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

納品書チェックは、単なる事務作業ではありません。 仕入単価や金額のズレを見逃すと、利益率や売価設定に影響します。だからこそ、人が毎日時間をかけて見比べる価値があります。一方で、その見比べ作業をすべて人の目に頼り続けると、少人数の管理部門ではかなり重くなります。

この記事では、50名規模の中小企業で一人総務・少人数総務として働く立場から、納品書OCRと基幹ソフトの仕入明細を突合し、毎日1時間ほど発生している単価・金額チェックをどう減らしていくかを整理します。取引先名、商品名、単価、数量、金額を分け、表記ゆれと高額取引を人へ戻す設計まで扱います。

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

納品書照合の現状と改善目標を数字で分ける

確認項目	実測・現状	改善後の扱い
手作業の時間	平均すると1日約1時間	AI照合後は例外確認へ寄せる。短縮量は本番運用後に実測する
対象量	請求書は月約200枚、対応する納品書は数千枚になる月がある	表記揺れ辞書を処理ごとに更新する
人が見る範囲	全件を目視	高額・低信頼度・初回取引を優先して確認する

「約10分で終える」は目標値で、実測済みの成果ではありません。本番運用後に、処理時間と見逃し件数を同時に記録します。

納品書チェックで見えている削減余地

項目	これまで	改善後・目標
現状の確認作業	納品書と仕入明細を目視で単価・金額確認	OCRとAI突合で一致・不一致を先に分ける
作業時間	平均で毎日約1時間	月20〜25時間分の確認負担を圧縮する余地
人が見る場所	全件を人が確認	金額が大きい行、不一致、AIが迷った行へ集中

ポイントは、確認そのものをなくすことではありません。利益に影響する重要なチェックを残したまま、人が見る場所を絞ることです。

納品書チェックを自動化する前に

納品書チェックを単に省くのではなく、品質を維持したまま労力を下げる考え方を整理します。

• 単価・数量・行金額チェックが利益管理に関わる理由を知る
• 商品名や仕入先名の表記ゆれをAIで育てる考え方を理解する
• 人が見るべきものを金額大・不一致・AIが迷ったものへ絞る

なぜ納品書チェックは重いのか

納品書は、届いた商品と一緒に来る場合もあれば、後日届く場合もあります。現場では、その納品書を見ながら、基幹ソフトに入っている仕入価格や金額と照合します。特に見ているのは、単価と金額です。

この作業は、単純に見えてかなり重要です。仕入価格が変わっているのに基幹ソフト側が古い単価のままだと、利益率の把握がずれます。価格改定の反映漏れがあれば、売価変更にも影響します。極端に言えば、100円で仕入れているつもりが150円になっていたのに気づかず、売価を見直さないまま進んでしまう可能性があります。

実務では、このチェックに1日1時間ほどかかることがあります。月にすると20時間から25時間です。しかも、その作業は他部署で毎日発生しているため、管理部門だけの問題ではありません。

確認していること	重要な理由	見逃したときの影響
仕入先名	どの取引先の納品書かを特定する	別の明細と照合してしまう
商品名	基幹ソフト上の商品と対応させる	似た商品を取り違える
単価	仕入価格の変更を検知する	利益率や売価判断がずれる
数量	納品数量と計算根拠を見る	金額差異の原因が分からない
行金額	単価と数量の結果を確認する	支払・仕入計上の確認が弱くなる

目的は「全部自動化」ではなく「見るべきものを絞る」こと

納品書チェックをAIで改善すると聞くと、すべてを自動で一致させるイメージになるかもしれません。けれど、経理や仕入に関わる仕事では、完全自動化を急ぎすぎると危険です。

現実的なゴールは、すべてをAIに任せることではなく、人が見るべきものを減らすことです。一致している可能性が高いものはAIに候補化してもらい、差異があるもの、金額が大きいもの、初めて出てきた商品、価格改定の時期にあたるものを人に戻す。この設計のほうが、実務では安全です。

一人総務・少人数総務では、「何でも自分で見る」状態になりがちです。しかし、本当に大事なのは、全部を抱え込むことではありません。危ないところを早く見つけ、判断が必要なところに時間を使うことです。

