Column
コラム
QA AIとは？品質保証の活用例と導入5ステップを徹底解説
記事の要約 QA AIとは、品質保証業務の文書作成・検索・レビューや検査・監視にAIを適用して担当者の判断を支える仕組みで、人手による確認の限界を補う手段です。 改正GMP省令は記録の欠落・不正確・不整合をなくす継続的な管理を求めており、文書間の整合性チェックや草案生成が人手による管理の支えになります。 導入は対象業務を1つに絞り、データ整備・バリデーション・人が最終判断する運用設計まで含めて進めることで、効果と規制対応を両立しやすくなります。 「逸脱報告書の作成に週の半分が消える」。製薬や製造業の品質保証（QA）部門では、文書と記録が増える一方で確認を担う人は増えていません。QA AIは、この負荷を下げるためにAIを使う取り組みです。 本記事では、QA AIの定義とQC・QAの違い、活用例6つ、業界別の事例、導入5ステップとAIにできないことまでを、厚生労働省のGMP省令などの一次情報と、東京大学松尾研発のAIスタートアップとして製薬・製造業のAI開発を手がける弊社の経験から解説します。 QA AIとは？品質保証業務での定義とQC・QAの違い、注目される背景 QA AIとは、品質保証（QA）業務の文書作成・検索・レビュー、記録の確認、設備や製品の監視・検査にAIを適用し、担当者の判断を支援する仕組みの総称です。AIが品質を保証するのではなく、保証する人の作業を減らすのが本質です。 混同されやすい品質管理（QC）は製品や試験結果そのものを検査する活動で、QAは仕組み全体が機能していることを文書と記録で証明する活動です。GMP省令は品質部門を製造部門から独立させることを求めており（第4条）、QA部門に承認・照査が集中するからこそAIの適用余地が大きくなります。 QA業務でAI活用が注目される理由は3つあります。 1つ目は、改正GMP省令が記録の信頼性を条文で求めたことです。改正省令第20条第2項（2021年8月施行）は、手順書等と記録に欠落・不正確・不整合がないよう継続的に管理することを求めています。文書量が増えるほど、不整合のない状態を人手だけで維持するのは難しくなります。 2つ目は、確認を担う人材が足りないことです。DXを推進する人材が「不足している」と答えた企業は85.5％にのぼり（IPA「DX動向2026」）、文書業務を電子化・自動化できる人が社内にいない状況は製薬でも同じです。 3つ目は、生成AIが業務に定着し始めたことです。何らかの業務で生成AIを利用する日本企業は55.2％と半数を超えました（総務省『令和7年版情報通信白書』）。 ただし効果があった企業のうち「効率化・迅速化」は91.6％に対し「売上や利益の向上」は3.9％で（IPA、同上）、成果指標は作成時間や確認工数に置くべきだと分かります。 参照元：厚生労働省「GMP省令」（2021年8月改正施行）／総務省「令和7年版情報通信白書」（2025年7月）／IPA「DX動向2026 プレス発表」（2026年7月） QA業務で活用できるAI活用例6つ QA業務でのAI活用例は次の6つです。 文書作成：変更申請書・逸脱報告書の草案生成 ナレッジ検索：手順書・過去事例の横断検索 文書レビュー：複数文書の整合性チェック 教育：教材やテスト問題の生成 設備監視・品質予測：異常検知と傾向分析 目視検査：画像AIによる外観検査 1つ目は、GMP文書の草案生成です。変更申請書や逸脱報告書について、フォーム入力から様式に沿った草案を出力させれば、担当者は白紙から書く作業から解放され、妥当性の判断に集中できます。 対象文書は「GMP文書とは？AIで作成・管理を効率化する製薬品質保証の新しい方法」で整理しています。 2つ目は、社内ナレッジと規制文書の検索です。手順書が数百点になると、類似事例を探すだけで半日を要することもあります。社内文書を読み込んで回答するRAG（検索拡張生成）なら、根拠となる文書の該当箇所つきで答えを返せるので出典の確認も容易です。 3つ目は、文書間の整合性チェックです。承認書と製造手順書の数値・工程順・名称の食い違いは査察で指摘されやすい典型例です。AIに段落単位で照合させ齟齬候補を一覧化する使い方は、見落としを減らす守りの活用として効果が見えやすい領域です。 4つ目は、教育訓練の教材とテスト問題の生成です。手順書の改訂ごとに教材と確認問題を作り直す負荷は、改訂箇所を渡して作らせれば圧縮できます。ただし正答と根拠は人が確認する前提で運用します。 5つ目は、設備監視と品質予測です。温湿度・圧力・稼働ログから異常な挙動を検知し、工程条件から品質の傾向を予測して年次照査の材料を揃えます。紙の記録しかない工程では先に電子化が必要です。 6つ目は、目視検査の自動化です。錠剤の欠けや異物、包装の印字ずれを画像AIで判定し、検査員による判定のばらつきを抑えます。不良品画像が少ない場合は、良品データだけで異常を検出する方式を選ぶ工夫が要ります。 QA AIの業界別活用事例【製薬・製造業・ソフトウェア】 ここでは、企業の公式発表や公的機関の資料で確認できる事例を業界別に紹介します。同じ「QA AI」でも、製薬では文書と記録、製造業では検査と設備、ソフトウェアではテストの自動化と対象がまったく異なります。 効果の数値は公表されているものだけを記載していますので、自社の業務がどの型に近いかを見極める材料にしてください。 製薬：GMP文書・記録のAI活用と主要ツール 日立製作所：MES・LIMS・QMSを一元管理する医薬品製造プラットフォーム 製薬では、日立製作所と日立産業制御ソリューションズが、MES・LIMS・QMSのデータを一元管理し、生成AIで製品年次照査・逸脱調査・監査対応を支援する「医薬品製造領域向けプラットフォーム」を2026年7月に提供開始しました。 大塚製薬：DI強化に向けたデータガバナンスの整備 大塚製薬は2025年9月の製薬協GMP事例研究会で「DI強化に向けたデータガバナンスシステム実装の取り組み」を発表しており、AI活用の前提となるデータ統治の整備が大手でも進んでいます。 中外製薬：安全管理業務手順のRAG検索 ナレッジ検索では、中外製薬が医薬安全性本部の安全管理業務手順（GVP領域）40点以上を対象にRAGによるSOP検索を構築し、2024年11月から利用を始めました。 参照元：日立製作所「医薬品製造領域向けプラットフォームを提供開始」（2026年7月）／日本製薬工業協会「2025年度GMP事例研究会 開催」（2025年9月）／Google Cloud「中外製薬の生成AI活用事例」（2025年3月） 製品提供元主な機能注意点Veeva QualityDocsVeevaGxP向け文書管理。監査証跡・自動化されたワークフロー・SOP翻訳AIVault基盤での運用が前提MasterControlMasterControl文書・変更・品質イベント・教育を統合したQMS。AI基盤あり対象業務を絞る計画が必要LabWare LIMSLabWare試験室情報管理。電子記録・電子署名・監査証跡に対応QC試験が中心 製造業：目視検査の自動化と品質予測 製造業のQAでは、外観検査や異物検査の自動化が代表的な活用領域です。ニチレイフーズは船橋工場の原材料受け入れ工程で、分光カメラとAI技術を組み合わせ、透明プラスチック片などの異物を検出する検査装置を2026年8月に稼働させました。 目指すのは省人化と判定のばらつき低減で、人の目で捉えにくい対象ほどAI検査の価値が出る典型例です。 品質予測は蓄積データの量と質に左右されるため、検査記録の電子化から始めるのが現実的です。 参照元：ニチレイフーズ「AI技術を活用した検査装置を導入」（PR TIMES、2026年8月） ソフトウェア：テスト自動化AIツール3選 ソフトウェアQAでは、テストの作成・実行・保守をAIで自動化するツールが定着しています。 AutifyはチャットでAIにテストを作らせ、自律的に実行・検証します。mablはWeb・モバイル・APIを1つの基盤でカバーし、画面変更時にテストを自動修復します。MagicPodはノーコードで作成でき、500社以上の導入実績を公表しています。 mablとMagicPodに共通する強みは、UI変更に追随する自動修復機能です。 進め方は「ソフトウェアの品質保証（QA）とは？重要性と課題、進め方を解説」をご覧ください。 参照元：Autify「公式サイト」／mabl「公式サイト」／MagicPod「公式サイト」（2026年9月時点） QA業務へのAI導入5ステップとAIができること・できないこと QA業務へのAI導入は、対象業務の絞り込みと規制対応の設計で成否が決まります。弊社が製薬・製造業の支援で踏む手順は次の5ステップです。 対象業務を1つに絞り、作成時間・確認工数を実測する 手順書・過去文書・記録を棚卸しし、電子化する 小規模なPoCでAIの出力と人の成果物を突き合わせる バリデーションと運用手順を整備する 人が最終確認する運用で本番に移し、効果指標を見直す つまずきやすい実測とバリデーションを補足し、AIに任せてよい範囲も整理します。 ステップの要点：実測とバリデーション 実測を最初に置くのは、効果の判定基準を導入前に持つためです。「逸脱報告書1件あたりの作成時間」のように数えられる指標を1つ決めてから始めると、続けるか止めるかを数字で判断できます。 バリデーションは、製薬では省略できません。厚生労働省の「コンピュータ化システム適正管理ガイドライン」（2010年10月）は、GMP省令に基づく業務に使うシステムに、要求仕様から受入試験までの検証と、変更管理・逸脱管理を含む運用管理を求めています。 AIを組み込んでも例外ではなく、出力をそのまま記録にせず人が承認する設計なら精度の変動が規制リスクに直結しにくくなります。 参照元：厚生労働省「コンピュータ化システム適正管理ガイドラインについて」（2010年10月） AIができること・できないこと【QA業務での適用範囲】 AIの適用範囲を誤ると、効率化どころか品質リスクを増やします。AIができるのは、様式に沿った草案作成、文書間の齟齬候補の抽出、過去事例や規制文書の検索と要約、異常検知や画像判定です。内容の妥当性判断と承認・署名、齟齬の影響評価と是正の決定、当局への説明、根本原因の特定は人が担います。 共通するのは、AIは候補と根拠を出し、決定と責任は人が持つという原則です。生成AIは誤った内容をもっともらしく出力することがあり、GMP文書に誤数値が紛れ込めば承認後の影響は大きくなります。AIの出力に出典や入力値を常に添え、承認者が確認できる形にしてください。 セキュアな環境でQA AIを使う方法とQAIシリーズ【製薬特化】 生成AI導入の懸念として、日本企業では「社内情報の漏えい等のセキュリティリスク」が2番目に多く挙げられています（総務省『令和7年版情報通信白書』）。QA文書には製造条件や規格値が含まれるため、次の4点が出発点です。 入力データが学習に使われないことを契約で確認する 閉域網・オンプレミスやローカルLLMで社外にデータを出さない 利用者ごとのアクセス制御と入出力の監査証跡を残す 入力可能な文書の分類をガイドラインで定める 学習不使用の契約とアクセス制御が整ったクラウド型でも運用できますが、承認書や製造手順書が中心なら社内に閉じたローカルLLMという選択肢も現実的です。 判断基準は「ローカルLLMのメリットとは？セキュリティやコスト、導入の判断基準を解説」で解説しています。 こうした要件を満たしたうえで製薬QAに特化した仕組みを試したい企業向けに、弊社はQAIシリーズを提供しています。QAI Generatorは、質問に答えるだけで変更申請書をはじめとするGMP文書の草案をAIが生成するSaaSで、セキュアな環境で実行できます。 万協製薬株式会社の導入事例では、変更申請書を含むGMP文書で70％の業務効率化を公表しています。料金は初期導入費用に加えて月額10万円からで、2週間の無料トライアルがあります。 QAI Checkerは複数の文書を段落単位で照合し、数値・工程・名称の齟齬を検出してエクセルで出力します。 弊社は経済産業省・NEDOの「GENIAC」に採択され、薬学分野・製薬業務に特化したLLMの開発に取り組んでいます。 ロート製薬株式会社の品質統括部では「まずは30〜40％でも業務効率化」という発想で、製品スペック作成の自動化から生成AI活用を始めています。 製薬の品質保証教材を動画と確認テストで学べる「AI×DX寺子屋 Learning」もあります。 参照元：株式会社EQUES「「GENIAC」に採択」（2024年10月）／「ロート製薬株式会社 導入事例」 QAI Generator の詳細はこちら QA AIに関するよくある質問 Q. QA業務へのAI導入費用と効果の測り方は？ SaaS型なら月額10万円程度から始められるものがあり、個別開発ではPoCだけで数百万円規模になることもあります。効果は文書1件あたりの作成時間や照合工数など、導入前に実測した指標との比較で測ります。 Q. 小規模な製薬企業や工場でも導入できますか？ 可能です。IPAの調査では従業員101人以下の企業のAI導入率は16.6％ですが、対象を1文書に絞ればSaaSで小さく始められます。QA担当者が少ない企業ほど効果が出やすい傾向があります。 Q. AIが間違った内容を出力した場合の責任は誰にありますか？ 文書を承認し当局に説明する責任は製造業者等にあり、AIには移りません。人が確認して承認する手順と、入力値と出力の記録が必要です。 Q. AI導入で品質保証の人員は削減されますか？ 弊社の支援先では、削減より「確認と判断に時間を回す」方向で使われています。文書が増え人が増えない現場では、AIは人の代替ではなく不足分を補う手段です。 まとめ QA AIは、品質保証業務の文書作成・検索・レビューや検査にAIを適用し、担当者を判断と承認に集中させるための手段です。記録の継続的な管理は人手だけでは維持しにくく、整合性チェックや草案生成が支えになります。 QA AIは品質を保証する人の作業を減らす仕組みで、活用例は文書・検索・レビュー・教育・監視・検査の6つ 製薬は文書と記録、製造業は検査、ソフトウェアはテストと対象が異なり、自社の型に合った事例で比較する 導入は対象業務の実測から始め、バリデーションと人が最終確認する運用設計を含めて進める 弊社は東京大学松尾研発のAIスタートアップとして、製薬・製造業の品質保証業務のAI活用を支援しています。QA AIをどの業務から始めるべきか迷われている段階でも、お問い合わせよりお気軽にご相談ください。最後までお読みいただき、ありがとうございました。 製薬QAに特化したAIをお試しください QAI GeneratorとQAI Checkerは2週間の無料トライアルが可能です。セキュアな環境で運用できます。 無料で相談する QAI Generatorを見る
AI採用とは？導入事例3選とおすすめツール7選・選び方を解説
