Column
コラム
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
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。 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。 典型的な仕組みは、過去の選考記録から合格者に共通する記述や受け答えを基準として取り出し、応募者ごとに項目単位で一致度を点数にするものです。元の記録が偏れば、点数も同じ方向に偏ります。 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倍です（厚生労働省）。倍率が1を超える間は求人の側が余り、応募者は会社を選べる側に立ちます。 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。書類確認が追いつかなければ、候補者は先に内定を出した他社へ流れるためです。 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。記録がないと活躍した人の特徴を選考に戻せず、面接官の勘が翌年も基準のままになります。 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）。社内で使い慣れるほど採用にも試しやすく、対話型AI面接サービスSHaiNの導入社数は累計1,100社を超えています（2026年7月時点）。 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。 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IBM Watsonによるエントリーシート選考で確認時間を75％程度、動画面接のAI評価で作業時間を約70％削減できると見込みました。典型的には、工数削減は人が向き合う時間の再配分に使われ、面談に割ける時間が増えます。 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。当てはまらない応募者は人が見る前に候補から外れるため、偏りは誰の目にも触れずに次の採用へ引き継がれます。 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。項目ごとの根拠があれば、納得できない判定だけ見直せます。 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。自由記述には出身地や家族の事情が書かれがちで、学習に含めるとAIがそれを合否に結びつけ、気づかないまま差別的な選考になるためです。 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。応募者データをベンダーに渡す構成では、保管場所と使える人を契約前に確かめなければ、同意のない使い方に回っても気づけません。 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3件の事例は、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。範囲を区切るのは、AIの判定が外れたときに人が気づける場所を残すためです。 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 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。項目単位に分けると、どの項目で届かなかったかを人が追えます。 2020年5月導入の動画面接の評価も同じ仕組みで、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。この型で効くのは、AIの基準から漏れた応募者を人が拾い直せる点です。 逆に通過した分は人の確認を経ないため、通過基準の中身は人事が説明できるようにしておきます。説明できなければ通過者の偏りも検証できません。 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 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。一部店舗から試す型は、効果を実数で確かめてから広げられます。 この型の事例では、面接日の調整で待たせる間に応募者が別の職場に決めてしまう点で詰まります。都合のよい時間に受けられる形に変えると待ち時間が縮まり、離脱が減ります。 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 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。 質問と記録をAIに任せると聞き漏らしや記録の差がなくなり、面接官が同じ記録を見て判断するためばらつきが減ります。判定まで任せないのは、合否の説明責任を人が負うためです。 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。導入社数や料金は2026年9月時点の各社公表値です。 主要AI採用ツール7選の比較 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。根拠が項目ごとに出なければ、AIの判定と面接官の評価が食い違ったときにどちらを信じるか決められず、すべてを人が見直すことになります。 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 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。工数が課題なら連携と料金の比重が上がり、評価のばらつきが課題なら説明できる出力とデータの扱いの比重が上がるためです。 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。 小規模検証でAIと人の評価を突き合わせると、特定の属性や記述で食い違いが集中する箇所が見つかります。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。入社後の評価がないとAIは採用された人の特徴しか学べず、活躍する人の基準になりません。 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。人が判定の根拠を確かめる工程がないと、偏りや誤判定に気づけず、応募者に理由を説明できないためです。 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。 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採用の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。 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。 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） 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。 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） 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
