AI仕訳の精度は？誤りを減らす検証方法と実務チェック体制

※本記事にはプロモーションが含まれています。

こんにちは、会計×AI.com運営者のコマニです。

AI仕訳を検討するとき、「精度は何％ですか」と聞きたくなりますよね。ところが、その数字だけで導入を決めると、経理では思わぬ手戻りが起きます。勘定科目は合っていても税区分が違う、定型経費は当たっても新規取引先で外す、誤った候補を人が見逃してしまう、といった問題があるからです。

先に結論を言うと、AI仕訳の精度は全体の一致率だけで判定せず、勘定科目、税区分、金額、取引先、部門、証憑との対応を分け、さらに取引種類と誤りの影響ごとに測るべきです。最初は候補提示に限定し、基準を満たした定型取引だけ承認付き登録へ進めます。決算や税務判断、高額取引、新規取引先には人の確認を残してください。

私はClaudeやChatGPTからMCP経由でfreee会計へ接続し、取引登録や元帳確認を実際に試しています。そこで大切だと感じるのは、AIの回答が賢く見えるかではありません。正解をどう決め、どの取引で外し、誰が差分を承認し、運用後に精度が下がっていないかを追えることです。この記事では、2026年8月12日時点の公式資料と実務経験をもとに、自社データで再現できる検証方法を解説します。

• AI仕訳の精度を構成する評価項目
• 全体平均では見えない誤りの見つけ方
• 検証台帳とテストデータの作り方
• 候補提示から本番運用へ進む基準

AI仕訳の精度とは何か

AI仕訳は、銀行明細、カード明細、請求書、領収書、過去の登録内容などから、仕訳の候補を作る仕組みです。ただし、製品によって使うデータと処理方法は異なります。登録ルールを優先する場合もあれば、明細の文字列からAIが科目を提案する場合、利用者の修正結果を次回へ反映する場合もあります。

そのため、「AI仕訳」という名前だけでは評価対象が定まりません。OCRで日付と金額を読めたか、勘定科目を当てたか、税区分まで合ったか、会計ソフトへ正しく登録できたかは別の工程です。まず何を自動化する機能なのかを確かめ、その工程ごとに成績を出します。

OCR精度と仕訳精度は別

領収書を読み取る場合、最初の工程は画像から日付、金額、取引先、登録番号などを取り出すことです。ここで金額を誤読すれば、その後に適切な科目を選んでも仕訳全体は使えません。反対に、OCRで文字を正しく読めても、取引の目的が分からなければ科目や税区分は外れます。

たとえば同じホテルの領収書でも、出張の宿泊費、採用面接の会場費、取引先との会議費では処理が変わり得ます。証憑だけで決められない情報があるため、OCR読取率をそのまま仕訳の正答率と呼ばないでください。読取、候補作成、承認、登録を別々に測ることが出発点です。

一致を項目ごとに判定する

一つの仕訳には、借方・貸方の勘定科目、補助科目、税区分、金額、取引先、部門、品目、摘要、決済状況など複数の要素があります。会社によって使わない項目もあるため、自社の月次・決算・管理会計に必要な項目を先に決めます。

正解率より誤りの種類を見る

AIが候補を出した案件には、大きく二つの誤りがあります。一つは、本来は人へ戻すべき取引を、問題ない候補として出す誤りです。もう一つは、正しく処理できる定型取引まで要確認として止める誤り。前者は誤登録につながり、後者は確認工数を増やします。

NISTのAIリスク管理資料も、精度を見る際に偽陽性と偽陰性、人とAIの協働、実際の利用条件を代表するテストデータ、データ区分別の測定を考慮するよう示しています。経理に置き換えるなら、危ない取引を通した件数と、問題のない取引を止めた件数を分けるということです。

人へ戻せることも品質

AIがすべての取引へ答えを出す必要はありません。証憑不足、初めての取引、複数の科目候補、税務上の確認が必要な支出では、「判断できない」「追加資料が必要」と返す方が安全です。

主要ソフトの自動仕訳

2026年8月時点で、主要クラウド会計には明細取得、仕訳候補、学習、ルール設定に相当する機能があります。ただし、同じ「自動」でも動きは同一ではありません。導入時は製品名より、候補と登録の違い、学習元、ルールの優先順位、見直し方法を確認します。

