AIに写真や画面を見せて聞く｜書類・エラー画面はどこまで読めるのか

請求書を1枚、スマートフォンで撮ってAIに読ませる。「この請求書の合計金額を教えてください」。返ってきた金額が、実際より1桁小さかった——という場面を考えてみてください。以下は実際の事故ではなく、起こりうる例として組み立てた架空の話です。

写真や画面をAIに見せて質問できるようになり、業務での使い道は一気に増えました。書類の書き起こし、エラー画面の相談、手書きメモの整理。どれも実用的です。

ただし失敗する条件がはっきりしています。しかも、その多くは公式ドキュメントに書かれています。先に知っておけば避けられるものばかりです。

なぜ読み違えたのか

冒頭の架空の例で起きたことは、おそらく画像の縮小です。

Anthropicの公式ドキュメントには、モデルごとに扱える解像度の上限があり、それを超える画像は処理の前に縮小されると書かれています。そして画質についての案内に、次の注意が置かれています。

this might, for example, make text less legible

「たとえば文字が読みにくくなることがあります」という意味です。縮小されるという事実と、その結果として文字が読めなくなるという注意が、公式に並べて書かれています。

スマートフォンのカメラは解像度が高いため、撮ったままの写真はたいてい上限を超えます。言い換えれば、大きく撮るほど細部が失われるという逆転が起きます。紙の書類を遠くから全体撮影すると、金額の文字は写真全体のごく一部にしかなりません。そこが縮小されれば、桁の判別は難しくなります。

公式が自ら認めている苦手なこと

この分野で珍しいことに、メーカー自身が「できないこと」を一覧で公開しています。実務で使う前に、ここを押さえておく価値があります。

2026年8月29日時点のAnthropic公式ドキュメント Limitations の記載にもとづく

特に注意していただきたいのがAI生成画像の判定です。公式ははっきりこう書いています。

Do not rely on it to detect fake or synthetic images.

「偽の画像や合成画像を検出するために頼ってはいけません」。判定できないだけでなく、尋ねられればそれらしい答えを返してしまう点が危険です。取引先から送られてきた画像の真偽を確かめたい場面で、この使い方をしてはいけません。

AIが作った文章や画像を業務で使う際の規約上の扱いは、AIが作った文章や画像を仕事で使っていいか｜各社の規約が実際に書いていることで整理しています。

画像を「作る」側の道具については、AI画像生成 完全比較で扱っています。読ませる話と作らせる話は別ものです。

渡せる形式と上限

公式が定めている条件を整理します。

見落としやすいのが動くGIFです。公式は「Animations are unsupported, and only the first frame is used」と書いています。操作手順を動くGIFで渡しても、最初の1コマしか見てもらえません。手順を伝えたい場合は、静止画を複数枚に分けて渡すほうが確実です。

うまくいく渡し方

公式の画質ガイダンスは、そのまま実務の手順になります。

1つ目は、必要な欄だけを切り出すこと。これがいちばん効きます。ただし公式は同時に「文字を大きくするために必要な周辺を切り落とさない」とも注意しています。金額だけを拡大して切り出すと、それが小計なのか合計なのか分からなくなります。いわば、値札だけを撮って商品を写さないようなものです。判断に必要な文脈は残してください。

2つ目は、正面から明るく撮ること。公式は低品質・回転した画像で誤りが起きうると認めています。斜めから撮った書類、影が落ちた紙、傾いた写真は、それだけで不利になります。

3つ目は、渡す前に自分の目で見ること。単純ですが確実です。自分が読めない文字は、たいてい読んでもらえません。言い換えれば、人に手渡す書類と同じ基準で見ればよいということです。

もうひとつ、公式は強い圧縮についても注意しています。JPEGなどで圧縮を重ねた画像は文字が読みにくくなります。たとえるなら、コピーを繰り返した書類のようなもので、回を重ねるほど元の線が失われます。転送を繰り返した画像を渡すときは、元のファイルを探すほうが確実です。

向かない使い方

公式が認めている限界から、業務で避けたほうがよい使い方を挙げます。

数を正確に数えさせること。棚の在庫を写真で数えさせる、名簿の人数を数えさせる、といった使い方です。公式は「おおよその数は出せるが正確とは限らない」と書いています。数えた結果をそのまま台帳に転記する運用は避けてください。