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
記事の要約 GMP文書管理システムとは、手順書や製造記録などのGMP文書を作成から廃棄まで電子的に管理し、監査証跡と電子署名で記録の信頼性を担保する仕組みです。 選定では21 CFR Part 11・ER/ES指針・CSVガイドライン対応を足切りにし、承認ワークフロー・検索性・バリデーション負荷など5つの視点で自社との適合を確かめます。 後発医薬品の自主点検では8,734品目のうち3,281品目で承認書と実態の相違が報告されており、文書間の整合性を仕組みで保つことが導入の出発点になります。 「改訂した手順書と製造記録の記載が食い違っていた」。品質保証（QA）部門では、こうした場面がGMP文書管理システム導入の引き金です。製品は多く規制も複雑で、選定基準に迷う担当者は少なくありません。 本記事では、規制要件と必須機能を整理し、主要7製品の比較表と導入事例を紹介します。 厚生労働省・PMDA・FDAの一次資料と、東京大学松尾研発のAIスタートアップとして製薬企業の品質保証業務のAI化を手がける弊社の経験をもとに解説するため、自社に合う候補が絞れるはずです。 GMP文書管理システムとは？対象文書とライフサイクル GMP文書管理システムとは、医薬品の製造管理・品質管理に関わる文書と記録を作成から廃棄まで電子的に管理し、誰がいつ何を変更したかを監査証跡として残す仕組みです。 GMPは製造管理と品質管理の基準で、日本ではGMP省令が製造所に文書化を義務づけています。製品を後から検証できない医薬品では文書と記録が品質の証明になるため、管理方法が製造所の信頼性を左右します。 管理対象は製品標準書、手順書（SOP）、製造・試験・教育訓練の記録の3階層で、GMP省令第8条が手順書の作成を、第20条が文書の承認・配付・保管と記録の5年以上の保管を定めています。 GMP文書の種類は「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」で解説しているため、本記事は選定に絞ります。 参照元：厚生労働省「医薬品及び医薬部外品の製造管理及び品質管理の基準に関する省令」（2021年8月改正施行） 紙とExcelによるGMP文書管理が限界を迎える3つの理由 結論から述べると、紙とExcelの限界は「作業が遅い」ことではなく「整合性を証明できない」ことです。表面化する問題は次の3つです。 文書間の不整合を人手で検出しきれない データインテグリティ（DI）の要件を満たす証跡が残らない 査察対応と法改正への対応に時間を奪われる 1. 文書間の不整合を人手で検出しきれない 一箇所の改訂は関連文書に波及します。 2024年の日本製薬団体連合会による後発医薬品の自主点検では、172社・8,734品目のうち3,281品目（37.6％）で承認書と製造・試験の実態との相違が報告されました。 内訳は承認書との表記の不一致と追加・省略が中心で、要因として記載整備の失念や部署間の情報伝達不足、確認体制の不十分さが分析されています。 2. データインテグリティの証跡が残らない 2021年8月施行の改正GMP省令第20条第2項は、手順書と記録に欠落・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。 Excelの上書き保存や共有アカウントでは、変更履歴と記録の帰属が残りません。PMDAが2022年度から公表する指摘事例「オレンジレター」でも、指図に沿わない記録の修正、手順書の不遵守、承認事項との相違が繰り返し取り上げられています。 指摘の多くは意図的な改ざんではなく証跡を残せない運用から生じます。詳細は「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」をご覧ください。 3. 査察対応と法改正対応に時間を奪われる 査察では記録の根拠となる手順書の版をその場で提示する必要があります。 加えて、2025年5月21日公布の改正薬機法（令和7年法律第37号）は、製造販売業者に医薬品品質保証責任者と医薬品安全管理責任者の設置を法定化しました（施行は公布後6か月以内から段階的に始まり、責任者の設置義務は公布後2年以内）。 品質保証責任者が文書と記録の整合性を説明できる状態が前提になるため、文書管理は経営課題として問われます。 参照元：日本製薬団体連合会「自主点検 相違発生原因と再発防止策の策定」（厚生労働省「第19回関係者会議資料」、2025年1月）／PMDA「品質確保に関する取り組み」／厚生労働省「令和7年薬機法等改正について」（2025年5月） GMP文書管理システムの選定ポイントと必須機能 GMP文書管理システムの選定は、機能の多さではなく「規制要件を満たしたうえで、自社の文書量と組織に合うか」で判断します。規制要件は製品を選ぶ前の足切り条件であり、満たさない製品はどれだけ使いやすくても候補になりません。 まず前提となる規制を押さえ、次に自社との適合を確認する5つのポイントを見ていきます。 準拠すべき規制・ガイドライン GMP文書を電子化する場合、紙の要件に加えて電子記録・電子署名に固有の規制が適用されます。国内向けでもER/ES指針とCSVガイドラインは外せず、米国向け製品があれば21 CFR Part 11も対象です。 規制・ガイドライン発行元・時期システムに求める主な内容ER/ES指針厚生労働省・2005年4月真正性・見読性・保存性、監査証跡、電子署名の唯一性と署名者・日時・意味の表示CSVガイドライン厚生労働省・2010年10月開発から廃棄までのライフサイクル管理、供給者アセスメント、変更管理21 CFR Part 11米国FDA・1997年8月施行バリデーション、アクセス制限、監査証跡、電子署名と記録の結合PIC/S GMPガイドPIC/S・日本は2014年7月加盟第4章（文書化）とAnnex 11を国内調査の参考に活用 ER/ES指針の真正性・見読性・保存性は、作成者と、変更前の情報・変更者を明確に識別できること（監査証跡の自動記録は「望ましい」とされる）、保存期間中に読める形で出力できることなどです。 21 CFR Part 11もバリデーション・アクセス制限・監査証跡と、署名者氏名・日時・意味の表示を求めます。日米の要件は用語が違っても求める中身はほぼ重なるため、両方への対応の明示が最初の確認項目です。 選定時に確認する5つのポイント 規制対応を満たす製品から自社に合うものを絞り込むには、次の5点を確認します。 承認ワークフロー：多段階承認・代理承認・期限管理を自社の手順に合わせられるか 検索性と査察対応：文書番号・版・キーワードで横断検索でき、監査証跡をすぐ出せるか バリデーション負荷：ベンダーが文書を提供し、更新時の再検証範囲が明確か 教育訓練・QMS連携：改訂時に教育訓練を自動起票でき、逸脱・変更管理と同じ基盤か コストと導入期間：初期費用・ライセンス体系・提供形態・データ移行工数 見落とされやすいのがバリデーション負荷です。CSVガイドラインが供給者アセスメントと変更管理を求めるため、クラウド製品では更新のたびに再検証の範囲を決める設計が必要です。 