請求書OCR精度を95%以上へ｜色枠指定とAI突合

請求書OCRは、導入すればすぐに経理が楽になるように見えます。しかし実務で試すと、単に画像を読み込ませるだけでは安定しません。請求書には取引先ごとの書式があり、税率別の表示も違い、会社名の表記も会計ソフト側の登録名と微妙にずれるからです。

少人数経理や一人総務で大切なのは、AIに全部を丸投げすることではありません。読み取る項目を絞り、どこを見ればよいかを教え、出てきた結果を会計データと突合し、間違いを次回のルールへ戻すことです。

請求書処理AI化の全体像はこちら：請求書処理AI化ロードマップ。OCRから弥生会計・銀行振込データまでつなげる実務

精度を測るときの合格線と例外条件

判定軸	運用基準	注意点
読み取り精度	正答率95%以上を実用化の目安にする	帳票や取引先ごとにも分けて測る
金額	100万円以上は別一覧に出す	信頼度が高くても人が確認する
例外	初回取引先と低信頼判定	通常処理へ自動で流さない

OCR精度と保存要件は分けて考える

OCRで正しく読めることと、請求書を適切な方法で保存できていることは別の確認です。読み取り精度は社内テストで測り、保存方法は国税庁「電子帳簿保存法一問一答（スキャナ保存関係）」など最新の公式情報で確認します。原本を廃棄する判断は、OCR結果だけで行いません。

請求書OCRで確認した精度と運用段階

項目	これまで	改善後・目標
OCR精度	一か月分の初回実測は項目ベースで93%	誤りをルールへ戻し、追加検証で95%前後まで改善
検証方法	目視確認だけでは差異が見えにくい	弥生会計のエクスポート情報とOCR結果をAIで突合
運用段階	試作だけで終わるリスク	並行テストから一部本番運用へ進める段階

精度を上げるうえで大切なのは、AIに丸投げしないことです。読み取る場所、照合する相手、間違えた箇所の戻し方を決めることで、運用に近づきます。

この記事では、請求書OCRの精度を95%以上に近づけるために実務で考えた流れを整理します。非エンジニアでも、経理の流れを知っている人ならかなり現実的に試せる方法です。

最初の失敗は「請求書を全部読ませようとすること」

請求書には多くの情報があります。発行日、請求番号、住所、登録番号、明細、税区分、備考、振込先、支払期限などです。これらを最初から全部読ませようとすると、AIにとっても判断箇所が多くなり、処理も重くなります。

経理処理で最初に必要なのは、実はそこまで多くありません。仕入や買掛金として会計入力し、支払データへつなげるために必要な項目から始めます。読む項目を絞ることで、OCRの精度確認もしやすくなります。

まず読ませる項目を決める

最初に決めるべきなのは、「何を読めば実務が進むのか」です。便利そうな項目を全部入れるのではなく、会計入力と支払処理に直結する項目に絞ります。

読み取る項目	実務上の目的	注意点
取引先名	補助科目や支払先と照合する	会計ソフト側の登録名と表記がずれやすい
税率8%対象額	軽減税率分の仕入を確認する	税込、税抜、消費税額の表示を混同しない
税率10%対象額	通常税率分の仕入を確認する	税率別に欄が分かれていない請求書もある
請求合計額	支払予定額と一致させる	相殺、値引き、前月繰越がある場合は例外扱いにする

この段階では、完璧な請求書データベースを作ろうとしない方がよいです。まずは支払処理に使う核となる情報を安定して取れる状態を作ります。

色枠で「読む場所」を教える

請求書OCRで大きかった工夫は、読み取りが必要な箇所を色枠で囲むことです。取引先名、8%対象額、10%対象額、請求合計額などを項目ごとに色分けし、AIエージェントに「この取引先の請求書では、この色の場所にこの情報がある」と教えます。

これは一見アナログです。実際、最初は請求書画像を一枚ずつ確認し、必要箇所に色を付ける作業になります。ただ、この初期作業があることで、翌月以降は同じ取引先の請求書を無加工で読ませる道筋ができます。

AI OCRの考え方を、内製に応用する

外部のAI OCRサービスでは、取引先ごとに読み取り位置や項目を指定し、そのルールを使って翌月以降も同じ場所を読む設計が使われることがあります。これを内製に近い形で真似します。