表は機能の優劣ではなく、テスト項目を決めるための違いです。対象プランや画面、利用できる項目は改定される可能性があります。導入時には各社の公式ヘルプで最新仕様を確認してください。個別の税務判断は税理士へ相談しましょう。

freeeは推測と登録を分ける

freee会計の「自動で経理」公式ヘルプでは、銀行やカード等から取得した明細を処理し、自動登録ルールの処理を「推測する」か「登録する」か選べると説明しています。推測なら内容を確認してから登録でき、登録なら条件に一致した明細を自動処理します。

検証初期は「推測する」で差分を集める方が向きます。完全一致が続く取引だけ登録へ進め、条件が広すぎるルールは狭めます。freee公式も、事業環境の変化でルールが合わなくなると誤推測や適用漏れが起きるため、正答状況の確認やルール見直しを案内しています。

各社でルール保守が必要

マネーフォワードの公式サポートは、自動仕訳ルールを、連携サービスから取得した明細へ任意のルールを適用する機能と説明しています。弥生の公式サポートでは、修正して確定した仕訳内容をスマート取引取込が学習し、次回以降の科目等へ反映すると案内しています。

生成AI仕訳は別枠で試す

ChatGPTやClaudeへ証憑情報を渡し、仕訳候補を作らせる方法もあります。自然な文章から背景を読める一方、同じ入力でも表現が変わったり、会計ソフトのマスタにない科目を出したりする可能性があります。標準の自動仕訳ルールとは評価方法を分けます。

生成AIには、自社の勘定科目一覧、税区分、判断してよい範囲、判断できない場合の返し方、出力形式を渡します。元資料を直接更新させず、まずCSVや候補一覧を作り、人が差分を確認しましょう。会計での使い分けは、生成AIを会計・経理に活用する方法でも詳しく解説しています。

AI仕訳の精度を測る指標

指標は、導入前の稟議書を飾るためではなく、どの取引なら任せられるか決めるために使います。数値が高く見える定義を選ぶのではなく、経理担当者が実際に行う確認と修正を反映させます。

完全一致率と項目別一致率

完全一致率は、判定対象にした全項目が正解データと一致した件数を、検証件数で割ります。100件のうち、勘定科目、税区分、金額、取引先、部門がすべて一致した仕訳が82件なら、完全一致率は82％です。

一方、項目別一致率は科目96％、税区分88％、金額99％、部門91％のように出します。完全一致率だけでは改善箇所が分かりません。項目別だけでは、一つの仕訳としてそのまま登録できる割合が分かりません。両方を並べてください。

誤登録率と見逃し率

誤登録率は、人の確認が必要な取引をAIが自動登録対象にした割合です。見逃し率は、証憑不足や重複など本来検知したい問題をAIが問題なしとした割合として定義できます。何を「問題」とするかは、会社の規程と検証目的で決めます。

高額取引や税区分の誤りは、少数でも影響が大きくなります。件数だけでなく、影響度を重大・中・軽微などに分けましょう。重大な誤りが一件でも出た取引群は、自動登録の対象から外し、候補提示へ戻す判断ができます。

要確認率と修正時間

さらに、一件あたりの確認時間と修正時間を記録します。候補が外れていても、証憑と根拠が並んでいれば短時間で直せる場合があります。反対に、候補が合っていても根拠を探すのに時間がかかるなら、実務効果は小さくなります。

自動化率は最後に見る

自動化率は、人が触れずに完了した件数の割合です。目を引く数字ですが、精度の基準を緩めれば上がってしまいます。先に許容できる誤り、要確認条件、承認方法を決め、その基準を守った結果として自動化率を見てください。

検証データの作り方

良い検証は、AIへ大量の過去データを渡すことではありません。本番で起きる取引を代表し、正解が確認され、結果を再現できる小さなデータセットを作ることです。

直近三か月から抽出する

最初の検証では、直近三か月程度から定型取引と例外取引を抽出します。季節要因がある会社は、決算月、賞与月、繁忙期なども別に用意します。古すぎるデータは現行の税区分や業務フローと合わない可能性があるため、現行ルールで有効か確かめます。

