紙の請求書・納品書をAIでデータ化する順番。中小企業総務が失敗しにくい始め方

紙の請求書や納品書が多い会社では、データ化したい気持ちが強くなります。紙のままだと、人が見て、入力して、確認する作業が残ります。処理量が多いほど、時間も注意力も使います。

ただし、AIでデータ化するときに、最初から全部を対象にすると重くなります。実務では、書類の種類、読み取る項目、照合先、確認方法を順番に決める方が進めやすいです。

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

紙が多い会社ほど、全部を一気に読ませない

AIなら何でも読めそうに見えますが、紙書類には会社ごとの癖があります。請求書、納品書、受注書、申請書では、必要な項目も確認方法も違います。まず一つの書類に絞り、うまくいく型を作る方が安全です。

紙書類のAI化は、対象を広げる前に、読み取り項目を絞ることが大切です。取引先名、金額、税区分、商品名など、何を取れれば実務で使えるのかを先に決めます。

最初に選ぶ書類は、効果と確認先で決める

対象書類を選ぶときは、枚数が多いか、手入力が多いか、確認先のデータがあるかで考えます。確認先がない書類は、AIが読めても正しいか判断しにくくなります。

書類	効果が出やすい理由	確認先
請求書	弥生会計や支払データにつなげやすい	補助元帳、支払予定、請求書原本
納品書	毎日の単価・金額チェックを減らせる	基幹ソフトの仕入明細
受注書	入力作業を減らせる	受注システム、販売管理
申請書	社内処理を早くできる	社内ルール、承認履歴

読み取る項目を少なくする

AI OCRでつまずきやすいのは、書類の全部を理解させようとすることです。請求書なら、取引先名、8%、10%、支払額など、実務に必要な項目に絞ります。納品書なら、仕入先名、商品名、単価、数量、金額などが中心になります。

必要な項目が明確になると、AIへの指示も、確認表も作りやすくなります。逆に、使わない項目まで読ませると、誤認識や確認負担が増えます。

色枠指定は、AIに読み取り場所を教える工夫になる

AI OCRの説明を聞くと、読み取りが必要な場所を取引先ごとに指定する考え方があります。これを内製で試すなら、画像上で必要項目を色枠で囲み、『この取引先ではここを見る』というルールを作る方法があります。

実際に、請求書では取引先名、8%、10%、税込金額などを色分けして示すことで、AIが見る場所を学びやすくなりました。納品書でも、商品名や行ごとの金額に着目させることで、突合につなげる道筋が見えます。

請求書と納品書では、ゴールが違う

同じ紙書類でも、請求書と納品書ではAI化のゴールが違います。請求書は、会計入力、支払データ作成、支払後の消し込みにつなげたい書類です。納品書は、基幹ソフトの仕入明細と単価・金額が合っているかを見る書類です。

このゴールを混ぜると、読み取る項目も確認方法も曖昧になります。請求書は取引先名、税区分、支払額。納品書は仕入先名、商品名、単価、数量、行金額。書類ごとに必要項目を分けると、AIへの指示も人の確認も整理されます。

書類	主なゴール	人が見るポイント
請求書	会計・支払処理へつなぐ	取引先名、税区分、支払額
納品書	仕入明細と突合する	商品名、単価、数量、行金額
受注書	販売管理へ入れる	商品、数量、納期、備考

マスターとの表記揺れを先に考える

データ化で意外と大きいのが名称の揺れです。請求書に書かれた会社名と、弥生会計の補助科目名が少し違うことがあります。納品書の商品名と、基幹ソフトの商品名が完全一致しないこともあります。

ここを放置すると、AIが読めていても、会計や基幹ソフトとつながりません。取引先名や商品名の対応表を作り、AIの処理結果から少しずつ強化していく考え方が必要です。

突合まで入れて初めて実務に近づく

紙をデータ化しただけでは、仕事は終わりません。請求書なら、弥生会計に入れた内容と請求書原本を突合します。納品書なら、基幹ソフトの仕入明細と金額が合っているかを確認します。

