経理のAI活用で既製ツールの標準機能では足りない場合に、決算プロセスに合わせてゼロから設計するのが「フルスクラッチ・オーダーメイド開発」です。
対象は、AI-OCRや異常検知など個別のAI機能を自社専用に作り込む開発で、自律的に動くAIエージェントは含みません。主な設計パターンは、次の4つです。
- 独自ナレッジベース・検索基盤：会計データや規程を横断して検索できる基盤
- AI-OCR・異常検知パイプライン：書類の読み取りと不正検知を行う処理の流れ
- 会計システム・基幹システム連携：既存の会計・基幹システムと接続する設計
- 権限・セキュリティ・監査ログ：安全な運用を支えるアクセス制御と操作記録
このテーマ全体の流れは、以下のガイド記事でご覧いただけます。
▼全体ガイドの記事
・経理におけるAI活用の完全ガイド
AIシステム開発の種類・工程・費用・会社選定までの全体像については、無料ホワイトペーパー「AIシステム開発の完全ガイドブック」で詳しく解説しています。
経理におけるAI活用の「フルスクラッチ・オーダーメイド開発」の定義
フルスクラッチ・オーダーメイド開発とは、既製のパッケージ製品やテンプレートに頼らず、要件定義から設計・実装までをすべて自社専用に作り上げる開発スタイルです。経理におけるAI活用でこの選択肢が検討されるのは、既製ツールの制約を超えて、自社の会計データや業務システムに完全に最適化したナレッジ基盤やデータ化・検知の仕組みを構築したい場合です。
まずは、既製SaaS/汎用生成AIツールとの違いと、フルスクラッチが適するケースを順に見ていきます。
既製SaaS/汎用生成AIツールとの違い
既製のSaaS/汎用生成AIツールは、標準的な取引パターンや文書要約であれば、短期間・低コストで導入できます。代表例は、ChatGPT EnterpriseやMicrosoft 365 Copilot、マネーフォワードクラウド会計・freee会計のAI-OCR・仕訳提案機能などです。また、モデルの改善やセキュリティ対応を、ベンダー側が継続的に行ってくれる点もメリットです。
一方でデメリットは、検索・データ化の対象がベンダーの提供機能の枠内に限られる点です。さらに、複数のグループ会社や会計システムに分散したデータを横断して扱う仕組みは、組み込みにくいのが難点です。自社独自のUI・判定ロジックも、ベンダーのプラットフォームに依存してしまいます（ベンダーロックイン）。
フルスクラッチ開発では、この制約を取り払い、無制限に近いカスタマイズ性を得られます。標準技術スタックを採用すれば特定のベンダーに縛られず、APIのない古い基幹会計システムも独自の連携機能で接続できます。ただし、費用・学習コストは高くなり、開発期間もSaaS型の数日〜数週間に対して数か月単位に及ぶ点がトレードオフです。
フルスクラッチが適するケース
フルスクラッチ開発が適するのは、次のようなケースです。
- 複数のグループ会社・複数の会計システムに分散した会計データ・規程文書を横断的に検索できるナレッジ基盤を構築したい企業
- 多様なフォーマットの請求書・領収書を高精度でデータ化し、既存の会計システムや基幹システムに自動連携させたい企業
- 自社独自の取引パターンに合わせて経費不正の異常検知ロジックを、ブラックボックス化せず内製で管理・改善し続けたい企業
- データ化・Q&A対応・異常検知・決算ドラフト支援といった個別AI機能を、寄せ集めではなく一貫したデータ基盤の上に統合したい企業
自社の状況が上の4つのいずれにも当てはまらない場合は、無理にフルスクラッチを選ばず、既製SaaSやカスタマイズ型の個別機能開発を優先して検討するほうが、投資対効果の面で合理的なケースが多くあります。
システム設計パターン
フルスクラッチで経理のAI活用基盤を作るとき、その品質を大きく左右するのがシステムの設計パターンです。特に重要な2つの領域を、順に解説します。
独自ナレッジベース・検索基盤の設計
フルスクラッチ開発の核となるのが、経理規程・税務資料・過去の仕訳データを統合した独自のナレッジベース・検索基盤です。ベクトルDBを用いたRAG（検索拡張生成）構成を採用し、文書を意味単位で分割（チャンク分割）して埋め込みベクトル化します。これにより、キーワードが完全に一致しなくても、意味的に関連する情報を検索できるようになります。
複数の会計システムやグループ会社にまたがるデータを1つの検索基盤に統合するには、各システムからのデータ同期の仕組み（定期バッチ連携やWebhook連携）が必要です。あわせて、部署・役職ごとに閲覧できる財務情報の範囲を制御するアクセス権限設計も組み込む必要があります。この統合設計こそが、既製SaaSでは実現しにくいフルスクラッチ開発ならではの価値です。
AI-OCR・異常検知モデルの処理パイプライン設計
請求書・領収書のAI-OCRデータ化をフルスクラッチで構築する場合は、「文書の読み取り」「項目の抽出」「データの構造化」「担当者への通知・確認画面表示」という一連の処理を、パイプラインとして設計します。