つまり、AIに「請求書を読んで」と頼むだけではなく、「この取引先では、この場所が請求合計額です」「この欄は8%対象額です」という読み取りルールを作らせます。ルールはExcelなどの一覧にしておくと、後から見直しやすくなります。

色分けルールの例

色	意味	読み取り後の使い道
赤系	取引先名	会計ソフトの補助科目候補と照合する
黄系	8%対象額	軽減税率の仕入額として確認する
緑系	10%対象額	通常税率の仕入額として確認する
青系	請求合計額	支払データの金額と照合する

大事なのは、色そのものではなく、同じルールで継続することです。毎回違う色や違う意味で囲むと、AIに渡す学習材料として弱くなります。

翌月以降は、色枠なしで読ませる

色枠は毎月付け続けるためのものではありません。初回に読み取り位置を教え、ルール化するための準備です。翌月以降は、色枠を付けていない請求書を読ませ、前回作ったルールを使って抽出できるかを確認します。

この考え方にすると、最初の作業は少し重くても、次回以降の処理が軽くなります。少人数経理では、最初の一回だけ手間をかけて翌月以降を楽にする設計が大切です。

95%以上の精度は、目視だけで判断しない

OCR精度を確認するとき、目視で「だいたい読めている」と判断するだけでは危険です。実務では、既に手入力した会計データや、会計ソフトからエクスポートしたデータと突合します。

たとえば、OCRで抽出した取引先名と金額を、会計ソフトの補助元帳や仕入データと照合します。違った箇所をAIエージェントに一覧化させると、読み取りミス、名称揺れ、入力ミス、処理対象外の例外が見えてきます。

並行テストでは、一か月分を実際に流してみる

請求書OCRは、数枚だけ試して「読めた」と判断すると危険です。実務で使えるかを見るなら、一か月分の請求書を実際に読み取らせ、通常の手入力処理と並行して比較します。

このとき、手入力をすぐにやめないことが大切です。従来どおり会計ソフトへ入力し、そのエクスポートデータとOCR結果を比べます。すでに業務として正しい形で処理したデータを正解データとして使うことで、OCRがどこまで実務に近づいているかを確認できます。

並行テストをすると、単純な読み取りミスだけでなく、そもそも請求書の構成が特殊なもの、支払処理に回さないもの、会計側の登録名と一致しないものが見えてきます。ここを見ないまま本番化すると、あとで人の確認負担が大きくなります。

精度は、正解率だけでなく差異の種類で見る

95%以上という数字は目安として分かりやすいですが、実務では「何を間違えたのか」の方が重要です。金額の一桁違い、税率の取り違え、取引先名の候補違い、対象外請求書の混入では、リスクの大きさが違います。

そのため、差異一覧を作るときは、単に一致、不一致で終わらせず、読み取りミス、名称揺れ、会計入力側の差異、例外処理、確認待ちのように分類します。分類しておくと、次に直すべき場所が見えます。

差異の種類	見るべきこと	次回への戻し方
読み取りミス	金額や税率欄を取り違えていないか	色枠位置や取引先別ルールを修正する
名称揺れ	会計ソフト側の登録名に寄せられるか	対応表へ請求書名と会計名を追加する
例外処理	相殺、値引き、前月繰越などがあるか	自動処理対象外として人の確認に回す
会計入力側の差異	手入力側に修正漏れがないか	OCR側だけでなく現行処理も見直す

支払データ作成まで見ると、読む項目がさらに絞れる

請求書OCRを単体で考えると、どうしても読める情報を増やしたくなります。しかし、弥生会計への入力、会計データのエクスポート、銀行支払データへの整形、支払後の会計反映までつなげて考えると、最初に読むべき項目はかなり絞られます。

支払処理に使わない情報まで読ませると、精度確認の対象が増え、運用が重くなります。逆に、支払額、税率別金額、取引先名、会計側の補助科目に関係する情報に絞れば、会計入力と銀行振込データ作成の両方に使える形になります。

一気通貫にするというのは、AIに何でも読ませることではありません。同じ情報を二度三度入力しないように、最初に取ったデータを最後まで使える形に整えることです。

AIで原本と結果をもう一度突合する

ここで重要なのが、AIを一度だけ使わないことです。ひとつ目のAIがOCRで読み取り、別のチェック役としてAIに原本と抽出結果を突合させます。感覚としては、部下のAIが作業し、上司のAIが確認する形です。

