AIで税務調査リスクを事前分析する方法

AI 税務調査 リスクの事前分析は、顧問先の決算前レビューを「勘」から「数値根拠」に変える有力な手段です。国税庁は2026年9月の次世代システム（KSK2）でAIによる調査対象選定を本格化しており、税理士側も同じ視点で自社データを検証しておく必要があります。本稿では、AIで検知できる代表的な異常値、freee/マネーフォワードの実装機能、ChatGPTを使った試算表分析のプロンプト、守秘義務に配慮したデータ整形まで、現場で再現できる手順をまとめます。

AI 税務調査 リスク分析とは何か

AI 税務調査 リスク分析とは、申告データ・試算表・前年同月対比などを機械学習や生成AIに読み込ませ、調査官が異常と判定しやすい数値パターンを事前に抽出する手法です。国税庁はKSK2において、業種平均との乖離、経年変化の急激な変動、経費率の異常な変化といった指標で調査先を絞り込む方針を示しており、税理士側も同種の指標で自衛するのが合理的です。

調査の現場では、リアル臨場前に「お尋ね文書」や事前通知の段階でデータが照合されるケースが増えています。月次の段階で同じ視点のレビューを回せていれば、決算後の指摘リスクを大きく下げられます。

国税庁のAI化動向（2026年）

• 2026年9月にKSK2へ全面移行、AIによる申告漏れ可能性判定を実装
• TeamsやPrime Driveを使ったリモート調査が拡大
• 「お尋ね」自動送付の増加が複数の元国税調査官から指摘されている

AIで検知できる代表的なリスク異常値

異常値検知とは、過去パターン・同業平均・前年同月比から外れる数値を機械的に抽出する手続きです。税務調査で論点になりやすいのは、売上・経費・在庫・現預金の整合性です。

異常値の種類	検知の観点	代表的な勘定科目
売上横ばい×特定経費急増	売上と連動しない経費の増加	接待交際費／外注費／広告宣伝費
期末駆け込み計上	決算月の異常な仕訳集中	消耗品費／修繕費／支払手数料
同業比較で外れる経費率	業種平均からの乖離	役員報酬／旅費交通費／地代家賃
在庫と売上原価の不整合	棚卸資産回転率の急変	商品／製品／仕掛品
現預金と売上の乖離	入金タイミングのズレ	売掛金／前受金／仮受金

これらは国税庁のAIが重点的にスクリーニングする項目とも重なるため、税理士側で同じ視点の月次チェックを組み込むだけで、調査リスクを実務的に下げられます。

freee／マネーフォワードの異常値検知機能を使う

freeeは「AI月次監査」で、機械学習に基づく勘定科目エラー検知や、消耗品費10万円以上の固定資産化アラート、源泉徴収のない受取利息のアラートなどを標準提供しています。マネーフォワードもAIエージェントを通じて、取引明細の自動分類・摘要識別・科目別ドリルダウンを提供しています。

実装ステップは次の3つです。

1. AI月次監査／AIエージェントを顧問先ごとに有効化
2. 検知ルールをカスタマイズ（業種・規模別の閾値を設定）
3. アラート一覧を月次レビュー資料に組み込み、税理士の確認欄を追加

ツール内蔵機能は導入コストが低く、最初の一歩として有効です。一方で、業種特有の論点や複数期にわたる傾向分析は不得手なため、生成AIによる補完が必要になります。

freee／MF×Claude／ChatGPT連携の選択肢

• freee API → ChatGPT or Claude：複数社の試算表を横断比較して外れ値抽出
• MF API → Claude MCP：科目別の前年同月比から異常な変動を一覧化
• 内蔵AI＋生成AIの二段構えで、検知精度と説明力を両立

ChatGPTで試算表からリスク異常値を抽出する手順

生成AIで月次データから異常値を抽出する場合、データを整形してから渡すことで精度が上がります。

プロンプト例（試算表データから異常値検出）

あなたは税理士事務所の月次監査担当です。
以下は顧問先A社（業種：X、年商：Y億円、決算月：Z月）の
当月試算表と前年同月、業種平均（YYY業の中央値）です。

# 入力データ
- 当月試算表：科目／金額／前月比／前年同月比
- 業種平均：科目／売上比率の中央値
- 直近12ヶ月の月次推移：科目／金額

# 出力タスク
1. 税務調査で論点化しやすい異常値TOP5を抽出
2. 各異常値について：
   - 該当科目
   - 異常と判定した根拠（数値）
   - 想定される税務リスク（売上計上漏れ／経費過大計上等）
   - 顧問先への確認質問案（3つ）
3. 出力はMarkdown表＋箇条書きで簡潔に

