인공지능(AI) 기반 회계 자동화 스타트업 맥시마(Maxima)가 레드포인트 벤처스와 클라이너 퍼킨스를 포함한 투자자들로부터 약 4,100만달러를 유치했다고 회사가 화요일 밝혔다. 이번 자금 조달은 기업 회계를 겨냥한 AI 에이전트 소프트웨어 개발 가속화를 목표로 한다.
2025년 11월 18일, 로이터(Reuters)의 보도에 따르면, 설립 1년차인 이 캘리포니아주 샌마테오 기반 스타트업의 시드(Seed)와 시리즈 A 투자 이후 기업가치는 1억4,300만달러로 평가됐다. 이는 AI 주도형 엔터프라이즈 소프트웨어를 구축하는 기업에 대한 투자자 수요가 여전히 견조함을 시사한다.
이번 라운드에는 레드포인트 벤처스와 클라이너 퍼킨스 외에도 Audacious Ventures와 조 몬태나(Joe Montana)NFL 슈퍼볼 챔피언, Liquid 2 매니징 파트너 등이 참여했다. 회사는 신규 자금을 제품 고도화와 인력 확충에 투입할 계획이라고 밝혔다.
맥시마는 자사의 AI 플랫폼이 조정(reconciliation)과 분개(journal entry) 등 핵심 회계 업무를 SAP와 블랙라인(BlackLine) 같은 지배적 레거시(legacy) 공급자기존 대형 전사적 시스템 공급사보다 더 잘 자동화할 수 있다고 주장한다. 회사 측은 이를 통해 시간과 비용을 동시에 절감할 수 있다고 강조했다.
맥시마 공동창업자 겸 CEO 요기 고엘(Yogi Goel)은 로이터에 “그들(레거시 공급자)은 ‘사람이 일을 하고, 그 일을 감사인이 확인할 수 있도록 기록한다’는 전제를 갖고 있었다”며 “우리는 에이전트가 일을 수행하고 사람이 이를 검토하는 구조를 완전히 새롭게 설계하고 있다”고 말했다.
한편, 올해 초 MIT 연구가 파일럿 프로젝트의 95%가 초기 테스트 단계를 넘지 못한다는 결과를 제시한 이후, AI 도구의 실제 유용성과 신뢰성·정확성을 둘러싼 의문도 제기돼 왔다. 이에 대해 맥시마는 현장 성과로 의구심에 답하고 있다는 입장이다.
고엘 CEO는 “우리는 고객을 위해 수백만 건의 거래를 처리했으며, 단 한 건의 오류도 발생하지 않았다”고 말했다.
스케일 AI(Scale AI)의 회계 책임자 조슈아 월드런(Joshua Waldron)은 로이터에 “맥시마의 플랫폼 덕분에 플럭스 분석(flux analysis)과 같은 작업이 기존 ‘며칠’에서 ‘몇 시간’으로 단축됐다”고 평가했다. 맥시마의 고객사로는 핀테크 기업 스팟온(SpotOn)과 HR 소프트웨어 스타트업 리플링(Rippling)도 포함돼 있다.
맥시마는 조달 자금을 바탕으로 제품 개발을 지속하고, 현재 31명 규모의 팀을 확대할 계획이다. 공동창업진은 CEO 요기 고엘 외에 전 트위터 엔지니어 악샤야 스리바차(Akshaya Srivatsa), 전 넷플릭스 엔지니어 잭 리아오(Jack Liao)로 구성돼 있다.
용어 해설: 회계 자동화 관련 핵심 개념
– 조정(Reconciliation): 분개·원장·은행거래 등 서로 다른 출처의 데이터가 일치하는지 대사하는 절차다. 대규모 기업에서는 월말·분기말 마감 시 반복적이고 인력집약적인 업무로 알려져 있다.
– 분개(Journal Entry): 거래 발생 시 차변·대변 계정을 기록하는 기본 단위다. 자동화의 정확성이 담보되면 마감 속도와 감사 대비 추적성을 개선할 수 있다.
– 플럭스 분석(Flux Analysis): 기간별 재무 수치의 변동(증감) 원인을 파악하는 분석으로, 예산 대비(actual vs. budget) 또는 전기 대비(actual vs. prior period) 큰 차이를 설명하기 위해 수행한다.
– 레거시 공급자(Legacy Providers): SAP, 블랙라인 등 다수 대기업의 재무 백오피스를 지탱해온 기존 시스템 제공업체를 지칭한다. 일반적으로 사용자 중심(사람 주도) 워크플로에 최적화되어 있어, 에이전트 기반 완전 자동화와는 철학이 다르다.
맥시마 모델의 의미와 리스크 포인트
맥시마가 제시하는 구조는 “에이전트 우선, 사람 검토”라는 전제 위에 서 있다. 이는 전통적 회계 시스템의 “사람 입력·시스템 기록” 패러다임을 뒤집는 접근으로, 정형 규칙과 반정형 판단이 혼재한 회계 업무의 특성에 맞춰 반복 작업을 기계화하고 이상 탐지·설명을 사람에게 남기려는 의도다. 시간·비용 절감과 마감 속도 개선이 기대되지만, 실무 적용에서는 감사 추적성(audit trail), 통제(controls), 책임소재(assignability)를 어떻게 충족·입증하느냐가 핵심 과제로 남는다.
특히 MIT 연구가 지적한 바와 같이, 많은 AI 파일럿이 초기 테스트를 넘어서지 못하는 현실은 “운영 환경에서의 탄력성과 일관성”을 확보한 플랫폼만이 채택된다는 점을 환기한다. 맥시마가 밝힌 “수백만 건 처리, 오류 0” 주장은 야심 차지만, 회계라는 규제 친화 영역의 특성상 케이스 범위, 예외 처리, 감사 증적을 포함한 객관적 검증과 고객사 내 통제 체계와의 정합성 입증이 지속적으로 요구될 것이다.
경쟁 구도 측면에서, SAP·블랙라인은 방대한 설치 기반과 감사 친화적 워크플로를 강점으로 한다. 반면, 맥시마와 같은 차세대 AI 네이티브 업체는 업무 단위의 자동화 깊이와 구축·운영의 민첩성으로 차별화를 시도한다. 실제 선택은 기업의 규모, 규제 환경, 내부 통제 성숙도, 데이터 품질에 따라 달라질 것으로 보인다.
실무적 체크리스트
– 적용 대상: 조정·분개·플럭스 분석 등 반복도가 높고 규칙성이 있는 업무부터 단계적 자동화 적용을 검토할 수 있다.
– 검증 포인트: 정확도 지표, 예외 처리 정책, 감사 추적성 제공 방식, 역할·권한 체계(RBAC), 변경 관리(Change Management) 등을 점검하는 것이 바람직하다.
– 도입 기대효과: 마감 리드타임 단축, 인력 재배치, 오류 위험 저감, 데이터 일관성 제고 등이 일반적으로 언급된다. 다만 효과의 크기는 조직별 요인에 좌우된다.
