スマートリポジトリとは、AIを使って文書の分類・メタデータ付与・検索・保持期限の管理を自動化する保管基盤の呼び名です。規格や主要ベンダーの製品カテゴリとして定着した用語ではなく、実体は文書管理システムやクラウドストレージに組み込まれたAI機能の組み合わせです。英語の「AI repo」はAIモデルの置き場を指すことが多く、社内文書の話とは別物です。この記事では、SharePoint・Box・Google Drive・OPTiM 文書管理・OSSのPaperless-ngxを横に並べ、何が自動化でき、いくらかかり、どんな条件で失敗するのかを一次情報から整理します。
まとめ:スマートリポジトリ導入で先に決める5点
- 製品は今の契約から絞る:Microsoft 365ならSharePoint、Boxの契約があればBox Extract、自社サーバーで閉じるならPaperless-ngxから検討します。
- 費用はページ単位で増える:SharePointのautofill columnsは1トランザクション0.005ドルで、PDFなら1ページが1トランザクションです。過去文書の一括処理は件数でなくページ数で見積もります。
- 学習型の分類は日本語で止まりやすい:Purviewのカスタム分類子は英語のみ、Google Driveのカスタムモデルはラテン文字の言語のみです。日本語文書はプロンプトによる抽出か、キーワードの条件で組みます。
- 権限の整理が先:AI検索は閲覧権限の範囲で答えるため、共有設定が緩いまま入れると見えてはいけない文書が回答に出ます。
- 中身はメタデータの自動付与:結果を保存する列・タグ・ラベルを先に設計します。
以下、言葉の範囲から製品比較、手元で試せるスクリプト、見送る条件の順に説明します。
スマートリポジトリという言葉が指す範囲
「スマートリポジトリ」は、ISOなどの規格語でも、Microsoft・Box・Googleが製品カテゴリ名として使っている語でもありません(2026年11月時点で確認できた範囲)。文脈によって指すものが変わるため、検討の場では次のどれを指しているかを先に揃えます。
| 既存のカテゴリ | AIが担う処理 | 代表例 |
|---|---|---|
| 文書管理(ECM)のAI機能 | 列の自動入力・分類 | SharePoint、Box |
| 文書処理(IDP) | 請求書・契約書の項目抽出 | Box Extract、OPTiM 文書管理 |
| 情報ガバナンス | 保持ラベルの自動適用 | Microsoft Purview |
| OSSの文書管理 | タグ・文書種別の学習 | Paperless-ngx |
この記事では、この4つをまとめてスマートリポジトリと呼びます。文書管理にAIを組み込む狙いの総論は文書管理×AIとは?生成AI・AI-OCRでできることと導入判断、分類軸そのものの設計は文書管理の分類方法|分類軸の選び方とフォルダ階層・命名規則の設計手順で扱っています。
AIリポジトリ(AI repo)との違い:Hugging Face Hub
「AI repository」「AI repo」は、多くの場合AIモデルやデータセットの置き場を指します。代表のHugging Face Hubでは、Model・Dataset・Spaceの3種類がGitリポジトリとしてホストされ、コミット履歴と差分を画面で確認できます。用途はモデルの配布と版管理、AIアプリの公開です。社内文書の自動整理を探しているなら、この先の章が答えになります。
従来のファイルサーバーとの違い:整理の単位がフォルダからメタデータへ
| 観点 | 従来のファイルサーバー | スマートリポジトリ |
|---|---|---|
| 整理の単位 | フォルダ階層 | 列・タグ・ラベル |
| 分類する主体 | 保存する人 | ルールと学習モデル |
| 検索の手がかり | ファイル名・本文 | メタデータ・本文・自然文の質問 |
| 保持と廃棄 | 担当者の手作業 | ラベルの自動適用 |
| 重複の扱い | 気づいた人が削除 | ハッシュで検出し提示 |
差の根っこは1行目です。フォルダ階層でも「取引先A社→2025年度→見積書」と属性を表せますが、分類軸の順序が固定され、年度や文書種別で横断して探すと手間がかかります。メタデータなら3つの軸を独立した列として持たせられ、どの軸からでも絞り込めます。AIの役割はこの列を人の代わりに埋めることで、入力先の列と抽出条件は人が決めます。
AI文書管理の製品比較:処理・課金単位・必要な契約
同じ「自動で列を埋める」機能でも、課金の単位と前提の契約が製品ごとに大きく違います。
| 製品・機能 | AIの処理 | 課金の単位 | 必要な契約 | 事前の準備 |
|---|---|---|---|---|
| SharePoint autofill columns | 列の自動入力 | 1ページ0.005ドル | Azure接続の従量課金 | 列ごとのプロンプト |
