Column
コラム
生成AI研修のカリキュラム例｜階層別の内容と社内設計の5ステップ
記事の要約 生成AI研修のカリキュラムとは、対象者ごとに目的・内容・時間・演習・到達目標を定めた学習計画のことです。経営層・管理職・現場・推進担当の4階層に分けて組みます。 国のデジタルスキル標準も全員向けと推進人材向けの2層です。現場にはプロンプト（＝AIへの指示文）と入力禁止の情報を、推進担当には業務設計と社内講師の技法を割り当てます。 設計は研修後に変えたい業務成果から逆算し、自社業務を使った演習と小規模な試行を経て、反応・学習・行動・成果の4段階で効果を測ります。 「全社員に同じ生成AI研修を受けさせたが、管理職は部下の使い方を判断できず、現場は何を入力してよいか迷っている」。人事やDX推進の担当者から、弊社がよく伺う悩みです。 弊社の経験では、原因の多くは講義の質ではなく、対象者を分けずにカリキュラムを組んでいることです。本記事では、生成AI研修のカリキュラム例を4階層で示し、効果測定や外部研修の使い方まで設計の手順を解説します。 東京大学松尾研発のAIスタートアップとして企業の生成AI研修や活用支援を手がける弊社の経験と、国の公表資料をもとにまとめました。 生成AI研修のカリキュラムとは？階層別に設計する理由 生成AI研修のカリキュラムとは、誰に・何を・何時間で・どの水準まで教えるかを定めた学習計画です。操作説明会と違い、業務のどこを生成AIに任せ、どこを人が判断するかを身につけます。 階層を分けるのは、立場ごとに生成AIで下す判断が違うためです。全員に同じ内容を教えると操作説明に寄り、管理職は確認の基準を持たず、現場は入力してよい情報の線引きが分からないまま利用が止まります。 国の基準も、全員向けの土台と推進人材の専門性を分けて定めています。経済産業省とIPA（情報処理推進機構）のデジタルスキル標準はDXリテラシー標準とDX推進スキル標準の2本立てで、2023年8月に生成AIの記載が加わりました。 経営層を含めるのは、生成AI活用を後押しする経営層の関与が世界平均より低いためです（経済産業省、2024年6月）。方針と予算を決める層が動かないと、現場は使ってよい範囲を判断できず、覚えた操作を職場で試せません。 社員教育は企業に期待される取り組みでもあり、AI事業者ガイドライン第1.2版（2026年3月）は共通の指針に「教育・リテラシー」を含めています。 参照元：IPA「DXリテラシー標準（DSS-L）概要」（2026年4月更新）／経済産業省「生成AI時代のDX推進に必要な人材・スキルの考え方2024」（2024年6月）／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） 階層別の生成AI研修カリキュラム例【4階層の比較表】 時間は本記事で示す設計の一例で、公的な基準ではありません。業務量と受講者の経験に合わせて調整してください。 階層目的主な内容時間の例演習の例到達目標経営層投資と方針を決めるできること・できないこと、他社動向、リスクとガバナンス（＝AI利用の管理体制）2〜3時間優先する業務を3つ選び、方針を書く方針・予算・体制を決められる管理職チームの業務に組み込む業務の切り出し、出力の確認方法、部下への指導3〜4時間チームの業務からAIに任せる工程を選ぶ部下の成果物を確認して承認できる現場（全社員）日常業務で安全に使う基本操作、プロンプト、入力禁止の情報、著作権基礎2〜3時間＋演習2時間自分の資料で要約・メール・議事録を作る社内ルールの範囲で毎週使える推進担当部署に展開する業務設計、RAG（＝社内文書を検索して答えさせる仕組み）の基礎、効果の評価、社内講師の技法計10〜20時間部署の課題で検証計画を作る部署の相談に答え、改善案を出せる 表の4階層は、学ぶ内容で2つに分かれます。判断する層に操作を教えても職場で使う場面が少なく、使う層に方針だけを教えても手が動きません。だから経営層と管理職は判断の基準、現場と推進担当は業務での使い方を演習の題材にします。 経営層と管理職は「判断の基準」を学ぶ 経営層の研修は、操作より「何に投資し、何を禁止するか」を決める材料に絞ります。方針が文章になって初めて管理職と現場に教える許可範囲が決まるため、最後に自社の方針を書く演習を置きます。 管理職の研修で最も重要なのは、部下が作った生成AIの出力を確認する基準です。ハルシネーション（＝AIがもっともらしい誤りを出力する現象）を見抜く手順と、AIに任せる工程の判断を、チームの実際の業務で練習します。 基準がないと、部下の出力をそのまま通すか作り直すかの二択になり、時間が減りません。 現場と推進担当は「業務での使い方」を学ぶ 現場向けは、社内ルールの範囲で毎週使える状態を到達目標にします。前半で入力してはいけない情報と出力の確認方法を学び、後半は自分の業務資料でメールや議事録を作ります。 演習用のプロンプトの型は「プロンプトエンジニアリングの例10選｜コツと手法を徹底解説」にまとめています。 推進担当は、各部署の相談役と社内講師を兼ねる人材です。部署の課題を1つ選び、検証計画まで作る演習を通じて、業務への組み込みと社内展開の進め方を学びます。 生成AIの社員教育を階層・役割別に進める企業の事例 大手4社の公式発表から、段階や役割で分ける例を整理します（効果の数値がない企業は実施の事実のみ）。 企業（公表時期）取り組みの内容LINEヤフー（2025年7月）全従業員約11,000人にリスク管理とプロンプト技術の必須eラーニングを実施し、試験合格を利用条件に設定。活用推進者を全部署に設置NTTデータグループ（2025年10月）人財レベルを4段階で定義。基礎研修でリテラシーとガバナンスを教え、実践研修の修了者は7万人以上（2025年10月時点）野村ホールディングス（2025年9月）約5,000名が履修した社内のデジタル人材育成プログラムに、全社員の生成AI活用を推進する育成プログラムを新設日立製作所（2025年1月）業務変革を率いる「GenAIアンバサダー」を新設し、ITとOT（制御・運用技術）の専門家16名を任命 LINEヤフーとNTTデータグループは、全員向けの基礎と、推進役や上位段階の育成を分けています。野村は既存の社内教育への組み込み、日立は推進役の職位化の例です。 この型の事例で詰まりやすいのは、基礎研修の受講と利用開始が別々に進み、受講しただけで終わる点です。試験合格を利用の条件にする、部署ごとに推進役を置くなど、受講と利用を一本の流れにすると行動に変わります。 自社では、基礎研修と利用開始の順序と推進役を置く部署の範囲を先に決めます。推進役のいない部署では相談先がなく、利用が個人の工夫で止まるためです。 参照元：LINEヤフー「全従業員約11,000人を対象に「生成AI活用の義務化」を前提とした新しい働き方を開始」（2025年7月）／NTTデータグループ「実践的な生成AI人財育成を2027年度までにグローバル全社員へ拡大」（2025年10月）／野村ホールディングス「全社員の生成AI活用を推進するための人材育成プログラムを新設」（2025年9月）／日立製作所「生成AI開発・活用のエキスパートを「GenAIアンバサダー」に任命」（2025年1月） 生成AI研修を社内で設計する5ステップ 社内で生成AI研修を設計するときは、講義内容から考えず、研修後に変えたい業務の成果から逆算します。手順は次の5つです。 研修後に変えたい業務成果を決める 受講者の現状を測り、クラスを分ける 時間配分と教材・演習を決める 一部の部署で試行して教材を直す 効果を測り、内容を更新する 1. 成果目標の設定 最初に、研修の後に変わってほしい業務と指標を決めます。「議事録の作成時間を半分にする」「問い合わせ回答の下書きをAIで作る」のように、対象業務と数値で書きます。 指標が決まると、教える内容の優先順位も自然に決まります。成果を決めずに始めると内容が操作の網羅に寄り、受講者は研修後に何を変えればよいか分からないまま職場に戻ります。 2. 受講者の現状把握とクラス分け 次に、受講者が生成AIをどの程度使っているかを簡単なアンケートで把握します。同じ役職でも利用経験には差があるため、役職に加えて経験で入門と応用のクラスを分けると、演習の密度を保てます。 あわせて、対象業務の現在の所要時間も測っておきます。研修後の数値と比べる基準になり、効果測定で何が変わったかを示せます。 3. 時間配分と教材・演習の決定 時間配分は、研修時間の半分程度を演習にあてるのが弊社のおすすめです。演習には受講者が持ち込んだ実際の業務資料を使い、汎用の教材に自社の利用ルールと業務例を足して教材を作ります。講義だけでは自分の業務でどの指示を書くかまで届かず、職場で最初の一歩が出ないためです。 著作権の章は、文化審議会著作権分科会の法制度小委員会が取りまとめ、文化庁が公表した「AIと著作権に関する考え方について」（2024年3月）を土台にします。 入力ルールが未整備なら「生成AIガイドラインの作り方｜企業の事例11選と必須項目2026」を参考に並行して整えます。 4. 小規模な試行と改善 全社展開の前に、まず1〜2部署で試行します。演習の課題が業務に合っているか、時間が足りるかを受講者アンケートと講師の観察で確かめ、教材を直します。 試行に参加した受講者は次の回で講師の補助役を担えるため、試行の場は推進担当の候補を見つける機会にもなります。 5. 効果測定と内容の更新 研修後は、ステップ1で決めた指標を測り直します。ツールも社内ルールも変化が速いため、教材は半年に1回を目安に見直すことをおすすめします。OJT（＝職場で実務を通じて行う指導）で出た質問を教材に足すと、内容が業務に近づきます。 参照元：文化庁「AIと著作権について」（「AIと著作権に関する考え方について」2024年3月） 生成AI研修の効果測定と外部研修の使い分け 研修の効果は、受講者の満足度だけでは判断できません。カークパトリックモデル（＝反応・学習・行動・成果の4段階で研修効果を測る考え方）を使うと、どの段階で止まっているかが分かります。 段階測るもの生成AI研修での指標例時期の目安（例）反応役立つと感じたか業務との関連度の5段階評価研修直後学習知識と技能が身についたか確認テスト、ルーブリック（＝観点と水準を表にした採点基準）による課題評価研修直後行動職場で使っているか利用ログ（利用履歴）、週あたりの利用回数研修直後〜3か月後成果業務が変わったか対象業務の作成時間・処理件数3〜6か月後 弊社の経験では、生成AI研修で見落とされやすいのは3段階目の「行動」です。部署別の利用状況を見ると、受講したが使っていない部署が分かり、管理職への追加研修の対象を絞れます。 外部研修は、最新動向・技術の基礎・社内講師の育成のように社内で作りにくい部分に使い、自社ルールと業務演習は社内で持つのが効率的です。すべてを任せると演習が汎用的になりがちです。 到達水準の外部基準には資格が使えます。生成AI活用普及協会（GUGA）の生成AIパスポートは仕組みからリスク予防、活用事例までの5章構成（2027年2月試験から適用）、日本ディープラーニング協会（JDLA）のG検定はAIの基礎と事業活用の知識を問う検定です。 研修会社の比較と助成金の使い方は「【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」にまとめています。 参照元：Kirkpatrick Partners「The Kirkpatrick Model」／生成AI活用普及協会「生成AIパスポート、2027年試験のシラバスを大幅改訂」（2026年10月1日）・「シラバス」／日本ディープラーニング協会「G検定とは」（2026年10月確認） このように、生成AI研修は自社の業務とルールに合わせるほど効果が出やすくなります。こうした研修設計の相談先として、弊社は「AI×DX寺子屋」を提供しています。 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でき、プランA（月額20万円・税抜）は相談し放題と月1回60分のオンラインコンサルティング、プランB（応相談）ではAI人材研修の実施などにも対応します。 現場の学習には、1回約10分の動画と確認テスト、プロンプトテンプレートを備えた「AI×DX寺子屋 learning」も使えます（業界別の教材は現在、製薬業界のGMP（＝医薬品の製造・品質管理の基準）・MR（＝医薬情報担当者）向けを公開）。 弊社は東北電力の事業創出部門で1Day研修を行いました。ロート製薬では品質統括部が寺子屋の提案を決め手に、製品スペック作成の自動化から小さく始めています。 参照元：株式会社EQUES「東北電力 導入事例」「ロート製薬株式会社 導入事例」「AI×DX寺子屋 Learning、GCI（東京大学寄附講座）向けコース開始のお知らせ」（2026年8月） AI×DX寺子屋 の詳細はこちら 生成AI研修のカリキュラムに関するよくある質問 全社員向けの生成AI研修は何時間必要ですか？ 本記事の例では基礎2〜3時間と業務演習2時間の計4〜5時間です。 経営層向けの研修は必要ですか？ 必要です。利用方針と予算を決めるのは経営層で、方針がないまま現場だけを研修しても利用は広がりにくくなります。 社内講師だけで研修を回せますか？ 自社ルールと業務演習は社内講師が適しています。技術の基礎や最新動向は変化が速く社内講師の負担が大きいため、その部分だけ外部の教材や専門家を使うのが現実的です。 研修の効果はいつ測ればよいですか？ 満足度と確認テストは研修直後、利用状況は研修直後から3か月後まで追います。業務成果は3〜6か月後に測ります。 まとめ 生成AI研修のカリキュラムは、4階層に分け、業務成果から逆算して設計することで機能します。 階層ごとに目的・内容・時間・演習・到達目標を定めた学習計画を作る 経営層と管理職は判断の基準、現場と推進担当は業務での使い方を演習で学ぶ 成果から逆算する5ステップで設計し、反応・学習・行動・成果の4段階で測る 最後までお読みいただき、ありがとうございました。 執筆：株式会社EQUES（東京大学松尾研発のAIスタートアップ。製薬・製造業のAI開発と、AI PoC「ココロミ」・AI相談「AI×DX寺子屋」を提供） 自社向けの研修設計を相談しませんか AI×DX寺子屋では、研修の設計や定着の疑問を東大出身のAI専門家にチャットで相談できます。まずは無料相談からどうぞ。 無料で相談する AI×DX寺子屋を見る
中小製造業のAI導入事例6選｜費用・補助金2026と始め方
記事の要約 中小製造業のAI導入とは、従業員300人以下などの製造業が検査や見積もりなどの業務にAIを組み込むことで、中小製造業の導入率は16.4％にとどまります。 公表事例では、従業員22名の工場がセンサーと画面のシステムを50万円で自社開発して稼働を見える化し、染色加工の企業は約1,000万円で熟練者の色の判断をAIに学ばせています。 2026年度はIT導入補助金がデジタル化・AI導入補助金に改称されるなど制度が変わっており、締切と対象範囲は公募回（＝申請受付の回）ごとに公式サイトで確認が必要です。 「AIは大企業の話で、うちの規模では費用も人も足りない」。従業員数十人から数百人の工場で、よく耳にする声です。 本記事では、中小製造業のAI導入事例6件を一覧で示し、費用の内訳、2026年10月時点の補助金の条件、着手の順番を解説します。 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開発を手がける弊社の経験も踏まえました。 中小製造業のAI導入とは？導入率16.4％の現状と使われ方 中小製造業のAI導入とは、従業員300人以下または資本金3億円以下の製造業がAIを業務に組み込むことです。外観検査（＝製品の傷や異物を目で確かめる検査）や見積もりなど人の経験に頼る判断を、画像認識や生成AIで補うのが典型です。 AIを導入済みの中小企業は20.4％で、製造業に限ると16.4％にとどまります（中小企業基盤整備機構、2026年3月）。 AIを導入済みの中小企業（全業種）でも、製造・生産部門で活用している割合は34.9％と、総務・管理部門（68.3％）の約半分です。製造部門のない業種も含む数字ですが、工場の工程でのAI活用は事務部門ほど広がっていない様子がうかがえます。差が出る理由は、AIが学ぶ材料にあります。 事務の文書は会社が違っても形が似ていて、多くの場合は既製の生成AIで足りますが、工場の良否の判断は製品や設備ごとに違い、自社のデータで学ばせないと動きません。 AIを業務で使っていない理由の最多は「活用する業務がイメージできていない」でした（2026年版中小企業白書）。近い規模の事例を知ることが最初の一歩になります。 参照元：中小企業基盤整備機構「中小企業のAI等の利活用に係る実態調査」（2026年3月・報告書）／中小企業庁「2026年版中小企業白書」（2026年4月）、「中小企業者の定義」 中小製造業のAI導入事例6選｜規模・用途・費用・支援策の一覧 公的機関や経済団体の事例集、白書から、従業員300人以下の製造業6社を選びました。