記事の要約 AI採用とは、求人票の作成から書類選考・面接・日程調整までの採用業務にAIを組み込み、作業時間の削減と評価基準の統一を図る取り組みです。 導入企業の事例では、AIに書類の一次評価や面接の質問・記録を任せ、人が確認・判断する工程と組み合わせて、AIに任せる範囲を区切っています。 公正な採用選考と個人情報保護法に沿った設計が前提で、評価の根拠を説明できるかどうかがツール選定と自社開発の判断軸になります。 「面接官によって評価がばらつく」。採用の現場では、選考の作業に追われて肝心の見極めに時間を割けないという声が絶えません。 AI採用は、採用業務の一部をAIに任せて評価の基準をそろえ、人が判断すべき場面に時間を戻す取り組みです。 本記事では、AI採用の背景と活用場面、メリットと法的な注意点、導入事例3件、ツール7選、導入の流れと自社開発という選択肢を、公的機関の資料と、東京大学松尾研発のAIスタートアップとして製薬・製造業のAI開発を手がける弊社の経験をもとに解説します。 AI採用とは？注目される背景と7つの活用場面 AI採用とは、求人票作成、書類選考、面接、日程調整などの採用業務にAIを組み込み、作業時間の削減と評価の標準化を図る取り組みです。「AI人材を採用すること」ではなく、採用という業務をAIで支えることを指します。 注目される第1の背景は人手不足です。有効求人倍率は2026年7月時点で1.18倍、正社員でも1.00倍で（厚生労働省）、企業は選ぶ立場から選ばれる立場へ移りつつあります。 2040年に約1,100万人の労働供給が不足する試算もあり（リクルートワークス研究所）、選考作業の自動化は避けて通れなくなりつつあります。 第2の背景は評価の属人化で、面接官ごとに評価軸が異なれば同じ応募者でも合否が変わり、採った理由の記録も残りません。 第3に生成AIの普及があり、生成AIを業務に使う日本企業は55.2％と半数を超えました（総務省）。対話型AI面接サービスの一つであるSHaiNの導入社数は累計1,100社を超え（2026年7月時点）、AI採用は幅広い企業に広がりつつあるといえそうです。 活用場面は、求人票作成、候補者対応、書類選考、日程調整、面接、適性検査、面接官育成・入社手続きの7つです。作業工程と評価工程では説明責任の重さが違うため、作業系から着手し、評価系は人の最終判断とセットで導入するのが現実的です。 参照元：厚生労働省「一般職業紹介状況」（2026年8月）、リクルートワークス研究所「未来予測2040」（2023年3月）、総務省「令和7年版情報通信白書」（2025年7月）、タレントアンドアセスメント「SHaiN 導入企業1,100社突破」（2026年9月） 採用業務でAIを活用するメリットとデメリット・法的な注意点 AI採用の効果は「速くなる」ことだけではなく、「評価の根拠が残る」ことにあります。一方で、過去データの偏りや個人情報の扱いを誤ると、効率化の効果を打ち消す法的リスクを抱えます。 導入企業が公表した数字をもとにメリットを確認し、続いてデメリットと法的・倫理的な注意点を整理します。経営層も押さえておくべき内容です。 AI採用の3つのメリット 1つ目は、選考作業の工数削減です。ソフトバンクはエントリーシート選考にIBM Watsonを導入した際に確認時間を75％程度、動画面接の評価にAIを導入した際に作業時間を約70％削減できると見込みました。工数削減は人が向き合う時間の再配分を狙ったものです。 2つ目は評価基準の標準化です。AI面接では質問、評価項目、記録の形式が全応募者で同一になり、面接官の経験や体調による揺れが入りにくくなります。 3つ目は候補者体験の向上で、24時間365日、場所を選ばずに受けられるため、在職中の転職希望者や地方の学生が日程の制約で離脱する事態を減らせます。 デメリットと法的・倫理的な注意点 最大のデメリットは、学習データの偏りが評価に引き継がれることです。過去の合格者に特定の大学や性別の偏りがあれば、AIはそれを合格しやすい特徴として学びます。 2つ目はブラックボックス化で、不合格の理由が分からなければ、応募者にも社内にも説明できません。評価項目と根拠をレポートで出力できるツールを選ぶことが対策になります。 法的には、厚生労働省が示す公正な採用選考の考え方が前提です。本籍、家族、宗教、支持政党、思想といった本人に責任のない事項や本来自由であるべき事項の把握は就職差別につながるおそれがあり、職業安定法第5条の5も差別の原因となるおそれのある個人情報の収集を原則認めていません。 AIがSNSや自由記述からこれらを推定する設計は避けるべきです。 個人情報保護法への配慮も欠かせません。2019年8月、個人情報保護委員会は株式会社リクルートキャリアに対し、就活生の個人データを顧客企業に提供した「リクナビDMPフォロー」で7,983人分の個人データを同意なく第三者提供したことなどを理由に勧告・指導を行いました。 利用目的の明示と同意、第三者提供の有無の確認が出発点です。 参照元：厚生労働省「公正な採用選考の基本」、個人情報保護委員会「リクルートキャリアに対する勧告等について」（2019年8月） AI採用を導入している企業事例3選 公開情報で確認できる事例を3件紹介します。いずれもAIに任せる範囲を区切り、人の確認・判断と組み合わせている点が共通です。 ソフトバンク：書類選考と動画面接の2段階でAIを使い分け ソフトバンクは、書類選考と動画面接の2段階でAIを使い分けています。2017年5月発表の取り組みでは、IBM Watsonでエントリーシートを項目ごとに評価し、基準を満たす項目は通過、それ以外は人事担当者が判断します。 2020年5月導入の動画面接の評価も同じ仕組みです。AIは合格候補の抽出に使い、落とす判断は人が担う設計です。 吉野家：アルバイト採用のAI面接を一部店舗から関東へ拡大 吉野家は、アルバイト採用にAI面接を段階的に広げました。2018年11月に一部店舗で「SHaiN EXライト」を試験導入し、2019年4月から関東一都三県で本格導入しています。無断キャンセルによる機会損失の削減などが効果として確認されました。 西松屋チェーン：新卒の一次面接をAIと人のハイブリッドに 西松屋チェーンは、新卒の一次面接をAIと人のハイブリッドにしました。2025年11月にZENKIGENが発表した取り組みでは、「harutaka AI面接」のAI面接官が質問と記録を担当し、面接官は合否判定に専念します。属人的な評価のばらつきを防ぐ狙いも明示されています。 参照元：ソフトバンク「IBM Watsonの活用について」（2017年5月）、同「動画面接の評価にAIシステムを導入」（2020年5月）、吉野家「SHaiN EXライト本格導入」（2019年4月）、ZENKIGEN「西松屋チェーンのハイブリッド選考」（2025年11月・PR TIMES） AI採用ツールおすすめ7選の比較と選び方・導入形態 ツールの選定では、機能の多さよりも自社の課題に対応する機能があり、評価の根拠を説明できるかを優先すべきです。 ここでは公式サイトで確認できる7つのツールを「できること・向く企業・注意点」の観点で中立に比較し、続いて選び方の軸と導入形態を整理します。導入社数や料金は2026年9月時点の各社公表値をもとにしています。 主要AI採用ツール7選の比較 7つのツールの概要は次のとおりです。 ツールできること向く企業注意点SHaiN対話型AI面接、評価レポート（標準10項目）一次面接の工数削減、アルバイト採用質問は同社メソッド準拠harutakaWeb面接・録画選考・AI面接・採用分析新卒大量採用、面接の質の可視化機能が広く、使う機能を絞る必要sonar ATS応募者管理・日程調整・分析。採用AIはオプション応募者情報と日程調整の一元化AI面接機能は公式ページに記載なしHRMOS採用AIによる自動求人生成、30以上の媒体連携中途採用を複数媒体で行う評価のAI化ではなく管理の効率化ミキワメ適性検査で採用基準を策定、累計6,000社以上カルチャーフィットと定着を重視面接の代替ではなく補助情報HireVueAI面接官、ビデオ面接、ゲームベース評価海外拠点を含むグローバル採用日本語運用と国内法対応を要確認Paradox会話型AIで候補者対応・日程調整・スクリーニング店舗・シフト勤務者の大量採用日本語運用と国内法対応を要確認 SHaiN、harutaka、HireVueは評価工程に踏み込むため、評価レポートの項目と根拠の出し方を導入前に確認する必要があります。 SHaiNは標準プラン1件5,000円、アルバイトプラン1件1,000円（いずれも税別）で、件数課金は応募数が読める企業ほど費用対効果を試算しやすい構造です。 選び方の5つの軸と3つの導入形態 ツールを比較する際は、次の5つの軸で自社の条件を書き出してから候補を絞ると迷いにくくなります。 解決したい課題は工数か、評価のばらつきか 評価の根拠を応募者と社内に説明できる出力があるか 既存の採用管理システムや媒体と連携できるか 応募者データの保管場所と第三者提供の有無が明示されているか 料金体系が自社の応募数に合うか 最初の軸である課題の特定が、残りの4つを決めます。導入形態は、既製SaaS、採用管理システムのAIオプション、自社開発の3つで、後になるほど費用はかかりますが、評価の透明性と自社カルチャーへの適合を高く設計できます。 採用業務へのAI導入を成功させる流れと自社にあったAIを開発する選択肢 導入の成否は、ツール選定よりも「自社は何を良い人材と定義するか」の言語化で決まります。弊社が伴走するAI導入の手順を採用業務に当てはめると、次の5つになります。 目的と評価指標を決める（選考時間、面接官間の評価差、辞退率など） 対象工程を1つに絞る（日程調整など作業系から） 評価基準を言語化し、過去の選考データを整理する 小規模に検証し、AIの判定と人の評価を突き合わせる 応募者への説明と運用ルールを定めて本格運用に移す 評価指標を先に決めなければ、導入効果は誰にも判定できません。評価基準の言語化は最も時間がかかる工程で、「自社らしさ」を行動のレベルまで分解して初めてAIに判定させる基準になります。 食い違いの理由を説明できないまま本格運用に進むのは危険で、そこに偏りの兆候が表れます。 担当者の理解を底上げする方法は「AI研修のおすすめ比較！失敗しない選び方とは？【法人向け活用講習】」で比較しています。 既製ツールでは足りない企業もあります。判断軸は3つです。第1に評価基準の透明性を自社で握れるかで、自社が定義した評価項目をそのまま組み込みたい場合、ベンダー設計のモデルでは対応しきれない場合があります。 第2に自社データの蓄積が数年分あるかで、選考記録と入社後の評価があれば学習の材料になります。 第3に運用体制で、再学習を回せる担当者がいるかが条件です。内製と外注の比較は「AI内製化とは？外注との比較表やメリット、費用と成功事例を徹底解説」で整理しています。 AI採用の導入は「自社の基準をどう言語化し、どの形態で実装するか」の意思決定です。弊社は東京大学松尾研発のAIスタートアップとして、この検討段階から伴走しています。 AI・DXの疑問をチャットで相談できる「AI×DX寺子屋」は月額20万円（税抜）で相談し放題に加えて月1回60分のオンラインコンサルティングを行うサービスで、株式会社Essencimo（約30名）はこの支援で生成AI活用の第一歩を踏み出しました。 既製ツールで足りない場合はAI PoCサービス「ココロミ」もご用意しています。 AI×DX寺子屋 の詳細はこちら AI採用に関するよくある質問 Q. AI面接の結果だけで合否を決めてもよいですか？ 一律に禁止する法律はありませんが、推奨できません。ソフトバンクはAIが不合格と判定した分を人事担当者が確認し、西松屋チェーンは最終的な合否判断を採用担当者が行う設計です。 Q. 中小企業でもAI採用を導入できますか？ 導入できます。AI面接には1件1,000円（税別）からの件数課金プランがあり、初期費用0円の採用管理システムもあります。まず作業工程から着手するのが無理のない進め方です。 Q. 応募者にAIを使っていることを伝える必要はありますか？ 個人情報保護法では、利用目的を特定し本人に通知または公表することが求められます。AIによる評価に応募者データを使うなら、募集要項やプライバシーポリシーに明記するのが安全です。 Q. AI人材を採用したい場合はどうすればよいですか？ AI人材の採用は、本記事で扱った採用業務へのAI活用とは別の課題です。求人要件を職種名ではなく、解決したい課題と必要な技術のレベルまで具体化することが出発点です。既存社員の育成と外部専門家の伴走を組み合わせる方が現実的な場合もあります。 まとめ AI採用は、人手不足と評価の属人化という課題に対し、作業をAIに任せて人が判断に集中するための手段です。効果は評価基準の言語化と、法に沿ったデータの扱いに左右されます。要点は次のとおりです。 活用場面は7つあり、作業系の工程から着手して評価系は人の最終判断とセットで導入する 学習データの偏り・ブラックボックス化・個人情報の扱いが主なリスクで、公正な採用選考と個人情報保護法への準拠が前提 ツールは課題・説明可能性・連携・データの扱い・料金の5軸で選び、既製で足りなければ自社開発を検討 AI採用の導入は、ツールの購入ではなく自社の採用基準を見直す機会でもあります。どの工程から着手すべきか迷われている段階でも、お気軽にご相談ください。最後までお読みいただき、ありがとうございました。 AI採用の導入設計をご相談ください 自社の採用基準をどう言語化し、どの形態で実装するか。AI×DX寺子屋なら東大出身のAI専門家にチャットで相談できます。 無料で相談する AI×DX寺子屋を見る
AIアノテーションとは？種類と手順・品質を保つ7つのステップ
記事の要約 AIアノテーションとは、画像やテキストなどのデータに正解となる情報を付与し、AIが学習できる教師データを作る作業のことです。 作業の品質は担当者の熟練度よりも、判断基準を定めた基準書の整備と、判断の一致率を測る仕組みに大きく左右されます。 効率化にはツールの導入、外部委託、AIによる下書きの3つの方向があり、対象の件数と判定に必要な専門性によって適した選択肢が変わります。 AI開発のプロジェクトで、モデルの精度がどうしても上がらない。パラメータを調整しても改善せず、原因が分からないまま時間が過ぎていく。 こうした行き詰まりの背景には、学習に使っている教師データそのものの品質問題が潜んでいることが少なくありません。AIアノテーションは地味な工程ですが、ここでの判断のぶれがそのままモデルの精度の上限を決めてしまいます。 本記事では、AIアノテーションの基本と種類、実施手順を整理したうえで、実際の現場で品質を落とす典型的な失敗と、その防止策を具体的に解説します。 さらに、ツール・代行サービス・AIによる自動化という効率化の選択肢を比較し、自社に合う手段の選び方まで示します。読み終えるころには、自社のデータ準備のどこに手を入れるべきかが判断できるようになります。 AIアノテーションとは？なぜモデルの精度を左右するのか AIアノテーションとは、画像・動画・音声・テキストといったデータに対して、AIが学習するための正解情報を付与する作業を指します。 たとえば製造ラインの写真に対して「この範囲が傷である」と囲んで示したり、問い合わせのメール文に「これはクレームである」と分類を与えたりする作業です。こうして作られたデータを教師データと呼び、AIはこれを手本としてパターンを学びます。 この工程が精度を左右する理由は単純です。AIは与えられた正解を疑わず、そのとおりに学習するためです。人が付けたラベルに誤りやばらつきがあれば、AIはその誤りごと学習します。 同じ傷の写真に対して、ある担当者は傷と判定し、別の担当者は傷ではないと判定していれば、AIは何を傷と呼ぶべきか学べません。 モデルの構造や計算資源をどれだけ強化しても、教師データの一貫性を超える精度は出ないという関係にあります。精度が頭打ちになったとき、まず疑うべきはモデルではなくデータです。 AIアノテーションの主な種類 アノテーションの手法は、扱うデータの種類と、AIに解かせたい課題によって決まります。同じ画像データでも、対象の位置を知りたいのか、形状の細部まで必要なのかで付与すべき情報はまったく変わり、作業量も数倍の差が出ます。 そのため、手法を選ぶ前に課題の定義を固めておく必要があります。ここでは、画像・動画と、テキスト・音声に分けて代表的な手法を確認します。 画像・動画のアノテーション 最も広く使われているのが、対象物を四角形で囲む方法です。写真の中から製品や人物の位置を特定する用途に向いており、作業負荷が比較的軽い点が利点です。対象の輪郭を細かくなぞる方法もあり、こちらは形状そのものが判定に影響する場面、たとえば傷の面積を測る用途などで使われます。 画素単位でどの領域が何であるかを塗り分ける方法は、最も精密ですが作業量も大きくなります。このほか、関節や特徴点の位置を指定する方法は、人の姿勢や動きの解析に用いられます。 動画の場合は、フレームごとに同じ対象を追跡する必要があり、静止画に比べて作業量が大きく膨らむ点に注意が必要です。 どの手法を選ぶかは精度要求と予算のバランスで決まりますが、迷ったときは「AIに何を答えさせたいか」に立ち返ると判断できます。 テキスト・音声のアノテーション テキストでは、文章全体に分類を与える方法と、文中の特定の語句に印を付ける方法が中心です。前者は問い合わせ内容の仕分けや評判の判定に、後者は文書から会社名・日付・金額といった情報を抜き出す用途に使われます。 業務文書を扱う場合、業界特有の用語や略称の扱いを決めておかないと、担当者ごとに判断が分かれます。 音声では、発話内容を文字に起こす作業に加え、話者の切り分けや、音の種類の分類といった作業があります。