| Copilot in SharePoint | 列の提案と自動入力 | ライセンス内/Credits | Microsoft 365 Copilot | ライブラリの指定 |
| Box Extract | 項目抽出(OCR内蔵) | プランによる | API=Business以上 | Extract Agentの設定 |
| Google Drive AI classification | ラベルの自動付与 | エディションに含む | Enterprise Plusなど | カスタムモデル:各選択肢100ファイル以上/Gemini:学習不要 |
| OPTiM 文書管理 | 分類・台帳作成 | 金額は要問い合わせ | 年1,000ファイル〜 | 項目名と形式の設定 |
| Paperless-ngx | タグ・種別の学習 | ライセンス費用なし | 自社サーバー | 既存文書の割り当て |
選び方は単純です。すでに費用を払っている基盤の機能から試し、足りない分だけ別製品を足します。
Microsoftは、Microsoft Syntexの名前で提供していた従量課金サービスを、現在は文書処理サービス(document processing services)と呼んでいます。中心のautofill columnsは、ライブラリの列ごとにプロンプトを設定すると、アップロードされた文書から値を読み取って列を埋める機能です。Microsoft 365管理センターでAzureサブスクリプションを接続すると、全サイトで使えます。
単価は1トランザクション0.005ドルで、Word・PDF・TIFFは1ページ、Excelは1シート、PowerPointは1スライド、その他の形式は1ファイルが1トランザクションです。1ページに複数のプロンプトを当てても費用は同じです(Microsoft Learn:文書処理の従量課金、2026年11月6日確認)。10ページの契約書PDFを1,000件処理すると1万トランザクション=50ドルです。この記事の金額は無料枠を引く前の単価計算で、公式の試用案内では2026年12月まで、autofill columnsとunstructured document processingの共有で月100ページの無料枠があります。項目抽出用のモデルは別料金で、structured・freeformが0.05ドル、unstructuredが0.005ドル、prebuiltが0.01ドルです。モデル課金はページ数×モデル数で数えるため、2つのモデルを付けたライブラリに5ページの文書を上げると10ページ分になります。製品全体はSharePointとは?できること・OneDriveやTeamsとの違いを参照してください。
もう1つの経路がCopilot in SharePointです。ファイルの内容からメタデータ列と抽出プロンプトを提案し、列の値を自動入力します。公式ガイドは一般提供の展開開始を2026年9月30日としており、テナントへの到達時期には差があります。通常のAutofill metadataはMicrosoft 365 Copilotライセンスに含まれますが、サイト全体をリアルタイムで埋める機能はCopilot Creditsの従量課金とサイト単位の有効化が必要です(Microsoft Learn:Copilot in SharePointの開始)。Creditsの消費量は処理の内容と量で変わるため、ページ数で費用を読めるautofill columnsのほうが予算は立てやすいと判断します。
Box:Box ExtractとBox Agentのプラン境界
Boxのメタデータ抽出は現在Box Extractという名前で、エージェントの種類はStandard Extract AgentとEnhanced Extract Agentの2つです。注意したいのはプランの線引きで、Extract Agent APIはBusiness以上で使える一方、Custom Extract Agentsの作成・設定と、メタデータテンプレートを自動入力する画面機能はEnterprise Advanced限定です(Box Support:Announcing Box Extract)。
対話型のBox AgentはEnterprise PlusとEnterprise Advanced、独自エージェントを作るBox AI StudioはEnterprise Advancedのみです。APIから抽出を呼ぶ構成ならBusinessで足りますが、現場の担当者に画面で自動入力させるならEnterprise Advancedが前提になります。
Google Drive:AI classificationのカスタムモデルと言語制限
