日本語・日本業務特有のAI問題 — 敬語、縦書き、和暦、帳票、住所、人名、表記揺れ、日本語OCRを「日本語対応」の一語で潰さず、業務データ型・文書レイアウト・文字体系・社会言語的適切性ごとに検証する

日本語を生成できることと、日本の業務データを安全に処理できることは同義ではない。住所には表記揺れと行政上の階層、人名には異体字・外字・読みの曖昧性、文書には縦書き・複数段・帳票レイアウト、日付には西暦/和暦、対人文書には敬語・役職・定型がある。汎用LLM/VLM/OCRの総合スコアだけでは、これらのfailure surfaceを十分に表現できないため、Japan-specific fixtureと正規化/検証層が必要である。

Enterprise AI Core: localization evaluation、structured extraction、normalization、provenance、human review。 Japan overlay: 住所/氏名/文字/和暦/敬語/帳票/縦書き。 Implementation/non-LLM component: OCR、address registry、postal data、name matching、Unicode/character mapping。 Benchmark: Japanese-specific OCR/VLM fixture。

Q1. 「日本語対応」を単一capabilityとして扱わず、language generation / typography-layout / OCR / entity normalization / calendar / business-registerの別能力として評価すべきか。 Q2. 住所・人名等は生成モデル単独で正規化せず、authoritative/reference dataと照合する設計が必要か。 Q3. 縦書き・混在文字種・漢字・帳票は一般multilingual benchmarkでは不足し得るか。

• source class: official government base registry exact title: アドレス・ベース・レジストリ org: デジタル庁 canonical URL: https://www.digital.go.jp/policies/base_registry_address publication/update/access: updated 2026-03-30 / accessed 2026-09-16 version: 町字正式版は2025-06-01公開 supporting locator: 取組の概要、町字データ、整備状況 evidence label: VERIFIED_SPEC relation: support / context established: 住所・所在地を公的基礎情報データベースとして整備し、町字データを正式公開している。住所は単なる自由文字列ではなく参照可能な公的データとして扱える。

• source class: official government explanatory publication exact title: 住所の「表記揺れ」解決で官民の負担削減、災害支援も アドレス・ベース・レジストリが目指す「データを自動的に使える未来」 org: デジタル庁 canonical URL: https://digital-agency-news.digital.go.jp/articles/2025-10-31-0 publication/access: 2025-10-31 / accessed 2026-09-16 supporting locator: 「東京都千代田区紀尾井町1-3」「１－３」「一の三」の例、ABRジオコーダー説明 evidence label: VERIFIED_SPEC + SOURCE_REPORT relation: support / failure-envelope established: 同一住所に複数表記が存在し、文字列一致では別データ化し得る。ABRジオコーダーは住所文字列をレジストリと照合し、正規化住所、町字ID、緯度経度等を出力する。

• source class: official postal data/API exact title: 郵便番号データダウンロード / 郵便番号・デジタルアドレスAPI org: 日本郵便 canonical URL: https://www.post.japanpost.jp/service/search/zipcode/download/ ; https://lp-api.da.pf.japanpost.jp/ publication/update/access: current; postal change notice updated 2026-08-31 / accessed 2026-09-16 version: API current surface; Business Digital Address support added 2026-03-19, entrance lat/long update 2026-07-30 supporting locator: UTF-8 1-record-1-line data、漢字/カナ/ローマ字、公式API evidence label: VERIFIED_SPEC + PRODUCT_VOLATILE relation: support / availability-context established: 日本郵便は郵便番号住所データを複数形式で提供し、公式APIは最新郵便番号データと連携する。住所補完・検証は生成モデルの記憶だけに依存させる必要がない。

• source class: official interoperability/character infrastructure exact title: 文字情報基盤 org: IPA / IMI canonical URL: https://imi.ipa.go.jp/mj/ publication/access: current page / accessed 2026-09-16 version: 約6万文字の行政人名漢字等を整備 supporting locator: 文字情報基盤の取組み evidence label: VERIFIED_SPEC relation: support / limit established: 行政で用いられる人名漢字等約6万文字を対象に標準化を進め、住基ネット統一文字、JIS、常用漢字に含まれない文字等の相互運用を扱う。人名処理を「一般的な常用漢字だけ」の問題へ縮小できない。

