會計師事務所導入 AI 憑證歸類，跟人工做的差在哪

一間服務上百家中小企業客戶的會計師事務所，每到月初五天，辦公室裡最忙的不是查帳，而是拆信封、拆發票、拆收據。助理們把客戶寄來的一整袋憑證攤開在桌上，一張一張核對日期、金額、科目，再手動輸入到記帳系統。一個客戶的月結憑證量從幾十張到幾百張不等，光是分類跟謄打，就要占掉助理三分之一到一半的工時。旺季一到，加班到晚上九點、十點是常態，事務所主管私下承認，這幾年最難的不是接新客戶，而是找到願意做這種重複性工作的人。

這是一間中型會計師事務所（服務對象以中小企業與個人工作室為主）在導入 AI 之前的日常樣貌。他們後來做的事情不算戲劇性，但方向很明確：把「憑證怎麼分類、怎麼謄打」這件事，能自動化的先自動化，人力留給真正需要判斷力的地方。

憑證歸類卡在哪，不是技術問題，是流程問題

很多人以為會計事務所導入 AI 的門檻在「AI 認不認得發票」，但實際上光學辨識（OCR）辨識憑證本身早就不是新技術，市面上從掃描器內建功能到雲端記帳工具都有一定程度的辨識能力。真正卡住事務所的，是憑證來源太雜：有客戶直接寄紙本、有人傳 LINE 照片、有人用電子發票 CSV 匯出，格式從來沒統一過。舊有的做法是助理先把所有格式「人工整理成同一種樣子」，再丟進系統，等於是人在幫機器做前置作業，而不是機器在幫人做事。

這間事務所導入 AI 工具時，第一步不是急著換系統，而是先盤點客戶群的憑證來源分布，把「電子發票 CSV 匯入」「紙本掃描辨識」「手機拍照上傳」三種主要來源，各自串一條對應的自動化路徑，讓 AI 在憑證進來的當下就先判斷來源、抓出關鍵欄位（日期、金額、對象、憑證類型），再依照事務所自訂的科目對應規則做初步分類。

導入時的取捨：先做八成準確的粗分類，人工把關剩下兩成

事務所主管一開始最擔心的是準確率——如果 AI 分錯科目，後果是報稅出錯，這是不能開玩笑的風險。他們最後採取的做法是分層處理：金額小、憑證清楚、屬於常態性支出的項目（例如固定的水電、房租、文具用品），交給 AI 直接分類與登打；金額較大、憑證模糊、或屬於客戶特殊約定科目的項目，AI 先標記「建議分類」，但保留給有經驗的助理做最終確認。

這個取捨很關鍵，因為它沒有把「判斷」這件事完全交給機器，而是讓 AI 做粗篩，人做把關，兩邊各司其職。事務所也沒有一次把所有客戶都換成新流程，而是先挑三、四家憑證量最大、格式最單純的客戶試行一季，確認錯誤率可以控制在能接受的範圍，才逐步擴大到其他客戶。

導入後，時間省下來了，但省下的不是查帳時間

三個月後回頭看，最明顯的變化是月結憑證處理的時間明顯縮短，原本要花上一整週分類謄打的工作量，現在大約兩三天就能處理完，省下來的大半人力被重新分配到「客戶財務健檢」與「稅務規劃提醒」這類需要人腦判斷、也是客戶真正願意為此付費的服務。換句話說，AI 沒有取代會計師的專業判斷，取代的是那些原本就不需要專業判斷、卻一直占用專業人力的重複工作。

錯誤率方面，事務所觀察到人工謄打常見的錯誤（打錯金額、選錯科目、漏登）在自動化流程導入後有明顯下降，因為 AI 分類搭配人工複核，等於多了一層檢查，反而比純人工單一經手時更不容易出錯。但主管也坦言，遇到憑證本身資訊不完整、或是客戶臨時給的特殊交易說明，AI 還是幫不上忙，這部分終究要靠人跟客戶溝通確認。

什麼樣的事務所適合先導入，什麼情況該再等等

從這個案例回頭看，比較適合先導入 AI 憑證歸類的，是客戶量已經到一定規模（通常是憑證處理已經成為明顯瓶頸，而不只是偶爾忙一下）、且客戶憑證來源相對集中（多數走電子發票或固定格式）的事務所。這種情況下，導入的投入——無論是選用現成的雲端記帳 AI 工具，月費通常在幾百到幾千元不等，或是委外開發串接既有系統——比較容易在半年到一年內回本，因為省下來的人力可以直接轉換成能收費的服務項目。

反過來，如果事務所規模還小、客戶憑證量不大，大部分靠一兩位資深會計師憑經驗處理就綽綽有餘，這時候花時間導入自動化系統，投入產出比不一定划算，反而應該先把心力放在客戶開發或既有流程的簡化上。另外，如果客戶群憑證格式特別分散、特殊科目多、幾乎每家都要客製規則，導入前也得先評估這套規則建置的工作量，不會比人工分類輕鬆多少。AI 憑證歸類終究是工具，先確認流程本身的瓶頸在哪裡，才決定要不要換上這個工具。