AI文書抽出入門：
仕組みと活用法

コンピュータが書類をアップロードしたときに実際に見ているもの

あなたが扱う書類（請求書、領収書、銀行取引明細書、契約書、タイムシート）は、紙かデジタルのどちらかの形式です。紙の場合は写真を撮るかスキャンし、デジタルの場合はすでにファイルです。いずれにせよ、コンピュータに届く頃にはピクセルになっています。そしてピクセルにはラベルが付いていません。

これこそ、すべての書類抽出技術が解決しようとする根本的な問題です。色のついたドットの集まりから、「請求書番号」列に「INV-1042」、「合計」列に「$2,527.74」が入ったスプレッドシートの行をどうやって作るか？手動入力、テンプレートベースのOCR、AI抽出——どのアプローチも、この一つの問いに対する異なる答えにすぎません。

手動入力は、人が画像を見て、見えたものをタイプすることで答えます。テンプレートベースのOCRは、各フィールドの周りに枠を描いてソフトウェアに探す場所を教えることで答えます。AI抽出は別の答え方をします。コンピュータにどこを見るかを伝える代わりに、何が欲しいかを伝えると、AIが書類を読んで見つけ出します。この「どこ」から「何」への転換こそが、すべての物語です。

なぜその転換が重要なのかを理解するには、OCRが実際に何をするのか、そして何をやり残すのかを知る必要があります。

OCRは文字を読む。AIは書類を読む。

光学文字認識（OCR）は何十年も前から存在します。画像をスキャンし、文字のように見える形状を識別してデジタルテキストに変換します。スキャナーアプリを使って紙の書類を検索可能なPDFにしたことがあるなら、OCRを使ったことがあるでしょう。

標準的な業者請求書をOCRにかけると、次のような出力が得られます。

INVOICE
Acme Industrial Supply
451 Commerce Drive, Suite 200
Chicago, IL 60607
Invoice #INV-2024-0891
Date: March 15, 2024
Due Date: April 14, 2024
PO Number: PO-77231
Item | Qty | Unit Price | Total
Hex Bolt M10 | 200 | $2.40 | $480.00
Steel Washer M10 | 500 | $0.15 | $75.00
Threaded Rod 1m | 50 | $12.80 | $640.00
Subtotal: $1,195.00
Tax (8.75%): $104.56
Shipping: $45.00
Total: $1,344.56

すべての文字は正しく認識されています。OCRはその役割を果たしました。しかし、実際に得られたものを見てください。長くて区別のないテキストの塊です。請求書番号、日付、業者名、明細行、合計——すべてそこにありますが、フィールドに分けられていません。「INV-2024-0891」を請求書番号列に入れるには、テキストブロックからそれを見つけ、ハイライトし、コピーし、スプレッドシートに切り替えて貼り付ける必要があります。それを日付でも、PO番号でも、すべての明細行でも繰り返します。OCRは文字をデジタル化しましたが、データ入力の問題はそのまま残しました。

では、同じ請求書をAI書類抽出にかけるとどうなるでしょうか——請求書番号、日付、期日、PO番号、業者名、小計、税、送料、合計の列が欲しいと伝えた場合です。

同じ文書でも、出力結果はまったく異なります。違いはAIの文字認識が優れているからではありません。OCRはすでに正確でした。違いは、AIが情報の意味を理解している点にあります。「合計」という単語の横にある「$1,344.56」が請求書の合計金額であり、明細項目や税額ではないことを理解します。「請求書番号」というテキストの後の「INV-2024-0891」が請求書番号であることを理解します。そして、すぐに使えるラベル付きの列に情報を整理します。コピー＆ペーストは不要です。

この違いについて、複数の文書タイプにわたる比較とともに詳しく知りたい方は、AIデータ入力とOCRの違いの解説およびAIと従来型OCRの精度比較をご覧ください。

AIが文書を理解する仕組み（どこを見るか指示しなくても）

当然浮かぶ疑問は、AIがどのテキストをどの列に属するか判断するのか、ということでしょう。それはピクセル座標を読んでいるわけでも、テンプレートと照合しているわけでもありません。まったく異なる方法で動作しており、それを理解することで、文書抽出の全体像が明確になります。

