税理士が Claude Code でソロ運営する事例の現在地 — 中堅事務所への示唆

結論: 個人事務所の AI ソロ運営は、 業務設計と判断基準の言語化が極端に磨かれた事例である。 中堅事務所がそのまま真似することはできないが、 業務フロー設計の発想として参照する価値が高い。

SNS で広がった個人事務所事例が示した業界の関心

2026 年に入ってから、 個人税理士事務所が AI コーディング環境 (Claude Code に代表される、 自然言語で対話しながらコードや業務スクリプトを生成するエンジニアリング環境) を使ってソロ運営する事例が SNS で広く共有され、 業界誌や AI 系メディアでも相次いで紹介されました。 一個人の業務スタイルの紹介として、 業界内では異例の関心を集めた印象があります。

なぜこの種の事例が関心を集めたのか。 通常、 税理士事務所では顧問先 10 社あたりスタッフ 1 人が必要とされる、 という相場観があります。 仮に数十社規模を 1 人で運営する場合は、 通常の人員配置と比較したときに数千万円規模の人件費の差が生じます。 数字としての衝撃が大きかったことが、 拡散の一つの理由です。

もう一つの理由は、 業界全体が「AI で業務が変わる」 と頭で分かっていながら、 具体的にどう設計すれば良いかが見えていなかったことです。 公開された情報の中には、 自動仕訳の毎晩実行、 業界標準の業務系 SaaS と AI の連携、 キーワード辞書と AI の二段階判定など、 具体的な実装パターンが含まれていました。 抽象論ではなく、 動いている事例として参照可能だった点が、 業界の関心を集めました。

本記事は、 特定の個人事務所の事例を称賛することが目的ではありません。 ShigyoAI が伴走している中堅税理士法人 (30-200 名規模) の文脈で、 この種の事例から何が学べるか、 そして何が真似できないかを整理することが目的です。

学べること 1 — 業務の言語化が極端に進んでいる

この種の事例で最も注目すべきは、 AI 技術そのものではなく、 業務の判断基準が明文化されている点です。 仕訳の自動判定には、 キーワード辞書 + AI の二段階判定が使われることが多いです。 これは言い換えると、「どんな取引をどの勘定科目に振るか」 という判断ルールが、 機械が読める形で構造化されているということです。

通常、 税理士事務所での仕訳判定は、 ベテラン税理士の暗黙知に強く依存します。「この顧問先の業種ではこの種類の経費はこの勘定」 「この金額帯ならこの判断」 という判断パターンが、 担当者の頭の中にあります。 これを所員に引き継ぐには、 OJT で数年単位の時間がかかります。

ソロ運営の事例では、 自分の判断パターンをすべて言語化して AI に渡している、 というのが共通点です。 公開された情報からは、 判断基準の言語化が極端に磨かれていることが読み取れます。

中堅事務所が学べるのは、 ここです。 業務フローの判断基準をどこまで言語化できているか、 という問いを自事務所に向けると、 多くの場合「あまり言語化されていない」 という答えが返ってきます。 AI 導入の前に、 業務の言語化を進める作業が必要となります。 この作業は、 AI が入っても入らなくても、 事務所の業務品質を上げます。具体的な判断基準の言語化がどのようなものになるか、一例を示すと次のようになります。交際費と会議費の振り分けでは、多くの事務所で「一人当たり金額」「参加者の属性(社内のみか、取引先を含むか)」「開催場所」といった条件の組み合わせで判断しています。この判断ロジックを、「一人当たり5,000円以下かつ社内外混在の会議であれば会議費、それ以外は交際費として一次判定し、境界に近い金額の取引は担当者確認に回す」という形で文章化できれば、AIに渡せる判断基準になります。個人事務所の事例で言語化が進んでいるのは、まさにこの粒度の判断ルールです。

学べること 2 — ツール組み合わせの構造

この種の事例で使われるスタックは、 AI コーディング環境 + AI と外部サービスの接続規格 + 各業務系 SaaS の API という構成が多いです。 個別のツールよりも、 これらをどう組み合わせて業務に組み込んでいるかが重要となります。