費用は利用者数に応じたライセンス制の場合が多いため、閲覧のみの利用者をライセンスにどう数えるかを事前に確認すると見積もりの精度が上がります。 参照元：厚生労働省「ER/ES指針」（2005年4月）、「CSVガイドライン」（2010年10月）、「PIC/S加盟の承認」（2014年5月）、「PIC/SのGMPガイドラインを活用する際の考え方について」（2012年2月）／米国FDA「Part 11 Scope and Application」（2003年9月） 主要GMP文書管理システム7製品の比較と導入事例 公式製品ページでGMP・GxP対応を明示する7製品を、グローバル5製品と国内2製品に分けて比較します。詳細は見積もりで変わるため、比較表は絞り込みに使い、最終判断はデモとバリデーション文書で行います。 製品名（提供元）対応規制・特徴向く企業確認したい点Veeva QualityDocs（Veeva）GxP文書のライフサイクル管理、監査証跡、自動ワークフロー、社外共有海外拠点と共有するグローバル企業Vault基盤での運用が前提MasterControl Document Control承認・配付・廃止の自動化、監査証跡、電子署名、Part 11対応、CAPA・教育訓練と統合QMSと一体化したい中堅〜大手QMS一式の導入範囲と費用OpenText Documentum CM for Life SciencesGxP準拠フレームワーク、Part 11対応、LIMS・QMS・ERP連携全社の文書を統合したい大手導入規模の見極めが必要TrackWise Digital（Honeywell）逸脱・CAPA・文書・教育訓練を統合したクラウドQMS品質イベント管理を軸に文書も扱う企業品質管理全体の導入になるBox GxP ValidationGAMP 5準拠のバリデーション文書、自動テスト、Part 11対応電子署名、監査証跡Box利用中で規制文書も同基盤で扱う企業製薬特化のワークフローは設定が必要HITQUAA（日立産業制御ソリューションズ）SOPの作成から回収、教育・資格管理、電子署名・監査証跡、Part 11・ER/ES指針対応、MES・LIMS連携文書と教育訓練を一体化したい国内製造所自社手順との適合を事前確認文書デザイナー for GxP（ユニオンシンク）最新版管理、ワークフロー、二重承認・監査証跡、QRコード発行・回収管理、Part 11・ER/ES指針対応、クラウド版ありスモールスタートしたい中小〜中堅海外拠点との共有は要件次第 グローバル製品の多くに共通するのは、文書管理を品質マネジメント全体の一部として設計している点で、QMSなど周辺システムと連携します。 海外拠点や委託先と共有する企業には一体型が有利ですが、文書管理だけの導入では機能が過剰になり費用と期間が膨らみやすい点に注意が必要です。 国内のHITQUAAと文書デザイナー for GxPは、日本のGMP省令とER/ES指針を前提に設計されたパッケージです。 HITQUAAは教育計画・教育記録・資格管理まで一体で扱い、文書デザイナー for GxPはクラウド版で部門単位から始められます。文書改訂と教育訓練をひとつの流れで管理し教育漏れを防げる点は実務的な価値です。 公式発表で確認できる文書管理関連の事例は次の2件です（効果の数値は未公表。中外製薬は比較した7製品ではなく日本IBMとの共通データ基盤の例）。 中外製薬株式会社：2021年1月、日本IBMと協働し浮間工場をモデルにした生産機能のデジタル化の展開を発表。共通データ基盤をGMP文書検索などに活用 ロジスティード株式会社：2023年4月、医薬品物流サービスにGMP対応のHITQUAAを導入し、電子署名と監査証跡でDIに対応 参照元：中外製薬「日本IBMと協働で生産機能のDXを展開」（2021年1月）／ロジスティード「GMPに対応したシステムを導入」（2023年4月） AIで変わるGMP文書の作成と整合性チェック 文書管理システムは保管と提示に強みがありますが、文書を書く工程と矛盾を見つける工程は人の作業に残ります。保管の仕組みが整っても作成とレビューの負荷は減らないのが実態です。 草案生成と文書横断の齟齬検出を生成AIに任せれば、目視で照合していた時間を判断と改善に振り向けられるようになります。 こうした課題に対し、弊社は既存の文書管理システムと組み合わせるAIを提供しています。QAI Generatorは、質問に答えるだけでAIが変更申請書などのQA文書の草案を生成する製薬向けSaaSです。 万協製薬株式会社との実証実験を経て、QAI Generatorの導入事例として変更申請書を含むGMP文書で70％の業務効率化を公表しています。 QAI Checkerは、承認書・製造手順書など複数の文書を読み取り、段落単位で数値・工程・順序・名称の齟齬を自動検出します。 ロート製薬株式会社の品質統括部も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。 QAIシリーズは文書管理システムではなく作成とレビューを効率化する位置づけで、比較した製品と併用できます。 QAI Generator の詳細はこちら 紙の帳票をデータ化する入口であるAI OCRの導入課題については、AI OCR導入の課題と解決策の記事もあわせてご覧ください。 GMP文書管理システムに関するよくある質問 Q. 導入すれば紙の文書は完全になくせますか？ ER/ES指針とGMP施行通知の要件を満たせば、紙の原本を電子記録に置き換えられます。ただし、紙の証明書や手書き記録が残る工程は電子化の手順を別に定めます。移行期間中に紙と電子の二重管理を避ける設計が重要です。 Q. クラウド型とオンプレミス型はどちらを選ぶべきですか？ サーバー管理の要員がいなければクラウド型が現実的です。ただし、ベンダー更新に合わせた再バリデーションの範囲を確認する必要があります。オンプレミス型は変更の時期を自社で決められる一方、インフラの保守と障害対応が自社の責任になる点に注意が必要です。 Q. CSVはどこまで自社で行う必要がありますか？ パッケージ製品でも、要求仕様の作成と性能適格性評価（PQ）は自社の責任です。ベンダーがテスト結果を提供しても、供給者アセスメントと自社運用での確認記録を残すことが必要です。その記録が査察での説明の根拠です。 Q. 中小規模の製造所でも導入する意味はありますか？ あります。関連文書の修正漏れや旧版の回収漏れは規模に関係なく起こります。部門単位で始められるクラウド版を選び、改訂頻度の高いSOPと製造記録から段階的に電子化する進め方が現実的です。 まとめ GMP文書管理システムの選定は、21 CFR Part 11・ER/ES指針・CSVガイドライン対応を足切りにしたうえで、5つのポイントで自社との適合を確かめる作業です。自主点検で3割超の品目に承認書との相違が見つかった事実は、人手だけで整合性を保つ限界を示しています。要点は次のとおりです。 GMP省令第20条が求める欠落・不正確・不整合の継続的管理は、監査証跡と電子署名を備えたシステムで担保しやすくなる グローバル製品はQMS一体型の統合力、国内製品は日本の規制に沿った機能構成に強みがある 文書の作成と整合性チェックは残る負荷で、AIの草案生成と齟齬検出で効率化が見込める 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企業の品質保証業務のAI化を支援しています。GMP文書管理システムの選定やAI活用でお困りの際は、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。 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） 文書管理システムと組み合わせるAIをご検討ください QAI GeneratorとQAI Checkerは既存の文書管理システムと併用できます。2週間の無料トライアルからお試しください。 無料で相談する QAI Generatorを見る