もちろん、最終判断は人が行います。ただ、AIに差異一覧を作らせることで、人は全部を見直すのではなく、怪しい箇所を重点的に確認できます。

段階	AIに任せること	人が見ること
読み取り	請求書から必要項目を抽出する	対象外の請求書や例外が混じっていないか
突合	原本、OCR結果、会計データの差異を出す	差異の理由が読み取りミスか実務上の例外か
修正	間違いの傾向を一覧化する	次回の読み取りルールへ反映するか

名称揺れは、会計ソフト側に合わせる

請求書OCRで地味に効いてくるのが、取引先名の表記揺れです。請求書には正式名称が書かれていても、会計ソフトでは略称で登録されていることがあります。逆に、会計ソフト側には屋号や管理上の名称で登録されていることもあります。

このとき、請求書側の表記を正とするのではなく、会計ソフト側の補助科目や取引先マスタに合わせるようにします。会計入力や支払処理で使うのは、最終的には会計ソフト側の名前だからです。

補助科目リストをAIに渡す

表記揺れを減らすためには、会計ソフトから出した補助科目や取引先のリストをAIに渡します。そのうえで、「請求書上の名称を、このリストのどれに当てはめるか」を判断させます。

完全一致だけに頼ると、少し表記が違うだけで別の取引先として扱われます。AIの強みは、こうした揺れを候補として吸収できることです。ただし、似た名前の取引先がある場合は危険なので、人の確認に戻すルールが必要です。

請求書OCRの考え方は、納品書にも横展開できる

請求書OCRで使った色枠指定や座標ルールは、請求書だけの工夫ではありません。納品書でも、会社名、商品名、行合計金額の位置を取引先ごとに整理すると、同じ考え方で精度を育てられます。

対象	読み取る主な項目	突合先
請求書	取引先名、税区分、請求額、支払額	弥生会計、補助元帳、支払予定
納品書	仕入先名、商品名、単価、数量、行合計金額	基幹ソフトの仕入明細、商品マスタ
共通する考え方	読む場所を決め、名称揺れをリスト化する	原本とシステムデータをAIで再突合する

精度を上げる材料は、失敗した読み取り結果の中にもあります。商品名が崩れた、金額が読めなかった、複数伝票が一枚に入っていた。こうした例外をExcelなどに残し、次回のルールに戻すと、AI処理は少しずつ実務に近づきます。

間違いをExcelに出して、次回の強化材料にする

OCRの間違いは、失敗ではなく改善材料です。どの取引先で、どの項目を、どのように間違えたのかを一覧にしておくと、次回の読み取りルールを強化できます。

この差異一覧は、単なるエラー表ではありません。取引先別の書式の癖、税率表示の癖、合計欄の位置、表記揺れの対応表になります。回せば回すほど精度が上がる土台です。

実務で出やすいエラーと対策

起きやすい問題	原因	対策
合計額ではなく税抜額を読んだ	請求書上の金額欄が複数ある	色枠で合計額の位置を明示し、税率別額と分ける
取引先名が会計ソフトと一致しない	正式名、略称、屋号が混在する	補助科目リストに寄せて候補を出させる
8%と10%の金額を逆に読んだ	税率表示の並びが取引先ごとに違う	取引先別ルールに税率欄の位置を持たせる
前月繰越や相殺を含めてしまう	請求書の構成が通常月と違う	例外として人の確認に戻す

93%の残りを、次月のルールに変える

初回テストで誤った項目は、単に正しい値へ直すだけでは足りません。「金額欄の位置が通常と違う」「税率別金額と請求総額を取り違えた」「会社名の略称が補助科目と結び付かなかった」のように、原因の型へ分けます。

残す記録	次回へ戻す内容
誤読した帳票の特徴	読む位置・除外位置・優先項目
正しい会計側名称	取引先名と補助科目の対応
誤りの影響	高額・新規・例外として確認へ戻す条件
修正後の結果	同じ帳票で再現できたか

この記録が増えるほど、同じ誤りを繰り返しにくくなります。目標は正答率の数字だけではなく、間違えた理由を説明でき、再発防止へ戻せる状態です。

人が握るべき判断点を決めておく

AI OCRで一番危ないのは、人が理解していない処理がそのまま経理データになることです。読み取りや突合はAIに任せても、最終的な判断点は人が握ります。

たとえば、新規取引先、口座変更、マイナス請求、相殺、金額が大きい請求書、いつもと違う税率構成の請求書は、人の確認に戻す設計が必要です。全部を自動で通すより、重要なものを止める方が実務では安全です。