位置を厳密に求めること。図面上の座標や、画面上の正確な位置を答えさせる使い方です。公式は「近似である」と明記し、頼る前に検証するよう求めています。

画像の真偽を判定させること。前述のとおり、公式が名指しで否定しています。

会議の録音や議事録のように、画像ではなく音声を扱う道具は別に存在します。用途に応じた選び方はAI議事録ツール徹底比較で扱っています。

渡した画像はどう扱われるのか

社内の書類を撮って渡すとなると、扱いが気になります。Anthropicの公式FAQには、次の3点が書かれています。

まず、画像に含まれるメタデータ（撮影日時や位置情報など）は読み取られないと明記されています。次に、アップロードされた画像は一時的なもので、APIリクエストの間を超えては保存されないとされています。そして、アップロードされた画像をモデルの訓練には使わないと書かれています。

🔴 ただし、この3点は開発者向けのドキュメントに書かれているものです。チャット画面から使う場合は事情が異なり、渡した画像は会話を消すまで履歴に残ります。また個人向けのプランでは、「モデルの改善に使う」という設定が有効になっていると、会話の内容が学習に使われることがあります。分かれ目は契約の種類ではなく、「APIから使うのか、チャット画面から使うのか」と「自分の設定がどうなっているか」です。

ただし、これはAnthropicの提供する仕組みについての記載です。他社のサービスや、同じ会社でも契約の種類が違えば、扱いは変わりえます。使っている製品の公式ページで、必ずご自身の契約について確認してください。

契約の種類ごとの確かめ方は、その設定、本当に学習に使われていませんか｜契約の種類別に確かめる手順に手順をまとめています。

まとめ｜読ませる前に、切り出す

整理します。写真を読ませて失敗する最大の原因は、大きすぎる画像が縮小され、細かい文字が失われることです。撮り方を変えるだけで、多くは避けられます。

私たちが実務で大事だと考えているのは、渡す前のひと手間です。必要な欄だけを切り出し、正面から撮り、自分の目で読めるか確かめる。この3つで、精度は大きく変わります。設定や道具を変えるより先に、渡し方を変えるほうが早い。

そして、公式が「できない」と認めていることには手を出さない。数を数えさせない、位置を厳密に求めない、画像の真偽を判定させない。この3つを守るだけで、危ない使い方はほとんど避けられます。

自社のどの書類なら任せてよいか迷われている場合は、無料相談でも承っています。

よくある質問

写真の文字を読み違えるのはなぜですか？

大きすぎる画像が処理の前に縮小されるためです。Anthropicの公式ドキュメントには、モデルごとに扱える解像度の上限があり、それを超える画像は縮小されると書かれています。そのうえで画質のガイダンスに、縮小されると文字が読みにくくなることがあるという注意が置かれています。スマートフォンで撮った写真は解像度が高いため、この縮小が起きやすくなります。対策は、あらかじめ必要な部分を切り出して渡すことです。公式も、事前にリサイズするか切り出すか、その両方を検討するよう案内しています。なお強い圧縮も文字を読みにくくするため、何度も圧縮を重ねた画像は不利になります（2026年8月29日時点の公開情報）。

AIが作った画像かどうかを、AIに判定させることはできますか？

できません。Anthropicの公式ドキュメントは、限界を挙げた項目の中で「Claude cannot determine whether an image is AI-generated and might be incorrect if asked. Do not rely on it to detect fake or synthetic images.」と明記しています。AI生成かどうかは判定できず、尋ねられても誤ることがあるため、偽の画像や合成画像の検出に頼ってはならない、という意味です。判定できないだけでなく、それらしい答えを返してしまう点が危険です。画像の真偽が業務上重要な場面では、AIの判断を根拠にせず、送り主への確認など別の手段を用意してください（2026年8月29日時点の公開情報）。

どんな画像なら業務で使えますか？

文字がはっきり読める状態で、必要な範囲だけが写っている画像です。公式の画質ガイダンスは3点を挙げています。1つ目は鮮明であること。ぼやけた画像や粗い画像を避けます。2つ目は、重要な文字が読める大きさであること。ただし文字を大きくするために必要な周辺を切り落とさないよう注意が必要です。3つ目は、縮小される前提であらかじめ切り出しておくことです。逆に向かないのは、数を正確に数えさせる作業と、位置や座標を厳密に求める作業です。公式はどちらも近似であると認めています。また対応形式はJPEG・PNG・GIF・WebPで、動くGIFは最初の1コマだけが使われます（2026年8月29日時点の公開情報）。

参考にした情報

• Anthropic 公式ドキュメント｜Vision（対応形式・上限・画質ガイダンス・Limitations）
• Anthropic｜Acceptable Use Policy（画像内の人物特定に関する扱い）

本記事は2026年8月29日時点で公開されている情報にもとづいています。対応形式や上限は変更される場合があるため、実際の運用前に公式ドキュメントで最新の記載をご確認ください。