OCR · 문서 디지털화
Optical Character Recognition
OCR이란?
- 이미지 속 글자를 텍스트로 변환
- 딥러닝으로 문서 구조까지 이해하는 수준
- 중요 항목은 검증 규칙과 사람 확인이 필요
OCR이 실제로 바꾸는 것은 '찾는 시간'과 '세는 단위'입니다. 캐비닛에 꽂힌 계약서 3,000건은 담당자의 기억에 의존하지만, 텍스트로 바뀌는 순간 거래처명·금액·만료일로 검색되고 월별로 집계됩니다. 업무의 시작점이 사람 눈에서 시스템으로 옮겨간다는 뜻이기도 합니다. 지금까지는 사람이 보고 판단해 입력했다면, 이제는 데이터가 먼저 도착하고 사람은 확인만 하는 구조로 순서가 뒤집힙니다.
도입 전에 문서를 세 갈래로 나눠 보면 견적과 난이도가 달라집니다. 처음부터 디지털로 생성된 PDF는 텍스트 레이어가 있어 OCR이 아니라 추출만 하면 되고, 세금계산서·신분증처럼 양식이 고정된 정형 문서는 위치 기반으로 뽑아내 정확도가 높습니다. 반면 자유 양식 계약서나 손글씨 점검표는 표와 항목 관계까지 읽어야 해서 IDP(지능형 문서 처리) 영역으로 넘어갑니다. 스캔 해상도는 300dpi 이상이 기본선이고, 그 아래에서는 0과 8, 1과 7이 자주 뒤집힙니다. 견적을 받을 때 글자 단위 정확도와 항목 단위 정확도는 전혀 다른 숫자라는 점을 확인해야 합니다.
가장 흔한 오해는 '인식률 99%면 사람 손이 필요 없다'는 계산입니다. 글자 단위 99%는 12자리 사업자번호 한 항목 기준으로는 약 89%이고, 한 장에 확인할 항목이 15개면 완전무결한 문서의 비율은 더 내려갑니다. 그래서 결국 전량 검수로 되돌아가 수기 입력보다 느려지는 현장이 나옵니다. 신뢰도 점수로 자동 통과 건과 사람 확인 건을 갈라놓지 않으면 절감 효과는 사라집니다. 또 하나, 스캔했으니 원본은 버려도 된다고 판단했다가 세무조사나 소송에서 원본 제출을 요구받는 사고가 있습니다. 전자화 문서의 법적 효력 요건과 보존 연한을 먼저 확인하고, 개인정보가 담긴 문서를 외부 API로 보낼 때는 위탁 계약과 학습 데이터 활용 여부까지 문서로 남겨야 합니다.
20세기 초 시각장애인용 읽기 기계와 우편물 자동 분류 연구에서 출발했고, 1950~60년대에 상용 문자 인식 장치가 등장했습니다. 2010년대 이후 딥러닝이 적용되며 인식률이 크게 향상돼 문서 구조까지 이해하는 수준으로 발전했습니다.
건설자재를 유통하는 A사는 임직원 140명, 연매출 약 900억 원 규모입니다. 매달 거래처에서 종이와 팩스로 들어오는 세금계산서·거래명세서가 4,200건인데, 경리팀 4명이 이를 전부 수기로 ERP에 입력하느라 월 마감이 항상 영업일 5일을 넘겼습니다. 재무팀장이 3개월 파일럿으로 OCR 도입을 결정했습니다. (가상 예시)
- 재무팀장이 한 달 치 접수 문서를 유형별로 세어보니 4,200건 중 78%가 거래명세서 한 종류였고, "이것만 잡아도 절반은 끝난다"며 대상 문서를 한 종으로 좁혀 시작했습니다.
- 실제 스캔본 300건으로 시험한 결과 인쇄 원본은 97%, 팩스 수신본은 71%였습니다. 현업 담당자가 "팩스는 재발송을 요청하자"고 제안해 접수 경로부터 먼저 바꿨습니다.
- 전산 담당 대리가 사업자번호 체크섬과 '공급가액＋세액＝합계' 검산 규칙을 넣자, 시험 구간에서 발생한 오인식 건의 84%가 사람 손을 타기 전에 자동으로 걸러졌습니다.
- 신뢰도 0.9 미만인 건만 검수 화면으로 보내 전체의 12%만 사람이 보도록 나눴습니다. 경리 과장은 "틀린 데를 찾는 게 아니라 표시된 데만 보면 되니 훨씬 빠르다"고 했습니다.
- 정보보호 담당자가 대표자 주민등록번호가 노출되는 서식을 확인해 마스킹 후 전송하도록 바꾸고, 외부 API 사업자와 학습 데이터 미활용 조건으로 위탁 계약을 맺었습니다.
- 3개월 뒤 월 입력 공수는 320시간에서 96시간으로 줄었고, 마감은 D+5에서 D+2로 앞당겨졌습니다. 거래처 금액 오입력 클레임은 월 11건에서 2건으로 감소했습니다.