VLMは「文字を絵として理解する」ため、従来OCRが苦手だった崩れや汚れに強い場面があります。一方で、光学的に情報が失われた画像や、生成モデル特有の「自信を持って間違える」性質には限界があります。この記事では、どこまで読めてどこから読めないのか、その境界を正直に描きます。
画像AIの導入で最も失敗しやすいのは、期待値の設定を誤ることだと考えます。「AIなら何でも読めるはず」という前提で始めると、読めなかった数%が現場の信頼をすべて奪い、プロジェクト全体が止まります。だからこそ最初に、限界を正直に共有することから始めます。
背景には、製造・物流の現場が直面している構造的な課題があります。熟練の目視検査者や照合作業者の高齢化・採用難が進み、人手で担保していた「読む」「照合する」という工程を、機械に肩代わりさせたいという要請が強まっています。これは一企業の都合ではなく、労働人口の減少という社会課題の現れだと考えられます。
VLM（Vision Language Model）とは、画像を入力として、その内容を言語のように理解・記述できるAIモデルの総称です。文字を1文字ずつ切り出して分類する従来型OCR（Optical Character Recognition＝光学文字認識）とは異なり、「この画像に何が書かれているか」を文脈ごと捉えようとします。この違いが、強みにも弱みにもなります。
本稿では内部実装には踏み込みません。決裁者・QC・現場技術者の方が「どこまで任せられ、どこは任せられないか」を判断できることを目的に、現場の手触りで整理します。過度な期待も、過度な悲観も避けたいと考えます。
結論から言えば、VLMが相対的に強いのは「未知の見た目」に対する汎化です。学習時に一字一句同じ形を見ていなくても、文脈と字形の常識から読み解こうとするため、テンプレートに登録していない書式にも対応できる可能性があります。
取引先ごとに伝票のフォントやレイアウトが違う、同じ品目でもラベルの版が複数ある——こうした「多品種・多書式」の環境では、書式ごとにルールを作り込む従来手法は保守コストが膨らみます。VLMは書式差を吸収しやすく、フォント差異とVLMで扱うような汎化が効く範囲では有利になりうると考えます。
文字の一部が擦れている、印字がかすれている、ラベルが少し破れている——人間なら前後関係から補って読む場面です。VLMも文脈補完が働くため、こうした軽度の劣化には相対的に頑健になりうると考えられます。詳しくは破損ラベルへの耐性で扱っています。ただし「軽度」であることが前提で、情報そのものが失われた場合は後述のとおり別問題です。
つまりVLMが向くのは、情報は画像に残っているが「見た目のバリエーションが多い」ケースです。逆に、書式が固定で高速・大量に同一物を捌く用途では、従来手法のほうが速く安価なこともあり、一概にVLMが上位互換とは言えないと考えます。
結論として、VLMでも読めないのは「そもそも画像に情報が残っていない」ケースです。AIは画素として写っていない文字を復元する魔法ではありません。人間が拡大しても判読できないものは、原理的にAIにも判読できないと考えるのが安全です。
強い反射・光沢面・鏡面への映り込みは、文字のある領域を白飛びさせ、画素レベルで情報を消します。透明フィルム越しの印字、金属やラミネート表面の刻印なども同様です。この状態はモデルを賢くしても救えず、後段では取り返せません。撮る前の光学設計、すなわち撮像条件を安定させる取り組みで避けるべき領域だと考えます。
背景と文字色が近い極端な低コントラスト、露出不足で潰れた暗部、白飛びした明部、そして動体を止めきれないモーションブラー。これらは「文字の輪郭」という情報そのものを溶かします。人間の目で見て「これは無理」と感じる画像は、VLMにとっても厳しいと考えて差し支えないと考えます。
手書きは、崩れ方に上限がありません。走り書き、独自の略字、桁を跨ぐ数字、訂正の重ね書き——書いた本人しか読めない、あるいは本人も後から読めないものが現実に存在します。VLMは印字より手書きで文脈補完が効く場面もありますが、判読不能なものを無理に読ませると、次章の「創作」を誘発しやすくなると考えられます。
VLM運用で最も注意すべき性質は、読めないときに「読めません」と黙るのではなく、それらしい答えを埋めてくることです。生成モデルは尤もらしい続きを出力する仕組みのため、空欄や不鮮明な箇所を、文脈的に自然な値で補完しがちだと考えられます。これは従来OCRの「認識できず空欄」とは質の異なるリスクです。
従来OCRの誤読は「@#%」のように明らかに壊れて出ることが多く、目視で弾けます。一方VLMの誤りは、桁数も書式も正しい「ありえそうな値」で出るため、人間のチェックをすり抜けやすいと考えます。物流の品番や数量、検査の判定値でこれが起きると、下流の影響が大きくなりえます。
運用側でできるのは、モデルの出力に確信度の低さを添えさせ、閾値を割ったものは自動確定せず人へ回す設計です。加えて、チェックデジットや在庫マスタとの照合（照合＝読み取った値を既知の正解リストと突き合わせて妥当性を確かめること）を挟むと、創作された値を弾きやすくなります。VLMは「読む」だけでなく「怪しいと申告させる」ことまで含めて設計すべきだと考えます。