テキストと音声に共通するのは、正解が一意に決まらない場面が画像より多いという点です。だからこそ、次章で述べる基準書の整備が重要になります。 AIアノテーションの手順7ステップ 実務での進め方は、次の7段階に整理できます。最初の2段階に時間をかけることが、結果的に全体の工数を減らします。 目的の定義：AIに何を判定させるかを一文で言語化する 基準書の作成：判断に迷う事例と、その場合の扱いを明記する 試行：少量のデータで複数人が作業し、判断のずれを確認する 基準書の改訂：ずれた箇所について、判断基準を追記する 本作業：確定した基準に沿って作業を進める 検品：抽出または全件で確認し、誤りを修正する 再学習と評価：モデルの精度を確認し、必要に応じて基準を見直す この手順で最も省略されやすいのが3番目の試行と4番目の改訂です。基準書を書いた時点では完璧に見えても、実際のデータにはほぼ必ず例外が現れます。少量で試して判断がずれた箇所こそ、基準書に書くべき内容です。 試行を飛ばして本作業に入ると、数千件を終えた後でばらつきが判明し、やり直しになるという事態を招きます。 最後の7番目についても、一度で終わりと考えないでください。モデルの精度を確認して初めて、基準の定義が適切だったかが分かります。 品質を落とす3つの失敗と防止策 ここからが本題です。アノテーションの品質が崩れる原因は、担当者の能力不足ではなく仕組みの不備にあります。現場で繰り返し起きる失敗を3つ挙げ、それぞれの防止策を示します。 失敗1：判断基準が「例示」だけで書かれている 基準書に良い例と悪い例の写真だけが並び、判断の理由が書かれていないケースです。例示にない中間的なデータが出てきたとき、担当者は自分の解釈で判断せざるを得ず、ばらつきが生じます。 防止策は、境界の条件を言葉で定義することです。「長さ2ミリ以上のものを傷とする」「判断がつかない場合は保留ラベルを付け、後でまとめて協議する」といった形で、迷ったときの行動まで指定してください。保留という選択肢を用意しておくことが、無理な判断による汚染を防ぎます。 失敗2：品質を感覚で確認している 検品担当者が目視で確認し、「だいたい問題ない」と判断している状態です。これでは、どの程度のばらつきが残っているのかが分かりません。 防止策は、複数人が同じデータに作業し、判断がどれだけ一致したかを数値で確認することです。全体の一部、たとえば5％程度を重複して作業させ、一致率を測定します。一致率が低い項目は、担当者の問題ではなく基準の曖昧さを示しているため、基準書の改訂につなげます。 主観の入る判定では、3人以上で作業して多数決を取る方法も有効です。重要なのは、品質を人の努力ではなく測定で管理することです。 失敗3：データの出所と権利関係を確認していない 精度の問題とは別に、後から重大な支障となるのがこの点です。学習に使うデータが、著作権や個人情報の観点で適切に取得されたものかを確認しないまま作業を進めると、完成したモデルを商用利用できない事態が起こり得ます。 実際、デジタル庁が政府利用に向けて国内開発の大規模言語モデルを公募した際にも、学習用データに関する法令遵守の状況を具体的に説明できることが選定の基準とされました。公的な利用ではこの水準の確認が求められているということです。 防止策は、データの取得元・取得方法・利用許諾の範囲を、作業開始前に一覧として記録しておくことです。 参照元：デジタル庁「ガバメントAIで試用する国内大規模言語モデル（LLM）の公募結果」（2026年3月6日公表）／文化庁「AIと著作権について」 AIアノテーションを効率化する3つの選択肢 アノテーションは工数のかかる工程です。効率化の手段は大きく3つあり、それぞれ適した状況が異なります。 選択肢主な効果注意点向いている状況専用ツールの導入作業速度と管理の効率化基準の曖昧さは解消しない件数が多く社内で作業する代行サービスの活用人員確保と立ち上げの速さ専門知識の共有に時間が必要一般的な判定で件数が多いAIによる下書き生成人の作業を確認・修正に絞れる誤りの見逃しが起きやすいある程度の精度のモデルが既にある ツールを導入する場合は、まず無償で試せるオープンソースから当たりをつけるのが現実的です。代表的なツールを、提供形態と対応データの観点で整理します（特徴は各公式サイトの記述に基づきます。優劣を示すものではありません）。 ツール名提供形態対応データ・特徴（公式サイトの記述より）Label Studioオープンソース（開発元：HumanSignal）画像・テキスト・音声・動画・時系列など幅広いデータ種別に対応。データラベリングとAI評価、人が介在するワークフローの基盤CVATオープンソース（自社構築版）＋クラウド版画像・動画・3D点群・音声に対応。矩形・追跡・3D空間での検出に強み。クラウド版には無料プランありLabelbox商用（エンタープライズ向け）テキスト・マルチモーダル・動画などのデータ基盤。近年はAIの評価・強化学習向けデータや専門家による評価も提供SuperAnnotate商用本番運用を前提としたAIデータ基盤を掲げるプラットフォームRoboflow商用（無料枠あり）開発者・企業向けのコンピュータビジョンツール群。アノテーションから学習・デプロイまでを扱うFastLabel商用（国内）高品質で大規模なデータを、プロダクト（ツール）とプロフェッショナルサービス（代行）の両軸で提供 代行サービスは、人員確保と立ち上げの速さが利点です。国内では上記のFastLabelのほか、ヒューマンサイエンスがテキスト・音声・画像・動画に対応し、教師データ作成実績4,800万件以上、ツール・教育・環境の3つの軸によるセキュリティ体制を公式サイトで掲げています。 海外ではScale AIが大規模なAIモデル開発向けのデータ作成を手がけています。代行サービスを選ぶ際は、料金の比較だけでなく次の観点を確認してください。 自社の業界・データ種別での実績があるか、機密保持と作業環境のセキュリティが担保されているか、品質の測定方法と保証の範囲が契約に明記されているか、基準書の作成を支援してもらえるか、修正対応の範囲と回数が定められているか、作業者への教育体制があるか、そして納品データの権利の扱いが明確か。 とくに品質の測定方法は、契約前に必ず擦り合わせてください。 なお、専門性の高い判定は外部委託が難しい領域です。弊社がニッセンケン品質評価センターと共同で取り組んだ繊維種の判別では、見た目や成分が非常に類似し、従来の化学分析から人間が確実に識別することが困難な対象を扱いました。 ディープラーニングを適用した結果、多変量解析だけでは判別が難しかったサンプルのうち、最大で80％以上の精度での判別が可能になっています。 このように、専門家の知見をどうデータに落とし込むかが成否を分ける領域では、作業を切り出すのではなく、専門家と開発側が一緒に設計することが必要になります。 弊社は東京大学松尾研発のスタートアップとして、こうしたデータ準備を含めたAI開発を伴走型で支援しています。AI PoCサービス「ココロミ」はスタンダードプランが月々250万円からで、どのようなデータをどの粒度で用意すべきかという設計段階からご一緒します。 まず現状を整理したい段階であれば、月額20万円で相談し放題の「AI×DX寺子屋」もご利用いただけます。 AI開発全体の流れは「【AI開発】基礎から徹底解説！AIの導入・開発フローをわかりやすく解説」、検証工程については「PoC検証とは？目的と3つの観点・進め方・成功事例を解説」もあわせてご覧ください。 参照元：各ツール・サービスの公式サイト（2026年9月時点）／株式会社EQUES「AIと化学分析を融合した繊維種識別手法の技術検討」 ココロミ の詳細はこちら AIアノテーションに関するよくある質問 Q. データは何件くらい必要ですか？ 判定の難易度と種類の数によって変わるため、一律の目安はありません。まず少量で作成して精度を確認し、不足分を追加していく進め方が無駄になりません。最初から大量に作ると、基準の誤りが発覚したときの損失が大きくなります。 Q. 社内で行うのと外部委託では、どちらが良いですか？ 判定に業務の専門知識が必要なら社内、一般的な判定で件数が多いなら外部委託が向きます。併用も可能で、基準書の作成と検品を社内、本作業を外部とする分担が現実的です。 Q. AIに自動でラベルを付けさせることはできますか？ ある程度の精度のモデルが既にあれば、下書きを生成させて人が確認・修正する方法が有効です。ただし、AIの誤りをそのまま承認してしまうリスクがあるため、確認の手順は人手で作る場合より厳しく設計する必要があります。 Q. 品質はどのように測ればよいですか？ 全体の一部を複数人で重複して作業し、判断の一致率を測る方法が基本です。一致率が低い項目は基準書の記述が曖昧である可能性が高く、改訂の対象になります。 まとめ AIアノテーションは、AI開発のなかで最も地道でありながら、精度の上限を決める工程です。品質を担当者の努力に委ねるのではなく、基準書と測定によって管理する仕組みを作ることが、遠回りに見えて最も確実な道になります。本記事の要点は次のとおりです。 モデルの精度は教師データの一貫性を超えない。精度が頭打ちならまずデータを疑う 少量での試行と基準書の改訂を挟むことで、大規模なやり直しを防げる 品質は感覚ではなく一致率で測る。データの出所と権利の記録も作業前に済ませておく どの粒度でデータを用意すべきか迷われている段階でも、課題の整理からご一緒できます。お気軽にご相談ください。最後までお読みいただき、ありがとうございました。 教師データの準備にお困りの方へ どのデータをどの粒度で用意すべきか、設計段階からご一緒します。 無料で相談する ココロミを見る
自立型AIとは？仕組み・生成AIとの違い・導入4ステップを解説
記事の要約 自立型AIとは、目標を与えると自ら計画を立て、ツールを使って行動し、結果を見て修正するAIで、指示ごとに1回の出力を返す生成AIとは役割が異なります。 自走は目標分解・ツール呼び出し・観察と自己修正・記憶の4要素で成り立ちます。一方、生成AIを導入・検討中の企業でも、AIエージェントを使う部署はIT部門で19.4％にとどまります。 暴走を防ぐ鍵は権限の最小化・人の承認・行動ログ・停止条件・評価環境の5点で、対象業務を1つに絞った小さな検証から段階的に広げる進め方が有効です。 生成AIを入れたものの、結局は人が毎回指示を出し、出力を確認している。その解決策が、目標を与えると自ら手順を組み立てて業務を進める自立型AIです。 本記事では、定義と生成AIとの違い、自走を支える技術、メリットと事例、暴走を防ぐ安全設計、導入の4ステップを解説します。 公的な一次情報に加え、東京大学松尾研発のAIスタートアップとして製薬・製造業のAI開発を手がける弊社の経験も踏まえました。読み終える頃には、どの業務から試すべきか判断できるはずです。 自立型AIとは？定義と仕組みをわかりやすく解説 自立型AIとは、目標を与えると手順を自ら考え、操作を実行し、結果を確かめながら進めるAIを指します。自律型AI（Autonomous AI）と表記されることもあり、本記事では同じ意味で扱います。AIエージェントという呼び方も広まっており、中身は同じです。 「特定の目標を達成するために、環境を感知し自律的に行動するAIシステム」というのが、総務省・経済産業省「AI事業者ガイドライン（第1.2版）」におけるAIエージェントの定義で、ある程度の自律性を持つものも含みます。 つまり人がいらないAIではなく、目標と制約を人が決め、手順をAIに委ねる仕組みです。動きは、大規模言語モデル（LLM）が頭脳を担い、道具を使って行動し、結果を見て次の一手を決める繰り返しです。 参照元：総務省・経済産業省「AI事業者ガイドライン（第1.2版）」（2026年3月31日公表） 自立型AIと生成AIの違い 生成AIは「指示に答える道具」、自立型AIは「目標に向けて工程を回す働き手」です。生成AIは自立型AIの頭脳として内部で使われます。 観点生成AI自立型AI（AIエージェント）入力都度の指示目標と制約条件動き方1往復で完結計画・実行・確認を繰り返す外部との接点文章生成が中心検索やAPIで外部を操作人の役割毎回指示し、出力を確認目標を設定し、要所で承認失敗の現れ方誤った文章が出る誤った操作が実行される 重要なのは最後の行です。生成AIの誤りは読んで気づけますが、自立型AIの誤りは発注や送信という操作として現れ、安全設計が必要になります。 主要サービスの選び方は「AIエージェントと生成AIの違い・おすすめサービスと始め方【詳細解説】」で整理しています。 日本企業の導入状況は「生成AIは半数、エージェントはこれから」 自立型AIの活用はまだ入口の段階です。国内企業でAIを「導入している」割合は42.3％、試験利用中を含めると58.0％です（IPA『DX動向2026』2026年7月）。 同じ調査で生成AIを導入・検討中の企業を見ると、AIエージェントを使う部署は最も高いIT部門でも19.4％、製造部門では5.3％にとどまります。 生成AIを業務で使う企業は日本で55.2％と半数を超えており（総務省『令和7年版情報通信白書』2025年7月）、課題は技術の有無ではなく、次に何を任せるかの設計にあります。 参照元：IPA「DX動向2026」（2026年7月）／総務省「令和7年版情報通信白書」（2025年7月） ビジネスで自立型AIを導入する3つのメリット 自立型AIの効果は「工程ごと任せられる」ことに現れます。主なメリットは次の3つです。 複数の工程をまたぐ業務を一気通貫で処理できる 指示待ち時間がなくなり、夜間や休日も処理が進む 判断の根拠が記録に残り、引き継ぎや監査に使える 1つ目は、工程をまたぐ業務の一気通貫化です。問い合わせ対応なら、分類から回答案の作成、引き継ぎまでを人が間に入らずに進められます。 2つ目は指示待ち時間の解消で、夜間に集計を終え、朝は人が確認するだけの運用が可能になります。 3つ目は、判断の根拠がログに残り、引き継ぎや監査に使える点です。属人化していた判断の過程を組織の資産にできます。 自立型AIはどう作る？「自走」を支える4つの技術の裏側 AIを自走させる答えは、4つの部品で「考える、動く、確かめる」のループを回すことにあります。Anthropicは「文脈の収集、行動、作業の検証」の繰り返し、OpenAIは計画・ツール利用・文脈保持と、開発基盤の公式文書も同じ要素を挙げています。 目標分解（プランニング） ツール呼び出し（関数実行・API連携） 観察と自己修正（ループ） 記憶（短期記憶・長期記憶） 第1の部品は、目標を手順に分解するプランニングです。売上報告の作成という目標を、データ取得、集計、文章化に分けます。手順への分解の質が全体の成否を左右するため、手順の型を人が用意しておく方法がよく使われます。 第2の部品は、外部の道具を使うツール呼び出しです。関数呼び出し（AIが実行したい処理を宣言する仕組み）やAPIを通じて、検索やメール送信などを行います。渡した道具の範囲がそのまま権限の範囲になるため、道具の選び方は安全設計そのものです。 第3の部品は、結果を観察して自己修正するループです。結果を読み取り、想定と違えば別の方法を試す繰り返しが自走の正体であり、誤った方向へ進み続けるリスクの源でもあるため、繰り返し回数の上限と人へ引き継ぐ条件を設けておきます。 第4の部品は、短期と長期の2種類の記憶です。短期記憶は今の作業の文脈、長期記憶は社内知識をデータベースに保存する仕組みで、RAG（検索拡張生成）がよく使われます。記憶の設計を誤ると同じ失敗を繰り返すAIになります。 設計から費用までは「AIエージェント開発｜企画から費用まで徹底解説【完全ガイド】」で解説しています。 参照元：Anthropic「Building agents with the Claude Agent SDK」（2025年9月）／OpenAI「Agents」（開発者向け文書） 【業界別】自立型AIの活用事例と将来像 自立型AIの導入は、顧客対応と社内の定型業務から始まり、研究開発や製造現場へ広がりつつあります。ここでは、公式に公表されている製品と導入事例を業界別に紹介します。 顧客対応・社内業務：Salesforce、Microsoft、SOMPO、アールプランナー 数値が公表されていない事例は導入や検証を始めた事実のみを記載し、効果の推測は加えていません。