Media > AI活用ユースケース > カスタマーサポート > 生命保険の会社・共済が、郵送で届く手書きの入院給付金の請求書(入院の期間・病院・手術の有無・振込口座)を Azure AI Document Intelligence で読み取り、請求の受付の表に起こして、記入の抜けと添付書類の不足を拾う(支払の判断は人)

生命保険の会社・共済が、郵送で届く手書きの入院給付金の請求書(入院の期間・病院・手術の有無・振込口座)を Azure AI Document Intelligence で読み取り、請求の受付の表に起こして、記入の抜けと添付書類の不足を拾う(支払の判断は人)

実装ステータス:構成例 技術的に実現可能な構成として設計したもの。自社未検証

契約者から郵送で届く入院給付金の請求書と添付書類を読み取り、請求の受付の表に1件ずつ起こします。あわせて、記入の抜け・署名の無い請求書・口座の欄の不備・足りない添付書類を、受付の日のうちに一覧にします。

サマリー
AIサービス
AWS Textract/Azure AI/Google Document AI
対象業界
保険/金融
対象部門
カスタマーサポート
対象業務
データ入力・転記/内容確認・チェック
主な課題
人手が足りない/入力作業が多い/確認ミスが多い
AIで行う処理
読み取り(OCR)
主な効果
入力漏れ削減/対応スピード向上/工数削減
導入難易度
★★★☆☆
実装レベル
本格構成
費用感
API連携(中)
人間の確認
必須
現在工数
180h/月
AI導入後
60h/月
想定削減
67%
年間削減
1,440h
モデル条件による試算値です。実在企業の実績ではありません。

01導入前 / 導入後の業務フロー

導入前(Before)
  1. 郵便の担当が封筒を開け、受付の日を押して受付の担当に回す
  2. 受付の担当が請求書を見て、証券番号で契約の管理の仕組みを引き、契約者・被保険者を確かめる
  3. 請求書の入院の期間・病院・手術の有無・口座を、請求の受付の表に入力する
  4. 署名・日付・口座の名義のカナが書かれているかを目で確かめる
  5. 同封書類を数え、請求の手引きと比べて足りないものを書き出す
  6. 不備のある請求は契約者への問い合わせの一覧に入れ、揃った請求は査定の担当に回す
導入後(After)
  1. 人郵便の担当が封筒を開け、中身をまとめてスキャンし、受付のフォルダに保存する
  2. 自動保存をきっかけに処理が動き、ファイルの形式・大きさ・ページ数を確かめる
  3. 自動Azure AI Document Intelligence のカスタム分類モデルが、束を書類ごとに分ける(請求書/入院証明書/領収書・診療明細書/本人確認書類の写し/その他)
  4. 自動請求書のページを、請求書の様式で学習させたカスタム テンプレート モデルが読み取り、欄ごとの値と信頼度を返す
  5. 自動欄ごとに `filled` / `empty` / `low_confidence` を付ける
  6. 自動証券番号で契約の管理の仕組みを引き、契約者・被保険者の名前と口座の名義のカナを照らす
  7. 自動請求の手引きの表から必要な書類を決め、分類の結果と比べて足りない書類を出す
  8. 自動請求の受付の表に行を書き、確認の一覧(空欄・読めない欄・照合の食い違い・不足書類)を作る
  9. 人受付の担当が確認の一覧の行だけを開き、画像を見て値を直す
  10. 人空欄と不足書類が残った請求は、受付の担当が契約者への問い合わせの連絡を作って送る
  11. 人揃った請求を査定の担当に回す。支払の判断は査定の担当が行う
各工程の詳しい説明を読む
  1. 郵便の担当が封筒を開け、受付の日を押して受付の担当に回す
  2. 受付の担当が請求書を見て、証券番号で契約の管理の仕組みを引き、契約者・被保険者を確かめる
  3. 請求書の入院の期間・病院・手術の有無・口座を、請求の受付の表に入力する
  4. 署名・日付・口座の名義のカナが書かれているかを目で確かめる
  5. 同封書類を数え、請求の手引きと比べて足りないものを書き出す
  6. 不備のある請求は契約者への問い合わせの一覧に入れ、揃った請求は査定の担当に回す