最新のAI文書抽出を支える技術は、視覚大規模言語モデル（VLM）と呼ばれます。これは、人間と同じようにページ全体を処理するモデルです。つまり、レイアウトを見て、テキストを読み、それらの関係を同時に理解します。文書を見るとき、OCRのように左から右、上から下へと処理するのではなく、ページ全体を一度に取り込みます。隅のロゴ、太字の見出し、表の構造、合計の枠など、文書の構造を頭の中で描き、各テキストをその構造内での役割にマッピングします。

これが、テンプレートベースのツールとユーザー体験が大きく異なる理由です。サンプル文書の各フィールドに矩形を描く代わりに（「請求書番号はここ、日付はここ、合計はあそこ」）、抽出したい列名を入力するだけです。このアプローチはカスタム列抽出と呼ばれます。つまり、欲しい出力（「請求書番号」「支払期日」「取引先」「明細合計」）を記述すると、AIがページ上のどこにあっても、その意味を理解して各値を特定します。

入力した列名が、最終的なスプレッドシートの見出しになります。これがパラダイムシフトです。入力ではなく出力を記述するのです。つまり、同じ列名セットが、レイアウトが統一された1社からの50件の請求書でも、フォーマットがまったく異なる50社からの50件の請求書でも機能します。AIは位置を気にしません。意味を重視するのです。

このアーキテクチャは、トレーニングステップが不要であることも意味します。従来のテンプレートベースのツールは、新しい文書レイアウトを読み取るために50～200のラベル付きサンプルを提供する必要がありました。これは、フィールドが現れる位置の統計パターンを学習していたからです。視覚モデルに基づくAI抽出は、ゼロトレーニングサンプルで動作します。なぜなら、位置ではなく意味で文書を読み取るからです。モデルが一度も見たことのない文書でも、数秒で結果を得られます。

柔軟性はさらに広がります。カスタム列抽出は3つのモードをサポートしており、それぞれがデータ問題の異なる層を解決します。

カスタム列の設定方法と必要な項目を正確に抽出する手順については、あらゆる書類から特定の項目を抽出するガイドをご覧ください。

AI文書抽出でできること、できないこと

できることを理解するのは重要です。しかし、できないことを理解することも同様に重要であり、入門記事の多くはこの点を軽視しています。

得意なこと

清潔な文書の印字テキスト。標準的な請求書、領収書、銀行取引明細書、発注書、契約書など、明確な印字テキストと定義された構造を持つ文書は、表データで最大99%の精度で処理できます。人間が手入力で3分かかるページも、AIなら5～10秒です。

ある程度の手書き文字。最新のビジョンモデルは、筆記体、手書きで記入されたフォーム、チェックボックス（チェックまたは丸印）を含む手書きテキストを読み取れます。また、チェックマーク入りのフォーム、スタンプ、署名など、従来のOCRでは対応が難しい要素も処理できます。重要なのは読みやすさです。清潔なフォームに丁寧に書かれた手書き文字は確実に読み取れますが、くしゃくしゃのレシートに走り書きされたメモは成功率が低くなります。

複数形式、同じ設定。AIはピクセル位置やテンプレートに依存しないため、PDF、スマホ写真、スクリーンショット、スキャンを同じバッチで混在させることができます。テキストが読める限り、文書の取得方法に関係なく、抽出は同じように機能します。

苦手なこと

極端に低解像度の画像。テキストがぼやけていたり、人間が見ても目を細めるほどピクセル化している場合、AIも同様に苦戦します。適切な距離から十分な照明で撮影された写真は問題ありませんが、200×150ピクセルの文書全体のサムネイルは不適切です。

セル結合のある複雑な入れ子表。明確な列（商品 | 数量 | 単価 | 合計）を持つ単純な明細表はうまく機能します。しかし、入れ子になった小計、複数列にまたがる結合ヘッダー行、表セル内に埋め込まれた脚注がある財務諸表では、結果がずれる可能性があります。AIは構造を読み取りますが、文書の構造が曖昧な場合、抽出は確定的ではなく確率的になります。

情報自体が不完全または矛盾している文書。請求書に2つの異なる合計金額（サマリーボックスと支払い指示書）がある場合、AIはどちらが必要かを推測する必要があります。通常は文脈から正しく判断しますが、文書に真に曖昧な情報が含まれている場合、人間による確認が依然として必要です。

