三菱UFJ銀行、自治体の帳票入力をAI-OCRで自動化し年400時間削減の見込み

約400種類ある帳票パターンをそのまま一つずつ定義しにいかず、通知書と明細書の組み合わせを分析して156パターンのひな型へ束ねた設計が、この取り組みの起点にあります。非定型帳票に強いAI-OCRであっても、定義の数はそのまま開発工数と保守対象の量になります。似た構造を持つ帳票を見つけて型を共有させる整理は、コストを抑えるだけでなく、一つの型に読み取りの実績が集まるぶん精度を安定させる方向にも効いたと考えられます。

読み取りを阻む要因を、AIの認識力の問題ではなく紙という媒体の物理的な条件として切り分けた調整も見逃せません。罫線や地紋に文字が重なる箇所ではしきい値を動かし、スキャナーが拾いにくいピンク系のドロップアウトカラーが使われた帳票では、文字を探させるのではなく座標値で位置を指定してデータを抜き出す。汎用の認識精度を一律に引き上げようとせず、崩れる条件ごとに別の手を当てるという分業が、実務で使える水準へ届かせたのではないでしょうか。

自動化の範囲を読み取りで止めず、行内の住所マスターをアプリケーションへ組み込んで所在地コードの出力まで含めた点も、設計判断として重要です。読み取った住所に該当するコードを自動で当てる仕組みは、目視でマスターを引いて補記するという、AI-OCR単体では取り残されてしまう手作業を消しています。前後の工程まで見て自動化の線を引き直したことが、担当者の仕事を「入力」から「確認」へ質的に置き換える要因になったと見ています。