何が起きたか
Cohereが文書解析モデル「Parse 5」をリリースしました。PDF・スライド・画像を構造化Markdownに変換する23億パラメータのVLM（視覚言語モデル）で、Cohere API、Model Vault、Microsoft Foundry、AWS SageMakerから利用できます。価格は1000ページあたり1.5ドル。
技術的な要点は「1パスであること」です。多くのツールがOCRとモデル処理を別工程で走らせるのに対し、Parse 5はページを画像として受け取り、単一のVLM推論で読み順どおりのMarkdownを返します。表はHTMLとして描画し、画像には説明文と、表・画像にはバウンディングボックス座標が付きます。Cohere LabsのNorth-Micro-Vision-Instructアーキテクチャがベースで、コンテキストは8,192トークン、フットプリントは約4.6GB。安定精度を謳うのはアラビア語・英語・仏・独・伊・日本語・韓・葡・西の9言語で、それ以外はゼロショットの低精度対応です。
「勝っていない」ことを自分で公表した意味
異例なのは、Cohere自身が公開した比較表でParse 5が3位に置かれている点です。ParseBench（人手検証された企業文書に対する評価）で、表・内容忠実性・意味的フォーマットの3軸合計79.2。上にGPT-5.5（84.4）、Opus 4.8（84.3）、Gemini 3.5 Flash（81.8）が並び、下にLlamaParseの低価格ティア（78.3）、Mistral OCR 4（74.5）、Databricks AI Parse（72.4）、Azure Document Intelligence（69.3）が続きます。
つまりCohereの主張は「最高スコア」ではなく「最高スコアに近いスコアの、最安値」です。ここには市場構造の読みがあります。文書解析は一度きりの推論ではなく、毎日大量のページを流し続ける「インジェスト（取り込み）」処理です。1ページあたりのコストと遅延が、そのまま年間の運用費に線形で乗る。汎用フロンティアモデルが精度で勝っても、単価が桁違いなら勝負にならない領域がある、という賭けです。Cohereは年間7.5億文書を処理する金融サービスのワークフローを試算し、GPT-5.5からParse 5に替えれば98%超のコスト削減になるとしています。ただしこれは監査済みの実運用実績ではなく、Cohereが単一のモデルケースで出した自社試算である点は割り引いて読むべきです。
除外された2軸と、チャートの扱い
Cohereの比較表はParseBenchの5軸のうちLayoutとChartを除外しています。理由を性能差ではなく「製品スコープの違い」だと説明しており、実際、Parse 5はテキストの要素単位のバウンディングボックスではなく読み順のMarkdownを返し、チャートは数値を抽出せず説明します。
これは弱点であると同時に、意図的な設計判断でもあります。Cohereのニルス・ライマース氏（VP of AI Search）は、他社はチャートからデータを抜こうとするが、線の色やパターンといった解釈に効く情報を落としてしまい、チャットやエージェントでのハルシネーションにつながると述べています。Parse 5はチャートの概要説明と、エージェントが視覚的に確認するための指示子を返す方針です。チャートのデータ抽出は将来バージョンで対応予定とされています。
ライマース氏はより根本的に「文書解析が解決済みでないのは、難しいのが文字を読むことではなく構造と意味を保つことだから」「レイアウトの重いページではフロンティアモデルですら壊れる」と述べています。
出力モードと、エージェント時代の要件
出力は2モード。既定はページ単位のMarkdown文字列、blocksモードは型付き要素を返し、各テーブルが自前のHTML・バウンディングボックス・説明を持ちます。Cohereはこれを「エージェント向けの引用レベルのトレーサビリティ」を可能にする形式だと位置づけています。RAGやエージェントが「その数字はこの表のこの位置から来た」と示せるかどうかは、規制業種では機能要件そのものです。
市場の重要性は数字が裏づけます。BARC USのケビン・ペトリー氏は、実施中の調査で文書解析がAIユースケースの断トツ1位で、回答組織の62%が導入していると述べています。同氏は「文書や画像などの非構造データこそ、エージェンティックAIを差別化する自社固有のコンテキストを持っている」とも語ります。Cohereのコスト性能が実際にフロンティアモデルに対抗できるかは時間が判断するとしつつ、戦略の焦点は正しいという評価です。
HyperFRAME Researchのステファニー・ウォルター氏は、Parse 5を「レガシーOCR」と「全ページに高価なフロンティアモデルを当てる」の中間に位置づけ、構造・空間的な出所情報・プライベート展開を大量取り込みに見合う価格で提供できる点に優位性があると見ます。同氏の指摘は導入判断に直結します——「解析は企業AIスタックの最初の品質ゲート。取り込み時に表や見出し、画像、読み順が失われれば、より良い埋め込みも大きなモデルもその欠損を回復できない」。
💼 事業会社視点：これは自社にどう効くか
日本企業にとって、まず見るべきは9言語の安定精度に日本語が入っている点です。稟議書、���算短信、保険約款、建設図面の仕様書——縦横混在・脚注過多・表の入れ子という日本の文書は、これまでOCR前処理と後段モデルの二段構成で精度と費用の両方を削られてきました。1000ページ1.5ドルという単価は、これまで「PoCは通ったが全社展開の稟議で費用が通らなかった」案件の損益分岐を動かします。
動くべきは3層です。社内AI基盤を持つ事業会社は、全ページを高価なモデルに流す現行パイプラインの単価を今週中に棚卸しし、取り込み層だけを安価な専用モデルに切り替える二層構成を検証すべきです。受託開発・SIerは、OCRベンダー選定とプロンプト調整で積んでいた工数がモデル単体に吸収されるリスクを直視し、提案の軸を「読めるか」から「エージェントが正しく使えるか」の設計・評価へ移す必要があります。SaaS事業者は、文書取り込みが原価に直結するなら粗利率が改善する一方、競合も同じ手を使える点で差別化にはなりません。
選定の作法は明確です。ウォルター氏が言うとおり、ベンダーのベンチではなく自社の最も厄介な文書で試し、抽出テキストの見た目ではなく下流の検索精度とタスク成功率で測る。98%削減という数字はCohereの単一ケース試算であり、自社のページ構成で再現する保証はありません。