Paychex의 급여 엔진 AI 도입

요약

• 복잡한 이메일 급여 처리를 섀도 모드로 검증해 자동화했습니다.
• 처리 소요 시간은 80%, 사람의 업무 노력은 30% 줄었습니다.
• 핵심 업무를 근본적으로 개선하는 일은 고객 접점을 유지하고 협업하는 설계에 달렸습니다.

가장 민감한 핵심 업무에 인공지능을 넣을 수 있을까요

기업이 인공지능을 도입할 때 흔히 사내 문서 검색이나 고객 안내 챗봇 같은 부가 업무부터 시험해 봅니다. 중간에 결과가 잘못 나와도 사업 전체가 흔들릴 위험이 적기 때문입니다. 하지만 기업의 돈이 오가는 핵심 업무로 시선을 돌리면 사정이 완전히 달라집니다. 단 한 번의 계산 실수나 몇 시간의 지연만으로도 고객 신뢰가 무너지는 탓에 많은 경영진이 인공지능 배치를 망설입니다.

미국의 급여 및 인사 관리 전문 기업 Paychex는 정반대의 길을 선택했습니다. Bain과 OpenAI의 지원을 받아 실제 운영 환경의 급여 엔진에 인공지능 에이전트를 직접 통합했습니다. Bain과 Paychex는 이를 두고 인사·복리후생·급여 서비스 업계 최초의 시도라고 발표했습니다. 스스로 안전한 실험에 머무는 대신 실패 비용이 가장 큰 중심부로 곧장 들어간 것입니다.

Paychex가 관리하는 기업 고객은 80만 곳 이상이며 매월 처리하는 급여 거래는 약 100만 건에 이릅니다. 급여(payroll)란 직원의 근무 시간, 세금 공제, 복리후생 내역을 계산해 정해진 날짜에 돈을 입금하는 정밀한 작업입니다. 숫자가 조금만 틀려도 고객 신뢰 하락과 법적 위험으로 이어집니다. 이런 무결성이 요구되는 파이프라인에 스스로 판단하고 실행하는 에이전트를 배치한 것은 사업의 본질을 건 과감한 결단이었습니다.

이메일을 버리지 못하는 고객과 수작업의 늪

Paychex가 마주한 문제는 방대한 고객 규모만이 아니었습니다. 고객들이 급여 정보를 보내오는 방식이 저마다 달랐던 점이 더 큰 골칫거리였습니다. 고객의 약 80%는 온라인 셀프서비스 포털에 직접 접속해 수치를 입력했습니다. 하지만 나머지 고객들은 여전히 이메일로 급여 변경 사항을 전달하는 전통적인 방식을 고수했습니다.

Paychex 고객 급여 정보 접수 경로

이 때문에 Paychex의 급여 전문 실무자들은 매달 쏟아지는 이메일을 직접 읽고 해석해야 했습니다. 급여 변경 내용을 일일이 확인한 뒤 전사적 자원 관리(ERP) 시스템에 손으로 입력하는 과정이 반복되었습니다. 사람이 문서를 눈으로 읽고 자판을 두드리는 작업은 시간이 오래 걸릴 뿐 아니라 실수에 대한 부담도 컸습니다.

보통의 기업이라면 고객에게 이메일 접수를 중단하고 온라인 포털만 쓰도록 강제했을지도 모릅니다. 그러나 Paychex는 고객 편의를 희생하는 손쉬운 길을 택하지 않았습니다. Paychex 엔지니어링 및 기술 조직을 이끄는 Dave Wilson은 실무자를 배제한 채 인공지능이 멋대로 이메일을 읽고 급여를 처리하게 둘 수는 없었다고 회고했습니다. 수십 년 동안 쌓아 온 고객 신뢰를 지키려면 고객의 오랜 소통 습관을 그대로 받아주면서도 실무자의 수작업 부담을 덜어 줄 새로운 구조가 절실했습니다.

섀도 모드로 어둠 속에서 실력을 다듬다

Paychex 기술팀과 Bain, OpenAI는 고객의 다양한 이메일 입력을 읽고 검증한 뒤 급여 거래까지 실행하는 맞춤형 에이전트 구축에 착수했습니다. 이 프로젝트에는 Paychex 고유의 급여 데이터와 1971년 창립 이래 55년 넘게 쌓아 온 고객 신뢰, 대규모 트래픽을 감당하는 인프라가 밑바탕이 되었습니다. 기술팀은 완성되지 않은 인공지능에 처음부터 모든 권한을 넘기지 않았습니다.

