経費精算の不正検知AI｜全件チェックの仕組みと導入注意点

※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。

経費精算の件数が増えると、承認者は日付、金額、領収書、目的、規程を一件ずつ見るだけで手いっぱいになります。そこで注目されるのが、経費精算の不正検知AIです。ただ、「AIが怪しい申請を自動で見抜く」と聞くと、従業員を監視する仕組みのように感じる方もいるでしょう。

先に結論をお伝えします。不正検知AIは不正を断定する道具ではなく、全申請から人が確認すべき候補を絞る道具です。二重申請、規程外、通常と異なる金額や日時を示せても、出張、緊急対応、入力ミスなどの正当な事情までは自動で確定できません。検知理由と原証憑を人が確かめ、申請者に説明の機会を設け、判断理由を記録する運用が欠かせません。

この記事では、2026年9月16日時点のACFE、経済産業省、SAP Concur、freeeの公式情報を基に、AIが確認する項目、誤検知を減らす設計、検知後の調査手順、中小企業が30日で試す方法を解説します。

不正検知AIでできること

不正検知AIの役割は、領収書、申請明細、カード利用、従業員属性、出張申請、社内規程などを照合し、確認優先度の高い申請へ印を付けることです。全件を同じ深さで目視するのではなく、通常の申請は短く確認し、理由のある候補へ時間を配分できます。

不正と入力ミスを区別する

同じ領収書が二度提出されていても、意図的な二重請求とは限りません。出張精算を差し戻された後に再申請し、旧データが残っていた可能性があります。金額が規程を超えていても、災害や交通障害による緊急宿泊かもしれません。

そのため、AIの出力名は「不正」「違反」ではなく、重複候補、規程確認、金額確認、証憑確認のようにします。言葉を変えるだけでも、承認者が結論を急ぐ危険を減らせます。

全件チェックの意味

人による抜き取り確認では、少額や繁忙期の申請が見落とされやすくなります。AIやルールで全件を同じ入口へ通すと、金額が小さくても同じ領収書、同日同額、連続する丸い金額などを候補にできます。ただし、全件を機械判定へ通すことと、全件を疑うことは同じではありません。

ACFEの2026年版Report to the Nationsに関連する公式資料では、積極的なデータ分析を不正対策に使う組織は、使わない組織より不正損失が53%低いと紹介されています。これはデータ分析だけで損失が必ず53%減るという因果の保証ではありません。通報窓口、職務分掌、承認、監査などと組み合わせる統制の一つとして読み取るべき数字です。

人の判断を残す理由

SAP Concurの公式ヘルプでも、重複領収書の検知結果は監査担当者が確認し、PassやExceptionなどの結果を選ぶ仕組みです。画質、抽出データ、過去履歴、軽微な編集、似た領収書によって見逃しや誤検知が起こり得ると明記されています。

AIの役目は、承認者の代わりに処分を決めることではありません。人が根拠へ戻れるよう、候補と理由を提示することです。この境界を導入前に文章で決めておくと、現場の抵抗を抑えられます。

検知できる申請のパターン

経費精算の異常は一種類ではありません。証憑の重複、社内規程との不一致、本人の通常パターンとの違い、業務目的の不足など、確認方法が異なります。最初からすべてを対象にせず、会社で実際に起きる上位三つから始めましょう。

二重領収書と二重取引

画像が完全一致する場合だけでなく、撮影角度、切り抜き、明るさが違う同一領収書も候補になります。さらに、領収書を再利用していなくても、カード明細から自動登録した取引と手入力申請が重なれば二重計上です。画像比較と会計取引の重複確認は分けて設計します。

freee会計には取引一覧の重複チェックがありますが、それだけで経費申請の不正全般を判定するわけではありません。申請、承認、取引登録、精算のどの段階で候補を止めるかを決めます。

規程外と異常値

規程外は、宿泊費上限、交際費の参加者記載、タクシー利用条件など、明文化したルールとの不一致です。一方、異常値は規程内でも、本人の通常額や同じ職種と比べて大きく外れる申請を指します。

ACFEのデータ分析テスト例には、週末を挟む出張、出張地と利用地の不一致、不自然な丸い金額、同じ末尾が続く金額、費目別の外れ値、従業員・役職別の比較、必須情報の欠落があります。これらは調査開始のきっかけであり、不正の証明ではありません。

AI生成領収書への対応

生成AIやオンライン領収書作成サービスで作られた可能性を検知する機能も登場しています。SAP Concurの公式ヘルプは、VerifyがAIツールやオンライン生成サービスで作成された可能性のある領収書を確認する機能を案内しています。

