ローカルLLMで仕訳の勘定科目提案と異常検知をする方法

勘定科目の判断が、特定の担当者の勘に頼りきりになっていませんか。月末にまとめてチェックすると、ミスの発見がどうしても遅れがちです。

ローカルLLMとは、自分のパソコンや社内サーバーの中だけで動くAIのことです。この記事では、ローカルLLMを使って仕訳の摘要から勘定科目を提案させたり、金額や取引先の異常にフラグを立てさせる方法を紹介します。取り上げる内容は、クラウドAIではなくローカルLLMを選ぶ理由、作るもの、手順、そして注意点まで。

なぜクラウドAIでなくローカルLLMなのか
この記事で作るもの／ビフォーアフター
必要なもの・前提
作り方のステップ
つまずきやすい注意点と免責事項
1. つまずきやすい注意点
2. 免責・専門家確認
まとめ

なぜクラウドAIでなくローカルLLMなのか

仕訳データには、取引先名・金額・取引内容など、外に出したくない情報が数多く含まれています。

ChatGPTのような外部のクラウドAIにそのまま読み込ませると、利用規約や契約形態によっては入力内容が外部のサーバーに送信される場合があります。無料プランか有料プランか、法人契約かどうかでも扱いは変わるため、一概には言えません。ただ、「そもそも渡さない」のが一番安心なのは確かです。

ローカルLLM（LM Studioなどのアプリで動かす、自分のパソコンの中だけで完結するAI）なら、処理がすべて手元で終わります。外部への送信は発生しません。

環境構築の手順やコストの目安は、すでに別記事でまとめています。未導入の方は、先にローカルLLM入門とLM Studioのインストール方法をご覧ください。この記事では「どう活用するか」に絞って解説します。

この記事で作るもの／ビフォーアフター

作るのは、仕訳データを読み込ませると、勘定科目の候補と「これは確認したほうがいい」というフラグ付きの一覧を出してくれる仕組みです。

Before：摘要を見るたびに「これは何の科目だっけ」と調べる。月末に一括でチェックするため、ミスの発見が遅れがちです。
After：仕訳データを読み込ませると、勘定科目の候補とフラグ付きの一覧が得られます。確認が必要な行だけ、優先的にチェックできます。

完全に自動で判定させるわけではありません。自動化するのはあくまで「下ごしらえ」の部分だけ。最終判断は必ず人が行います。

必要なもの・前提

LM Studioなど、ローカルで動くLLM環境（導入済みが前提です。未導入の方はLM Studioのインストール方法へ）
ある程度のメモリを積んだPC（目安はローカルLLMのコストの本当の話で紹介しています）
仕訳データ（②で変換した仕訳CSVがそのまま使えます）
できれば過去の「摘要→勘定科目」の実績データ（あるほど提案の精度が上がります）
openai（Pythonからローカルサーバーを呼び出すための追加ライブラリ。pip install openaiで導入します）

②で作った変換ツールをまだ試していない方は、先に「銀行明細CSVを仕訳データへ自動変換するツールの作り方」で仕訳データを用意しておくと、この記事がそのまま実践できます。

作り方のステップ

Step1：過去の仕訳データからパターンを整理する
過去の「摘要→勘定科目」の組み合わせをいくつか書き出し、AIへの指示（プロンプト）に組み込む準備をします。
Step2：勘定科目を提案させるプロンプトを作る
新しい仕訳の摘要をローカルLLMに渡し、勘定科目の候補と「なぜそう判断したか」の理由も一緒に出力させます。理由をセットで出力させることが、後述するハルシネーション（AIがもっともらしい誤りを自信満々に述べる現象）の対策になります。

あなたは経理担当者の仕訳チェックを手伝うアシスタントです。
以下の仕訳の摘要を読み、最も可能性の高い勘定科目を1つ提案してください。
判断した理由も1行で添えてください。

過去の実績例：
- 「〇〇電力」→ 水道光熱費
- 「△△不動産」→ 地代家賃

今回の摘要：「株式会社□□システムズ」

Step3：異常検知の観点をプロンプト化する
重複っぽい取引、通常と違う金額帯、初めて出てくる取引先、といった観点を指示に盛り込みます。②で変換したCSVは日付・勘定科目・摘要・金額の4列だけなので、この範囲で判定できる観点に絞るのがポイントです。

以下は今月の仕訳データ一覧です（CSV形式）。
次の観点で「確認したほうがよい」行にフラグを立ててください。
- 同じ金額・同じ取引先が短期間に重複していないか
- 過去の平均と比べて金額が大きく外れていないか
- 初めて登場する取引先ではないか
- 摘要の内容と、その仕訳につけられた勘定科目が食い違っていないか

出力は「行番号／フラグの理由」の一覧でお願いします。

[仕訳データをここに貼り付け]

このプロンプトは、②のCSVでそのまま試せる観点だけに絞っています。借方・貸方（借方＝資産の増加や費用、貸方＝その相手方）が分かれた仕訳データを使う場合は、貸借の合計が一致しているかというチェックも追加できます。

手元にないデータ項目を判断材料に含めると、AIがそれらしい答えをでっち上げかねません。これがまさにハルシネーションです。実際に渡すデータの列に合わせて、プロンプトを組むようにしてください。

Step4：LM StudioのAPIから呼び出し、フラグが立った行だけレビューする
毎回コピペで貼り付けるのは手間です。LM Studioのローカルサーバーは、OpenAI互換API（ChatGPTなどと同じ形式でプログラムから呼び出せる仕組み）です。Pythonから呼び出す形にすると、②のCSVをそのまま流し込めます。

import pandas as pd
from openai import OpenAI  # pip install openai で導入

# LM StudioのローカルサーバーはOpenAI互換API。base_urlをlocalhostに向けるだけで呼び出せる
client = OpenAI(base_url="http://localhost:1234/v1", api_key="not-needed")

# ②で作った仕訳CSVを読み込む（念のため欠損値は空文字に）
df = pd.read_csv("journal_entries_draft.csv").fillna("")

def check_entry(description, amount):
    prompt = f"摘要「{description}」、金額{amount}円の仕訳について、確認すべき点があれば理由とともに指摘してください。問題なければ「OK」とだけ答えてください。"
    res = client.chat.completions.create(
        model="local-model",  # LM Studioで読み込んでいるモデル名。多くの場合そのままで動作します
        messages=[{"role": "user", "content": prompt}],
    )
    return res.choices[0].message.content

df["ai_check"] = df.apply(lambda row: check_entry(row["description"], row["amount"]), axis=1)

出力結果のうち「OK」以外がついた行だけを、人がレビューする運用にします。全件を毎回見直す必要はありません。