自社の業務に近い事例から、任せられる範囲の目安をつかんでください。 Salesforce：Agentforceで顧客対応を自律的に処理 顧客対応では、Salesforceの「Agentforce」が代表例です。複数のチャネルでケース解決や訪問日程の調整を自律的に進める基盤で、公式ページでは導入企業数18,000社以上を示しています。 Microsoft：Copilot Studioで業務データと連携するエージェントを構築 Microsoftの「Copilot Studio」は、業務データと連携したエージェントを自然言語で構築でき、1,400以上の外部コネクタに対応します。AgentforceとCopilot Studioはどちらも自社でエージェントを作って運用する土台です。 SOMPOホールディングス：社員約30,000人にAIエージェントを実証導入 国内では、SOMPOホールディングスがグループ会社の社員約30,000人を対象に、2026年1月からAIエージェントを実証実験として導入しました。Google Cloudの「Gemini Enterprise」を主要ツールに、文書検索などから着手しています。 アールプランナー：全社員にChatGPTWork、専門部署にClaude Codeを導入 アールプランナーは2026年9月、全社員に「ChatGPTWork」を、専門部署を中心に「Claude Code」を導入し、提案資料の作成などで活用を始めました。 参照元：Salesforce「Agentforce」／Microsoft「Copilot Studio」／SOMPOホールディングス「AIエージェント導入開始」（PR TIMES・2025年12月）／アールプランナー「AIエージェント運用開始」（PR TIMES・2026年9月） 研究開発・製造現場：第一三共と弊社の取り組み、製薬への見通し ここでは、研究開発の事例と弊社の取り組みを紹介し、製薬分野での見通しを示します。 第一三共：AWSと創薬研究の実験自動化基盤を構築 研究開発では、第一三共がAWSと連携し、AIエージェントを統合した創薬研究基盤を構築中です。 研究機器をクラウド上で統合して実験を自動化し、候補物質の設計・合成・評価・分析（DMTA）サイクルの大幅な加速を目指す構想で、2026年の運用開始を掲げています。製薬企業がエージェントを研究の実行役に据え始めた点で、将来像を示す事例です。 弊社の取り組み：東北電力のスライド生成AIとCyto-FactoのAI-OCR 製造やエネルギーの現場では、自走の前段の「データ化」と「部門特化の生成」が入口です。弊社は東北電力の事業創出部門と、部門のフォーマットに合わせたスライド生成AIを研究しています。 Cyto-Facto（細胞・遺伝子治療の製造受託）には、機器の画面をAI-OCRで読み取る仕組みを開発し、検証段階のサンプル画像では認識精度100％を達成しました。 製薬の品質保証（QA）業務でも、GMP文書の下書きや整合性確認を担わせ、承認は人が行う段階的な適用が現実的です。 参照元：AWS「第一三共：AIエージェント統合型創薬研究基盤」（2025年10月）／EQUES「東北電力 スライド生成AI」「Cyto-Facto AI-OCR」 自律型エージェント導入で直面する課題と「暴走」の防ぎ方 課題は、ハルシネーション（もっともらしい誤り）、権限の広さ、責任の所在の3つです。誤った判断がそのまま操作として実行されるため、対策は出力の確認から行動の制御へ広げる必要があります。暴走を防ぐ安全設計は次の5つです。 権限の最小化 人の承認（ヒューマン・イン・ザ・ループ） 行動ログの記録 停止条件の設定 評価用の環境 1つ目は、AIに渡すツールと権限の最小化です。アクセス権は必要最小限に絞り、書き込みや送信は原則として許可しません。 2つ目は、取り返しのつかない操作の前に人の承認を挟むことで、ヒューマン・イン・ザ・ループと呼ばれます。AI事業者ガイドラインも、人間の判断を介在させることで予期せぬ事故を防げるとしています。 3つ目は、行動ログを時系列で残すことです。AI事業者ガイドラインも、入出力や判断根拠などのログを合理的な範囲で記録・保存し、事故の原因究明に備えることを求めています。 4つ目は、自動で止まる停止条件の設定です。繰り返し回数や費用の上限を事前に定め、超えたら止まる仕組みを入れます。 5つ目は、本番と切り離した評価用の環境です。本番のデータに触れないテスト環境で想定外の依頼も流し、成功率と失敗の傾向を測ります。運用後も定期的に測り続けて性能の変動に気づくことも欠かせません。 社内ルールとして文書化する方法は「【企業向け】生成AIガイドラインの作り方と事例11選・必須項目（テンプレート付き）」が参考になります。 参照元：総務省・経済産業省「AI事業者ガイドライン（第1.2版）本編」（2026年3月31日公表） 失敗しない自立型AI導入の4ステップ 失敗の典型は、範囲を広げすぎて検証が追いつかなくなることです。弊社がPoC（概念実証）で踏んでいる進め方は次の4ステップです。 業務を1つ選び、「任せる範囲」と「人が承認する点」を決める データと接続先のシステムを棚卸しする 小さな環境で検証し、成功率と失敗パターンを実測する 承認の段階を減らしながら運用範囲を広げる ステップ1は、業務を1つ選び、任せる範囲を決めることです。手順が明文化され、失敗しても取り返しがつく業務が第一候補です。AIが自分で進める操作と人が承認する操作の線引きも、ここで行います。 ステップ2は、データと接続先の棚卸しです。紙の記録や個人のExcelにしかない情報は、その時点で自走の対象から外れます。接続先のAPIの有無と権限の設定も確認します。 ステップ3は、小さな環境での検証です。評価用の環境で実際の依頼を流し、結果を実測します。感触ではなく成功率と費用の数字で判断することが、次の投資判断の根拠になります。 ステップ4は、承認を減らしながら範囲を広げることです。検証で安定した操作から順に、人の承認を事後確認へ切り替えます。実績に応じて段階的に自律度を上げることで、現場の信頼を保ちながら効果を広げられます。 このように、自立型AIは小さく試して段階的に広げることが成功への近道です。「まず小さく試したい」というご相談には、弊社のAI PoCサービス「ココロミ」が、現状分析と課題の明確化から検証・評価、アクションプランの策定までを伴走します。 困りごとを相談したい段階であれば、東大出身のAI専門家にチャットで相談できる「AI×DX寺子屋」もご利用いただけます。 ココロミ の詳細はこちら 自立型AIに関するよくある質問 Q. 自立型AI・自律型AI・AIエージェントは同じものですか？ 実務上は同じ意味で使われ、「自律型AI」と表記されることも多くあります。複数のエージェントが連携する仕組みはエージェンティックAIとも呼ばれます。 Q. 自立型AIの導入にはどのくらいの費用がかかりますか？ 任せる業務の範囲と接続するシステムの数で大きく変わり、一律の相場は示せません。構築する場合は開発費に加え、評価環境やログ管理の運用費も見込んでください。 Q. 製薬のような規制産業でも自立型AIは使えますか？ 使える余地はありますが、記録の信頼性が最優先のため、人の承認を組み込んだ段階的な適用が前提です。人が最終確認する文書の下書きなどから始めるのが現実的です。 Q. 自立型AIが誤った操作をした場合、責任は誰にありますか？ AI事業者ガイドラインは、開発者・提供者・利用者の各主体が合理的な範囲で説明責任を果たすことを求めています。利用企業としては、権限の最小化と行動ログの保存を導入前に整えることが、説明責任を果たす実務になります。 まとめ 自立型AIは、目標を与えると自ら計画し、行動し、結果を見て修正するAIで、業務の工程そのものを任せられる技術です。一方で、誤りが操作として現れる以上、安全設計と段階的な導入が欠かせません。要点は次のとおりです。 自走の部品は目標分解・ツール呼び出し・観察と自己修正・記憶の4つで、生成AIはその頭脳として組み込まれる 生成AIを導入・検討中の企業でもAIエージェントを使う部署はIT部門で19.4％にとどまり、何を任せるかの設計が課題になる 権限の最小化・人の承認・行動ログ・停止条件・評価環境の5点で暴走を防ぎ、業務を1つに絞った検証から段階的に広げる 自立型AIの導入は、「どの業務を、どこまで任せるか」の設計で成否が決まります。迷われている段階でも、お気軽にご相談ください。最後までお読みいただき、ありがとうございました。 自立型AIを小さく試すなら「ココロミ」 現状分析と課題の明確化から検証・評価、アクションプランの策定まで伴走するAI PoCサービスです。まずは無料相談からどうぞ。 無料で相談する ココロミを見る
AIリスキリングとは？失敗4パターンと助成金・設計5ステップを網羅
記事の要約 AIリスキリングとは、既存の従業員がAIを業務で使いこなす知識と技能を学び直す取り組みで、操作研修ではなく業務の再設計まで含みます。 国内企業のAI導入は4割を超えた一方、活用は個人利用が中心で、DXに取り組む企業の85％超がDX推進人材の量・質ともに不足を感じています。 成果を分けるのは研修より、対象業務の絞り込みと研修後に相談できる相手を確保する運用設計で、助成金を使えば費用も抑えられます。 「生成AIの研修を全社員に受けさせたが、数か月たつと使っているのは一部だけ」。AIリスキリングを検討する経営者やDX推進担当者から、弊社がよく伺う悩みです。 本記事では、定義と急務な理由を国の統計で整理し、メリット・デメリット、失敗パターン、2026年度に使える助成金、設計5ステップを解説します。 東京大学松尾研発のAIスタートアップとして製薬・製造業のAI開発と人材育成を手がける弊社の経験と企業事例を交え、研修を「学んで終わり」にしない設計図を描けるようにします。 AIリスキリングとは？メリット・デメリットと急務な理由 AIリスキリングとは、既存の従業員に、AIを業務で使いこなす知識と技能を新たに身につけさせる取り組みです。単にツールの使い方を教える研修とは異なり、対象となる業務そのものをAI前提に組み替えるところまでを含みます。 ここでは定義と近い言葉との違いを押さえたうえで、国の統計が示す「なぜ今なのか」を確認し、メリットとデメリットを整理します。 AIリスキリングの定義とアップスキリングとの違い リスキリングは新しい職務や変化した業務に対応するための学び直しで、現在の職務の延長でスキルを高めるアップスキリングとは目的が異なります。AIリスキリングのゴールは「AIを知ること」ではなく「AIで業務のやり方を変えること」にあります。 経済産業省とIPAが2026年4月に公表した「デジタルスキル標準ver.2.0」も、全ビジネスパーソン向けのDXリテラシー標準と推進人材向けのDX推進スキル標準の2層構成です。全社員に共通の土台を持たせ、推進役を別に育てる二段構えが設計の出発点です。 参照元：経済産業省・IPA「デジタルスキル標準ver.2.0を公開」（2026年4月） なぜ今、企業にAIリスキリングが急務なのか 結論から述べると、AIの導入は広がった一方で活用が個人の工夫にとどまり、組織で成果を出す人材が育っていないためです。 国内1,799社の調査では、AIを「導入している」企業が42.3％、生成AIの導入率は1年で22.6％から44.0％へほぼ倍増しました。導入の有無は、もはや競争上の差になりません。 生成AIを「個人で業務利用している」企業が63.3％なのに対し、「部署の業務プロセスに組み込まれている」企業は11.9％にとどまります。 個人の便利ツールで止まる限り、組織としての効果は限られるというのが弊社の見方で、企業が最も懸念するのも「効果的な活用方法がわからない」ことでした（総務省）。使い方を学ぶ場を会社が用意しなければ、差は縮まりません。 人材はさらに厳しく、DXに取り組む企業のうち推進人材が「量」で不足する企業は85.5％、「質」では88.8％にのぼります。企業が探しているのは自分の業務を知っていてAIも使える「現場の推進役」で、個人の生成AI利用経験率が26.7％の日本では、外部採用より社内で育てるほうが現実的です。 参照元：IPA「DX動向2026」（2026年7月）／総務省「令和7年版情報通信白書」の「企業」「個人」におけるAI利用の現状（2025年7月） AIリスキリングのメリットとデメリット AIリスキリングの効果は受講者数ではなく、現場の業務がどれだけ変わったかに現れます。主なメリットは次の3つです。 メリット現場で起きる変化効果が出やすい条件業務効率化文書作成・要約・情報収集の時間が減る対象業務と利用ルールが決まっている人手不足への対応少人数でも同じ業務量を回せる削減した時間の使い道が決まっている属人化の解消ベテランの手順をプロンプトとして共有できるノウハウを言語化する場がある 一方、デメリットは3つあります。1つ目は、学習時間が通常業務を圧迫することで、経営側が時間を確保しなければ研修は形骸化します。 2つ目は、効果測定が難しく投資対効果を示しにくいことです。AI導入で効果があった企業のうち「業務が効率化・迅速化した」は91.6％ある一方、「売上や利益が向上した」は3.9％にとどまり（IPA）、削減した時間の使い道まで追わなければ投資対効果を説明できません。 3つ目は情報漏えいや誤った出力のリスクで、研修とガイドライン整備は同時に進めます。 多くの企業が陥るAIリスキリングの失敗4パターン AIリスキリングが定着しない企業には共通の型があります。弊社がくり返し目にしてきた失敗は次の4つです。 目的が「AIを学ぶこと」になっている 全社一律の座学で終わる 研修後に相談できる相手がいない 成果の定義がない 1つ目は、目的が「AIを学ぶこと」になっているパターンです。どの業務をどう変えるかが決まらないまま研修を発注すると、内容は汎用的な操作説明にとどまり、受講者は他人事と感じます。 2つ目は、全社一律の座学で終わるパターンです。部署ごとにAIに任せたい仕事も扱ってはいけない情報も違います。研修の後半を「自分の業務で1つ試す」時間にするだけで、定着の度合いは大きく変わるというのが弊社の実感です。 3つ目は、研修後に相談できる相手がいないパターンです。使い始めると小さな疑問が毎日生まれ、聞ける相手がいないと社員は元のやり方に戻ります。研修直後の停滞期こそが定着の分かれ目です。 4つ目は、成果の定義がないまま始めるパターンです。IPAの調査では、人材像を社内に周知している企業は2割に満たず、AIを踏まえた人材育成への対応も「検討の予定はない」が3割以上でした。基準がなければ翌年度の予算を通す材料がなく、研修は単発で終わります。 参照元：IPA「DX動向2026」（2026年7月） AIリスキリングに活用できる補助金・助成金 2026年9月時点で公式ページから確認できた、国と東京都の2制度を整理します。制度内容は変更されるため、申請前に公式ページで最新の要件を確認してください。 制度対象助成率・上限（中小企業）研修時間事業展開等リスキリング支援コース（厚生労働省・人材開発支援助成金）事業展開・DX化等に伴う訓練を行う事業主経費75％（大企業60％）、賃金1人1時間1,000円。上限は1事業所1年度1億円OFF-JTで10時間以上DXリスキリング助成金（東京都・東京しごと財団）DX推進に必要な研修を行う都内中小企業等経費の4分の3。1人1研修75,000円・1企業100万円が上限3時間以上10時間未満 厚生労働省のコースは令和4〜8年度の期間限定で、特定の業務に直結する生成AI訓練はDX化に伴う訓練として対象ですが、汎用的なプロンプトの作り方やDXの概念を学ぶだけの研修は対象外です。 2026年8月3日以降の計画届からはeラーニングは1人につき年度1回までに制限されました。計画届は訓練開始の6か月前から1か月前までに提出するため、日程の逆算が欠かせません。 東京都の助成金は国の制度が対象外とする10時間未満の研修を対象にしており、半日から1日の集中研修と相性の良い制度です。申請は研修開始予定日の1か月前までに行い、受付は令和9年2月28日までです。 研修サービスの選び方は「【2026年】生成AI研修おすすめ15選と失敗しない選び方・助成金活用法」でまとめています。 