紙・PDFの書類をAIでデータ化するには｜OCRの精度の確かめ方と進め方

紙やPDFの書類をデータにする作業は、今のAIでかなりの部分を任せられます。ただ、手間が残るのは文字の読み取りより、その後です。読み取った文字を項目ごとにそろえ、社内のマスタと照らし合わせ、システムに入る形にする。この後半まで設計して、はじめて打ち込みの作業が減ります。進め方は、実物で精度を測る、項目をそろえる、マスタと照らす、人が確認する範囲を決める、の順です。

書類のデータ化で、手間が残るのはどこか？

書類のデータ化は、大きく3つの工程に分かれます。

工程	中身	手間が残りやすい理由
読み取る	紙やPDFから文字を取り出す	手書きや、かすれ・塗りつぶしで精度が下がる
そろえる	日付・金額・取引先などを同じ形で取り出す	取引先ごとに書式が違う
つなぐ	社内のマスタと照らし、システムに入れる	表記ゆれで、同じ取引先が別のものに見える

従来のOCRは、1つ目の「読み取る」が中心でした。今の生成AIは、書式が違っても「この書類の請求金額はどれか」を読み取って項目にそろえられるので、2つ目まで任せられるようになっています。3つ目は、その会社のマスタとの照らし合わせなので、仕組みとして作る必要があります。

OCRの精度は、どう確かめればいいのか？

本番の前に、実物の書類で測ってください。カタログに書かれた精度は、条件のよい書類での数字です。自社の書類でどうなるかは、試すまで分かりません。

実物を集める：取引先や書式の違いが分かるよう、種類ごとに数件ずつ、合わせて数十件を用意する
正解を作る：人が読んだ正しい値を、項目ごとに表にしておく
項目ごとに比べる：書類全体ではなく、日付・金額・取引先など項目ごとに合っている割合を出す
印刷と手書きを分ける：手書きは印刷より精度が下がるので、別々に数える

当社が支援した構造計算事務所では、本格的に作る前に実際の計算書と依頼シート60ファイルで検証し、計算書と依頼シートの読み取り精度がともに100%、図面は90%という結果を確かめてから進めました（事例はこちら）。項目ごと・書類ごとに精度を分けて見ると、どこまで機械に任せ、どこを人が見るかを決められます。

書類のデータ化の4つの段階：実物で精度を測る、項目をそろえる、マスタと照らす、人が確認する範囲を決める

読み取ったデータは、どうシステムにつなぐのか？

読み取った取引先名や品名を、社内のマスタ（取引先一覧や品目一覧）と照らし合わせます。表記ゆれ（株式会社の位置、全角・半角、略称）があるので、完全に一致しなくても候補を出す形にするのがコツです。

金額のように間違えると困る項目は、合計の検算で確かめます。明細の合計と書類の合計が合わなければ、読み取りのどこかが違うと分かります。

人が確認するのは、どこか？

全部を人が確認すると、手で打ち込むのと変わりません。機械が「自信がない」ものだけを人に回します。

マスタと一致しなかった取引先
検算が合わなかった書類
手書きの項目
初めて届いた書式の書類

確認した結果を記録しておくと、次から同じ取引先や書式は機械で処理できるようになります。

よくある質問

手書きの書類も読み取れるのか？

読み取りは可能です。ただし印刷より精度が下がるので、実物で精度を測ってから、人が確認する範囲を決めます。手書きの項目は、最初は全件を人が確認する設定から始め、精度を見ながら減らすのが安全です。

専用のOCR製品を買う必要はあるのか？

書類の種類が少なく、件数が多いなら、専用の製品が向いていることもあります。書式がばらばらで、社内のマスタとの照らし合わせまで必要なら、生成AIと照合の仕組みを組み合わせるほうが合うことが多いです。実物で精度を測ってから決めます。

電子帳簿保存法への対応も一緒にできるか？

できます。データ化の仕組みに、原本のファイルを決まった名前と場所で保存する処理も組み込めるからです。保存の要件は書類の種類によって違うので、対象の書類を確かめてから設計します。