會計事務所導入 AI 憑證歸類前，該確認的責任歸屬與試算範圍

五月報稅季前，一間中型會計事務所的所長坐在會議室裡，看著廠商業務簡報上「憑證辨識準確率 98%」的數字。事務所目前有六位記帳人員，每個月要處理上千張發票、收據、對帳單，人力早就吃緊，若真能省下三成的手動輸入時間，對明年的排班會是很大的幫助。但所長心裡也有另一個問題：如果 AI 把一張進項憑證的稅籍編號辨識錯了，導致申報金額出錯，最後被國稅局要求補稅或罰款，這筆帳該算在誰頭上？廠商的簡報裡沒有答案，業務只說「準確率很高，不太會發生」。

這正是許多會計事務所在導入 AI 憑證歸類系統時卡住的地方——工具好不好用是一回事，但真正決定要不要簽約的，往往是那些簡報上不會寫的細節：資料怎麼串接、試用期怎麼驗收、出錯了算誰的責任。以下整理幾個事務所在導入前值得先想清楚的評估重點。

導入前先確認資料前提與流程邊界

在看任何廠商的展示之前，事務所自己要先盤點清楚三件事。第一是憑證的來源型態夠不夠單純——如果客戶多半用固定格式的電子發票或少數幾家超商、加油站的收據，AI 辨識的準確率通常會比較穩定；但如果事務所服務的客戶產業橫跨零售、營建、餐飲，憑證格式五花八門，手寫收據、國外單據、模糊掃描件都有，準確率就會明顯下降，這一點在簽約前一定要先誠實面對自己的資料組成。

第二是現有的記帳系統或 ERP 能不能順利對接。很多廠商的 Demo 是用乾淨的測試資料跑出來的，但事務所實際使用的可能是舊版的套裝軟體，或客戶端各自使用不同的雲端帳務工具，串接起來未必如簡報那麼順暢。第三是流程邊界要先畫清楚——AI 負責的是「辨識並建議分類」，還是「直接寫入帳冊」？這中間有沒有人工複核的關卡？這三件事沒有先盤點清楚，POC 做得再仔細，結果也只是反映測試資料的表現，不代表上線後的真實狀況。

POC 該怎麼設計才看得出真實準確率

前一階段我們談過不少事務所在沒有做過完整試用就簽約，結果上線後才發現辨識錯誤率遠高於預期的案例。要避免這種狀況，POC 的設計要掌握幾個原則。首先，測試資料不能只挑「乾淨」的憑證，要刻意混入事務所日常真的會遇到的髒資料——模糊掃描件、手寫收據、跨頁憑證，這樣測出來的準確率才有參考價值。

其次，試用期的長度要涵蓋至少一個完整的作業週期，而不是只測一兩天。憑證歸類的挑戰往往出現在月底或季底出帳高峰期，系統在低負載時表現正常，不代表尖峰時期也撐得住。第三，要設定明確的驗收指標，而不是廠商說了算。比較實際的做法是把準確率拆成「分類正確率」與「金額辨識正確率」分開驗收，因為這兩者對事務所的風險等級完全不同——分類錯誤頂多多花時間調整，金額辨識錯誤卻可能直接影響申報結果。

一定要問廠商的問題：責任歸屬與例外處理機制

除了準確率，事務所在評估階段更該花時間釐清的是「出錯之後怎麼辦」。這包括：辨識錯誤造成的申報損失，廠商是否有任何形式的賠償或保險機制？系統遇到無法辨識的憑證時，會怎麼標記提醒，還是靜默地給出一個低信心度的猜測結果？歷史資料是否能溯源查詢，方便日後被查帳或客戶質疑時能找到原始憑證與辨識紀錄比對？

這些問題的答案，往往比準確率數字更能反映一家廠商是否真的理解會計事務所的工作性質。以下整理幾個常見提問與需要留意的回答型態：

如果廠商對責任歸屬、例外處理這類問題總是用「機率很低」「不用擔心」帶過，而拿不出具體的合約條款或試用數據佐證，這通常是需要提高警覺的訊號——不是說這家廠商不能合作，而是這些條件在簽約前就該白紙黑字寫清楚，而不是等出問題才討論。

導入前最後該確認的事

在正式簽約前，建議事務所至少把「準確率驗收標準」與「錯誤責任歸屬」這兩項白紙黑字寫進合約或備忘錄，而不是停留在口頭承諾。憑證歸類看似是一個單純的效率工具，但它牽動的是申報正確性這條紅線，值得比一般行政系統多花一點時間把評估流程做扎實。