マイクロソフト、生成AI時代における「コンテンツ抽出」の重要性を解説　LLM自作の課題と専用サービスの進化を示す

要点

• 米マイクロソフトは、大規模言語モデル（LLM）が高度化した現在でも、信頼性の高いAIエージェント運用には専用のコンテンツ抽出層が不可欠であるとする技術解説を公開した。

• LLMだけで抽出処理を構築する場合、多様なファイル形式の解析や表構造の保持、複数ページ間の参照、監査対応など多岐にわたる技術課題が生じるという。

• 同社は、機械学習ベースの「Azure Document Intelligence」から、生成AIの推論を統合したマルチモーダル対応の「Azure Content Understanding」へと技術を進化させている。

• 今回の公開を皮切りに、Azure AIチームによるコンテンツ抽出のエンジニアリング手法や大規模運用の知見に関する記事を数週間にわたり連載する予定である。

• 米マイクロソフトは2026年9月29日、公式技術ブログ「Microsoft Foundry Blog」において、生成AI時代におけるコンテンツ抽出（Content Extraction）の必要性と技術的課題に関する解説記事を公開した。執筆は同社Azure AIチームのメンバーが担当しており、大規模言語モデル（LLM）の推論能力が高まった現代において、なぜ未加工の文書やメディアから情報を抽出・構造化する独立したレイヤーが必要であり続けるのかを説明している。

LLMが進化しても抽出レイヤーが必要とされる理由

記事では、モデルの知能向上によって専用のコンテンツ抽出が不要になるという見方は誤りであり、実態はその逆であると指摘している。企業がAIエージェントへの依存度を高めるほど、エージェントが参照するデータには高い信頼性、構造化、そして監査可能性が求められるためだという。元データが曖昧であれば、エージェントの判断にもその制約が引き継がれるとしている。

文書リポジトリに対するチャット機能などの試作段階ではLLM単体でも良好な結果が得られるが、対象が数十万から数百万ページ規模の本番環境へ拡大するにつれて、予測可能なコストや安定した遅延、複雑なコンテンツへの対応といった要件が浮上する。特に監査対応において「その回答はどこから導かれ、どの程度確実なのか」を問われた際、モデル単体では信頼できる根拠を提示することが困難であると説明している。

LLM単体で抽出システムを自作する際の技術的障壁

LLMの上に直接抽出パイプラインを構築する場合、初期のプロンプト作成は容易であっても、実運用に移るにつれて開発・保守すべき領域が急激に拡大すると警鐘を鳴らしている。

同社が挙げている具体的な課題は以下の通りである。

• 多様な形式とパース処理: 少数の文書ではプロンプトで対応できても、PDF、TIFF、DOCX、スキャン画像など多様な形式ごとに異なる解析処理が必要となる。
• コンテキスト制限とチャンク分割: 一度に入力可能なデータ量（コンテキストウィンドウ）の制約に対応する分割処理や、画像を含む文書でトークン消費を抑える設計が求められる。
• 表構造と複数ページの関連付け: 崩れやすい表構造を維持するレイアウトパーサーの導入や、離れたページ同士にまたがる数値や明細の関連付け処理が必要になる。
• 監査性と正規化: 項目ごとの確信度スコアの算出、回答の根拠を示すグラウンディング（根拠付け）、日付・通貨・組織名などの正規化、読み取りエラーへの対処が欠かせない。
• 運用基盤の維持: トークン消費の最適化、精度評価基盤、セキュリティやコンプライアンス管理など、システム全体を運用し続ける負担が生じる。新しいモデルが登場するたびに再評価も必要になる。

対象が限定的で形式が固定されているケースでは自作も選択肢となるが、実用デモと企業向けプラットフォームの間には大きな隔たりがあると述べている。

ルール・機械学習から生成AI融合へ進む抽出ポートフォリオ

マイクロソフトは、こうした課題に対して自社が提供してきたアプローチと技術の変遷を紹介している。

1つ目は、クラウド文書処理の初期に「Azure Form Recognizer」として登場し、現在は「Azure Document Intelligence」として提供されているサービスである。当初はランダムフォレスト（複数の決定木を組み合わせる機械学習手法）を用いた特許技術「Custom Template」により、少数の学習データから定型帳票の構造を学習していた。その後、Microsoft Research Asiaが開発したマルチモーダル文書理解モデル「LayoutXLM」を取り入れた「Custom Neural」へと進化し、テキスト・レイアウト・視覚情報を統合的に処理することで、多様なレイアウトの文書へ柔軟に対応できるようになったという。

2つ目は、最新の大規模基底モデルを組み合わせた「Azure Content Understanding」である。従来の文書処理モデルにLLMの推論能力を融合させ、文書だけでなく画像、音声、動画を含む非構造化マルチモーダルコンテンツを、利用者が定義した構造化データへと変換する。これにより、検索や業務自動化、自律型AIエージェントのワークフローに直接利用可能なデータ入力を実現しているという。

今後の連載予定

同社は、未加工のコンテンツを行動可能な構造化データへ変換する技術の開拓を継続しており、今後数週間にわたって大規模運用の要件や最新の文書AI技術に関する詳細をブログ上で順次公開していく予定としている。