従業員数は各原典の掲載時点です。 企業（所在地・従業員数）用途費用・体制使った支援策錦城護謨（大阪府・275名）外観検査記載なし（共同開発）大阪産業局の補助金、大阪府の助成金枚岡合金工具（大阪府・22名）設備の稼働監視自社開発・3か月・50万円記載なし艶金（岐阜県・134名）技能伝承（色の判定）共同開発・1年・約1,000万円記載なしIBUKI（山形県・63名）見積もりグループ企業と開発・2年・非公開記載なし樋口製作所（岐阜県・279名）図面解析・技能伝承自社開発・費用は記載なし記載なし岡田研磨（石川県・85名）生成AIでの業務アプリ作成内製・AIの月額利用料のみ記載なし 大企業を含む事例は「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」で紹介しています。 1. 錦城護謨：0.1平方ミリの異物を見つけるAI検査機を開発 大阪府八尾市のゴム製品メーカー、錦城護謨は、ベンチャー企業と0.1平方ミリの異物を瞬時に検出するAI検査機を共同開発し、2023年3月に量産1号機を完成させました。この型では、目視の見逃しが人と時間帯で変わるため、基準を機械にそろえる価値があります。 ただし異形・多色の製品では汎用化に限界があり、1色1形状の専用機になった点は、開発を進める中で得た教訓です。この型の画像AIは、多くの場合、正常な見え方を覚えて差を探すため、形や色が変わると基準も変わり、学び直しが要るからです。 2. 枚岡合金工具：稼働の見える化で機械稼働率を15％向上 大阪市生野区で金型を作る枚岡合金工具は、NC自動機（＝数値制御の工作機械）にセンサーを、人が操作する汎用機にAIで画像を解析するカメラを付けて、機械の停止時間を見える化しました。この型では、止まった時間が記録に残らず、改善の手がかりが無いところで詰まります。 センサーと画面のシステムは自社開発で、開発コストは50万円でした（画像解析はテクノアのAI）。判明したロスを工程の見直しで減らし、稼働率を15％高めています（2021年9月時点）。止まった時間を測るだけでも効果が出るため、典型的には費用を抑えやすい用途です。 3. 艶金：熟練者の色の合否判断をAIが補助し、確認を1分に 岐阜県大垣市の染色加工会社、艶金は、熟練職員の色の合否判断を過去2,000件分学ばせ、若手の判断を補助するAIをソフト会社と開発しました。この型では、熟練者の感覚を過去の合否の記録に置き換えられるかが分かれ目です。 一部の判断では確認時間が5〜10分から1分に短縮した一方、精度は熟練者の水準に届いていないと公表しています（2022年1月時点）。学ばせた記録に無い微妙な判断までは、多くの場合届かないためです。 4. IBUKI：AIによる見積もりで作成時間を3時間から30分に 山形県河北町で射出成形（＝溶かした樹脂を型に流して固める成形法）用金型を作るIBUKIは、工場長1人が担っていた見積もりの思考手順をAIに学ばせ、自動作成の仕組みをグループ企業と開発しました（2016年から2年間）。この型では、頭の中の手順を言葉にする作業で詰まります。 その結果、見積もりの作成時間は3時間から30分に縮み、見積もりを作れる担当者も5名に増えました。 5. 樋口製作所：3D図面からプレス加工の可否を判別するAIを開発 岐阜県各務原市の金属プレスメーカー、樋口製作所は、技術伝承の対策として3D図面からプレス加工の可否を判別する「Hawk AI」を開発し、属人化していたノウハウの共有を図っています。この型では、即答できる人が限られ、不在のとき図面の判断が止まるところで詰まります。 生産や保全の注意点を担当者に伝えるAI「Lai-ser」も開発し、経済産業省の「DXセレクション2025」で優良事例に選ばれています。 6. 岡田研磨：生成AIで業務アプリを内製し、月530時間を削減 石川県金沢市で機械部品を加工する岡田研磨は、専務が生成AIと対話しながら約30種のアプリを備えた管理システムを自作し、月530時間程度の労働時間削減につなげました。現場の困りごとを知る人が自分で作るため、要件を外部に伝える手間と費用が消える型です。 外注なら約8,000万円とされる開発を、AIの月額利用料のみで実現しています。ただし作った人にしか直せなくなりやすく、引き継ぎの記録を残せるかが続ける条件です。 6件を当てはめるなら、成果の数字より「AIに何を学ばせたか」を見てください。記録が残っているかで、期間と費用の見込みが変わるからです。 参照元：大阪府「ものづくりイノベーション支援助成金の活用事例」（錦城護謨）／関西経済連合会「ICT・IoT・AI等活用事例集」（枚岡合金工具、艶金、IBUKI）／経済産業省「DXセレクション2025選定企業レポート」（2025年3月）／中小企業庁「2026年版中小企業白書」（2026年4月） 中小製造業のAI導入にかかる費用の目安と内訳 中小製造業のAI導入費用は、用途と作り方で数十万円から数千万円規模まで開きます。差を生む主な内訳は次のとおりです。 費用の項目主な中身金額が膨らむ条件データ整備記録の電子化、良否の正解付け判断基準が人の頭の中にしかないPoC（＝本番前の小さな技術検証）精度と効果の確認対象の工程を絞れていない開発・ツール既製ツールの利用料、個別開発費自社専用の判定や他システム連携機器カメラ、照明、センサーラインへの組み込み運用利用料、保守、再学習（＝新データでの学び直し）製品や条件が頻繁に変わる 見落としやすいのは運用費です。AI導入の阻害要因の最多は「導入にあたっての高コスト」（46.9％）で、導入後の課題もランニングコストの高さが4割台でした（同調査）。製品の切り替えが多いほど再学習が繰り返されるため、初期費用と年間の運用費を合わせて見積もることが欠かせません。 自動化設備の費用相場は「製造業の自動化を成功に導く！AI導入のメリットと費用・補助金まで徹底解説」で整理しています。 参照元：中小企業基盤整備機構「中小企業のAI等の利活用に係る実態調査 報告書」（2026年3月） 中小製造業のAI導入に使える補助金2026｜最新の公募条件 2026年度に中小製造業が検討しやすい国の補助金は、デジタル化・AI導入補助金、省力化投資補助金、新事業進出・ものづくり商業サービス補助金の3つです。補助率（＝経費のうち補助される割合）や締切は公募回ごとに変わるため、下表は2026年10月18日時点の条件です。 補助金主な対象補助上限・補助率直近の締切デジタル化・AI導入補助金（通常枠）登録済みのAIツール・クラウド450万円・1/210月30日17時（6次）省力化投資補助金（一般型）現場に合わせた設備・システム従業員数に応じ750万〜8,000万円・1/2（小規模事業者は2/3）12月下旬（第9回・予定）省力化投資補助金（カタログ注文型）カタログ掲載の省力化製品200万〜1,000万円（賃上げで最大1,500万円）・1/2以下随時新事業進出・ものづくり商業サービス補助金新製品・新サービスの開発従業員数に応じ750万〜2,500万円・1/2（革新的新製品・サービス枠）10月30日（第1回） 3つに分かれるのは、ツールの普及、人手不足を補う設備投資、新製品の開発と目的が違うためで、同じAI検査でもソフトを入れるのか装置ごと入れるのかで対象経費と候補が変わります。 工程の改善には表の上3行、AIを組み込んだ新製品の開発には4行目の補助金が候補です。 自治体の制度もあります。大阪府豊中市の「令和8年度AI促進補助金」は、AIツールの利用料や開発委託費を上限10万円・補助率1/2で補助します（市と商工会議所が派遣するAIコンシェルジュの提案が条件）。本社所在地の自治体の制度も確認しておくと選択肢が広がります。 デジタル化・AI導入補助金：旧IT導入補助金でAIツールが対象 デジタル化・AI導入補助金は、2026年からIT導入補助金が名称を変えた制度です。通常枠では、ソフトウェア購入費やクラウド利用料（最大2年分）、導入設定や研修の費用が補助されます。見積書の作成や受発注の記録を既製の生成AIツールに任せる投資が、この枠の候補です。 申請は登録されたIT導入支援事業者と共同で行い、GビズIDプライム（＝行政手続き用の法人ID）は、書類申請だと審査に最大1か月かかります。第7次公募からは1人当たり給与支給総額の向上要件も加わります。 省力化投資補助金：設備と一体のAIは一般型が候補 中小企業省力化投資補助金は、省力化投資（＝少ない人手で同じ仕事を回すための投資）を支援します。一般型は現場に合わせた設備やシステムが対象で、上限は従業員数に応じ750万〜8,000万円です（大幅賃上げ特例で最大1億円）。検査や搬送に人を張り付けている工程を装置で置き換える投資に効きます。 一般型の第8回は10月16日に締め切られ、第9回は11月上旬に公募開始の予定です。外観検査装置のように設備と一体で入れるAIは一般型が候補になるため、公募要領（＝補助金ごとの対象や条件を定めた文書）で対象経費を確認してください。 新事業進出・ものづくり商業サービス補助金：工程改善だけのAIは対象外 従来のものづくり補助金は23次締切分の採択結果が2026年8月に公表され、新制度「新事業進出・ものづくり商業サービス補助金」の第1回公募が10月30日18時まで行われています。 革新的新製品・サービス枠では、既存製品の生産工程を改善するだけの事業は対象外です。AIを使った新製品の開発なら、補助上限は従業員数に応じ最大2,500万円（賃上げ特例で3,500万円）です。検査や見積もりを速くするだけの投資は当てはまらず、AI入りの製品や新サービスを売る計画のときの候補です。 要件には付加価値額（＝営業利益・人件費・減価償却費の合計）の年4.0％以上・1人当たり給与支給総額の年3.5％以上の増加などがあり、給与などの目標が未達だと返還を求められる場合があります。 参照元：中小企業庁「補助金の公募・採択」「デジタル化・AI導入補助金2026」／デジタル化・AI導入補助金事務局「通常枠」「制度変更のお知らせ」／「省力化投資補助金（一般型）」「同（カタログ注文型）」／「新事業進出・ものづくり商業サービス補助金」／「ものづくり補助金総合サイト」／豊中市「令和8年度AI促進補助金」（2026年10月12日確認） 中小製造業がAI導入で失敗を減らす始め方4ステップ 紹介した6件のうち4件は、異物検査・稼働監視・色の判定・見積もりのように、対象を1つの業務に絞って導入したAIです。弊社がご相談を受ける場面でも、次の順で進めると手戻りが減ります。 ステップ1：困っている業務を1つ選び、作業時間や不良率を測る ステップ2：使えるデータと熟練者の判断基準を棚卸しする ステップ3：既製ツールで足りるかを確かめ、足りなければPoCで検証する ステップ4：補助金の締切から逆算して本導入を計画する ステップ1を飛ばすと導入後に効果を示せず、ステップ2を飛ばすと開発の途中で記録の不足が分かります。ステップ3を飛ばすと既製で足りる業務に開発費を払い、ステップ4を飛ばすと締切に合わず自己資金で賄います。 弊社の経験では、時間がかかりやすいのはステップ2のデータ棚卸しです。熟練者の判断は言葉になっておらず、聞き取って基準に直し、記録に正解を付けてようやくAIが学べるためです。全体の進め方は「AI導入の第一歩｜中小企業向けの事例と始め方」もご覧ください。 弊社は、東大出身のAI専門家集団にチャットで相談できる「AI×DX寺子屋」（プランA＝月額20万円・税抜で相談し放題）と、AI PoCサービス「ココロミ」（スリムプラン月々99万円〜・スタンダードプラン月々250万円〜）を提供しています。 AI×DX寺子屋 の詳細はこちら 中小製造業のAI導入に関するよくある質問 従業員が数十人の工場でもAIは導入できますか？ 導入できます。本文の枚岡合金工具のように、業務を1つに絞れば小さな投資から始める道があります。 IT導入補助金は2026年もAIの導入に使えますか？ 使えます。名称がデジタル化・AI導入補助金に変わり、AIを含むITツールの導入が対象です。 外観検査のAIにはどの補助金が合いますか？ 設備と一体なら省力化投資補助金の一般型、登録済みのソフトウェアならデジタル化・AI導入補助金が候補です。 AIに詳しい社員がいなくても始められますか？ 始められます。外部と組む道があり、社内では困りごとと判断基準を言葉にできる担当者を決めることが先決です。 まとめ 中小製造業のAI導入率は16.4％で、22〜279名の企業が検査・設備・見積もり・技能伝承・業務アプリ作成にAIを使っている 費用は公表事例で50万円から約1,000万円と幅があり、データ整備と運用費まで含めて見積もる 2026年度はデジタル化・AI導入補助金などが候補で、締切と対象範囲を公募回ごとに確認する 最後までお読みいただき、ありがとうございました。 執筆：株式会社EQUES（東京大学松尾研発のAIスタートアップ。製薬・製造業のAI開発と、AI PoC「ココロミ」・AI相談「AI×DX寺子屋」を提供） 小さく始めるAI導入を相談しませんか AI×DX寺子屋では、対象業務の絞り込みやデータ棚卸しの疑問を東大出身のAI専門家にチャットで相談できます。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
ローカルLLMのセキュリティ｜情報漏洩を防ぐ設計と運用10項目
記事の要約 ローカルLLMのセキュリティとは、自社で動かすLLMから外部送信以外の経路でも情報が漏れない状態を保つことです。ローカル化で防げるのは外部送信と学習への二次利用です。 権限外閲覧、プロンプトインジェクション、悪意あるモデル、推論サーバの外部公開、ツールの脆弱性、ログからの漏洩はローカルでも残り、うち3つは実例が報告されています。 対策は、設計でネットワーク・アクセス制御・ログを固め、運用でモデルの入手元確認とツールの更新、プロンプトインジェクションの多層対策、攻撃者視点の検査を回す二段構えです。 「ローカルLLMなら情報漏洩は起きない」。この前提のまま導入を進めると、セキュリティ審査や法務確認で説明に詰まりかねません。ローカルLLMのセキュリティ対策は、外部送信を止めた後にも残ります。 本記事では、防げるリスクと防げないリスクの対比表、公開調査の実例、設計と運用の対策、10項目のチェックリストを示します。 総務省のガイドラインやセキュリティ企業の調査に、東京大学松尾研発のAIスタートアップとしてローカルLLM開発を手がける弊社の視点を交えます。 ローカルLLMのセキュリティとは？防げるリスクと防げないリスク ローカルLLM（＝自社のサーバやPCの中で動かす大規模言語モデル）のセキュリティとは、外部送信以外の経路も含めて、情報が漏れない状態を保つことです。前提として、AIの脆弱性（＝攻撃に悪用されうる欠陥）はなくしきれません（AI事業者ガイドライン第1.2版）。 社内向けRAG（検索拡張生成。＝社内文書を検索し、その内容を根拠に答えさせる仕組み）でも、組織内の利用者が攻撃者になる場面を想定しておきます（総務省の技術ガイドラインの想定事例）。主な手口はプロンプトインジェクション（＝細工した指示文でAIに不正な出力をさせる攻撃）です。 リスクローカル化で主な対策外部AIサービスへの送信防げるクラウド機能の無効化入力の学習への二次利用防げる送信停止で解消社内の権限外閲覧防げない参照権限を元文書と揃えるプロンプトインジェクション防げない入出力の検証と権限の絞り込み悪意あるモデルファイル防げない入手元と形式の確認サーバの外部公開防げない社内網に閉じ、利用者を確認ログからの漏洩防げない保存期間と閲覧者の限定実行ツールの脆弱性防げないソフトの更新 「防げない」項目に共通するのは、漏れる経路が社内の仕組みにある点です。モデルは質問者の権限を知らず、読める文書は誰にでも答え、文書に紛れた指示にも従います。だから審査では、置き場所より何を読ませ誰に使わせるかを見ます。 「防げる」2項目にも条件があります。代表的な実行ツール（＝手元のPCやサーバでLLMを動かすソフト）のOllamaはクラウド上のモデルやWeb検索も使え、その場合は入力が外部で処理されます。ローカル専用の設定にすれば、誤って外部に送る経路を断てます。 ローカルLLMの動く仕組みと必要なスペックは「ローカルLLMとは？仕組みとメリット・必要なPCスペック2026」で解説しています。 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）」（2026年3月）、総務省「AIのセキュリティ確保のための技術的対策に係るガイドライン」（2026年3月）、Ollama「FAQ」（2026年10月12日確認） ローカルLLMで実際に起きているセキュリティ問題3選 表の「防げない」リスクは、すでに現実に起きています。セキュリティ企業の公開調査から3つを取り上げます。 クラウドの生成AIで起きた漏洩事例は「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」で扱っています。 1. 推論サーバの外部公開：誰でも使えるOllama 推論サーバ（＝モデルを動かし、質問に答える処理を担うサーバ）の設定ミスは多発しています。