重要なのは、この性質はモデルの欠陥というより「そういう道具である」という理解です。100%を目指すのではなく、間違えたときに安全側に倒れる仕組みを前提に置くことが、実務での期待値設定になりうると考えます。エッジVLM OCRのように現場で動かす前提なら、なおさら「読めない時の振る舞い」を先に決めておくことが要になると考えます。
結論として、読めない要因は「撮る前に直せるもの」と「撮った後に運用で受け止めるもの」に切り分けるのが有効だと考えます。この切り分けを飛ばして、すべてをモデルの精度で解こうとすると、無理な要求がAIに集中して破綻しやすくなります。
反射・白飛び・暗部潰れ・ピンボケ・ブレの多くは、撮る前の対策で改善しうる要因です。照明の角度と偏光、露光とシャッター、被写界深度、ワークとカメラの位置決め——元キーエンス画像処理事業部の現場知見が効くのはこの領域です。産業用カメラと現場ライティングで「情報が残る画像」を作れれば、後段のVLMの負担は大きく下がると考えます。
それでも残る「本質的に判読不能な個体」は、光学では救えません。ここは自動確定の対象から外し、確信度の低い出力を人の目に回すフローで受け止めます。VLMが向く条件と人手が向く条件を切り分けると、次のように整理できると考えます。
VLM（＋光学設計）が向くのは、書式が多様でも情報が画像に残っている、大量・反復で人手が回らない、閉じた環境で処理を完結させたい場合です。逆に人手・目視が向くのは、判読不能な個体が一定割合で混じる、誤りの下流影響が極めて大きく一件も見逃せない、量が少なく自動化の投資対効果が見合わない場合だと考えられます。閉域での運用はオンプレVLM OCR、現物での確かめ方は物流OCRの進め方が参考になると考えます。
ここで言うオンプレミス（オンプレ）とは、クラウドに画像を送らず自社内の機器で処理を完結させる方式、エッジとは、現場のカメラ近傍に置いた小型計算機（Jetson等）で推論を動かす構成を指します。閉じた環境で完結できることは、情報管理の観点でも運用上の安心材料になりうると考えます。
期待値を誤らせやすい典型的な落とし穴を挙げます。いずれも「AIの精度」ではなく、その前提や運用設計に起因するものが多いと考えます。
結論として、最初の一歩は精度目標の設定ではなく、自社の現物・現場条件での客観的な把握です。読めない条件を先に洗い出せば、期待値は自然と現実的な位置に落ち着き、投資判断の精度も上がると考えます。
まず、きれいなサンプルではなく、反射・かすれ・崩れ・破損といった「読めなさそうな現物」を意図的に集めます。この難所での挙動こそが、実運用の成否を左右すると考えられます。良品だけで評価すると、本番で最も困る場面が見えないまま導入が進んでしまいます。
集めた悪条件を「光学で救えるもの」「運用で受け止めるもの」に仕分け、照明・カメラ側の改善余地と、人手エスカレーションの割合を仮置きします。この分担が決まれば、VLMに求める役割が明確になり、過剰な期待も過小評価も避けられると考えます。
そのうえで、小さな範囲で現物検証を行い、実際の読み取り結果と誤りの種類を確認します。数値は現時点で断定できるものではなく、あくまで自社の現物・現場での検証を通じて把握するものです。限界を正しく知ることが、結果的に最も早く信頼できる自動化への道になりうると考えます。
一律の数値は提示できません。認識率は撮像条件・書式・現物の状態に大きく左右され、きれいなサンプルと現場の悪条件では結果が異なるためです。数値を挙げる場合もあくまでモデル前提の一例であり、自社の現物・現場照明・カメラで撮った実サンプルによる検証が前提になると考えます。まずは読めなさそうな現物で確かめることをおすすめします。
読めないと考えるのが安全です。VLMは画素として写っていない情報を復元する仕組みではないため、白飛び・低コントラスト・強いブレなどで情報そのものが失われた画像は、人間同様に判読できません。むしろ生成モデルは空欄をもっともらしい値で埋める性質があるため、無理に読ませると誤りを生みやすいと考えられます。
一概に上位互換とは言えません。書式が多様で情報が画像に残っているケースではVLMが有利になりうる一方、書式固定で高速・大量に同一物を捌く用途では従来手法が速く安価なこともあります。読めない時の挙動や照合の設計まで含めて、用途ごとに向き不向きを見極めるのが現実的だと考えます。
確信度の申告とマスタ照合を組み込むことで気づきやすくなると考えます。VLMの誤りは書式的にありえそうな値で出るため目視だけでは見抜きにくく、閾値を割った出力を人へ回す、チェックデジットや在庫マスタと突き合わせる、といった二重化が有効です。読み取り単体で完結させない設計が要になると考えます。
撮る前の光学設計で改善できる余地が大きいと考えます。反射・白飛びは照明の角度や偏光、露光などの調整で情報が残る画像に近づけられる場合があります。ただし本質的に判読不能な個体は残るため、光学で救う範囲と人手で受け止める範囲を切り分けることが前提です。まずは現物での検証からの判断をおすすめします。
きれいなサンプルではなく、反射・かすれ・崩れといった現場の悪条件こそが実運用の成否を分けます。元キーエンス画像処理事業部の現場知見で、光学で救える範囲と運用で受け止める範囲を切り分けながら、現物検証から一緒に見極めます。
現物でのVLM検証について相談する