定型フォーマットの書類には高速・低コストなOCRエンジンを、手書き文字や複雑なレイアウトの書類にはより高精度なAI-OCRを使い分けるハイブリッド構成にすることで、精度とコストのバランスを最適化できます。
経費不正・不正会計の異常検知モデルでは、過去の取引データを学習データとして、金額・頻度・取引先・時間帯といった複数の特徴量から異常スコアを算出するパイプラインを構築します。算出したスコアが一定の閾値を超えた取引は、経理担当者がレビューします。これを一次スクリーニングの仕組みとして組み込みます。
- ログ設計：誤読や誤検知が起きたときに、どの処理ステップで誤りが生じたかを追跡できるよう、記録を残す設計です。
- 修正・フィードバックUI：担当者が簡単に修正・フィードバックできるUIを、ログ設計とセットで構築しておくことが、長期的な運用品質の維持に欠かせません。
既存基幹・会計システムとの統合設計
フルスクラッチ開発の価値は、会計システムだけでなく複数の基幹システムを横断して統合するときに、最も発揮されます。統合では、連携設計とガバナンス設計の2つを押さえる必要があります。
会計システム・基幹システムとのAPI連携設計
会計システムとの連携は、マネーフォワードクラウド会計API、freee会計API、勘定奉行クラウド、SAPといった標準APIを介するのが基本設計です。フルスクラッチ開発では、これに加えて、経費精算システム、販売管理システム、債権・債務管理システムといった周辺システムとの連携まで含めて設計できます。
AI-OCRで読み取った請求書・領収書のデータを、会計システムに参照用データとして自動連携できます。さらに、異常検知モデルが出力したスコアを経費精算システムの承認画面に自動表示する連携も、フルスクラッチならではの高度な統合として実現可能です。
連携先が多いほど、APIごとの認証方式やデータフォーマットの違いを吸収するミドルウェア層の設計が重要になります。
権限・セキュリティ・監査ログ設計
複数システムを横断してAI活用基盤が動作する以上、権限管理とセキュリティ設計は欠かせません。特に取引先情報や決算前の財務データを扱うなら、クラウドLLMを使う際の契約条件まで含めて確認しておく必要があります。
- アクセス権限：誰がどの会計データや規程文書を検索・閲覧でき、どの部署がAI-OCRや異常検知の結果を修正できるかを、役割ごとに制御する。
- 利用ログ：いつ・誰が・どの文書やデータを検索・参照し、どのような結果を得たかを記録する。
- LLMの契約：クラウドLLM APIを使う場合、オプトアウト契約（学習データとして利用されない契約）の確認が必須です。
上場企業であれば、内部統制（J-SOX）の観点から、こうしたログを一定期間保存する設計が求められることもあります。
人が最終判断を行う前提の情報提供・スクリーニング型システムであっても、監査対応の観点から、こうしたトレーサビリティは確保しておく必要があります。
開発費用・期間の目安と技術構成
フルスクラッチ開発を検討するなら、まず具体的な費用・期間の水準と技術構成を押さえたいところです。
費用・期間相場
初期開発費は250万〜1,500万円程度が目安です。複数のグループ会社や基幹システムとの統合など、大規模な案件では1,500万〜3,500万円規模になることもあります。
自律的な判断・実行まで担うAIエージェントのフルスクラッチ開発は、初期費用500万〜3,000万円、期間6か月〜1年超が目安です。それに比べると、情報提供・データ化・一次スクリーニングに機能を絞る分、費用・期間を抑えやすい点が特徴です。
開発期間全体の2.5〜6か月を、工程ごとの目安に分けると次のようになります。
- 要件定義・ユースケース選定：2〜4週間
- システム設計：2〜5週間
- 実装：5〜18週間
- 評価・チューニング：2〜6週間
- 試験運用・展開：1〜4週間
月額運用コストとしては12万円以上（年間換算で150万円以上）を見込んでおく必要があります。既製SaaS型（年間TCO数十万〜250万円程度が目安）と比べると、フルスクラッチ型は年間TCOが150万〜600万円以上になりやすく、投資判断の材料として押さえておくべき点です。
技術スタック（フレームワーク・LLM選定）
検索基盤、AI-OCR、異常検知、LLM、ベクトルDBの各要素では、採用する技術がそれぞれ異なります。
- ナレッジベース・検索基盤：RAG特化フレームワークのLlamaIndexやLangChainが、事実上の標準として使われることが多い。
- AI-OCR処理：Google Document AIやAzure AI Document Intelligenceなどのクラウド型AI-OCRを併用します。
- 異常検知モデル：勾配ブースティング系の機械学習モデルや、取引データの時系列パターンを扱う異常検知アルゴリズムが一般的に用いられます。
- LLM：複雑な税務質問の意図理解や決算コメントの生成には高性能モデル、定型的な請求書のデータ整形には軽量モデルと、用途によって使い分けられます。
