AI-OCRとは？意味・仕組みと書類を読めるツール・料金（2026年11月時点）

ひとことで言うと

AI-OCR は、紙の書類を撮った画像や PDF から、AI の技術で文字を読み取り、使えるデータに変える仕組みだ。OCR は画像の中の文字を読み取ってテキストにする技術を指す。AI を使うと、手書きの文字や表を読み、氏名や金額のような項目ごとに取り出すところまで任せられる。

たとえば経費の精算では、領収書や請求書の金額と日付を、人が見ながら入力することが多い。Google Cloud は文書の処理の例として、領収書と請求書の読み取りや、診療所の問診票の処理を挙げている。こうした作業は、手作業で時間がかかると説明している。

仕組み

Google Cloud の文書処理のサービス Document AI の説明に沿うと、流れは次のようになる。

1. 取り込む：スキャンした画像や PDF を受け取る。傾きを直し、読みやすさを点数にする機能もある。
2. 文字を読む：OCR で文字と配置を読み取る。Document AI の Enterprise Document OCR は、印刷の文字と手書きの文字を、段落、行、単語の単位で検出する。
3. 項目を取り出す：読み取った文字から、必要な項目を抜き出す。「Name: Jill Smith」のような、項目名と値の組や表を取り出せる。
4. 仕分ける：書類の種類を見分け、複数の書類が入った1つの PDF を分ける。

対話 AI のモデルに PDF を渡して読ませる方法もある。Anthropic によると、Claude に PDF を送ると、各ページが画像に変わり、ページから取り出した文字と一緒にモデルに渡る。OpenAI の API も画像を読めるモデルでは、PDF から文字とページの画像の両方を取り出して渡す。Google は、Gemini は画像を読む力で PDF 全体を理解し、文字の取り出しにとどまらず、図や表も読み取れるとしている。

表で見る最新の状況

上の料金の表は、書類の画像や PDF を読ませられる4つのツールの無料プランの有無、いちばん安い有料プラン、日本語の画面の有無を並べたものだ。確認日は2026年10月14日から10月31日。4つとも無料プランが「あり」で、日本語の画面がある。

• ChatGPT のいちばん安い有料プランは Go の月¥1,400だ。Claude は Pro の月$20だ。
• Gemini と NotebookLM は、Google AI Plus の月¥725だ。NotebookLM の無料の Standard は、ノートブック100件、1ノートブックあたりソース50件まで使える。

モデルごとの入力の表は、TRAIL の DB で入力の種類が分かるモデルを並べたものだ（最新の確認は2026年10月24日）。DeepSeek-V4-Pro 以外のモデルは、画像を入力できる。

上の年表は、TRAIL の DB から、対話 AI が画像や書類を読めるようになった出来事7件を選び、古い順に並べたものだ。確認日は2026年10月10日から10月20日。

• 2023年9月25日、ChatGPT は「画像入力と音声会話に対応」した。2024年3月4日の「Claude 3 ファミリーを公開」では、全モデルが画像の入力に対応した。
• NotebookLM は2025年4月3日に「ソース探索と PDF 読み取りを強化」し、PDF の中の画像やグラフも読むようになった。11月13日には画像と Drive 上の PDF もソースにできるようになった。
• 2026年4月16日の「Claude Opus 4.7 を公開」では、画像の入力が長辺2,576ピクセルまで広がった。10月1日には ChatGPT の iOS 版に、複数のページを続けて撮り、1つの PDF にまとめてチャットに添付するスキャンの機能が順次入った。

TRAIL の年表の7件は、2023年9月の ChatGPT の画像入力に始まり、2026年10月の ChatGPT の iOS 版のスキャンまで続く。

OCR 専用のサービスと対話 AI に読ませる方法の違い

Google Cloud は、文字の読み取りに特化した OCR を、文書の検索や、項目を取り出す仕組み、LLM（大規模言語モデル）と組み合わせて使う使い方も挙げている。

仕事でどう関係するか

請求書や領収書を経理のデータにしたいとき

Document AI には、書式の決まった書類から表や、項目名と値の組を取り出す Form Parser がある。Document AI は、取り出した結果をデータベースに入れやすい形にすると説明している。対話 AI に頼むなら、出力の形を決めておくと後で扱いやすい。

添付した請求書から、次の項目を JSON で書き出してください。
項目：請求元の会社名、請求日、支払期限、税込の合計金額
読み取れない項目は null にし、推測で埋めないでください。

紙の資料を PDF にして要約させたいとき

ページ数とトークン（AI が文章を数える単位）の量を見ておく。Google によると、Gemini は PDF の1ページを258トークンとして数える。Anthropic によると、Claude では文字だけで1ページあたり1,500〜3,000トークンほどになり、ページの画像の分も加わる。

読み取った文字を AI エージェントに渡すとき

書類の中に、AI への指示のような文が書かれていることがある。Anthropic はアップロードされたファイルの OCR の結果を、信頼できない内容として扱うよう書いている。これはプロンプトインジェクションと呼ばれる攻撃への対策だ。

注意点と限界

• 読み取った結果は、人が確かめてから使う。Anthropic は大事な用途では画像の読み取りを必ず確かめ、完全な正確さが要る作業には人の確認なしに Claude を使わないよう書いている。
• 書類の向きと鮮明さで結果が変わる。Google はページを正しい向きに直し、ぼやけたページを避けるよう勧めている。Anthropic は200ピクセル未満のとても小さな画像で誤ることがあるとしている。
• PDF 以外の形式は、文字だけが渡ることがある。Google は、PDF 以外の文書は文字だけとして読まれ、図や書式は失われるとしている。OpenAI の Responses API も、PDF 以外の文書から埋め込まれた画像や図は取り出さない。
• Claude の API で読めるのは、パスワードや暗号化のない標準の PDF だ。

よくある質問

関連する用語

• 画像認識：画像に何が写っているかを AI が読み取る技術
• マルチモーダル：文章のほかに画像や音声も扱える AI
• 自然言語処理：読み取った文章を AI が扱う技術
• プロンプトインジェクション：AI が読む文章に指示を紛れ込ませる攻撃
• コンテキストウィンドウ：AI が一度に読める量
• ツール：ChatGPT、Claude、Gemini、NotebookLM