會計事務所導入 AI 憑證歸類踩雷：分類錯誤誰來負責

一間中型會計事務所，服務大約六十家中小企業客戶，每個月要處理的憑證量動輒上萬張。合夥人算過一筆帳：如果能把發票辨識、科目歸類這種重複性工作交給 AI 處理，助理就能把時間省下來做更有價值的稅務規劃與客戶溝通。市面上這類工具的行銷話術也很吸引人——辨識準確率號稱九成五以上，導入後幾週內就能看到效益。事務所評估了兩三家方案，選了一套介接發票 OCR 加上科目分類模型的系統，預計三個月內全面上線。

一開始的測試結果確實不錯。標準格式的三聯式發票、電子發票，辨識率很高，科目歸類也大致合理。合夥人和幾位資深會計師都覺得，這次導入應該會比想像中順利。

為什麼準確率一到真實資料就掉下來

問題是在正式上線、開始處理真實客戶憑證之後才浮現的。測試階段用的是事務所自己整理過、格式相對乾淨的樣本，但實際客戶丟過來的憑證五花八門：手寫收據、跨境採購的外幣單據、餐飲業的複雜統一發票、還有不少客戶習慣拍照上傳而非掃描，畫質參差不齊。AI 模型在這些「非標準」憑證上的判斷開始出錯，尤其是科目歸類——同樣一張辦公用品發票，有的客戶習慣歸在「文具用品」，有的客戶因為產業別不同會歸在「業務推廣費」，AI 學到的是通用邏輯，卻抓不住每個客戶原本的歸類慣例。

更麻煩的是，這些錯誤不是那種一眼就能看穿的離譜錯誤，而是「看起來合理但其實不對」的那種。金額對得上、格式也正確，只是科目歸錯了，或是把應該計入固定資產的採購歸進了當期費用。這種錯誤如果沒有人逐筆覆核，很容易一路帶到申報階段才被發現。

代價：多花的時間，加上信任成本

事務所原本預期 AI 能省下至少三成的初步整理時間，實際上因為每一筆 AI 分類都需要會計師重新核對，前幾個月反而比純人工作業多花了將近一倍的時間——助理要看憑證、還要看 AI 判斷的結果、再去比對客戶的歷史慣例，等於多一道工序。

比時間成本更棘手的是信任問題。有一次因為一批進口設備的憑證被誤歸為費用而非資產，直到客戶的財報出來才被會計師發現，雖然及時更正，沒有真的送出錯誤申報，但客戶得知後對事務所的信任明顯打了折扣，後續有大半年的時間，這位客戶的所有申報件都要求雙重覆核才肯簽字。這種信任成本，比多花的工時更難估算，也更難短時間內補回來。

後來怎麼調整：從全面上線改成分層導入

事務所後來把導入策略整個重新設計。第一步是把 AI 的角色從「自動分類」降級為「初步建議」，所有歸類結果一律標示信心分數，低於一定門檻的憑證直接跳過 AI、進入人工處理佇列，不讓系統硬做它不擅長的判斷。第二步是針對每個大客戶，把過去兩三年的歸類慣例整理成客製化規則庫，讓 AI 判斷時能參考該客戶的歷史邏輯，而不是套用一套通用標準。第三步則是明確劃出責任歸屬：AI 給的是建議，最終簽核與法律責任仍在會計師身上，這件事在事務所內部與客戶端都重新溝通了一次，避免大家誤以為「AI 做的就不用人核」。

調整之後，效率確實回升了，但事務所也承認，那套「AI 全面取代人工初步整理」的樂觀預期並沒有實現——比較實際的定位，是讓 AI 處理標準化程度高的憑證，把人力集中在例外狀況與客製規則需要判斷的部分。

給會計業者的避雷檢查

在評估是否導入憑證歸類 AI 之前，有幾個問題值得先問清楚：這套系統的訓練資料是否涵蓋你們客戶常見的非標準憑證型態，還是只在乾淨樣本上測過；歸類錯誤發生時，責任與更正流程是否清楚，不能等到出包才臨時討論；系統能不能針對個別客戶的歸類慣例做客製，而不是一套邏輯套用所有人。

導入 AI 處理憑證歸類這件事本身沒有問題，真正決定成敗的，往往不是模型準不準，而是有沒有把「例外狀況怎麼辦」這件事想清楚，並且在上線前就把責任歸屬談攏。