컬레이션 규칙도 필요하다. 임원의 판단이 AI와 충돌할 경우, 어느 쪽이 더 자신감 있어 보이는지에 따라 답이 결정되어서는 안 된다.
검토 과정에서는 모델의 출처를 원본 기록과 비교할 수 있다. 또 다른 팀에 권고를 보지 않은 상태에서 분석을 재현하도록 요청할 수도 있다. 고위험 사안에는 법무, 보안 또는 해당 분야의 검토가 필요할 수 있다.
기업은 공개 LLM과 보안이 확보된 엔터프라이즈 시스템도 구분해야 한다. 승인되지 않은 서비스에 기밀 예측치를 입력하면 개인정보 및 보존 리스크가 발생할 수 있다. 승인된 시스템조차 불완전한 내부 데이터에 기반해 잘못된 답을 반환할 수 있다.
거버넌스는 모델뿐 아니라 의사결정 맥락까지 다뤄야 한다. 기술적으로 정확한 권고라도 직원에게 미치는 영향, 계약상 의무, 변화하는 시장 상황을 무시할 수 있다.
이 때문에 인간의 감독에는 실제 권한이 수반되어야 한다. 권고를 지연하거나 거부할 수 없는 검토자는 장식에 불과하다. 효과적인 감독은 조직이 행동해야 하는지를 묻는 책임을 누군가에게 부여한다.
임원 신뢰가 정당한지 보여줄 세 가지 신호
기업 AI의 다음 단계는 의사결정 기록, 측정 가능한 수익, 집행 가능한 거버넌스로 평가받게 될 것이다.
첫 번째 신호는 기업들이 생산성과 별개로 의사결정 품질을 측정하기 시작하는지 여부다. 더 빠른 분석에는 가치가 있지만, 그것이 더 나은 판단을 위한 주요 대리 지표로 남아서는 안 된다.
재무팀은 AI의 영향을 받은 정의된 의사결정 집합을 추적해야 한다. 권고, 검토된 대안, 인간의 근거, 그리고 최종 결과를 기록할 수 있다. 이는 사용자 설문과 공급업체 주장 이상의 증거를 만든다.
예측 정확도 개선은 CFO의 AI 의사결정 활용 사례를 강화할 것이다. 반복적인 재정의, 수정 또는 설명되지 않는 오류는 이를 약화시킬 것이다. 관련 있는 측정 기준은 임원들이 AI를 얼마나 자주 사용하는지가 아니라, AI가 선택된 결과를 얼마나 신뢰성 있게 개선하는지다.
두 번째 신호는 공식적인 거버넌스가 활용 속도를 따라잡는지 여부다. Board는 확립된 거버넌스 및 에스컬레이션 절차를 갖춘 임원이 39%에 불과하다고 확인했다. 향후 설문조사는 도입 확대와 함께 이 수치가 상승하는지 보여줘야 한다.
신뢰할 수 있는 시스템은 어떤 결정에 인간 검증이 필요한지, 모델이 어떤 데이터 소스를 사용할 수 있는지를 정의할 것이다. AI의 조언이 임원의 판단과 충돌할 때 기록도 보존할 것이다.
거버넌스 실패는 도입 서사를 훼손할 수 있다. 여기에는 기밀 데이터 노출, 근거 없는 재무 주장, 규제 당국의 조사, 또는 사후에 누구도 설명할 수 없는 결정이 포함될 수 있다.
세 번째 신호는 증가하는 투자가 이사회가 검증할 수 있는 수익을 창출하는지 여부다. Board는 59%가 현재 AI 투자가 제공된 가치를 초과한다고 믿는다고 밝혔다. 이 집단의 거의 전부는 여전히 지출 증가를 예상했다.
이러한 패턴은 초기 투자 주기 동안 지속될 수 있다. 그러나 프로젝트가 매출, 리스크 감소, 예측 정확도 또는 측정 가능한 운영 개선과 계속 분리되어 있다면 방어하기가 더 어려워진다.
이사회는 검증된 활용 사례가 확장되기 때문에 지출이 증가하는지 물어야 한다. 이 이유와 경쟁 불안에 의해 추진되는 투자를 구분해야 한다.
Board의 AI 의사결정 설문은 실제 변화를 포착하지만, AI의 확정된 승리를 보여주는 것은 아니다. 조직이 AI의 영향력을 어떻게 거버넌스할지 합의하기 전에 LLM은 임원 의사결정의 주요 입력원으로 자리 잡았다.
지식 근로자에게도 즉각적인 교훈은 똑같이 실용적이다. AI는 의사결정에 활용 가능한 증거의 범위를 넓힐 수 있지만, 그 답변은 검토 가능한 출처 자료와 계속 연결되어야 한다. ask remio 같은 도구는 사용자의 자체 지식에 질문을 기반으로 삼아 이 과정을 지원할 수 있다.
검증은 간단하다. 결과가 나온 뒤에도 조직이 AI의 영향을 받은 결정이 왜 내려졌는지 재구성할 수 있는가? 그렇지 않다면 다음 투자에서는 자동화된 권한을 더 추가하기 전에 맥락, 측정, 책임성을 강화해야 한다.