(a)入力だけで1日が終わる。 月1,800件を5名で入力すると、1人1日20件近くになります。口座番号と名義のカナは1字の誤りで振込が戻るので、入力の後の読み合わせにも時間を取ります。

(b)記入の抜けに気づくのが遅れる。 3番の入力に追われると、4番の確認が後回しになります。署名の無い請求書や、手術の有無にチェックが無い請求書が査定の担当の段で見つかり、そこから契約者に問い合わせると、受付から1週間が過ぎています。

(c)同封書類の数え違い。 入院証明書と診療明細書は見た目が似ていて、2枚組の入院証明書の2枚目だけが入っていることもあります。数え違いは査定の担当が書類を広げたときに分かり、受付に差し戻されます。

(d)「読めない」と「書いていない」の区別が人によって違う。 崩れた字の欄を空欄として問い合わせる担当と、推し量って入れる担当がいます。前者は契約者の手間を増やし、後者は誤った口座への振込につながります。

  1. 【人】 郵便の担当が封筒を開け、中身をまとめてスキャンし、受付のフォルダに保存する
  2. 【自動】 保存をきっかけに処理が動き、ファイルの形式・大きさ・ページ数を確かめる
  3. 【自動】 Azure AI Document Intelligence のカスタム分類モデルが、束を書類ごとに分ける(請求書/入院証明書/領収書・診療明細書/本人確認書類の写し/その他)
  4. 【自動】 請求書のページを、請求書の様式で学習させたカスタム テンプレート モデルが読み取り、欄ごとの値と信頼度を返す
  5. 【自動】 欄ごとに filled / empty / low_confidence を付ける
  6. 【自動】 証券番号で契約の管理の仕組みを引き、契約者・被保険者の名前と口座の名義のカナを照らす
  7. 【自動】 請求の手引きの表から必要な書類を決め、分類の結果と比べて足りない書類を出す
  8. 【自動】 請求の受付の表に行を書き、確認の一覧(空欄・読めない欄・照合の食い違い・不足書類)を作る
  9. 【人】 受付の担当が確認の一覧の行だけを開き、画像を見て値を直す
  10. 【人】 空欄と不足書類が残った請求は、受付の担当が契約者への問い合わせの連絡を作って送る
  11. 【人】 揃った請求を査定の担当に回す。支払の判断は査定の担当が行う

9番目が、受付の担当の時間の大半です。 全部の請求書を開き直さず、欄の信頼度が低いものと照合で食い違ったものだけを見ます。 ただし口座の欄だけは、信頼度にかかわらず全件を画像と見比べます(第7章)。

11番目を人に残しているのは、この構成の前提そのものです。 読み取りの結果は受付の写しで、給付の可否・日数・金額を決める材料として機械が使う経路はありません。

02今回想定するシステム構成

構成図
封筒の中身(請求書・入院証明書・領収書等の写し・本人確認書類の写し)
   │  まとめてスキャン(1封筒1ファイル)
   ▼【トリガー】受付のフォルダへの保存
連携の処理(Azure Functions)
   ├──▶ 形式・大きさ・ページ数の確認
   ▼
Azure AI Document Intelligence
   ├─ カスタム分類モデル(splitMode: auto)── 束を書類ごとに分ける
   └─ カスタム テンプレート モデル(請求書の様式ごと)
         │  欄ごとの値・チェック欄・署名・信頼度
   ▼
連携の処理 ── 空欄・低い信頼度の印
   │          契約の管理の仕組みとの照合(契約者・被保険者・名義)
   │          請求の手引きの表と分類の結果の比較(不足書類)
   ▼
請求の受付の表 + 確認の一覧
   ▼
【人】受付の担当の確認 → 契約者への問い合わせ / 査定の担当へ
役割想定する製品代替候補
OCRAzure AI Document Intelligence(カスタム分類モデル+カスタム テンプレート モデル。日本語の手書き)Google Document AI(Form Parser)。AWS Textract は日本語の手書きを読めないため対象外
連携Azure Functions(受付の確認、分類と読み取りの呼び出し、照合、受付の表への書き込み)Azure Logic Apps
保管受付の担当だけが開けるストレージ(スキャンの画像と読み取りの結果)文書の管理の仕組み
受付の表請求の受付の表(既存)査定の仕組みの受付の画面