Cisco Talosは2025年9月、インターネットに公開されたOllamaを1,139件見つけ、うち214件はモデルが稼働し誰でも使える状態でした。 SentinelOneとCensysは、293日間の観測で130か国・175,108台の公開Ollamaを確認しました。 通常のインストールでは自分のPCからしか接続できず（Docker版は初期状態で外部から接続できます）、外部への公開は設定を1つ変えるだけで起きます。自社で確かめるなら、社外の回線から接続を試すのが確実です。 2. 悪意あるモデルファイル：読み込むだけでコードが動く JFrogは2024年2月、AIモデルの共有サイトHugging Face上で、実害のある処理を仕込んだモデルを約100件特定しました。分析例はpickle（＝読み込み時にコードを実行できるPythonの保存形式）を悪用し、読み込んだ端末を攻撃者が操作できる状態にするものでした。 配布サイトの自動検査にも見落としはありうるため（Hugging Face公式の注記）、検査の通過は安全の証明にはなりません。 3. 実行ツールの脆弱性：OllamaのCVE-2024-37032 Wizは2024年6月、Ollamaに遠隔からコードを実行できる脆弱性（CVE-2024-37032）を公表し、修正版0.1.34以降への更新を呼びかけました。CVE（＝公開された脆弱性に付く共通の識別番号）が付いた欠陥は、更新しない限り残ります。 その後も2026年5月に、0.17.1未満のOllamaで認証なしにメモリの内容が漏れうる脆弱性（CVE-2026-7482）が公表されました。修正版の番号は随時変わるため、公式のリリース情報で最新版を確かめます。 Wizは当時、Ollamaに標準の認証（＝利用者が本人かを確かめる仕組み）機能がない点も指摘しました。脆弱性と外部公開が重なると被害が広がるため、次章の設計で入口を断ちます。 参照元：Cisco「Detecting Exposed LLM Servers: Shodan Case Study on Ollama」（2025年9月）、SentinelOne「Silent Brothers」（2026年3月更新）、JFrog「Examining Malicious Hugging Face ML Models with Silent Backdoor」（2024年2月）、Hugging Face「Pickle Scanning」（2026年10月12日確認）、Wiz「Probllama: Ollama Remote Code Execution Vulnerability」（2024年6月）、CVE Program「CVE-2026-7482」（2026年5月） ローカルLLMのセキュリティ設計：ネットワーク・アクセス制御・ログ 設計の要点は、外から入れない・中でも見せすぎない・後から追えるの3つです。LLM特有の対策だけでなく、監査ログ（＝誰がいつ何をしたかを後から確かめる記録）の保存や開発者の権限管理といった情報システムの基本対策も欠かせません（総務省の技術ガイドライン）。 ネットワーク：推論サーバを閉域網の内側に置く 推論サーバは閉域網（＝インターネットから切り離した社内専用のネットワーク）の内側に置き、インターネットから到達できないことを確かめます。公開範囲を広げる設定変更は、申請と承認の対象にします。 複数人で使うなら、API（＝ソフト同士がやり取りする窓口）の手前に認証を担う中継サーバを置き、外向きの通信も必要な宛先だけに絞ります。 アクセス制御：RAGの参照権限を元文書と揃える RAGの参照権限は、元文書の閲覧権限と揃えます。全社の文書を1つの検索対象にまとめると、人事評価や契約書のように一部の人しか見られない情報も、質問次第で他部署にも回答されかねません。 参照権限は利用者や役割ごとに設定し、AIが操作できる範囲も必要最小限に絞ります（総務省の技術ガイドラインの対策例）。AIに書き込み権限を渡すなら、人の承認を挟むのが安全です。 ログ：残す項目・期間・閲覧者を決める ログは追跡の手段であると同時に、新たな漏洩源です。利用者が入力したプロンプト（＝AIへの指示や質問の文章）には、顧客名や未公開の数値がそのまま含まれうるためです。 誰がいつ何を参照したかは監査ログとして残し、プロンプト本文は保存期間を区切って閲覧者を限定します。ログの保存可否や閲覧範囲は用途ごとに決める事項なので、法務と社内規程をすり合わせておきます。 ローカルLLMの運用で回す3つのセキュリティ対策 設計を固めても、導入後にモデルや実行ツールは更新され、攻撃の手口も日々変わります。対策は一度で終わらず、モデルを入れ替えたときや自社データで学び直させたときに見直します（総務省の技術ガイドライン）。見直しの頻度は一律ではなく、用途とコストに応じて決めます。 1. モデルと実行ツールの入手元・更新を管理する モデルは公式の配布元から入手し、形式とハッシュ値を記録します。ハッシュ値（＝ファイルの改ざんを見分ける固有の値）や電子署名を照合すれば、差し替えに気づけます。 形式はsafetensors（＝モデルの本体である重みだけを保存し、コードを含まない形式）を優先します。pickle形式は読み込み時にコードが走り、開く操作そのものが攻撃の入口になるためです。 実行ツールの更新は、担当者と頻度を決めて回します。閉域網のサーバは自動更新されにくく、修正版が出ても古い版が残りやすいためです。 2. プロンプトインジェクションに多層で備える プロンプトインジェクションは、1つの対策では防ぎきれない前提で備えます。モデルは指示と資料を区別せず同じ文章として読むため、資料に書かれた指示にも従いかねないからです。攻撃の文を言い換えられると検査をすり抜けるため、入力の検査だけでは閉じません。 RAGや追加学習（＝既存のモデルに自社データを追加で学ばせること）を取り入れても、この攻撃のリスクは残ります。 OWASP（＝ソフトウェアの安全性向上に取り組む国際的な非営利団体）の「Top 10 for LLM Applications 2025」でも、プロンプトインジェクションは10リスクの筆頭に置かれています。 対策は、入力・参照文書・出力の検証と、システムプロンプト（＝AIに事前に与える設定の指示文）に機密を書かないことです。三か所に分けるのは、1か所を抜けられても次で止め、被害をAIの権限の範囲に限るためです。 3. レッドチーミングで定期的に試す 本番前と大きな変更の後には、攻撃者の立場で弱点を試します。この検査をレッドチーミング（＝攻撃役を立てて防御の穴を探す検査）と呼びます。飛ばすと、対策が書類の上で揃っていても、抜けられるかを確かめないまま本番に進みます。 手順は、国のAI安全性の専門機関であるAIセーフティ・インスティテュートのレッドチーミング手法ガイド（第1.10版）が参考になります。 参照元：OWASP「Top 10 for LLM Applications 2025」（2024年11月）、AIセーフティ・インスティテュート「AIセーフティに関するレッドチーミング手法ガイド」（第1.10版・2025年3月） ローカルLLMのセキュリティチェックリスト10項目 導入前と定期点検で使える10項目にまとめます。1つでも未確認があれば、本番利用の前に埋めることをおすすめします。 推論サーバが閉域網の内側だけにあるか APIに認証をかけ、外向きの通信を絞ったか 実行ツールのクラウド機能を無効にしたか RAGの参照権限を元文書の閲覧権限と揃えたか AIが操作できるシステムと権限を最小限にしたか ログの保存項目・保存期間・閲覧者を決めたか モデルの入手元・形式・ハッシュ値を記録したか 更新を確認する担当と頻度を決めたか 入出力の検証を入れ、システムプロンプトに機密を書いていないか 本番前と変更後にレッドチーミングを行うか 項目は入口（閉域網・認証・クラウド機能）、中身（権限とログ）、運用の順です。入口が開いていれば権限設定は意味を失い、権限が緩ければ漏洩そのものは止められず、ログで後から追うだけになります。だから上から順に確かめます。 構築の進め方と費用の考え方は、「ローカルLLM構築の進め方・費用と失敗しない注意点【事業責任者向け】」で詳しく解説しています。 ローカルLLMのセキュリティは設計と運用をまたぎ、情シスだけでは判断しにくい論点が残ります。弊社は、AI・DXの疑問を東大出身の専門家にチャットで相談できる「AI×DX寺子屋」（プランA＝月額20万円・税抜で相談し放題）を提供しています。 安全な構成を自社データで小さく確かめたい段階なら、AI PoC（＝本番開発の前に小さく行う技術検証）サービス「ココロミ」でご一緒できます。 ココロミ の詳細はこちら ローカルLLMのセキュリティに関するよくある質問 ローカルLLMなら情報漏洩は起きませんか？ 外部送信と学習への二次利用は防げますが、権限外閲覧、プロンプトインジェクション、ログ、サーバの外部公開は残ります。 インターネットから切り離せば、追加の対策は不要ですか？ 外部公開と外部送信は防げますが、社内の利用者による攻撃や権限外閲覧は残ります。切り離すと更新も止まりやすいため、持ち込む手順を決めておきます。 Hugging Faceで公開されているモデルは安全ですか？ 公開されているだけでは安全とはいえません。開発元の公式アカウントから入手し、safetensors形式を選び、ハッシュ値を記録してください。改変版や再配布版（＝開発元以外が配り直したモデル）は出所を確かめてから使います。 法務の立場では、何を確認すればよいですか？ ログに残る情報の範囲・保存期間・閲覧者と、社内規程との整合を確認します。対策と管理の記録は、法的な備えにもなります。秘密情報を適切に管理していれば、漏洩しても営業秘密の秘密管理性（＝秘密として管理されていたと認められること）を満たしうると考えられます（総務省の技術ガイドライン）。営業秘密と認められるには、有用性と非公知性（＝一般に知られていないこと）の要件も満たす必要があります。 まとめ ローカルLLMのセキュリティ対策は、外部送信を止めた後に残るリスクを、設計と運用で埋める作業です。ローカル化は対策の出発点であり、終点ではありません。 防げるのは外部送信と学習への二次利用で、権限外閲覧・攻撃・モデル・ログは残る 設計では推論サーバを閉域網と認証の内側に置き、RAGの権限とログの範囲を決める 運用ではモデルの入手元確認と更新、多層の攻撃対策、レッドチーミングを回す 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。 執筆：株式会社EQUES（東京大学松尾研発のAIスタートアップ。製薬・製造業のAI開発と、AI PoC「ココロミ」・AI相談「AI×DX寺子屋」を提供） ローカルLLMの安全な構成を相談しませんか AI×DX寺子屋では、セキュリティ設計や運用の疑問を東大出身のAI専門家にチャットで相談できます。まずは無料相談からどうぞ。 無料で相談する AI×DX寺子屋を見る
GMP文書をAIで作成する方法｜SOP・記録の5ステップと注意点
記事の要約 GMP文書のAI作成とは、SOP（＝作業の手順を定めた文書）や記録の草案・転記・照合をAIに任せ、判断と承認は人が担う分業のことです。 AIでの作成を禁じる規制は確認できません。EUのAI付属書案は生成AIを重要なGMP用途から外しています（見直しを議論中）。FDAは警告書でAI作成文書の確認不足を指摘しました。 AIで作った文書は作成者・日時・モデルの版、プロンプト（＝AIへの指示文）と出力、レビュー記録を残し、ALCOA+（＝記録の信頼性を保つための原則）で説明できる状態にします。 変更申請書の作成やSOPの改訂に追われ、本来の判断業務に時間が回らない。製薬の品質保証や製造の現場でよく聞く悩みです。生成AIで草案を作れば早くなりそうでも、査察（＝規制当局が製造所の管理状況を確かめる立ち入り調査）で説明できるのかという不安が先に立ちます。 本記事では、GMP文書をAIで作成する手順と、任せる作業の切り分け、規制の現在地、記録の注意点、他社事例を解説します。 東京大学松尾研発のAIスタートアップとして製薬企業の品質保証業務のAI化を手がける弊社の経験も踏まえています。 GMP文書のAI作成とは？AIに任せる作業と人が担保する点 GMP文書とは、GMP省令（＝医薬品の製造管理と品質管理の基準を定めた省令）に基づく品質保証のための手順書や記録の総称です。 種類と管理の基本は「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」に譲ります。 AIで作成するときの原則は、AIは草案を書き、責任を負うのは人という分業です。AIは文章化・転記・照合・要約・翻訳を担い、判断と承認・署名は品質保証部門が担います。 対象になりやすいのは、SOP、製造・試験の記録、逸脱（＝定めた手順や基準から外れた事象）の報告書とCAPA（是正措置・予防措置）、変更管理の申請書です。 文書の種類AIに任せやすい作業人が担保すべき点注意点SOP（手順書）改訂案の作成、旧版との差分整理、英訳自社設備・検証済み条件との一致、承認一般論の手順が混じる製造記録・試験記録様式の作成、転記、記載漏れの確認原データとの一致、記録者の署名値をAIに生成させない逸脱報告書・CAPA経緯の整理、類似事例の検索、下書き原因の特定、重大性の判定、対策の決定推測が事実のように書かれる変更申請書様式への記入、関連文書の洗い出し品質と承認事項への影響評価、承認関連文書の漏れを人が確認製品標準書・承認書関連文書間の齟齬候補の抽出、要約齟齬の正誤判断と修正候補は判断材料にとどめる 記録の値そのものをAIに作らせないことが最も重要な線引きです。製造記録の数値は現場で測った原データが正です。 線引きが要るのは、生成AIが学習した文例から文章を組み立てる道具だからです。自社の条件を与えなければ一般論で空白を埋め、値を求めればもっともらしい数値を作り、自然な文章に紛れ込ませます。 現場では、自社にない設備名や温度条件が違和感のない文で書かれます。だから草案は、固有の条件が参照文書から来ているかを先に見ます。 GMP文書をAIで作成する5ステップ AIで作った文書も既存の承認の流れに乗せるのが全体の前提です。AIで短縮した時間は、後半の確認に充てるよう人員と期限を設計します。 1. 対象文書とAIの用途を決める AIを使う文書と作業を一覧にし、品質への影響が小さく定型性の高い文書から始めます。変更申請書や教育資料の草案は入口に向き、出荷判定に関わる文書は後回しにします。 切り分けを飛ばして影響の大きい文書から試すと、一度の誤りで信頼を失い、定型文書の効率化まで止まります。確認する人と段階も決め、社内の手順書に書いておきます。 2. テンプレートと参照文書を固定する 自社の様式と、現行版の製品標準書・承認書・関連SOPを版番号を指定した参照文書として登録します。 参照先を固定しないと、旧版や一般論から書かれた草案が混じります。AIは与えた文書と学習済みの知識を区別せずに文章を組み立て、参照が曖昧な箇所を知識側で埋めるからです。入力してよい情報の範囲もここで決めます。 3. 事実を入力し、AIに草案を作らせる 草案の生成では、変更の内容・理由・対象設備など判断に必要な事実は人が入力し、AIは文章化と転記を担います。事実を省いて頼むと、AIは理由や影響範囲を推測で補い、それが事実の顔をして残ります。 プロンプト（＝AIへの指示文）に、根拠とした文書名と条項を出力へ書かせる指示を入れると、根拠の無い文がひと目で分かりレビューが速くなります。 4. 担当者がレビューし、修正を記録する レビューでは、草案を原データ・承認書・現行SOPと突き合わせ、数値・工程・用語を確認します。生成AIはハルシネーション（＝もっともらしい誤りを出力する現象）を避けられないため、流暢な文章ほど慎重に読みます。 流暢なほど危ないのは、生成AIが文のつながりの自然さを優先して語を選び、誤った数値や工程も文脈になじんで出てくるからです。文の流れで正しさを判断すると見逃します。直した差分を残すと、テンプレートの改善にも使えます。 5. 承認・署名し、版管理と教育訓練に載せる 通常のGMP文書と同じく、品質保証部門の承認と署名を経て版管理に載せます。改訂したSOPは、関係者の教育訓練を済ませてから運用に入ります。教育を飛ばすと、文書だけ新しく作業は旧手順のままという不整合が、逸脱の形で表に出ます。 保管と配付は既存の文書管理システムに任せるのが現実的で、選び方は「GMP文書管理システムの選び方｜必須機能と主要7製品比較2026」で解説しています。 GMP文書のAI作成をめぐる規制の現在地【2026年10月時点】 2026年10月時点で生成AIによるGMP文書の作成を禁じる規制は確認できず、既存のGMPと記録の信頼性の要件がそのまま適用されます。不整合をなくす義務は作成の手段を問わず、AIの草案をそのまま運用した不整合の責任は承認した企業に残ります。 