AIを二段階で使う考え方もあります。最初のAIが読み取り、次のAIが原本と処理結果を突合する。部下のAIと上司のAIのように役割を分けると、人の確認負担を減らしやすくなります。

人が見る場所を残す

AIの精度が上がっても、最終的に人が見る場所は残ります。金額が大きいもの、AIが迷ったもの、取引先や商品名が初めて出たもの、不一致が出たものは、人の確認対象にします。

人が見る候補	理由	対応
金額が大きい行	影響が大きい	優先的に目視確認
AIの信頼度が低い行	誤読の可能性がある	原本と照合
初めての取引先・商品	マスター未整備	対応表に追加
不一致が出た行	価格改定や入力漏れの可能性	原因を確認

95%以上の精度でも、確認設計は必要

OCR精度が95%以上出ると、かなり実務に近づいた感覚があります。ただし、経理や仕入の処理では、残りの数%が大きな問題になることがあります。金額が大きい行、初めての取引先、表記揺れがある商品は、精度が高くても人の確認を残すべきです。

大切なのは、全部を人が見る状態から、見るべき場所だけ人が見る状態へ変えることです。AIが合っているものを流し、不一致や不安なものだけ人に出す。この設計ができると、品質を落とさずに労力を下げやすくなります。

AIに渡す前に整える材料

紙書類のAI化では、画像をそのまま読ませるだけでは安定しません。AIが照合できる相手を先に用意しておくことで、読み取り結果を実務に使える状態へ近づけられます。

用意する材料	役割	あると変わること
仕入先マスタ	会社名の候補を絞る	請求書・納品書側の表記ゆれを吸収しやすくなる
商品マスタ	商品名の候補を絞る	仕入先側の商品名と社内の商品名が違っても候補照合しやすくなる
取引先ごとの座標位置	会社名・商品名・金額が書かれる場所を覚える	毎月似た様式の書類を読みやすくなる
商品名の突合リスト	仕入先名称と社内名称をつなぐ	一度合った対応関係を次回以降の資産にできる
取引先名の突合リスト	社外表記と社内登録名をつなぐ	補助科目や仕入先登録とのズレを減らせる

たとえば納品書サンプル477枚を試した場合、最初から全件を任せるのではなく、処理可能率45.7%から始め、未登録候補の座標を整えることで最大62.3%程度まで広げられる見込みが出ました。このように段階で見ると、AI化の進み具合を社内にも説明しやすくなります。

小さく試して、失敗をルールに戻す

AI化は一度で完成しません。読み取りミスや表記揺れが出たら、それを失敗として終わらせるのではなく、次回のルールに戻します。間違えた箇所をExcelに出し、どの取引先で何が起きたかを残すと、精度改善につながります。

一人総務・少人数総務では、外注システムを大きく入れる前に、試作で実務に合うか見極めることが大切です。固定費を増やす前に、どこまで内製に近づけられるかを見る価値があります。

外注費と内製の手間を両方見る

AI OCRサービスは便利ですが、書類枚数が多い会社では1枚あたりの費用が重くなることがあります。補助金で一時的に安くなっても、数年後に固定費として残るなら、会社規模に合うか慎重に見る必要があります。

一方で、内製にも手間はかかります。色枠指定、ルール作成、表記揺れリスト、テスト、修正。ここを無視すると続きません。外注費だけでなく、内製にかける時間と、削減できる作業時間を合わせて見ることが実務的です。

外部サービスを見送る判断も、紙のまま残す判断も、それぞれ理由を数字で残します。費用が合わないところから色枠指定とAIエージェントの試行へ進んだ実例は、高額なAI OCRに頼らず内製化へ近づけた過程で確認できます。

月末や決算月の突合から始めると効果を説明しやすい

紙書類のAI化は、日常業務だけでなく、月末や決算月の突合作業でも効果を説明しやすいです。請求書と納品書、納品書と仕入明細、会計データと支払データなど、確認対象が多い作業はAI化の候補になります。