取引群を分ける

おすすめは、定型・非定型だけで終わらせず、少なくとも取引種類、金額帯、取引先、新規・継続、証憑種類、単一・複合、決算影響の有無で印を付ける方法です。同じ仕訳でも、新規取引先や金額が通常範囲を外れたときに成績が変わります。

AI全体の完全一致率が90％でも、新規取引先が55％なら、新規だけ人へ戻す運用ができます。区分を作らず平均だけ見ると、定型取引の多さが例外の不調を隠してしまいます。

過去仕訳を正解にしない

過去に登録済みだからといって、その仕訳が正しいとは限りません。担当者ごとに科目が揺れている、税区分が古い、部門が未入力、便宜的な処理をしている場合があります。誤ったデータを正解としてAIを評価すれば、誤りを再現するAIが高得点になります。

検証用の正解データは、経理責任者が現行方針で確認します。税務判断が含まれる取引は税理士へ確認し、その回答日と適用範囲を残してください。複数の処理が許容される場合は、単一の正解へ無理に固定せず「人へ戻す」を正しい動作とします。

個人情報を減らす

外部AIへ渡す場合は、取引先名、従業員名、口座番号、カード番号、住所、証憑画像などの扱いを確認します。検証目的に不要な情報は仮名化し、専用フォルダとコピー環境を使います。元データへ直接書き込ませません。

利用サービスの保存期間、学習利用、管理者設定、アクセス権限も確認対象です。精度だけ高くても、機密情報を適切に扱えなければ経理で使えません。AI導入全体の進め方は、中小企業の会計・経理AI導入ガイドも参考にしてください。

検証台帳で差分を残す

検証結果は、○・×だけで終わらせません。どの入力から、どの候補が出て、正解と何が違い、なぜ修正したかを一件ずつ残します。あとでルールやプロンプトを変えたとき、同じデータで再試験できます。

根拠を一緒に保存する

AI候補だけでは、承認者が正しさを確かめにくくなります。元明細、証憑、過去の同種取引、適用したルール、参照したマスタを候補と結び付けます。生成AIなら、入力プロンプト、モデルや設定の版、出力日時も記録します。

ただし、ログへ機密情報を残しすぎないようにします。原本は権限管理された場所へ置き、台帳には参照IDを残す方法があります。誰が正解を確認し、誰が登録を承認したかも分けて記録しましょう。

一人で正解を決めない

担当者一人だけが正解データを作ると、その人の癖をAIが再現する評価になります。検証開始時は、経理責任者がサンプルを再確認し、判断が分かれる取引を洗い出します。会社方針で決める項目と、税務確認が必要な項目も分けてください。

意見が割れた取引は、AIに正解を当てさせる対象ではありません。承認者へ回すべき案件としてラベルを付けます。AIがその案件を止められたら、完全一致ではなくても運用上は良い結果です。

同じテストを繰り返す

ルール、プロンプト、会計ソフト、AIモデルを変えたら、同じ検証データで再試験します。新しい設定で一部が改善しても、別の取引群が悪化することがあります。変更した項目を一つずつ記録し、原因を追えるようにします。

本番データの新しい例外も、個人情報を減らした上で検証データへ追加します。テストセットが定型だけに偏るのを防ぎ、実務の変化へ追随できます。

導入前の実務テスト

検証は、いきなり会計ソフトへ登録する形で始めません。候補だけを出し、現在の担当者の処理と並べて比べます。そこから承認付き登録、条件を限定した自動登録へ段階的に進めます。

候補提示で二週間試す

最初の二週間は、AIの候補を会計ソフトへ反映せず、担当者が通常どおり処理した結果と比べます。月初と月末、締め日前後など、件数と内容が違う日を含めます。一回だけのデモでは、接続障害や月次特有の例外が見えません。

入力件数、出力件数、完全一致、項目別差分、要確認、処理不能、所要時間を記録します。入力100件に対して候補が98件なら、残り2件がどこで落ちたかも精度の問題です。

