PDFの中身をAIに渡す前にやっておくと良いこと

PDFの内容をAIに要約させたい、あるいは質問の材料にしたい。
そういうとき、PDFをそのままアップロードできるサービスも増えました。

一方で、テキストをコピーして貼り付ける形で渡す場面も残っています。
社外に出せない資料をアップロードしたくない場合や、必要なのが数ページだけで全部を渡す必要がない場合などです。

今回は、貼り付けで渡すときに、事前に整えておくと何が変わるのかという話です。

崩れたまま渡すと起きること

PDFからコピーしたテキストには、本文以外のものが混ざります。
ページ番号、章のタイトル、資料名のヘッダー、脚注の断片。
これらは各ページの上下に繰り返し入っているので、10ページぶんを貼れば10回混ざることになります。

影響としては、まず単純に、読ませたい中身以外でトークン（AIが処理する文字のまとまり）を使うことになります。
そして本文の途中に「- 12 -」のような行が挟まるので、文の流れが分断されます。

英語の資料では、行末のハイフン分割も引っかかりどころです。
inter- と national に割れたままだと、単語として読まれない場合があります。

もうひとつ、2段組の資料で左右の段が入り混じっているケースは、影響が読みにくいぶん厄介かと思います。
テキストとして目で見ると多少バラついている程度に見えても、文の順序が入れ替わっている以上、要約や回答の中身に響く可能性があります。

どこまで整えるか

とは言え、完璧に整える必要はありません。
AIは多少の崩れなら読み解くので、手をかけるとしたら、影響の大きいところからになります。

• 文の順序（段組 of 乱れ）: 直しておきたいところ。順序が壊れると内容そのものが変わります。
• ページ番号・ヘッダーの混入: 量が多いなら消しておくと、無駄が減ります。
• ぶつ切りの改行: 見やすさの問題が主ですが、消しておくと段落の切れ目が伝わりやすくなります。
• 語間の余計な空白・ハイフン分割: 単語の形が崩れている箇所だけ直せば十分かと思います。

手元で済ませる

当サイトのPetaPDFは、この下ごしらえのためのツールです。
貼り付けたテキスト、またはPDFファイルそのものから、上に挙げた崩れをまとめて処理します。
「AIに貼る」の設定で開けば、段落を保ったまま整形する組み合わせが最初から入っています。

処理はすべてブラウザの中で行われ、テキストもPDFファイルも外部に送信されません。
資料をアップロードせずに手元で扱いたい、という場面でも使えるかと思います。

社外秘の資料をどこまでAIに渡してよいかは、組織ごとのルール次第です。
判断そのものは各自でお願いすることになりますが、少なくとも「整えるところまでは手元で完結する」という選択肢はあります。