대신 실제 운영 환경의 이면에서 조용히 돌아가는 섀도 모드(shadow mode)를 도입했습니다. 섀도 모드는 일종의 그림자 보조원처럼 작동하는 방식입니다. 급여 전문 실무자가 평소처럼 이메일을 열어 직접 ERP 시스템에 입력하는 동안, 에이전트도 보이지 않는 곳에서 같은 이메일을 읽고 같은 계산을 해 결과를 만들어 내며 비교 검증을 거쳤습니다. 실무 전문가들은 에이전트가 내놓은 모든 결과물을 하나씩 대조하고 확인했습니다.

이 기간 동안 사람이 직접 개입해야 하는 까다로운 예외 상황에서도 시간 절약 효과가 나타났습니다. 에이전트가 앞단의 기초 데이터를 미리 정리해 둔 덕분에 실무자가 바닥부터 입력할 필요가 없었기 때문입니다. Dave Wilson은 개념 검증(PoC)을 넘어 실제 상용 시스템으로 넘어갈 때 인공지능 모델을 튜닝하는 작업과 에이전트를 안정적으로 구동하는 파이프라인을 엔지니어링하는 작업에 거의 같은 시간을 쏟았다고 밝혔습니다. 모델 자체의 지능만큼이나 시스템의 안정적인 배관 작업에 공을 들였습니다.

실제로 섀도 모드를 운영하며 축적한 풍부한 현장 피드백은 모델을 정밀하게 다듬는 미세 조정과 파이프라인 최적화에 체계적으로 반영되었습니다. 이는 생성형 인공지능 기술이 급격하게 발전하는 환경 속에서도 시스템 구동 통로인 인프라 파이프라인 구축과 모델 최적화를 동시에 밀고 나간 결과였습니다.

예외 코드를 짜는 대신 단어의 맥락을 가르치다

섀도 모드 과정에서 마주친 대표적인 걸림돌은 한 교회 고객의 급여 명단이었습니다. 명단에 적힌 “Father”라는 단어를 두고 초기 에이전트는 혼란에 빠졌습니다. 시스템에 등록된 직원 성명과 일치하지 않아 명단 매칭에 실패한 것입니다. 보통의 개발 방식이라면 시스템 규칙에 특정 단어를 건너뛰도록 예외 코드를 덧붙였을 것입니다.

하지만 엔지니어링 팀은 임시방편 대신 에이전트에게 맥락을 학습시켰습니다. “Father”가 사람의 성이나 이름이 아니라 신부나 목사를 뜻하는 성직자 호칭이라는 업무적 맥락을 이해하도록 가르쳤습니다. 그 결과 에이전트는 이후 같은 유형의 예외를 정확하게 처리했습니다. Bain은 이 사례를 두고 복잡한 비즈니스 상황을 단순히 하드코딩으로 틀어막지 않고 문맥 추론으로 풀어낸 모범 사례로 꼽았습니다.

수많은 검증을 거친 뒤 업무 분담 체계가 명확하게 확립되었습니다. 표준적인 일반 급여 요청 건은 에이전트가 처음부터 끝까지 스스로 처리했습니다. 반면 모호한 내용이 담겨 있거나 시스템이 걸러낸 복잡한 예외 건은 사람 전문가가 넘겨받아 최종 검토했습니다. Dave Wilson은 이를 이상적인 분업 형태라고 설명하며, 전문가는 고객이 기대하는 높은 전문성과 사람 사이의 유대를 계속 지켜나가고 번거롭고 반복적인 데이터 작업은 에이전트가 전적으로 흡수하는 방식이라고 밝혔습니다. 지루한 반복 입력에서 벗어난 전문 인력은 고객에게 더 깊이 있는 조언을 건네는 자문 업무로 이동할 수 있었습니다.

Paychex 급여 엔진 단계별 역할 변화

고객은 변화를 눈치채지 못했고 소요 시간은 80% 줄었다

철저한 검증을 거쳐 프로덕션 환경에 안착한 결과는 수치로 명확히 입증되었습니다. 2026년 5월 11일 기준으로 측정된 Bain 보고서에 따르면 급여 처리 및 지급 소요 시간이 기존보다 80% 단축되었습니다. 사람이 투입해야 하는 수작업 노력(human effort) 역시 30% 감소했습니다.

Paychex의 인력 감축 통계는 공개되지 않았습니다. 줄어든 30%의 노력은 실무자가 서류 입력에 쏟던 에너지를 아껴 더 중요한 상담에 쓸 수 있게 되었음을 의미합니다. Bain의 인터뷰 영상 자료에서는 이 30%를 전문가가 직접 개입할 때 절감한 물리적 노력으로 설명하기도 합니다. Bain 보고서는 이 프로젝트의 성격을 한 문장으로 압축했습니다. “고객들은 서비스의 변화를 전혀 눈치채지 못했습니다. 바로 그 점이 핵심입니다.”