Google DriveのAI classificationには、学習データを使うカスタムモデル方式と、自然言語の指示を使うGemini方式(Beta)があります。以下の学習件数と言語の制約はカスタムモデル方式のものです。対象はFrontline PlusとEnterprise Plusなどで、ラベルの選択肢ごとに100ファイル以上の学習用データが要ります。選択肢が3つなら最低300ファイルです。問題は言語で、カスタムモデルはラテン文字ベースの言語だけに対応します(Google Workspace管理者ヘルプ:AI classification)。日本語の文書が中心なら、カスタムモデル方式を前提にした設計は採りません。Gemini方式(Beta)は別途、日本語文書での分類結果と利用条件を確認して判断します。
OPTiM 文書管理:国内製品の台帳作成
国内のSaaSではOPTiM 文書管理が近い構成です。文書の分類ごとに管理項目の名前と形式を設定すると、アップロードした文書からAIが項目を抽出して管理台帳を作ります。公式ページの「クラウド文書管理利用プラン」はLLM-OCRが年1,000ファイルから、データストレージが年300GBからで、金額は載っておらず提案制です(OPTiM 文書管理の公式ページ)。2025年3月の発表時点では300GB・AI解析年1,000件のプランが月額10万円(税別)と報じられていました。現行の金額は見積もりで確かめます。
Paperless-ngx:自動タグ付けの学習条件とLLM連携
自社サーバーで動かすなら、GPL-3.0のOSSであるPaperless-ngxが具体的な選択肢です。最新版はv3.4.2(2026年11月3日UTC公開)です。タグ・取引先(correspondent)・文書種別・保存パスの自動割り当てに、None・Any word・All words・Exact match・Regular expression・Fuzzy word・Automaticの7種類のmatching algorithmを使えます(Paperless-ngx公式ドキュメント:Advanced Topics)。
AIに当たるのは2層あります。Automaticは、既存文書の割り当てをニューラルネットワークが学習し、新しい文書の割り当てを予測する方式です。変更の確認は既定で1時間ごとに走り、inboxタグが付いた文書は学習から除外されます。人が確認してからinboxタグを外す運用にすれば、未確認の分類が学習に混ざるのを抑えられます。
もう1層は任意で有効にするLLM連携で、タイトル・日付・タグなどの候補提示と、文書についての質問応答ができます。接続先はOpenAI互換APIか、ローカルのOllamaです。リモートのモデルを選ぶと文書の内容が外部へ送られるので、自社サーバーで閉じる目的ならOllamaに限定します(Paperless-ngx v3.4.2のusage.md)。Excel・ノーコードとの比較を含めた自作の選択肢は文書管理システムを自作する4つの方法にまとめています。
紙とスキャン文書の入口:AI-OCRが要る文書の見分け方
文字情報を持たない画像だけのPDFを本文の文字列で検索・分類するには、OCRなどで文字情報を取り出す処理が必要です。先に確かめるのは、対象のPDFのうち文字を選択できないものの割合です。
SharePointのOCRは1ページ0.001ドルで、ファイルを編集するたびに処理されるため、更新の多いライブラリでは同じ文書に繰り返し課金されます。Box ExtractはOCRを内蔵し、OPTiM 文書管理はスキャンデータへ全文AI-OCRをかけられます。手書きや帳票の読み取り精度はAI-OCRとは?従来OCRとの違い・精度の実測と教育・自治体の導入事例、Azureで組む場合はAzure Content Understandingとは?、OSSでPDFをテキスト化するならDoclingとは?PDFをMarkdown化してRAGに載せる実装手順が参考になります。
自然文検索と要約:権限の範囲で答える仕組み
「昨年度の保守契約の解約条件は」のように文章で尋ねて答えを得る機能は、列の自動入力とは別の層です。文書を検索用に索引し、質問に近い部分を取り出してLLMが回答をまとめます。検索時に利用者の閲覧権限を照合する構成では、回答の材料を閲覧可能な文書に限定できます。自前で組む場合もこの照合が必要で、閲覧権限の設定そのものはAIが直してくれません。
SharePointでは、Restricted Content Discoveryを有効にしたサイトにCopilot in SharePointとAIの操作が表示されません。公開範囲を見直すまで止めておきたいサイトにはこの設定が使えます。自前で組む場合の権限制御はナレッジベースとRAGの違い|社内文書をAmazon Bedrockで検索させる設計と権限制御で解説しています。
文書種別ごとの使い分け:契約書・請求書・社内規程
全文書に同じ機能を当てると費用だけが増えます。