具体的には、 業務系 SaaS の API で仕訳データを取得、 AI で判定、 結果を文書管理サービスにログとして残す、 異常があれば業務通知系ツールに通知、 という一連のフローを AI コーディング環境内で実装している、 という構造です。 各 SaaS と AI をつなぐ役割を、 標準化された接続規格が担います。 この標準化された接続規格の代表例が、Anthropicが策定したModel Context Protocol(MCP)です。各業務系SaaSがMCP対応のインターフェースを用意していれば、AIコーディング環境側で個別の連携コードをサービスごとに書き直す必要がなくなり、接続部分の保守負担が下がります。 これは技術的に難易度が高いわけではないですが、 業務に合わせた組み合わせを設計する力が必要となります。各SaaSのMCP対応状況は実装が進んでいる途上にあり随時変わるため、導入検討時は各サービスの最新の対応状況を公式情報で確認してください。

中堅事務所では、 各所員がそれぞれ別のツールを使っているため、 同じ構成をそのまま展開することはできません。 しかし、 一部の業務だけを切り出して、 同様の構成で実装することは可能です。 例えば、 月次採算の集計、 顧問先からのメール対応の一次分類、 申告書のチェック支援など、 限定された業務範囲で接続規格ベースの自動化を試すことができます。 関連して 月次採算管理を AI でどう自動化するか でも実装パターンを整理しています。

学べること 3 — エンジニアではない事務所が AI を組み込む工程

ソロ運営の事例の中には、「コードが書けない税理士」 を自称しつつ AI で業務を構築している方もいるようです。 これは、 業務理解と判断基準の言語化が、 コーディングスキルよりも重要であることを示しています。 AI コーディング環境が成熟したことで、 コーディング自体は AI が代行できる工程になりつつあります。

中堅事務所が AI を組み込む工程を考えるとき、「IT 部門がない」 「エンジニアを雇えない」 という制約が壁になることが多いです。 この種の事例は、 この壁が思っていたより低いことを示しています。 必要なのは、 業務を言語化する力と、 試行錯誤する時間です。 業務の言語化は税理士の本業の延長線上にあり、 試行錯誤の時間はベンダーに発注する代わりに自分で投じる、 という選択肢が現実的になってきています。実際に着手する事務所の多くは、全業務を一度に置き換えるのではなく、これまでExcelや紙で手作業していた集計作業の一つを、まずClaude Codeに置き換えてみるところから始めています。小さな範囲で「動くものができる」という手応えを得てから対象業務を広げていくほうが、途中で挫折しにくい進め方です。

ただし、 これには前提があります。 後述するように、 中堅事務所がそのまま個人事務所の手法を真似ることには限界があります。

Claude Codeで税理士事務所の業務はどこまで自動化できるのか

ここまで抽象的な学びを整理してきましたが、実際にどの業務でどれくらいの効果が見込めるのかを、もう少し具体的に見ておきます。Claude Codeとは、Anthropic社が提供するターミナル上で動作するAIコーディングエージェントです。チャット画面で一問一答を繰り返す従来型のAIアシスタントとは異なり、ファイルの読み書き、外部サービスへの接続、複数手順にわたる処理の実行までを、人間が都度コピー&ペーストすることなく一貫して任せられる点が特徴です。税理士業務との相性が語られるのは、会計データの取得、判定ロジックの適用、結果の記録という一連の作業が、まさにこの「複数手順を一貫して任せる」領域に当てはまるためです。Claude Codeというキーワードを税理士業務と結びつけて情報を探す読者が増えているのも、この領域での応用可能性への関心の表れだと考えられます。

公開されている事例で紹介されている仕訳の自動判定の工程は、おおむね次のような流れです。まず会計ソフトのAPIまたはCSVエクスポート機能を使って当月の取引データを取得します。次に、この取引データを顧問先ごとに用意した勘定科目の対応表と照合し、対応表でマッチしなかった取引だけをAIの判定に回します。最後に、AIが出した判定結果を人間が最終確認してから会計ソフトに反映する、という二段階構成です。全件をAI任せにするのではなく、機械的に処理できる部分と人が確認すべき部分を切り分けている点が実務的です。

日本の会計ソフトでは、freeeやマネーフォワード クラウド会計のように、API経由で仕訳データを取得・登録できる製品が増えています。こうしたAPI連携に対応した会計ソフトを使っている事務所ほど、Claude Codeとの連携を試しやすい環境にあります。逆に、API連携に対応していない会計ソフトを使っている場合は、CSVの手動エクスポート・インポートを介した連携から始めることになり、自動化できる範囲は当面限定的です。導入検討の初期段階では、まず自事務所が使っている会計ソフトがAPI連携に対応しているかどうかを確認することが、最初の一歩になります。対応状況・API仕様は各社の改定により変わるため、最新情報は各社公式サイトで確認してください。