品質保証DXとは？製薬QAの事例4選と進まない3つの理由
記事の要約 品質保証DXとは、承認書・手順書・製造記録などの文書と照合・レビュー業務をデータで再設計し、人手の確認作業を減らして判断に集中できる体制をつくる取り組みです。 進まない背景には、DX人材が不足していると答えた企業が85.5％にのぼる人材難、GMP省令が求める文書間チェックの重さ、従来ツールが文書の意味を読めない限界があります。 生成AIは文書の意味を読んで矛盾を指摘できるため、人の仕事は「見つける」から「判断する」へ移ります。対象文書を1種類に絞り、効果を実測してから広げる進め方が現実的です。 「申請書類と製造記録を数千ページ単位で目視照合し、ダブルチェックを重ねてもミスが残る」。製薬の品質保証（QA）部門の相談は、こうした構図から始まります。 本記事では、品質保証DXの対象をQA部門の文書・チェック業務・人材に絞り、進まない3つの理由を一次情報で裏付けたうえで、生成AIによる文書チェック、他社の事例4選とツール比較、導入の進め方を解説します。 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知見も交え、どの文書業務から着手すべきかを判断できるようにします。 品質保証DXとは？製薬QAの文書とチェック業務が対象になる理由 品質保証DXとは、品質を「証明する」文書と確認業務をデータで再設計する取り組みです。製薬の品質保証（QA）部門は、承認書どおりに製造されたことを文書で証明する役割を担います。 したがって製薬のQAでは、設備の自動化よりも先に文書の作成・照合・保管がDXの対象になり、ここを飛ばすと確認作業は紙の時代のまま残ります。 製造業一般の品質保証DXは、検査記録の電子化やトレーサビリティの確保が中心です。製薬でも出発点は同じですが、承認書・手順書・記録の整合性を法令で継続的に求められる点が異なり、文書の食い違い自体が査察の指摘対象になります。 QAとQCの違いは「品質保証(QA)と品質管理(QC)の違いとは？医薬品GMPと最新トレンドまで解説【図解】」で整理しています。 品質保証DXが進まない3つの理由 結論から述べると、DXが進まない原因は担当者の意欲ではなく構造にあり、次の3点に整理できます。 QA人材の不足：業務を知る人が減り、DXを設計できる人がいない 照合・レビュー工数の圧迫：法令が求める文書間チェックが人手の限界を超えている 従来ツールの限界：RPAや検索システムは文書の「意味」を扱えない 1. QA人材の不足と属人化 DXを推進する人材の量が不足していると答えた企業は85.5％にのぼります（IPA『DX動向2026』・2025年度調査）。 製薬のQAではGMPを知る人でなければ業務を設計できず、影響はさらに大きくなります。 人手不足のもとで適時の記録やダブルチェックができず重大な逸脱に至った製剤製造所の事例も公表されています（PMDA「ORANGE Letter No.23」）。 2. 照合・レビュー工数の圧迫 改正GMP省令第20条第2項は、手順書や記録に欠落・不正確・他の文書との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（厚生労働省「GMP省令」）。 不整合の確認だけは文書を横断して読み比べる必要があり、人がダブルチェックしても見落としが残るのは組み合わせの数の問題です。 PMDAの年次報告でも、軽度の不備事項の発出頻度で「文書及び記録の管理（DIを含む）」は3位に入っており、文書管理は指摘を受けやすい領域です（PMDA「GMP/GCTP Annual Report 2024年度」）。 3. RPAや検索など従来ツールの限界 RPAや検索システムは、定型の転記や文書の検索には有効です。 しかし、例えば承認書に「約60分間攪拌」、手順書に「攪拌時間45分」と書かれているような矛盾は、文字列の一致では検出できません。従来ツールは文書の形式を扱えても意味を扱えないため、照合の最終工程が人に残り続けてきました。 参照元：IPA「DX動向2026」（2026年7月）、PMDA「ORANGE Letter No.23」（2025年12月）、PMDA「GMP/GCTP Annual Report 2024年度」（2025年7月）、厚生労働省「GMP省令」 生成AIで変わる文書チェック：意味を読んで矛盾を指摘する 生成AI（LLM）が品質保証DXにもたらす最大の変化は、文書の意味を読んで、表記が違っても矛盾を指摘できる点です。数値・順序・名称の食い違いを段落単位で抽出できるため、「読んで比べる」工程を機械が一次的に担えます。 人の役割は「見つける」から「判断する」へ移り、どちらが正しいか、逸脱として扱うかを決めるのはQA担当者です。減った工数を原因究明に回せることが本質的な効果です。 ただし、事実と異なる内容を出力するハルシネーションは避けられないため、AIの出力を最終版にせず担当者が確認する運用が規制対応の前提です。機密性の高い文書を保護された環境に留める設計と、AIが何を根拠に矛盾と判断したかを辿れる仕組みも欠かせません。 GMP文書の作成・管理は「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」もご覧ください。 品質保証DXの成功事例4選とツール比較 品質保証DXは、大手だけの取り組みではありません。ここでは、企業の公式発表や業界団体の資料で内容を確認できる他社の事例4件と、QA部門で使われる主要ツール4つを紹介します。 他社の成功事例4選 事例は、記録の電子化からデータガバナンスまで着手する段階が異なるものを選んだので、自社がどの段階にいるかを照らし合わせながらお読みください。 ムネ製薬株式会社：測定値の自動取り込みで転記ミスをほぼゼロに 現場帳票システム「i-Reporter」で変更履歴を自動記録して監査証跡を確保し、計測器の測定値を自動転送する仕組みも入れました。 年間20〜30件あった転記ミスはほぼゼロになり、帳票入力時間は50％、最終確認時間は75％短縮されています（シムトップス・PR TIMES、2026年2月）。 大塚製薬株式会社：データガバナンスの仕組みでDIを強化 日本製薬工業協会の2025年度GMP事例研究会で、PIC/Sガイドラインに基づくDI強化活動を発表しました。 DIマスタプランを策定し、リスクに応じて自己点検や監査を進める、ツールより先にデータ統治の仕組みから入る進め方です（日本製薬工業協会、2025年9月）。 東洋製薬化成株式会社：文書管理・CAPA管理システムを内製 文書管理やCAPA管理のシステムを自社で内製し、厚生労働省研究班の報告書で取り上げられました。従業員約200名の規模でも内製で規制対応を進めた例で、米国FDA査察をクリアした実績もあります（東洋製薬化成・PR TIMES、2026年8月）。 