信頼度・金額・例外の三軸で人の確認へ戻す

AIに一致・不一致だけを出させるのではなく、「おそらく一致しているが文字揺れがある」など、判定の信頼度も持たせます。ただし、信頼度が高ければ無条件で通すわけではありません。

確認軸	人へ戻す例	理由
信頼度	文字揺れや読み取り位置に迷いがある	AI自身が判断に自信を持てない
金額	例として100万円以上の取引	誤りが会社へ与える影響が大きい
例外	新規取引先、初めて見る様式、口座変更	過去ルールをそのまま適用できない

低信頼・高額・新規や例外のいずれかに当てはまれば、AIが一致と判定していても人が確認します。確認対象をゼロにするのではなく、重要な案件を確実に拾うことが目的です。

人が修正した箇所は、取引先別の読み取り位置、名称揺れ、税率欄、間違えた理由と一緒に残します。項目ベースで95%以上を実用ラインとして見ながら、複数箇所から判定し、処理するたびに次回のルールへ戻すことで、使うほど精度を育てる運用へ近づけます。

パート社員と一緒に作ると、実務に合いやすい

請求書処理を担当している人がいる場合、その人の目線は非常に大切です。どこを見ているのか、何が怖いのか、どの請求書で時間がかかるのかを聞くと、改善すべき箇所が見えてきます。

AI化は、担当者の仕事を奪うものではありません。繰り返しの入力や確認を減らし、例外や判断が必要なところに集中できるようにするものです。そこを最初に共有しておくと、現場の協力も得やすくなります。

一人総務が強いのは、経理とシステムを同時に見られること

この改善は、経理だけを知っていても、システムだけを知っていても進めにくいです。会計入力で何が必要か、支払データにどうつながるか、AIにどの情報を渡せば判断しやすいかを同時に考える必要があります。

一人総務や少人数総務は、総務、経理、情シス的な仕事を横断していることが多いです。その経験は、AI時代には大きな強みになります。情報が自分の中でつながっているから、改善ポイントを選びやすいのです。

月200枚を項目ベースで見ると、95%以上の意味がはっきりする

請求書OCRの精度は、なんとなく「読めた気がする」では判断しません。今回の実務では、月200枚程度の請求書を対象に、取引先名・税率別金額・合計金額などを項目ごとに照合しました。初回実測は93%で、誤りをルールへ戻した追加検証では95%前後まで改善しています。

見る項目	実務上の考え方	人が確認する理由
対象枚数	月200枚程度	一部サンプルだけでなく、月次処理に近い量で見る
精度の見方	初回93%→追加検証で95%前後	請求書1枚全体ではなく、使う項目ごとに差異を見る
削減効果	月4時間程度の短縮見込み	手入力時間だけでなく、集中力を要する確認負担も減らす
最終確認	AI突合後に人が見る	金額違い・名称揺れ・不明行は人が握る

特に経理処理では、1件の誤りが支払や仕訳に影響します。だからこそ、精度を高くすることだけでなく、間違えた場所を次回の強化材料に戻すことまでをセットで考えます。

よくある質問

まとめ

請求書OCRの精度を上げるコツは、高価な仕組みを入れることだけではありません。読み取る項目を絞り、色枠で位置を教え、会計ソフト側の名前に合わせ、AIで突合し、間違いを次回のルールへ戻すことです。

最初から完全自動化を狙うと危険です。まずは一か月分を並行テストし、既存の手入力データと比べ、どこが合っていてどこが違うかを見る。そこから少しずつ読み取りルールを育てていきます。

AI OCRは、経理担当者を置き換える道具ではありません。少人数で間違えられない仕事を回すために、人の確認点を絞り込む道具です。一人総務がそこを理解して使えば、請求書処理はかなり現実的に内製化へ近づきます。

さらに、この運用で残るルール表や差異一覧は、会社の知識資産になります。担当者の頭の中だけにあった「この請求書はここを見る」「この取引先名は会計ではこの名前」という判断を、次の人にも渡せる形にできるからです。

関連して読みたい記事

• 請求書処理をOCRから支払データ作成までつなげる。少人数経理の一気通貫設計
• AI OCRは高額導入だけではない。非エンジニア総務が請求書処理を内製化に近づけた実務
• 納品書OCRと仕入明細の突合で、毎日1時間の単価チェックを減らす実務設計
• 一人総務とAI活用はなぜ相性が良いのか。横断できる人ほど業務改善が進む理由