GeminiでPDFと画像が混在する文書をまとめて検索

企業データは乱雑だ。財務報告書にはグラフが埋め込まれ、契約書には手書きの注釈があり、技術仕様書には図と文章が混在している。つい最近まで、こうした複合メディア文書から情報を取得するには、OCRで画像をテキストに変換する必要があった--遅く、エラーが起きやすいボトルネックだ。GeminiのFile Searchツールは、Gemini Embedding 2モデルを基盤とするネイティブなマルチモーダル対応を加えることで、2026年5月にこれを変えた。

このアプローチは従来のRAGパイプラインよりもシンプルだ。埋め込みモデルを指定してFile Searchストアを作成し（マルチモーダルの場合はgemini-embedding-2を使用）、ファイル（PDF、PNG、JPEG、WebP）をアップロードすると、システムがテキストと視覚コンテンツの両方を自動的に単一の共有ベクター空間にインデックス化する。決算発表資料のライブラリを検索するプロフェッショナルは、テキスト用と画像用のデータベースを別々に用意する必要がなくなり、「前年比の収益成長を比較したグラフを見せて」といった一つのクエリで、前処理なしにPDF内の関連するビジュアライゼーションを取得できる。

実務では、契約書の修正条項と規制の図表を並べて確認する弁護士、グラフが埋め込まれた四半期報告書からパターンを抽出するアナリスト、競合製品の写真と仕様書が混在する資料を分析する製品チームなど、いずれもこの統合検索の恩恵を受ける。メタデータフィルタリングで結果を絞り込め（例えば2025年の財務部門の文書のみに限定するなど）、ページ引用によって各回答が正確にどこから来たのかが示される。

コスト構造は開発者に有利だ。ストレージとクエリ時の埋め込みは無料で、支払いが発生するのはインデックス化とトークン分のみとなる。セットアップにはGemini APIが必要だが（Python、JavaScript、JavaのSDKに対応）、学習曲線は緩やかだ--File Searchのドキュメントには、すぐに試せる動作するコード例が掲載されている。