税務におけるAI：コンプライアンス、間接税、リサーチ

著者: Jane Ha · 更新日: 2026年10月11日

税務におけるAIとは、機械学習と言語モデルを使って、コンプライアンス用のデータを準備し、取引ごとの間接税を判定し、税法を検索・要約することです。有資格の専門家が出力をレビューし、取ったすべての立場と提出したすべての申告書に引き続き責任を負います。 税務はAIと相性のよい分野です。業務がルール中心、文書中心で、反復的だからです。同時にリスクの高い分野でもあります。自信満々に間違える回答はペナルティにつながり、「ソフトウェアがそう言ったから」は抗弁になりません。

本記事は、税務部門のどこにAIを置くべきかを検討する税務責任者、CFO、コントローラー、財務マネージャー向けです。一般的な情報であり、税務上のアドバイスではありません。全体像は金融・会計におけるAIから読み始め、言語モデルを使う側の業務については会計における生成AIをお読みください。

重要なポイント

• 2018年のSouth Dakota v. Wayfair判決で、米連邦最高裁は売上税に関する物理的拠点のルールを覆しました。裁判所が引用したサウスダコタ州の法律は、州内に10万ドルを超える商品やサービスを配送する販売者、または州内で200件以上の個別取引を行う販売者に適用されます（Cornell LII、Wayfair判決）。
• 財務省のCircular 230では、実務家は申告書の作成と提出、およびIRSに関する事項についてクライアントに行う説明の確認において、デューデリジェンスを尽くす必要があります（31 CFR 10.22）。
• 実務家は、検証なしにクライアントの情報を誠実に信頼してよいとされていますが、誤り、不整合、不完全さがうかがえる情報の意味合いを無視してはなりません（31 CFR 10.34）。
• 大規模言語モデルが税法の質問に答える能力を調べたプレプリント研究では、モデルの世代が進むごとに精度が向上し、少数事例プロンプトと正しい法令テキストを与えるとさらに上がりました。それでも、モデルは「専門の税務弁護士の水準にはまだ達していない」とされています（Nay et al., arXiv）。
• EUのVAT in the Digital Ageパッケージは、2030年7月1日から国境を越える企業間取引にデジタル報告を導入します。これは電子インボイスを基盤としており、欧州委員会は、VAT不正を年間最大110億ユーロ削減できる可能性があると試算しています（European Commission）。

税務におけるAIの役割

税務業務は3つの流れに分けられ、AIの役立ち方はそれぞれ異なります。

コンプライアンスは、申告書、届出、補足スケジュールを繰り返し作成する業務です。AIは原資料を読み取り、元帳の勘定を申告書の行に対応づけ、会計上と税務上の数字の差異を照合し、突合できない項目にフラグを立てます。

間接税（VAT、GST、売上税・使用税）は、取引単位の問題です。すべての請求書に、正しい税コード、税率、課税地、免税の扱いが必要です。AIは、商品やサービスの分類、請求書や証明書からのデータ抽出、課税額がおかしく見える明細の発見を助けます。

リサーチとアドバイザリーは、法令、裁決、ガイダンスを読み、事実関係に当てはめる業務です。言語モデルは、関連する箇所を見つけて要約し、メモのアウトラインを起案できます。存在しない引用をでっち上げることもあるため、リサーチの流れには最も厳格な統制が必要です。

3つに共通するのは、AIは準備とレビューを加速するが、どの立場についても最終的な権威にはならないということです。

税務機能別に見るAIの活用場面

コンプライアンス：申告書の作成を速くする

コンプライアンスで最も大きな効果が出るのは、プロセスの入り口、つまりデータを整える工程です。作成者は、試算表の収集、勘定と申告書の行の対応づけ、差異の説明の催促に、多くの時間を費やしています。AIは試算表を読み、対応づけを提案し、前年の対応づけを変更点を強調して引き継ぎ、数字が大きく動いて確認に値する勘定を一覧にできます。

説明のための例を挙げます。法人が5社ある中堅企業が年度を締め、法人ごとの申告書を作成する必要があります。対応づけモデルは、前年の最終的な対応づけを出発点として、各勘定が各申告書の行にどう反映されるかを提案します。作成者がレビューするのは、すべての勘定ではなく、信頼度が低いか残高が大きく変わった対応づけだけです。モデルは、新しい項目の税務上の扱いを自分では決めません。その項目が新しいものだと知らせ、確認を求めます。

