AI文書抽出入門：
仕組みと活用方法

コンピュータが実際に「見ている」もの：書類アップロードの舞台裏

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、デジタルならそのままファイルです。いずれにせよ、コンピュータに届いた時点では、それはピクセルです。そしてピクセルにはラベルが付いていません。

これこそ、あらゆる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」が、「合計」列に「2,527.74ドル」が入ったスプレッドシートの行を、どうやって作り出すのか？ 手動入力、テンプレートベースのOCR、AI抽出——あらゆる手法は、このたった一つの問いに対する異なる答えに過ぎません。

手動入力は、人間が画像を見て、見えたまま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、ソフトウェアに探す場所を教えるため、各フィールドの周りに枠を描かせることで答えます。AI抽出は別の答え方をします。コンピュータに「どこを」見るかを指示する代わりに、「何が」欲しいかを伝えるのです。するとAIが書類を読んでそれを見つけます。「どこ」から「何」へのこの転換こそが、すべての本質です。

この転換がなぜ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、次のような結果が得られます。

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、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——すべてそこに含まれていますが、フィールドに分離されてはいません。「INV-2024-0891」を請求書番号の列に入力するには、テキストブロックの中からそれを見つけ、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あなたに返したのです。

では、同じ請求書に対して、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指示した場合、AI書類抽出は何を出力するでしょうか。

同じ書類でも、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、明細項目や税額ではなく、請求書の合計金額だと認識します。「請求書番号」というテキストの後の「INV-2024-0891」が請求書番号だと理解します。そして、すぐに使えるラベル付きの列に情報を整理し、コピー＆ペーストの手間を省きます。

この違いについて、複数の書類タイプの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（場所を指定しなくても大丈夫）

当然浮かぶ疑問は、AIがどのテキストをどの列に分類するかをどうやって知るのか、ということでしょう。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。まったく異なるアプローチを取っており、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。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。文書をスキャンする際、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、合計金額の枠など、すべてを把握します。文書構造の全体像を構築し、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いて「請求書番号はここ、日付はここ、合計はあそこ」と指定する代わりに、必要な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。「請求書番号」「支払期日」「取引先」「明細合計」など、欲しい出力を記述するだけで、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には、トレーニングステップが不要という利点もあります。従来のテンプレートベースのツールでは、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機能します。位置ではなく意味に基づいて文書を読み取るため、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側面を解決します。

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、印字された表データで最大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印刷フォーム、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、チェックマークが入ったフォーム、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。重要な変数は可読性です。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、スキャン文書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わらず、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ピクセルのサムネイル画像では無理です。

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（1つはサマリーボックス、もう1つは支払い指示）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。

初めてのデータ抽出：始め方

AIによる書類データ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、最も一般的な入門例として請求書を使い、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。 手元にある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。完璧である必要はありません。スマホで撮った写真で大丈夫です。

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列が欲しいかを考えます。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、消費税、合計金額。これらの列名を、出力に表示したい通りにそのまま入力します。

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特定して、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にすぐにエクスポートできます。

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。ここで今すぐお試しいただけます：

最初の抽出が終わったら、自然な次のステップはさらに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待っています。

複数のドキュメントを処理する場合

1件のドキュメントを3分から5秒で処理できれば36倍の高速化ですが、数件しかなければ劇的な変化は感じられません。真の変革は、複数のドキュメントを一括処理するときに起こります。

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がすべてのドキュメント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コピー作業が、数分の放置処理に変わります。

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、入力に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分間待つだけで、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はすべてのドキュメント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標準化されます。

出力形式は柔軟です。会計作業にはExcel（XLSX）、他のツールにインポートするには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、ドキュメントの元のレイアウトを保持する必要がある場合に便利なWordに変換モードもあります。これは、書式がデータと同じくらい重要な契約書、法的文書、その他のシナリオに役立ちます。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ドキュメント）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、サプライヤー、チームメンバーに送信すると、相手はリンクを開き、短い確認コードを入力して、あなたの処理キューに直接ドキュメントをアップロードできます。相手に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フォームを集める場合、または複数の人からドキュメント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する場合は、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に直接導入できます。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、ドキュメントデータを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が、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。従来のOCRよりも手書き文字の認識性能は格段に優れていますが（技術詳細は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でもおそらく読めません。

最初に自社の文書フォーマットで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もあります。視覚言語モデルに基づくAI抽出はゼロショットで機能します。つまり、文書の内容と構造を理解することで読み取りを行い、ピクセル位置を記憶するわけではありません。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、テキストが読み取れる形式であれば対応しています。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、電子カルテ（EHR）システム、会計ソフトのエクスポートデータなど、スクリーンキャプチャしか入手できない場面で活用されています。AIはスクリーンショットも他の画像と同様に処理します。精度に影響する解像度やUIの煩雑さに関する考慮点については、スクリーンショット抽出の一貫性に関する議論で詳しく説明しています。

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、明細のある銀行取引明細書など）の場合、精度は最大99%に達します。手書き文字、低解像度、特殊なレイアウトといった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、そのような主張は疑ってかかるべきです。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してしまうのに対し、AI抽出の失敗は通常、明らかです（空白のセルや明らかに間違った値など）。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、抽出した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、抽出されたデータが提供されます。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に、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。スプレッドシートに入力できれば、AI文書抽出を使用できます。

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仕事の部分から、その人を解放することなのです。