納品書と請求書の照合をAIで補助する。金額だけで一致させない手順

納品書と請求書の照合は、金額だけで一致させてもミスが起きやすい業務です。AIを活用すれば、項目ごとの自動抽出とルールベースの照合が可能になりますが、導入前に整理すべきポイントがあります。本記事では、具体的な手順と注意点を順を追って解説し、導入判断に必要な情報を提供します。まずは照合対象を明確にし、AIに渡すデータを整える作業から始めましょう。

照合対象の整理と課題の把握

取引単位と突合項目の確認

まず、照合の対象となる取引単位を決めます。取引先からの発注は「注文単位」、それに対する納品は「納品単位」、請求は「請求単位」と分けられますが、実務では分納や部分請求が混在することがあります。どの単位で突合させるかを社内で統一しておかないと、AIが抽出した情報を正しく比較できません。

たとえば、1件の注文に対して�数回に分けて納品が行われる場合、各納品書を個別に照合対象に含めるか、まとめて一つの取引として扱うかを事前に決めておくと、後続のAI処理がスムーズになります。

照合に必要な項目は、金額以外に「注文番号」や「品目コード」「数量」「単価」「納品日」などです。これらは文書中に必ず記載されているはずなので、抜けがないかをチェックリストにまとめておくと、AIの抽出結果を検証しやすくなります。特に数量や単価が変動する取引では、金額だけで一致しても実際には別商品が混在しているケースがあるため、項目ごとの比較が不可欠です。

分納・返品のケースを整理

分納や返品がある取引は、1つの注文に対して複数の納品書や請求書が発行されるため、単純な1対1の照合では対応できません。まずは、分納・返品ごとに「納品番号」や「返品番号」を付与し、どの請求書に紐付くかを一覧にまとめます。この一覧をAIに入力することで、抽出したデータを正しい組み合わせで比較できます。

たとえば、注文Aのうち100個を先に納品し、残り50個を後日納品した場合、2枚の納品書はそれぞれ別の請求書に対応することがあります。返品が発生した場合は、返品分の金額が差し引かれた請求書になるため、AIの照合ロジックに「差引」や「マイナス」処理を組み込む必要があります。事前にこのようなケースを整理しておくと、照合結果の不一致を減らすことができます。

金額以外で照合すべきポイント

金額だけで照合すると、単価や数量が変わっていても合計金額が同じという偶然の一致を見逃すことがあります。したがって、AIで抽出した情報を使って「品目コード」「注文番号」「数量」「単価」「納品日」など複数の項目でクロスチェックすることが重要です。これらの項目は文書中のレイアウトが異なる場合でも、テキスト抽出後に正規表現やテンプレートマッピングで統一できます。

例えば、A社からの注文で「商品X」の単価が1,000円、数量が10個の場合、合計は10,000円です。同じ金額でも「商品Y」の単価が2,000円、数量が5個という組み合わせもあり得ます。AIが品目コードと数量を正しく抽出できれば、金額が一致しても品目が違うことをすぐに検出できます。こうした多角的な照合が、誤払いや不正請求の防止につながります。

AIに任せる前のデータ準備

書類のスキャンとフォーマット統一

AIに文書を読み取らせる前に、紙の納品書や請求書をデジタル化する作業が必要です。スキャンは300dpi以上の解像度で行い、文字がくっきり写っていることを確認します。ぼやけや影があるとOCR（光学文字認識）の精度が落ち、抽出ミスの原因になります。

また、同一取引の書類は「取引先_日付_種類」のように統一したファイル名で保存すると、後から検索や自動処理がしやすくなります。

PDFはテキスト情報が埋め込まれている場合と画像だけの場合があります。テキストが埋め込まれているPDFはOCR不要で直接抽出できますが、画像PDFは必ずOCRエンジンにかける必要があります。スキャン時にカラーよりもモノクロで保存するとファイルサイズが小さくなり、処理コストを抑えられます。

さらに、書類の向きが正しいか、ページ順が揃っているかを確認し、異常があれば手作業で修正しておくと、AIの処理がスムーズに進みます。

AI抽出の設定項目と学習データ

AIに抽出させる項目は、あらかじめ設定しておく必要があります。代表的な項目は「注文番号」「品目コード」「数量」「単価」「金額」「日付」の四つですが、社内で独自に使用している項目がある場合は追加で定義します。設定は、数十枚の実際の納品書・請求書をサンプルとしてAIに学習させることで行います。

サンプルは、レイアウトが異なるものや文字サイズが小さいものも混ぜておくと、実運用時のバリエーションに強くなります。

学習が終わったら、テスト用に別の書類を数枚用意し、抽出結果が期待通りかを確認します。抜けや誤認識が見つかった場合は、サンプルに追加して再学習させるか、抽出ルールを微調整します。この検証サイクルを数回繰り返すことで、実務で活用できる精度を確保します。

目標精度は実際の運用状況や社内基準に合わせて設定してください。検証結果はスプレッドシートにまとめ、担当者間で共有しておくと後続の運用が楽になります。

ルール処理の前提条件を作る

AIが項目を抽出した後は、ルールエンジンで照合ロジックを実行します。その前に、照合の前提条件を明文化しておくことが重要です。例えば「数量が一致し、単価の差が一定範囲内であれば同一取引とみなす」や「納品日が請求日から一定期間以内であること」など、具体的な基準を決めます。これらの基準は、社内の取引慣行や取引先との合意内容に合わせて設定します。

