【テンプレート付】AI-OCRの要件定義｜機能要件・非機能要件チェックリストと進め方

AI-OCRの要件定義とは

AI-OCRにおける要件定義とは、どの帳票（注文書・納品書・検収書・図面・手書き作業日報など）のどの項目を、どの精度・スループットで読み取り、確認・補正・後続システム連携までをどう回すかを文書化する工程です。単に「文字を読む」ではなく、非定型帳票のレイアウト解析、項目の意味づけ（key-value抽出）、確信度（コンフィデンススコア）に応じた人手確認の振り分けまでを含めて定義します。AI-OCRは学習データやチューニング前提で精度が変動するため、PoCで実帳票を用いた精度測定を要件に組み込むことが特徴です。

なぜ要件定義でAI-OCR導入の成否が決まるのか

AI-OCRは「読めるはず」という期待と実際の認識精度のギャップで失敗するため、対象帳票の網羅と精度目標、補正運用の設計を要件段階で固めないと、現場で二重入力が残り効果がゼロになります。精度100%は原理的に出ないため、誤読を前提とした業務設計こそが要件定義の核心です。

• 「全帳票を自動化」と曖昧に決めた結果、手書き・かすれ・回転・複写式など低精度な帳票まで対象に含め、補正工数が手入力を上回る
• 認識精度の目標値（文字単位か項目単位か、分母は何か）を定義せず、PoCの結果が「合格」か判断できず導入可否が宙に浮く
• 確信度スコアによる人手確認の振り分けルールを決めず、全件目視確認となり省力化効果が出ない
• 読み取り後のデータをどの基幹システムにどの形式・タイミングで渡すかを定義せず、CSVを手で取り込む運用が残存する

要件定義で決める5つの範囲

1. 対象帳票・文書 — 注文書、納品書、請求書、検収書、手書き作業日報、検査成績書、図面の表題欄など、種類とレイアウトのバリエーションを列挙する範囲
2. 読取項目 — 各帳票から抽出する項目（品番、数量、単価、納期、取引先名、伝票番号など）と、表（明細行）の繰り返し抽出可否を定義する範囲
3. 認識・補正フロー — 自動読取、確信度判定、人手による確認・修正画面、再学習へのフィードバックまでの処理範囲
4. システム連携 — 読取結果を販売管理・生産管理・会計などへ連携する範囲と、入力元（複合機スキャン、メール添付PDF、FAX）の取り込み範囲
5. 運用・精度維持 — 新規取引先帳票の追加学習、辞書（品番マスタ等）の更新、精度モニタリングの運用範囲

AI-OCRは「定型帳票」と「非定型帳票」で必要な機能とコストが大きく異なるため、対象帳票ごとにどちらの方式で処理するかを範囲に明記してください。

要件定義の進め方：5ステップ

ステップ	内容	アウトプット
①	対象帳票の棚卸しと現状の入力工数・件数・繁忙期ピークを測定し、自動化対象を選定する	対象帳票一覧（種類・月間枚数・手書き有無・現状工数）
②	帳票ごとに抽出項目と明細行の構造、確信度しきい値と人手確認の振り分け基準を定義する	項目定義書・補正フロー図
③	実帳票サンプルを用いたPoCで文字認識率・項目正解率・処理速度を測定し精度目標と照合する	PoC精度測定レポート
④	基幹システムとの連携方式（API/CSV/RPA）と入力チャネル（複合機・メール・FAX）を設計する	連携インターフェース仕様書
⑤	運用体制（補正担当・再学習・新帳票追加）と精度維持のモニタリング指標を定める	運用・保守計画書

AI-OCRでは「項目正解率（自動確定できた項目の割合）」「人手確認率」「1枚あたり処理時間」「入力工数削減率」をKPIに置き、PoC値と本番値を継続比較することが重要です。

