帳票から会計取込データへ
紙やPDFの精算書・取引明細をOCRと前処理で構造化し、会計ソフトへ取り込める形式までつなぐパイプラインを構築しました。
確認済みの規模：年間数百〜数千件の取引処理
Works
実務で作り、使い、
改善してきたもの
特定の企業・個人が分かる情報は伏せ、実際に構築・運用してきた仕組みの中身を掲載しています。削減効果は条件により変わるため、すべての受講者に同じ結果を保証するものではありません。
Cases
主な構築・改善事例
自動化の後も、人が根拠と差異を確認できることを重視しています。
出入金・債務の突合
買掛金、未払金、未払費用などのデータと支払実績を突き合わせ、差異を人が見つけやすい確認表へ整えました。
目的：見落としを防ぎやすい運用
継続して使えるAI環境
単発のプロンプトで終わらせず、参照資料、ルール、手順、確認方法を残し、繰り返し使える業務環境として設計しました。
目的：属人化を減らし、引き継ぎやすくする
Development
扱ってきた業務
公開サイトで確認できる範囲の実績です。顧客名や個別データは公開していません。
会計データ処理
- 会計データの整理・集計
- 銀行CSV・通帳データの整形
- 会計ソフト取込データの作成補助
証憑・PDF・OCR
- PDFの分割・整理・データ抽出
- OCRによる紙資料・PDF資料のデータ化
- 証憑の命名・保存先整理
Spreadsheet・Drive
- Excel・Googleスプレッドシートの集計
- Google Driveとのファイル連携
- 複数シートの突合・抽出・統合
Python・GAS・AI
- 仕訳候補作成を補助する処理
- 経理フローの自動化
- 実務で使いながら改善する運用ルール
Safety
断定しないこと
講座の販売においても、期待値を正確に伝えます。
完全自動化を約束しない
AIが候補を作り、人が確認・承認する運用を基本にします。
不正防止を断定しない
履歴、照合、承認により、異常や誤処理を発見しやすくする設計と表現します。
同じ削減率を保証しない
資料の状態、件数、例外、確認時間によって効果は変わります。