| 文書 | 欲しい結果 | 向く機能 | 人が見る箇所 |
|---|---|---|---|
| 契約書 | 相手方・期限の列 | 列の自動入力 | 更新期限の全件 |
| 請求書 | 金額・発行日 | OCR付きの項目抽出 | 金額の突き合わせ |
| 社内規程 | 文章での問い合わせ | 自然文検索 | 最新版だけを対象にする |
| 法定保存の文書 | 保持期限の管理 | 保持ラベルの自動適用 | 廃棄前の確認 |
請求書のように様式がほぼ決まっている文書は抽出の検証がしやすく、最初の対象に向きます。製品の列やラベルで表せない分類ルールや基幹システムへの連携が要る場合は、生成AI開発・AI受託開発のように個別に組む選択肢が出てきます。
保持と廃棄の自動化:Purviewの保持ラベル自動適用
Microsoft Purviewでは、ラベルの付いていない文書に対し、次の条件のどれかに一致したときに保持ラベルを自動で付けられます。
- 機密情報の種類(マイナンバー、クレジットカード番号など)を含む
- 指定したキーワード、または検索可能なプロパティに一致する
- trainable classifier(学習型分類子)に一致する
学習型分類子を自作する場合、肯定例を50〜500件、否定例を150〜1,500件用意します(Microsoft Learn:trainable classifiersの開始)。学習用の文書はテキストベースに限られ、画像ファイルや画像だけのPDFは使えません。カスタム分類子の対応言語は英語のみで、暗号化されていない文書にしか動きません。日本語の社内文書が中心なら、機密情報の種類とキーワード・プロパティの条件で組むのが現実的です。Purview全体の課金と守備範囲はMicrosoft Purviewとは?3系統の守備範囲と課金・役割分担、ラベリングの社内ルールは機密文書管理の実務:区分とラベリング・権限設計で解説しています。
Pythonによるファイル棚卸しと費用見積もり
製品を選ぶ前に、今のファイルサーバーの中身を数えます。
拡張子別の集計と重複検出:scan.py
標準ライブラリだけで、拡張子別の件数と容量、更新日の古さ、内容が同一のファイルを出力します。python3 scan.py 対象フォルダで実行します。
import hashlib, os, stat, sys, time
from collections import Counter, defaultdict
if len(sys.argv) != 2:
sys.exit("使い方: python3 scan.py 対象フォルダ")
root = sys.argv[1]
if not os.path.isdir(root):
sys.exit(f"フォルダが見つかりません: {root}")
now = time.time()
skipped = 0
by_ext = Counter()
bytes_by_ext = Counter()
age = Counter()
by_size = defaultdict(list)
def walk_error(error):
sys.exit(f"走査失敗のため集計を中止: {error}")
for dirpath, _, names in os.walk(root, onerror=walk_error):
for name in names:
path = os.path.join(dirpath, name)
try:
st = os.lstat(path)
except OSError as e: # 走査中の削除など
print(f"集計対象外: {path}: {e}", file=sys.stderr)
skipped += 1
continue
if not stat.S_ISREG(st.st_mode): # リンクやFIFOは数えない
print(f"通常ファイル以外: {path}", file=sys.stderr)
skipped += 1
continue
ext = os.path.splitext(name)[1].lower() or "(なし)"
by_ext[ext] += 1
bytes_by_ext[ext] += st.st_size
days = (now - st.st_mtime) / 86400
age["1年超" if days > 365 else "90日超" if days > 90 else "90日以内"] += 1
by_size[st.st_size].append(path)
def sha256(path):
h = hashlib.sha256()
with open(path, "rb") as f:
for chunk in iter(lambda: f.read(1 << 20), b""):
h.update(chunk)
return h.hexdigest()