納品書OCRと仕入明細突合の流れ

目指している流れは、納品書をOCRして終わりではありません。納品書から取り出した情報と、基幹ソフトから出した仕入明細を突合し、結果を次回に活かせる形で残すところまでを一連の流れとして考えます。

ざっくりした流れは次の通りです。

1. 納品書をスキャンまたは画像化する
2. OCRで仕入先名、商品名、単価、数量、金額を取り出す
3. 基幹ソフトから仕入明細を出す
4. 仕入先名と商品名を寄せる
5. 単価、数量、行金額、合計金額を突合する
6. 一致・要確認・不一致に分ける
7. 人が確認した結果を履歴として残す

ここで重要なのは、OCR結果だけを見て「できた」と判断しないことです。納品書から文字を読めても、基幹ソフト上の商品と結びつかなければ、実務では使いづらいままです。逆に、多少OCRに揺れがあっても、仕入明細との突合で安全に確認できる形にできれば、現場の負担は減らせます。

ローカル試作で分かった「未照合」と誤ひも付け

その後、納品書のPDF・画像と仕入明細をPC内で読み込み、照合候補と原本を並べて確認する試作版を動かしました。少数の納品書を月間数千行規模の仕入明細と比べた初期テストでは、対応する納品書をまだ取り込んでいない明細まで「不一致」と表示し、別の納品書画像を候補にひも付ける誤りがありました。見た目だけで判断すると、存在しない差異を追ったり、違う原本を根拠に承認したりする危険があります。

そこで、「未照合」は「不一致」と分け、原本との対応を確認できない行に納品書画像を表示しないよう修正しました。候補の判定は、仕入先・商品・日付・数量・金額など複数の手掛かりを組み合わせます。電話番号や社内コード、0円行だけの一致で、別書類を同じ取引と決めつけないことも重要です。候補が見つからない納品書も隠さず、担当者が原本を開いて確認できる状態に残しました。

文字情報のある仕入明細PDFは列の位置を使って読み取り、画像化された書類はOCRの読み違いを原本で確認します。試作と限定テストで誤判定を修正した段階であり、全件の本番運用や作業時間の短縮を実測した結果ではありません。先に「差異」と「まだ照合していない」を分けることが、安全な導入の条件だと分かりました。

実際のサンプルで見えた処理可能率

納品書突合は、いきなり全件自動化を目指すより、AIで先に分けられる範囲を数字で把握することが大切です。実際のテストでは、5月分の納品書サンプル477枚を対象に、どこまでAI処理に回せるかを確認しました。

区分	件数	実務上の扱い
高信頼	188枚	既存の座標ルールと社名照合で、かなり安定して処理できるもの
候補	30枚	処理可能だが、追加確認を入れるとより安全なもの
要目視	131枚	座標またはOCRが弱く、人の確認が必要なもの
未登録候補	128枚	まだ座標テンプレートがなく、新規に枠付けが必要なもの
初期の処理可能率	218枚 / 477枚 = 45.7%	高信頼と候補を合わせた、現時点でAI処理に回しやすい範囲

さらに未登録候補128枚を枠付き画像として確認し、会社名・商品名・行合計金額の座標候補を拾いました。そのうち、すぐ登録候補にできそうなものが10件、OCR確認後に登録できそうな座標候補が69件ありました。

追加処理	見込み	意味
登録候補10件を追加	228枚 / 477枚 = 47.8%	安全寄りに、すぐ使えそうな候補だけを反映した場合
座標候補まで確認して追加	最大297枚 / 477枚 = 62.3%	人が確認してルール化できれば、自動処理へ回せる範囲が広がる
最終確認	再突合テストで確定	これは確定正答率ではなく、座標ルール整備による処理可能率の見込み

候補判定は、社名や商品名だけに頼らない

表記揺れが大きい帳票では、会社名や商品名だけで相手を決めると似た候補を取り違えます。実務テストでは、登録番号、商品番号、郵便番号も識別材料として加えました。一つの文字列が崩れても、別の項目が一致すれば正しい候補へ戻しやすくなるからです。