規制・文書発行元・時期ステータスGMP文書のAI作成への意味改正GMP省令厚生労働省・2021年8月施行施行中手順書と記録の欠落・不正確・不整合をなくす（第20条第2項）コンピュータ化システム適正管理ガイドライン厚生労働省・2010年10月適用中GMP業務に使うシステムを開発から廃棄まで検証・管理PIC/S PI 041-1PIC/S（各国GMP査察当局の協力枠組み）・2021年7月発効済みデータのライフサイクル全体でALCOA+を確保EU GMP第4章（文書化）・Annex 11（コンピュータ化システム）改訂案、Annex 22（AI）案欧州委員会・2025年7月案（意見募集は2025年10月に終了）生成AIは重要なGMP用途に使わず、他は有資格者が出力を確認（生成AIの扱いは見直しを議論中）FDA AIドラフトガイダンス米国FDA・2025年1月ドラフト安全性や品質に影響しない申請書の下書きなどは対象外 EUの第4章改訂案は、AIで作成・処理した文書や記録の信頼性に対する責任を企業側に置いています。Annex 22（＝EU GMPガイドラインのAIに関する付属書）の案は、生成AIを重要なGMP用途から外しています。 ただし、2026年6〜7月のワークショップの報告（欧州医薬品庁・10月公開）では、リスクに基づく管理を条件に生成AIも対象に含めるよう範囲の見直しが議論されています。確定版で扱いが変わりえます。 米国では、FDAが2026年4月2日付の警告書（＝FDAが違反を指摘し是正を求める公式文書）で、AIで製品規格・手順書・マスター製造記録（＝製造指図の原本）を作りながら、その正確性とCGMP（＝米国の医薬品の製造・品質管理の規則）への適合を確認していなかった企業を指摘しました。 根拠は品質部門の責任を定めた規則で、違反とされたのはAIの利用そのものではなく、確認しなかったことです。警告書は、AIへの過度の依存も指摘しています。 作成が速くなった分だけ確認が省かれると、この型の指摘を受けやすくなります。整えるべきは、AIの選定より、確認した事実が承認の記録に残る仕組みです。 参照元：厚生労働省「GMP省令」（2021年8月改正施行）、「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）／PIC/S「PI 041-1」（2021年7月）／欧州委員会「EU GMP第4章・Annex 11・Annex 22の意見募集」（2025年7月）／EMA「Annex 22ワークショップ」（2026年6〜7月開催・報告書は2026年10月公開）／FDA「警告書320-26-58」（2026年4月）、「AIに関するドラフトガイダンス」（2025年1月） データインテグリティ上の注意：AI生成物をALCOA+で記録する AIで作った文書も、データインテグリティ（＝記録が完全・正確で改ざんのない状態）の対象です。査察では「誰が、いつ、何に基づいて作ったか」を問われます。 AIの草案は人の手書きと違い、作成者の名前だけでは成り立ちを再現できません。残るのが最終版だけならAIがどこまで書き人がどこを直したかを査察で示せず、プロンプトと修正前の出力があって初めて説明できます。通常の承認記録に加えてALCOA+の観点で残すべき記録は次の4つです。 帰属性・同時性：草案を作った担当者、生成日時、モデル名と版、テンプレートの版 原本性・完全性：入力したプロンプト、参照文書、修正前のAIの出力 正確性・一貫性：レビューで確認した項目、修正の差分、レビュー者 判読性・永続性・利用可能性：上記を承認済み文書に紐づけ、保存期間中に読める形で取り出せる状態 AIツール自体もCSV（コンピュータ化システムバリデーション。＝業務に使うシステムが意図どおり動くことの検証）の対象になりえます。ただし生成AIは同じ入力でも出力が変わりうるため、出力を毎回人が確認する運用を前提に検証範囲を絞るのが現実的です。 モデルの更新で出力の傾向が変わることもあるため、版を変えるときは変更管理の対象にします。 各原則と監査証跡（＝誰がいつ何を変えたかの自動記録）は「データインテグリティとは？意味・ALCOA＋原則・製薬GMPでの対応方法を解説」で解説しています。 GMP文書・規制文書の作成に生成AIを使う他社事例3選 製薬企業による生成AIの文書作成のうち、公表資料で内容を確認できた3件を紹介します。効果の数字は試験・検証・目標の段階のもので、本番運用の実績ではありません。 1. GSK：逸脱調査報告書の作成支援ツールを試作 英製薬大手GSKのシンガポール・ジュロン工場は、同国の政府機関とGoogle Cloudによる共同プログラムで、手順書を検索するGMPアシスタントと、逸脱調査報告書の取りまとめを速めるツールを試作しました。 試験では、報告書作成ツールで年5,000人日、アシスタントで450人日の削減が示されました。 この型では、逸脱の経緯が担当者ごとの記録に散らばり、報告書にまとめる段階で時間を食います。AIが経緯を時系列に整え、人は原因と対策の判断に集中する分担にすると動きます。 2. 塩野義製薬・日立製作所：治験の規制関連文書の初稿を生成 塩野義製薬が保有し、日立製作所との業務提携のもとで開発してきた生成AIのソリューションは、日英が混在する治験情報から要点を抽出し、治験総括報告書（＝治験の結果をまとめた報告書）などの初稿を作成します。2026年2月からは、ライセンスを受けた日立が国内で提供しています。 塩野義のPoC（＝本番開発の前に小さく行う技術検証）では、治験総括報告書の作成時間を約50％削減し（過去の報告書の再現）、治験実施計画書（＝治験の目的や方法を定めた計画書）は約20％の削減でした（新規試験）。 報告書と計画書で削減率が違う背景には、過去の報告書の再現と新規の作成という検証条件の差があります。数字を自社に当てはめるときは、同じ条件かを先に見ます。 3. 韓米薬品：約4,000件の品質文書を最新の規制と照合 韓国の韓米薬品では2026年9月、クラウド事業者のMegazoneCloudによる品質保証向けAIエージェント（＝目的に沿って自律的に作業を進めるAI）の構築が始まりました。約4,000件の品質文書を検索・要約し、最新の規制と照合して不適合箇所を見つける仕組みです。 規制の改訂のたびに約4,000件を人が読み直すのは難しく、この型の運用では、改訂を知らないまま査察で指摘される形で詰まりがちです。規制との相違を査察後に直す運用から、予防型の管理への転換を狙います。関連業務の時間を40％超削減することが目標で、効果は検証を待つ段階です。 参照元：シンガポール経済開発庁「AI Trailblazers」（2024年4月）／日立製作所「塩野義製薬との協創」（2026年2月）／MegazoneCloud「韓米薬品の品質保証AIエージェント構築」（2026年9月） 他社でもAIは草案の作成や文書の照合を担っています。弊社は製薬の品質保証に特化した「QAI Generator」を提供しており、AIが変更申請書などのQA文書を生成します。 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。万協製薬株式会社の導入事例として、変更申請書を含むGMP文書で70％の業務効率化をLP（＝製品の紹介用Webページ）に掲載しています。 承認書や製造手順書の齟齬を段落単位で検出する「QAI Checker」と組み合わせれば、レビューの確認漏れも減らせる見込みです。 参照元：株式会社EQUES「QAI Generator 導入事例・料金」 QAI Generator の詳細はこちら GMP文書のAI作成に関するよくある質問 AIで作成したSOPをそのまま承認してよいですか？ 品質部門が正確性を確認し、確認者と修正内容を記録してから、通常の承認の流れに乗せてください。 汎用の生成AIサービスでGMP文書を作ってもよいですか？ 規制上の禁止は確認できません。未公開の製法などを入力するなら、学習に使われない契約と保存先の確認が前提です。ログと出力を保存でき、モデルの版を把握できる環境を選びます。 どの文書から始めるのが現実的ですか？ 変更申請書や教育資料など、定型性が高く品質への影響が小さい文書が向きます。着手前に作成時間を実測すると、効果を数字で判定できます。 まとめ GMP文書のAI作成の核心は、AIに草案・転記・照合を任せ、判断・承認・署名を人が担う分業を、手順と記録で裏づけることです。 AIに任せるのは文章化と照合で、記録の値と品質の判断はAIに作らせない 用途の決定から承認・版管理までの5段階で、既存の承認の流れに乗せる 作成者・日時・モデルの版、プロンプトと出力、レビュー記録をALCOA+の観点で残す どの文書から始める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。 執筆：株式会社EQUES（東京大学松尾研発のAIスタートアップ。製薬・製造業のAI開発と、AI PoC「ココロミ」・AI相談「AI×DX寺子屋」を提供） GMP文書の草案作成をAIで始めませんか QAI Generatorは2週間の無料トライアルが可能です。文書の齟齬を検出するQAI Checkerとの組み合わせもご相談いただけます。 無料で相談する QAI Checkerを見る
ローカルLLMでRAG構築｜社内文書検索を安全に作る5ステップ
記事の要約 ローカルLLMでのRAG構築とは、文書を検索して根拠に答えさせる仕組み（RAG）を、文書もモデルも自社環境に置いたまま組み上げることです。 構築は文書の前処理、チャンク（＝検索単位の断片）への分割、埋め込み（＝文章の数値化）とベクトルDB（＝数値化した文章の保存先）への登録、検索と生成、評価の5ステップで進めます。 安全面では、閲覧権限を検索の段階で反映し、文書に紛れた命令への対策とログの記録を重ねます。総務省のガイドラインも組織内の利用者による攻撃を想定しています。 「社内規程やマニュアルを生成AIで検索したいが、文書をクラウドには送れない」。こうした制約から、情シスや開発の現場でローカルLLM（＝自社のPCやサーバーで動かす大規模言語モデル）によるRAGの構築が検討されます。 本記事では、ローカルLLMでRAGを構築する手順を、部品の選び方、5つの構築ステップ、セキュリティ設計の順に解説します。 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開発を手がける弊社が、検証の現場で重視する点も添えます。 ローカルLLMでRAGを構築するとは？仕組みとクラウド型との違い RAG（検索拡張生成。＝文書を検索し、その内容を根拠に答えさせる仕組み）は、モデルを学習し直さずに社内の知識を扱えるのが利点です。 文書は事前に埋め込み（＝文章の意味を数値の並びに変換する処理）で数値化し、ベクトルDB（＝数値化した文章を保存し、近いものを探すデータベース）に蓄えます。 埋め込みは、意味の近い文を近い数値に写す処理です。質問も同じ写し方で数値にするため、言い回しが違っても同じ内容の断片が近くに並び、LLMはそれを根拠に答えます。 逆に、索引に無い文書は出てこず、粗く切った断片は関係ない部分ごと拾われて精度を下げます。精度が出ないときは、どの断片が拾われたかを見ると原因が絞れます。 ローカルLLMで構築すると、文書の保管から回答の生成までを自社のサーバーや閉域網（＝インターネットから切り離した専用の通信網）で完結できます。文書を外部のサービスに送らずに済む点が、クラウド型との大きな違いです。 その代わり、計算資源と運用は自社の負担です。推論（＝学習済みモデルで回答を生成する処理）に要るVRAM（＝GPUに載ったメモリ）の目安は「ローカルLLMとは？仕組みとメリット・必要なPCスペック2026」で解説しています。 自治体では、山口県とNTT西日本が、機微なデータを扱うためにオンプレミス（＝自前の施設内に機器を置いて運用する形態）の小型GPUサーバーでLLM「tsuzumi」を動かし、業務マニュアルの検索・要約などを想定した実証を2024年9月に発表しました。 参照元：NTT西日本・山口県「機微データを扱う業務への大規模言語モデルtsuzumi活用に関する実証実験を開始」（2024年9月17日） ローカルRAGを構成する5つの部品と代表ツール【比較表】 ローカルRAGは、実行環境（＝LLMを読み込んで動かすソフト）・生成用LLM・埋め込みモデル・ベクトルDB・フレームワーク（＝部品をつなぐ開発用の道具）の5つの部品で組みます。部品ごとに差し替えられる構成にしておくと、評価に応じて入れ替えられます。 部品代表例選ぶ観点注意点実行環境Ollama、llama.cpp、vLLM試作か、複数人での利用か規模に応じて移行生成用LLMQwen3.8、gpt-oss、Gemma 4など日本語の品質、VRAMに収まるか商用条件がモデルごとに違う埋め込みモデルmultilingual-e5-large、BGE-M3、Ruri v3日本語の検索精度、入力の上限索引と質問で同じモデルを使うベクトルDBChroma、Qdrant、Milvus、pgvector規模、絞り込み、権限管理初期設定の認証の有無フレームワークLangChain、LlamaIndex部品の接続、文書の読み込み版を固定して検証 生成用LLMの商用利用の条件は「ローカルLLMの商用利用｜ライセンスの見方と8モデル比較2026」で比較しています。 実行環境は「1台で試すか、複数人で使うか」で選ぶ 実行環境は、利用の規模で選びます。1台で試すならOllamaかllama.cpp、複数人ならvLLMが主な候補です。 Ollamaはモデルの取得と実行をコマンドで扱え、埋め込みの生成にも対応します。llama.cppはC/C++（＝処理の速さに優れるプログラミング言語）製で、1.5〜8ビットの量子化（＝数値の精度を落としてモデルを軽くする処理）に対応します。 vLLMは多数の問い合わせを効率よくさばくサーバー運用向けのライブラリ（＝プログラムに組み込んで使う部品集）で、OpenAI互換のAPI（＝OpenAIと同じ形式で呼べる窓口）を備えます。 埋め込みモデルとベクトルDBは日本語と権限管理で選ぶ 埋め込みモデルは、日本語の検索精度を大きく左右します。日本語の学習が薄いモデルでは、同じ意味の日本語文が離れた数値に写され、検索で拾えないためです。入力の上限と接頭辞の指定は、公開元の説明書きであるモデルカードで確認します。 multilingual-e5-largeは512トークン（＝モデルが文章を数える単位）を超える入力を切り捨て、文頭に「query: 」「passage: 」を付ける指定があります。接頭辞を省くと性能が落ちると注記されています。 上限を超えた部分は索引に入らず、長い条文の後半だけの例外は「規程にあるのに出てこない」形で現れます。 名古屋大学の研究者が公開したRuri v3は日本語特化で、8,192トークンまで扱えます。BGE-M3は100以上の言語に対応し、意味の近さと語の一致の両方を1つのモデルで扱えます。 ベクトルDBは、試作なら手軽なChroma、絞り込みや権限管理を重視するならQdrantかMilvus、既存のPostgreSQLに載せるならpgvectorが候補です。 参照元：Ollama「Embeddings」、ggml-org「llama.cpp」、vLLM「vLLM」、intfloat「multilingual-e5-large」、BAAI「BGE-M3」、cl-nagoya「ruri-v3-310m」、名古屋大学「Ruri論文」、Chroma「Chroma」、Milvus「Milvus」、pgvector「pgvector」（2026年10月12日確認） ローカルLLMでRAGを構築する5ステップ 構築は、文書の準備から評価までの次の5ステップで進めます。最初は対象を1部署の数十文書に絞り、評価で手応えを確かめてから範囲を広げると、手戻りを抑えられます。とくに入口の前処理と出口の評価を省くと、精度が出ない原因を特定できません。 1. 対象文書を絞り、テキストに変換する 検索させたい文書の種類と範囲を決め、PDFやWordのファイルをテキストに変換します。表や段組みが崩れたまま取り込むと、後の工程で取り戻すのは難しくなります。 変換後のテキストを人が開き、表の行と列の対応や、ヘッダー・フッターの混入を確かめます。改廃の多い規程類は、版数と施行日を控えておくと後の更新管理に使えます。 2. 文書をチャンクに分割し、属性を付ける チャンクは、見出しや条番号など意味の切れ目で区切ります。埋め込みモデルの入力上限より短く切るのが前提で、上限を超えた部分を切り捨てるモデルもあります。 文字数だけで機械的に切ると、条文の原則と例外が別の断片に分かれ、例外だけが拾われて逆の回答が返ることがあります。 各チャンクには、文書名・部署・機密区分・版数などのメタデータ（＝絞り込みに使う付帯情報）を付けます。この属性が、閲覧権限を検索結果に反映する土台になります。 3. 埋め込みを作り、ベクトルDBに登録する チャンクを埋め込みモデルで数値化し、メタデータと一緒にベクトルDBへ登録します。