参照元：厚生労働省「人材開発支援助成金」（2026年8月版案内）／東京しごと財団「令和8年度DXリスキリング助成金」（2026年7月更新） 成果を出すAIリスキリングの設計5ステップ 失敗パターンを裏返すと設計の手順が見えます。弊社が実際に踏んでいる順序は次の5つです。 対象業務を1〜2つに絞り、成果指標を決める 全社員向けの共通リテラシーと推進役の育成を分ける 研修の中で「自分の業務で1つ試す」時間を組み込む 研修後90日間の相談窓口と共有の場を用意する 成果を測って経営に報告し、次の対象業務を決める 1つ目は、対象業務を1〜2つに絞り込むことです。所要時間を実測してから始めると、研修後に効果を数字で示せます。効果が見えやすい部署から着手するほうが全社展開は早いというのが弊社の実感です。 2つ目は、全社員と推進役の2層で育成を設計することです。全社員には情報の扱い方と基本操作、推進役には業務プロセスの組み替えと社内展開を教えます。推進役は各部署に1名いれば動き出せ、専任部署は必須ではないというのが弊社の実感です。 3つ目は、研修の中で自分の業務を使って試すことです。受講者が実際の資料でAIに指示を出し、その場で講師に直してもらう時間を設けます。「便利だ」と体感した瞬間が使い続ける動機になります。 4つ目は、研修後90日間の相談体制を用意することです。停滞期の疑問に答える窓口と、成功したプロンプトの共有の場を作ります。社内に答えられる人がいなければ外部の専門家に聞ける仕組みが推進役の負担を軽くします。 5つ目は、成果を測って経営に報告することです。1つ目の指標を再測定し、削減した時間を新しい業務に振り向けた実例まで示すと、翌年度の予算と次の対象業務が決まります。 社員の不安への向き合い方は「【AI 仕事】AIに奪われる不安を完全払拭！活用術を学びキャリアを築く方法」で取り上げています。 【事例】AIリスキリングに取り組む企業と「学習＋相談」での定着 ここからは、全社的なAI教育に取り組む企業の公式発表をもとに、規模や業種の異なる4社の取り組みを紹介します。最後に研修後の停滞期を乗り越える弊社の支援を紹介します。 業種別の活用事例は「【業種別】AI業務効率化の成功事例8選｜人手不足解消のポイント」もご覧ください。 他社の取り組み4社 数値を公表していない企業は実施した事実のみを記載しています。 サイバーエージェント：全社員必須の生成AIリスキリング サイバーエージェントは2023年11月、全社員対象の「生成AI徹底理解リスキリング」を開始しました。法務・セキュリティの知識を含むeラーニングで、オリジナル試験の合格を全社員の必須要件としています。 パナソニック コネクト：全社員へのConnectAI展開で78.8万時間を削減 パナソニック コネクトは2023年2月から国内全社員に生成AIアシスタント「ConnectAI」を展開し、2025年度のAI活用による労働時間の削減効果は78.8万時間、年間総労働時間の3.4％で前年度の2倍でした。続ければ効果が積み上がることを示す数字です。 SOMPOホールディングス：AIエージェント導入と管理職研修の必須化 SOMPOホールディングスは2026年1月から国内グループ社員約30,000人を対象にAIエージェントを実証実験として導入し、2025年度に任意だった生成AIのリーダーシップ研修を再編して管理職以上の受講を必須にすると発表しました。管理職から始める順序が特徴です。 ダイキン工業：社内大学「ダイキン情報技術大学」でAI人材を育成 ダイキン工業は2017年12月に社内大学「ダイキン情報技術大学」を設立し、大阪大学と連携した2年間の課程でAI人材を育成しています。2023年度末までに1,500名を育成し、2025年度末までに2,000名を育成する計画を示していました（2025年1月時点）。 参照元：サイバーエージェント「生成AI徹底理解リスキリング」（2023年11月）／パナソニック コネクト「AI活用で総労働時間の3.4％削減」（2026年7月）／SOMPOホールディングス「AIエージェント導入開始」（2025年12月）／ダイキン工業「ダイキン情報技術大学」（2025年1月） 「学習」＋「相談」で定着させる。EQUESの「AI×DX寺子屋」とは？ 4社に共通するのは、必須化・社内大学・全社展開といった形で学びと利用を続ける仕組みを持つ点です。ただし多くの企業では、研修後の「で、どうするの？」という停滞期に社内で答えられる人がいません。 こうした課題に対し、弊社は「学習」と「相談」を組み合わせた支援を提供しています。AI×DX寺子屋は、AI・DXの困りごとを東大出身のAI専門家集団にチャットで相談し放題のサービスで、月額20万円（税抜）のプランAには月1回60分のオンラインコンサルティングが含まれます。 研修で生まれた疑問に24時間を目安に回答が届き、推進役を置けない企業でも停滞期を越えやすくなります。 あわせてAI×DX寺子屋 Learningでは、1回約10分の動画と確認テスト、実務用プロンプトテンプレートを業務特化型で提供しています（現在はGMP・MR向けの教材を公開し、順次拡充中）。 東北電力の事業創出部門には生成AIの基本と業務活用を1日で学ぶ研修を実施し、受講者が各自の業務効率化を進めています。約30名の補助金申請支援会社Essencimoにも、チャット相談型のAI活用支援を導入いただきました。 参照元：株式会社EQUES「東北電力 1Day研修の導入事例」「Essencimo AI×DX寺子屋の導入事例」 AI×DX寺子屋 の詳細はこちら AIリスキリングに関するよくある質問 Q. AIリスキリングは何時間くらいの研修が必要ですか？ 基本操作と情報の扱い方なら半日から1日で足ります。業務のやり方を変えるところまで狙うなら、研修後に自分の業務で試す期間と相談相手が必要です。 Q. 中小企業でも取り組む意味はありますか？ あります。総務省の調査では中小企業の約半数が生成AIの活用方針を定めておらず、方針と基本ルールを決めるだけでも差がつきます。対象業務を1つに絞る小さな設計なら、専任部署がなくても進められます。 Q. 研修会社に任せれば定着しますか？ 研修だけでは定着しにくいのが実情です。受講後の疑問に答える相手と、成果を測る指標を社内で用意する必要があります。研修後のフォロー体制まで確認してください。 Q. 社員がAIに仕事を奪われると不安がっています。どう説明すべきですか？ 削減した時間を何に使うのかを、経営側が先に示すことが有効です。人員削減ではなく新しい業務や顧客対応に振り向けると明言し、実例を社内で共有すると学習への抵抗は減ります。 まとめ AIリスキリングは、個人の工夫にとどまる活用を組織の成果に変える取り組みです。ツールと座学だけでは定着せず、対象業務の絞り込みと研修後の相談体制まで設計して、はじめて効果が数字に現れます。要点は次のとおりです。 AI導入企業は4割を超えたが業務プロセスへの組み込みは約1割で、DX推進人材は85％超の企業が不足 失敗の型は「目的の曖昧さ・一律の座学・相談相手の不在・成果定義の欠如」の4つで、設計5ステップはその裏返し 国と東京都の助成金は研修時間の要件が異なり、研修の長さに応じて使い分ければ費用を抑えられる AIリスキリングの設計や、研修後の停滞期の乗り越え方でお困りの際は、お気軽にご相談ください。最後までお読みいただき、ありがとうございました。 AIリスキリングの設計と定着をご支援します 研修後の停滞期に相談できる相手がいるかどうかで定着は変わります。AI×DX寺子屋がチャットで伴走します。 無料で相談する AI×DX寺子屋を見る
AI導入の費用対効果の計算式・試算例｜稟議を通す3つの要点
記事の要約 AI導入の費用対効果は、効果から投資額を引いて投資額で割るROIと、初期投資額を年間の純効果で割る回収期間の2つで示すのが基本です。 効果は工数削減・品質不良の削減・売上寄与の3つに分解し、初年度だけでなく3年程度の累計で判断すると投資の妥当性を見誤りにくくなります。 成果指標を設定しているのはDXに取り組む企業の23.9％にとどまり、指標の置き方そのものが費用対効果を左右する分かれ目になっています。 「AIを入れたい。だが、いくら返ってくるのかと問われて答えられない」。AI導入の稟議を準備する担当者の多くが、この壁で止まります。 本記事では、AI導入の費用対効果（ROI）の計算式と回収期間を仮定の数値例で示し、効果が出ない原因を示す国の調査データ、他社事例、稟議の3つの要点を整理します。 東京大学松尾研発のAIスタートアップとして製薬・製造業のAI開発を手がける弊社の経験も交えるため、読み終える頃には、稟議書に書くべき数字と根拠の作り方が見えているはずです。 AI導入の費用対効果（ROI）とは？計算式とシミュレーション AI導入の費用対効果とは、AIに投じた金額に対して、どれだけの経済的な効果が戻るかを示す指標です。稟議で使う代表的な指標は投資利益率（ROI）と回収期間の2つで、この2つを同じ前提で並べて示すことが説得力の土台になります。 ここでは基本の計算式、架空の数値例、製造・製薬業界に固有の視点の順に説明します。 基本の計算式と効果の3分類 ROIは「（効果−投資額）÷投資額」で求め、投じた金額に対する利益の割合を示します。回収期間は「初期投資額÷年間の純効果」（年間効果−年間運用費）で求め、何年で元が取れるかを示します。 投資額は初期費用（PoC・開発）、運用費（クラウド・保守）、社内の人件費（データ整備などの工数）の3つで構成され、見落とされやすいのが社内の人件費の計上です。 効果の側は、次の3つに分解して見積もります。 効果の種類計算の考え方例工数削減削減できる時間×人件費単価文書作成・転記・確認の短縮品質不良の削減減らせる不良・手戻り件数×1件の対応コスト逸脱対応・再検査の減少売上寄与増える受注や単価×粗利率納期短縮による受注増 稟議で最初に置くべき効果は工数削減です。時間と単価の掛け算で、経営層が自分で検証できる数字だからです。品質不良の削減と売上寄与は前提が増えるほど不確実になるため、主効果と補足効果を分けて記載すると数字の信頼性が保てます。 架空の数値例で試算する ここからは仮定の数値で試算します。製造業A社（架空）の品質保証部門に文書作成AIを導入するケースで、金額はすべて説明のための仮置きです。 項目仮定金額（年間）初期投資PoCと開発600万円（初年度のみ）年間運用費クラウド・保守240万円＋社内工数100万円340万円効果1：工数削減10名×1日40分×240日＝1,600時間×単価4,000円640万円効果2：品質不良の削減差し戻し・逸脱対応が年10件減×1件10万円100万円効果3：売上寄与納期短縮による追加受注の粗利100万円年間効果の合計効果1〜3の合計840万円 この仮定で稟議に示す指標を計算すると、次のようになります。 指標計算結果年間の純効果840万円−340万円500万円回収期間600万円÷500万円1.2年初年度のROI（840万円−940万円）÷940万円マイナス10.6％3年累計のROI（2,520万円−1,620万円）÷1,620万円約55.6％ 初年度のROIはマイナスですが、回収期間は1.2年で、3年累計ではプラスに転じます。初期投資が先行するAI導入は、3年程度の累計で評価するのが現実的です。 逆に、年間効果が半分の420万円にとどまると純効果は80万円に落ち、回収期間は7.5年に延びて投資として成立しません。効果の見積もりの精度がROIの大半を決めるため、後述するPoCでの実測が欠かせません。 製造・製薬業界で「独自の費用対効果」を立てる視点 製造業と製薬業では、工数削減に加えて業界固有の損失を効果に置き換える視点が必要です。 製造業では不良・手戻り・停止時間が効果の置き場になります。不良率や計画立案時間の変化を、現場の実績値から逆算して金額に置くのが基本です。 製造業のAI活用全体は「製造業のAI・生成AI活用事例｜失敗しない導入とROIの考え方」で整理しています。 製薬業では、GMP文書の作成・レビュー時間や、逸脱・CAPA（是正措置・予防措置）の対応工数が主な効果です。規制対応のリスク低減は金額換算が難しいため、想定損失に発生確率を掛けた期待値で補足するか、定性効果として別枠に記載します。 なぜ多くのAIプロジェクトは費用対効果が出ないのか 結論として、費用対効果が出ない最大の原因はAIの精度ではなく、効果を測る指標が最初から存在しないことです。DXに取り組む国内企業のうち成果指標を設定しているのは23.9％で4社に1社未満という状況が続いています（IPA『DX動向2026』）。 設定していない理由の最多は「評価指標の設定方法がわからない」の36.0％で、前年の28.7％から約7ポイント上昇しました。 DXの投資・費用を上回る投資対効果が出ている企業は14.6％にとどまる一方、指標を設定している企業は未設定の企業よりその割合が10ポイント程度高くなっています。 これらの調査結果を踏まえると、費用対効果が出ない原因は次の3つに整理できます。 導入前に効果指標と測定方法を決めていない 効果を「守り（コスト削減）」だけで見積もり、削減した時間の使い道が無い PoCの成功条件と本番展開の判断基準を分けて設計していない 1つ目の指標の問題は、導入前の1枚の表で解決できます。作業時間や不良件数を実測し、導入後に同じ方法で測ると決めるだけで、効果の議論が「感想」から「差分」に変わります。 2つ目は、浮いた時間の行き先を決めることです。削減した時間を付加価値業務に振り向ける計画が無ければ、人件費は減らず、効果は帳簿上の数字で終わります。 3つ目は、PoCを本番の縮小版として設計することです。PoCで検証するのは「動くか」ではなく「効果の見積もりが正しいか」という一点です。本番と同じ指標で測れないPoCは稟議の根拠になりません。 参照元：独立行政法人情報処理推進機構「DX動向2026」（2026年7月・報告書本文） 費用対効果が公表されているAI導入事例4選 他社の公表値を参照して自社との違いを説明できると、見積もりの説得力は上がります。削減率は対象業務の範囲が事例ごとに異なるため、そのまま当てはめず、算出の前提を読み取ることが重要です。 導入主体公表された効果公表時期日立製作所×ニチレイ・アイス計画立案時間を約70％削減2025年10月パナソニック コネクト総労働時間の3.4％（78.8万時間）を削減2026年7月塩野義製薬（日立製作所と協創）治験総括報告書の作成時間を約50％削減（PoC）2026年2月横須賀市文書作成で年間22,700時間の短縮（想定）2023年6月 日立製作所×ニチレイ・アイス：計画立案時間を約70％削減 日立製作所とニチレイ・アイスの事例は、計画業務の削減率が明確です。40を超える制約条件を考慮したAIが生産・輸送・在庫の計画を立案し、計画立案時間を約70％削減することを確認しています。 ただしAI実行中の待ち時間を除いた特定業務の時間であり、工場全体の人件費が同じ割合で減るわけではない点に注意が必要です。 パナソニック コネクト：総労働時間の3.4％にあたる78.8万時間を削減 パナソニック コネクトは、AIアシスタント「ConnectAI」の削減時間を2024年から毎年公表し、2025年度は総労働時間の3.4％にあたる78.8万時間を削減しました。削減時間を毎年公表し、総労働時間に対する割合でも示す姿勢は指標の手本ですが、全社規模の数字であり、部門導入では換算が必要です。 塩野義製薬：治験総括報告書の作成時間を約50％削減（PoC） 塩野義製薬は、治験関連の規制文書の初稿を生成AIで自動生成するソリューションを日立製作所との業務提携のもとで開発し、社内PoCで治験総括報告書の作成時間を約50％、治験実施計画書を約20％削減する効果を確認して日立製作所へライセンス提供しました。 文書の種類ごとに削減率を分けた製薬業界の例ですが、PoC段階の数値です。 横須賀市：年間22,700時間の短縮を算出式つきで想定 横須賀市は、効果の算出式を公開している点で参考になります。利用者数×文書作成での利用割合×1日の短縮時間×年間労働日数という式で、年間22,700時間の短縮を想定として示しました。人数×利用率×削減時間×日数という分解の型は稟議でもそのまま使えますが、実測ではなく想定値である点には注意が必要です。 