精度に影響を与える要因、改善方法、完全な結果が期待できるケースについての詳細は、AI抽出精度の実践ガイドおよびスクリーンショット抽出で結果が不安定になる理由の解説をご覧ください。

初めての抽出：どこから始めるか

AIによる書類抽出を理解する最良の方法は、実際にやってみることです。ここでは、最も一般的な出発点である請求書を例に、初めての抽出がどのようなものかを説明します。

ステップ1：書類を選ぶ。 請求書なら何でも構いません — 仕入先からのPDF、紙の請求書の写真、メールのスクリーンショットでも大丈夫です。完璧である必要はありません。スマホで撮った写真でも機能します。

ステップ2：取得したいデータを決める。 書類上のフィールドをハイライトする代わりに、最終的なスプレッドシートにどのような列が欲しいかを考えてください。一般的な請求書の場合、通常は次の通りです：請求書番号、日付、支払期日、取引先名、小計、税額、合計。これらの列名を、出力に表示したいとおりに正確に入力します。

ステップ3：アップロードしてAIに読み取らせる。 AIは書類全体 — 視覚的なレイアウトとテキストの両方 — を処理し、指定された各フィールドを見つけて、正しい列に値を配置します。得られるのは構造化されたテーブルで、ExcelやCSVにエクスポートする準備ができています。

これが核となるワークフローです：出力を記述 → 書類をアップロード → 構造化データを取得。テンプレートの作成、トレーニングデータのラベル付け、ベンダーごとの設定は一切不要です。ここですぐにお試しいただけます：

初めての抽出が終わったら、自然な次のステップはもっと多くの書類を処理することです。そして、そこに本当の生産性向上が存在します。

複数の文書を処理する場合

1件の文書を3分から5秒で処理できれば、36倍の高速化です。数件しかなければ大きな変化には感じられないかもしれません。真価が発揮されるのは、複数の文書を一括処理するときです。

一括処理とは、10件、50件、200件もの請求書、領収書、明細書を一度にアップロードすることです。列名を一度定義すれば、AIがすべての文書からデータを抽出し、結果を1つのスプレッドシートにまとめます。手作業で何時間もかかっていた作業が、わずか数分の処理時間に変わります。

具体例を挙げます。毎月40件の仕入先請求書を受け取る小規模事業者を想定します。各請求書には、請求書番号、日付、金額、取引先、支払期日、注文番号、税、カテゴリの約8項目を会計スプレッドシートに入力する必要があります。1件3分として、入力だけで2時間かかります。一括抽出なら、40件すべてを一度にアップロードし、AIが処理する約3分待つだけで、全320データポイントがすでに入力された1つのスプレッドシートをダウンロードできます。詳細な手順は、請求書データをExcelに一括抽出する方法をご覧ください。

一括処理には、手入力では決して得られないものもあります。それは一貫性です。40件の請求書を手入力すると、「Acme Corp」が「Acme Corp.」になったり、「Acme Corporation」になったりと、小さな表記ゆれが生じます。AIはすべての文書に同じ抽出ロジックを適用するため、取引先名、日付、金額がバッチ全体で統一されます。

出力形式は柔軟です。会計作業にはExcel（XLSX）、他のツールに取り込むにはCSV、自動化パイプラインを構築する場合はJSONにエクスポートできます。また、文書の元のレイアウトを保持する必要がある場合（契約書、法的文書、書式がデータと同様に重要なシナリオ）には、Wordに変換モードもあります。結果に応じて、表に変換（構造化されたスプレッドシート出力）とWordに変換（元の書式を保持した編集可能な文書）を選択できます。

チームや共有ワークフロー向けに、コレクションリンク機能で共有可能なリンクを生成できます。クライアント、取引先、チームメンバーに送信すると、リンクを開いて短い確認コードを入力するだけで、あなたの処理キューに直接文書をアップロードできます。相手側のアカウント登録は不要です。ファイルはダッシュボードに届き、抽出準備が整います。これは、会計士がクライアントの書類を収集する場合、人事チームが従業員のフォームを集める場合、または複数の人から書類が届くあらゆるシナリオで特に便利です。