dups = defaultdict(list)
for size, paths in by_size.items():
if len(paths) > 1: # サイズが一致したものだけハッシュを取る
for p in paths:
try:
dups[sha256(p)].append(p)
except OSError as e:
print(f"ハッシュ不可: {p}: {e}", file=sys.stderr)
skipped += 1
for ext, n in by_ext.most_common():
print(f"{ext}\t{n}件\t{bytes_by_ext[ext]}B")
print(dict(age), "集計対象外:", skipped)
for h, paths in dups.items():
if len(paths) > 1:
print("重複:", h[:12], sorted(paths))
見積書3件(うち1件は別フォルダへのコピー)、規程1件、壊れたシンボリックリンク1件を置いたフォルダに対し、Python 3.9.6で実行した結果が次です。
.txt 3件 81B
.docx 1件 3000B
{'90日以内': 2, '90日超': 1, '1年超': 1} 集計対象外: 1
重複: ff3385cb4dca ['sdata/営業/見積_A社.txt', 'sdata/総務/見積_A社_コピー.txt']
見積書3件は同じ27バイトですが、SHA-256で比べるとB社の1件は内容が違うため重複から外れています。シンボリックリンクとFIFOは数えず「集計対象外」に足します。読めないサブフォルダがあると、不完全な結果を出さずに終了コード1で止まります。
古さの判定に最終アクセス日時(atime)を使わないのは、Linuxではカーネル2.6.30以降relatimeが既定で更新が間引かれるためです(mount(8)のrelatimeの項)。閲覧の有無を根拠にアーカイブするならリポジトリ側の監査ログを使います。
PDF・Excel・PowerPointの処理量と費用の概算:estimate.py
件数だけでは課金額が読めません。次のスクリプトはPDFのページ数、Excelのシート数、PowerPointのスライド数を足して、0.005ドルを掛けます。pip install pypdf openpyxl python-pptxのあと、python3 estimate.py 対象フォルダで実行します。
import os, sys
from openpyxl import load_workbook
from pptx import Presentation
from pypdf import PdfReader
PRICE = 0.005 # autofill columnsの1トランザクション単価(米ドル)
if len(sys.argv) != 2:
sys.exit("使い方: python3 estimate.py 対象フォルダ")
if not os.path.isdir(sys.argv[1]):
sys.exit(f"フォルダが見つかりません: {sys.argv[1]}")
counts = {"pdf": 0, "xlsx": 0, "pptx": 0}
other, failed = 0, 0
def walk_error(error):
sys.exit(f"走査失敗のため見積もりを中止: {error}")
for dirpath, _, names in os.walk(sys.argv[1], onerror=walk_error):
for name in names:
path = os.path.join(dirpath, name)
ext = os.path.splitext(name)[1].lower()
try:
if ext == ".pdf":
counts["pdf"] += len(PdfReader(path).pages)
elif ext == ".xlsx":
wb = load_workbook(path, read_only=True)
counts["xlsx"] += len(wb.sheetnames)
wb.close()
elif ext == ".pptx":
counts["pptx"] += len(Presentation(path).slides)
else:
other += 1
except Exception as e: # 破損・パスワード付きなど
print(f"数えられない: {path}: {e}", file=sys.stderr)
failed += 1
total = sum(counts.values())
print(counts, "対象外:", other, "失敗:", failed)