合格基準を取引群ごとに決める

定型サブスクと決算修正仕訳へ同じ基準を当てる必要はありません。定型は完全一致が続き、重大な誤りがなく、確認時間が現行より短いことを条件にできます。新規、高額、複合、税務影響のある取引は、自動登録へ進めず候補提示のままでも構いません。

基準はベンダーの精度率ではなく、自社が許容できる誤りと確認体制から決めます。経理責任者と承認者が、どの条件なら登録前に止めるかを文書化してください。

承認画面で差分を見る

承認者へ「登録しますか」とだけ聞いても、十分な確認はできません。元資料、AI候補、正解ルール、前回処理、変更前後、対象事業所、期間、件数、合計金額を表示します。大量の候補を一括承認する場合は、例外と高額を先に分けます。

私はMCP経由でfreee会計を操作するときも、取得と登録を分け、対象事業所・期間・件数を確認してから書き込みへ進めます。自然な会話で操作できるほど、対象の確認は省略しやすくなります。経理AIエージェントの権限と承認も合わせて確認してください。

登録後に件数と合計を照合する

承認したから終わりではありません。予定した登録件数と実際の件数、合計金額、失敗件数を照合します。通信が途中で切れた場合、返答は失敗に見えても会計ソフト側で登録が完了していることがあります。

再実行前に登録結果を取得し、同じ元明細IDがないか確認します。二重登録を防ぐ識別子と処理状態を持たせ、失敗分だけを再処理してください。

精度が下がる原因

AI仕訳は、一度合格すれば同じ成績が続く機能ではありません。取引先、価格、摘要、税制、社内ルール、ソフトの仕様が変わるため、運用中に成績が変化します。

表記揺れと情報不足

取引先名が店舗名、運営会社名、決済代行名で変わると、過去ルールが当たらない場合があります。摘要が「利用分」だけでは用途を判定できません。口座連携に加えて証憑や申請目的を結び付けると、確認材料が増えます。

ただし、情報を増やせば何でも自動化できるわけではありません。会食の参加者、出張目的、資産の使用開始日など、人の入力が必要な項目を決めます。入力がない場合は登録せず、申請者へ戻す仕組みにしてください。

誤った学習とルール競合

例外取引を誤って学習させると、次回の定型候補へ影響します。似た条件のルールが複数あると、意図しないルールが優先される場合もあります。新しいルールを追加する前に、既存条件との重なりを確認します。

修正件数が増えたら、AIモデルの問題と決めつけず、どのルールが当たったか、元明細の文字列が変わったか、過去の正解データが適切かを追います。不要なルールを停止し、適用範囲を狭めて再試験します。

税制と業務フローの変更

税区分、インボイス対応、部門、承認経路、取引先との契約が変われば、以前の正解が今の正解ではなくなる可能性があります。料金・制度・機能は2026年8月時点の情報で確認し、変更時には検証データとルールを更新してください。

経産省・総務省のAI事業者ガイドライン第1.2版も、AI利用者が出力の精度とリスクを理解し、仕様どおり動くか、入力データの正確性と必要な最新性を確かめて利用する考え方を示しています。会計では、税制変更月や期首に確認頻度を上げる運用が現実的です。

担当者の確認疲れ

候補が多すぎると、人は「今回も合っているだろう」と流しやすくなります。全件を同じ表示にせず、差分、初回、高額、証憑不足、低い確信度を目立たせます。一括承認の件数にも上限を設けましょう。

確認者の採用率や修正率も定期的に見ます。誰が確認しても全件採用になっている場合、AIが良いだけでなく、確認が形骸化していないかをサンプル監査で確かめます。

本番後の監視方法

本番運用では、すべての仕訳を毎月再検証する必要はありません。定型はサンプルで確認し、例外・高額・新規・決算関連は全件確認するなど、影響に応じて監視します。

月次で同じ指標を出す

完全一致率、項目別一致率、誤登録、見逃し、要確認率、修正時間を月次で出します。取引群ごとの件数も併記し、母集団の変化を見ます。定型取引が増えれば全体平均が上がるため、率だけでなく内訳が必要です。

前月との差が一定範囲を超えたら、ルール変更、明細形式、担当者、取引先、ソフト更新を確認します。原因が分かるまで自動登録の範囲を狭め、候補提示へ戻せる設計にします。