この工程を、顧問先30社規模の中堅事務所に当てはめて試算すると、従来は1顧問先あたり月2〜3時間かかっていた仕訳の一次チェックが、対応表とAI判定の組み合わせにより1時間前後まで圧縮できる可能性があります。30社分では月60〜90時間だった作業が、月30時間程度に収まる計算です。ただしこれは公開情報にある一般的な業務時間の相場観から逆算した目安であり、顧問先の業種構成や取引内容の複雑さによって数値は大きく変わります。実際に検討する場合は、まず数社の顧問先で試験運用し、削減時間を実測したうえで対象を広げていくのが現実的な進め方です。

次に、試算表や月次損益計算書の一次チェックです。従来は、前月比・前年同月比で大きく増減した科目を、担当者が全科目に目を通して探すというやり方が一般的でした。Claude Codeのような環境では、試算表データを読み込ませ、増減率があらかじめ決めた閾値(例えば前月比20%以上)を超えた科目だけを抽出し、確認リストとして自動生成する使い方ができます。全科目を目視で確認する作業から、抽出された数科目だけを確認する作業に絞り込めるため、1顧問先あたり30分程度かかっていた一次チェックが、5〜10分程度に短縮される計算になります。

三つ目は、顧問先からの問い合わせメールの一次分類です。日々届く問い合わせには、納付期限や必要書類の確認といった定型的なものと、税務上の解釈が絡む個別判断が必要なものが混在しています。この仕分けを人手で行うと、内容を読んで振り分けるだけでメール1件あたり数分かかります。AIによる一次分類を組み込むと、定型的な問い合わせには回答の下書きを自動生成し、個別判断が必要なものだけを担当者に振り分ける運用ができます。問い合わせ件数が多い事務所ほど、この一次分類の効果は積み上がりやすくなります。

四つ目は、顧問先訪問後のメモや電話でのやり取りの構造化です。こうした記録は、テキストのまま蓄積されるだけで、後から検索・参照しにくい状態になりがちです。文字起こしデータやメモをClaude Codeに読み込ませ、顧問先名・日付・論点・次回アクションといった項目に構造化して保存する工程を組むと、「この顧問先で過去にどんな相談があったか」を後から検索できる状態になります。これは作業時間の削減というより、担当者の頭の中にしかなかった情報を、事務所の資産として残せるようになる効果が大きい使い方です。

これら四つの業務に共通するのは、AIが判定を誤った場合にどう気づき、どう修正するかを、業務フローの一部としてあらかじめ組み込んでいる点です。例えば仕訳判定であれば、AIが自信度の低い判定を出した取引には特定のフラグを立てて必ず人間が確認する、といった仕組みを作ります。この「誤りに気づく仕組み」を作らずにAIの判定結果をそのまま会計ソフトへ流し込む設計は、誤った仕訳が翌月以降も気づかれないまま積み上がるリスクがあり、避けるべきです。

この種の自動化を、従来のRPA(Robotic Process Automation)やExcelマクロと同じものと捉える向きもありますが、性質はやや異なります。RPAは決まった手順を決まった通りに繰り返すことに向いていて、画面のどこをクリックするかといった操作手順があらかじめ固定されている必要があります。一方でClaude Codeのようなエージェント型のAI環境は、判断基準さえ言語化されていれば、想定外の入力パターン(未知の取引内容、フォーマットが崩れたデータなど)に対しても、ある程度柔軟に対応方針を組み立てられます。これは万能という意味ではなく、想定外の入力に対しては「判断できないので確認してほしい」という形で人間に差し戻す設計にできる、という意味です。この差し戻しの設計をどれだけ作り込めるかが、実務での安定運用を左右します。

個人事務所の事例を参考にする際、もう一つ確認しておきたいのが、AIに渡すデータの範囲です。仕訳データや試算表は、多くの場合、取引先名や金額といった機微な情報を含みます。実データを直接読み込ませる前に、契約しているAIサービスのデータ取り扱い方針(入力データを学習に使うかどうか、保持期間はどうなっているか)を確認し、試験導入の初期段階ではダミーデータやマスキング済みデータで動作を検証することが望ましい進め方です。この点は個人事務所・中堅事務所を問わず共通する注意点であり、後述する「真似できないこと2」の組織的なガバナンス整備とあわせて検討する必要があります。試験導入の段階で一度この確認を済ませておけば、本番データに切り替える際にあらためて契約条件を見直す手間を省けます。