生成AIは使いません。 欄の写しと空欄の判定は Document Intelligence の結果と規則で足り、病名や手術名の意味を読み解く必要は受付の段にはありません。医療の記載を生成AIに渡さないことで、外に出る情報の範囲を狭くしておきます。

読み取りの土台は、カスタム テンプレート モデルです。 公式のページでは、決まった見た目の様式から、ラベルを付けたキーと値・選択の印・表・領域・署名を取り出す学習の容易なモデルとされています。自社の様式の請求書は、まさに「決まった見た目の様式」です。 様式が変わると精度が下がるとも書かれていて、様式の版ごとに少なくとも5つの見本で別々に学習させ、それらを1つの窓口にまとめる(compose)よう勧めています。

日本語の手書きは、カスタム テンプレート モデルの対応言語の表で確かめられます。 手書きの文字の対応言語に日本語(ja)が入っています。

03どうやって実装するのか

Step1

処理の起点を決める

受付のフォルダに1封筒分のスキャンが保存されたことを起点にします。 郵便は午前と午後に届くので、郵便の担当が開封してスキャンした順に処理します。午前に届いた請求は、その日の午後に確認の一覧に載るのを目標にします。

1封筒を1ファイルにします。 封筒をまたいでまとめてスキャンすると、請求書と添付書類の組み合わせが分からなくなります。スキャンの前に封筒の表の受付番号の紙を先頭に入れ、ファイルの名前と受付番号を一致させます。

処理が終わったファイルは処理済みのフォルダへ移し、移すのは受付の表への書き込みまで成功したときだけにします。

Step2

入力データを集める

データ中身取得元
1封筒分のスキャン請求書・入院証明書・領収書等の写し・本人確認書類の写し(PDF)受付のフォルダ
分類の結果書類の種類と、その書類のページの範囲カスタム分類モデル
請求書の読み取りの結果欄ごとの値、選択の印、署名、信頼度カスタム テンプレート モデル
契約の情報証券番号、契約者・被保険者の名前とカナ、登録の口座契約の管理の仕組み
請求の手引きの表請求の種類ごとに必要な書類自社で用意する表
金融機関の一覧金融機関と支店の名前・コード自社で持つ一覧

質を決めるのは、請求の手引きの表です。 手引きが文章のままだと、必要な書類を機械で決められません。「入院のみ」「入院と手術」「通院」のように請求の種類を分け、種類ごとに必要な書類を1行ずつ書いた表に起こしておきます。

金融機関の一覧は、口座の欄を照らすためのものです。 手書きの「○○信金△△支店」を一覧と照らせば、存在しない支店の名前は読み違いか書き違いの候補になります。一覧に当たらない口座は、振込の前に必ず人が確かめます。

Step3

データの取得方法を決める

呼び出しは2段です。 先に分類モデルで束を書類ごとに分け、請求書と分かったページの範囲だけをテンプレート モデルに送ります。

取るものどこから何に使うか
書類の種類とページの範囲カスタム分類モデルの結果同封書類の有無、請求書のページの切り出し
欄ごとの値テンプレート モデルのフィールド受付の表の列
選択の印テンプレート モデルの選択の印のフィールド手術の有無、同封書類のチェック欄
署名テンプレート モデルの署名のフィールド請求者の署名の有無
信頼度各フィールドの confidence低い欄を人に回す

分類モデルの学習には、書類の種類ごとに見本を集めます。 上限と制限の公式のページでは、分類モデルの1クラスあたりの見本は最低5つです。請求書・入院証明書・領収書・診療明細書・本人確認書類の写しに加えて、白紙のページや送り状のような「その他」も1クラスとして学習させると、分類できないページが「その他」に落ちます。

分類モデルには splitMode を指定します。 公式のページでは、v4.0(2024-11-30)の API のカスタム分類モデルは既定で文書を分けず、splitMode の既定は none で、1つのファイルに複数の文書が入っているなら auto にする必要があるとされています。封筒の束は複数の書類の集まりなので、auto を指定しないと束全体が1つの書類として扱われます。