識別材料	役割	注意点
会社名	仕入先候補を絞る	株式会社の有無や略称で揺れる
登録番号・郵便番号	似た社名を補助的に見分ける	未記載の帳票もある
商品名	自社商品との対応候補を出す	容量・色・規格の違いを落とさない
商品番号	商品名の揺れを補う	仕入先ごとの番号体系を分ける
行金額	最終突合へ進める	候補が合っても金額一致は別に確認する

候補分類だけを測った別テストでは98.9%まで合いました。ただし、これは仕入先・商品候補を正しく振り分けられた割合です。単価、数量、行金額まで一致した最終正答率とは分けて扱います。高い数字が出ても、確認対象をなくすのではなく、金額突合へ進められる範囲が広がったと判断します。

一番難しいのは商品名の表記ゆれ

納品書突合で難しいのは、実は金額そのものよりも商品名の表記ゆれです。仕入先が使っている商品名と、自社の基幹ソフトに登録されている商品名が完全一致しているとは限りません。

商品名の入力スペースが限られていたり、略称が使われていたり、半角・全角が混ざっていたりします。仕入先側の商品コードと自社側の商品コードをきれいに連動できれば理想ですが、すべてをコードでそろえるのは簡単ではありません。

そこで、AIエージェントに期待しているのは、単なる文字読み取りではなく、表記ゆれを吸収しながら候補を出すことです。納品書上の商品名と、基幹ソフト上の商品名の両方を残し、「これは同じ商品として扱ってよい」という確認履歴を作っていきます。

項目	残したい情報	次回への使い方
仕入先名	納品書上の表記と基幹ソフト上の名称	同じ仕入先として候補化する
商品名	納品書上の商品名と自社側の商品名	同じ商品として候補を出す
単価	納品書側と仕入明細側の単価	差異があれば要確認にする
行金額	単価×数量と納品書金額	計算根拠を確認する
確認結果	一致、要確認、不一致、修正済み	翌月のルールに反映する
確認者メモ	なぜ一致と判断したか	後から説明できる状態にする

一致履歴は、AI突合の資産になる

AIを使うときに大切なのは、一度の処理結果だけを見ることではありません。むしろ、処理を重ねるほど精度が上がるように、確認結果を履歴として残すことが重要です。

たとえば、ある納品書上の商品名と、基幹ソフト上の商品名が同じものだと人が確認したとします。その対応関係を残しておけば、翌月以降は同じ候補を早く出せます。さらに、どの仕入先で、どの表記が、どの商品に対応したのかを積み上げていけば、AIに渡す材料が増えます。

これは、一人総務にとって大きな意味があります。今までは頭の中や経験で処理していた対応関係を、次の処理に使える形で残せるからです。人が頑張って覚えるのではなく、仕事の中で出た判断を会社の資産にしていくイメージです。

「一致」は広げすぎない

AIで業務改善をするとき、どうしても「どこまで自動で一致させられるか」に目が行きます。しかし、経理・仕入のチェックでは、一致の範囲を広げすぎると危険です。

特に、金額が大きいもの、価格改定の可能性があるもの、新しい仕入先、新しい商品、過去に差異が出た商品は、人が見たほうが安全です。完全に一致しているように見えても、重要性の観点から人の目を残す判断は十分にあります。

現時点で考えているのは、次のような切り分けです。

判定	AIの扱い	人の確認
一致	納品書と仕入明細が高い確度で合う	原則として確認負担を下げる
要確認	表記ゆれ、低確度、過去履歴なし	人が確認して履歴化する
差異あり	単価、数量、行金額にズレがある	原因確認、修正、社内共有を行う
高額行	一定金額を超える行を抽出する	重要性の観点から人が見る
価格改定候補	前回単価や通常単価と違う	売価や利益率への影響を確認する

大事なのは、要確認をゼロにしようとしないことです。要確認は失敗ではなく、安全装置です。AIの役割は、人の確認をなくすことではなく、人が確認すべき場所を分かりやすくすることです。

AIは作業者であり、判断者ではない

AIエージェントは、かなり優秀です。こちらが細かく作業手順をすべて決めなくても、目的を伝えると、自分で処理方法を組み立ててくれることがあります。商品名の表記ゆれや、似た名称の候補出しも、人が一つずつ見るより早くなる可能性があります。