索引の作成と質問の数値化には同じモデルを使います（Ollama公式ドキュメント）。モデルが違えば数値への写し方も違い、同じ文が別の位置に置かれて近さの比較が成り立たないためです。 埋め込みモデルを後から替えると、全文書の数値化をやり直すことになります。文書が増える前に、候補のモデルを自社の文書で比べておくと作り直しを防げます。 4. 検索結果をLLMに渡して回答を生成する 質問を同じモデルで数値化し、近いチャンクを上位から数件取り出してLLMに渡します。渡した文書の範囲で答え、根拠の文書名を示すよう、システムプロンプト（＝LLMに事前に与える指示文）で指定します。 埋め込みは意味の近さで探すため、型番の一字違いを軽く見て、似た型番の別製品が返ることがあります。型番や条番号など文字列の一致が手がかりになる質問には、キーワード検索を併用します。処理の連結にはLangChainやLlamaIndexが使えます。 5. 想定質問で検索と回答を評価する 現場の担当者から実際の質問と正解の文書を集め、評価用の質問集を作ります。正解の文書が検索の上位に入ったかと、回答が文書に忠実かを分けて記録すると、直す場所が分かります。 精度が届かないときは、原因が検索と生成のどちらにあるかを先に切り分けます。検索で正解が落ちていれば、生成の指示を直しても答えは良くならないためです。直し方は「RAG導入で精度が出ない3つの原因と改善手順【2026年版】」で解説しています。 参照元：LangChain「LangChain」、LlamaIndex「LlamaIndex」 社内文書検索を安全にするローカルRAGのセキュリティ設計 ローカル構成でも、社内の利用者が権限外の文書を引き出す経路は残ります。外部送信を止めることと、社内での見せ分けは別の対策です。 総務省の技術的対策ガイドライン（2026年3月）も、RAGを使う社内向けチャットボットを想定事例に挙げ、組織内の利用者による攻撃を想定しています。次の3点を設計に組み込みます。 1. 閲覧権限を検索の段階で反映する 権限は、LLMに渡す前の検索の段階で絞り込みます。チャンクに付けた部署や機密区分を利用者の所属と照らし、閲覧できない文書を検索結果から除きます。 LLMへの「見せないで」という指示だけでは、巧妙な質問で破られるおそれがあります。 ベクトルDB自体の認証も確かめます。Qdrantは、最小構成の起動では認証がかからないと注意を促しています。 2. プロンプトインジェクションに備える プロンプトインジェクション（＝文書や入力に紛れた命令でAIを誤動作させる攻撃）は、RAGでは取り込んだ文書からも入り込みます。検索対象の文書が攻撃の入口になる点がRAG特有のリスクです。 対策は、参照文書を指示ではなく資料として扱わせる指示文、入力・参照文書・出力の検証、LLMに与える権限の最小化を重ねることです。セキュリティの非営利団体OWASPも、確実な防止策があるかは不明として多層の対策を勧めています。 3. ログとモデル・文書の更新を管理する 質問・検索された文書・回答をログに残します。ログは原因究明と監査の証拠になるため、保存期間と閲覧できる人の範囲も決めておきます。 文書の改廃はインデックス（＝検索用の索引データ）にすぐ反映し、廃止した版が回答に出ないようにします。モデルを更新したときは、質問集で測り直してから切り替えます。 参照元：総務省「AIのセキュリティ確保のための技術的対策に係るガイドライン」（2026年3月）、OWASP「LLM01:2025 Prompt Injection」（Top 10 for LLM Applications 2025・2024年11月）、Qdrant「Qdrant」 このように、ローカルRAGは部品選びと権限設計を同時に進める必要があります。こうした検討に対し、弊社は東大出身のAI専門家にチャットで相談できる「AI×DX寺子屋」（プランA＝月額20万円・税抜で相談し放題）を提供しています。 本番開発の前に自社データで小さく検証する段階では、AI PoCサービス「ココロミ」（スリムプラン月々99万円〜・スタンダードプラン月々250万円〜）でご一緒できます。 例えばSOLIZE PARTNERS株式会社とのPoCでは、形状データから設計の知見を提案するAIを検証し、過去資料や文献を検索する手間をかけずに設計のヒントを得られるようになりました。 参照元：株式会社EQUES「SOLIZE PARTNERS株式会社 導入事例」 ココロミ の詳細はこちら ローカルLLMのRAG構築に関するよくある質問 GPUのないPCでも試せますか？ 小さなモデルなら試せます。llama.cppはCPUだけでも動作し、量子化でメモリ使用量を抑えられます。ただし応答は遅く、複数人で使う本番はGPUを前提に見積もります。 RAGとファインチューニングはどう使い分けますか？ 文書の更新が多く根拠を示したいならRAG、専門知識を覚えさせたいならファインチューニング（＝自社データでモデルを追加学習すること）が向きます。中国電力とNTTドコモビジネスは、RAGなどでは実務に十分な精度が出ない場合があったとして、「tsuzumi 2」に業務データを学習させる検証を始めました（2026年1月発表）。方法は「ローカルLLMでファインチューニングを行う方法とは？手順や必要な環境を解説」をご覧ください。 埋め込みモデルは日本語特化と多言語のどちらがよいですか？ 自社の文書と想定質問で比べて選びます。日本語中心ならRuri v3などの日本語特化、英語の資料も混ざるならBGE-M3などの多言語が候補です。 ローカル構成なら情報漏洩の心配はありませんか？ 外部送信は抑えられますが、権限外の文書の表示や文書に紛れた命令による誤回答は残ります。モデルの取得元の信頼性も確かめます。 まとめ ローカルLLMでのRAG構築は、部品を差し替えられる形で組み、評価と権限設計を最初から入れることが近道です。 日本語では、埋め込みモデルの選択と入力上限・接頭辞の確認が検索精度を左右する 前処理、分割、埋め込みと登録、検索と生成、評価の5ステップで進め、検索と生成を分けて測る 閲覧権限は検索の段階で反映し、プロンプトインジェクション対策とログ・更新の管理を重ねる ローカルLLMでのRAG構築の進め方に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。 執筆：株式会社EQUES（東京大学松尾研発のAIスタートアップ。製薬・製造業のAI開発と、AI PoC「ココロミ」・AI相談「AI×DX寺子屋」を提供） ローカルRAGの設計をチャットで相談しませんか AI×DX寺子屋では、部品選びや権限設計の疑問を東大出身のAI専門家にチャットで相談できます。まずは無料相談からどうぞ。 無料で相談する AI×DX寺子屋を見る
ローカルLLMの日本語モデル比較｜業務向け7選と選び方2026
記事の要約 ローカルLLMの日本語モデルとは、社内のPCやサーバーで動かせる公開モデルのうち日本語に対応したもののことで、国産の独自開発、日本語の追加学習、海外の多言語の3系統があります。 日本語性能は公開ベンチマーク（＝性能を測る共通の試験）で目安がつきますが、尺度や測定時期が評価ごとに違うため、点数は候補の絞り込みに使い、最終判断は自社の文書で行います。 モデル本体のメモリは規模と量子化（＝数値を粗くして軽くする処理）で決まり、Gemma 4の最大サイズも4ビットなら約17.5GBで、文章が長いほど上乗せが要ります。 「機密文書を扱うのでローカルLLMを使いたいが、日本語で実用になるモデルが分からない」。情シスや開発の責任者からよく聞く悩みです。日本語の自然さはモデルによって差が大きく、英語中心の評価だけでは選べません。 本記事では、ローカルLLMの日本語モデルを7つ比較し、日本語性能の見方、用途別の選び方、必要なGPUメモリの目安を解説します。 東京大学松尾研発のAIスタートアップとして製薬・製造業の生成AI開発やローカルLLM開発を手がける弊社が、選定で見ている観点で整理しました。読み終えたとき、自社に合う候補を2〜3個に絞れることがゴールです。 ローカルLLMの日本語モデルとは？3つの系統と比較の前提 ローカルLLMの日本語モデルとは、社内のPCやサーバーで動かせて、日本語の学習や評価が公表されているモデルのことです。前提は、オープンウェイト（＝モデル本体のデータが公開され、手元で動かせる形）であることです。 日本語への対応のさせ方で、モデルは3つの系統に分かれます。系統ごとに日本語の強さの出どころが違うため、最初に見分けておきます。 国産の独自開発：日本語を多く含む文章でゼロから学習（LLM-jp、Sarashina、Stockmark） 日本語の追加学習：既存のモデルに日本語を上乗せ（Swallow、ELYZA） 海外の多言語モデル：多数の言語を同時に学習（Qwen、Gemma） 規模はパラメータ（＝モデル内部の数値の数）で表し、「8B」は80億個です。規模が大きいほど賢くなる傾向がある一方、必要なメモリも増えます。 モデル本体を公開していないtsuzumi 2（NTT）などは対象外とし、国産LLMの政策面は「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」に譲ります。 ローカルLLMの日本語性能の見方｜ベンチマークとモデルカードの読み方 日本語性能は、公開ベンチマークの点数と、開発元のモデルカード（＝仕様や評価結果を記した公式の説明書）で確かめます。大事なのは点数の高さより「何を測った点数か」です。 評価（運営）何を測るかJGLUE（ヤフー・早稲田大学）文の分類や読解など日本語理解の基礎（自動採点）Japanese MT-Bench（Stability AI）執筆・推論など8分野の自由記述（審査役のAIが10点満点で採点）Nejumi LLMリーダーボード4（Weights & Biases Japan）翻訳・推論・コードなどの汎用言語性能と、指示の順守・安全性など、人の意図に沿う度合いSwallow LLM Leaderboard v2（東京科学大学・産業技術総合研究所（産総研））質問応答・翻訳・数学・コードなど高難度の日本語課題 点数を読むときの注意は3つです。第1に、尺度が公表元ごとに違います。同じ日本語MT-Benchでも、Qwen3 Swallow 32Bの公表値は0.894、ストックマークは7.87と桁がそろっていません。 第2に、測定時期と比較相手で順位が変わります。「同規模で最高」は公開時点の比較で、数か月で塗り替わります。 第3に、開発元の公表値は自己評価です。条件を開発元が選んでいるため、第三者の評価と照らし合わせます。 そのため、ベンチマークは候補を2〜3個に絞る一次選別に使い、最終判断は自社の文書で行うのが現実的です。 参照元：Swallowプロジェクト「Qwen3 Swallow」（2026年2月20日）、ストックマーク「Stockmark-2-100B-Instruct」（2026年10月12日確認） ローカルLLMの日本語モデル7選の比較表【2026年10月12日確認】 国内開発の5つと海外の2つを公式情報で確認しました。メモリの目安は4ビット量子化時のモデル本体の計算値で、実際には会話の長さなどに応じたメモリが加わります。 サイズの「32B-A3B」は、MoE（＝複数の専門部分を切り替えて使う構造）で総数32Bのうち一度に動かすのが3B分という意味です。 モデル（公開元）日本語の学習主なサイズ4ビット時の目安向く用途ライセンスLLM-jp-4.1（国立情報学研究所）ゼロから学習8B／32B-A3B／33B約4〜17GBデータの説明が要る業務・推論Apache 2.0Sarashina2.2（SB Intuitions）ゼロから学習0.5B／1B／3B約0.4〜1.7GB端末での定型作業MITStockmark-2-100B-Instruct（ストックマーク）ゼロから学習96B約48GBサーバーでの対話・文書作成MITQwen3 Swallow（東京科学大学・産総研）海外モデルに追加学習8B／30B-A3B／32B約4〜16GB英日翻訳・推論Apache 2.0ELYZA-Thinking-1.0-llm-jp-4（ELYZA）国産モデルに追加学習32B-A3B／33B約16〜17GB指示の順守・日本の知識Apache 2.0Qwen3.5（Alibaba Cloud）多言語（201の言語・方言）0.8B〜397B-A17B27Bで約14GB長文・画像を含む資料Apache 2.0Gemma 4（Google DeepMind）多言語（140超の言語で学習）E2B〜31Bの5種約2.9〜17.5GB（公式値）PCでの汎用用途・画像入力Apache 2.0 ライセンスは7つとも商用利用を認める標準型です。表示義務などの読み方は「ローカルLLMの商用利用｜ライセンスの見方と8モデル比較2026」に譲ります。 1. LLM-jp-4.1：学習データまで公開された国産モデル 国立情報学研究所が2026年9月に公開した、約11.7兆トークン（＝AIが文章を処理する単位）でゼロから学習したモデルです。学習に使った文章の大半が公開されているため、データの出どころを説明する必要がある業務に向きます。 答える前に考える過程を経る推論型として調整され、外部ツールを呼び出す力の日本語での評価も公表されています。 2. Sarashina2.2：小さなメモリで動く小型モデル SB Intuitionsが公開した0.5B〜3Bの小型モデルで、日本語・英語・コードを含む10兆トークンを土台に学習しています。3Bでも4ビットならモデル本体は約1.7GBです。 手元の端末で定型文の作成や分類を試す入口に向きます。3Bの日本語MT-Benchは6.51で、比較した同規模のモデルを上回ったと公表されています。 3. Stockmark-2-100B-Instruct：日本語を重視した大型モデル ストックマークが日本語を重視してゼロから学習した、約1,000億パラメータのモデルです。学習データの3割が日本語で、日本語の合成データ（＝人工的に作った学習用データ）で指示への応じ方を調整しています。 4ビットでも計算上約48GBとGPUサーバー向けの規模です。3.2万トークンまでの文脈（＝一度に読み込める入力の範囲）を扱え、日本語MT-Benchの平均は7.87と公表されています。 4. Qwen3 Swallow：海外モデルに日本語を上乗せ 東京科学大学と産総研が2026年2月に公開した、AlibabaのQwen3に日本語を追加学習したモデルです。日本語の知識と英日翻訳を強め、数学やコードの力は維持か改善を目指したと公表されています。 32Bは、公開時点で32B以下のオープンなLLMの中で日本語課題の平均が最も高かったとされます。4ビット量子化済みの版も公式に配布されています。 5. ELYZA-Thinking-1.0-llm-jp-4：国産基盤の推論型モデル ELYZAが2026年10月に公開した、国産のLLM-jp-4を土台とする推論型のモデルです。土台の学習から追加学習まで国内で行われた点が特徴です。日本語の推論、条件つきの指示の順守、日本語の知識を重点的に強化しています。 6. Qwen3.5：長文と画像に強い多言語モデル Alibaba Cloudの多言語モデルで、201の言語・方言に対応し、0.8Bから397B-A17Bまで規模を選べます。標準で約26万トークンの長い文脈を扱え、画像を含む資料の読み取りにも対応します。 Qwen3.5の設計を土台にしたQwen3.8-27B（2026年8月）もApache 2.0で公開されており、乗り換えの候補になります。 7. Gemma 4：端末からワークステーションまで5サイズ Google DeepMindが2026年3月末に公開したモデル（12Bは6月に追加）で、140を超える言語のデータで学習されています。E2B・E4B（＝実効20億・40億規模の小型版）は端末向け、12B〜31BはGPU搭載PCやワークステーション向けに設計されています。ワークステーションは高性能な業務用PCのことです。 参照元：国立情報学研究所 LLM-jp「LLM-jp-4.1 モデルの公開」（2026年9月28日）、Google「Gemma 4: Expanding the Gemmaverse with Apache 2.0」（2026年4月2日）、Google「Gemma releases」（リリース履歴）、各モデルの公式モデルカード（表のモデル名にリンク） 用途別の選び方｜自社に合う日本語モデルの絞り込み方 日本語モデルは「一番賢いもの」ではなく、動かす機材、説明責任、用途の順に絞ると決めやすくなります。機材で規模の上限が、説明責任で国産を条件にするかが決まるためです。 社内文書を検索して答えるRAG（＝文書を検索し、その内容を根拠に答えさせる仕組み）：長文に強いQwen3.5、Gemma 4 英語文書の和訳や海外資料の読解：英日翻訳を強化したQwen3 Swallow 手順を踏む判断の補助：推論型のLLM-jp-4.1、ELYZA-Thinking 端末での定型作業：Sarashina2.2、Gemma 4のE2B・E4B 候補を絞ったら自社の文書で比べます。