- ベクトルDB：大規模な導入ではPinecone・Azure AI Searchなど、プロトタイプ段階や小規模な導入ではFaiss・Chromaなどが選択肢です。
技術選定は開発会社によって得意分野が異なるため、提案の時点でどの構成を推奨し、その理由は何かを確認しておくとよいです。
発注・契約時の注意点
フルスクラッチ開発は投資額が大きくなるぶん、発注や契約の段階で確認すべき事項を押さえることが、プロジェクトの成否を左右します。
契約形態とラボ型開発
対象文書・データの洗い出しや検索・検知精度のチューニングは、開発を進めながら仕様が固まっていく性質が強いものです。そのため、要件の確定を前提とする一括請負契約よりも、「ラボ型（準委任）」でのアジャイル開発が推奨されます。
一括請負でスコープを固定すると、開発途中で判明した非定型の取引パターンや、内部監査部門・現場の経理担当者からのフィードバックを反映する際に、仕様変更として見積もりが当初の2倍以上に膨らむおそれがあります。
ラボ型契約であれば、優先度の高い活用テーマから柔軟に着手でき、組織改編や税制改正にも対応できます。
PoCを経た段階的移行の徹底
投資額が大きいフルスクラッチ開発だからこそ、本開発に進む前に、必ずPoC（3週間〜1.5か月・60万〜180万円前後が目安）を挟みます。そのうえで、定量的なGo/No-Go基準をもとに、本開発へ移行するかを判断することが重要です。
相見積もりでは、API従量課金が保守費用に込みか実費精算か、保守費の範囲がナレッジベースの継続更新やモニタリングまで含まれるかを確かめます。加えて、3〜5年のTCOで比較する視点も持っておく必要があります。
丸投げ外注を避けるには、ソースコードの所有権が自社に帰属するかを契約時に確かめます。さらに、特定ベンダーに依存しない標準技術スタックを採用しているか、プロジェクト終了時に技術移転セッション（自社担当者へのノウハウ引き継ぎ）が用意されているかも、あわせて確認します。これらを押さえておけば、長期的に自社でAI活用基盤を育て続けられる体制を構築できます。
まとめ
ここまで、経理におけるAI活用のフルスクラッチ・オーダーメイド開発について、既製SaaS/汎用生成AIツールとの違い、設計パターン、既存システムとの統合、費用・期間、発注・契約時の注意点を見てきました。
既製ツールは短期間・低コストで導入できる一方、フルスクラッチが適するのは、複数グループ会社にまたがるデータの横断検索や、多様な書類の高精度なデータ化、独自の異常検知ロジックの内製管理を求める企業です。
初期費用は250万〜1,500万円程度（大規模案件では1,500万〜3,500万円）、開発期間は2.5〜6か月が目安です。自律的な判断・実行まで担うAIエージェントのフルスクラッチ開発と比べると、情報提供・データ化・一次スクリーニングに機能を絞る分、費用・期間ともに抑えやすい特徴があります。
契約はラボ型（準委任）でのアジャイル開発を基本とします。必ずPoCを経て、定量的な基準で本開発への移行を判断することが、大きな投資を無駄にしないための鍵です。
自社の経理プロセスに合った進め方を見極めるには、まず複数の開発会社に、自社の要件と現状のシステム構成を伝えて相談することをお勧めします。
▼全体ガイドの記事
・経理におけるAI活用の完全ガイド
▼開発を相談する前に読みたい無料ホワイトペーパー
・AIシステム開発の完全ガイドブック
・【2026年最新版】AI駆動開発の完全ガイドブック
会社紹介
株式会社riplaでは、お客様の事業・ユーザー・業務に最適化したオーダーメイド型システムを、構想策定・要件定義から開発・改善まで一気通貫で支援。事業会社でIT・DXを経験したプロフェッショナルによる高い要件定義力・システム設計力を活かし、事業成果の最大化に伴走します。
また、当社独自の開発テンプレート「Boxシリーズ」による標準機能の高速開発と、AI駆動開発の独自フレームワーク「GoDD」による独自機能のAI実装を組み合わせることで、低コスト・短期間で開発を実現いたします。
もし、システム開発やプロダクト開発に関するご要望がございましたら、お気軽にお問い合わせください。
・サービス概要資料のURLはこちら >>>
・お問合せページのURLはこちら >>>
・お役立ち資料のURLはこちら >>>
株式会社ripla 代表取締役CEOとして、システムパッケージ活用、システム開発、データ分析、生成AI活用、SaaS開発、アプリ開発、EC構築など、幅広い領域で企業のDX推進と事業成長を支援している。事業会社でIT・DXを経験したプロフェッショナルが集う株式会社riplaにおいて、お客様の事業・ユーザー・業務に最適化したオーダーメイド型システムを構想策定・要件定義から開発・改善まで一気通貫で支援し、単なるシステム納品にとどまらず、クライアントと同じ目線で事業成果の最大化に向けた伴走支援を行う。早稲田大学卒業後、ラクスル株式会社、LINEヤフー株式会社にて事業開発やDX推進などに従事した後、株式会社riplaを創業。