OCR の前に PDF を検出すべき理由：年間 OCR コスト約 80% 削減

1. OCR の前に PDF を検出する理由

PDF OCR は多くの場合ページ課金です。AWS Textract、Google Document AI、Azure Document Intelligence、ABBYY、PaddleOCR マネージド版など、単価は $0.0015〜$0.05+/ページ と幅があります。問題は PDF が単一フォーマットではないこと。同じ「請求書.pdf」でも：

• 基幹システムからのネイティブテキスト PDF（pdftotext で即全文取得）；
• Word から変換した埋め込みフォント PDF；
• スキャナ由来のラスター画像のみの PDF（OCR 必須）；
• 表紙だけスキャン、本文はテキストのハイブリッド。

事前検査なしで全ページ OCR すると、既存のテキスト層を「画像として再読み」することになり、コストだけでなく誤認識も増えます。金融・法務・保険のバッチ処理では、ページ単位の pre-flight + ルーティング でクラウド OCR 呼び出しを半減させるのは珍しくありません。電子契約や銀行明細などテキスト比率が高いコーパスでは、年間 70%〜80% の OCR Cost 削減も現実的です。

2. 1 ページの本当のコスト

最適化の前に計測口径を揃えましょう。クラウドベンダーの一般的な課金軸：

項目	2026 年の目安単価	備考
基本 OCR（テキストのみ）	$0.0015〜0.003/ページ	表・フォームなし
表 / フォーム OCR	$0.01〜0.05/ページ	Document AI 構造化ティア
手書き / 低品質スキャン	1.5〜3 倍のプレミアム	人手 QA キューが必要な場合も
自前 GPU（償却）	≈$0.0003〜0.001/ページ	利用率に依存

例：月 200 万ページ、混合単価 $0.008/ページ なら年間 OCR 約 $192,000。pre-flight で 75% がテキスト抽出で足りる（限界費用ほぼゼロ）と判明し、25% だけ OCR なら OCR 支出は約 $48,000——約 75% 削減。誤認識による再作業が減ると、体感では 80% に近づくこともあります。

単価はリージョンや Batch、コミット量で変動します。感度分析には Google Document AI の料金 と AWS Textract の料金 を参照してください。LLM の多段ルーティングで API 費を抑えているなら、ドキュメント側も同じ規律が必要です——OmniRoute 移行検収リスト のような層別パターンが参考になります。

3. 3 種類の PDF：ルーティングせよ、一括 OCR するな

タイプ	シグナル	ルート	相対コスト
A. ネイティブテキスト	フォントあり；pdftotext が閾値超	抽出 + エンコーディング正規化	≈0
B. ハイブリッド	一部ページはテキスト、一部はスキャン	ページ単位ルーティング	中
C. フラットスキャン	フォントなし；全面ビットマップ	OCR（必要なら傾き補正・ノイズ除去）	高

ハイブリッド文書で失敗しがちなのは「ファイル全体に一つの戦略」を当てることです。200 ページの M&A 資料でも、スキャン付録だけ OCR が必要なケースは珍しくありません。ページ単位の検出こそ、本物の PDF OCR 最適化です。Adobe の PDF フォントガイド は埋め込みテキストとスキャン層の違いを説明しています——検出器は拡張子ではなく、ページごとの text operator を見るべきです。

4. 5 段階の pre-flight パイプライン

1. 構造プローブ：ページ数、暗号化、破損——課金 OCR の前に修復。
2. テキスト層プローブ：ページごとの文字数とフォントオブジェクト；閾値超かつゴミ文字率が低ければ TEXT_OK。
3. 画像カバレッジ：大きなビットマップ + テキスト空 → SCAN。
4. 品質スコア：DPI、コントラスト、傾き——有料リトライを避けるため OCR 前に前処理。
5. ルート：TEXT_OK → ローカル抽出；SCAN → OCR キュー；HYBRID → ページ分割。

メトリクスをエクスポート：preflight_text_ratio、ocr_pages_ratio、ocr_retry_rate。月次レビューは、ページ単価の値引き交渉だけより効果的です。