信頼度の読み方も公式に書かれています。 精度と信頼度のページでは、単語・キーと値・選択の印・領域・署名に推定の信頼度が返り、すべてのフィールドが信頼度を返すわけではないこと、精度が重要な場面では信頼度で自動で受け入れるか人の確認に回すかを決められることが書かれています。信頼度が返らない欄は、低い欄と同じく人に回します。

Step4

AIへ渡す前に整形する

  1. 形式と大きさの確認 … テンプレート モデルの入力は PDF と画像(JPEG/JPG・PNG・BMP・TIFF・HEIF)です。有料(S0)の文書の大きさは500MBまで、解析のページ数は2,000まで(無料の F0 は4MB・2ページ)です
  2. 受付番号の確認 … 先頭のページの受付番号とファイルの名前が合っているかを確かめます
  3. 分類と切り出し … 分類モデルで書類ごとのページの範囲を出し、請求書のページを切り出します
  4. 様式の版の確認 … 請求書の右下の様式の番号から版を決め、その版で学習したモデルに送ります(compose した窓口なら自動で振り分け)
  5. 向きと白紙の確認 … 白紙のページや、裏返しにスキャンしたページは分類の結果が「その他」になるので、件数を数えて人に回します
  6. 重複の検知 … 同じ証券番号・同じ入院日の請求がすでに受付の表にあれば、二重の請求の候補として印を付けます

4番目を軽く見ないでください。 請求書の様式を改めた後も、古い様式の請求書は何か月も届き続けます。新旧の様式を1つのモデルで読ませると、欄の位置がずれて別の欄の値を読みます。

Step5

AIに処理させる

この構成の AI は、Document Intelligence の2つのモデルです。 分類モデルが「どの書類が入っているか」を、テンプレート モデルが「請求書の欄に何が書かれているか」を返します。どちらも読み取りと仕分けまでで、意味の判断はしません。

見るものさせること判断できないときの扱い
束の各ページ書類の種類を決め、書類ごとに分ける「その他」として人へ
証券番号・入院日・退院日・病院名欄の値を写す信頼度が低ければ low_confidence
手術の有無・同封書類のチェック欄選択の印の状態を返す印が読めなければ low_confidence
口座の欄金融機関・支店・種目・番号・名義のカナを写す1字でも信頼度が低ければ欄全体を人へ
署名署名の有無を返す信頼度が低ければ人へ

読み取った後の判定は、連携の処理が規則で行います。

判定規則
空欄必ず書かれるべき欄に値が無い(empty)
読めない欄値はあるが信頼度が自社で決めた値より低い、または信頼度が返らない(low_confidence)
名前の食い違い請求書の請求者・被保険者のカナが、契約の情報と一致しない
口座の食い違い金融機関の一覧に当たらない、または名義のカナが契約者・被保険者のどちらとも一致しない
期間の食い違い退院日が入院日より前、または受付の日より後
不足書類請求の手引きの表で必要な書類が、分類の結果に無い
させないこと理由
給付の可否・日数・金額の判断約款と医療の記載を見て査定の担当が決める
病名・手術名の解釈給付の対象かどうかの判断に直結する。受付の段では扱わない
読めない字の推し量り口座番号や名義を、それらしい値で埋めない
入院証明書の中身の読み取り受付で必要なのは「入っているか」だけ。医療の記載は査定の担当が読む

3行目がいちばん起きやすい失敗です。 口座番号の1字を前後の字から推し量って埋めると、別人の口座に振り込む経路ができます。 読めない字は空のまま人に回します。

Step6

指示内容を固定する

この構成では生成AIを使わないため、AIへの指示はモデルの学習のときの「ラベルの付け方の決まり」になります。テンプレート モデルの学習の画面で、受付の担当がラベルを付ける際の手順書の例です。

【入院給付金の請求書(様式 HB-03)のラベルの付け方】

1. 学習用の見本は、実際に届いた請求書から 5 枚以上を選ぶ。
   空欄の多いもの、字の大きいもの・小さいもの、
   鉛筆とボールペンのものを混ぜる。白紙の様式も1枚入れる。

