経理AIはどこまで任せられるか — 経費監査の見逃しを0.2%にした3層設計

経費精算の監査は、地味で終わりのない仕事です。私たちが支援している大手メーカーでは、月に6,000件前後の経費明細を監査の担当者が目で追い、そのうち240件ほどを「これは確認が要る」と抜き出していました。何を見て抜いているのか——その基準の多くは、長年この仕事をしてきた担当者の頭の中にあります。経理AIの構築で私たちが最初に向き合ったのは、モデルの選定ではなく、この「頭の中」でした。

この記事では、その進行中の事例をもとに、経理AIを「どこまで任せられるか」という設計の話を書きます。7か月分・明細43,369行の実データで、監査担当者が抜き出した1,678件のうち、システムが確定または要確認の候補として挙げられなかったのは3件（0.2%）でした。ただし、ここへ至る道は「賢いAIに全部任せる」ではありませんでした。むしろ逆です。

その「精度87%」は、何の87%か

最初の検証で、私たちは「精度87%」という数字を報告しました。監査で抜かれた明細を単月分お預かりし、判定ルールを組んで突き合わせた結果です。「人間のレビュアーより高い」という評価もいただきました。

正直に書くと、この数字はそのままでは使いものになりませんでした。分解すると、87%は「システムが『問題あり』と確定判定したものの的中率（precision）」でした。一方で、監査が抜いた408件のうち、その確定判定が拾えていたのは34.6%（捕捉率＝recall）。的中率だけを見れば優秀に見え、捕捉率だけを見れば頼りない。同じシステムの、同じ月の数字です。

経理AIの検討で「精度○%」という数字を見たら、まず問うてください。それは何を分母に、何を数えた数字か。的中率と捕捉率のどちらか。ここを曖昧にしたまま進むと、報告のたびに認識がずれ、「思っていたのと違う」が本番の直前に噴き出します。私たちはこの反省から、数字ごとに定義・分母・出典を1枚にまとめた「数値の意味の正本」を作り、以後の報告は必ずそこを経由するようにしました。

全部をAIに任せない — ルール・AI・人の3層

経費監査には、性質の違う二種類の判断が混ざっています。ひとつは、条件を言葉で書き切れる判断。「現金払いで一定額を超えている」「精算が規定より遅れている」。もうひとつは、文脈がないと決められない判断。「この支払先で、この用途の交際費は自然か」。

前者をLLMにやらせる理由はありません。決定論のルールなら結果が再現でき、根拠をそのまま示せて、実行コストもかかりません。私たちは前者を約20本のルールに、後者をLLMの仕分け（ゲート）に割り当て、最終判断は人に残しました。決定的に解ける処理はLLMではなくルールで——この原則はRAGの精度設計でも同じで、私たちの設計の背骨になっています。

なぜ全自動にしないのか。監査が説明責任の業務だからです。「AIがそう判定したので」は、経理の現場では根拠になりません。だから確定判定には「どの条件に、なぜ引っかかったか」を平易な言葉で必ず添え、AIの判定には確信度を付けて、低いものは人へ回します。どこまで任せ、どこから人が持つかを先に設計する——この考え方はAIエージェント開発の実務に一般化して書きました。

転機はモデルの強化ではなく、監査の「判断構造」の発見

では、34.6%だった捕捉率をどう上げたのか。モデルは替えていません。プロンプトの改良でもありません。効いたのは、本番データをお預かりして、監査担当者の判断の痕跡を丹念に読んだことでした。

7か月分の実データを突き合わせると、監査の抽出理由の約86%が「精算の遅延」系で、しかもそれは明細に既にある日付情報だけから決定論的に判定できることが分かりました。ルールを1本追加した結果、確定判定の捕捉率は34.6%から90.0%へ、的中率は87%から94.6%へ上がりました（単月408件での突合）。LLMには一切手を入れていません。

経理AIの精度は、モデルの賢さよりも、業務の暗黙知をどれだけ形式知（ルール）に写し取れるかで決まる——これがこの案件で得た、いちばん大きな学びです。そしてこれは、実データと監査担当者との対話からしか出てきません。製品カタログのAI性能比較には載っていない部分です。