ただし、画像だけで真偽を確定しません。カード明細、販売店の電子レシート、予約情報、発行元への照会など、別経路の証拠と合わせます。画像判定の点数だけで申請者を責める運用は避けてください。

AIが候補を絞る仕組み

不正検知AIという一つの箱があるわけではありません。実務では、明確な規程を確認するルール、通常パターンとの差を見る統計、領収書を読む画像解析、文章を補助する生成AIを組み合わせます。

ルールベースで明確な違反を探す

宿泊費が上限を超えた、休日利用なのに理由がない、同じ日付・金額・店名がある、といった条件はルールに向きます。判定理由を説明しやすく、導入初期の正解データも作りやすい方法です。

反面、しきい値の直下へ金額を分ける申請や、表記を変えた重複は見逃すことがあります。ルール数を増やしすぎると、正常申請にも大量の警告が出て承認者が見なくなるため、重要度を三段階ほどに分けます。

統計と機械学習で外れ値を探す

本人の過去、同じ職種、同じ勤務地、同じ費目と比べ、通常から離れた申請を見つけます。同じ1万円でも、月一回の地方出張と毎週の近距離営業では意味が違います。比較する集団を正しく決めないと、出張が多い部署や物価の高い地域だけが頻繁にフラグされます。

新入社員や新設部門は履歴が少なく、基準が安定しません。最初は会社規程と全社基準を使い、十分な件数が集まってから職種別・地域別へ分けます。

画像解析で証憑を比べる

OCRで日付、金額、店名を読み、画像の類似度と合わせて重複候補を探します。文字の読取結果だけなら、同じチェーン店で同額の食事をした別取引を誤って重複にする可能性があります。逆に、画像だけなら再撮影や切り抜きで見逃すことがあります。

画像、抽出文字、申請者、カード利用、提出時刻を組み合わせ、どの条件で候補になったかを表示できることが大切です。

生成AIは説明と質問を補助する

生成AIは、自由記述の業務目的を要約し、不足情報を質問文にする用途と相性があります。例えば「会議費の参加者と取引先名が未記載です」と差戻し文案を作れます。しかし、税区分、業務関連性、懲戒の要否を生成AIの文章だけで確定しません。

誤検知と見逃しを防ぐ設計

検知精度は一つの数字で評価できません。怪しい候補を多く拾えば見逃しは減りますが、誤検知が増えます。候補を厳しく絞れば承認者は楽になるものの、本当に確認すべき申請を落とす可能性があります。

正解データを先に作る

過去三か月から、正常、入力ミス、規程外だが承認済み、二重、要追加資料の例を集めます。不正が確定した例だけでは件数が少ないため、承認者が再確認すべき「要確認」を正解ラベルに含めます。

部署、役職、勤務地、費目が偏らないように選びます。営業部のタクシー申請だけで学習・調整すると、製造現場や在宅勤務の申請には合いません。

誤検知率と見逃し率を分ける

100件を候補にして、実際に追加確認が必要だったのが20件なら、80件は承認者にとって不要な警告です。一方、本来確認すべき30件のうち20件しか拾えていなければ、10件を見逃しています。候補数だけを成果にせず、両方を測ります。

導入初期は、人による全件確認をすぐ止めません。一定期間は従来確認とAI候補を並べ、AIが拾わなかった要確認申請を記録します。

理由を一行で表示する

「AIスコア92」だけでは、承認者が何を見ればよいか分かりません。「同じ画像が45日前の別申請と類似」「宿泊費が規程上限を3,000円超過」「本人の同費目中央値の2.4倍」のように理由を表示します。

数値や比較対象が出せない場合でも、参照した規程、過去申請、証憑項目を示せる製品を選びます。説明できない警告は、差戻しにも監査にも使いにくいからです。

検知後の調査と承認フロー

不正検知は、フラグが立った後の運用で成否が決まります。いきなり本人へ「不正です」と連絡せず、事実確認、追加資料、再判断、記録の順に進めます。

原証憑と関連データを保全する

申請時点の領収書、入力内容、カード明細、事前申請、承認経路、コメント、変更履歴を残します。後から内容が修正されても、何を根拠に候補になったか追える状態にします。

freeeでは、指定承認者や申請者以外の管理者が承認できる場合があります。特権承認を使う条件、代理承認者、取消権限を決め、通常経路を飛ばした処理を月次で確認しましょう。詳しい申請から精算までの流れは、freee会計の経費精算フローで解説しています。

確認質問は中立に書く

「二重申請ではありませんか」ではなく、「同日同額で類似した領収書が過去申請にあります。今回の取引との違いをご記載ください」と尋ねます。規程外なら、「宿泊費上限を超えています。事前承認または緊急対応の資料があれば添付してください」と具体化します。