ただし、AIに任せるということは、最終判断まで渡すことではありません。AIが作ったものは、あくまで案です。会社内でその処理を実施してよいか、どこまで信用してよいか、どの条件で人に戻すかは、人が理解して決める必要があります。

特に経理・仕入の処理では、「AIがそう言ったから」で進めるのは危険です。少なくとも、自分がその処理の意味を説明できる状態にしておく必要があります。AIが何を見て、どう判定し、どこを要確認にしたのか。そこを追える設計が大切です。

小さく始めるなら上位の仕入先からでよい

納品書突合をいきなり全仕入先で始める必要はありません。むしろ、最初は件数が多い仕入先や、チェック時間が大きい仕入先に絞ったほうが進めやすいです。

おすすめの始め方は次の流れです。

1. チェック時間が大きい仕入先を数社選ぶ
2. 1か月分の納品書と仕入明細を用意する
3. 商品名の対応関係を作る
4. AIに突合させる
5. 人のチェック結果と比較する
6. 間違えたところを履歴に残す
7. 翌月に同じルールで再テストする

この進め方なら、現場の業務を止めずに並行テストができます。最初から本番化しないことで、現場にも説明しやすくなります。「すぐ置き換える」のではなく、「まずはどこまで使えるかを一緒に見たい」と伝えるほうが、社内調整としても進めやすいです。

現場の人を置き去りにしない

このチェック作業は、実際に毎日見ている人がいます。その人にとっては、いつもの仕事に追加で質問されること自体が負担になります。だから、システム会社やAIに必要な情報をそのまま現場へ投げるのではなく、総務側で噛み砕いて聞くことが大切です。

「どこを見ていますか」「何が怖いですか」「いつも迷う商品はありますか」と聞きながら、実務の判断を拾っていきます。現場の人は、マニュアルに書かれていない判断をたくさん持っています。その判断をAIに渡せる形へ翻訳するのが、一人総務の大きな役割です。

また、改善の目的は、現場の責任を軽く見ることではありません。人がやるべき確認を残しながら、毎日見る必要が薄いものを減らすことです。そこを丁寧に説明しないと、「勝手に変えられた」と受け取られる可能性があります。

総務・経理・システムを横断できる強みが出る

この改善は、経理だけでも、システムだけでも進めにくい仕事です。経理の実務を知らなければ、どこを自動化すると効果が大きいか分かりません。システム側の考え方を知らなければ、どんなデータを出せば突合しやすいか分かりません。現場調整を軽く見ると、運用で止まります。

一人総務・少人数総務は大変に見えますが、こういう場面では横断していることが強みになります。仕入明細、基幹ソフト、現場のチェック、AIエージェント、社長報告までを一つの流れとして見られるからです。

特にAIの時代は、実務を知っている人がシステム改善を考えられる価値が上がっています。非エンジニアでも、目的を整理し、必要なデータを準備し、AIに案を作らせ、人が判断する流れを作れます。これは中小企業の総務にとって、かなり大きな変化です。

注意点は、社外に出せない情報を混ぜないこと

納品書や仕入明細には、会社にとって重要な情報が含まれます。AIを使う場合は、どの環境に何を入れるかを必ず確認する必要があります。個人情報だけでなく、仕入先、商品、価格、取引条件なども、むやみに外へ出してよい情報ではありません。

この記事では具体的な会社名、仕入先名、商品名、金額を出していません。社内で試すときも、まずは利用するAIサービスの規約、社内ルール、アクセス権限、保存範囲を確認します。場合によっては、匿名化したサンプルで検証し、実データを扱う段階で改めてルールを決めるほうが安全です。

納品書チェックは、粗利を守るための確認でもある

納品書チェックで見ていたのは、紙の納品書と基幹ソフトの仕入明細について、単価、数量、行ごとの金額が一致しているかです。単価かける数量が合っているかを一つずつ確認します。

ここが違うと、基幹ソフト上の仕入金額がずれます。会計上の利益そのものとは別でも、社内の管理利益や利益率の見え方が変わります。仕入先の価格改定が販売管理へ反映されていない、または意図しない単価変更が入っていると、売価改定や利益管理の判断を誤る可能性があります。

