每天一堆發票、收據、對帳單湧進來，我們最怕的不是「多」，而是「混」。憑證一旦分類錯，初步分錄就會跟著偏，後面營業稅申報、財報、甚至資金規劃都可能被拖累。
把 AI 憑證分類 用在帳務流程，確實能省下大量手工整理時間，但前提很簡單，AI 只能當「會建議的助理」，不能當「會直接入帳的會計」。我們要做的，是把權限切清楚，把抽查設計好，把錯誤回收變成固定流程，讓效率和合規一起上升。
權限怎麼切才安全，讓 AI 只能建議，不能入帳
我們建議用「最小權限」當核心原則，把憑證處理拆成三段，輸入、覆核、核准，讓不同角色各做各的，避免同一人從頭做到尾。想像 AI 像新進助理，它可以把憑證分好類、把可能的會計科目與金額欄位填出來，但它不該有「按下入帳」的按鈕。
一個好用又好落地的分工方式，是把系統權限設計成下表這種「只能往前送，不能往回改」：
| 角色 | 可以做什麼 | 不能做什麼 | 必要控制 |
|---|---|---|---|
| 憑證上傳者 | 上傳、遮罩敏感欄位、補註交易說明 | 不能改分錄、不能入帳 | 多因子登入、上傳留痕 |
| 覆核者 | 檢查 AI 分類、修正初步分錄 | 不能最終核准 | 雙人覆核、版本紀錄 |
| 核准者 | 最終核准入帳、退回重審 | 不處理原始掃描 | 權限定期複核 |
在這套設計下，我們也更容易把 AI 的輸出定位為「建議值」。例如 AI 顯示信心分數很低時，系統直接要求人工覆核，信心分數高也不代表免查，只是抽查比例可以較低。
如果企業同時在做 公司登記、擴點、申請授信，或準備年度 審計簽證，這種權限分離會更重要，因為外部查核最常追的是「誰在什麼時間點做了什麼決定」。在實務上，像宏吉記帳士事務所這類提供 帳務處理 與申報服務的團隊，通常會把「可追溯」當成第一條底線，必要時也會搭配 會計師推薦 的簽證與查核需求，把責任鏈條釐清。
抽查比例要能抓風險，才不會越做越忙
抽查不是為了挑毛病，而是把有限的人力用在「最可能出事」的地方。我們常用風險分層做抽查比例的起點，例如高風險 30%、中風險 15%、低風險 5%，再依公司交易型態微調。抽查比例不是越高越好，設太高只會把 AI 的效率吃掉，設太低又會讓錯誤堆到申報前才爆開。
風險分層的判斷，通常看這幾個訊號就很夠用：
- 金額異常：單筆超過門檻，或與歷史平均差距大
- 稅別敏感：涉及營業稅稅額、零稅率、免稅、進項不得扣抵等判斷
- 供應商或品項陌生：新廠商、新合約、一次性費用
- 文件品質差：影像模糊、欄位缺漏、疑似重複憑證
抽查一定要留下「可稽核」的紀錄，包含抽查規則版本、抽到的清單、抽查結果與更正人員。這不只對內部控管有用，當我們需要對外說明 AI 如何輔助流程時，也比較站得住腳。公部門也提過 AI 在稅務領域的應用需建立可信任環境與風險控管，我們可參考這篇人工智慧於稅務領域的應用與發展的整理方向，思考怎麼把「效率」轉成「可驗證的流程」。
錯誤回收流程要固定，才能把同樣的錯越做越少
抽查抓到錯誤後，如果只改當下那筆分錄，AI 永遠學不會。我們要的是「錯一次就留下痕跡」，下次同類型交易一出現，就能被更早攔下來。錯誤回收流程可以簡化成三步，重點是每一步都要能追溯：
- 更正入帳：以人工覆核結果為準，修正科目、摘要、稅額或對象別
- 回寫原因碼：用固定原因碼記錄錯因(例如品名誤判、稅別規則不符、供應商對應錯)
- 建立案例庫：把「原圖、AI 建議、人工結論、原因碼」存成可查詢的案例
資料治理上，我們也建議對憑證影像做必要遮罩與加密，並把下載、轉寄、列印權限降到最低。憑證的取得、編號、保存等基本要求，仍要回到法規邏輯，企業可參考稅捐稽徵機關管理營利事業會計帳簿憑證辦法修正條文的規定方向，確保我們的電子保存與調閱方式能說得清楚。
最後提醒一個容易被誤用的點，AI 可以協助整理資料，卻不適合單獨做結論式判斷。像 節稅規劃、跨年度費用歸屬、關係人交易，甚至家族企業的 遺產稅籌劃，都需要把交易實質、證據鏈與風險一起評估。當企業在做 創業諮詢 或調整商業模式時，更該先把規則訂好，再讓 AI 來加速執行。
結語：把 AI 放在對的位置，效率才會變成合規的成果
我們把 AI 用在憑證分類與初步分錄時，只要守住三件事就夠了，最小權限 讓 AI 不能直接入帳，風險分層抽查把人力用在刀口上，錯誤回收把每次修正都變成下次的保護網。當流程能追溯，面對稅務申報、查核、甚至 審計簽證 的資料準備就會輕很多。具體個案仍需經由專業會計師評估，尤其涉及稅負判斷與重大交易時，我們更要以合規與證據為先。