株式会社renue
AI導入・DXの悩みをプロに相談してみませんか？
AIやDXに関する悩みがありましたら、お気軽にrenueの無料相談をご利用ください。 renueのAI支援実績、コンサルティングの方針や進め方をご紹介します。
監査法人の証憑突合→監査調書作成をAIで効率化する方法｜マルチモーダルAIで証憑読取→データ突合→調書自動生成
監査法人において、証憑突合と監査調書の作成は監査手続きの根幹を成す業務です。請求書・領収書・契約書等の証憑を会計データと突合し、差異を検出し、監査調書としてドキュメント化する——この膨大かつ精密な作業を生成AIとマルチモーダルAIで効率化する動きが、Big4を中心に本格化しています。EY新日本監査法人は2026年1月に「Document Intelligence Platform（DIP）」を本格稼働させ、全被監査先3,805社に対して証憑突合→調書作成の一貫自動化を実現しました。
業務の詳細フロー（現状の手作業）
ステップ1：証憑の受領・整理
被監査会社から証憑（請求書、領収書、契約書、銀行取引明細、注文書等）を受領し、勘定科目・取引日ごとに整理します。紙の証憑はスキャン、電子データはフォーマットの確認を行います。
ステップ2：会計データとの突合
証憑の内容（金額、日付、取引先、品目）を会計帳簿の仕訳データと照合し、一致・不一致を確認します。仕訳金額と証憑金額の差異、計上時期のずれ、承認手続きの有無等を検証します。
ステップ3：差異の分析
突合で発見された差異について、原因を分析します。「消費税の端数処理による差異」「為替レートの適用日の違い」等の合理的な説明がつくか、不正や誤謬の兆候がないかを評価します。
ステップ4：監査調書の作成
突合の結果を監査調書として文書化します。サンプルの選定根拠、突合手続きの内容、発見事項、結論を所定のフォーマットで記録します。パートナー・マネージャーのレビューに耐える品質が求められます。
ステップ5：レビュー・完了
マネージャー・パートナーが調書をレビューし、手続きの十分性、結論の妥当性を確認します。レビューコメントへの対応を経て調書を完了させます。
課題・ペインポイント
- 証憑読取の手間：紙の証憑やPDFからの情報読取が手作業で、フォーマットが不統一な証憑の処理に時間を消費
- 突合作業の反復性：数百〜数千件の証憑を1件ずつ会計データと照合する単純反復作業が監査スタッフの大半の時間を占める
- 繁忙期の集中：決算期に監査業務が集中し、限られた期間内に膨大な証憑突合を完了する必要がある
- 調書フォーマットのばらつき：調書の記載内容・品質がスタッフ個人のスキルに依存し、事務所としての均一性確保が困難
- 不正兆候の見落とし：大量の証憑の中から改ざんや偽造の兆候を人手で検出するのは困難
AI化のアプローチ（LLM＋マルチモーダルAIによる実装イメージ）
入力データの設計
- 証憑データ：請求書・領収書・契約書等のスキャン画像/PDF/電子データ
- 会計データ：被監査会社の仕訳データ、勘定科目明細
- 監査計画：サンプル選定基準、重要性の基準値、監査手続きの範囲
- 調書テンプレート：自法人の監査調書フォーマット
- 過去の調書：過去年度の同じ被監査先の調書（RAGで参照）
処理パイプライン
- 証憑の自動読取・構造化：マルチモーダルAIが証憑画像/PDFから金額、日付、取引先、品目、税額等の情報を自動抽出。手書き、異なるフォーマット、多言語にも対応（出典：EY Japan "生成AIを活用したシステムを本格運用"）
- 会計データとの自動突合：抽出した証憑情報と会計帳簿の仕訳データを自動照合。金額・日付・取引先の一致/不一致を自動判定し、差異リストを生成
- 差異の自動分析：LLMが発見された差異について「消費税端数」「為替差額」等の合理的説明が可能かを自動分析。説明がつかない差異を「要追加調査」としてフラグ