毎日1時間かかる理由は、量そのものが多いから

納品書チェックが重い理由は、商品点数が多く、回転が早い商売では納品書の量が多くなるからです。その日に絶対終わらせなければならない仕事でなくても、溜めると一気に重くなります。平均すると毎日1時間ほどの確認になり、月で見るとかなりの時間です。

現場からは、照合は本当に必要なのか、絞れないのかという声が出ることもあります。ただ、経理や管理の視点では重要な確認です。だから単純にやめるのではなく、品質を維持したまま労力を下げる方法を考える必要があります。

理想は「不明」を増やすことではなく、一致・不一致を正確に出すこと

OCRと仕入明細の突合で理想なのは、一致、不一致をできるだけ正確に出すことです。「不明」が多すぎると、結局人が全件見る状態に戻ってしまいます。事務部隊の時間が足りない状況では、本当に見るべきものを絞ることが重要です。

そのために、商品名や仕入先名の表記揺れリストを育てていく必要があります。AIに多くの処理をさせ、その結果を後から整理し、次回以降に使えるデータへ落とし込む。納品書上の商品名と基幹ソフト上の商品名の対応関係を蓄積すれば、使うほど突合精度は上がっていきます。

人が見るべきものは、金額大・不一致・AIが迷ったもの

AIで突合するとしても、人の確認をゼロにすることが目的ではありません。金額が大きいもの、不一致、AIが迷ったものは人が見るべきです。納品書照合は金額違いを見つける仕事でもあるため、影響額が大きいものを見落としてはいけません。

最終的に目指すのは、必要なチェックをなくすことではなく、重要な確認を残したまま労力を下げることです。OCRはそのための一つの手段です。現場の余力を作りながら、経理上・管理上の品質を落とさない。この考え方が、少人数総務・経理の業務改善では大切です。

次に読む記事

この記事の次は、一人総務で一番難しいのは社内調整。専門知識より根気が必要な場面へ進むと、実務の流れがつながります。

あわせて読みたい実務記事

• 請求書OCRの精度を95%以上に近づける実務。色枠指定とAI突合で読み取りを育てる
• 受注データの警告ルールを作る。ケース・ボール・バラ違いや10倍注文を人に戻す設計
• 紙の請求書・納品書が多い会社でAI活用を始める。データ化の前に考える実務の順番

納品書突合ツールを比較する観点

検討対象	見るポイント
OCR・帳票読取	納品書のレイアウト違いをどこまで吸収できるか
販売管理ソフト	仕入明細をCSVやPDFで取り出し、突合に使えるか
データ照合ツール	一致、不一致、要確認を人が見やすい形で出せるか

納品書と基幹ソフトのチェックは、単価・数量・金額をそろえる仕事

納品書突合で確認対象に戻す条件

• 納品書と基幹ソフトの金額チェックを効率化する考え方
  納品書チェックは単価・金額の事故を防ぐ重要業務。OCRと突合で毎日の負担を下げられる。
  確認順: 納品書を読み取る → 基幹データと突合する → 差異だけ確認する → 原因別に処理する

よくある質問

毎日1時間のチェックを、10分程度まで絞るのが目標

納品書と仕入明細の突合は、現在は毎日1時間程度かかっている作業です。ここをOCRとAI突合で、最終的には1日10分程度の確認作業まで絞ることを目標にしています。

項目	現状	AI突合後の目標
確認時間	1日約1時間	1日10分程度
削減幅	1日あたり約50分	20営業日なら単純計算で約16時間40分
見る対象	納品書と仕入明細を広く確認	不一致、AIが迷った行、高額行に絞る
守る品質	単価・金額の差異を見つける	価格改定漏れや利益率の異常を見落とさない

ここで大切なのは、作業をなくすことではありません。金額違いを見つける役割は残しながら、人が見るべき行だけに絞ることです。

まとめ

納品書OCRと仕入明細の突合は、単なる時短ではありません。仕入単価のズレ、価格改定の反映漏れ、利益率への影響を早く見つけるための仕組みです。

大切なのは、AIに全部任せることではなく、AIに候補を出させ、人が判断し、その判断を履歴として残すことです。毎日1時間のチェックを一気にゼロにするのではなく、人が見るべきものを絞り、危ないものを見逃さない形に変えていく。ここに、一人総務がAIを使う実務的な価値があります。