中外製薬株式会社：GMP教育管理と作業計画の自動化を含むデジタル基盤 日本IBMと協働し、GMP教育・資格管理、作業計画の自動化、遠隔支援を担う基盤を浮間工場で稼働させました。データインテグリティ対応を含む規制対応の向上を掲げ、他工場への展開も計画しています（中外製薬、2022年11月）。 参照元：シムトップス「ムネ製薬がi-Reporterを導入」（2026年2月）、日本製薬工業協会「2025年度GMP事例研究会」（2025年9月）、東洋製薬化成「内製ITシステム関連の報告書」（2026年8月）、中外製薬「デジタル基盤を構築」（2022年11月） 主要ツール4選の比較表 QA部門のDXに使われるツールは、文書のライフサイクル管理、現場記録の電子化、試験室のデータ管理と担う工程が異なります。どの工程の負荷が最も大きいかで選ぶのが基本で、以下は公式製品ページで確認できる範囲の比較です。 ツール解決する課題向く企業注意点Veeva QualityDocsGxP文書を監査証跡つきで一元管理複数拠点の文書を統合したい製薬・CDMO文書間の意味照合は公式ページに記載なしMasterControlQMS・文書管理・電子バッチレコード・CAPAを統合品質プロセス全体を統合したい企業導入範囲が広く移行計画が要るi-Reporter（シムトップス）紙・Excelの現場帳票を電子化製造記録の転記から着手したい製造業全般記載内容の正誤判定は記載なしLabWare LIMS試験室のサンプル・結果・機器連携を管理QC試験のデータ管理を優先したい企業QA文書の照合機能は記載なし 既存の主要ツールは文書を正しく保管・流通させ、記録を電子で残す工程に強みがあります。一方で、複数の文書を横断して意味の矛盾を見つける工程は人の作業として残っており、この空白を埋めるのが生成AIによる文書の作成と照合です。 参照元：Veeva「Veeva QualityDocs」、MasterControl「MasterControl」、シムトップス「i-Reporter」、LabWare「LabWare LIMS」（2026年9月時点の公式製品ページ） 製薬に特化したQAIと伴走型の導入プロセス このように、基盤が整った先に残るのが、文書の作成と照合という「意味」を扱う工程です。こうした課題に対し、弊社は製薬の品質保証に特化した2つのサービスを提供しています。 QAI Generatorは、フォームの質問に答えるだけで変更申請書などのGMP文書をAIが生成するSaaSです。QAI Checkerは、承認書や製造手順書などをAIが読み取り、数値・工程・順序・名称の齟齬を段落単位で検出するツールです。 いずれも2週間の無料トライアルがあり、QAI Generatorは月額10万円からの使用量に応じた料金です。 導入の実例を2件挙げます。万協製薬株式会社とは変更申請書の草案を自動生成する実証実験を行い、QAI Generatorでは変更申請書を含むGMP文書で70％の業務効率化という結果を公表しています（QAI Generator 導入事例）。 ロート製薬株式会社の品質統括部では、製品スペック（仕様書）作成の自動化から生成AI活用を始める取り組みが進んでおり、効果の数値は未公表ながら現場から手応えが報告されています。 ツールの導入だけでDXは完了しません。弊社は相談・検証・本格導入の3段階を伴走し、まず現状の照合時間を実測して比較の基準を作り、対象文書を1種類に絞って効果を確かめてから広げることを勧めています。 相談段階ではチャット相談型の「AI×DX寺子屋」（月額20万円・税抜で相談し放題）で課題を言語化し、検証段階では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〜）で効果を確かめます。 QA人材の育成には、製薬QA向けの動画教材「AI×DX寺子屋 Learning」もあります。 QAI Generator の詳細はこちら 品質保証DXに関するよくある質問 Q. 品質保証DXは何から着手すべきですか？ 転記が多く確認に時間がかかっている文書1種類から始めるのが現実的です。製造記録の電子化か、変更申請書など定型性の高い文書の作成支援が典型的な入口で、着手前に作業時間を実測しておくと効果を判定できます。 Q. 生成AIの出力をそのままGMP文書として使えますか？ 使えません。ハルシネーションの可能性があるため、担当者の確認と承認を経る前提で運用します。AIは初稿と矛盾候補の抽出を担い、最終判断は人が持つという分担を手順書に明記すると査察でも説明しやすくなります。 Q. 承認書や製造記録を外部のAIに渡しても安全ですか？ 送信先と保存先の確認が前提です。学習利用や二次利用を契約で禁止した環境か、社内に閉じた環境で処理する設計が一般的で、どのデータをどこまで渡すかは情報システム部門とQAが事前に決めておきます。 Q. 製造業一般の品質保証DXと製薬のDXは何が違いますか？ 検査記録の電子化やトレーサビリティの確保は共通です。製薬では、承認書・手順書・記録の不整合がないことを法令で継続的に求められるため、文書間の照合とデータインテグリティの確保が追加の要件になります。 まとめ：品質保証DXは文書の照合を仕組みに変えることから 品質保証DXとは、品質を証明する文書と確認業務をデータで再設計し、人が判断に集中できる体制をつくる取り組みです。3つの理由はいずれも教育や増員だけでは解けず、業務の作られ方を変える必要があります。 製薬のQAでは文書間の不整合をなくすことが法令上の要件で、照合工数の圧迫がDXの出発点になる 他社事例は、記録の電子化、データガバナンス、内製システム、教育管理と、着手する段階が異なる 生成AIは文書の意味を読んで矛盾を指摘でき、人の仕事は「見つける」から「判断する」へ移る 弊社は東京大学松尾研発のAIスタートアップとして、製薬の品質保証業務のAI活用を伴走型で支援しています。品質保証DXをどこから始める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。 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） 製薬の品質保証DXを、伴走型で進めませんか QAI GeneratorとQAI Checkerは2週間の無料トライアルが可能です。どの文書業務から始めるべきかのご相談も承ります。 無料で相談する QAI Generator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。 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。言語モデルは学習データに多い言い回しほど再現しやすいため、日本語を多く学んだモデルほど主語の補い方や敬語の段階を外しにくくなります。 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。学習データと手順を開発元が把握しているぶん、出力の癖を説明しやすい方式です。 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。説明できないと利用が認められず、現場が個別に外部サービスへ入力する抜け道が生まれます。 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。 