2. ラベルの名前(受付の表の列の名前と同じにする)
   policy_no ............ 証券番号(印字。手書きで直されていればその値)
   insured_kana ......... 被保険者のカナ
   admission_date ....... 入院日
   discharge_date ....... 退院日
   hospital_name ........ 病院の名前
   surgery_yes / surgery_no ... 手術の「あり」「なし」の選択の印
   surgery_name ......... 手術の名前
   surgery_date ......... 手術の日
   bank_name / branch_name / account_type / account_no / account_kana
   enclosed_certificate / enclosed_receipt / enclosed_id ... 同封書類の印
   claimant_signature ... 請求者の署名の欄(署名として付ける)
   claim_date ........... 請求の日付

3. 値の書かれていない欄にも、欄の場所にラベルを付ける。
   空欄であることを、モデルが学べるようにする。

4. 署名と領域のラベルには、まわりの印字の文字を含めない。

5. 手書きで二重線の訂正がある欄は、訂正後の値だけを範囲に入れる。
   訂正印の位置はラベルに含めない。

6. 口座番号は1字ずつではなく、欄全体を1つのラベルにする。

7. ラベルの付け方を変えたら、見本を付け直して学習をやり直す。
   古いラベルと新しいラベルを混ぜない。

3番目が、この構成の要です。 精度と信頼度のページは、値が無いセルにも値の無いことと信頼度が付き、高い信頼度は「値が無い」という予測が正しい見込みが高いことを意味すると書いています。空欄の見本にもラベルを付けて学習させておくと、「空いている」ことを信頼度付きで返せます。

4番目は公式のページの勧めそのままです。 署名と領域のラベルにまわりの文字を含めないよう書かれています。

Step7

出力形式を固定する

連携の処理が、読み取りと照合の結果を次の形の JSON にまとめ、受付の表に書きます。

{
  "receipt_no": "",
  "documents": [
    { "type": "claim_form | hospital_certificate | receipt_or_statement | id_copy | other",
      "pages": "1-2", "confidence": 0 }
  ],
  "fields": [
    { "name": "admission_date", "value": "", "confidence": 0,
      "status": "filled | empty | low_confidence" }
  ],
  "checks": {
    "name_match": "match | mismatch | not_checked",
    "account_check": "ok | bank_not_found | name_mismatch | needs_human",
    "period_check": "ok | inconsistent | needs_human",
    "missing_documents": [""]
  },
  "route": "to_assessment | inquiry_needed | needs_human"
}

1つ目の理由は、status と route を別の層に置けることです。 status は読み取りの事実、route は規則の結論です。請求の手引きが変わっても、直すのは規則の表だけです。

2つ目は、account_check を独立させていることです。 口座は振込の誤りに直結するので、ほかの欄と同じ扱いにしません。ok でも全件を人が画像と見比べ、ok 以外は契約者への確認を経てから受付の表に入れます。

route条件
to_assessment空欄・読めない欄・食い違い・不足書類がどれも無い(口座の見比べは済ませる)
inquiry_needed空欄、名前・口座の食い違い、不足書類のどれかがある
needs_human読めない欄、分類が「その他」のページ、様式の版が分からない
Step8

システムへ連携する

つなぎ先方式内容
受付のフォルダ連携の処理が保存を検知1封筒1ファイルを受け取る
Document Intelligence(分類)API 呼び出し書類の種類とページの範囲
Document Intelligence(テンプレート)API 呼び出し請求書の欄の値・選択の印・署名・信頼度
契約の管理の仕組み読み取りのみ証券番号で契約者・被保険者・登録の口座を引く
請求の受付の表書き込み1請求1行と確認の一覧
査定の仕組み書き込まない受付の担当が確認後に回す

契約の管理の仕組みには書き込みません。 請求書の口座が登録の口座と違っても、登録を書き換えるのは契約者への確認と所定の手続きを経た後です。査定の仕組みにも、この構成からは何も送りません。

Step9

人が確認する

  1. 口座の欄は全件を見る … account_check が ok でも、画像と受付の表の値を見比べます。振込の誤りは取り戻すのに手間がかかります
  2. needs_human の請求を開く … 読めない欄は画像を見て値を入れます。決められない欄は空欄として扱い、問い合わせに回します
  3. inquiry_needed の請求の問い合わせを作る … 空欄の欄と不足書類を、契約者にわかる言葉で伝えます。問い合わせの文と送付は人が行います
  4. 直した記録を残す … どの欄を、何から何へ直したかを残します

