AIで書類をデータ化：17種を実検証してわかった「読める書類・読めない書類」の境界線
「うちの書類、AIで自動でデータ化できないか」。よく聞かれる問いですが、答えは書類の種類で大きく変わります。私たちは請求書・名刺・レシートから、手書きメモ・グラフ・見積書の検算まで、17種類の書類とタスクを自作サンプルで用意し、生成AIに実際に処理させて結果を記録しました。うまくいった例だけでなく、AIが外した例も含めて、種類ごとの「任せられる／任せられない」を一次データで示します。
17種の横断比較（実検証データ）
各行のリンクから、その書類を実際にAIに処理させた検証レポート（入力サンプル・結果・限界）に飛べます。判定は「明示された情報をそのまま読めるか」を基準に3段階で並べました。
TIER 1 ── そのまま実用：明示情報を構造ごと読む（9種）
| 書類／タスク | AIができたこと（実検証） | 限界（正直に） |
|---|---|---|
| 請求書 | 標準／複数税率／手書き風の3種で抽出ミス0。軽減8%・10%の税区分と集計も正確 | クリーン画像での結果。汚れ・かすれは未検証 |
| 名刺 | 標準／デザインの2種で全項目正確。TEL/FAX/携帯のラベル区別・階層も保持 | 2パターンのみ |
| レシート | 12明細＋傾き・低コントラスト画像で取りこぼし0。軽減税率・カード下4桁も正確 | 2パターンのみ |
| 表／結合セル | 16セル正確。縦結合・階層見出しを各行に展開してCSV化 | 罫線が明確な表で検証 |
| 値札 | 取り消し線の元値と割引後を取り違えず、単価・割引率も正確 | 手書き値引きは未検証 |
| 飲食メニュー | 暗背景＋金文字でも全項目。コースの「ドリンク付」など付帯条件も保持 | 2パターンのみ |
| 利用規約の抽出 | 解約・返金・免責・禁止を条番号つきで抽出。否定形「返金しない」も正確 | 要約であり法的解釈は別 |
| 会社名の名寄せ | 前株／後株／カナの表記ゆれを1社に統合しつつ、別企業は誤統合せず | 法人格の確定には法人番号が必要 |
| 申込書のチェック | 崩れ5種のうち意図が明確な3/3を正答。曖昧なものはAIが自ら「曖昧」と申告し誤読0 | 本物の雑な手書きチェックは別 |
TIER 2 ── 条件つき実用：内容を解釈して整理する（5種）
| 書類／タスク | AIができたこと（実検証） | 限界（正直に） |
|---|---|---|
| 議事録のToDo抽出 | ToDo5件を担当・期限つきで抽出。間接依頼も検出し、雑談は除外 | 抽出基準の設計に依存 |
| アンケート分類 | 12件を8カテゴリに整理。複合意見を複数観点に分解し、要望2件も抽出 | カテゴリ設計に精度が依存 |
| メール仕分け | 6通を緊急度3層に。「至急」表記がなくても内容から「高」と判定 | 優先度の閾値に主観が残る |
| ビジネス翻訳 | 定型敬語を英語の慣習に変換し、省略された主語をwe/Iで補完 | 文化依存の婉曲（前向きに検討）は含意が落ちる |
| 文章校正 | 仕込んだ誤り4個を全検出。正しい固有名詞・専門用語は過剰指摘ゼロ | 「直しすぎ」の境界は文脈に依存 |
TIER 3 ── 人の確認が必須：推定・計算・本物の手書き（3種）
| 書類／タスク | AIができたこと（実検証） | 使いどころ |
|---|---|---|
| グラフの数値 | ラベルありは5本すべて完全正確。大小・順位も正しく把握 | ラベルなしは目分量で最大±5ずれ → ラベル付きのみ信頼する |
| 手書きメモ | 手書き「風」フォント・整った字は日付／電話番号まで正確 | 本物の癖字・殴り書きは対象外 → 印字・整字に限る |
| 見積書の検算 | 仕込んだ計算ミス2件を検出し、連動修正まで提示 | LLMの計算は万能でない → ミス発見の補助に。検算の保証は別手段と併用 |
なぜこの境界が生まれるのか
17本を通して、AIが強い領域と外す領域はきれいに分かれました。理由は、いまの生成AI（マルチモーダルLLM）の得意・不得意の構造そのものにあります。
- 得意：書かれている情報を構造ごと認識する。請求書の金額、表の結合セル、規約の条番号のように「画像や文章に明示された情報」を、項目の関係（階層・対応づけ）ごと読み取るのは安定して正確でした。
- 苦手①：描かれていない数値を推定する。ラベルのない棒グラフのように「目分量で読むしかない」ものは、傾向は当てても数値は最大±5ずれました。
- 苦手②：学習データから外れた字形。整った手書き「風」は読めても、本物の癖字・殴り書きのように崩れた字は別物として外しました。
- 苦手③：論理的な正しさの保証。計算ミスの「発見」はできても、計算自体の正しさを保証する用途（検算）や、法的な解釈には向きません。
実務での使い分け
- そのまま任せてよい（Tier 1）：請求書・名刺・レシート・表・規約など。人は最終チェックのみで、転記作業を仕組みに置き換えられます。
- 条件つきで任せる（Tier 2）：分類・仕分け・翻訳・校正など。カテゴリ定義や判定ルールを先に固定し、サンプルで人とすり合わせてから回すと安定します。
- 人の確認が必須（Tier 3）：目分量の読み取り・本物の手書き・計算の保証。AIは下書きや候補出しに留め、最終的な数値と判断は人が持ちます。
よくある質問
AIは手書きの書類を読めますか？
手書き「風」フォントや整った字は実検証で日付や電話番号まで正確に読めました。一方、本物の癖字や殴り書きは対象外で、人の確認が必要です。
請求書やレシートの軽減税率（8%／10%）の区分まで正しく処理できますか？
自作サンプルでは、軽減8%と10%の判断および集計まで正確でした。ただしクリーンな画像での結果であり、汚れやかすれのある書類は別途検証が必要です。
AIに見積書などの検算を任せられますか？
仕込んだ計算ミスの検出はできましたが、LLM自体の計算は万能ではないため、計算の正しさの保証は別の手段と併用するのが安全です。
これらのAI書類処理は実際の業務で使えますか？
合同会社フューチャープロンプトでは見積書のデータ化を受託で実運用しています。書類の種類・画像品質・確認フローの設計次第で実用になります。
合同会社フューチャープロンプト（AIプロダクト開発・業務自動化／東京・渋谷）が、2026年6月に公開した実検証17本をまとめたものです。各検証はマルチモーダル生成AI（Claudeを使用）に自作サンプルを処理させ、結果を自社で記録しました。当社は「今日の一皿」「LLM News」「資格問題ドリル」などのAIプロダクトを自社開発・本番運用しています。会社の詳細はトップページをご覧ください。
御社の書類、どれをAIに任せられるか見極めます
書類のデータ化や業務自動化を、どの書類を任せどこを人が見るかの切り分けから、検証・実装・運用定着まで一貫して支援します。「うちの帳票でも使えるか」のご相談から歓迎します。
お問い合わせ →