Amazon Web Services（AWS）は、Amazon S3に保存されたPDFからリアルタイムでテキストを抽出する新しい手法を公開した。Model Context Protocol（MCP）を採用することで、大規模なバッチ処理を介さず、低コストかつ即時性の高いドキュメントアクセスをRAG（検索拡張生成）システムに提供する。
AWSが提示したアーキテクチャは、従来の情報抽出アプローチとは一線を画す。これまでS3上のPDFからテキストを抽出するには、Amazon Textractのような高機能なOCRサービスを利用するか、複雑なバッチ処理パイプラインを構築するのが一般的であった。しかし、これらはオーバーヘッドが大きく、開発環境やプロトタイプではコストと時間が課題となる。AWSの技術ブログによれば、MCPベースの手法はAIアシスタントがS3上のテキスト埋め込み型PDFへ直接アクセスすることを可能にし、インフラの複雑さを劇的に低減するものである。
この新手法の特筆すべき点は、そのコスト効率にある。AWSの試算では、月間1万ページ処理時のコストは、Textractを用いた構成が約23〜28ドルかかるのに対し、MCPベースの手法では約2.5ドルと、従来の10分の1以下に圧縮できる可能性がある。ただし、この手法には明確な適用範囲がある。対象はあくまでテキスト情報が埋め込まれたPDFに限定され、スキャンされた画像データや複雑なレイアウト、表形式の抽出には対応しない。OCRが必要な複雑なドキュメント処理には、引き続きTextractが推奨されるとAWSは明言している。
このMCPベースのアーキテクチャは、RAGシステムを構築する開発者にとって大きな恩恵をもたらす。インフラコストを気にせず、迅速にプロトタイプ開発や小規模な検証が可能となるため、PoC（概念実証）のサイクルを加速できる。また、法務や財務といった現場の担当者が、会議中や監査の最中に「今すぐ」特定の条項や数値を確認したいというニーズに対し、即座にドキュメントへアクセスできる環境をより手軽に構築できるようになる。これは、社内文書のAI活用におけるデータ前処理の効率向上に直結する。
MCPは、AIモデルと外部サービスを連携させるためのオープンプロトコルであり、「AIのUSB-C」とも称される。Anthropicがオープンソース化し、主要AIプロバイダー全社が採用していることから、事実上の業界標準になりつつある。このプロトコルが企業内の多様なデータソースをAIに接続する「共通言語」として定着すれば、社内のサイロ化されたデータへのアクセスを民主化し、エンタープライズ領域におけるAI活用のあり方を大きく変える可能性がある。一方で、本番環境でのセキュリティ権限管理や、多様なPDFフォーマットへの対応など、実運用における堅牢性をどこまで担保できるかは今後の検証課題であると見られる。