同じ考え方は月次決算にも当てはまります。帳簿が整っていれば、税務の準備は速くなります。整っていなければ、AIは乱れを早く見つけるだけですが、それでも有用です。

間接税：取引規模での判定

間接税は、取引量の多さがAIを魅力的にする領域です。数千の商品を多くの管轄区域に販売する小売業者は、すべての明細を人が見ることはできません。Wayfair判決以降、その圧力は強まりました。この判決により、各州は経済活動だけに基づいて徴収を義務づけられるようになったからです。物理的拠点のない販売者でも、州のしきい値を超えれば登録と徴収の義務を負う可能性があります。そのため、問いは「どこに拠点があるか」から「どこで徴収しなければならないか」へ変わりました。

AIは4つの面で役立ちます。

1. 商品とサービスの分類。 モデルが説明文を読み、税区分を提案します。曖昧な項目（たとえば、サービスがセットになったソフトウェア）は、人に回します。
2. 文書からのデータ抽出。 視覚モデルと言語モデルが、請求書、免税証明書、登録番号を読み取るため、データの再入力が不要になります。仕組みは買掛金管理におけるAIに似ており、そこでは請求書の読み取りがすでに一般的です。
3. 異常検知。 モデルが課税額を過去の実績や同種の取引と比較し、似た請求書では税率が適用されているのに0%だった請求書にフラグを立てます。
4. しきい値の追跡。 管轄区域別に売上を合算して経済的ネクサスのしきい値と比較し、リスクが大きくなる前に、登録について誰かがレビューできるようにします。しきい値は管轄区域ごとに異なり、変更もされるため、モデルの記憶ではなく、当局自身のページから取得してください。

米国以外では、構造化データへ向かう流れが続いています。国境を越える取引に対するEUのデジタル報告ルールは2030年7月1日に始まり、電子インボイスを基盤としています。加盟国はすでに、国内での電子インボイスを義務づけることができます。すでに整った構造化データとして請求書を抽出している企業は、その作業を再利用できます。

税務リサーチ：速いが、間違えやすい

リサーチは、言語モデルが最も印象的に見え、最も目立つ形で失敗する場面です。モデルは、法令の条文を数秒で要約できます。一方で、存在しない裁決を引用したり、すでに置き換えられた規則を引用したり、例外が優先される事実関係に一般原則を当てはめたりすることもあります。

学術的なエビデンスも同じ方向を示しています。言語モデルに税法の質問を解かせた研究では、新しい世代のモデルほど結果が良くなり、正しい法令テキストと具体的な計算例を与えるとさらに向上しました。それでも著者らは、モデルは専門の税務弁護士の水準にはまだ達していないと結論づけました。実務上の教訓は、モデルに原典を与え（自社で管理するライブラリからの検索）、その出力を権威ではなく手がかりとして扱うことです。

安全なリサーチのワークフローは次のようになります。

• モデルが、承認済みの法令、規則、裁決、過去のメモのライブラリを検索します。
• 正確な引用とリンクを添えて、該当箇所を返します。
• 担当者が引用された各箇所を開き、要約が述べているとおりの内容であること、そして現在も有効であることを確認します。
• メモには、ツールではなく担当者の名前を記載します。

これは検索拡張型のアシスタントのパターンであり、リサーチの補助と責任リスクを分けるものです。

専門家の責任：回答に責任を持つのは誰か

ツールは変わっても、義務は変わりません。米国では、財務省のCircular 230が、実務家に対し、申告書の作成と提出、およびクライアントへの説明の正確性の確認でデューデリジェンスを尽くすことを求めています。他者の作業に依拠する実務家は、その人の起用、監督、評価に合理的な注意を払った場合に限り、デューデリジェンスを尽くしたと推定されます。レビューされていないAIの出力を、レビューされていない新人の成果物より良いものと扱う税務当局は、ほとんどないでしょう。

ここで重要なルールがもう1つあります。実務家は一般に、検証なしにクライアントの情報を誠実に信頼してよいものの、誤り、不整合、不完全さがうかがえる情報を無視してはなりません。AIが不整合にフラグを立てると、誰かがそれを見たという記録が残ります。チームがそのフラグを無視した場合、そもそもフラグがなかった場合より、弁明が難しくなります。