四つの業務について、所要時間の目安を整理すると次のようになります。

これらの数値は、あくまで公開情報と一般的な業務時間の相場観から逆算した目安であり、個別の事務所で同じ削減率が再現される保証ではありません。実際の削減効果は、顧問先の業種構成、既存システムとの連携の難易度、担当者のITリテラシーによって大きく変わります。導入を検討する場合は、全業務を一度に置き換えるのではなく、1〜2の業務、1〜2社の顧問先に絞って試験導入し、実測した数値をもとに展開範囲を判断することを推奨します。

これら四つの業務に取り組む際の学習コストにも触れておきます。Claude Codeの操作自体は、チャット形式のAIと同様に自然言語で指示を出す形式であるため、ITスキルという意味での学習コストは大きくありません。一方で、判断基準を明文化する作業、会計ソフトや社内システムとの連携部分の設定、誤判定時の確認フローの設計には相応の時間がかかり、外部の技術者の支援を借りるケースも少なくありません。この部分の工数をAIの利用料金だけで見積もると、実際の導入コストを過小評価することになります。

「Claude Code」という名称は、コーディング支援ツールとしてエンジニアの間で知られるようになったものですが、税理士事務所のような非エンジニア組織でも、判断基準さえ言語化できていれば同じ環境を業務自動化に転用できる、というのがここまで見てきた内容です。次章では、この転用を中堅事務所でそのまま行うことがなぜ難しいかを整理します。

真似できないこと 1 — 組織と個人の業務スケールが違う

最大の限界は、 個人事務所と中堅事務所では業務の複雑さが質的に異なることです。 個人事務所では、 全顧問先の特殊事情を一人の代表が把握しています。 中堅事務所では、 顧問先 200-1,000 社の特殊事情が、 複数の担当者に分散して保持されています。 一人が判断ルールを言語化することと、 複数人の暗黙知を統合して言語化することは、 作業の難易度が桁違いに異なります。個人事務所の側にも上限はあります。AIがどれだけ判定を代行しても、最終的な承認や異常時の判断は本人が行う必要があるため、一人で確認できる顧問先数には物理的な天井があります。公開されている事例で顧問先数が数十社規模にとどまっているのは、AIの性能の限界ではなく、この確認作業の上限によるものと考えられます。

組織として AI を運用するには、 担当者ごとに異なる判断基準をすり合わせ、 事務所としての標準を作り、 それを AI に取り込む工程が必要となります。 この工程は、 業務改善活動として独立した時間投資が必要で、 AI 導入と並走させる必要があります。先述した仕訳一次判定の削減時間試算(顧問先1社あたり月1〜2時間)は、あくまで判定作業そのものの時間です。中堅事務所で複数の担当者が同じ仕組みを使う場合、これに加えて、担当者間で判断基準のずれを調整する会議、新人への運用トレーニング、判定ルールの改訂を全担当者に周知する作業といった、個人事務所には存在しないコーディネーションのコストが上乗せされます。このコストを見込まずに「削減時間×顧問先数」で単純に効果を試算すると、実際の導入後に想定より効果が薄いという印象を持ちやすくなります。

真似できないこと 2 — 守秘義務とガバナンス要件が変わる

中堅事務所では、 守秘義務と内部統制の要件が個人事務所より厳しくなります。 個人がソロ運営している場合は、 アクセスログを取らなくても「自分しか触っていない」 という事実で説明できます。 しかし、 中堅事務所で複数の所員が AI を使う場合、 誰が何を入力し、 何が出力されたかを案件単位で追跡できないと、 事故時の説明責任を果たせません。

組織での AI 運用には、 認証 (AUTH)、 権限管理 (ACCESS)、 監査ログ (AUDIT) の三層基盤が前提となります。 これは 士業事務所のための AI エージェント基盤 — AUTH / ACCESS / AUDIT 三層モデル で別途整理しています。 個人事務所の事例には、 この層が登場しません。 必要ないからです。例えば、前述の仕訳自動判定を組織で運用する場合、「どの取引に、いつ、誰が確認したAI判定結果を反映したか」をログとして残せる設計にしておく必要があります。これは、AIの判定精度を検証する目的だけでなく、後日顧問先から仕訳内容について問い合わせを受けた際に、誰がどう確認したかを説明できるようにするための整備でもあります。権限管理の面でも同様です。AIに読み込ませる顧問先データの範囲を担当している顧問先だけに絞る、経験の浅い担当者にはAIの判定結果を書き換える権限を与えず参照のみにする、といった役割ごとのアクセス制御が必要になります。個人事務所では「自分がすべて見る」という前提で成立していた設計が、複数人が関わった瞬間に成立しなくなる典型例です。