問い合わせの文は、欄の名前と書類の名前だけで作ります。 「入院日の欄が空いていました」「入院証明書が入っていませんでした」のように、何が足りないかを契約者がそのまま直せる言葉にし、病名や手術名を繰り返しません。 郵便や電話の問い合わせの記録は、受付番号に結びつけて残します。

目標は、1,800件をならして1件2分です。 口座の見比べに1件あたり1分弱、残りは確認の一覧の請求だけに使う想定です。口座の見比べを省くと2分を切れますが、省かないでください。 時間を減らす場所は、口座以外の欄の読み直しです。

Step10

例外に対処する

起きること対応
束に複数の請求者の請求が入っている分類の結果で請求書が2つ以上なら、封筒ごと人へ
古い様式・他社の様式の請求書様式の版が分からなければ needs_human。近い様式のモデルで読ませない
便せんに書かれた請求分類が「その他」。人が読んで受付の表に入れ、請求書を送る
信頼度が返らない欄低い欄と同じく人へ
証券番号が契約の管理の仕組みに無いname_match を not_checked にし、人が契約を探す
口座が金融機関の一覧に無いbank_not_found。振込の前に契約者へ確かめる
同じ請求が二度届いた証券番号と入院日で照らし、二重に受け付けない
4MBを超える束を無料の層に送った有料の層を使う。無料の層は2ページまでで受付には使わない
読み取りの呼び出しが失敗した受付のフォルダに残し、次の回に再処理

上の3行が、初めの数か月の大半です。 様式を改めた直後は古い様式が、請求書を送る前に請求してくる人からは便せんが届きます。どちらも「読ませない」ことが正しい対応です。

Step11

記録を残す

  • 元のスキャンのファイルと、受付番号・受付の日
  • 分類と読み取りの結果の JSON の全文
  • 照合の結果と route、そのとき使った請求の手引きの表とモデルの版
  • 受付の担当が直した記録と、問い合わせを送った日・内容
  • 様式の版ごとの low_confidence の割合
  • 学習に使った見本の一覧とラベルの付け方の版

最後の行は、モデルを学習し直したときに効きます。 どの見本で学習したモデルが、いつからいつまで受付に使われたかが残っていないと、読み違いが見つかったときに、同じモデルで読んだ請求の範囲が決まりません。

読み取りの結果は自社の側に残します。 Document Intelligence のデータの扱いのページは、送った入力と解析の結果を解析の完了から24時間保管して自動で消し、それより早く消すには解析の結果を消す API を呼ぶと書いています。自社のストレージに結果を写した後で、解析の結果を消す呼び出しを入れておきます。

04実装レベルの3段階

最小構成:黒塗りの写しを Studio のレイアウトのモデルで読ませる / 読めるかどうかの確認
半自動化:上記+テンプレート モデルで請求書を読み、受付の表に書き出す / 請求書の入力
本格構成:上記+分類モデルで束を分け、契約・金融機関の一覧・請求の手引きと照合し、確認の一覧を作る / 入力・記入の確認・不足書類の洗い出しの全体

半自動化で、1件6分が4分程度になります。 入力は減りますが、記入の確認と同封書類の数えが人に残ります。本格構成で2分になり、この段階が本記事の想定です。 段階を飛ばさないでください。 半自動化の受付の表を1か月見ると、どの欄が読みにくいかが分かります。読みにくい欄の様式を直してから分類と照合を足すほうが、確認の一覧が短くなります。

05工数削減シミュレーション

前提値(モデル条件)
対象人数
5 名
月間件数
1,800 件
1件あたり現在時間
6 分
1件あたり導入後時間
2 分
現在  1,800件 × 6分 ÷ 60 = 180 時間/月
導入後 1,800件 × 2分 ÷ 60 = 60 時間/月
月間削減時間
120h
削減率
67%
年間削減時間
1,440h
年間金額換算(時間単価2,500円)
360万円
モデル条件による試算であり、実際の効果は業務内容・運用方法によって異なります。