print(f"{total}トランザクション = {total * PRICE:.2f}米ドル")
12ページのPDF、3シートのExcel、5スライドのPowerPointに、パスワード付きPDF・壊れたPDF・テキストファイルを混ぜたフォルダで、Python 3.9.6、pypdf 6.21.4、openpyxl 3.1.5、python-pptx 1.0.2を使って実行した結果です。
{'pdf': 12, 'xlsx': 3, 'pptx': 5} 対象外: 1 失敗: 2
20トランザクション = 0.10米ドル
パスワード付きと壊れたPDFは「失敗」に数え、標準エラーへパスを出します。存在しないフォルダや読めないサブフォルダがあれば、金額を出さずに終了コード1で止まります。Word文書と旧形式の.xls・.pptは「対象外」に入ります。Wordのページ数はレイアウトで決まるため、抜き取りで平均を出して足してください。対象外のうち、TIFFはページ数、旧形式の.xlsはシート数、.pptはスライド数を別途加算します。それ以外はautofill columnsの対応形式か確認したうえで、1ファイルを1トランザクションとして加算します。
導入手順:棚卸し・メタデータ設計・試行と展開
- 棚卸し:上のスクリプトで拡張子・容量・重複・ページ数を数える。重複と保存期限切れはこの時点で減らす。
- メタデータ設計:検索や保持の条件に使う列を5〜10個に絞って決める(取引先、文書種別、年度、機密区分など)。
- 権限の是正:全社公開や「リンクを知っている全員」になっている共有を洗い出して閉じる。
- 1ライブラリで試行:1部門の1ライブラリにだけ自動入力を有効にし、抽出結果を人が確認する。Paperless-ngxならinboxタグで確認待ちを分ける。
- 展開と費用監視:項目別の正答率と誤抽出の影響を確認して対象を広げ、Azureの予算アラートで予算額への到達を監視する。予算アラートだけでは処理や課金は停止しないため、超過時の対応担当と停止手順も決める。
Microsoft 365で過剰共有を可視化する設定はMicrosoft 365 Copilotの情報漏洩対策にまとめています。
スマートリポジトリを見送るべき条件と失敗パターン
次のどれかに当てはまるなら、先にやることがあります。
- 共有設定が棚卸しされていない:人事評価や見積原価が「全社員が閲覧可」のまま置かれていると、検索しなければ気づかれなかった文書が回答に出てきます。
- 過去文書を一括処理する前提の予算:10ページの文書10万件にautofill columnsを当てると100万トランザクション=5,000ドルで、モデル課金を足せばさらに増えます。新規に入る文書から適用し、過去分は検索頻度の高いライブラリに絞るのが妥当です。
- 正解例が集まらない:学習型の分類に必要な件数を用意できない場合は、キーワードや正規表現で条件を表せるかを先に確認します。Paperless-ngxでもAny word・Exact match・Regular expressionで同じ割り当てができます。
- 使う列が決まっていない:検索や保持の条件を決めないまま抽出を始めると、埋まった列を誰も使わず費用だけが残ります。
よくある質問
スマートリポジトリとは一言でいうと何ですか?
AIで文書の分類・項目抽出・保持ラベルの付与を自動化した文書の保管場所です。単独の製品名ではなく、SharePointやBoxなどのAI機能を組み合わせた状態を指します。
AIリポジトリ(AI repository)とは何ですか?
AIモデルやデータセットを置くリポジトリを指すことが多い語です。Hugging Face HubのModel・Dataset・Spaceのように、Gitで版管理してモデルやデータセットを配布し、AIアプリを公開する場で、社内文書の整理とは目的が違います。
今のファイルサーバーのままAIで整理できますか?
重複の検出や拡張子・容量の集計はファイルサーバーのままでもできます。自動分類や項目抽出も、文書をAPIなどで処理し、結果を別のデータベースやCSVに保存する構成なら実現できます。
導入費用はどれくらいかかりますか?
SharePointのautofill columnsは1ページ0.005米ドルで、1,000ページを1回処理すると5米ドルです。Boxは使う機能でプランが決まり、OPTiM 文書管理は提案制です。Paperless-ngxはライセンス費用がかからず、サーバーの運用費と保守の工数が費用になります。
AIの誤分類はどう防げばよいですか?
人の確認を通った文書だけを学習に使う運用にします。Paperless-ngxはinboxタグが付いた文書を学習から外すので、分類結果を確認してからタグを外す手順と組み合わせます。SharePointやBoxでも、最初は1ライブラリで抽出結果を人が確認してから対象を広げます。