実際の問い合わせから正解の分かる質問を30〜50件選び、量子化・指示文・参照文書をそろえて候補ごとに回答を集めます。 採点は審査役のAIに任せきりにせず、業務担当者が正確さと社内用語の扱いを確かめます。1回答あたりの時間とメモリ使用量も記録すると、機材の見積もりに使えます。 ローカルLLMの日本語モデルに必要なスペック｜量子化とGPUメモリ 必要なスペックの決め手は、GPUのVRAM（＝GPUに搭載された専用メモリ）の容量です。モデル本体がVRAMに収まるかどうかが、実用的な速さで動くかの分かれ目になります。 量子化で数値を16ビットから4ビットに粗くすると、必要なメモリは16ビット時のおよそ4分の1になる一方、精度は下がることがあります。Gemma 4の公式値は次のとおりです。 モデル16ビット4ビットGemma 4 E4B17.9GB4.5GBGemma 4 12B26.7GB6.7GBGemma 4 26B A4B57.7GB14.4GBGemma 4 31B69.9GB17.5GB 他のモデルは「パラメータ数（B）×ビット数÷8」で本体の大きさ（GB）を見積もれ、8Bの4ビットで約4GBです。Gemma 4の12B〜31Bの公式値は、この計算より1割ほど多めです。 表の値は本体の分だけで、入力と出力の文章が長いほどメモリは増えます。MoEの26B A4Bも、動かす部分は4B分ですが、全体をメモリに載せる必要があります。 同時に使う人数が増えると扱う文脈も増えるため、目安に余裕を足してGPUを選びます。 PCの構成例は「ローカルLLMとは？仕組みとメリット・必要なPCスペック2026」で解説しています。 参照元：Google「Gemma 4 model overview」（2026年7月8日更新）、Ollama「FAQ」（2026年10月12日確認） このように、日本語モデルの選定は評価の読み方と機材の見積もりが絡み、社内だけでは判断材料が揃いにくい作業です。 弊社は、AI・DXの疑問を東大出身のAI専門家にチャットで相談できる「AI×DX寺子屋」（プランA＝月額20万円・税抜で相談し放題）を提供しています。 候補モデルを自社データで本格的に比べる段階なら、AI PoC（＝本番開発の前に小さく行う技術検証）サービス「ココロミ」でもご一緒できます。 ココロミ の詳細はこちら ローカルLLMの日本語モデルに関するよくある質問 日本語モデルは国産を選ぶべきですか？ 国産であること自体が、日本語性能の高さを意味するわけではありません。ELYZAのモデルカードでも、日本語評価の平均はGemma 4 31Bが国産基盤の同社モデルを上回るため、用途と説明責任で選びます。学習データの出どころを説明したいなら、データを公開しているLLM-jpが候補です。 GPUのないPCでも日本語モデルは動きますか？ 小型モデルならCPUでも動きますが、応答は遅くなります。4ビットで数GBに収まるSarashina2.2やGemma 4のE4Bから試し、複数人で使うならGPUを前提にします。 自社の専門用語を覚えさせるには追加学習が必要ですか？ まずはRAGで社内文書を参照させ、足りるかを確かめるのが一般的です。ファインチューニング（＝既存モデルを自社データで追加学習すること）は、書式や言い回しをそろえたいときに検討します。 モデルの更新が速いのですが、いつ見直せばよいですか？ 本記事の7モデルでも、2026年に入って複数の新版が出ています。半年ごとに候補を見直し、同じ評価用の質問で新旧を比べると、乗り換えを判断しやすくなります。 まとめ ローカルLLMの日本語モデルは、ベンチマークの順位だけで選ばず、機材・説明責任・用途で2〜3個に絞り、自社の文書で確かめるのが近道です。要点は次のとおりです。 日本語モデルは国産の独自開発、日本語の追加学習、海外の多言語の3系統 ベンチマークは尺度・時期・自己評価に注意し、一次選別に使う 必要メモリは「パラメータ数×ビット数÷8」に、文脈と同時利用の分を足す 日本語モデルの候補選びや評価の設計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。 執筆：株式会社EQUES（東京大学松尾研発のAIスタートアップ。製薬・製造業のAI開発と、AI PoC「ココロミ」・AI相談「AI×DX寺子屋」を提供） 日本語モデルの選定をチャットで相談しませんか AI×DX寺子屋では、モデル選定や必要スペックの疑問を東大出身のAI専門家にチャットで相談できます。まずは無料相談からどうぞ。 無料で相談する AI×DX寺子屋を見る
ローカルLLMの商用利用｜ライセンスの見方と8モデル比較2026
記事の要約 ローカルLLMの商用利用とは、公開された重み（学習済みモデルの本体となるデータ）を自社環境で動かして事業に使うことで、可否はモデルごとのライセンス原文と利用規約で決まります。 ライセンスはApache 2.0やMITの標準型と、LlamaやPLaMo、Gemma 3以前の独自型に分かれ、独自型には利用者数や売上の上限、表示義務が付くことがあります。 判定は配布元の原文を確認日つきで記録し、派生モデルや出力の扱いまで社内規程に落とす手順で行い、最終判断は法務または専門家の確認を経るのが安全です。 「商用利用できるとブログに書いてあったので使い始めた」。ローカルLLMの導入現場で、こうした判断が後から法務の指摘を受ける例があります。重みを動かせるかは技術の話で、事業に使えるかはライセンスの問題です。 本記事では、ローカルLLMの商用利用を判定する見方を、ライセンスの種類、主要8モデルの比較、見落としやすい条件、社内規程の順に解説します。比較表は公式モデルカードと原文を2026年10月7日に確認した内容に限ります。 東京大学松尾研発のAIスタートアップとしてローカルLLM開発を手がける弊社は、モデル選定の工程にライセンス確認を組み込んでいます。 本記事は法的助言ではなく、最終判断は原文確認と専門家への相談を前提にしてください。 ローカルLLMの商用利用とは？「商用利用できる」の正しい意味 ローカルLLMの商用利用とは、公開された学習済みモデルの重みを自社環境で動かし、製品・サービスや社内業務に使うことを指します。重みとは、学習の結果として得られた数値データの集まりで、モデルの本体に当たります。配布元から重みのファイルを入手すれば、自社のサーバーやPCでモデルを動かせます。 動かせるのは、計算が自社の機器だけで済むためです。一方、重みは配布元が条件を付けて提供するもので、使い方の許諾はその条件に従います。 自社の業務に使うだけでも商用利用に含まれると定めるライセンスがあり、外販の有無だけでは判断できません。 PLaMo Community Licenseは商業目的を「私的使用又は学術用途の範囲を超える、事業での利用又は営利を目的とする利用」と定義し、組織内部の利用も含めています。社内の文書要約だけだから商用ではない、という判断は通らないと考えるべきです。 ライセンスと利用規約の違い モデルの利用条件は、ライセンスと利用規約という2つの文書に分かれていることがあります。ライセンスは重みの使用・改変・再配布の許諾を定め、利用規約や利用ポリシーは禁止用途や配布時の義務を定めるのが典型的な役割分担です。 Llama 3.3はCommunity Licenseの本文に加えて、別文書のAcceptable Use Policy（禁止用途を定めた利用ポリシー）を組み込んでいます。本文だけで可否を決めると禁止用途を見落とすため、両方を揃えて読むのが判定の前提です。 オープンソースとオープンウェイトの違い 「オープンソースのLLM」という言い方は、厳密には多くのモデルに当てはまりません。公開されているのは重みだけで、学習データや学習コードは非公開というモデルが大半で、こうした重みだけの公開はオープンウェイトと呼ぶのが正確です。 従来のオープンソースでは、公開された元の記述から同じものを作り直して中身を確かめられます。重みだけでは学習データも手順も分からず、作り直しも検証もできません。 Open Source InitiativeのOpen Source AI Definition 1.0は、学習データの十分な情報、学習と推論のコード、パラメータの3点が揃うことを条件にしています。重みだけの公開ではこの定義に該当しないのが実情です。 参照元：Open Source Initiative「The Open Source AI Definition – 1.0」（2024年10月公表） ローカルLLMのライセンス5種類と商用利用の条件 ローカルLLMのライセンスは、標準型のオープンソースライセンスと、開発元が独自に定めたライセンスの2系統に分かれます。標準型は条件が少なく、独自型は条件が多いのが基本で、系統の見分けが判定の第一歩です。 標準型は汎用に書かれ、配布時の表示など少数の義務しか定めません。独自型は開発元が自社の事業に合わせて書くため、規模や用途の条件が入りやすくなります。 ライセンス系統商用利用主な条件Apache 2.0標準型可再配布時に写し・変更告知・NOTICE保持。特許許諾つきMIT標準型可著作権表示とライセンス文の同梱のみ。特許条項なしLlama Community License独自型条件つき可月間アクティブユーザー7億人超は別途許諾。表示・命名義務Gemma Terms of Use（Gemma 3以前）独自型条件つき可派生物の受領者に規約の写し。禁止用途を契約に組み込む研究限定ライセンス独自型不可研究目的のみ。商用利用は別契約 Apache 2.0は商用利用・改変・再配布（重みを第三者に渡すこと）を認めつつ、再配布時にライセンスの写し・変更の告知・NOTICE（帰属表示を記した添付ファイル）の保持を求めます。特許ライセンスが明示的に付与される点がMITとの違いで、MITは著作権表示と許諾文の同梱だけが条件です。 表示や同梱の義務は重みを配るときに生じるため、社内で動かすだけなら差が出にくく、納品や外販が決まった時点で効いてきます。 研究限定ライセンスは商用利用を認めません。Mistral AI Research Licenseは研究目的を「非営利かつ非商用」の個人・学術研究と定義し、従業員の日常業務も外しています。PoC（試験導入）であっても収益目的なら研究に該当しない点は見落としやすい条件です。 参照元：The Apache Software Foundation「Apache License, Version 2.0」、Open Source Initiative「The MIT License」、Mistral AI「Mistral AI Research License」（2026年10月7日確認） 主要ローカルLLM8モデルの商用利用可否と条件【2026年10月7日確認】 候補に挙がりやすい海外5モデルと国産3モデルについて、モデル配布サイトHugging Faceの公式モデルカード（配布元が書くモデルの説明ページ。モデル名のリンク）と原文を確認しました。比較表は2026年10月7日時点の確認結果で、採用時には原文を再確認してください。 モデル（開発元）ライセンス商用利用主な条件・注意点Llama 3.3 70B（Meta）Llama 3.3 Community License条件つき可2024年12月6日時点で月間アクティブユーザー7億人超は別途許諾。「Built with Llama」表示と命名義務Gemma 4（Google DeepMind）Apache 2.0可Gemma 4（2026年4月公開）から。Gemma 3以前は独自規約Qwen3.5（Alibaba Cloud）Apache 2.0可397B-A17B・27Bともにapache-2.0。表示義務のみgpt-oss 120B / 20B（OpenAI）Apache 2.0可2025年8月公開。表示義務のみMinistral 3（Mistral AI）Apache 2.0可2025年12月公開の14B・8B・3B。旧世代の一部は研究限定PLaMo 2.1 8B（Preferred Networksグループ）PLaMo Community License条件つき可関係会社を含む直近事業年度の売上10億円以下かつ事前登録が条件。超える場合は別契約。第三者提供時は「Built with PLaMo」表示LLM-jp-3.1（国立情報学研究所）Apache 2.0可研究開発の初期段階と注記。人の意図や安全性に沿う調整は未実施Sarashina2.2（SB Intuitions）MIT可安全性の学習は限定的と注記。著作権表示の同梱のみ 判定のポイントは2つです。第1に、標準型ライセンスでも再配布時の表示義務は残るため、追加学習などで調整した後の重みを納品するなら同梱文書が必要です。 第2に、独自型のLlamaとPLaMoは自社の規模で可否が変わり、判定の主語は「自社」になります。他社の事例で可とされていても、その会社の規模で判定した結果にすぎず、自社に写せません。 国産モデルには海外モデルを日本語で追加学習した派生もあり、Llama-3-ELYZA-JP-8BのライセンスはMeta Llama 3 Community Licenseです。 このように元のモデルに追加学習などを施して作ったものを派生モデルと呼び、派生モデルは元モデルのライセンスまで遡って見るのが原則です。追加学習で中身が変わっても、元モデルの重みを土台にした派生物として元の条件が及ぶためです。 国産モデルの全体像は「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」、性能面の選び方は「ローカルLLMのおすすめモデルと導入の全貌！スペック・商用利用・RAG構築まで徹底解説」と「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】」が本記事と対になります。 参照元：Meta「Llama 3.3 Community License」（2024年12月）、Google「Gemma Terms of Use」（2026年4月1日改定）、Mistral AI「Introducing Mistral 3」（2025年12月2日） ローカルLLMの商用利用で見落としやすい5つの条件 「商用利用可」の表記だけを見て導入すると、次の5つの条件を見落としがちです。いずれも実際のライセンス原文に根拠がある条件で、可否判定の後に条件の棚卸しを行う工程を置くことで防げます。 情シス・法務・開発責任者のどこが確認を担うかも、この5項目を軸に決めると分担しやすくなります。 1. 月間アクティブユーザー数の上限 Llama 3.3 Community Licenseは、2024年12月6日時点で自社または関連会社の製品の月間アクティブユーザー（月に1回以上使う利用者の数）が7億人を超える場合、Metaへの許諾申請を求めています。 基準日が固定されている点が特徴で、公開後にユーザーが増えても遡って不可になる構造ではないと読めます。 多くの日本企業には当たらない条件ですが、自社だけでなく関連会社を含めて判定する点は、社内規程に明記しておく必要があります。 2. 派生物の表示義務と命名義務 LlamaとPLaMoは、組み込んだ製品やサイトに「Built with Llama」「Built with PLaMo」の表示を求め、派生モデルの名称にも元モデル名を含めるよう定めています（Llamaは名称の先頭に置く指定）。表示義務は社内利用では問題になりにくく、外販時に漏れやすい条件です。 製品ドキュメントやアバウト画面への記載を、外販製品のリリース前チェックの項目に加えておくと、外販時の表示漏れを事前に防げます。 3. 再配布時の義務 Apache 2.0でも、調整後の重みを配布するときはライセンスの写し・変更の告知・NOTICEの保持が必要です。顧客への納品も再配布に当たるため、受託開発では契約書の添付文書に反映します。 Gemma Terms of Useはさらに、派生物の受領者への規約の写しの提供と、禁止用途の契約への組み込みを求めています。納品物に添える文書だけでなく、納品先との契約の文言まで確認の範囲が広がります。 4. 利用規約の改定 Gemma Terms of Useは2026年4月1日に改定され、Gemma 4は別のライセンス（Apache 2.0）で提供されると追記されました。同じ系列でも世代ごとにライセンスが変わる実例です。 モデルカードのlicense欄だけでなく開発元の規約ページも確認し、確認日とURLを記録しておくと、後から経緯を説明できます。 5. 学習データと出力の扱い PLaMo Community Licenseは、モデルの出力で学習させたモデルも派生モデルとして同じ条件に縛られると定めています。学習データの詳細は非公開のモデルが多く、著作権上のリスクは利用者側に残ります。 出力の二次利用と学習データの由来は別々に確認する必要があり、国内では文化庁の考え方（2024年3月）が判断の出発点です。 