様式の決まった文書ほど、その様式を学習したかどうかが出力に表れるためです。項目名や文末の形が崩れると、人が直す手間が残ります。 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。作り込んだ指示文や後工程を、別のモデル向けに作り直すことになるためです。 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。社内の決裁で、なぜこのモデルかを説明する材料にもなります。 【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。大きいモデルほど計算資源と応答時間を要する場合が多く、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（＝漏えいすると業務や権利に支障が出る行政情報の区分）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。自社の試験だけでは、試した範囲の安全性しか確かめられないためです。 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。提供元が答えられない項目は、導入後に自社が説明を迫られる項目です。 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。 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（＝学習済みモデルの本体となるデータ）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。質問のたびに関連文書を探して本文を添えるため、学習し直さなくても最新の規程を根拠に答えられます。 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。学習データに少ない領域ほど、もっともらしい表現で穴を埋めやすく、誤りが文面から見分けにくいためです。 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 最初の2項目を先にするのは、業務が決まると情報の区分が決まり、区分が決まると置ける場所と候補が絞られるためです。後半を飛ばすと、運用費が見積もりより膨らんだり、精度不足と分かった時点で切り替え先がなく止まったりします。 弊社は東京大学松尾研発のスタートアップとして、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？ 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。 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。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。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。 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） 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
AI受託開発とは？費用の考え方と依頼できる6領域【2026年】
記事の要約 AI受託開発とは、自社の課題に合わせたAIの企画・開発・運用を外部の専門企業に委託する形態で、既製のサービスでは対応できない領域を埋める選択肢です。 費用は開発するモデルの種類そのものよりも、データの整備状況と、求める精度に応じた検証や運用の工数によって大きく変わります。 委託先を選ぶ際は実績の有無だけでなく、できないことや前提条件を事前に説明してくれるかどうかが判断材料になります。 「自社の業務に合うAIツールが見つからない」 「既製のサービスでは扱えないデータがある」 こうした行き詰まりから、AI受託開発を検討し始める企業が増えています。とはいえ、開発会社に問い合わせても提示される金額の幅が大きく、何を基準に判断すればよいのか分からないという声も多く聞かれます。 本記事では、AI受託開発の位置づけを内製化やSaaS導入と比較したうえで、依頼できる領域を6つに整理します。あわせて、費用が何によって決まるのかという構造と、コストを抑える現実的な方法を具体的に説明します。 国の統計による市場の実態と、弊社が実際に受託した案件の進め方の両面から解説するため、自社が委託すべきかどうかを判断できるようになります。 AI受託開発とは？内製化・SaaS導入との違い AI受託開発とは、企業が自社の課題解決を目的として、AIの企画・開発・実装を外部の専門企業に委託する形態を指します。既製のAIサービスを契約して使うSaaS導入とも、自社の技術者が開発する内製化とも異なり、自社固有の要件に合わせたものを社外の専門性で作る点が特徴です。 3つの選択肢は対立するものではなく、扱う課題によって使い分けるべきものです。定型的な業務、たとえば文書の要約や議事録の作成であれば、既製のサービスを契約するほうが圧倒的に早く安価です。 一方、自社にしか存在しないデータを使う、業界特有の規制要件を満たす、既存の基幹システムと連携させるといった要件が入ると、既製品では対応が難しくなります。この領域が受託開発の出番になります。 内製化については、継続的に開発案件が発生し、技術者を雇用し続ける体制が取れる企業であれば有力ですが、最初の一歩を内製で踏み出すのは難易度が高くなります。委託で進めながら社内に知見を蓄積し、段階的に内製へ移すという順序が現実的です。 内製化との比較は「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」で詳しく解説しています。 なぜ今、AI受託開発の需要が高まっているのか 需要の拡大には、市場の成長と人材の不足という2つの背景があります。まず市場規模です。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割以上伸びる市場では、各社が自社にAIをどう組み込むかを同時に検討している状態であり、着手の速さがそのまま競争上の差になります。 成長は一時的なものではありません。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。AI開発を「いつか検討する」課題ではなく、投資時期を決める課題として捉える企業が増えている理由がここにあります。 次に人材です。開発を担える人材を自社で確保できれば委託の必要はありませんが、その前提が成立していません。DXを推進する人材の「量」が不足していると回答した企業は2025年度で85.5％、「質」については88.8％にのぼり、質の不足感は前年度の86.1％より強まっています。 人を増やしても必要な水準に届いていないという企業が多数を占めているということです。 委託先の側にも制約があります。2024年に新たに資金調達を受けたAI企業の数は、米国が1,073社であるのに対し日本は42社で9位にとどまります。国内で専門性を持つ組織の絶対数が限られていることが、委託先の選定を難しくしている一因です。 