• source class: official government service/evaluation exact title: 氏名突合支援サービス よくある質問 org: デジタル庁 canonical URL: https://developers.digital.go.jp/documents/name-matching-support/faq/ publication/update/access: initial model 2025-10; accessed 2026-09-16 version: FAQ current surface supporting locator: 精度、score threshold、文字範囲、日本国外利用 evidence label: VERIFIED_SPEC + PRODUCT_VOLATILE relation: support / limit established: 初期モデル評価は日本人名95%以上、外国人名80%以上とされるが、業務特性に応じthresholdを調整可能と明記され、常用/人名用漢字外の文字も返り得る。単一thresholdや「人名一致=確定」を全業務へ外挿しない。

• source class: official library R&D / implementation exact title: NDLOCR-Liteの公開とその背景 org/author: 国立国会図書館 次世代システム開発研究室 / 青池亨 canonical URL: https://current.ndl.go.jp/e2891 publication/access: 2026-06-25 / accessed 2026-09-16 version: NDLOCR-Lite, released 2026-02-24 supporting locator: 2026年現在のNDLOCR/NDL古典籍OCR/Lite系統 evidence label: VERIFIED_SPEC + OSS_PRACTICE relation: support / implementation established: NDLは日本語資料のOCRを継続研究し、NDLOCR/古典籍OCRとLite版を公開。Liteは一般PCでGPU不要の実行を狙い、英文・手書きも実験的対応する。

• source class: primary research benchmark exact title: JaWildText: A Benchmark for Vision-Language Models on Japanese Scene Text Understanding authors: Koki Maeda, Naoaki Okazaki canonical URL: https://arxiv.org/abs/2603.27942 publication/access: 2026-03-30 / accessed 2026-09-16 version: arXiv 2603.27942 supporting locator: abstract; dataset/task/error analysis evidence label: RESEARCH relation: support / counter / benchmark established: Japanese scene textにはmixed scripts、vertical writing、大きなcharacter inventoryがあり、一般multilingual benchmarkが十分に捉えない問題を指摘。3,241 instances、1.12M annotated characters、3,643 unique character types、STVQA/receipt KIE/handwriting OCRの3 taskで14 open-weight VLMを評価し、best average 0.64、特にkanji recognitionを主要bottleneckと報告。

• source class: official language resources exact title: データベース・コーパス・資料 / BCCWJ2 org: 国立国語研究所 canonical URL: https://www.ninjal.ac.jp/resources/ ; https://clrd.ninjal.ac.jp/ publication/update/access: BCCWJ2 partial release 2026-03-24 / accessed 2026-09-16 version: BCCWJ2 staged release; completion planned through FY2028 supporting locator: 書籍・雑誌・新聞・白書・Web・法律等、BCCWJ2公開案内 evidence label: VERIFIED_SPEC + RESEARCH relation: support / evaluation-context established: 日本語の書き言葉・話し言葉を評価/研究するための専門コーパス群が存在する。敬語・文体・語彙の妥当性は、LLMの自己申告だけでなくcorpus/専門レビューへ接続可能。

• JAPAN_LOCALIZATION_CONTRACTをCore候補とする。最低フィールドは task、document/data type、script/layout、normalization target、authoritative reference、model/OCR version、locale/calendar、input provenance、raw output、normalized output、validation result、human correction、final artifact。
• 日本語能力は少なくとも (A) generation/style、(B) OCR/layout、(C) character interoperability、(D) address normalization、(E) name matching、(F) date/calendar、(G) structured form extraction に分ける。
• 住所・郵便番号・氏名等は、LLMがもっともらしい正規形を生成するだけでは確定しない。ABR、日本郵便、文字情報基盤等のauthoritative/reference sourceとの照合結果とsource versionを残す。
• 日本語OCRは縦書き、複数段、漢字、混在script、手書き、receipt/table/layoutをfixture別に測る。単一CER/WERまたは英語中心benchmarkから日本語帳票性能を推定しない。
• 敬語はgrammar correctnessだけでなく、相手/役割/場面/組織規約に依存するpragmatic appropriatenessであり、自動評価だけで閉じず代表業務fixtureとhuman reviewを置く。
• 和暦は表示形式と内部canonical dateを分離する。生成テキストの「令和N年」を業務システムへ直接commitせず、calendar conversionとrange validationを deterministic layerで行う。