参照元：文化庁「AIと著作権について」（「AIと著作権に関する考え方について」2024年3月） 社内規程に落とし込むローカルLLM商用利用のチェックリスト ライセンスの判定は、担当者の知識に頼ると属人化します。判定の手順を社内規程に書き、記録を残すことで、監査や顧客の問い合わせに答えられます。弊社が選定で使う確認項目を、規程に転記できる形で示します。 モデルカードのlicense欄と、ライセンス原文のURL・確認日を記録したか 別文書の利用規約・利用ポリシー（禁止用途）を読んだか 独自型なら、利用者数・売上の自社条件を満たすか確認したか 派生モデルなら、元モデルのライセンスまで遡ったか 外販・納品があるなら、表示・命名義務と同梱文書を製品仕様に反映したか 出力を学習に使うなら、その扱いをライセンスで確認したか 半年ごとの再確認と、法務または外部専門家の確認手順を決めたか 記録が無いと、担当者が替わった後に「どの版の規約で可としたか」を示せず、改定のたびに判定をやり直すことになります。 チェックリストは生成AIの利用ルールの一部として運用すると定着します。ルールの作り方は「生成AIガイドラインの作り方｜企業の事例11選と必須項目2026」、費用の見通しは「ローカルLLMの費用相場｜構築・運用コストと料金の考え方2026」をご覧ください。 このように、ローカルLLMの商用利用はモデル選定と法務確認を同時に進める必要があり、両方を見られる相談先があると判断が早まります。 弊社は、AI・DXの疑問を東大出身の専門家にチャットで相談できる「AI×DX寺子屋」（プランA＝月額20万円・税抜で相談し放題）を提供しています。 ロート製薬株式会社の品質統括部は、寺子屋を入口に仕様書作成の自動化からスモールスタートしました。候補モデルを自社データで検証したい段階なら、AI PoCサービス「ココロミ」でご一緒できます。 参照元：株式会社EQUES「ロート製薬株式会社 導入事例」 ローカルLLMの商用利用に関するよくある質問 Q. 社内の業務だけに使う場合も商用利用になりますか？ ライセンスによっては含まれます。PLaMo Community Licenseのように組織内部の利用も商業目的に含める例があり、外販しないからと確認は省けません。 Q. Hugging Faceのlicense欄だけを見れば十分ですか？ 十分ではありません。license欄は要約にすぎず、別文書の利用規約や禁止用途ポリシーが組み込まれていることがあるため、原文と規約ページの両方を確認してください。 Q. ファインチューニングした重みを顧客に納品するときの注意点は？ ファインチューニング（自社データで追加学習させること）した重みの納品は再配布に当たるため、Apache 2.0でもライセンスの写し・変更の告知・NOTICEの同梱が必要です。 Q. ライセンスが途中で変わったら、使い続けられますか？ ライセンスによって異なり、PLaMoのように提供元が契約を変更できると定める例もあるため、変更条項と告知方法を確認してください。新世代は別ライセンスになることもあるため、乗り換えのたびに判定をやり直してください。 まとめ ローカルLLMの商用利用は、「商用利用可」の一言ではなく、ライセンス原文と利用規約を自社の条件に照らして判定する作業です。 ライセンスは重みの許諾、利用規約は禁止用途と配布義務。両方を揃えて読む 標準型は条件が少なく、独自型は利用者数・売上・表示義務の条件つき。派生モデルは元モデルまで遡る 確認日とURLを記録し、半年ごとの再確認と専門家の確認を社内規程に組み込む 本記事は法的助言ではなく、最終判断はライセンス原文を確認し、必要に応じて弁護士など専門家に相談のうえ行ってください。ローカルLLMの商用利用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。 執筆：株式会社EQUES（東京大学松尾研発のAIスタートアップ。製薬・製造業のAI開発と、AI PoC「ココロミ」・AI相談「AI×DX寺子屋」を提供） ライセンスの疑問をチャットで相談しませんか AI×DX寺子屋では、モデル選定やライセンス確認の疑問を東大出身の専門家にチャットで相談できます。まずは無料相談からどうぞ。 無料で相談する AI×DX寺子屋を見る
ハルシネーションの事例7選｜企業・団体で起きた原因3型と対策
記事の要約 ハルシネーションの事例とは、生成AIが事実に基づかない内容をもっともらしく出力し、組織の発信物や提出物に混入した出来事のことです。事実関係を確認できた7件を扱います。 7件は架空の出典を生む「学習データ型」、文書を検索して答える仕組み（RAG）の不備による「RAG不備型」、確認工程が無い「検証不足型」に整理でき、複数の型が重なる事例が大半です。 責任はAIではなく発信した側に向かい、裁判所や審判所（＝紛争を裁く公的機関）は提出・掲載した者が正確性を担うと判断しています。チェックリストで自社に起こりうる型を特定できます。 「生成AIの誤りで実際に何が起きたのか、社内説明に使える具体例が欲しい」。AI導入を推進する部門や情シス（情報システム部門）・法務から、こうした相談が増えています。事例を集めた記事は多いものの、出典が二次情報にとどまり、社内資料に引用しづらいのが実情です。 本記事では、裁判所の命令や当事者の公式声明といった公式文書または報道で事実関係を確認できたハルシネーションの事例を7件選び、何が起き、どう決着したかを事実だけで整理します。そのうえで原因を3つの型に分け、自社で起こりうる型を見極めるチェックリストを示します。 東京大学松尾研発のAIスタートアップとして製薬・製造業の生成AI開発を手がける弊社は、PoC（概念実証。＝本格開発の前に小規模に試す検証のこと）の段階で誤答の型を洗い出す工程を置いています。読み終えたとき、自社で優先して潰すべき型が判断できるはずです。 ハルシネーションとは？事例を読む前に押さえる3つの前提 ハルシネーションとは、生成AIが事実に基づかない内容を、もっともらしい文章や数字として出力する現象です。誤りの見た目が正しい出力と区別できない点が、従来のシステム障害と決定的に異なります。 前提の1つ目は、ハルシネーションはモデルの欠陥ではなく性質だという点です。大規模言語モデル（＝生成AIの中核となる、大量の文章で学習したAIのこと）は「次に来る確からしい語」を予測して文章を作るため、根拠が無い問いにも空白を埋めるように答えます。 2つ目は、責任は出力したAIではなく発信した組織に向かうという点です。後述する裁判所や審判所は、提出・掲載した側に正確性を担う義務があると判断しました。 3つ目は、対策は用途ごとに異なり、万能の一手は無いという点です。総務省と経済産業省の「AI事業者ガイドライン（第1.2版）」も、RAG（検索拡張生成。＝文書を検索し、その内容を根拠に答えさせる仕組み）でハルシネーションの抑制が期待されると注記しつつ、人間の判断を介在させる適正な利用を求めています。 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）」（2026年3月） ハルシネーションの事例7選｜企業・団体で実際に起きたこと ここからは、公式文書または報道で事実関係を確認できた7件を、法務・顧客対応・検索・報道・金融解説・学術・観光の順に紹介します。いずれも、責任はAIではなく提出・掲載した側に向かいました。 報道でしか確認できない部分はその旨を明記し、各事例の末尾に原典へのリンクを置いています。社内資料にはそのまま出典として使えます。 1. 米国の弁護士がChatGPTの架空判例を裁判所に提出（法務） 存在しない判例を引用した反論書面が、制裁の対象になりました。2023年、米連邦地裁の航空会社を相手とする訴訟で、原告側の弁護士がChatGPTで調べた判例を反論書面に引用しました。その判例は複数が架空で、引用文も作られたものでした。 同年6月22日の制裁命令（＝裁判所が違反者に罰を科す決定）で、裁判所は弁護士2名と法律事務所に連帯して5,000ドルの罰金を命じました。命令は「信頼できるAIツールの利用自体に不適切な点は無い」としつつ、提出物の正確性を担う門番の役割は弁護士にあると明記しています。 参照元：米ニューヨーク南部地区連邦地裁「Mata v. Avianca, Inc. 制裁に関する意見と命令」（2023年6月） 2. エア・カナダのチャットボットが運賃規定と異なる案内（顧客対応） チャットボットの誤案内に対し、企業が賠償を命じられました。2022年11月、忌引運賃を調べた利用者に、エア・カナダ公式サイトのチャットボットは「搭乗後でも、発券日から90日以内に申請すれば忌引運賃を適用できる」と回答しました。同社の規定では事後申請は認められていませんでした。 ブリティッシュコロンビア州民事解決審判所（＝カナダの少額紛争を裁く公的機関）は2024年2月14日、同社に計812.02カナダドルの支払いを命令しました。同社の反論を、審判所は「チャットボットを別の法的主体のように扱う主張」と評し、ウェブサイトの一部として掲載情報すべてに責任を負うと退けています。 参照元：British Columbia Civil Resolution Tribunal「Moffatt v. Air Canada, 2024 BCCRT 149」（2024年2月） 3. GoogleのAI Overviewsが風刺記事や掲示板を根拠に誤答（検索） 検索結果のAI要約が、風刺や掲示板の冗談を事実として提示しました。2024年5月、Googleが米国で提供を始めたAI Overviews（＝検索結果の最上部にAIが要約を示す機能）で、奇妙な回答や不正確な回答が相次ぎ、同社は同月30日の公式ブログでこれを認めました。 Googleが挙げた原因は、情報の空白・風刺記事の誤認・掲示板の皮肉な投稿の採用の3点です。情報の空白とは、信頼できる情報源が少ない話題のことです。対策として、ユーザー投稿の利用制限や健康分野の表示制限など12件以上の技術的改善を公表しました。 参照元：Google「AI Overviews: About last week」（2024年5月） 4. 新聞の特集に実在しない書籍の推薦リストが掲載（報道） 外部から仕入れた特集面に、生成AIが作った架空の本が並びました。2025年5月18日、米シカゴ・サンタイムズ紙の夏季特集の読書リストに、実在しない書籍が掲載されました。特集は外部から購入したもので、編集部の確認を経ていませんでした。 同紙は5月20日の声明で、配信会社のフリーランス制作者がAI利用を開示せずに制作したと説明し、内容の不正確さと外部制作の不開示を「容認できない」と表明しました。電子版からの削除と当該号の非課金、第三者コンテンツにも編集基準を課す方針変更を公表しています。 参照元：Chicago Sun-Times「Chicago Sun-Times response to May 18 special section」（2025年5月） 5. CNETがAIで下書きした金融解説記事に誤りが見つかり訂正（金融解説） AIが下書きした77本の解説記事の一部で、事実誤認が見つかりました。米テクノロジーメディアのCNETは2022年11月から、社内開発のAIエンジンで金融サービスの基礎解説を作る試験を始め、77本を公開しました。 1本の記事で事実誤認が指摘されたことを受けて全記事を監査した結果、ほかにも訂正が必要な記事が見つかり、一部は大幅な修正を要しました。同社は2023年1月25日、編集長名の記事で誤りを認め、AIツールの利用を一時停止しました。 参照元：CNET「CNET Is Testing an AI Engine. Here's What We've Learned, Mistakes and All」（2023年1月） 6. 医療倫理誌が存在しない参考文献を含む論文を撤回（学術・医療） 生成AIで集めた参考文献が実在せず、掲載論文が撤回されました。英国の学術誌『Journal of Medical Ethics』は2026年5月下旬、製薬分野のAI活用の倫理を論じた論文の撤回通知を公開しました。 撤回の理由は、著者が生成AIで参考文献を特定し、実在を確認しなかったこと、文献の一部が存在しないことです。通知は査読（＝専門家による掲載前の審査）過程の操作の証拠にも言及しています。 医療・製薬では根拠文献の実在が議論の前提であり、架空引用は結論の信頼を失わせます。 参照元：Journal of Medical Ethics「論文撤回通知（Retraction）」（2026年5月）／Retraction Watch「報道記事」（2026年） 7. 福岡の観光キャンペーンサイトが実在しない施設を紹介（観光） 生成AIで作った観光記事が、自治体の名義後援を失う結果になりました。2024年11月、福岡県の魅力を発信するキャンペーンサイト「福岡つながり応援」で、実在しない施設など誤った情報が多数見つかりました（報道による）。 運営会社は公式Xで、生成AIを活用して記事を作成し、人的確認のうえ発信していたと説明して謝罪しました。名義後援（＝金銭や人の支援を伴わない名前だけの後援）をしていた福岡市は11月14日付で後援を取り消しました（いずれも報道による）。 参照元：J-CASTニュース「AI使用で誤情報垂れ流し...福岡県キャンペーンの運営会社謝罪&記事削除」（2024年11月）／西日本新聞「AIの福岡観光誤情報サイト 福岡市が後援取り消し」（2024年11月） ハルシネーションの事例に共通する原因の3つの型 7件を並べると、業種は違っても原因は3つの型に収まります。主因の型を見分けると、優先する対策が決まります。7件を型に当てはめると次の表になります。 事例学習データ型RAG不備型検証不足型1. 架空判例主因－重なる2. 運賃の誤案内－主因重なる3. AI要約の誤答－主因－4. 架空の書籍主因－主因5. 金融解説の誤り主因－重なる6. 架空の文献主因－重なる7. 架空の施設重なる重なる主因 第1の型は、モデルの知識だけで答えさせる「学習データ型」です。判例・文献・書名のように固有名詞と出典が結び付く情報は学習データ（＝モデルが事前に読み込んだ文章の集まり）に部分的にしか含まれず、モデルは断片をつなぎ合わせて「ありそうな」出典を作ります。 事例1・4・6に共通する構図で、事例5の数値や社名の誤りも同じ型に含まれます。 第2の型は、参照する情報が不足または不整合な「RAG不備型」です。参照先に古い規定や風刺記事が混ざれば、AIはそれを根拠として採用します。事例2・3がこの型で、対策は規定文書の版管理（＝どれが最新版かを管理すること）と参照元の限定です。 原因の切り分けは「RAG導入で精度が出ない3つの原因と改善手順【2026年版】」で解説しています。 第3の型は、人の確認工程が設計に無い「検証不足型」です。事例4は外部制作物を無審査で掲載し、事例7は「人的確認のうえ発信」と説明しながら実在しない施設を見落としました。プロンプト（＝AIへの指示文）の工夫では解決せず、誰がどの基準で確認し、誰が公開を止めるかを決めることが対策です。 自社で起こりうる型を見極める対策チェックリスト 自社のAI活用でどの型が起こりやすいかは、用途と運用の形で判断できます。次の項目に1つでも該当すれば、その型の対策を優先してください。 （学習データ型）判例・論文・法令など、出典を伴う回答をAIに求めている （学習データ型）出力に含まれる固有名詞や数字を、原典と照合する工程が無い （RAG不備型）チャットボットが規定文書の最新版を参照しているか確認していない （RAG不備型）回答に根拠の文書箇所が表示されず、利用者が確かめられない （検証不足型）生成物の確認担当者と確認項目が文書化されていない （検証不足型）外部委託物のAI利用の有無を契約で確認していない （検証不足型）誤りが見つかったときの公表・訂正・停止の手順が決まっていない チェックで型が見えたら、次は対策の選び方です。RAG・プロンプト設計・人の確認工程をどう組み合わせるかは、親記事の「ハルシネーション対策とは？原因と安全なAI活用法を徹底解説」で原因別に整理しています。 社内ルール化には「生成AIガイドラインの作り方｜企業の事例11選と必須項目2026」も参考になります。 このように、7件の事例はいずれも本番で初めて誤りの型が分かったことで被害が大きくなりました。こうした課題に対し、弊社は大規模開発の前にAIの精度と誤答の型を確かめるPoCサービス「ココロミ」を提供しています。 SOLIZE PARTNERS株式会社とは、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、熟練技術者の暗黙知をAIが扱えるかを検証しました。業務特有の誤りを本番前に把握したい場合は、PoCの設計段階からご相談いただけます。 参照元：株式会社EQUES「SOLIZE PARTNERS株式会社 導入事例」 ハルシネーションの事例に関するよくある質問 Q. ハルシネーションは最新モデルを使えば無くなりますか？ 無くなりません。モデルの更新で頻度は下がる傾向にありますが、確からしい語を予測して文章を作る仕組みは変わらないためです。モデル選定より、出典の照合と確認工程の設計に投資するほうが効果を見込めます。 Q. 社内利用だけなら事例のような問題は起きませんか？ 社内利用でも起きます。会議資料や稟議書に架空の統計や文献が入れば、意思決定が誤った前提で進みます。社内資料にも出典の実在確認を求めるルールが必要です。 Q. 誤りが外部に出てしまったとき、何を優先すべきですか？ 事実の訂正、影響範囲の公表、再発防止の工程追加の3点です。事例4のサンタイムズ紙は2日後に声明を出し、削除・非課金・方針変更を同時に示しました。AI利用を隠すと信用面の損失が広がります。 Q. 事例を社内説明に使うとき、どの点を強調すべきですか？ 「AIが間違えた」ではなく「確認工程が無かった」と伝えることです。事例1の裁判所も、AIの利用自体ではなく、提出前の確認を怠り、指摘を受けた後も架空判例を撤回しなかった点を制裁の理由にしました。対策費は確認工程の設計費だと整理すると議論が前に進みます。 まとめ ハルシネーションの事例7件は、架空の出典を生む学習データ型、参照情報が不整合なRAG不備型、確認工程の無い検証不足型という3つの原因に収まります。一次情報が示すのは、AIが生成した内容でも発信した組織が正確性を担うという一点です。 7件は法務から観光まで業種を問わず起き、いずれも発信した組織が責任を負う形になった 原因は3つの型に分けられ、型ごとに出典照合・参照データ整備・確認工程の設計という対策が対応する 自社で起こりうる型はチェックリストで特定でき、本番前のPoCで誤りの型を洗い出すことが被害を防ぐ近道になる ハルシネーションの事例から学ぶべきことは、AIを使わない理由ではなく、どの工程に確認を置くかという設計の問題です。自社でどの型が起こりやすいか判断に迷われる場合は、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。 執筆：株式会社EQUES（東京大学松尾研発のAIスタートアップ。製薬・製造業のAI開発と、AI PoC「ココロミ」・AI相談「AI×DX寺子屋」を提供） 誤答の型をPoCで確かめませんか AI PoCサービス「ココロミ」で、本番前にAIの精度と誤答の型を実測します。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