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（AI市場規模・AI企業数）／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受託開発に依頼できる6つの領域 AI受託開発は「AIを作ること」だけを指すわけではありません。実際の案件では、作る前後の工程にこそ委託の価値があることが少なくありません。依頼できる領域は次の6つに整理できます。 課題の明確化とデータ分析：何をAIで解くべきかを業務から逆算して定義する PoC（概念実証）：小さな範囲で実現可能性と効果を確かめる カスタムAIモデルの開発：自社データを用いた専用モデルの構築 既存システムへの組み込み：基幹システムや業務システムとの接続 DX推進の支援：AI活用を前提とした業務プロセスの再設計 運用・保守と継続的な改善：精度の監視と再学習の仕組みづくり 最初の「課題の明確化」を省略しないことが、最も重要です。AIプロジェクトが途中で止まる原因の多くは、技術力の不足ではなく、解くべき課題の設定が曖昧なまま開発に入ってしまうことにあります。作りたいものが決まっている前提で見積もりを取ると、この工程が抜け落ちがちです。 2番目のPoCは、投資判断のための工程です。本開発に進むかどうかを、実データで確かめた根拠に基づいて決められるようになります。 最後の運用・保守も見落とされやすい領域です。AIは一度作れば終わりではなく、業務やデータの傾向が変われば精度は落ちていきます。導入時の契約に、運用フェーズの取り決めを含めておく必要があります。 AI受託開発の費用の考え方と抑える3つのコツ 結論から述べると、AI受託開発に画一的な相場は存在しません。同じ「画像認識AIの開発」でも、学習用データが整っているか、どの精度まで求めるか、既存システムとどこまで連携するかで、必要な工数は何倍も変わるためです。 金額の幅だけを比べても判断できないため、何に費用がかかるのかという構造で理解してください。 工程別に見る費用の内訳 費用の大半を占めるのは、モデルの構築そのものではなくデータに関する工程です。学習に使えるデータが社内に整理された形で存在することは稀で、実際には形式の統一、欠損の補完、正解ラベルの付与といった作業が必要になります。 とくに正解データを人手で作るアノテーションの工程は、対象の件数と難易度によって費用が大きく動きます。 次に大きいのが検証の工程で、どこまでの精度を合格とするかによって試行回数が変わります。 そして見落とされやすいのが運用に関する費用です。推論を動かすための計算資源、精度の監視、再学習の実施はいずれも継続的に発生します。 見積もりを比較する際は、総額ではなくこの3つの内訳がどう構成されているかを確認してください。 コストを抑える3つのコツ 第一に、公的な支援制度の活用です。AIの導入や開発は補助金の対象となる場合があり、対象経費や公募時期は制度ごとに異なるため、検討の初期段階で確認しておくと選択肢が広がります。 第二に、スモールスタートです。最初から本開発の見積もりを取るのではなく、対象を1工程に絞った検証から始めれば、初期投資を抑えながら実現可能性を確かめられます。 実際に弊社が支援した株式会社RYODENの事例では、月額数十万円というスモールスタートから協業を開始しており、コスト面での導入ハードルの低さが意思決定を後押ししたと評価をいただいています。 参照元：株式会社EQUES「三菱電機グループ RYODENが語る、生成AI導入の決め手とその成果」 第三に、内製化を前提とした進め方です。開発を丸ごと任せるのではなく、社内メンバーが検討に参加する形にすれば、2回目以降の案件で外部に依頼する範囲を狭められます。 失敗しないAI受託開発会社の選び方と依頼の流れ 委託先の選定は、価格の比較だけでは判断を誤ります。AI開発には、やってみなければ分からない不確実性がどうしても含まれるため、その不確実性をどう扱う相手なのかを見極める必要があります。安請け合いをする相手より、条件と限界を先に示す相手のほうが、結果として投資判断を誤りにくくなります。 ここでは、会社のタイプごとの向き不向きと、問い合わせの段階で確認しておきたい項目を順に整理します。 ココロミ の詳細はこちら AI受託開発会社の比較｜タイプ別の代表的な企業 AI受託開発を手がける企業は、得意領域によっていくつかのタイプに分かれます。特定技術に強い企業は技術領域が明確な案件に、大規模開発を得意とする企業は基幹システムとの連携を含む全社規模の案件に向きます。 コンサルティングを主軸とする企業は課題の定義から入りたい場合に有効ですが、実装が別会社になる場合があるため体制の確認が必要です。研究開発型の企業は、既存手法では解けない難易度の高いテーマに向いています。 代表的な企業を、各社が公式サイトで掲げている事業内容とあわせて整理します（掲載順は五十音・アルファベット順ではなく、タイプごとのまとまりです。特徴は各社公式サイトの記述に基づき、優劣を示すものではありません）。 会社名タイプ公式サイトの記述に基づく特徴Preferred Networks研究開発型AI半導体・計算基盤・生成AI基盤モデル・AIプロダクトの4層を自社開発する垂直統合。製造業からエンタメまで幅広い産業向け松尾研究所研究開発型・人材育成深層学習の研究力を基盤に概念実証から実用化まで取り組むAIソリューション開発と、AI人材育成の2事業Laboro.AIカスタムAI受託オーダーメイドの「カスタムAI」の開発・提供。長期的にイノベーション創出を支援する共創パートナーを掲げるRidge-i特定技術（画像・衛星・最適化）生成AI・画像解析・数理最適化などのAIソリューションを戦略策定から運用改善まで提供。衛星データ解析で受賞歴PKSHA Technologyアルゴリズム開発＋SaaS自然言語処理・画像認識・機械学習のアルゴリズムをソリューションとして提供し、成果をSaaS化。4,400社以上の導入実績ABEJAプラットフォーム＋実装支援DX実行に必要なプロセスを提供する「ABEJA Platform」を軸に、LLMのビジネス実装や基幹業務改革を支援ブレインパッドデータ活用コンサル＋開発アナリティクスとエンジニアリングでデータ活用を実装するプロフェッショナル・サービスと、SaaSプロダクトの2軸エクサウィザーズプロダクト＋変革支援生成AIとAIエージェントを核に、業務効率化から経営変革までを支援するAIプロダクト群AVILENコンサル＋開発＋育成AI戦略コンサルティング、AIソフトウェアの開発・導入、人材育成を一気通貫で支援。約1,000社の支援実績大手SIer（NEC・富士通・日立製作所・NTTデータ等）大規模開発基幹システムとの連携や全社規模の実装体制。既存システムの保守ベンダーと同一の場合は連携が容易総合コンサルティング（アクセンチュア・PwC等）戦略〜実装経営課題の定義から入る案件に向く。実装体制と費用構造は個別確認が必要 一覧を見比べると分かるとおり、「AI受託開発会社」と一括りにしても、研究開発力を売りにする企業、プロダクトを軸に据える企業、コンサルティングから入る企業では、得意な案件も費用の構造もまったく異なります。自社の案件がどのタイプかを先に見極めると、候補を絞り込めます。 研究開発型の企業は難易度の高いテーマに強い一方、汎用的な業務であればSaaSやプロダクトを持つ企業のほうが早く安く済むこともあります。 