「答えを写しただけ」になっていないか、自分を監査する

精度が急に上がったときほど、疑う必要があります。正解ラベルや、担当者の作業ファイルに紛れた「答えに近い列」に判定が依存していないか——いわゆるリーク（答えの写り込み）です。

私たちは改善のあと、判定ロジックが参照するデータを総点検しました。実際に1か所、監査担当者の作業データ由来の中間的な列に依存している箇所が見つかりました。そこで、元の日付から同じ値を自前で計算する方式に差し替え、監査担当者の作業データ全77,336行で従来の列と100%一致することを確かめたうえで置き換えました。精度の数字は変わっていません（劣化ゼロ）。

地味な作業ですが、監査という業務の性質上、「その精度は本番でも再現するのか」に答えられないシステムは導入できません。検討中のベンダーに「リークの点検はしましたか」と聞くのは失礼でもなんでもなく、まっとうな検収項目だと思います。

実測 — 7か月・グループ2社ぶんの答え合わせ

判定ルールを固定したまま、グループ2社・7か月分の実データに当てた結果です。ルールは会社Aのデータで作り、会社Bには手を入れずそのまま適用しています。特定のデータに作り込みすぎていないか（過学習していないか）の検証を兼ねた形です。

「理由の種類まで一致」が保守的な値なのは、監査側の理由が読み取れない明細を機械的に「不一致」と数えているためです。ここはいま、経理担当者への確認を進めて詰めているところで、確認が揃い次第この記事の数値も更新する予定です。なお、この表は判定ロジックを事前に固定した突合の結果であり、運用中の実績値とは区別しています。測り方を先に固めてから改善する進め方そのものは、評価セットの作り方に書いた考え方と同じです。

人が見る量を設計する — 月1,300件問題

ここまでは「拾えるか」の話でした。実務ではもうひとつ、「人が見きれるか」が同じくらい重要です。

1か月分・4,992件の明細を全量通す実測では、どのルールにも掛からなかった2,966件を除いた候補2,026件が、ルールとAIで確定した245件（ルール177＋AI68）、AIが「問題なし」と自動解除した456件、そして「人の確認へ」回る1,325件に分かれました。月240件を見ていた現行業務に対して、この1,325件を全部見るのは5倍以上の負荷で、成立しません。

そこで、確定を先頭に置き、残りは確信度順に並べた「深掘り候補（任意）」とする二段構えにしました。人手ゼロを約束するのではなく、人が見る対象に優先順位をつけ、見た結果（承認・差し戻し）がルールの判定ライン（閾値）の調整や新ルールの種としてシステムに還流する。いまも経理担当者の確認結果を受け取りながら、この還流を回しています。

見逃し0.2%という数字は、この「人が最終判断する」前提とセットです。逆に言えば、「AIで監査を全自動化・人手ゼロ」をうたう提案を検討するときは、見逃し率と、人が確認する月あたりの件数の実測値を確認することをおすすめします。PoCの数字が出たのに本番の判断ができない——という止まり方を避ける観点は、AIのPoC止まりはなぜ起きるのかにもまとめています。

経理AIを検討するときの4つの問い（保存版）

• その「精度○%」は的中率（precision）か、捕捉率（recall）か。分母は何か。
• 自動で確定する判定と人が見る候補出しを分けて設計しているか。確定の根拠は人の言葉で出るか。
• 見逃し率を測る仕組みがあるか（過去の監査実績との突合）。リーク（答えの写り込み）の点検をしたか。
• 人が確認する件数は月何件になる見込みか。その量は現実的か。

まず、いまの監査の「判断構造」から

経理AIの出発点は、ツールの選定ではなく、いまの監査で「誰が・何を見て・何を抜いているか」を言葉にすることです。そこが言語化できれば、ルールで確定できる範囲・AIに仕分けさせる範囲・人に残す範囲は、かなり機械的に切り分けられます。

自社の場合はどこから手を付けるべきか——現在地の整理には、無料のAI活用診断をどうぞ。経費監査に限らず、いまのAI活用の状況からの見立てと次の一手がその場で出ます。個別の状況は30分の無料相談で一緒に切り分けます。この時点で費用は発生しません。

この記事は、AIツールを活用して作成し、Cognisant編集部がファクトチェック・編集・監修を行っています。掲載している数値は、実際の支援案件（進行中を含む）で計測した公開可能な実績で、クライアントは業種表記・匿名化しています。