ドキュメントAIは、機械学習、自然言語処理（NLP）、光学文字認識（OCR）などのAI技術を利用して、文書から情報を自動的に抽出、分類、理解する技術です。「ドキュメントインテリジェンス」や「インテリジェント文書処理（IDP）」とも呼ばれます。
従来のOCRがテキストの画像を機械可読な文字に変換するだけなのに対し、ドキュメントAIは文脈と意味を理解します。例えば、「$1,250.00」が「請求合計」の横にある場合、それが請求書の金額であることを認識します。ドキュメントAIは、スプレッドシートのような構造化ファイル、請求書や領収書のような半構造化文書、契約書や電子メールのような非構造化文書など、さまざまな種類の文書を処理し、アクション可能なデータに変換します。
ドキュメントAIのパイプラインには、以下のステップが含まれます。まず、PDFやスキャン画像など様々な形式の文書を取り込む「インジェスト」。次にOCRで視覚コンテンツをテキストに変換。レイアウト解析で見出し、段落、表などの構造を識別。エンティティ抽出でNLPとMLモデルを使って請求書番号、日付、名前などの情報を抽出。分類と分割で文書タイプをラベル付けし、複数文書ファイルを分割。後処理で抽出データの検証と整形を行い、人間によるレビューで高いリスクや低信頼度の抽出結果を確認・修正します。
生成AIがドキュメントAIを変えつつあります。従来のドキュメントAIはルールベースのテンプレートと旧来のMLモデルに依存していましたが、現代のドキュメントインテリジェンスは大規模言語モデル（LLM）を統合し、要約や質問応答、ゼロショット抽出が可能になりました。ただし、LLMは幻覚（hallucination）リスクがあり、ソース文書に基づかない出力を生成する可能性があるため、規制業界では検証と人間のレビューが不可欠です。
ドキュメントAIはさまざまな業界で活用されています。金融・会計では請求書や経費報告書からデータを自動抽出。保険では請求フォームや損害報告書の分類とデータ抽出。医療では患者 intake フォームや同意書のデジタル化と電子健康記録（EHR）への統合。法務・コンプライアンスでは契約書の条項識別とリスクフラグ。住宅ローン・不動産では申請書類のデータ標準化。公共部門では本人確認書類の処理とプライバシー管理。
ドキュメントAIの利点は、処理速度の向上、エラー削減、スケーラビリティ、コスト削減、検索可能性の向上、そして他のAIシステムにクリーンなデータを提供することです。一方、言語カバレッジの偏り、文書品質への依存、大量の訓練データの必要性、エッジケースへの対応、LLM幻覚リスク、そしてデータガバナンスの課題といった制限もあります。Databricksのアプローチは、ドキュメントAIと分析・AIワークフローを統合し、エンタープライズ向けのソリューションを提供します。