参照元：株式会社日立製作所「ニチレイ・アイスへのAI計画最適化システム導入」（2025年10月）／パナソニック コネクト株式会社「生成AI導入1年の実績と今後の活用構想」（2024年6月）・「「聞く」から「頼む」へシフトしたAI活用で年間44.8万時間の削減を達成」（2025年7月）・「AI活用で総労働時間の3.4％削減」（2026年7月）／塩野義製薬株式会社「規制関連文書作成支援ソリューションを提供開始」（2026年2月）／横須賀市「ChatGPT活用実証結果報告」（2023年6月） AI PoCの費用相場と段階的な投資の進め方 AI導入のPoC（概念実証）の費用については、弊社の知る限り公的機関がまとめた相場データは見当たりません。価格帯の調査も見当たらず、各社の公開価格や見積もりから読み取るしかありません。 一例として、弊社のAI PoCサービス「ココロミ」はスリムプランが月々99万円から、技術検証を含むスタンダードプランが月々250万円からです。 一方、株式会社RYODEN（三菱電機グループ）との生成AIの学術的検証は月額数十万円のスモールスタートで始め、月1回の定例報告会で進捗を共有しました（RYODEN導入事例）。 検証の範囲と体制で費用は数倍変わるため、何を検証してどの判断材料が得られるかで見積もりを読むことが大切です。 段階投資は、PoC・パイロット・本番の3段階で投資額を区切り、各段階の終わりに続行と撤退の条件を置く進め方です。続行条件を「効果が前提の7割以上」のように数値で決めておけば、投資が膨らむ前に止められます。 進め方の詳細は「AI PoCの進め方とは？期間や失敗しない秘訣を事例と共に解説」をご覧ください。 ココロミ の詳細はこちら 経営層を納得させるAI導入稟議の3つのポイント 稟議が通らない理由の多くは、経営層が判断する材料が揃っていないことにあります。稟議書に盛り込むべき視点は次の3つです。 「守り（コスト削減）」だけでなく「攻め（売上向上）」の効果を併記する 段階的な投資（スモールスタート）で、失敗時の損失上限を示す 信頼できるパートナーによる技術的な裏付けを添える 1つ目は、攻めと守りの両面で効果を示すことです。AI導入で効果があった企業のうち、業務の効率化を実感した企業は91.6％である一方、売上や利益の向上は3.9％にとどまります（IPA『DX動向2026』）。 削減した時間で何を増やすのかを書くことが、「それで会社はどう良くなるのか」という問いへの答えになります。 2つ目は、失敗したときの損失上限を先に示すことです。まず数百万円のPoCで効果を実測し、前提を満たさなければ撤退する稟議は、総額だけの稟議より判断しやすくなります。段階ごとの条件を書くことで、投資は「賭け」から「検証」に変わります。 3つ目は、技術的な裏付けをパートナーの実績で補うことです。自社に機械学習の専門家がいなければ、検証の方法を論理的に説明できる開発パートナーの存在が稟議の信頼性を左右します。 選び方は「PoC支援とは？失敗を防ぐPoC支援サービスの選び方と導入事例」で整理しています。 稟議書を提出する前に、次の項目を確認してください。 □ 作業時間・不良件数などの基準値を実測している □ 投資額に社内の人件費と年間運用費を含めている □ 効果を工数削減・品質不良の削減・売上寄与に分けている □ 3年累計のROIと回収期間を同じ前提で示している □ 段階ごとに金額と続行・撤退の条件を置いている このように、費用対効果を根拠をもって示すには、PoCで前提を実測して段階的に投資を広げる進め方が現実的です。弊社は東京大学松尾研発のAIスタートアップとして、製薬・製造業を中心に「伴走型技術開発」でこの進め方を支えています。 AI PoCサービス「ココロミ」では、SOLIZE PARTNERS株式会社に「設計ナレッジの提案支援」と「3D CADデータの自動生成」の2テーマでPoCを実施しました。 設計ナレッジの提案は開発現場で活用できる水準、3D CADデータは単純な形状なら自動生成できることを確認しました（SOLIZE PARTNERS導入事例）。 AI・DXの疑問を相談したい段階なら、チャットで専門家に相談できる「AI×DX寺子屋」もご利用いただけます。 AI導入の費用対効果に関するよくある質問 Q. AI導入の費用対効果は、どのくらいの期間で判断すればよいですか？ 初年度はROIがマイナスになりやすいのが実情です。回収期間が1〜2年程度に収まるか、3年累計のROIがプラスになるかの2つで判断するのが現実的です。 Q. 効果を金額に換算できない場合はどうすればよいですか？ 無理に換算せず、定性効果として別枠に記載します。品質リスクの低減などは、想定損失に発生確率を掛けた期待値で補足する方法もあります。主効果は検証できる数字に絞るのが安全です。 Q. PoCの費用はどの程度が目安ですか？ 弊社の知る限り公的な相場データは見当たらず、検証の範囲と体制で大きく変わります。弊社の例でも月額数十万円の学術検証から月々99万円〜250万円のプランまで幅があり、何が実測できるかで比較することをおすすめします。 Q. 小規模な部門導入でも費用対効果は出ますか？ 対象業務を絞れば、規模に関わらず効果は見込めます。担当者が少ない部門ほど属人化の解消という効果が見込めるためです。横展開を前提にした段階投資の計画とセットで示すと稟議が通りやすくなります。 まとめ AI導入の費用対効果は、ROIと回収期間を同じ前提で示し、効果を工数削減・品質不良の削減・売上寄与に分解して根拠を積み上げれば、経営層が判断できる数字になります。本記事の要点は次のとおりです。 ROIは（効果−投資額）÷投資額、回収期間は初期投資額÷年間の純効果で求め、3年累計で評価する 成果指標を設定している企業は23.9％にとどまり、導入前に基準値を実測して指標を置くことが分かれ目になる 稟議は攻めと守りの効果、段階投資による損失上限、パートナーの技術的裏付けの3点で組み立てる AI導入の費用対効果の見積もりや稟議の書き方で迷われている段階でも、お気軽にご相談ください。最後までお読みいただき、ありがとうございました。 費用対効果をPoCで実測しませんか AI PoCサービス「ココロミ」で効果の前提を実測し、稟議に使える数字を作ります。まずは無料相談からどうぞ。 無料で相談する ココロミを見る
RAG導入で精度が出ない3つの原因と改善手順【2026年版】
記事の要約 RAGとは、社内文書などを検索してその内容をもとに生成AIに回答させる仕組みで、AIが知らない情報を扱えるようにする代表的な方法です。 精度が上がらない原因の多くはAIモデル側ではなく、元の文書を読み込む前処理と、検索の当て方にあります。 改善を進めるには、まず何が間違っていたのかを数値で特定できる評価の仕組みを用意することが先決です。 社内文書を読ませるRAGの仕組みを構築したものの、期待した答えが返ってこない。表の中の数値を聞くと的外れな回答が出る。現場から「結局、自分で探したほうが早い」と言われてしまう。 RAG導入の相談で最も多いのが、こうした「作れたのに使われない」という状態です。本記事は、RAGの作り方ではなく直し方に焦点を当てます。精度が出ない原因を前処理・検索方式・評価という3つの観点から切り分け、それぞれに何をすればよいかを具体的に示します。 あわせて、既存環境を活かしながら改善する現実的な進め方も解説します。読み終えるころには、自社のRAGのどこに問題があるのかを特定し、次の一手を決められるようになるはずです。 RAG導入の現実｜「作れたのに使われない」が起きる理由 RAG（Retrieval-Augmented Generation）とは、質問に関連する文書を検索し、その内容を根拠として生成AIに回答させる仕組みです。2020年に発表された研究で提案された手法で、モデル自体を学習し直すことなく、外部の知識を回答に反映できる点が利点とされています。 社内規程や製品仕様のようにAIが学習していない情報を扱う方法として、現在最も現実的な選択肢です。 ところが、実際に構築してみると精度が上がらないという相談が後を絶ちません。企業の生成AI活用が試験利用の段階にとどまり、全社的なサービスに組み込まれている企業が18.6％にすぎないという調査結果も、この停滞と無関係ではないでしょう。 重要なのは、この問題の原因がAIモデルの性能にあるケースが少ないという点です。より高性能なモデルに切り替えても、検索の段階で必要な文書が取れていなければ、出力は改善しません。RAGの精度は、検索の精度と前処理の質にほぼ規定されます。 ここを見誤ると、モデルの入れ替えを繰り返して時間と費用だけが消えていきます。 参照元：Lewis et al.「Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks」（2020年）／独立行政法人情報処理推進機構（IPA）「DX動向2026」（2026年7月30日公表・2025年度調査） RAGの精度が出ない3つの根本原因 精度が出ない事例を分解していくと、原因はほぼ次の3つに集約されます。上から順に影響が大きく、下の対策を先に打っても効果が出にくいという関係にあります。 原因1：データ前処理の手抜きにより、元の文書が壊れた状態で取り込まれている 原因2：ベクトル検索への過信と、キーワード検索の欠如 原因3：感覚的な評価による、改善ループの迷走 原因1は、すべての元凶といえる前処理の問題です。社内文書の多くはPDFやWordで、表組みや段組み、ヘッダー・フッターを含みます。これらを単純にテキスト化すると、表は行と列の対応が失われてただの数字の羅列になり、2段組みの文書は左右の文がつながって意味不明な文章になります。 各ページのヘッダーやフッターが本文に混入し、検索の邪魔をすることも頻繁に起こります。この状態で取り込めば、どれだけ検索を工夫しても、そもそも正しい情報が存在しません。「表の中の値を聞くと間違える」という症状が出ている場合、原因はほぼここです。 対策は、レイアウトを解析して表を構造のまま保持できる読み取り処理を使うこと、そしてヘッダーやフッターを除去したうえで、文書を意味のまとまりで分割することです。取り込み後に、変換されたテキストを人が実際に読んで確認する工程を省かないでください。 原因2は、検索方式の偏りです。RAGの構築では、文章の意味の近さで検索するベクトル検索が広く使われます。 表現が違っても意味が近い文書を拾える点が強みですが、弱点もあります。型番や法令の条番号、社内の略称のように、意味ではなく文字列そのものが手がかりになる情報は取りこぼしがちです。「型番を指定して聞いたのに別の製品の説明が返る」という症状はこの典型です。 対策は、ベクトル検索と従来のキーワード検索を併用し、両方の結果を統合するハイブリッド検索に切り替えることです。 さらに、検索で取得した候補を関連度の高い順に並べ替える再ランキングの処理を加えると、回答に渡す文書の質が上がります。主要なクラウドの検索サービスはこれらの機能を標準で備えているため、追加開発なしに切り替えられる場合もあります。 原因3は、評価の不在です。「なんとなく良くなった気がする」で改善を進めると、変更が効いたのか偶然なのか判別できません。結果として、前回の変更を打ち消すような修正を重ね、改善ループが迷走します。 対策は、想定質問と正解の組を集めた評価用データセットを用意し、変更のたびに同じ質問で測ることです。 測る指標は2段階に分けてください。ひとつは検索の段階で、正解の文書が候補に入っていたかどうか。もうひとつは生成の段階で、回答が渡した文書の内容に忠実かどうかです。 この2つを分けると、悪いのが検索なのか生成なのかが切り分けられ、次に直すべき箇所が明確になります。 精度を上げる改善手順｜どこから手を付けるか 原因が分かっても、闇雲に手を付ければ改善は遠回りになります。前処理と検索を同時に触ってしまい、どちらが効いたのか分からなくなる例は非常に多く見られます。効率の良い順序は決まっていて、測る仕組みを整えてから直す、という進め方が結局は最短です。 ここでは、評価の用意から実際の改修までを2段階に分けて説明します。 まず測る｜評価の仕組みを先に用意する 最初にやるべきは、改修ではなく現状の数値化です。現場の担当者に協力してもらい、実際に聞きたい質問を30問から50問程度集めます。それぞれについて、正解が書かれている社内文書と、期待する回答の要点を記録してください。 この作業は地味ですが、後の改善速度を決定づけます。評価データが揃えば、現状の正答率と、検索段階で正解文書を取得できている割合を測れます。 ここで「検索は当たっているのに回答が間違っている」のか「そもそも検索が外れている」のかが判明し、次の作業が決まります。多くの場合、問題は検索側にあります。 次に直す｜前処理と検索を順に改善する 検索が外れている場合は、前処理から見直します。取り込んだテキストを実際に開き、表が崩れていないか、ヘッダーが混入していないか、文書が意味の切れ目で分割されているかを確認してください。ここを直すだけで改善する事例は少なくありません。 前処理を整えたうえで、キーワード検索を併用するハイブリッド構成に変更し、再ランキングを加えます。そのうえで再度評価を回し、数値の変化を確認します。 生成段階に問題がある場合は、渡した文書以外の知識で答えないよう指示を明確にする、根拠となった箇所を必ず併記させる、といった対応が有効です。 いずれの場合も、一度に複数を変更せず、1つ変えるごとに測ってください。 セキュリティとコストを踏まえたアーキテクチャ選定 精度と並んで判断が必要になるのが、どこで動かすかという構成の選択です。選択肢は、クラウドのマネージドサービスを使う構成、自社環境に構築する構成、その中間となるハイブリッド構成の3つに大別できます。 構成データの所在初期の負担向いている状況クラウドのサービス利用事業者の管理領域小さい早く始めたい・運用要員が少ない自社環境に構築完全に自社管理大きい外部に出せない情報を扱うハイブリッド機密度で使い分け中程度文書の機密区分が分かれている 判断の起点になるのは、扱う文書の機密区分です。すべてを自社環境に置けば安全ですが、計算資源の調達と運用の負担が継続的に発生します。反対に、機密区分の整理をしないままクラウドに全文書を投入すると、後から取り出せない問題になりかねません。 実務的には、まず社内文書を機密度で分類し、外部に出せないものだけを自社環境で扱う構成が現実的です。 コスト面では、検索の実行回数と保存するデータ量が費用に直結するため、対象文書を絞ることが最も効果の高い削減策になります。 機密情報の扱いについては「生成AIで機密情報を扱うリスクとは？漏洩事例と安全な導入対策を徹底解説」もあわせてご覧ください。 RAG導入の事例｜他社の取り組みと、既存環境を活かして改善する選択肢 RAGの導入は「作れたのに使われない」段階から、精度を測りながら業務に定着させる段階へ移りつつあります。公表されている国内企業の取り組みを見ると、最初から全社展開したのではなく、対象データを絞った試験運用から始め、段階的に範囲を広げている例が目立ちます。 ここでは3社の公表内容を紹介したうえで、すでにRAGを構築済みの企業に多い「作り直さずに中身だけ直す」という選択肢を説明します。 パナソニック コネクト：公開情報で試してから社外秘情報へ対象を拡大 パナソニック コネクトは、自社向けAIアシスタント「ConnectAI」で2024年4月から社外秘情報を対象にした活用を始めました。 2023年9月に公開情報（ウェブページ約3,700ページ・ニュースリリース495ページなど）を対象に試験運用を行い、その後、品質管理に関する社外秘情報630件・11,743ページへ対象を広げたと2024年6月に公表しています。 同社は2025年7月に、2024年の年間削減時間が44.8万時間で前年の2.4倍になったことも発表しました。公開情報で試してから機密情報へ進むという順序と、削減時間という指標で効果を追い続けている点が参考になります。 JR東日本：内製RAGのプロトタイプを現場で検証 JR東日本は、社内組織が内製したRAGシステムのプロトタイプを2023年11月から一部箇所で試使用し、2024年10月からの全社試使用を予定していると2024年7月に発表しました。 登録した社内文書に基づいて回答を生成する仕組みで、アジャイル開発により社内の意見を継続的に取り入れながら本導入へ進めるとしています。あわせて、鉄道事業固有の情報を学習した「鉄道版生成AI」の開発を進めることも公表されています。 