PDF、スキャン画像、写真：
AIは3つすべてから同じ項目を抽出できるのか？

列名抽出の仕組み（全フォーマット対応）

ほとんどの文書抽出ツールは文書レイアウトから逆算して動作します。Zonal OCRプラットフォームでは、サンプルページの各フィールドに矩形を描く必要があります。テンプレートベースのシステムはサプライヤーごとにレイアウトを保存します。文書フォーマットが変わったり、PDFではなく写真を扱う場合、テンプレートは壊れて最初からやり直しです。

ImageToTable.aiは逆のアプローチをとります。抽出したい内容（平易な英語で入力した列名）を定義するだけで、AIがピクセル座標ではなく内容を理解して各文書内の該当フィールドを特定します。「合計金額」という明細項目は請求書ごとに異なる位置にありますが、AIはページ上の位置に関係なく意味的に認識します。

つまり、QuickBooksのネイティブPDF、スキャンしたアーカイブ文書、スマートフォンで撮影したレシート写真のいずれでも、同じ列名が機能するということです。抽出ロジックは変わりません。AIの仕事は前処理パイプラインを進むにつれて難しくなるだけであり、ワークフローに組み込む前に各フォーマットの品質上限がどこにあるかを把握しておくことは有用です。

請求書のアップロードから列の定義、クリーンなExcelへのエクスポートまでの完全なステップバイステップのワークフローについては、AIによる請求書処理の自動化ガイドをご覧ください。

試してみる：PDF、スキャン、写真をドロップ

「請求書番号」「日付」「合計」など、いくつかの列名を入力してから、任意のフォーマットのファイルをアップロードしてください：

フォーマット間で実際に変わること

重要な注意点：物理文書をスキャンして作成されたPDFは、ネイティブPDFではありません。ファイルマネージャーではPDFに見えますが、埋め込みテキストレイヤーはなく、圧縮画像のみです。抽出処理においては、スキャン文書とまったく同じ動作をします。すべてのPDFが同等だと想定しているユーザーには驚きです。ファイル拡張子だけではテキストレイヤーの有無は判断できません。ImageToTable.aiはこれを自動検出し、バックグラウンドでOCRに切り替えます。アップロード時に事前分類する必要はありません。

AI抽出が従来の文字レベルOCRとアーキテクチャレベルでどのように異なるか詳しく知りたい方は、AI vs. 従来型OCRの比較でその仕組みを詳しく解説しています。

フォーマット別：実際の精度の目安

ネイティブPDF（QuickBooks、SAP、FreshBooksなどの会計ソフト・ERP・請求プラットフォームで生成）は、常に高精度を達成します。テキストレイヤーがクリーンで機械可読性が高く、構造化されています。このフォーマットなら、数百ファイルをバッチ処理しても手動修正はほぼ不要です。例外的に、特殊なフォントエンコーディングやパスとして描画されたテキストを含むPDFは、画像と同様の挙動を示します。

スキャン文書（フラットベッドスキャナ、300 DPI）は、原稿が鮮明であればネイティブPDFに近い精度を発揮します。過去10年以内にスキャンされた標準的なビジネス文書では、両者の精度差は実用上問題になりません。ただし、経年劣化（インクのかすれ、黄ばみ）や物理的損傷（文字列を横切る折れ目）があると品質は低下します。かすれた原稿には400～600 DPIでコントラスト低下をある程度補えます。ImageToTable.aiでスキャンを処理する際は、バッチ内で最も古い・損傷の激しいファイルをスポットチェックすれば十分です。残りは問題ないことがほとんどです。

スマートフォン撮影は、撮影条件のばらつきが大きいため、精度の幅が最も広くなります。文書を平らに置き、均一な照明下で、おおよそ中央に収めて撮影した場合、スキャン文書に近い品質が得られます。同じ文書でも、30度の角度で撮影し、ページの半分に影がかかっていると、隠れたフィールドの結果は著しく悪化します。視覚モデルの失敗には有益な特性があります。写真からフィールドを確実に抽出できない場合、結果は通常、一見正しそうで誤った値ではなく、空白か明らかに間違った値になります。そのため、レビュー時に容易に発見でき、データに静かに混入することはありません。

