ドキュメントインテリジェンス（ドキュメントインテリジェンス）
PDF・画像・スキャン文書から表・グラフ・テキストを自動認識し、構造化データとして抽出するAI技術。Azure Document Intelligence・AWS Textract・Google Document AIなどのクラウドサービスに加え、LLMのマルチモーダル能力を活用した新世代のアプローチが台頭している。
ドキュメントインテリジェンスとは
ドキュメントインテリジェンスとは、PDF・画像・スキャン文書などの非構造化ドキュメントからテキスト・表・フォームフィールド・署名・チェックマークなどを自動認識し、プログラムで処理可能な構造化データに変換する技術である。従来のOCR（光学文字認識）がテキスト認識に特化していたのに対し、ドキュメントインテリジェンスはレイアウト解析・表構造認識・キーバリューペア抽出・文書分類を統合的に行う。2025年以降、GPT-4oやGemini 1.5 Proなどマルチモーダル LLM が文書画像を直接理解できるようになり、従来のOCRパイプラインを経由しない「LLMネイティブ」なドキュメント処理が主流になりつつある。
主要サービス比較
| サービス | 提供元 | 特徴 | 価格（1,000ページ） | 対応言語数 |
|---|---|---|---|---|
| Document Intelligence | Microsoft Azure | 事前構築モデル豊富、カスタムモデル対応 | $1.50-$10.00 | 300+ |
| Textract | AWS | S3統合、非同期処理、AnalyzeExpense | $1.50-$15.00 | 100+ |
| Document AI | Google Cloud | Vertex AI統合、Gemini連携 | $1.50-$10.00 | 200+ |
| IDP Platform | ABBYY | 30年の実績、高精度OCR | 個別見積 | 200+ |
| Sensible | Sensible | 開発者向けAPI、テンプレート不要 | $0.10/ページ〜 | 50+ |
| LlamaParse | LlamaIndex | LLM特化パーサー、Markdownへ変換 | $0.003/ページ〜 | 多言語 |
Azure Document Intelligence 詳細
Microsoft Azure Document Intelligence（旧Form Recognizer）は最も成熟した文書AI サービスの一つ：
- 事前構築モデル: 請求書・領収書・W-2税務書類・身分証明書・名刺・健康保険証に対応
- カスタムモデル: 独自文書に対して50枚の学習データでカスタム抽出モデルを構築
- レイアウトAPI: ページ構造・段落・表・セクション見出し・図表を自動認識
- 読み取り順序: 多段組み・ヘッダー/フッターを考慮した論理的な読み取り順序の推定
- バーコード/QRコード: 文書内の1D/2Dバーコード自動検出
- 手書き文字: 英語・日本語・中国語の手書き文字認識に対応
- 価格: Readモデルは$1.50/1,000ページ、カスタムモデルは$10.00/1,000ページ
AWS Textract 詳細
Amazon Textractは AWS エコシステムに統合された文書処理サービス：
- AnalyzeDocument: テキスト・フォーム・表の検出と抽出
- AnalyzeExpense: 請求書・領収書の専用解析（品目・金額・日付の自動認識）
- AnalyzeLending: 住宅ローン申請書類の専用解析
- 非同期処理: S3バケット経由で大量ドキュメントのバッチ処理
- Confidence Score: 各抽出フィールドに0-100の信頼度スコア付与
- Human Review: Amazon A2I（Augmented AI）連携で低信頼度結果の人間レビュー
- 価格: DetectDocumentText $1.50/1,000ページ、AnalyzeDocument Tables $15.00/1,000ページ
LLMネイティブ文書処理
2025-2026年に台頭した新世代アプローチ：
- GPT-4o Vision: PDF各ページを画像として送信し、プロンプトで抽出指示。表構造の認識精度が高い
- Gemini 1.5 Pro: 最大200万トークンのコンテキストで数百ページのPDFを一括処理
- Claude 3.5 Sonnet: PDF直接入力対応（2024年10月〜）。100ページ以上の文書を一括解析
- LlamaParse: LlamaIndex提供のLLM特化パーサー。複雑なレイアウトをMarkdownに高精度変換
- Docling: IBM Research開発のOSS文書パーサー。表・図・数式を構造化出力
- Marker: PDF→Markdown変換ツール。学術論文の数式・図表対応
LLMネイティブ方式のメリットは、事前構築モデルやテンプレートが不要で、プロンプトだけで任意の抽出ルールを定義できる点にある。一方、APIコストが従来サービスの5-10倍になるケースがあり、大量処理では従来サービスとの使い分けが重要。
パイプライン設計パターン
実用的な文書処理パイプラインは以下の段階で構成される：
- Stage 1 - 文書分類: 文書種別（請求書/契約書/領収書等）を自動判定
- Stage 2 - 前処理: 傾き補正・ノイズ除去・解像度正規化
- Stage 3 - OCR/解析: Azure Document Intelligence等で基本テキスト・表を抽出
- Stage 4 - LLM強化: 抽出結果をLLMに渡し、文脈理解に基づく高精度な構造化
- Stage 5 - バリデーション: ビジネスルールに基づく整合性チェック
- Stage 6 - Human-in-the-Loop: 信頼度閾値以下の結果を人間レビューに回す
よくある質問（FAQ）
Q1: OCRとドキュメントインテリジェンスの違いは何ですか？ A: OCRは画像からテキスト文字を認識する技術に特化するが、ドキュメントインテリジェンスはレイアウト解析・表構造認識・キーバリューペア抽出・文書分類を含む包括的な技術である。OCRはドキュメントインテリジェンスの一部機能に位置づけられる。
Q2: 日本語文書の処理精度はどうですか？ A: Azure Document Intelligenceは日本語の印刷文字で99%以上の認識精度を達成。手書きは90-95%。縦書き・ルビ付きテキストへの対応はGPT-4o Visionが最も安定している。
Q3: 機密文書のセキュリティはどう担保されますか？ A: Azure/AWS/GCPいずれもSOC 2 Type II・ISO 27001認証取得済み。処理データはモデル学習に使用されない。さらに厳格なセキュリティが必要な場合はAzure Private Endpointやオンプレミスコンテナ版が利用可能。
まとめ
- ドキュメントインテリジェンスはOCRを超えた包括的文書AI技術
- Azure・AWS・GCPの3大クラウドが成熟したサービスを提供
- LLMネイティブ方式（GPT-4o/Gemini/Claude）がテンプレート不要の柔軟な抽出を実現
- 大量処理は従来サービス、複雑な非定型文書はLLMの使い分けが最適解
- Human-in-the-Loopを含むパイプライン設計が実運用の鍵