新しい例外を追加する

本番で起きた新しい例外は、個人情報を減らし、責任者が正解を確認して検証データへ加えます。翌月の再試験で同じ例外を止められるか確かめます。失敗をその場の手修正だけで終わらせないことが大切です。

一方、一回限りの特殊取引までルール化すると、条件が増えすぎます。頻度、影響、再発可能性を見て、ルールへ反映するか、今後も人が処理するかを決めてください。

権限とログも点検する

精度が高くても、不要な削除権限や管理者権限を持たせたままでは安全ではありません。参照、候補作成、登録、更新、削除を分け、日常業務に不要な操作は公開しません。退職・異動時の権限変更も確認します。

ログには、対象事業所、期間、入力件数、候補件数、承認者、登録結果、設定版を残します。元資料や個人情報を無期限に複製しないよう、保管場所と期間も決めてください。

導入判断のチェックリスト

最後に、検証から本番へ進む前の確認項目を示します。すべてを自動登録にすることがゴールではありません。会社の取引と確認体制に合う範囲を見つけることが目的です。

• AI仕訳の対象工程と判定項目が明確になっている
• OCR読取と仕訳候補の成績を分けている
• 責任者確認済みの正解データがある
• 定型、新規、高額、複合、決算関連を分けて測った
• 完全一致と項目別一致を両方記録した
• 誤登録、見逃し、要確認、修正時間を測った
• 判断できない取引を人へ戻す条件がある
• 登録前に元資料と差分を確認できる
• 登録後に件数と合計金額を照合できる
• 再実行時の二重登録を防げる
• ルール変更後に同じデータで再試験できる
• 権限、ログ、個人情報の保管方針が決まっている

このうち未決定があるなら、自動登録へ進まず候補提示で続ける選択があります。AI会計ソフトの全体像と選び方は、AI会計ソフト3社比較も参考になります。

AI仕訳の精度に関するよくある質問

Q1. AI仕訳の精度は何％なら導入できますか？

A. 一律の合格率はありません。完全一致率だけでなく、重大な誤り、見逃し、要確認率、修正時間を取引群ごとに見ます。定型経費は承認付き登録へ進めても、新規・高額・決算関連は候補提示のままにする判断ができます。

Q2. 過去の正しい仕訳を学習させれば十分ですか？

A. 過去仕訳に科目の揺れや古い税区分、例外処理が混ざることがあります。経理責任者が現行方針でサンプルを確認し、税務判断を含む案件は税理士へ確認した上で正解データを作ってください。

Q3. 自動仕訳ルールとAI提案はどう違いますか？

A. ルールは指定条件に従う処理で、AI提案は明細や過去データから候補を出す処理です。製品によって優先順位や学習方法が異なります。検証台帳には、どのルールまたはAI候補が使われたかを記録しましょう。

Q4. AI仕訳は人の確認なしで登録できますか？

A. 製品機能として自動登録できる場合はありますが、最初から全件を対象にしない方がよいでしょう。候補提示で検証し、重大な誤りがなく、条件が安定した定型取引だけ範囲を限定して進めます。税務判断や決算関連には人の確認を残します。

Q5. 本番導入後も精度検証は必要ですか？

A. 必要です。取引先、摘要、金額、税制、社内ルール、ソフト仕様が変わるため、月次で同じ指標を追います。成績が下がった取引群は候補提示へ戻し、原因を直して再試験してください。

AI仕訳の精度を自社で測ろう

AI仕訳の価値は、見栄えの良い精度率ではなく、経理担当者が根拠を確認でき、誤りの影響を抑えながら作業を減らせることにあります。全体平均だけを追わず、項目別・取引群別に測り、誤登録と見逃しを分けてください。

最初は候補提示で十分です。責任者が確認した正解データと照合し、完全一致、項目差分、要確認、修正時間を台帳へ残します。定型取引で結果が安定したら承認付き登録へ進め、新規・高額・複合・決算関連は人へ戻す。これなら自動化の範囲を広げても、どこで何が起きたかを追えます。

正確な情報は各製品の公式サイトをご確認ください。税区分、決算、申告など個別の税務判断は、顧問税理士または税務署等の専門窓口へ相談しましょう。