# 制約
- 推測ではなく、入力データの数値に基づいて回答
- 不足情報は「追加で必要なデータ」として明示

このプロンプトは、月次決算レビューや決算前の事前チェックでそのまま流用できます。出力をベースに、税理士が最終確認を行う運用が現実的です。

業種ベンチマーク比較の組み込み

• TKC経営指標、中小企業実態基本調査、業界団体公表値などを比較先に使う
• 売上高比率（売上総利益率、経常利益率、経費率）で同業平均から±20%以上の乖離は要注意
• 業種コードを揃えて、規模感（年商レンジ）も同水準で比較する

実装時の限界と注意点

AI異常値検知には固有の限界があり、税理士の最終判断を置き換えることはできません。次の3点は実装前に必ず確認しておきます。

1. 過去パターン依存：AIは過去データから学習するため、新規ビジネス・業態転換・特殊取引には弱い
2. ハルシネーション：生成AIは存在しない数字や条文を自信ありげに出力することがある
3. 責任の所在：税理士法第41条の「帳簿作成義務」「業務処理簿」に基づく最終判断は税理士が負う

AI出力は「気付きの素材」として扱い、論点化するかは税理士が判断する運用に統一してください。

守秘義務上のデータ整形ルール

税理士法第38条の守秘義務に基づき、外部AIに顧問先データを渡す際は、識別情報を必ず抽象化します。最低限のルールは次の通りです。

項目	整形ルール
顧問先名	「A社」「B社」等の記号化
取引先名	業種＋規模で表現（例：「中堅IT企業」）
個人名	役職のみ（「代表取締役」「経理担当者」）
住所・電話番号	削除または都道府県レベルまで
学習設定	OpenAIの場合「学習に使用しない」を必ずONに

加えて、社内で利用する場合はAzure OpenAIや Claude for Workなど、データ学習に使われない契約形態の選定を優先します。ZeimuAIでは、税理士事務所向けにClaude＋MCPで顧問先データを安全に扱う構成例を提供しています。詳細はサービス概要と画面サンプルをご覧ください。

月次レビューへの組み込み手順

実務に組み込む際は、次のサイクルで回すと負担が少なく継続できます。

1. 月次試算表確定 → freee/MF内蔵AIで一次スクリーニング
2. 整形済みデータをChatGPT/Claudeに投入し、異常値TOP5を抽出
3. 税理士が論点化要否を判断、顧問先への確認事項を確定
4. 顧問先と確認 → 仕訳修正 or 説明根拠の保存
5. 決算前に12ヶ月分の異常値ログを再レビュー

このサイクルを定着させることで、決算後・調査時の指摘リスクを継続的に下げられます。

よくある質問

Q1. AIに顧問先データを渡すこと自体が税理士法違反になりませんか？

A. データを匿名化・抽象化し、学習に使用されない契約のAIサービスを利用する限り、税理士法第38条の守秘義務違反には該当しないと整理できます。ただし、顧問契約書に「業務効率化のためAIを利用する場合がある」旨を明記しておくと、より安全です。

Q2. AIが指摘した異常値をそのまま顧問先に伝えてよいですか？

A. そのまま伝えるのは推奨しません。AIの出力は「気付きの素材」と位置付け、税理士が根拠資料・前提条件を確認し、論点化要否を判断したうえで伝えてください。AIが見逃した論点もあり得るため、税理士の従来チェックも並行で残します。

Q3. 中小事務所でも導入できる規模感ですか？

A. freee/MFの内蔵AI＋ChatGPT/Claudeの組み合わせなら、月額1〜3万円程度で開始できます。10〜30社規模の事務所で、月次レビュー時間を1社あたり30〜60分短縮できる事例が出ています。本格運用にはプロンプトテンプレートの整備とデータ整形ルールの統一が必要です。

まとめ｜AI 税務調査 リスク分析は「決算前レビュー」の標準装備に

国税庁のAI化（KSK2）が進むなか、税理士側もAIで同じ視点のリスク分析を回しておくことが現実的な防衛策になります。freee/MF内蔵機能で一次スクリーニング、生成AIで深掘り、税理士が最終判断、という三段構えが実装しやすい構成です。守秘義務とハルシネーションのリスクを踏まえたうえで、月次レビューの標準工程として組み込むことを推奨します。

ZeimuAIでは、税理士事務所向けに守秘義務を担保したAI導入伴走を提供しています。仕訳・月次レポート自動化に加え、AIによる税務調査リスク分析の運用設計も支援しています。具体的な導入イメージは無料相談、または画面サンプル・サービス資料でご確認ください。