実務上の帰結は3つです。

• レビューは必須です。 誰が、あるいは何が起案したかにかかわらず、すべての申告書とすべての立場メモを、指名された専門家が承認します。
• 機密保持。 クライアントや納税者のデータを、未承認の公開チャットボットに入力してはいけません。契約上のデータ保護がついたツールを使い、契約条件と各国のプライバシー法を確認してください。
• 開示と記録。 どのツールを何に使い、何を出力し、レビュー担当者が何を変更したかを記録しておきます。税務当局に数字の算出経緯を尋ねられたときに役立ちます。AI向けに内部統制をすでに運用しているチームは、同じログを拡張できます。

ご自身の管轄区域のルールと、所属する専門職団体のガイダンスを確認してください。本記事はそれらの代わりにはなりません。

税務へのAI導入：ステップごとの進め方

1. まず1つの流れを選びます。 不確実な法解釈に関する立場からではなく、間接税のデータ抽出か、申告書の行への対応づけから始めます。
2. 先にデータを整えます。 商品マスタ、顧客の登録番号、勘定科目表の対応づけを整理します。確認すべき点は財務のデータ準備状況にまとめています。
3. 誤り率のベースラインを測ります。 申告書の修正が何回あったか、通知が何回届いたか、計上後に税コードの訂正が何件あったかを数えます。ベースラインがなければ、改善を証明できません。
4. 並行して実行します。 2〜3サイクルの間、通常のプロセスと並べてツールに準備させ、1行ずつ比較します。
5. 信頼度のしきい値を設定します。 リスクの低い区分の、信頼度が高い提案だけを自動で受け入れます。それ以外はすべて人に回します。
6. レビューのレベルを定義します。 誰が何を、どの深さでレビューし、どんな証拠に署名するかを決めます。設計は内部監査に読んでもらってください。監査チームがこうしたツールをどう評価するかは、内部監査におけるAIで扱っています。
7. リサーチを固定します。 リサーチアシスタントを承認済みのライブラリに向け、引用を必須とし、担当者がそれぞれを開くことを義務づけます。
8. 四半期ごとにレビューします。 税率、しきい値、ルールが変わり、モデルの挙動も変わります。正解が分かっているサンプルで再テストしてください。

よくある落とし穴

• 税率やしきい値を記憶で信頼すること。 モデルが持っている税率やしきい値は、何年も前のものかもしれません。最新の数値は当局から取得してください。
• でっち上げの引用。 言語モデルは、一見正しそうに見える（が誤っている）参照、つまり正しそうで実在しない参照を作り出すことがあります。すべて開いて確認してください。
• 分類を確定したものとして扱うこと。 1つの商品コードを数千行に適用すると、1つの誤りが数千倍になります。サンプルを抽出してレビューしてください。
• 上書きの証跡がないこと。 記録なしに担当者が税コードを変更できると、誤りから学ぶことも、判断を弁護することもできません。
• 不完全なプロセスを自動化すること。 乱れた商品データと一貫性のない顧客レコードの上にAIを載せても、間違った答えが速く出るだけです。不正確なマスタデータで学習したモデルは、その乱れを学習するため、自動化の前にデータを整えてください。
• 複数の管轄区域でのドリフトを無視すること。 電子インボイスなどの義務化は、国ごとに異なる日付で段階的に導入されます。ある市場で機能する設定が、次の市場では機能しないことがあります。
• 人による最終承認を省くこと。 レビューされていない出力が一度でも税務当局に届けば、効率化の成果は消えてしまいます。

測定すべき指標

• 精度： 計上後の税コード訂正率、変更なしで受け入れられた提案の割合、サンプルレビューで見つかった誤り率。
• コンプライアンスの成果： 受け取った通知、修正申告、期限後の提出。
• スピード： 期末から申告準備が整った調書までの日数と、申告書1件あたりの工数。
• 統制の健全性： 記録された上書き、期限内に完了した例外処理、すべての引用が検証されたリサーチメモ。

次に読む記事

今四半期に1つだけ取り組むなら、税コードの訂正率のベースラインを測り、現在のプロセスと並行して抽出ツールか対応づけツールをテストしてください。その後、しきい値のモニタリングへ広げます。リサーチは承認済みの原典ライブラリの背後に置き、担当者がすべての引用を読むようにしてください。ガバナンスについては金融におけるAI、言語モデルの基礎については会計における生成AIと併せてお読みください。