質問の形式を統一すると、申請者によって言葉の厳しさが変わる問題を減らせます。生成AIで文案を作る場合も、最終送信は承認者が確認します。

四つの結果に分ける

不正疑義と判断した後の調査、就業規則、懲戒、返金、税務修正は個別事情で変わります。経理担当者だけで結論を出さず、社内責任者と必要な専門家へつなげてください。

判断ログを次の改善へ戻す

候補ごとに、検知理由、確認者、追加資料、結果、判断日を残します。問題なしが多いルールは条件を狭め、見逃しが出たパターンは新しい確認条件へ追加します。これにより、AIやルールを毎月調整できます。

公平性と個人情報への配慮

経費データには、訪問先、移動、飲食、勤務時間帯、役職など、行動を推測できる情報が含まれます。不正対策を理由に、目的を超えて従業員を評価・監視しない設計が必要です。

利用目的と対象項目を明示する

「経費申請の重複・規程確認と承認効率化に使う」「人事評価へ直接使わない」など、利用目的を社内ルールへ書きます。位置情報や勤怠を照合する場合は、必要性、閲覧者、保存期間、削除方法を定めます。

経済産業省のAI事業者ガイドライン第1.2版は、リスクベースでAIガバナンスを築き、安全性、公平性、プライバシー、セキュリティ、透明性、アカウンタビリティ等を考慮する枠組みを示しています。経費精算では、誰が何の目的で結果を使い、異議がある時に誰が再確認するかまで決める実務へ置き換えます。

部署と役職の違いを考慮する

営業、開発、現場、役員では経費の種類と金額が異なります。全社員を同じ平均値で比べると、出張が多い担当者や緊急対応のある部署へ警告が偏ります。比較対象を職種・地域・費目で分け、少人数の集団では個人特定や過学習に注意します。

異議申立ての経路を作る

申請者が理由や追加資料を提出でき、最初の承認者とは別の責任者が再確認できる経路を用意します。AIの判定を変更できない仕組みではなく、人が理由を記録して覆せることが大切です。

中小企業が30日で試す方法

最初から専用AI製品を全社導入しなくても、経費CSVと領収書一覧を使い、確認ルールを検証できます。目的は社員を摘発することではなく、どの条件が承認時間と見落としを減らすか確かめることです。

第1週は対象を一つ決める

過去に差戻しが多かった費目を選びます。例えば、交際費の参加者不足、宿泊費の上限超過、カード明細との二重登録などです。対象部署は一つ、期間は一〜三か月に絞ります。

同時に、確認者、保存場所、従業員への説明、利用しない情報を決めます。権限設計はfreee会計の権限設定も参考にしてください。

第2週はルールをCSVで試す

日付、申請者、費目、金額、店名、目的、承認状態をCSVへ出し、同日同額、同一店同額、上限超過、休日利用、説明空欄を抽出します。元データを直接加工せず、コピーした検証用ファイルで行います。

生成AIへ個人名や領収書をそのまま渡す必要はありません。社員IDを仮名化し、目的文に機密情報が含まれる場合は除外します。数式やフィルターだけで検証できる項目は、まずローカルの表計算で試します。

第3週は正解と比べる

抽出された候補を承認者が確認し、問題なし、入力ミス、規程外、追加確認へ分類します。従来の全件確認で見つかった要確認申請のうち、ルールが拾えなかったものも記録します。

確認時間、候補率、誤検知率、見逃し件数、差戻し件数を測ります。不正発見件数は偶然に左右されるため、短期KPIの中心にしません。

第4週は続ける条件を決める

候補が多すぎるルールは停止または条件変更します。承認者が理由を理解できない判定、本人へ説明できない比較、原資料へ戻れない抽出も止めます。効果が確認できた上位三つだけを翌月へ残します。

製品選定と導入判断

専用製品を選ぶ時は、検知シナリオの数だけで決めません。自社の申請経路、カード連携、証憑保存、権限、監査ログへつながるかを確認します。

導入前に見る七項目

• 自社で多い重複・規程外・証憑異常を検知できるか
• 検知理由と比較対象を承認者が確認できるか
• 誤検知を問題なしへ戻し、その理由を残せるか
• 過去履歴が少ない社員・部門への扱いを変えられるか
• カード、勤怠、出張申請、会計ソフトと安全に連携できるか
• 管理者、監査者、承認者の権限を分けられるか
• データ保管場所、保存期間、学習利用、削除方法を確認できるか

