おはようございます。2026年6月5日のぜいみー日刊通信です。今日は、freeeとClaudeを使った労働保険計算、税務AIの検算設計、自己改善型Tax AIの3本を取り上げます。共通するテーマは、AIを「作業者」として使うだけでなく、確認すべき差異を浮かび上がらせる仕組みにすることです。

📊 今日の数字

97%。自己改善型Tax AIが7,000件規模の申告で達成したとされる精度です。さらに申告準備時間は3分の1、処理量は1.5倍という実務インパクトが紹介されています。

📌 記事1: freee賃金台帳CSVとClaudeで労働保険の概算・確定差額を自動計算

労働保険の年度更新は、会計事務所や社労士連携の現場で「地味に重い」業務のひとつです。賃金台帳を見ながら雇用保険と労災保険の対象賃金を確認し、料率を当て、概算保険料と確定保険料の差額を計算する。さらに端数処理や二元適用の有無まで見なければならず、単純計算に見えても確認ポイントが多い作業です。

今回の投稿では、freeeの賃金台帳CSVをClaudeに読ませ、雇用保険・労災保険の料率を適用して差額計算まで自動化している実践が共有されています。重要なのは、AIに「なんとなく労働保険を計算して」と頼むのではなく、freeeから出る構造化されたCSVを入力にし、対象者、賃金総額、料率、端数処理、適用区分という確認軸を分けて扱っている点です。

このタイプの自動化は、会計AIの使いどころを考えるうえで参考になります。AIの価値は、最終判断を丸投げすることではなく、表計算上の転記、分類、料率適用、差額算出といった反復作業を前処理し、人間が確認すべき箇所を絞ることにあります。特に労働保険のように制度変更や料率変更が絡む領域では、前年度の運用をそのままコピーするだけでは不安が残ります。だからこそ、AIに計算過程を出させ、差異や例外だけをレビューする設計が効きます。

会計事務所の実務では、月次、年末調整、法定調書、年度更新など、年に一度しか触らないがミスできない業務が多くあります。freeeなどの既存ソフトを正として使い、AIを検算と下準備に回す運用は、こうした季節業務の属人化を減らす現実的な一歩になりそうです。

📌 記事2: 税務AIは入力高速化から修正・検算・漏れ検知の仕組み化へ

AI会計の話題は、最初は「仕訳入力がどれだけ速くなるか」に集まりがちでした。しかし実務で使い始めると、論点は少し変わってきます。入力を速くするだけなら、既存の会計ソフトや銀行明細連携でも一定の効果があります。本当に差が出るのは、入力後の検証、修正履歴の蓄積、漏れ検知、次回処理への反映をどう設計するかです。

@zeimu_aiの投稿では、税務AIの焦点が「入力高速化」から「修正・検算・漏れ検知の仕組み化」へ移っていると整理されています。これは、会計事務所の運用にかなり近い視点です。たとえば、毎月300件の仕訳がある顧問先で、すべてを同じ濃度で目視するのは現実的ではありません。AIに過去の傾向、金額のブレ、取引先、税区分、摘要の違和感を見せ、怪しい候補を先に出させる。人間はその候補の意味を判断し、必要なら修正し、その修正理由を次回に残す。この流れができると、単なる時短ではなく、品質管理の型になります。

特に7,000件規模の判断品質を組織的に蓄積できるという視点は重要です。会計事務所では、担当者ごとに判断の癖があり、顧問先ごとのローカルルールもあります。AIに渡す前のデータ整理、AIが出した候補の採否、人間が修正した理由を記録していけば、事務所内の暗黙知を少しずつ再利用できる形に変えられます。

この変化は、AI導入の評価指標も変えます。単に「何分短縮できたか」だけでなく、「どの漏れを事前に検知できたか」「同じ修正が翌月減ったか」「担当者が変わっても同じ確認ができたか」を見る必要があります。AI会計の成熟度は、処理速度よりも、検証ルールと修正履歴の運用に表れてきます。

📌 記事3: 自己改善型Tax AIが7,000件申告で97%精度、準備時間を3分の1に

税務AIの進化で注目したいのが、「使えば使うほど賢くなる」自己改善ループです。@kiyo_ai_allinの投稿では、OpenAIの自己改善型Tax AIが7,000件の申告で97%精度を達成し、申告準備時間を3分の1に削減、処理量を1.5倍にした事例が紹介されています。数字のインパクトも大きいですが、会計事務所にとってより重要なのは、精度向上の仕組みです。

従来の税務ソフトは、ルールを実装し、そのルールに沿って入力や帳票作成を支援するものでした。一方、自己改善型のAIは、人間がレビューして修正した内容を次回の判断に反映していくことが前提になります。つまり、レビュー作業そのものが、単なる手戻りではなく、将来の精度を上げる学習データになります。ここが、従来のRPAやマクロと大きく違う点です。

ただし、自己改善という言葉だけで過度に期待するのは危険です。税務判断では、過去に正しかった処理が翌年も正しいとは限りません。制度改正、顧問先の事業内容の変化、証憑の粒度、担当者の判断基準によって、同じパターンでも結論が変わることがあります。だからこそ、AIに修正履歴を渡すだけでなく、どの根拠で直したのか、どの範囲で再利用してよいのかを分けて管理する必要があります。

この事例が示す方向性は、会計事務所の教育や品質管理にもつながります。新人が過去のレビュー履歴を見て学ぶように、AIも修正履歴から学ぶ。ベテランが例外処理の理由を残すことで、次回以降の確認負担が減る。そうした循環ができると、AIは単なる作業短縮ツールではなく、事務所全体の判断品質を支える基盤になります。日本の税務実務でも、まずは申告前チェックや調査対応資料の下準備など、レビュー前提の領域から導入が進みそうです。