고객은 평소처럼 편안하게 이메일을 보냈을 뿐인데 백엔드에서는 인공지능이 작동해 훨씬 빠른 속도로 급여 처리를 끝냈습니다. Dave Wilson은 소요 시간을 80% 줄이면서도 고객이 익숙해하던 소통 채널을 그대로 보존해 수십 년 동안 다져온 신뢰를 더욱 단단하게 만들 수 있었다고 밝혔습니다. Paychex는 앞으로 음성 에이전트를 도입하고 개인화 수준을 높이며, 이메일 처리 규모를 수백만 건에서 수십억 건 단위로 넓혀 갈 계획입니다.

한편 Paychex는 2026년 5월 19일 Flex, Paycor, SurePayroll 플랫폼 전반을 아우르는 인적 자본 관리(HCM) 에이전트 플랫폼 WISE(Workforce Intelligence Strengthened by Expertise)를 발표했습니다. 이 플랫폼은 에이전트(Agents), 인텔리전스(Intelligence), 어시스턴트(Assistants), 자문(Advisory)이라는 네 가지 기능 층으로 구성되었습니다. 이어 8월 31일에는 조기 도입 고객 5만 곳 이상에서 거둔 성과를 공개했습니다. 음성 및 이메일 에이전트 대화 35만 건 이상을 처리했고, 사람 손을 거치지 않은 해결률은 20%를 넘겼으며, 이메일 에이전트의 평균 처리 시간은 약 3분으로 수작업보다 80% 이상 빨랐습니다. 근무 시간과 급여율 계산 오류의 약 90%를 급여일 전에 미리 바로잡았습니다. 이 수치는 WISE라는 별도 상용 제품의 성과이며, Bain 급여 엔진 사례와 직접 연결된 동일 시스템인지는 공개 자료로 확인되지 않습니다. 다만 Bain과 협력해 다진 급여 에이전트의 원천 기술이 전사 플랫폼으로 이어졌을 가능성은 충분합니다.

핵심 업무를 다루는 인공지능 전환이 남긴 교훈

Paychex 사례는 인공지능 전환(AX)을 고민하는 모든 기업 리더에게 중요한 질문을 던집니다.

첫째, 가장 어렵고 가치 있는 핵심 문제부터 정면으로 마주하는 태도입니다. Bain은 이를 “큰 목표를 노리는 일(shoot for the fences)“이자 “어려운 문제를 골라내는 것(picking the hard problem)“이라고 표현했습니다. 실패가 두려워 주변 업무만 맴돌면 사업 전체를 바꾸는 실질적인 성과를 거두기 어렵습니다. 오류 허용 범위가 극히 적은 급여 파이프라인을 파고들었기에 80%라는 극적인 시간 단축을 이끌어 낼 수 있었습니다.

둘째, 고객에게 변화의 고통을 떠넘기지 않았습니다. 디지털 전환이라는 명목 아래 고객에게 익숙한 이메일 창구를 닫고 웹 포털로 강제 이주시키는 방식은 마찰을 낳습니다. Paychex는 고객의 오랜 방식을 존중하고 시스템 내부의 인공지능이 그 복잡성을 흡수하도록 설계했습니다. Dave Wilson은 인터뷰에서 인공지능이 온라인 포털 경험과 기존 이메일 소통 방식을 매끄럽게 이어 주는 다리 구실을 했다고 강조했습니다.

셋째, 안전망으로서의 섀도 모드입니다. 사람과 나란히 달리며 실제 데이터를 바탕으로 실력을 검증하고 예외적인 맥락을 학습시킨 기간이 있었기에 안전한 상용화가 가능했습니다. 사람을 완전히 배제하려 들지 않고, 표준 업무는 기계가 맡되 복잡한 예외는 전문가가 챙기는 협업 구도를 짰습니다.

물론 수십 년 동안 축적된 업무 데이터와 대규모 인프라가 없는 기업이 단기간에 똑같은 결과를 복제하기는 어려울 수 있습니다. 그러나 인공지능을 화려한 기술 쇼가 아니라 현장 전문가의 짐을 덜고 고객과의 신뢰를 지키는 보이지 않는 엔진으로 작동시켰다는 점은 모든 산업에 깊은 울림을 줍니다.

---

출처

Bain & Company — Paychex Deploys the Industry’s First Agentic AI Payroll Engine — https://www.bain.com/client-results/ai/paychex/ — 수치 기준일 2026-05-11

Bain & Company — Winning with AI: A Conversation with Paychex’s Dave Wilson — https://www.bain.com/how-we-help/winning-with-ai-a-conversation-with-paychexs-dave-wilson-video/ — 2026-09-22 확인

Paychex Newsroom — Announcing the WISE AI Platform for an Agentic Digital Workforce — https://www.paychex.com/newsroom/news-releases/announcing-wise-ai-for-agentic-workforce — 2026-05-19

Paychex Newsroom — WISE at Work: Early Results… — https://www.paychex.com/newsroom/news-releases/paychex-wise-payroll-accuracy-efficiency-results — 2026-08-31