フィールド抽出品質に実際に影響する5つの要素

フォーマットタイプがベースラインの範囲を決めます。その範囲内で実際の品質を左右するのが以下の5つの要素です。これらはほとんどが、ファイルがAIに渡される前にユーザー側でコントロールできます。

1. 解像度（DPI） — スキャン文書において最もコントロールしやすい変数です。300 DPIでスキャンすると、低解像度に比べてOCR精度が最大50%向上します。150 DPI未満では文字レベルのエラーが積み重なり、密度の高い表のセルは信頼性が低下します。文書アーカイブのスキャンワークフローを構築するなら、DPIは何よりも先に標準化すべき設定です。

2. 照明と影（写真） — 不均一な照明は誤ったエッジを生み出し、文字のセグメンテーションを妨げます。数字の列に影がかかると、その列全体が誤って解析される可能性があります。対策は簡単です。文書をコントラストのある平らな面に置き、真上の光源やフラッシュではなく、均一な環境光の下で撮影してください。

3. 文書の傾き — 水平から数度以上傾いて撮影またはスキャンされたページは、行のセグメンテーション精度が著しく低下します。ImageToTable.aiは自動傾き補正を適用しますが、極端な角度（30°以上）では密度の高い表にエラーが発生します。スマートフォンで撮影する場合は、文書を画像の端とほぼ平行に、中央に配置するようにしてください。

4. テキストの種類：印刷 vs. 手書き — 通常のビジネス用フォントサイズ（8pt以上）の印刷テキストは、3つの形式すべてで良好に機能します。手書きテキストは質的に異なる課題です。精度はツールの性能ではなく個人の筆跡スタイルに依存し、結果は大きく異なります。数量集計表や手書きの領収書などの手書きフィールドでは、抽出された値を下流のワークフローに送る前に必ず確認してください。

5. 透かしと重なり要素 — ビジョン言語モデルは、従来の文字レベルOCRよりもこれらをうまく処理します。なぜなら、コンテキストを理解するからです。仕入先名に重なった「PAID」スタンプは、仕入先名の一部ではありません。データ密度の高い表セルに直接重なった濃い透かしは、影響を受けるフィールドの精度を低下させますが、孤立したスタンプやロゴが問題を引き起こすことはほとんどありません。

文書が3種類すべて混在している場合

これが、ほとんどの財務・運用チームが直面する実際のシナリオです。サプライヤーはPDFの請求書をメールで送信します。2年前のアーカイブ記録はスキャンしたTIFFファイルをPDFに変換したものです。現場スタッフは経費領収書をスマートフォンの写真として提出します。3つの入力タイプに対して個別のワークフローを実行したり、アップロード前に事前分類したりすることは、時間とともに見えないところで蓄積されるオーバーヘッドの一種です。

ImageToTable.aiの列名抽出では、フィールドを一度指定し、任意の形式の組み合わせでファイルをアップロードすると、ソースの元の形式に関係なく、各行が1つのソース文書に対応する単一のマージされたExcelファイルを受け取ります。出力テーブル構造は、ソースがSAP生成のPDFであろうと、手書きの領収書の写真であろうと同一です。

実用的には、書類をフォーマットごとに事前に分類する必要はありません。フォーマットが重要になるのは、バッチ処理の精度の見込みを設定するときだけです。きれいなサプライヤーのPDFは、照明条件が不安定な中で撮影された暗いスマホ写真が混ざったバッチよりも、はるかに安定した結果が得られます。

現場スタッフや外部の協力者から複数の経路で書類を受け取るチームには、バッチ処理により、それらの混在フォーマットのファイルをまとめてアップロードし、手動で仕分けすることなく結果を1つのスプレッドシートに統合できます。コレクションリンク機能を使えば、さらに簡単に、受信者はアカウント不要で直接あなたの処理キューにアップロードできます。

よくある質問

実際の書類でImageToTable.aiをお試しください

上の埋め込みデモはすぐに使えます。列名をいくつか入力し、PDF、スキャン、写真をドロップするだけです。さまざまな書式の書類で最も一貫した抽出を行うための列名の設定方法については、フィールド抽出ガイドで命名規則とエッジケースを詳しく説明しています。