• 日本語で自然に会話できるmodelでも、縦書きOCR、外字、人名突合、住所正規化、和暦変換の正確性は別能力である。
• authoritative dataにもcoverage/更新時点/粒度の限界がある。ABR町字正式版の存在は、全住居番号・地番が完全整備済みという意味ではない。
• 郵便番号は住所identityそのものではない。郵便番号から得られる町域情報を個別建物・人物住所の確定へ外挿しない。
• 氏名突合サービスの公称精度はその初期評価fixtureに対する値であり、特定tenantの名簿、外国人名、旧字/異体字、OCR誤り混入条件へ一般化しない。
• JaWildTextはresearch benchmarkであり、特定commercial model/serviceのSLAではない。
• NDLOCR-Liteが日本語資料向け実装として存在することは、あらゆる現代帳票・手書き・写真に最適という保証ではない。
• 敬語/文体の「正しさ」は一意でない。文化庁等の一般指針やcorpus頻度を、組織固有の文書規程・顧客関係へそのまま置換しない。

ABR: 公開データの整備粒度・更新日・対象地域/住所階層。 日本郵便API: current API仕様・利用条件・rate/availability・返却粒度。 氏名突合: 国内利用前提、一部機能の国外IP制限、current model/threshold。 OCR: OS/hardware、model/release、文書種、縦横/手書き、入力画質。 Language resources: corpus license/access、genre/time coverage。

住所、郵便、文字、人名、OCR、corpusの各基盤は実在し、Japan-specific evaluation/normalization layerを構成可能。統合contract自体はPROPOSAL。生成LLM単独でなく deterministic parser + authoritative lookup + OCR/VLM + rule validation + human review のcomposite architectureを推奨候補とする。

後続TEST_PROFILE: ①縦書き/横書き/二段組、②請求書・領収書・申請書、③漢字/ひらがな/カタカナ/Latin/数字混在、④旧字/異体字/外字、⑤住所の全半角・丁目/番/号・漢数字/算用数字・ハイフン揺れ、⑥同姓同名/読み揺れ/外国人名、⑦西暦/和暦/元年/境界日、⑧敬語・役職・社外/社内文書をfixture化する。metricはCER、field exact match、structure fidelity、address normalization exactness、name false-match/false-nonmatch、date conversion exactness、human correction rate、critical-field errorを分離する。

Privacy: 氏名・住所・帳票はPIIを含み得るため、benchmark/evalにはsyntheticまたは適法に利用可能なfixtureを優先し、raw artifact retentionを制限。 Audit: raw→OCR→normalization→reference lookup→human correction→finalの変換履歴とreference versionを保持。 Cost: 高価なVLMを全ページへ使う前にlayout/OCR/field routingを行い、低confidence/critical fieldだけ上位modelまたはhumanへ送る比較を行う。 Operability: 日本語特有failureを「modelが日本語対応か」の一列で管理せず、data type別SLOへ分解する。

「日本語を生成できることと、日本の業務データを正確に処理できることは別である。住所の表記揺れ、人名の異体字、縦書きや帳票レイアウト、和暦、敬語などは独立した失敗条件を持つ。重要項目は生成モデルのもっともらしさだけで確定せず、公的・業務上の参照データ、決定的な変換規則、文書種別ごとの評価、人による訂正を組み合わせる。」

• 公開後WorkではJAPAN_LOCALIZATION_CONTRACTをEA-004非LLM AI、EA-011 benchmark、EA-016 eval、EA-099 accessibilityへcross-referenceする。
• ABRの町字以降（街区符号・住居番号・地番）の2026年以降整備状況を再pinする。
• 日本郵便APIのcurrent schema/version/rate/terms、氏名突合支援のcurrent model/version/availabilityを再確認する。
• NDLOCR-Lite repoのexact release/tag/commitとlicense、NDLOCR系の現行benchmark/対応layoutを採集する。
• JaWildTextの正式公開dataset/eval code revisionをpinし、commercial/current modelsを同一fixtureで再測定する。
• 和暦について、政府/標準のcanonical conversion sourceと元号境界fixtureを追加する。
• 敬語・社内外文体はNINJAL corpusだけで閉じず、文化庁等の一次指針と実組織style guideを分離してfixture化する。

/ STOP_CONDITION

current ABRの番地以下coverage、郵便API current quota/terms、氏名突合current model revision、NDLOCR-Lite exact tag/commit、commercial OCR/VLMの日本語帳票比較、和暦の採用canonical library/source、敬語の業務別acceptance threshold。

上記のcurrent revisionを再pinし、住所/氏名/和暦/帳票/OCR/敬語fixtureでcritical-field errorとhuman correction率を実測し、各workflowの許容thresholdを定義した時点で更新判断可能。

---

Japanese AI support is decomposed across authoritative address/postal/character/name/date/OCR/language controls; product/API/model details stay version-pinned/PRODUCT_VOLATILE.