機能要件チェックリスト（AI-OCRの核心）

AI-OCRに求める代表的な機能要件です。自社の状況に照らして「必須／任意／不要」を判断してください。

大分類	主な要件項目
読取エンジン・認識方式	定型帳票のテンプレート方式、非定型帳票のAIレイアウト解析、活字認識、手書き文字認識、複数エンジンの使い分け
項目抽出（データ化）	key-value抽出、明細表（テーブル）の行・列認識、品番や数量の桁・型チェック、チェックボックス・印影領域の判定
前処理・画像補正	傾き補正（デスキュー）、罫線・地紋除去、複写式帳票の薄い文字補正、解像度・カラー正規化、複数ページPDFの分割
確信度・確認補正UI	文字単位の確信度スコア表示、しきい値による自動確定／要確認の振り分け、原本画像と認識結果の並列表示・修正画面、修正候補のサジェスト
辞書・マスタ照合	品番マスタ・取引先マスタとの突合補正、住所・郵便番号の正規化、表記ゆれ吸収、存在しないコードの自動フラグ
帳票仕分け・分類	1スキャンに混在する複数帳票の自動仕分け、帳票種別の自動判定、ページ単位の分割・結合、QRコード・バーコード読取
学習・チューニング	新規取引先帳票の追加学習、誤読修正結果のフィードバック学習、テンプレート登録ツール、抽出ルールのノーコード設定
バッチ・スループット	夜間バッチでの大量帳票一括処理、件数上限・同時処理数、繁忙期ピーク処理、処理状況の進捗管理
入力チャネル連携	複合機（MFP）スキャン連携、メール添付PDFの自動取り込み、FAX受信データの取り込み、フォルダ監視（ホットフォルダ）
出力・データ連携	CSV/JSON/XML出力、基幹システムへのAPI連携、項目マッピング設定、原本画像のファイル名自動付与とアーカイブ

見落としがちな要件: 見落としがちなのは、複写式・感熱紙・FAX由来のかすれ帳票への耐性、明細行が複数ページにまたがる場合の名寄せ、そして印影や手書き訂正印の扱いです。これらはPoCの実帳票でしか露見しないため要件に検証項目として明記してください。

非機能要件で見落としがちなポイント

機能だけに目が向きがちですが、非機能要件こそ稼働後の満足度を左右します。

区分	確認すべき要件（目標値の例）
性能	1枚あたり処理時間（活字帳票で5秒以内など）、月間処理枚数（例:5万枚）、繁忙期ピーク時の同時処理件数を満たすこと
可用性	クラウド型は稼働率99.9%以上、月次締めや繁忙期にサービス停止しない計画メンテ運用、障害時の手入力代替手順を整備すること
拡張性	対象帳票種類の追加・取引先増加に追加学習で対応でき、処理枚数増に従量またはプラン変更で拡張できること
セキュリティ	通信・保存データの暗号化、アップロード文書の保持・削除ポリシー、AI学習への自社データ利用可否の明示、アクセス権限管理
運用保守	認識精度のモニタリング機能、誤読傾向のレポート、辞書・テンプレートの自社更新可否、サポート窓口とSLA
移行	既存OCRや手入力からの切替計画、過去帳票の遡及読取要否、テンプレート・辞書の初期構築工数
コンプライアンス	電子帳簿保存法（電帳法）のスキャナ保存要件（タイムスタンプ・解像度・検索要件）への適合、個人情報を含む帳票の取扱い

AI-OCRは精度が業務継続性に直結するため、認識精度の目標値とその測定方法（分母・分子の定義）を非機能要件として明記しておくことが、ベンダー間比較とPoC合否判定の基準になります。

基幹・周辺システムとの連携要件

どのシステムと、何を、どの方式（API/CSV/EDI）で、どの頻度で連携するかを定義します。

連携先	主な連携内容
販売管理・受発注システム	注文書・納品書の読取結果（品番・数量・納期）を受注データとしてAPI/CSVで連携
生産管理・MES	手書き作業日報や検査成績書の読取データを実績・品質データとして取り込み
会計・ERP（請求書処理）	請求書の金額・取引先・支払期日を抽出し仕訳・支払データへ連携、電帳法対応の証憑保存
複合機（MFP）・スキャナ	スキャン文書をホットフォルダやメール経由で自動取り込み、ボタン操作で読取ジョブ起動
RPA	読取結果のチェック・基幹システムへの転記・例外処理の自動化をRPAと役割分担
文書管理・ストレージ	原本画像とデータをファイルサーバやクラウドストレージへ自動振り分け・アーカイブ
品番・取引先マスタDB	抽出値とマスタを突合し、コード補正・名寄せ・存在チェックを実施

