会計データの異常値をAIで検出する方法

会計データの異常値をAIで検出する運用は、月次巡回監査の「目視で全仕訳を見る」作業を、「確認すべき数十件に絞る」作業へ変える手段です。ただし、AIに「異常かどうか」を丸ごと判断させる設計は精度・説明責任の両面で危うく、統計ルールで候補を抽出し、AIは理由の整理と確認事項の文案づくりに使うという役割分担が現実的です。本記事では、税理士事務所が会計データの異常値をAIで検出する際の設計、誤検知の抑え方、守秘義務上の注意点を整理します。

会計データの異常値をAIで検出する方法の全体像

会計データの異常値検出とは、仕訳・試算表・補助元帳などの数値から、過去実績や取引パターンと乖離した項目を抽出し、入力ミスや処理漏れ、不正の兆候を早期に発見する作業を指します。

実務では次の3層に分けると設計しやすくなります。

ルール層：貸借の不一致、休日付の仕訳、同額・同日の重複、摘要の空欄、科目と摘要の不整合など、明確に判定できるもの
統計層：顧問先ごとの過去12〜24か月の勘定科目別推移から、平均や四分位範囲（IQR）、Zスコアで外れ値を出すもの
AI層：1〜2で抽出した候補に対し、摘要や前後の取引から「考えられる原因」と「顧問先への確認質問」を整理するもの

大手監査法人が仕訳テストで異常仕訳の抽出にAIを使っている例は以前から公表されており、考え方自体は新しくありません。違いは、中小規模の事務所でも、会計ソフトのCSV出力とClaude CodeのようなAIエージェントを組み合わせて、同様の構造を自前で作れる点にあります。

異常値検出で見るべき指標と閾値の決め方

異常値検出の閾値設計とは、「どの程度の乖離を要確認とするか」を顧問先の規模・業種に合わせて数値で定めることです。固定の一律基準は、大きな顧問先で誤検知を量産し、小さな顧問先で見逃しを生みます。

たとえば顧問先30社の事務所なら、次のように段階を設けます。

勘定科目別の月次推移：直近12か月の平均から±2σを超える科目を候補にする。ただし賞与月・決算月など季節要因は別枠で比較する
金額基準：重要性の低い少額変動は除外するため、「乖離率30%以上かつ絶対額が月商の1%以上」のように二重条件にする
仕訳単位：端数のないちょうどの金額、期末直前の大口仕訳、通常使わない科目への計上を個別に拾う
新規取引先・新規科目：初出の相手先や科目は件数が少ないので全件確認の対象にする

閾値は初回から完成させず、最初の3か月は「抽出件数」と「実際に修正が必要だった件数」を記録して調整します。ラクゼイで支援した事務所でも、まず検出件数を多めに設定して確認対象を段階的に絞る進め方が基本です。

AIが担う役割と、任せてはいけない判断

AIによる異常値の原因推定とは、抽出された候補に対し、摘要・取引先・前月以前の同種取引を参照して、可能性の高い説明を複数挙げる処理です。

AIが得意なのは次の作業です。

「前期比で旅費交通費が3倍」の候補に対し、出張・賞与月・科目誤りなどの仮説を列挙する
顧問先への確認メール文案（「◯月◯日の△△円について、内容をご教示ください」）の下書き
異常候補を重要度順に並べた月次チェックリストの作成

一方、任せてはいけない判断もあります。

異常の最終判定（修正の要否）：税理士または担当者が行う
不正の示唆：AIの出力のみで顧問先に疑いを伝えない
数値の再計算：生成AIは計算を誤ることがあるため、集計は必ずスクリプトや会計ソフト側で行い、AIには結果を渡す

生成AIの出力誤りへの備えは、AIのハルシネーション対策で整理しています。税理士業務である以上、AIを使っても最終的な判断責任は税理士に残ります。AIの指摘をそのまま顧問先に出さず、必ず担当者が確認を挟む運用にしてください。

守秘義務を踏まえた運用手順

異常値検出に使う会計データには、取引先名・金額・給与情報などが含まれます。税理士法第38条の守秘義務、および個人情報保護法の観点から、次の点を運用前に決めておきます。

学習に利用されない契約・設定の確認：利用するAIサービスの入力データが学習に使われない設定になっているか、事務所として確認する。詳細はAIのセキュリティ設計も参照
匿名化・マスキング：取引先名を仮IDに置換してからAIへ渡す。統計処理はローカルで完結させ、AIに渡すのは候補行のみとする
ログの保存：どのデータをどの目的で処理したか記録し、事後に説明できる状態にする
顧問先への説明：業務委託契約や個人情報の取扱い説明に、AI利用の旨を反映する

「全仕訳をそのまま外部AIに貼る」運用は、この観点から避けるべき典型例です。抽出はローカルのスクリプトで行い、AIには必要最小限の行だけを渡す設計が、守秘義務とコストの両面で有利です。

導入ステップと効果測定

導入は次の順序が現実的です。

対象の限定（1か月目）：月次の巡回監査が重い顧問先3〜5社で、仕訳CSVと試算表推移だけを対象にする
ルール・統計層の実装（1〜2か月目）：重複、休日、端数、前期比乖離のチェックをスクリプト化する
AI層の追加（2か月目）：候補への原因仮説と確認質問の下書きを作成する
運用と調整（3か月目以降）：検出件数、修正件数、確認にかかった時間を記録し、閾値を見直す

効果測定は、「1社あたりの月次チェック時間」「検出から修正までの日数」「決算時に発覚した修正仕訳の件数」を前後で比較します。仕訳の自動判定そのものについてはAI記帳の精度と仕訳制度、月次報告への反映は月次レポートのテンプレート、損益の変動理由の整理は損益分岐点のAI分析も参考になります。

よくある質問

Q. 会計ソフト標準の仕訳チェック機能だけでは足りませんか？

標準機能は貸借不一致や入力漏れなどルール型の検出に強い一方、顧問先ごとの過去傾向との乖離を見る処理は限られます。事務所共通の観点で横断的にチェックしたい場合に、外部スクリプトとAIの組み合わせが有効です。

Q. 誤検知が多くて使えなくなりませんか？

初期は誤検知が出る前提で設計します。金額と乖離率の二重条件、季節性の考慮、確認済みパターンの除外リストを追加していくことで、数か月で現実的な件数に収まるのが一般的な進め方です。

Q. 不正の発見にも使えますか？

不正の兆候を示す候補の抽出には役立ちますが、不正の断定には使えません。抽出結果は「確認すべき事項」として扱い、判断は担当者・税理士が行います。

Q. 小規模事務所でも導入できますか？

はい。対象を数社に絞り、CSVの出力とスクリプトから始めれば、専用システムなしでも運用できます。

まとめ｜統計で絞りAIで整理し、判断は税理士が行う

会計データの異常値検出は、ルール・統計・AIの3層に分け、AIには原因仮説と確認文案の整理を任せ、最終判断は人が持つ構成が安全で成果も出やすくなります。守秘義務への配慮と、検出件数・修正件数の記録による継続的な調整が、定着のポイントです。

ラクゼイでは、税理士事務所専用に設計したAI導入伴走を提供しています。仕訳業務・月次レポート作成・顧問先対応の自動化に関心がある場合は、無料相談または画面サンプルをご覧ください。

会計データの異常値をAIで検出する方法｜税理士事務所の運用設計