LlamaParse および LlamaExtract が約束すること
LlamaIndex からの LlamaParse および LlamaExtract は、AI ドキュメント処理エコシステムで最もよく知られたツールの一つです。その約束は、あらゆる種類のドキュメント(PDF、スキャン、フォームなど)を、RAG パイプラインおよび LLM アプリケーションに最適化された構造化された Markdown テキストに変換することです。
LlamaParse は、異なる解析モードを提供します:Fast、Balanced、Premium、および Agentic Plus。LlamaExtract は、これにスキーマベースのデータ抽出を補完します。JSON スキーマを定義すると、ツールはドキュメントから構造化されたデータを抽出します。
一見すると魅力的に聞こえますが、詳しく見ると根本的な弱点が浮き彫りになります。さらに根本的な問いも提起されます:これらツールは本当にまだ必要なのでしょうか?
LlamaParse が陳腐化している理由:Claude、GPT などが自ら行うことができる
LlamaIndex にとっての不快な真実:現代のビジョン LLM は、LlamaParse を冗長なミドルウェア層にしています。
Claude 4、GPT-5、Gemini 2.5 Pro — これらのモデルはすべて、ドキュメントを直接処理できます。PDF や画像を入力として受け入れ、レイアウト、テーブル、構造を理解し、構造化された出力を交付します。LlamaParse が複数の解析モードを持つ複雑なパイプラインとして提供していることは、これらのモデルのネイティブ機能です。
LlamaIndex 自身も、自社のブログでこの傾向を確認しています:「最新のモデルを使用したスクリーンショットによるワンショットドキュメント解析の基準は、大幅に向上しました。」彼らは、純粋な LLM 解析の精度が劇的に向上したことを認めています。
これは実際には何を意味するのでしょうか?
- ミドルウェアは不要:Claude がドキュメントを直接理解するのだから、LlamaParse を介してドキュメントを送る必要があるのでしょうか?
- ベンダーロックインは不要:LlamaParse は LlamaIndex のエコシステムに縛り付けます。ネイティブ LLM はプロバイダーに依存しません。
- メンテナンスは不要:v0.6.1 の生 OCR 問題(GitHub Issue #621)のように、LlamaParse が突然構造化された分析ではなく生 OCR テキストのみを交付するなどのバグは、ネイティブ LLM API では存在しません。
LlamaParse は本質的に LLM のラッパーであり、ラッパーは基盤技術が成熟すると陳腐化します。

バウンディングボックスの問題:単なるテキストでは不十分である理由
企業全体のドキュメント処理には、テキスト以上のものが求められます。LlamaParseは現在、要素、単語、行、セルごとにBounding Boxesのデータを出力しており、LlamaCloudはEUリージョンまたはBYOC(Bring Your Own Cloud)で稼働します。違いは別の点にあります:PaperOffice AIはデータ抽出を自前のデータセンター、DMS(文書管理システム)、ワークフロー、Human-in-the-Loop、監査証跡、そして顧客側のストレージ(BYOS:Bring Your Own Storage)とシームレスに統合し、単一のシステムとして提供します。
LlamaIndexが自身のブログで記述している通りです 「LLM API は完全なドキュメントパーサーではありません」: 純粋なLLM-APIには信頼度スコアやBounding Boxes、出典情報が欠けています。LlamaParseの公開イシュートラッカーでは、2026年11月3日時点で以下の項目が未解決となっています:
| 問題 | GitHub Issue | ステータス |
|---|---|---|
| バウンディングボックスの高さが不正確 | #368 | 2024 年 8 月以来オープン |
| 図の抽出がエッジケースで失敗する | #528 | オープン |
| 更新後に分析ではなく生 OCR が提供される | #621 | オープン |
| エラーメッセージなしで抽出ジョブが失敗する | #1107 | オープン(2026 年 2 月) |
根本的な問題:正確なバウンディングボックスがない場合、ドキュメント処理はエンタープライズアプリケーションにとって無意味です。なぜでしょうか?検索可能な PDF:座標なしでは、見えないテキスト層を作成できません。 PII 削除:ピクセル単位の正確な位置情報なしでは、正確な削除は不可能です。 監査証跡:ソース参照なしでは、抽出結果を検証できません。 ヒューマン・イン・ザ・ループ:レビュー担当者は、抽出された値の元となった場所を確認する必要があります。