汎用の生成AIチャットを全社員に展開したうえで、業務固有の質問に答える仕組みを別に内製している点は、本記事で述べた汎用モデルの限界への現実的な対応です。 旭化成：過去事例を読み込ませた生成AIで技術伝承 旭化成は2024年12月、製造現場の技術伝承において、過去事例のデータを読み込ませた生成AIの活用を開始したと発表しました。 経験の浅い従業員でも抜け漏れなくリスクと対応策を洗い出せるようになったとしており、社内に蓄積された文書を生成AIに参照させて答えさせるという点で、RAGと同じ考え方に立つ取り組みです。 過去の文書がそのまま学習・参照の対象になるため、本記事の原因1で述べた前処理の品質が成果を左右する典型的な用途といえます。 参照元：パナソニック コネクト「パナソニック コネクト 生成AI導入1年の実績と今後の活用構想」（2024年6月25日）／「パナソニックコネクト、「聞く」から「頼む」へシフトしたAI活用で年間44.8万時間の削減を達成」（2025年7月7日）／東日本旅客鉄道「生成AIチャットの全社員展開及び生成AIの内製開発について」（2024年7月11日）／旭化成「生成AIを新規用途探索の自動化や製造現場の技術伝承において活用開始」（2024年12月9日） 既存のRAG環境を作り直さずに改善する選択肢 すでにRAGを構築している企業から多くいただくご相談が、「環境を作り直さずに、中のロジックだけを改善したい」というものです。実際、精度の問題はインフラ構成ではなく前処理と検索の設計に起因することが大半であるため、既存の環境を維持したまま改善できる場合がほとんどです。 作り直しを前提とした提案を受けている場合は、本当に必要なのかを一度確認することをおすすめします。 弊社は東京大学松尾研発のスタートアップとして、こうした改善を伴走型で支援しています。 文書のテキスト化という前処理の領域では、細胞・遺伝子治療分野のCDMOであるCyto-Factoに対し、機器の画面を読み取ってデータ化するAI-OCRの開発を提供し、サンプル画像で100％の認識精度を達成しました。読み取りの品質がその後のすべてを決めるという考え方は、RAGの前処理にも共通します。 まずは現状の課題を整理したいという段階であれば、AI・DXに関する困りごとを東大出身のAI専門家集団がチャットで解決する「AI×DX寺子屋」をご利用いただけます。 プランAは月額20万円で相談し放題、月1回のオンラインミーティングが付きます。改善の効果を検証したうえで本格的に進めたい場合は、AI PoCサービス「ココロミ」もご用意しています。 RAGを含むローカルLLMの構築については「情報漏洩を防ぐ「ローカルLLM」開発の全貌｜要件・RAG構築・導入ステップまで徹底解説」で詳しく解説しています。 参照元：株式会社EQUES「AI-OCRで製造現場の記録を自動化｜Cyto-Factoの導入事例」 AI×DX寺子屋 の詳細はこちら RAG導入に関するよくある質問 Q. PDFの表や図を正しく読み取るにはどうすればよいですか？ レイアウトを解析し、表を構造のまま抽出できる処理を使う必要があります。単純なテキスト抽出では行と列の対応が失われます。読み取った結果を人が確認する工程を設けることも欠かせません。 Q. モデルを高性能なものに変えれば精度は上がりますか？ 検索段階で正解の文書が取得できていない場合、モデルを変えても改善しません。まず検索の成否を測り、原因が生成側にあるのか検索側にあるのかを切り分けてください。 Q. 評価用のデータはどのくらい用意すべきですか？ はじめは30問から50問程度で十分に傾向が見えます。重要なのは件数より、現場が実際に聞きたい質問で構成することです。 Q. 既存のクラウド環境を使い続けたまま改善できますか？ 多くの場合は可能です。精度の問題は前処理と検索設計に起因することが大半で、環境の作り直しが必要になるのは、機密区分の要件が変わった場合などに限られます。 まとめ RAG導入がうまくいかないとき、原因はAIモデルではなく、その手前の工程にあります。文書が壊れた状態で取り込まれていないか、検索の方式が偏っていないか、そして改善の効果を測れているか。 この3点を順に確認することが、遠回りに見えて最短の道です。本記事の要点は次のとおりです。 精度を決めるのは前処理と検索であり、モデルの入れ替えでは解決しない ベクトル検索だけに頼らず、キーワード検索を併用し再ランキングを加える 改善は測ることから始める。検索段階と生成段階を分けて評価すれば、直すべき箇所が特定できる 現在のRAGのどこに問題があるのか分からないという段階でも、評価の設計からご一緒できます。お気軽にご相談ください。最後までお読みいただき、ありがとうございました。 RAGの精度にお困りの方へ 作り直さずに前処理と検索を直す。評価の設計から改善までご一緒します。 RAGでも残る誤回答（ハルシネーション）の原因と対策は、ハルシネーション対策を解説した記事で詳しく扱っています。 無料で相談する ココロミを見る
AIビジネスモデル9類型｜収益構造と成功のカギを徹底解説
記事の要約 AIビジネスモデルとは、AIを使って価値を生み、その対価を得るまでの仕組みのことで、何を売るかによって9つの類型に整理できます。 市場は拡大している一方で、成果を実感できているのは業務効率化のような社内向けの領域が中心で、新規事業の創出は限定的にとどまっています。 事業化が止まる原因は技術力ではなく、検証の目的設定と、現場で使われる形に落とし込む設計にあります。 「自社でもAIを使った事業を立ち上げたい。ただ、何から考えればよいのか分からない」。新規事業や経営企画の担当者から、こうしたご相談をいただく機会が増えています。技術の話は聞こえてくるものの、それがどう収益になるのかという道筋が描けないまま、検討だけが続いている状態です。 本記事では、AIビジネスモデルを9つの類型に整理し、それぞれの収益構造と向き不向きを説明します。あわせて、市場データから機会がどこにあるのかを確認し、多くのプロジェクトがつまずく2つの壁とその越え方を示します。 国の統計と市場予測、そして弊社が実際に携わった開発事例の両面から解説するため、自社が検討すべき方向を具体的に絞り込めるようになります。 AIビジネスモデルとは？従来のITビジネスとの違い AIビジネスモデルとは、AI技術を用いて顧客に価値を提供し、その対価を得るまでの一連の仕組みを指します。 従来のITビジネスと本質的に異なるのは、提供価値が「確定した機能」ではなく「確率的な予測や生成」である点です。この違いは、収益設計に直接影響します。 従来のソフトウェアは、仕様どおりに動くことが前提でした。一方AIは、精度が100％にならないことを前提として設計する必要があります。 そのため、価格の根拠を「機能の提供」ではなく「削減できた時間」や「発見できた異常の件数」といった成果に置く発想が生まれます。 また、開発費が一度きりで終わらない点も特徴です。データの傾向が変われば精度は落ちるため、継続的な再学習と監視の費用が必要になります。 この継続コストを収益モデルに織り込まないまま価格を決めると、提供するほど利益が細るという構造に陥ります。AIビジネスを設計する際は、まずこの2点を前提に置いてください。 主要なAIビジネスモデル9類型 AIを使った事業は、「何を売るのか」で整理すると見通しが良くなります。技術の種類で分類しても、自社が取り組めるかどうかの判断にはつながりません。販売する対象で分ければ、必要な体制や初期投資の規模、そして収益が立ち上がるまでの時間を横並びで比較できます。 ここでは9つの類型を、AIそのものを商品として売る型と、AIを使って生み出した成果を売る型の2群に分けて説明します。 AIそのものを売る4つの型 第一がSaaS・サブスクリプション型です。AI機能を備えたサービスを月額で提供する形で、利用者が増えるほど収益が安定します。 一方で、機能が汎用的になりやすく、専門性の高い業務では「自社の要件に合わない」と判断されやすい弱点があります。 国内の例では、LegalOn TechnologiesがAIで契約書の審査やリサーチを支援する法務向けプラットフォームをクラウドのSaaSとして提供しています。 第二が従量課金型です。処理した量や回数に応じて課金する形で、利用者は小さく始められます。提供側は計算資源のコストが利用量に連動するため、価格設定を誤ると利益が出ません。 AI insideのAI-OCR「DX Suite」は、月額費用にプランに応じた無料枠を含め、超過分を処理量に応じて課金する構成を公式サイトで示しています。 第三が受託開発型です。顧客固有の要件に合わせてAIを開発する形で、単価は高くなりますが、案件ごとに工数が発生するため事業の拡大には体制の増強が必要です。 Laboro.AIのようにオーダーメイドの「カスタムAI」を掲げる企業がこの型にあたります。 第四がハードウェア組込み型です。製品にAIを搭載して販売する形で、検査装置やロボットなどが該当します。参入障壁は高いものの、模倣されにくい強みがあります。 Preferred Networksの子会社であるPreferred Roboticsが2023年に発売した家庭用自律移動ロボット「カチャカ」は、人の指示で家具を運ぶAI搭載製品として販売されています。 AIによる成果を売る5つの型 第五がコンサルティング・伴走支援型です。AIをどこに使うべきかという設計から支援する形で、顧客の課題定義が曖昧な段階から関与できます。 AVILENはAI戦略コンサルティングから開発・導入、人材育成までを一気通貫で支援すると公式サイトで説明しており、この型の代表例です。 第六が成果報酬型です。削減できたコストや増加した売上に連動して対価を得る形で、顧客のリスクは小さくなりますが、成果の測定方法を契約で厳密に定める必要があります。 第七が業務代行型です。AIを使って業務そのものを請け負う形で、顧客は自社でAIを運用する必要がありません。 第八がデータ提供型です。自社が保有するデータや、AIで加工した情報を販売する形で、元となるデータの独占性が競争力を左右します。 第九がプラットフォーム型です。AIの開発・運用に必要な基盤を提供し、その上で多くの利用者に使ってもらう形で、規模の拡大が前提となるため、資本力のある事業者向けの選択肢といえます。 ABEJAは、DXの実行に必要なプロセスを提供するソフトウェア群「ABEJA Platform」を軸に事業を展開しています。 参照元：各社公式サイト（2026年9月時点の記述）／Preferred Networks「人の指示で家具を動かす家庭用自律移動ロボット「カチャカ」先行予約受付開始」（2023年2月1日） 類型収益の源泉強み難しさSaaS・サブスク月額利用料収益が安定する専門業務に合わせにくい従量課金処理量・回数導入の心理的障壁が低い原価が利用量に連動する受託開発開発の対価要件に完全に合わせられる拡大に人員増が必要ハードウェア組込み製品販売模倣されにくい初期投資が大きいコンサル・伴走支援の対価上流から関与できる専門人材に依存する成果報酬削減額・増収分顧客が導入しやすい成果の測定が難しい業務代行業務委託料顧客の運用負担がない品質責任を負うデータ提供データ利用料独占性が競争力になる権利処理が複雑プラットフォーム手数料規模拡大時の利益率が高い立ち上げに資本が必要 市場データで見る、機会はどこにあるのか 市場そのものは明確に拡大しています。日本のAIシステム市場の支出額は2024年に1兆3,412億円となり、前年比で56.5％増加しました。1年で5割以上伸びたということは、多くの企業が同じ時期にAIへの投資を始めたことを意味します。 伸びは今後も続く見通しです。同市場は2029年には4兆1,873億円まで拡大すると予測されており、5年で3倍を超える計算です。新規事業として参入するなら、市場が形成される途中の今が、ポジションを取りやすい時期だといえます。 世界に目を向けると規模の差が際立ちます。世界のAI市場規模は2024年の1,840億ドルから2030年には8,267億ドルへ拡大する見通しで、日本市場の数十倍の規模です。海外展開を視野に入れるかどうかで、選ぶべき類型も変わってきます。 その中で主軸になりつつあるのが生成AIです。世界の生成AI市場は2024年の361億ドル（AI市場全体の19.6％）から2030年には3,561億ドル（同43.1％）へ拡大すると予測されており、6年でAI市場の半分近くを占めるようになる計算です。 生成AIを前提にしたビジネスモデルの検討は、もはや先進的な選択ではなく標準的な出発点になっています。 ただし、市場が伸びていることと、自社が収益を上げられることは別の問題です。企業のDXの成果を見ると、コスト削減や業務効率化による生産性向上といった「内向き」の領域では成果実感が得られている一方、既存製品・サービスの高付加価値化や新規ビジネスの創出といった「外向き」の領域は限定的にとどまっています。 さらに、DXの取組成果が「わからない」と回答した企業が3割近くあり、成果指標を設定している企業は4社に1社にも達していません。 つまり、多くの企業が測れないまま進めているということです。新規事業として外向きの価値を狙うのであれば、最初に「何をもって成功とするか」を決めることが、他社との差になります。 参照元：総務省「令和7年版 情報通信白書」第Ⅱ部第1章第9節／独立行政法人情報処理推進機構（IPA）「DX動向2026」（2026年7月30日公表・2025年度調査） AI事業化が越えられない2つの壁 類型が決まり、市場の追い風もあるのに事業が立ち上がらない。その原因はほぼ2つに集約されます。 第1の壁：検証で終わってしまう「PoC死」 第2の壁：作ったのに使われない「お蔵入りAI」 第1の壁：検証から先に進めない状態 技術的に実現できなかったために止まる例は、実はそれほど多くありません。大半は「動くことは確認できたが、それが事業としていくらの価値になるのか誰も説明できない」という理由で宙に浮きます。 この構図は統計にも表れており、DXの取組について成果指標を設定している企業は4社に1社にも達していません。指標がなければ、検証の結果を成功とも失敗とも判定できず、次に進むかどうかの意思決定そのものが成立しなくなります。 成果指標を設定できない要因として最も多く挙げられたのが「設定方法がわからない」である点も、この難しさを物語っています。 防ぐ方法は単純で、検証を始める前に「この数値を満たせば本開発に進む」という基準を決めておくことです。 第2の壁：完成したのに現場で使われない状態 精度は目標を満たしているのに、業務の流れに合わず、担当者が従来のやり方を続けてしまう。この原因は、開発の初期段階で現場の担当者が関与していないことにあります。 AIの出力をどの画面で、どのタイミングで受け取るのか。出力が誤っていたとき、担当者はどう対処するのか。 この設計が抜けていると、どれだけ高性能でも定着しません。防ぐ方法は、検証の評価者に現場の担当者を入れることです。 参照元：独立行政法人情報処理推進機構（IPA）「DX動向2026」（2026年7月30日公表・2025年度調査） 壁を越える進め方｜事業のプロとAIのプロで設計する 2つの壁に共通しているのは、技術の問題ではないという点です。何に使うか、どう使わせるかという設計の問題であり、これは事業を理解している人にしか決められません。 一方で、何がどこまで技術的に可能かは、AIの専門家でなければ判断できません。事業化が進む企業は、この2つの視点を早い段階で突き合わせています。 弊社が支援した事例は、その進み方を具体的に示しています。株式会社セガとの共同プロジェクトでは、ユーザーが簡単なキーワードを入力するだけでボクセル形式の3Dモンスターを生成するAIを開発しました。 ボクセルという表現形式に絞ったことで技術的な実現性を確保し、成果はユーザー生成コンテンツへの応用を想定しています。技術の可能性と、事業としての使い道を同時に設計した例です。 SOLIZE PARTNERS株式会社に提供したAI PoCサービス「ココロミ」では、設計ナレッジの自動提案と3D CADデータの自動生成という2つのテーマを検証しました。 前者は開発現場で直接活用できる水準に達すること、後者は単純な形状であれば可能である一方、複雑な形状には要素データの事前整備が必要であることを確認しました。