真似できないこと 3 — 顧問先からの期待値が違う

中堅事務所の顧問先は、「AI で効率化して顧問料を下げて欲しい」 とは必ずしも考えていません。 むしろ、 中堅事務所に顧問を依頼する顧客は、 ベテラン税理士による経営助言や、 組織として安定したサービス提供を期待していることが多いです。 AI でソロ運営している事務所と、 中堅事務所では、 顧客の期待値が違うため、 AI 適用の重心も変わります。仮に、前述の試算のように仕訳一次判定で月30〜60時間が浮いたとしても、その時間をそのまま人件費削減に使うか、決算前の資金繰り相談や経営会議への同席といった、AIでは代替できない業務に再配分するかで、顧問先への提供価値は大きく変わります。中堅事務所が目指すべきは後者であり、「同じ人数でより多くの経営助言を提供できる事務所」という位置づけです。

中堅事務所が学ぶべきは、「AI で人件費を削減する」 ことではなく、「AI で所員の時間を判断業務にシフトさせる」 ことです。 浮いた時間で経営助言の質を上げる、 顧問先の数を増やす、 新規サービスを開発する、 といった方向に振り向ける構造設計が必要となります。

中堅事務所が今からできる三つの動き

ソロ運営の事例から、 中堅事務所が今すぐ動けることは三点あります。

第一に、 業務フローの言語化を始める。 各業務工程で「何を見て、 どう判断するか」 を、 担当者にヒアリングして文書化する。 これは AI が入っても入らなくても、 事務所の業務品質を上げる。 この工程に半年から 1 年は投資する価値があります。ヒアリングの進め方としては、一度にすべての業務を対象にするのではなく、まず担当者ごとに「判断に一番時間がかかる業務」を一つ選んでもらい、その業務の判断基準だけを深掘りする方法が実務的です。全業務を横断的に洗い出そうとすると作業が発散しやすく、途中で止まってしまう事務所を多く見かけます。

第二に、 一部の業務で AI 自動化を試す。 全業務を一度に変える必要はない。 月次採算集計、 顧問先メール対応、 申告書チェックなど、 限定された業務範囲で AI を組み込み、 動かしてみる。 大きな投資の前に、 小さく試して感触をつかむ段階です。

第三に、 守秘義務と内部統制の整備を並走する。 AI 導入の前に、 認証・権限管理・監査ログの基盤を準備する。 これは AI を入れるかどうかに関わらず、 組織としての必須整備です。

第二の動き、一部業務での試験導入について、着手前に事務所内で決めておくべき項目を整理すると、次の4点に集約されます。

• 対象業務の範囲(1業務に絞るか、複数業務を並行するか)
• 対象顧問先の範囲(全社を対象にするか、一部の顧問先で先行するか)
• 人間が確認する段階(全件を確認するか、閾値を超えたものだけ確認するか)
• 効果測定の方法(削減時間の記録方法と、継続可否を判断する時期)

この4点を事前に決めずに試験導入を始めると、「なんとなく便利になった」という感触だけが残り、効果が数字として積み上がらないまま、特定の担当者の熱量に依存した取り組みで終わってしまいがちです。4点を決めたうえで1〜3か月程度の試験期間を設け、削減時間と精度(誤判定の件数)の両方を記録します。精度が一定の水準に達しない業務は、判断ルールの対応表を見直すか、対象範囲を絞り直す判断が必要になります。試験導入で得られた実測値は、次にどの業務へ展開するかを決める判断材料になり、これ自体が「学べること1」で触れた業務の言語化を一段進める機会にもなります。

関連記事

• 三層基盤の設計は 士業事務所のための AI エージェント基盤 — AUTH / ACCESS / AUDIT 三層モデル で整理しています。
• 業務範囲別の AI 適用は 公的情報のみを参照する AI だけでは士業業務は回らない で整理しています。
• 月次採算管理の AI 化は 月次採算管理を AI でどう自動化するか で具体的なパターンを示しています。
• 中堅事務所と個人事務所での AI 適用の違いは 税理士業務における AI の得意・不得意領域 でも別の角度から扱っています。
• FDE モデルでの伴走は 士業事務所のための FDE モデル で説明しています。

自事務所の現状に合わせた相談

「うちの事務所で AI を組み込むなら、 どこから始めれば良いか」 という相談は、 60 分の初回相談で具体的に整理することが可能です。 個人事務所の事例をそのまま真似るのではなく、 自事務所の規模・業務・顧客特性に合わせた優先順位をその場でお示ししています。