特に決算月は、普段は省略している確認をまとめて行うことがあります。そこで数千枚の納品書を確認するような作業があるなら、AIで先に一致・不一致を分けるだけでも負担は大きく変わります。

対象	AIに任せること	人が確認すること
請求書と納品書	合計額や明細の候補照合	差額の理由
納品書と仕入明細	商品名・金額の突合	価格改定や表記揺れ
弥生会計と支払データ	取引先・金額の一致確認	支払確定
不一致リスト	差異の分類	修正処理

AI化の効果を社内に説明するときは、『便利そう』では弱いです。毎日1時間かかっている、月末に何時間かかっている、決算月に何枚確認している、といった実務の数字を添えると判断してもらいやすくなります。

この数字を押さえておくと、AI化が単なる新しい取り組みではなく、現場の余力を作るための改善として説明できます。

テストでは、正解データを必ず用意する

AI OCRのテストで大切なのは、AIが出した結果を見るだけではなく、正解データと比べることです。請求書であれば、すでに手入力した弥生会計のデータや支払予定表と突合します。納品書であれば、基幹ソフトの仕入明細と比べます。

正解データがないまま『だいたい読めている』で進めると、実務に入ったときに不安が残ります。どの項目で間違えたか、どの取引先で弱いか、どの書式で読み取りづらいかを記録して、次のルールに戻します。

確認する精度	見る内容
取引先名	会計や基幹ソフトの名称と合うか
金額	税込・税抜・税率別が正しいか
商品名	仕入明細の商品と対応するか
不一致	AIが迷った理由を出せるか

テスト結果は、失敗一覧として残す

うまく読めなかった箇所は、単なる失敗ではありません。次に精度を上げるための材料です。取引先名、書式の特徴、間違えた項目、修正方法を一覧にしておくと、AIへの追加指示や対応表の更新に使えます。

紙書類のAI化は、最初から完璧にするより、失敗を集めて強くする仕事です。実務を知っている総務経理がその失敗を見られることが、内製に近づける大きな強みになります。

段階導入にすると、現場へ説明しやすい

紙書類のAI化を社内へ説明するときは、『来月から全部AIにします』では不安が出ます。まずテスト、次に並行運用、次に一部本番、最後に対象拡大という段階にすると、現場も受け止めやすくなります。

請求書処理では、OCR部分だけを並行テストにして、その後の弥生会計から銀行振込データまでの流れは既存のマクロで回す、というように分けられます。納品書突合でも、最初は不一致候補を出すだけにして、人が確認する形から始めると安全です。

段階	やること	確認すること
試作	少数の書類で読み取り	項目が取れるか
並行テスト	従来処理とAI結果を比較	精度と差異
一部本番	限定した取引先で運用	人の確認負担
対象拡大	書式や取引先を増やす	ルール更新

チェックリスト

• 対象書類を一つに絞ったか
• 読み取る項目を決めたか
• 確認先のデータがあるか
• 名称の揺れを対応表にできるか
• AI結果を突合する工程があるか
• 人が見る条件を決めたか

あわせて読みたい関連記事

このテーマに近い実務記事です。必要なところから読み進めてください。

• 一人総務とAIは相性がいい。横断業務を自分で改善できる時代になった
• Gemini Notebookを社内FAQに使う。年末調整の質問対応を軽くする一人総務のAI活用
• 請求書OCRから弥生会計・銀行振込データまでつなぐ。一人総務の買掛支払フロー
• AI勉強会・体験会を社内で開く。ITリテラシーが低い会社で一歩目を作る方法

よくある質問

まとめ

紙の請求書・納品書をAIでデータ化するときは、書類を絞り、項目を絞り、確認先を決めます。読み取りだけで終わらせず、会計や基幹ソフトとの突合まで考えると、実務に使える形になります。

AIは紙を魔法のように完璧なデータへ変えるものではありません。実務を知る総務経理が、どこを読み、どこを確認し、どこを人が見るかを決めることで、紙の多い会社でも改善の道筋が見えてきます。