PoC失敗の事例5選｜本番に進まない原因と防ぎ方【2026年】
記事の要約 AI PoC（＝本番開発の前に小さく行う技術検証）の失敗とは、技術的に動くことは確かめたのに、本番投資の判断材料が揃わず次に進めない状態を指し、精度の高低とは別に起こります。 IPAのDX動向2026では、AIを導入・試験利用する企業のうち効果を期待どおり以上と答えたのは31.8％にとどまり、学習データを整備して活用している企業は7.0％です。 失敗は目的不明・データ不足・成功基準（＝合格と見なす数値条件）なし・現場不在・本番コスト未試算の5パターンに分かれ、その多くは着手前の設計で防げます。 「PoCは成功したはずなのに、本番化の稟議（＝社内の決裁手続き）が通らない」「3本目のPoCが終わったが、現場は何も変わっていない」。AI推進の担当者から聞く機会が増えた声です。この状態が長引くと社内に「PoC疲れ」（＝検証を重ねても本番に進まない徒労感）が広がり、AI活用への期待そのものが冷めていきます。 本記事では、PoC失敗の事例を公的調査と公表資料から5件取り上げ、なぜ本番（＝検証を終えて実業務で運用する段階）に進めなかったのかを失敗パターン別に整理します。パターン別の防ぎ方と、着手前の設計チェックリストも示します。 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 PoCを手がける弊社の経験も踏まえて解説します。読み終えたときには、止まっているPoCの原因を特定し、成功基準を先に決めた設計へ見直せるようになるはずです。 AI PoCの失敗とは？「PoC疲れ」が生まれる構造 AI PoCの失敗とは、技術的な検証は終えたのに、本番投資の意思決定に進めない状態を指します。本番移行できない原因は、精度不足だけではありません。多くのPoCは「動いたが、次に進む理由を誰も説明できない」形で止まります。 PoC（Proof of Concept：概念実証）の役割は、本番開発に投資してよいかを判断する材料を得ることです。したがって、判断材料が揃わなかったPoCは、精度が高くても失敗といえます。逆に、精度が届かなくても「投資しない」と結論できたPoCは役割を果たしています。 この区別が曖昧なまま検証を繰り返すと、PoC疲れが起こります。PoC疲れとは、検証が本番に結びつかない経験が重なり、組織がAI活用の意欲を失う現象です。次に有望なテーマが出ても「またPoCか」という空気が先に立ち、現場の協力が得にくくなります。 公的調査と行政機関の公表資料に見るPoC失敗の実態5選 PoC失敗は企業名つきで公表されることが少なく、個別事例を集めるのは難しい領域です。ここでは、公的調査が示す「成果が出ていない層」の数字と、行政機関が公表した検証結果を事例として扱います。 いずれも一次情報を確認したうえで、本番判断に必要な材料のどれが欠けていたかを読み取り、次章の失敗パターンにつなげます。 1. IPA「DX動向2026」：期待どおり以上の効果は31.8％ IPAが2026年7月に公表した「DX動向2026」では、AIを導入または試験利用している企業は58.0％に達しました。しかし、そのうち効果を「期待以上」「期待どおり」と答えた企業は合計31.8％で、半数の50.6％は「一定の効果はあった」にとどまります（IPAは「期待したほどではない」層と解釈）。 導入は進んだのに期待に届かない構図は、PoCの出口が設計されていないことを示唆します。同じ調査で、AI導入企業のうち学習データ（＝AIに学ばせる元データ）を「整備しておりAIに活用している」企業は7.0％しかなく、データ整備が効果実感の前提になっていることがうかがえます。 2. 総務省「情報通信白書」：利用率86.4％でも効果実感は一部の業務に偏る 総務省の令和8年版情報通信白書では、生成AIの活用方針を答えた日本企業のうち、何らかの業務で利用している割合は86.4％でした。一方で、導入効果を実感する割合は「議事録・メール作成補助」が約7割で、他の業務類型より顕著に高い結果です。 この偏りは、使い始めることと、業務の成果に結びつけることの間に大きな段差があることを示しています。令和7年版白書でも、導入時の懸念は「効果的な活用方法がわからない」が最多でした。目的を定めない検証は、効果実感の薄い領域で止まりやすくなります。 3. PwC「生成AIに関する実態調査2025春」：日本は期待を下回る企業が増加 PwC Japanグループが2025年6月に公表した5カ国比較調査（売上高500億円以上の企業が対象）では、日本企業は「活用中」または「社外サービス提供中」が56％と、前回から13ポイント伸びました。一方、「期待を上回る」企業の割合は米英の4分の1、独中の半分にとどまっています。 さらに日本の活用中・推進中の企業では、「やや期待を下回る」「期待とはかけ離れた結果」の合計が前回調査から7ポイント増えました。期待値を数値で定義しないと、終了後に「下回った」としか言えないことを示す結果です。 4. MIT NANDA「The GenAI Divide」：企業向けAIの本番到達は5％ MITのProject NANDAが2025年7月に公表した報告書は、生成AI投資から測定できる収益効果を得られていない組織を95％としました（300件超の公開事例と52組織への調査に基づく）。 業務特化型の企業向けAIでは、検討した組織は60％、PoCに進んだのは20％、本番到達は5％と段階ごとに落ちる構図が示されています。 報告書が最大の障壁として挙げるのは、モデルの品質ではなく「学習の欠如」です。現場の文脈を取り込めないツールは、PoCで動いても定着しないという指摘です。 外部パートナーと組んだ案件の本番到達率は約67％で、内製の約33％の2倍とされています（自己申告に基づく参考値）。 5. デジタル庁の技術検証：回答案作成は得点率90％でも、根拠の参照箇所は40％ 国の検証でも、PoCで生成AIの限界が数字で示された例があります。デジタル庁は2023年12月から2024年3月にかけて、13府省庁・26自治体の職員767人に検証環境を提供して生成AIの技術検証を行い、2024年5月に結果を公表しました。 パブリックコメント（＝国民から募る意見）対応の検証では、総務省のコメント10件を対象に、職員の作業結果との合致度を得点率で評価しました。意見の分類と表現の変換は90％でしたが、意見元の抽出は参照箇所の正確さが40％、回答案作成も回答部分に限ると60％にとどまりました。 報告書は、回答案作成と意見元抽出は文脈理解が必要な難易度の高い作業であり、参考材料として採用する運用が現実的だと結論づけています。 どこまでAIに任せ、どこから人が担うかの線を数字で引けた点で、PoCの役割を果たした例ともいえます。精度の数字を本番の運用設計に結びつけられるかが、失敗と成功の分かれ目です。 自治体全体でも、総務省の令和7年度調査でAI導入の課題として「導入効果が不明」が571件挙がり、前年度より増えました。効果を測る基準がないことが、企業と行政に共通する壁です。 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）／総務省「令和8年版情報通信白書 生成AIの業務利用状況」（2026年7月）、「令和7年版情報通信白書 企業におけるAI利用の現状」（2025年7月）／PwC Japanグループ「生成AIに関する実態調査2025春 5カ国比較」（2025年6月）／MIT Project NANDA「The GenAI Divide: State of AI in Business 2025」（2025年7月）／デジタル庁「行政における生成AIの適切な利活用に向けた技術検証の環境整備 R5年度検証結果共有」（2024年5月）／総務省「令和7年度 地方自治体におけるAI・RPAの実証実験・導入状況等調査」（2026年4月） PoCが本番に進まない5つの失敗パターンと防ぎ方 5つの事例に共通するのは、技術の不足ではなく、判断に必要な材料が設計に含まれていなかったことです。弊社がPoCのご相談を受ける場面でも、止まった原因は次の5パターンにほぼ収まります。兆候と防ぎ方を整理します。 失敗パターン現場に出る兆候防ぎ方の要点目的不明「AIで何かやる」が目標業務課題を1つに絞るデータ不足データの所在と量が未確認着手前にデータ棚卸し成功基準なし「良かった気がする」で終わる合格条件と撤退条件を数値で先に決める現場不在IT部門だけで検証している現場担当者を評価者に組み込む本番コスト未試算見積もりが検証後に初めて出るPoC中に運用費と体制を試算 目的不明と成功基準なしは、同じ原因から生まれる 目的が曖昧なPoCは、成功基準も決められません。「何を確かめるためのPoCか」が1文で言えない状態では、どの数値を見れば合格かが定まらず、終了後の評価が印象論になります。 防ぎ方は、着手前に「対象業務・現状の数値・目標の数値・撤退条件」の4点を文書にすることです。撤退条件とは、この水準に届かなければ中止すると先に決める線のことです。撤退条件を決めておけば、精度が届かないPoCも「投資しない」という成果になります。 目的の立て方と評価指標の具体例は「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」で詳しく整理しています。 データ不足と現場不在は、精度より先に定着を阻む IPAの調査が示すとおり、AI導入企業のうち学習データを整備してAIに活用できている企業は7.0％しかありません。データの所在と品質を確認せずに始めると、期間の大半をデータ探しに費やすことになります。 現場不在も同じく定着を阻みます。MITの報告書が「学習の欠如」と呼んだ問題は、現場の文脈がAIに届いていないことの裏返しです。 防ぎ方は、実際に使う担当者を検証の評価者として最初から組み込むことで、現場が「この出力なら業務で使える」と判定する場を設けます。 本番コスト未試算は、PoC成功後に稟議を止める 本番化の費用と運用体制の見積もりが検証後に初めて出てくると、効果と費用の数字が揃わず稟議が通りません。PoC環境では無視できたデータ連携・権限管理・監査対応の費用が、本番では主要な項目になるためです。 防ぎ方は、PoC期間中に本番の概算を並行して作ることです。年間の運用費・体制・人員を仮置きし、PoCで得た効果の数値と突き合わせます。 費用対効果の計算の型は「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」をご参照ください。 着手前に確認するPoC設計チェックリスト 5つのパターンを防ぐ要点を、着手前の確認項目に落とし込みます。1つでも「決まっていない」があれば、開始を遅らせてでも埋めることをおすすめします。 対象業務を1つに絞り、現状の数値（時間・件数・エラー率など）を実測したか 合格条件と撤退条件を数値で文書化し、関係者が合意しているか 検証に使うデータの所在・量・品質・利用許諾を確認したか 現場の利用者が評価者として参加し、業務で使えるかを判定する場があるか 本番化した場合の年間運用費・体制・セキュリティ要件の概算があるか PoC終了時に「本番へ進む／再検証／撤退」を決める会議が予定されているか チェックリストを埋める過程で、検証の観点を「技術・業務・事業性」の3つに分けて見ると抜けが減ります。 観点ごとの確認方法は「PoC検証とは？目的と3つの観点・進め方・成功事例を解説」で解説しています。 このように、PoC失敗の多くは着手前の設計で防げるというのが弊社の見方です。こうした「成立性（＝技術的・事業的に成り立つか）を小さく確かめる」段階を支援するため、弊社はAI PoCサービス「ココロミ」（スリムプラン月々99万円〜・スタンダードプラン月々250万円〜）を提供しています。 SOLIZE PARTNERS株式会社とのPoCでは、設計ナレッジ（＝設計上の知見）の提案支援と3D CAD（＝立体の設計データを作るソフト）データの自動生成の2テーマを対象に、熟練技術者の暗黙知（＝言葉になっていない経験上のノウハウ）をシステム化できるかを検証しました。 参照元：株式会社EQUES「SOLIZE PARTNERS株式会社 導入事例」 PoC失敗に関するよくある質問 Q. PoCの成功基準はどのように決めればよいですか？ 現状の業務数値を実測し、本番投資を判断できる水準を目標値として置きます。精度だけでなく処理時間や確認工数など業務の指標を含めると本番化の判断に使えます。撤退条件も同時に決めておきます。 Q. PoCの期間はどの程度が適切ですか？ 目的と対象業務を1つに絞れていれば、数週間から3か月程度で結論を出すのが現実的です。弊社の経験では、期間が長引く主因はデータの準備不足で、着手前の棚卸しで短縮できます。延長より対象を狭めた再設計のほうが結論は早く出ます。 Q. PoC疲れが起きている組織では、何から着手すべきですか？ 過去のPoCを「何を確かめようとして、何が決まったか」の観点で棚卸しすることをおすすめします。多くの場合、成功基準が無かったことが共通原因として見つかります。次のPoCは1テーマに絞ります。 Q. 精度が目標に届かなかったPoCは失敗ですか？ 撤退条件を事前に決めていれば、失敗ではなく「投資しない」という判断が得られた成功です。失敗になるのは、精度が届いたのに判断材料が揃わず次に進めない場合です。終了時に判断が下せるかどうかで評価してください。 まとめ PoC失敗の事例を見ると、止まる原因は技術ではなく設計にあります。目的・データ・成功基準・現場・本番コストの5点を着手前に固めれば、PoCは本番投資の判断材料として機能します。本記事の要点は次のとおりです。 PoC失敗とは、検証は終えたのに本番投資の判断に進めない状態で、精度の高低とは別に起こる 国内調査では期待どおり以上の効果を得たAI導入企業は31.8％にとどまり、データ整備の有無が結果を分けている 目的不明・データ不足・成功基準なし・現場不在・本番コスト未試算の5パターンは、着手前のチェックリストで防げる 止まっているPoCの原因を特定したい段階でも、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。 執筆：株式会社EQUES（東京大学松尾研発のAIスタートアップ。製薬・製造業のAI開発と、AI PoC「ココロミ」・AI相談「AI×DX寺子屋」を提供） PoCの設計から一緒に始めませんか AI PoCサービス「ココロミ」で、成功基準の設計と成立性の検証を小さく進めます。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