例外処理としては、割引や手数料が請求書に別項目で記載されるケースがあります。こうした項目は、金額の差分として扱うか、別途計算式に組み込むかを事前に決めておきます。また、複数の納品書が1つの請求書に統合される場合は、合計数量や金額で比較するロジックを用意し、照合結果が「部分一致」や「金額差異」になったときに自動でフラグを立てる仕組みを作ります。

AI活用の具体的手順

AIで項目抽出しテーブル化する

実際の照合作業は、まずAIに文書を読み込ませて必要項目を抽出し、表形式（テーブル）に変換することから始まります。OCRエンジンが文字列を認識したら、事前に設定した正規表現やテンプレートに基づき「注文番号」「品目コード」などのラベル付けを行います。抽出結果はCSVやExcel形式で出力できるため、担当者はスプレッドシートで内容を確認しやすくなります。

抽出したテーブルは、社内の会計システムやERPと連携させることも可能です。自動でインポートできるようにAPIやバッチ処理を設定すれば、手入力の手間が大幅に削減されます。ただし、データベースに保存する際は、機密情報が含まれることを考慮し、アクセス権限を適切に設定し、暗号化やログ管理を行うことが求められます。

ルールエンジンで照合ロジック実装

抽出したテーブルを元に、照合ロジックをルールエンジンで実装します。小規模企業であれば、ExcelのVLOOKUPやIF関数を組み合わせたシートで簡易的に実装できますが、件数が増える場合は専用のルールエンジン（例：PythonのpandasやRPAツール）を導入すると処理速度が向上します。

基本的なロジックは「注文番号が一致し、数量と単価が許容範囲内で合致するか」を判定し、合致すれば「照合OK」、差異があれば「要確認」とフラグを付けます。

実装後は、過去の取引データでシミュレーションを行い、誤検出率や漏れ率を測定します。シミュレーション結果で誤検出が多い項目は、抽出精度の改善やルールの緩和・厳格化を検討します。テストケースは、正常取引・部分一致・金額差異・レイアウト異常の4パターンをそれぞれ数件用意すると、実務で起きうる状況を網羅的に評価できます。

例外処理と手動確認フロー

ルールエンジンが「要確認」と判定したケースは、必ず担当者が手動で検証します。例外としては、割引が適用された請求書、返品が混在する納品書、またはAIが抽出できなかった手書き項目などがあります。手動確認時には、元の紙文書とAI抽出結果を並べて比較し、差分の根拠をメモしておくと後続の改善に役立ちます。

手動確認フローは、タスク管理ツールやメールで担当者に割り振り、確認完了後にステータスを「完了」または「再処理」のいずれかに更新します。再処理が必要な場合は、抽出設定やルールを見直し、再度AIに走らせます。こうしたサイクルを定期的に回すことで、AIの精度向上と業務の標準化が同時に進みます。

結果の評価と次の判断

照合結果のレポート活用法

照合が完了したら、結果をレポートとしてまとめます。主な項目は「照合件数」「一致率」「要確認件数」「不一致理由」の四つです。これらをグラフ化すれば、月次や四半期ごとの傾向が一目で分かります。特に要確認件数が増加した場合は、抽出設定やルールの見直しが必要なサインです。

レポートは経理担当者だけでなく、購買部門や取引先とのミーティングでも活用できます。共有方法はPDFで配布するか、社内ポータルにアップロードして閲覧権限を設定します。定期的にレビュー会議を設け、照合一致率などの数値目標を自社の実情に合わせて設定すれば、改善活動の指標として機能します。

不一致時の原因分析と改善策

不一致が発生した場合は、まず原因を分類します。代表的な原因は「OCR誤認識」「項目未設定」「取引先の請求ミス」「割引・手数料の未考慮」などです。原因ごとにチェックリストを作り、該当箇所を特定します。たとえば、OCR誤認識が多い場合はスキャン解像度を上げるか、フォントに合わせた学習データを追加します。

原因が判明したら、具体的な改善策を実施します。項目未設定であれば、抽出テンプレートに新しい項目を追加し、再学習させます。取引先の請求ミスが頻発する場合は、取引先とフォーマット統一の合意を取り付けることも検討します。改善後は、同様のケースで再度照合テストを行い、効果を定量的に評価します。

導入継続の判断基準と相談先

AIによる照合を継続するかは、導入効果と運用コストを比較して判断します。主な指標は「作業時間削減率」「照合エラー率の低下」「担当者の満足度」です。たとえば、手作業で処理していた件数がAI導入後に減少した場合、その削減率を測定し、作業時間の削減効果を評価します。

また、エラー率の変化を測定してリスク低減効果を確認します。これらの指標は実際の運用データに基づき定期的に測定し、目標値を下回った場合は改善策を検討します。

判断に迷ったときは、社内の情報システム部門や外部のAIベンダーに相談すると良いでしょう。相談時には、現在の照合フロー、使用しているAIツールの機能一覧、過去のエラー例を資料として用意しておくと、具体的な助言が得られます。

また、導入支援や運用サポートを提供しているベンダーは、ルールのチューニングや追加機能の提案も行ってくれるため、継続的な改善パートナーとして活用できます。