自社条件で導入効果を整理したい方へ

このユースケースを自社に当てはめた場合の前提値と削減見込みを、業務ヒアリングをもとに整理します。

AI活用について相談する

06向いている企業・向いていない企業

向いている
  1. 入院給付金・手術給付金の請求を、自社の様式の紙の請求書と添付書類の郵送で受け付けている生命保険の会社・共済で、受付の担当が封筒を開けて請求書の項目を受付の表に手で入れている場合。記入の抜けや同封書類の不足に気づくのが査定の担当に回った後で、契約者への問い合わせが遅れている場合。請求書の様式が数種類に決まっていて、同じ様式が毎月大量に届く場合。
向いていない
  1. 請求の大半がWebやアプリで受け付けられ、紙の請求書が少ない場合。請求書の様式が無く、契約者が便せんに書いて送ってくる請求が多い場合。給付金を支払うかどうか、いくら払うかの判断をこの構成に任せたい運用。この構成は請求書に書かれた値の写しと、記入の抜け・同封書類の不足の洗い出しまでしか行わず、査定と支払の判断は人が行います。

07最小構成で試す方法

  1. 先月の請求書から30件を選ぶ(空欄があって問い合わせた請求と、字の読みにくい請求を入れる)
  2. 契約者の名前・証券番号・口座番号を黒塗りにした写しを作る
  3. Document Intelligence の Studio の画面で、レイアウトのモデルに1件ずつ読ませる
  4. 読み取られた文字と選択の印を、当時の受付の表と見比べる

最小構成でも、手元の汎用の生成AIの画面に請求書を貼らないでください。 病歴を含む書類を、取り扱いの決まっていない画面に出すことになります。黒塗りの写しを、自社の契約の下にある Studio で読ませます。

出てきた内容判断
手書きの欄がほぼ読めたカスタム テンプレート モデルの学習に進む
手術の有無の印が読めない印の欄を大きくする様式の見直しを先に
口座番号が崩れて読めない口座の欄を1字ずつの枠にする様式の見直しを先に

08実装時につまずきやすいポイント

問題対策
束全体が1つの書類として分類されるsplitMode の既定は none。 auto を指定する
古い様式の請求書の欄がずれる様式の版ごとに5つ以上の見本で学習し、compose でまとめる
空欄が読み取りの結果で区別できない空欄の見本にもラベルを付けて学習させる
信頼度が返らない欄があるすべてのフィールドが返すわけではない。返らない欄は人へ
口座番号の1字を推し量って埋める欄全体を人へ。口座は全件を見比べる
署名のラベルに印字が入る署名のラベルにまわりの文字を含めない
便せんの請求を無理に読ませる分類の「その他」で止め、人が読む
無料の層で試して2ページで切れるF0 は4MB・2ページまで。試験から S0 を使う
解析の結果がサービスに残る24時間で消えるが、写した後に消す呼び出しを入れる
様式を改めたことがモデルに伝わらない様式の番号を欄に印字し、版でモデルを分ける

上の3行が、この構成の失敗のほとんどです。 どれも学習と呼び出しの設定の問題で、読み取りの精度より先に効いてきます。

09セキュリティ・AIガバナンス上の注意点

この構成で扱うデータ: 契約者・被保険者の名前と生年月日、証券番号、入院の期間・病院・傷病名・手術の名前、口座の情報、署名、本人確認書類の写しです。傷病名や入院の事実は病歴にあたります。

  1. 要配慮個人情報として扱う … 個人情報保護法は、病歴が含まれる個人情報を「要配慮個人情報」とし(第2条第3項)、あらかじめ本人の同意を得ないで取得してはならないとしています(第20条第2項。例外あり)。取得の同意と利用の目的が請求書の様式・約款でどう示されているかを、法務・コンプライアンスの部門と確かめてから、読み取りに使います
  2. 処理するリージョンを日本に置く … Document Intelligence のリソースを置くリージョンを決め、学習したモデルは同じリージョンのストレージに置かれます。国外に出さない取り決めがあれば、それに合うリージョンを選びます
  3. 解析の結果を残さない … サービス側は24時間で消しますが、写した後に消す呼び出しを入れ、受付の側の保存の期間と場所を社内の規程で決めます
  4. 生成AIに医療の記載を渡さない … この構成は生成AIを使いません。問い合わせの文の下書きに生成AIを足すときも、渡すのは欄の名前と空欄の事実までにし、病名・手術名は渡しません
  5. 給付の判断を機械に任せない … 読み取りの結果は受付の写しで、給付の可否・日数・金額は査定の担当が約款と書類を見て決めます
  6. 本人確認書類の写しは種類の判別だけにする … 分類で「入っているか」を見るだけで、中身の読み取りは行いません