主にスプレッドシートで作業される方は、Googleスプレッドシートアドオンを使用すると、同じ抽出エンジンをスプレッドシートのサイドバーで直接利用できます。画像やPDFをアップロードし、列を定義すれば、抽出されたデータがタブを切り替えることなくアクティブなシートに直接追加されます。ワークフローの比較については、文書データをGoogleスプレッドシートに直接抽出する方法をご覧ください。

よくある質問

手書きの文書でも使えますか？

はい、ある程度は可能です。最新のビジョンモデルは、判読可能な範囲であれば筆記体を含む手書き文字を読み取れます。きちんと記入されたフォームは問題なく処理できます。くしゃくしゃのレシートに走り書きされたメモでは成功率が下がります。この技術は従来のOCRよりも手書き文字の読み取りに優れていますが（詳細はAIが手書きフォームを読み取る仕組みの解説をご覧ください）、魔法ではありません。人間が読むのに苦労するような文字は、AIもおそらく読めません。

事前に文書フォーマットを学習させる必要がありますか？

いいえ。これがAI抽出と従来のテンプレートベースのツールとの最大の違いの一つです。従来のツールでは、新しい文書レイアウトを読み取るために50～200のラベル付きサンプルが必要な場合があります。ビジュアル言語モデルに基づくAI抽出はゼロトレーニングで機能します。つまり、コンテンツと構造を理解することで文書を読み取り、ピクセル位置を記憶する必要はありません。モデルが一度も見たことのない文書をアップロードしても、すぐに結果を得られます。この違いのアーキテクチャ上の理由については、テンプレート不要の抽出の解説をご覧ください。

対応しているファイル形式は？

PDF、JPG、PNG、WebP、AVIFです。ウェブページのスクリーンショットも処理できます。スマートフォンで撮影した写真、スキャンしたPDF、デジタルファイルなど、文書が対応しています。重要なのはテキストが読み取れることであり、ファイル形式自体がボトルネックになることはほとんどありません。

スクリーンショットからデータを抽出できますか？

はい。実際、スクリーンショットからの抽出は最も一般的なユースケースの一つです。支払い確認画面、EHRシステム、会計ソフトのエクスポートなど、スクリーンキャプチャしか入手できない場面で利用されています。AIはスクリーンショットを他の画像と同様に処理します。解像度やUIの煩雑さが精度に影響する場合があるため、詳細はスクリーンショット抽出の一貫性に関する考察をご覧ください。

実際の精度はどのくらいですか？

書式が整った印刷文書（請求書、領収書、明細書など）の場合、精度は最大99%に達します。手書き文字、低解像度、特殊なレイアウトなどの難しいケースでは精度は低下します。正直なところ、あらゆる文書タイプで100%の精度を達成できるツールはなく、そのような主張には懐疑的であるべきです。AI抽出が従来と異なるのは、その「失敗の仕方」です。テンプレートベースのツールがデータを間違った列に静かに配置するのに対し、AI抽出の失敗は通常、空白セルや明らかに間違った値など、明らかです。これについては、抽出精度の実践ガイドで詳しく説明しています。

Google Sheetsで使えますか？

はい。Google Sheetsアドオンがあり、別のアプリに切り替えることなく、文書をアップロードして列を定義し、抽出データをスプレッドシートに直接書き込めます。アカウントと同期するため、列テンプレートや履歴もSheets内で利用できます。

データは安全ですか？

処理のためにアップロードされた文書は、暗号化された接続で処理されます。ファイルは処理され、抽出データが配信されます。文書は処理サーバーに永続的に保存されることはありません。機密文書（医療記録、法的契約書、財務諸表）については、他のクラウドサービスと同様の標準的なデータ取り扱い上の注意が適用されます。

コーディングの知識は必要ですか？

いいえ。文書のアップロード、列の定義、抽出の実行、結果のダウンロードといった全ワークフローは、Webインターフェースまたはスプレッドシートのサイドバーを通じて行われます。プログラミングもAPI呼び出しも設定ファイルも必要ありません。スプレッドシートを埋められる方なら、AI文書抽出をご利用いただけます。

文書抽出とは、データを理解する人を置き換えることではなく、何年も前にコンピューターが担うべきだった作業からその人を解放することです。