JSAI 2026論文：複雑な文書を読むAI（VLM）の限界を検証——表や図が混ざる書類で既存モデルが苦戦

結論から言うと、表や図が入り組んだ複雑な書類を読むAIには、まだ明確な限界があることが、研究で確かめられました。2026年6月8〜12日にGメッセ群馬で開かれた『2026年度人工知能学会全国大会（JSAI2026）』で、国産AIのストックマークが、複雑文書読解における既存の視覚言語モデル（VLM）の限界を検証する論文を発表しました。

VLM（Vision-Language Model）とは、画像と文字を一緒に理解できるAIのことで、書類の写真やPDFを読み取る用途で期待されています。しかし、文章だけのシンプルな文書ならともかく、表・図・複数段組み・注釈などが混ざる実務の書類になると、どこに何が書いてあるかの読み取りや、項目同士の対応づけでつまずきやすい、という弱点を、この研究は具体的に示しました。

JSAI2026は発表件数が過去最多の1,397件にのぼり、生成AIや大規模言語モデルの『どう実際のシステムで使い、評価し、制御するか』に関心が集まった大会でした。私たちmanapickの読者には、請求書・契約書・帳票といった日本のビジネス文書をAIに読ませるとき、複雑な書類ほど結果をうのみにせず人が確認すべき、という実用的な教訓になります。

注意点として、これは限界を測る研究であり、すべてのVLMが同じように苦手という意味ではありません。