SAP ConcurのVerifyには複数の監査チェックがありますが、利用できる確認項目は製品版、契約、言語、地域、設定で変わります。2026年9月時点の公式資料を確認し、デモでは自社の匿名化データを使って誤検知まで見てください。

Excel運用から切り替える目安

申請が月100件程度で、確認条件が二、三個なら、CSVと表計算でも始められます。しかし、画像の重複、複数法人、部門別基準、カード・勤怠・出張データの照合、監査証跡が必要になると、手作業の維持が難しくなります。

承認者が抽出作業そのものに時間を使う、ファイル版が乱立する、確認結果が残らない状態になったら、専用製品やAPI連携を検討します。経費精算全体の省力化は、既存記事経費精算をAIで自動化する方法も併せて確認してください。

費用対効果の測り方

「不正を何件見つけたか」だけでは、平常月に成果が見えません。月間申請数、全件確認時間、候補確認時間、差戻し率、誤検知率、見逃し件数、精算までの日数、同じ誤りの再発率を導入前後で比べます。

さらに、例外承認の理由が記録される、承認者による判断差が減る、規程の曖昧な箇所が見つかる、といった統制面の効果も残します。

よくある失敗

フラグを不正確定として扱う

最も大きな失敗です。AIは類似や外れを示しているだけかもしれません。候補名を中立にし、原証憑、関連明細、事前申請、本人説明を確認してから判断します。

警告を増やしすぎる

すべての条件を高感度にすると、正常申請の大半に警告が付きます。承認者が警告を流し読みする「アラート疲れ」が起き、重要な候補まで見落とします。重大、高、中の優先度を決め、低重要度は月次分析へ回します。

過去の承認を正解にする

過去に承認済みでも、十分に確認されていたとは限りません。誤った運用を正解として学習・調整すると、見逃しを再現します。承認者が改めて確認した検証用データを作ります。

規程の曖昧さをAIで埋める

「常識的な範囲」「必要に応じて」のような規程は、AIにも承認者にも判定できません。金額、対象者、必要資料、例外承認者を規程へ足します。判断が割れた候補は、AIの問題だけでなく規程改善の材料です。

権限とログを後回しにする

誰でも候補や領収書を見られると、個人情報の範囲が広がります。また、管理者が通常経路を飛ばして承認できる環境で、例外承認の確認をしなければ統制が弱まります。閲覧、判定変更、承認、設定変更を分け、ログを定期確認します。

よくある質問

AIは経費精算の不正を自動で確定できますか？

できません。AIは重複、規程外、外れ値、証憑異常などの候補を示します。出張や緊急対応など正当な理由もあるため、原証憑、カード明細、事前申請、本人説明を人が確認して判断します。

どのような経費を検知できますか？

同じ領収書の再利用、同日同額、上限超過、休日・深夜利用、出張地との不一致、丸い金額の連続、説明不足、通常から外れた金額などが候補です。利用できる項目は製品・契約・データ品質で変わります。

中小企業でもExcelから始められますか？

はい。経費CSVから同日同額、上限超過、休日利用、説明空欄などを抽出できます。原本を加工せず、匿名化した検証用コピーで始め、正解との比較と判断ログを残してください。

誤検知が多い時はどうしますか？

どの部署・費目・役職に偏るかを確認し、比較集団やしきい値を見直します。正当な例外理由を記録し、同じ条件で繰り返し警告しない仕組みも検討します。理由を説明できないルールは停止候補です。

AIのフラグを懲戒判断に使えますか？

フラグだけで結論を出すべきではありません。事実確認、本人への説明機会、就業規則、社内手続が必要です。個別の労務・法務判断は社内責任者、弁護士、社会保険労務士等へ相談してください。

まとめ

経費精算の不正検知AIは、全件から確認優先度の高い申請を絞るために使います。二重申請、規程外、外れ値、証憑の異常を示せても、不正そのものを確定するわけではありません。

導入では、検知理由を一行で説明できること、原証憑へ戻れること、申請者へ中立に質問できること、最終判断と理由を記録できることが重要です。まず一部署・一費目・三つの確認条件に絞り、30日間で誤検知と見逃しを測りましょう。

その結果を基に、ルールで続ける項目、専用製品へ任せる項目、人が確認する例外を分けます。AIへ判断を丸投げせず、人が公平に確認できる業務フローを作ることが、検知精度と社内の納得感を両立させます。

参考：ACFE Occupational Fraud 2026、ACFE Anti-Fraud Data Analytics Tests、経済産業省 AI事業者ガイドライン第1.2版、SAP Concur Verify、freee 経費精算の承認処理（2026年9月16日確認）