表、スキャン画像、およびエンタープライズ要件
バウンディングボックスの問題に加え、LlamaParse および純粋な LLM アプローチは、追加のエンタープライズ要件でも失敗します。
表認識:APIScout ベンチマーク 2026 によると、LlamaParse は複雑な多カラム表、結合セル、および多ページ表において、専門ソリューションに比べて約 20% 遅れています。Undatas による独立した詳細調査では、「LlamaParse は複雑な表、特に結合セルや複雑なヘッダーを備えた表で著しく困難に直面しています」と確認されています。
スキャン画像と手書き文字:低解像度のスキャン画像では、精度が著しく低下します。スキャン画像における数式認識は「非常に信頼性が低い」とされています。手書き文字認識については、公式機能マトリックスでは「部分的」のみとされています。
公式 LlamaParse の制限事項:
- 1 ページあたりの最大画像数 35 枚(それ以外は無視されます)
- 1 ページあたりの最大テキスト量 64KB(それ以外は切り捨てられます)
- ファイルサイズ最大 512MB、抽出は 100MB まで
- 抽出ジョブあたりの最大ページ数 500 ページ
- スキーマネストは最大 7 レベルまで
- extract_stateless では DOCX 対応なし(GitHub #1077)
対照的に、PaperOffice AI:
- 800 以上の専門 LLM — ドキュメントタイプごとに 1 つ
- 行、列、結合セルを備えた表認識 — 構造化されたエクスポート
- AI Vision を活用した手書き文字認識 — 署名、注釈、フォーム
- OMR 認識 — チェックボックス、丸、マーキングに正確な座標付き
- QR コードおよびバーコード認識も含まれています
- 自動検出機能付きの 139 の言語

PaperOffice AI:エンタープライズドキュメント処理が本当に必要とするもの
PaperOffice AI は、LlamaParse とは根本的に異なるアプローチを取ります。汎用 LLM のラッパーとして機能するのではなく、PaperOffice AI は 3 つの専門技術を組み合わせます:
1. OCR-LLM フュージョン:800 以上の専門でファインチューニングされた LLM — 請求書、契約書、ID、納品書などの特定のドキュメントタイプごとにトレーニング済み。「すべてのモデルに 1 つのモデル」のような汎用モデルはありません。
2. バウンディングボックスを基盤とする:認識されたすべての要素 — テキスト、表、画像、手書き文字 — に正確なピクセル座標が割り当てられます。これにより:
- 検索可能な PDF: オリジナルのスキャンと不可視の LLM テキスト層を組み合わせることで、検索可能、コピー可能、アーカイブ可能な状態にします。
- PII 削除: GDPR に基づく正確な削除機能を提供します。単なるテキストの検索と置換ではなく、ピクセル単位の正確な削除を行います。
- 人間による監視: 抽出された値をクリックすると、瞬時に元の文書内の出現位置を確認できます。
- 監査証跡: 抽出されたすべてのデータポイントは追跡可能で検証可能です。
3. テンプレートなしのゼロショット: テンプレート、トレーニング、ルールは不要です。自然言語プロンプティングにより、抽出したい内容を自然な言語で記述します。
さらに、EU 域内にある自社データセンター、GDPR に基づく処理、ご希望に応じてお客様ご自身のストレージへのファイル保管(BYOS)が可能です。
| 機能 | LlamaParse | ネイティブ LLM | PaperOffice AI |
|---|---|---|---|
| Markdown 出力 | ✅ | ✅ | ✅ |
| 境界ボックス | ✅ 要素、単語、行、セル | ❌ | ✅ ピクセル単位の正確さ |
| 検索可能な PDF | 未記載(2026年11月時点) | ❌ | ✅ |
| PII 削除 | 未記載(2026年11月時点) | ❌ | ✅ |
| 表(複雑な構造) | ⚠️ | ⚠️ 変動 | ✅ 専用技術 |
| 手書き文字 | ⚠️ 部分的 | ⚠️ 変動 | ✅ AI ビジョン |
| お客様ご自身のストレージ(BYOS) | ✅ BYOCまたはセルフホスティング(Enterprise) | ❌ | ✅ |
| EU サーバー/GDPR | ✅ EUリージョン(フランクフルト) | ⚠️ | ✅ |