5. OSS とクラウド API

段階	ローカル / OSS	クラウド API
pre-flight / 抽出	PyMuPDF、poppler、qpdf	通常不要
OCR エンジン	Tesseract、PaddleOCR、Surya	Document AI、Textract、Azure DI
表	pdfplumber、camelot（ネイティブ PDF）	クラウドのフォーム/表モード

OCR Optimization の勝ちパターン：ローカル pre-flight、SCAN ページだけクラウド OCR。

6. Python ルーティング例

import fitz  # PyMuPDF
MIN_CHARS = 30

def page_classify(page) -> str:
    text = page.get_text("text").strip()
    if len(text) >= MIN_CHARS:
        return "TEXT_OK"
    if page.get_images(full=True) and len(text) < MIN_CHARS:
        return "SCAN"
    return "HYBRID"

本番ではタイムアウト、暗号化 PDF のハンドラ、検索用メタデータを追加してください。pre-flight ワーカーは安定した CPU が必要です——バッチジョブは CI ワークロードに似ており、騒がしい共有 VPS より専用ノードが有利です（下記のクラウド Mac 参照）。

7. 事例：年間約 80% 削減

越境物流 SaaS が 1 日 8,000 PDF（約 32,000 ページ）を取り込んでいました。Document AI 全量 OCR（$0.006/ページ）で月約 $5,760。ページ単位 pre-flight 導入後、OCR 対象は 22% のみ——月額 OCR 約 $1,270（約 78% 削減、pre-flight 計算コストは月 $200 未満）。

フェーズ	施策	OCR ページ比率	月額 OCR（目安）
導入前	全量クラウド OCR	100%	~$5,760
導入後	ページ pre-flight + ローカル抽出	22%	~$1,270
削減	—	—	~78%

副次効果：ネイティブ ID フィールドの精度が OCR 時 ~96% からほぼ 100% に。追跡番号の誤読に関するサポートチケットが 40% 以上減少——OCR Cost 最適化で見落とされがちな隠れメリットです。

8. OCR 最適化チェックリスト

• ☐ ダッシュボード：抽出 / OCR / リトライページの可視化
• ☐ ページ単位ルーティング——ファイル単位の単一戦略禁止
• ☐ SCAN ページは OCR 前に品質ゲート（DPI・傾き）
• ☐ ネイティブ表は pdfplumber で、写真 OCR しない
• ☐ 言語別にエンジンベンチマーク（CJK とラテン系を分離）
• ☐ TEXT_OK ページを週 0.1% 人手スポットチェック
• ☐ OCR 呼び出しが日次 +30% でアラート（段階的 API ルーティング と同じ FinOps 規律）

9. よくある質問

pre-flight は OCR より遅い？

ページごとのテキストプローブはミリ秒単位——クラウド OCR の RTT よりはるかに短いです。IO バウンドのバッチはワーカー並列化で対応。

偽のテキスト層は？

低品質な不可視 OCR テキストを載せたスキャン PDF があります。ゴミ文字率と画像重複チェックで疑わしいページを SCAN にダウングレード。

暗号化 PDF は？

pre-flight でパスワード解決。復号失敗を課金 OCR に繰り返し送らないこと。

80% は普遍的？

ネイティブテキストの割合次第。純スキャンアーカイブは 10%〜20%；電子請求書・契約書は 70%〜85% も。まず 1% サンプルで統計を取る。

Tesseract でクラウド OCR を置き換え？

単純レイアウトの大量処理には有効。複雑な表・手書きはクラウドや専用モデルが有利。pre-flight はローカル、難例はクラウドが定石。

LLM の「PDF 読み取り」との関係は？

マルチモーダルモデルはトークン課金で PDF を読むと高額。先にクリーンなテキスト/JSON に変換——OCR 前検出と同じ FinOps ロジックです。

関連記事

• 2026 年 最安 AI API ランキング →
• Gemini API 費用試算 →
• エージェント時代の請求分解 →