- 改ざん検知：画像解析AIが証憑の不自然な加工（テキストの上書き、金額の修正痕等）を自動検知し、アラートを発出（出典：日経xTECH "EY新日本監査法人がAIで証憑突合を自動化"）
- 監査調書の自動生成：突合結果＋差異分析＋改ざん検知結果を統合し、自法人のテンプレートに沿った監査調書のドラフトをLLMが自動生成
人間が判断すべきポイント
- サンプル選定の方針：「どの取引をサンプルとして選定するか」のリスク評価に基づく判断は監査人が行う
- 差異の最終評価：AIが「要追加調査」とフラグした差異が本当に問題か否かの最終判断は監査人の専門知識
- 不正リスクの評価：改ざん検知のアラートに対する対応方針（追加手続きの範囲、経営者への質問等）は監査人の判断
- 監査意見の形成：突合結果を踏まえた監査意見（適正/限定付適正/不適正）の形成は監査人の独立した判断
他業種の類似事例
- 銀行の融資審査：申請書類のAI-OCR読取→データ照合→審査調書自動生成（本シリーズ参照）
- 保険会社の保険金査定：請求書類の自動読取→ポリシーとの照合→査定調書生成（本シリーズ参照）
- 法律事務所のDD資料整理：大量文書の自動分類→重要事項抽出→チェックリスト生成（本シリーズ参照）
導入ステップと注意点
ステップ1：証憑フォーマットの標準化・AI-OCRの構築（3〜5週間）
頻出する証憑フォーマット（請求書、領収書、銀行明細等）を分析し、AI-OCRの読取精度を検証します。フォーマットが不統一な証憑への対応方針も設計します。
ステップ2：突合→調書生成パイプラインの構築（4〜6週間）
証憑読取→データ突合→差異分析→改ざん検知→調書生成の一貫パイプラインを構築します。自法人の調書テンプレートとレビュー基準をプロンプトに組み込みます（出典：DataSnipper "The Ultimate Guide for the AI-Curious Auditor"）。
ステップ3：パイロット運用（4〜8週間）
実際の監査業務でAI突合と手作業突合の精度・所要時間・発見事項の網羅性を比較します。特にAIが検出した「人手では見落としていた差異」の有無を検証します。
注意点
- 監査基準への準拠：AI利用が監査基準（ISA/日本の監査基準）に準拠しているかの確認が必要。AIの出力は監査証拠の一部であり、最終判断は監査人が行う
- 被監査会社データの機密管理：証憑データは被監査会社の機密情報であり、LLMへの入力時のセキュリティ管理が絶対条件
- AI精度の検証：AI-OCRの読取精度、突合の正確性を定期的に検証し、誤検知率を管理すること
Renue視点：専用ツールではなく汎用LLMで実現する理由
証憑突合→監査調書作成の本質は「証憑のテキスト・数値を読み取り→会計データと照合し→差異を分析し→結果を文書化する」という処理の連鎖です。EYのDIPやDataSnipper等の専用監査ツールは証憑突合に特化していますが、「差異の原因分析」「調書の文書生成」「改ざんの兆候評価」の部分は汎用LLM・マルチモーダルAIの得意領域です。renueではAI処理の監査ログ（誰が、何を、いつ実行したか）を自動記録する基盤を自社開発しており、AI活用においても監査可能性（トレーサビリティ）を確保するアプローチを重視しています。
まとめ
監査法人の証憑突合→監査調書作成は、マルチモーダルAIによる証憑自動読取→会計データとの自動突合→差異自動分析→改ざん検知→調書自動生成のパイプラインで大幅な効率化が可能です。EY新日本のDIPが全3,805社に本格展開した事例が業界のベンチマークとなっています。ただし、サンプル選定の方針、差異の最終評価、不正リスクの評価、監査意見の形成は完全に監査人の独立した専門判断の領域です。