できることとできないことを明確にしたことが、次の投資判断につながっています。 進め方としては、次の順序が有効です。 顧客の課題と、その解決にいくら払う価値があるかを確認する 9類型のどれで収益化するかを仮決めし、継続コストを含めて試算する 技術的な不確実性が最も高い部分を1つ選び、検証の対象にする 本開発に進む判断基準を、数値で事前に定める 現場担当者を評価者に入れ、使われる形まで設計する 弊社は東京大学松尾研発のスタートアップとして、この設計から実装までを伴走型で支援しています。AI PoCサービス「ココロミ」はスタンダードプランが月々250万円からで、大規模開発の前段となる検証から分析、アクションプランの策定までを一貫して行います。 構想段階の壁打ちから始めたい場合は、AI・DXの困りごとを東大出身のAI専門家集団がチャットで解決する「AI×DX寺子屋」もご利用いただけます。プランAは月額20万円で相談し放題、月1回のオンラインミーティングが付きます。 事業領域の検討には「生成AIビジネス活用大全｜業界別事例と成功ステップで賢明な導入を」、検証工程の詳細は「PoC検証とは？目的と3つの観点・進め方・成功事例を解説」もあわせてご覧ください。 参照元：株式会社EQUES「【株式会社セガ】3Dモンスター生成AIの開発（PoC）」／「SOLIZE PARTNERSが語る、製造業のDXにおけるAI活用のはじめの一歩」 ココロミ の詳細はこちら AIビジネスモデルに関するよくある質問 Q. 自社にAIの技術者がいなくても事業化できますか？ 可能です。実際に事業化が進む企業では、課題の定義と価値の設計を自社が担い、技術検証を外部と分担しています。重要なのは技術力より、顧客の課題を具体的に説明できることです。 Q. どの類型から始めるのが現実的ですか？ 自社の既存事業に隣接する領域から入るのが堅実です。顧客と課題を既に理解している領域であれば、価値の検証が早く進みます。まったく新しい市場での立ち上げは、技術と市場の両方の不確実性を同時に抱えることになります。 Q. 検証にはどのくらいの期間と費用が必要ですか？ 対象を1つのテーマに絞れば、数か月単位で判断材料が揃うことが一般的です。費用は検証範囲とデータの整備状況によって変わるため、まず何を確かめたいかを明確にすることが見積もりの前提になります。 Q. 競合が同じことを始めたらどう差別化しますか？ AIの技術そのものは差別化要因になりにくく、自社が持つデータと、業務に対する理解の深さが競争力になります。だからこそ、既存事業と地続きの領域を選ぶ意味があります。 まとめ AIビジネスモデルは、技術の選択ではなく「何を売るか」の設計から始まります。市場は拡大を続けていますが、成果を実感できているのは社内向けの効率化が中心で、新規事業の創出は依然として難所です。 だからこそ、設計の質がそのまま差になります。本記事の要点は次のとおりです。 AIビジネスは9つの類型に整理でき、継続的な再学習コストを織り込んだ収益設計が前提になる 市場は拡大しているが、外向きの価値創出は限定的。成功の定義を先に決めることが差別化になる PoC死とお蔵入りAIという2つの壁は技術ではなく設計の問題であり、事業とAIの専門性を突き合わせて越える 構想が漠然とした段階でも、課題の言語化からご一緒することができます。まずはお気軽にご相談ください。最後までお読みいただき、ありがとうございました。 AI事業の立ち上げをご検討の方へ 課題の言語化と収益設計の壁打ちから、技術検証までご一緒します。 無料で相談する AI×DX寺子屋を見る
国産LLMとは？政府が選んだ7モデル比較と導入の判断基準
記事の要約 国産LLMとは、国内の企業や研究機関が開発した大規模言語モデルのことで、ゼロから開発したものと海外モデルを基に日本語へ最適化したものに分かれます。 デジタル庁が2026年3月に7つの国内開発モデルを選んだ際の公募条件は、学習データの適法性や安全性の評価など、企業の判断基準としても使えます。 汎用のモデルは自社固有の知識を持たないため、社内文書を参照させる仕組みや業務特化の設計と組み合わせる必要があります。 「社外にデータを出せないため海外のクラウドAIは使えない。かといって、国産LLMは種類が多くて何を基準に選べばよいのか分からない」。情報システム部門で検討が止まる典型的な理由です。比較記事は数多くありますが、性能の順位づけだけでは自社に適したモデルは決まりません。 本記事では、国産LLMの定義と開発の方式を整理したうえで、2026年3月にデジタル庁が政府利用に向けて選定した7モデルを一覧で紹介します。あわせて、その選定で実際に用いられた条件を、そのまま企業が使えるチェック項目として読み替えます。 公募の条件という客観的な基準をもとに解説するため、印象ではなく根拠に基づいて候補を絞り込めるようになります。 国産LLMとは？海外モデルとの違いと2つの開発アプローチ 国産LLMとは、国内の企業や研究機関が開発した大規模言語モデルを指します。海外の主要モデルとの違いは、性能そのものよりも、日本語の語彙や表現への適合と、データの取り扱いを国内の枠組みで完結させやすい点にあります。 日本語には敬語表現や主語の省略、同音異義語といった特徴があり、業務文書では独特の記述様式も使われます。こうした言語的な特性への対応が、国産LLMが注目される出発点です。 開発の方式は大きく2つに分かれます。ひとつは、設計から学習までを自前で行うフルスクラッチ開発です。Preferred Networksの「PLaMo」やソフトバンク系の「Sarashina」、NTTの「tsuzumi」がこの方式にあたります。 もうひとつが、海外で公開されている基盤モデルを土台に、日本語データで追加学習を行う方式です。ELYZAがMetaの「Llama」を基に開発したモデルや、富士通がCohereのモデルを土台とした「Takane」が該当します。 どちらが優れているという話ではなく、前者は言語モデルの中身まで国内で説明できる点、後者は世界的な性能向上の成果を取り込みやすい点にそれぞれの利点があります。自社が重視するのが説明可能性なのか、性能の伸びなのかで見方が変わります。 なぜ企業が国産LLMを求めるのか｜3つの理由 企業が国産LLMを検討する理由は、単なる国産志向ではありません。実務上の要請として、次の3点に整理できます。 データの越境と管理：機密情報を国内の管理下で処理したい 日本語と業務文書への適合：社内文書の様式に沿った出力が必要 供給の安定性：海外サービスの仕様変更や提供条件に左右されたくない 1つ目の動機はデータの取り扱いです。個人情報や取引先の機密を含む文書を扱う場合、どこで処理され、入力内容が学習に使われないかを説明できる必要があります。 2つ目の日本語適合は、実際に使うと差が出る部分です。海外モデルの日本語能力は年々向上していますが、行政文書や社内規程のような定型の様式に沿った出力では、日本語データで学習したモデルが安定する場面があります。 3つ目の供給の安定性は、長期利用を前提とする企業ほど重視する観点です。基幹業務に組み込んだ後にサービスの提供条件が変わると、移行に大きな負担が生じます。 この3点は、政府が国産LLMを採用する理由とも重なります。デジタル庁は、ガバメントAIには日本語の語彙・表現に適合し、日本の文化・価値観を尊重した国産LLMの活用が不可欠だとして、2025年12月2日から2026年1月31日を期限に国内開発LLMの公募を実施しました。 国内企業や研究機関が開発するAIモデルを政府が積極的に活用することで、信頼できるAIの国内開発を支援するという方針です。 【2026年版】政府が選定した国産LLM7モデル一覧 デジタル庁は2026年3月6日、生成AI利用環境「源内」で試験的に利用する国内開発LLMの選定結果を公表しました。15件の応募のうち、書類審査と評価テストを経て選定されたのは7件です。企業が候補を検討する際の出発点として、実用に足るかどうかを公的機関が確認した一覧は有用です。 モデル名開発・提供開発の方式tsuzumi 2株式会社NTTデータフルスクラッチ開発PLaMo 2.0 Prime株式会社Preferred Networksフルスクラッチ開発Sarashina2 miniソフトバンク株式会社フルスクラッチ開発cotomi v3日本電気株式会社（NEC）自社開発Llama-3.1-ELYZA-JP-70BKDDI株式会社・株式会社ELYZA海外基盤モデルを基に開発Takane 32B富士通株式会社海外基盤モデルを基に開発CC Gov-LLMカスタマークラウド株式会社行政分野に特化 この一覧で注目したいのは、規模の大きいモデルばかりが並んでいるわけではない点です。小規模なモデルや、特定の分野に特化したモデルも選定対象に含まれています。大きいほど良いという前提で選ぶと、運用コストに見合わない結果になりかねません。 選定の条件から分かる、企業が確認すべき観点 より参考になるのは、選ばれたモデル名よりも、選定にあたって課された条件です。公募では、機密性2情報を扱えるだけのセキュリティを確保し、ガバメントクラウド上の推論環境で動作することが求められました。 また、海外の主要LLMと比較したベンチマーク結果を提供できること、とくにハルシネーション、バイアス・差別的表現、有害コンテンツ生成に関する安全性の取り組みを複数の評価指標で説明できることが条件とされています。 さらに、学習用データについては、法令遵守の状況を具体的に説明できることが条件とされました。加えて、独自開発モデルか派生モデルかの区別を含め、開発経緯・開発方法・開発体制を具体的に説明できることも求められています。 これらはそのまま、企業がLLMを選ぶ際の確認項目として使えます。自社が導入を検討しているモデルについて、学習データの適法性を説明できるか、自社の管理下にある環境で動かせるか、安全性の評価が第三者の指標で示されているかを確認してください。性能の数値だけを比べる評価より、はるかに実務的な判断ができます。 オープンソースのLLMという選択肢 商用サービスとして提供されるモデルのほかに、重みが公開されているオープンソース系のモデルという選択肢もあります。 東京科学大学と産業技術総合研究所が進めるSwallowプロジェクトや、国立情報学研究所を中心とするLLM-jpなど、研究機関が主導する取り組みからも日本語に対応したモデルが継続的に公開されています。 自社サーバーに構築すれば、入力データを社外に出さずに運用でき、モデルの中身も検証できます。 ただし、公開されていることと自由に商用利用できることは別です。ライセンスの条件はモデルごとに異なり、利用目的や再配布の可否に制限が設けられている場合があるため、検証を始める前に配布元の条項を必ず確認してください。 自社環境での構築については「情報漏洩を防ぐ「ローカルLLM」開発の全貌｜要件・RAG構築・導入ステップまで徹底解説」で詳しく解説しています。 参照元：デジタル庁「ガバメントAIで試用する国内大規模言語モデル（LLM）の公募結果」（2026年3月6日公表） 国産LLM導入のメリットと、導入前に知っておくべき限界 国産LLMの利点は、これまで述べたとおりデータの管理と日本語適合、供給の安定性にあります。 一方で、導入を検討する段階で理解しておくべき限界も存在します。第一に、汎用モデルである以上、自社固有の知識は持っていません。社内規程や製品仕様、過去の対応履歴といった情報は学習に含まれていないため、そのまま質問しても正しく答えられません。 この解決には、社内文書を検索して回答に反映させる仕組みを組み合わせる必要があります。 第二に、専門分野の正確さです。医薬品の品質保証や法務のように、記載の誤りが重大な影響を及ぼす業務では、汎用モデルの出力をそのまま使うことはできません。 第三に、運用の負担です。自社環境で動かす場合、モデルの規模に応じたGPUなどの計算資源が必要になり、その調達と維持が継続的なコストになります。規模の小さいモデルであれば要件は下がりますが、期待する精度との兼ね合いで決める必要があります。 国産LLM選びで失敗しないためのチェックポイント ここまでの内容を踏まえ、検討の際に確認すべき項目をまとめます。導入目的が決まっていない段階でモデルを比較しても結論は出ないため、最初の2項目から順に進めてください。 □ 何の業務に使うかを1つに絞れているか □ 扱う情報の機密区分と、置ける場所の条件が定まっているか □ 学習データの適法性を提供元が説明できるか □ 安全性の評価が客観的な指標で示されているか □ 自社データを参照させる仕組みを併せて設計しているか □ 必要な計算資源と、その運用体制を見積もっているか □ 精度が不足した場合の追加学習や切り替えの余地があるか 弊社は東京大学松尾研発のスタートアップとして、企業ごとの要件に合わせたLLMの活用を支援しています。 専門業務における精度の課題に対しては、製薬の品質保証に特化したサービスを提供しており、GMP文書業務を効率化する「QAI Generator」では、簡単な質問に答えるだけで必要書類をAIが自動作成します。 導入企業の万協製薬株式会社では変更申請書を含むGMP文書で70％の業務効率化を実現したと公表しています。弊社の製薬特化型LLMの開発は、経済産業省・NEDOのGENIACにも採択されています。 複数のQA文書間の齟齬を段落ごとに解析して検出する「QAI Checker」もあわせてご利用いただけます。 自社専用の仕組みを検証したい場合は、AI PoCサービス「ココロミ」でスモールスタートから進められます。 モデルの比較検討については「ローカルLLM比較｜主要モデル5選と実行ツール3選【2026年最新】」、セキュリティ全般は「2026年版AIセキュリティ完全ガイド｜経営者が知るべき対策法」もご覧ください。 ココロミ の詳細はこちら 国産LLMに関するよくある質問 Q. 日本語に対応したLLMの導入事例にはどのようなものがありますか？ 政府の生成AI利用環境「源内」では、国内開発のモデルを試験的に利用する取り組みが進んでいます。民間でも、社内文書の検索や部門固有の資料作成といった用途での活用が広がっています。 Q. 導入にはどのくらいの期間がかかりますか？ 既存のサービスを利用する形であれば短期間で始められます。自社環境に構築し、社内データを参照させる仕組みまで作る場合は、データの整備状況によって数か月単位の期間を見込む必要があります。 Q. 自社専用にカスタマイズ（ファインチューニング）は可能ですか？ モデルのライセンスと提供形態によります。重みが公開されているモデルであれば追加学習は可能ですが、まずは社内文書を参照させる方式で十分か検討することをおすすめします。そのほうが更新が容易です。 Q. オープンソースの日本語LLMはどこで入手できますか？ 研究機関や企業がモデル配布プラットフォーム上で公開しています。利用にあたっては、商用利用の可否や再配布の条件がモデルごとに異なるため、配布元のライセンス条項の確認が必要です。 Q. LLMの導入にはどの程度のGPUが必要ですか？ モデルの規模と、同時に何人が使うかによって変わります。規模の小さいモデルであれば要件は下がりますが、必要な精度を満たすかは検証しなければ判断できません。まず小さい構成で試し、不足が確認できてから増強する順序が無駄になりません。 まとめ 国産LLMの選定は、性能の順位表を眺めることではなく、自社が扱う情報と業務の要件に照らして条件を満たすかを確認する作業です。政府の公募で課された条件は、そのまま企業の確認項目として使えます。本記事の要点は次のとおりです。 国産LLMにはフルスクラッチ開発と海外基盤モデルを基にした開発の2方式があり、重視する点で選び方が変わる デジタル庁は2026年3月、15件の応募から7つの国内開発LLMを選定した。その選定条件が実務的な判断基準になる 汎用モデルは自社固有の知識を持たないため、社内データを参照させる仕組みや業務特化の設計と組み合わせる 導入目的と扱う情報の条件が定まれば、候補は自然に絞り込まれます。自社の要件整理からご一緒することもできますので、お気軽にご相談ください。最後までお読みいただき、ありがとうございました。 国産LLMの導入をご検討の方へ 扱う情報の条件と業務の要件整理から、自社専用の仕組みの検証までご一緒します。 無料で相談する ココロミを見る