誤りが起きた場合のリスクは、別人の口座に振り込むことと、書いた契約者に誤った問い合わせをすることの2つです。前者は口座の推し量りで、後者は「読めない」と「空欄」を混ぜると起きます。どちらも、口座の全件の見比べと、2つの状態の分け方で守ります。

10まず何から始めるか

1週目:請求の手引きを表に起こす

請求の種類ごとに必要な書類を1行ずつ書いた表を作ります。この表が無いと、不足書類を機械で決められません。

2週目:30件を Studio で読ませる

第8章の手順で、黒塗りの写しをレイアウトのモデルに読ませ、手術の有無の印と口座番号がどこまで読めるかを見ます。

3週目:請求書のテンプレート モデルを学習させる

いま使っている様式の請求書から、空欄の多いものを含めて5件以上の見本にラベルを付けて学習させます。ラベルの付け方の手順書(第7章)を先に作り、受付の担当2名で同じ付け方になるかを確かめます。

4週目:受付のフォルダから受付の表までをつなぐ

テンプレート モデルを呼び、受付の表に書き出すところまで作ります。この時点では分類と照合を足さず、口座の欄の読み取りの精度だけを見ます。

2か月目: 分類モデルと請求の手引きの表を足し、不足書類を出します。3か月目以降: 契約の管理の仕組みとの照合を足し、1件6分が何分になったかを実測します。問い合わせが受付の日に出せた割合を数えられるようになった時点で、この構成は完成です。


11関連ユースケース

12この仕組みを理解するための記事

13技術仕様の確認日・参考情報

技術仕様確認日:2026-11-18/最終更新:2026-11-19
確認した内容情報源確認日
カスタム テンプレート モデルが決まった見た目の様式からラベルを付けたキーと値・選択の印・表・領域・署名を取り出すこと。様式が変わると精度が下がり、版ごとに5つ以上の見本で学習して compose でまとめるよう勧めていること。入力が PDF と画像(JPEG/JPG・PNG・BMP・TIFF・HEIF)であることMicrosoft Learn: Custom template model2026-11-18
カスタム テンプレート モデルの手書きの文字の対応言語に日本語(ja)が入っていることMicrosoft Learn: Language support(custom)2026-11-18
v4.0(2024-11-30)のカスタム分類モデルは既定で文書を分けず、splitMode の既定が none で、複数の文書を含むファイルでは auto が必要なことMicrosoft Learn: Custom classification model2026-11-18
文書の大きさが S0 で500MB・F0 で4MB、解析のページ数が S0 で2,000・F0 で2であること。分類の1クラスの見本が最低5つであることMicrosoft Learn: Service quotas and limits2026-11-18
単語・キーと値・選択の印・領域・署名に信頼度が返り、すべてのフィールドが信頼度を返すわけではないこと。信頼度で自動の受け入れか人の確認かを決められること。値の無いセルにも信頼度が付くこと。署名と領域のラベルにまわりの文字を含めないよう勧めていることMicrosoft Learn: Accuracy and confidence scores2026-11-18
送った入力と解析の結果を解析の完了から24時間保管して自動で消すこと。解析の結果を消す API で早く消せること。学習したモデルが同じリージョンのストレージに置かれることMicrosoft Learn: Data, privacy, and security for Document Intelligence2026-11-18
病歴が含まれる個人情報が要配慮個人情報にあたること(第2条第3項)。あらかじめ本人の同意を得ないで要配慮個人情報を取得してはならないこと(第20条第2項)e-Gov 法令API: 個人情報の保護に関する法律2026-11-18

給付の可否、請求に必要な書類、口座の確かめ方は、自社の約款・請求の手引き・社内の規程で決めてください。 本記事は公開仕様と法令で確認できた範囲だけを扱っています。

実装ステータス:構成例。 公開仕様に基づいて設計した構成であり、当社で実際に構築・検証したものではありません。工数の数値はモデル条件による試算です。

自社の業務に使えるAI活用候補を整理します

このユースケース(UC-3977)についてのご相談はこちらから。

AI活用について相談する
目次