AI-OCR単体では転記が完結しないため、読取後のデータを基幹へ流す連携（API/RPA/CSV）まで含めて初めて省力化効果が出る点を要件で押さえてください。

RFP（提案依頼書）に盛り込むべき項目

要件が固まったら、ベンダーへの提案依頼書（RFP）にまとめます。最低限、次の項目を含めます。

• 対象帳票（定型・非定型・手書きの別）と月間処理枚数、要求する文字認識率・項目正解率の目標値
• 確信度スコアによる自動確定／人手確認の振り分け機能と確認補正UIの仕様
• 新規帳票・取引先への追加学習方法、自社でのテンプレート・辞書更新の可否と工数
• 基幹システム連携方式（API/CSV/RPA）と入力チャネル（複合機・メール・FAX）の対応範囲
• 電子帳簿保存法対応、データの暗号化・保持削除ポリシー、学習へのデータ利用有無
• PoC（実帳票での精度測定）の実施可否・条件、料金体系（従量/枚数/月額）とサポート・SLA

RFPには必ず自社の実帳票サンプルでのPoCと精度測定を条件として盛り込み、カタログ精度ではなく自社帳票での実測値で評価できるようにしてください。

ベンダーを横並び比較する評価マトリクス

AI-OCRのベンダー評価は、自社実帳票での項目正解率・手書き対応力（精度系）を最重視（例:40%）し、確認補正UIの使いやすさと追加学習の容易さ（運用系30%）、基幹連携・入力チャネル対応（連携15%）、料金とSLA・サポート（コスト・体制15%）の重み付けで比較します。手書きや非定型が多い製造現場ほど精度系の重みを上げるのが妥当です。

カタログ上の認識率は定型・活字前提の値が多いため、必ず自社帳票のPoC実測値で評価軸を採点してください。

AI-OCR導入でよくある失敗と回避策

よくある失敗	原因	回避策
カタログ精度99%を信じて導入したが現場で精度が出ない	公称値は活字・クリーンな帳票前提で、自社の手書き・複写式・FAX帳票と条件が違う	契約前に自社の実帳票サンプルでPoCを行い、項目正解率を実測して合否基準と照合する
読み取れても結局全件目視確認になり省力化できない	確信度スコアによる自動確定／要確認の振り分け基準を設計していない	しきい値を設定し高確信度項目は自動確定、低確信度のみ人手確認とする補正フローを要件化する
新しい取引先の帳票が来るたびに読めず手入力に戻る	非定型帳票への追加学習・テンプレート登録を自社で行う運用を想定していなかった	追加学習の容易さと自社での実施可否を選定基準にし、運用体制と担当を要件に含める
読取データを基幹に手でCSV取り込みしており工数が残る	OCR後のシステム連携（API/RPA）を要件・予算に入れていなかった	入力から基幹反映までを一連の業務として設計し、連携方式を要件定義段階で確定する

チェックリストの使い方（テンプレートとして使う）

本記事の機能要件・非機能要件・連携要件・評価マトリクスの各表は、そのまま要件定義の雛形（テンプレート）として使えます。表をコピーして自社に必要な項目の「要否」「優先度」を記入し、ベンダー回答を並べて比較してください。

1. 各表で自社に必要な項目の要否（必須/任意/不要）と優先度を記入する
2. 不足する自社固有の要件を追記する
3. ベンダー回答（○標準/△設定・追加開発/×不可）を記入する
4. 評価マトリクスで重みと評点を入れ、加重スコアで横並び比較する

※ 記入と加重スコアの自動集計ができるExcelテンプレート（ダウンロード版）は近日公開予定です。