参照元：各社公式サイト（2026年9月時点の記述） 見積もり前に確認すべきチェックポイント 問い合わせの段階で、次の項目を確認してください。 □ 自社と近い業種・業務での実績が公開されているか □ できないことや前提条件を先に説明してくれるか □ 結果だけでなく、その結論に至った根拠を説明できるか □ 小さく始められる契約形態があるか □ 開発した成果物の権利の扱いが契約で明確か □ 運用フェーズの体制と費用が示されているか □ 技術者本人と直接話せる体制か 依頼から運用までの流れは、相談と課題の整理、PoCによる検証、本開発、運用・改善という順に進むのが一般的です。各段階の終わりに、次へ進むかどうかを判断する機会を設けておくと、想定と違った場合の損失を小さく抑えられます。 上の分類でいえば、弊社は研究開発型に近い立ち位置で、東京大学松尾研発のスタートアップとしてAIを用いた伴走型の技術開発を提供しています。 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。 製薬の品質保証領域では、GMP文書業務を効率化する「QAI Generator」を提供しており、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。GENIACへの採択実績もあります。 複数のQA文書間の齟齬を自動検出する「QAI Checker」もご利用いただけます。まず何から相談すべきか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」もご用意しています。 開発全体の流れについては「【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」、検証工程の詳細は「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」もあわせてご覧ください。 受託先を比較する基準は、生成AI開発会社の選び方と比較基準をまとめた記事で7つの観点に分けて解説しています。 AI受託開発に関するよくある質問 Q. AIについて詳しくないのですが、相談できますか？ 問題ありません。むしろ課題の整理から一緒に進めるほうが、結果的に無駄のない開発になります。技術的な選択肢の説明は委託先の役割ですので、業務上困っていることを具体的に伝えていただければ十分です。 Q. 開発期間はどのくらいかかりますか？ 検証段階であれば数か月単位が目安となりますが、対象範囲とデータの整備状況によって変わります。期間を短縮したい場合は、工程を減らすのではなく検証するテーマを絞るほうが確実です。 Q. どのようなデータがあれば開発できますか？ 必要なデータは目的によって異なります。過去の実績や記録が電子的に残っていれば出発点になりますが、紙の記録しかない場合は、まずデータ化の工程から検討することになります。相談時に現状のまま共有いただければ判断できます。 Q. 開発したAIの知的財産権はどちらに帰属しますか？ 契約によって定めるため、案件ごとに取り決めが必要です。成果物・学習済みモデル・学習に用いたデータそれぞれについて扱いが異なる場合があるため、契約前に範囲を確認してください。 Q. 既存のシステムを入れ替える必要がありますか？ 必ずしも必要ではありません。既存システムに機能を追加する形での実装も可能です。現行環境を活かせるかどうかは、接続の仕様を確認したうえで判断することになります。 まとめ AI受託開発は、既製のサービスでは扱えない自社固有の課題に対して、外部の専門性を短期間で取り込むための手段です。費用や期間は画一的に決まるものではなく、データの状態と検証の設計によって大きく変わります。本記事の要点は次のとおりです。 AI受託開発は内製化・SaaS導入と対立するものではなく、自社データや規制要件が関わる領域で選ぶ手段である 費用の大半はモデル構築ではなくデータ整備と検証、運用に関わる工程で決まる 委託先は価格ではなく、できないことを先に説明できるか、小さく始められるかで選ぶ 何を解くべきかが定まれば、開発の規模も費用の見通しも具体的になります。課題の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。 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） AI受託開発をご検討の方へ 課題の整理から小さな検証まで、東京大学松尾研発のチームが伴走します。 無料で相談する ココロミを見る
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
記事の要約 プロンプトエンジニアリングとは、生成AIへの指示文を設計し、狙った出力を安定して得られるようにする取り組みのことです。 指示文の精度は、役割・前提条件・出力形式・禁止事項という4つの要素をどれだけ具体的に書けるかで大きく左右されます。 指示の工夫だけでは埋まらない領域もあり、正確さが厳しく問われる専門業務では仕組み側での対応が必要になります。 生成AIを使ってみたものの、返ってきた文章が当たり障りのない内容で、結局は自分で書き直している。多くの現場で起きているこの状況の原因は、AIの性能ではなく指示の出し方にあります。 本記事では、プロンプトエンジニアリングの基礎を短く整理したうえで、業務でそのまま試せるプロンプト例を10個紹介します。あわせて、出力の精度を上げる5つのコツと、研究で有効性が示されている代表的な手法も解説します。 単なる例の羅列ではなく、なぜその書き方が効くのかまで示すため、自社の業務に合わせて応用できるようになります。東京大学松尾研発のAI開発企業として企業の生成AI活用を支援してきた弊社の経験も踏まえています。 プロンプトの工夫では超えられない限界にも触れるので、どこまでを指示で解決し、どこからを仕組みで解決すべきかの線引きも見えてくるはずです。 プロンプトエンジニアリングとは？基礎を3分で整理 プロンプトエンジニアリングとは、生成AIに与える指示文（プロンプト）を設計し、目的に合った出力を安定して得られるようにする技術です。同じAIでも、指示の書き方ひとつで出力の質は大きく変わります。曖昧な指示に対してAIは最も無難な答えを返すため、平凡な結果になるのは当然ともいえます。 この技術が業務上重要になる理由は、再現性にあります。個人が試行錯誤の末に良い出力を得ても、その手順が共有されなければ組織の成果にはなりません。 実際、企業の生成AI活用は個人利用や試験利用が中心で、全社的なサービスに組み込まれている企業は18.6％にとどまります。5社に4社以上は、まだ個人の工夫の段階にあるということです。 部署ごとの差も大きく開いています。生成AIを利用している部署は「ITシステム」が71.9％、「経営企画」が69.0％と、管理系が先行しています。 一方、「製造」は35.7％、「調達」は31.3％、「流通」は23.9％と、現場業務に近い部署ほど活用が進んでいません。 管理部門と現場の間には、およそ2倍の開きがあります。業務ごとに再現できるプロンプトを整備することは、この差を埋める現実的な手段になります。 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） すぐ使えるプロンプトエンジニアリング例10選 ここからは、実際の業務で使えるプロンプト例を紹介します。いずれもそのまま貼り付けて試せる形にしていますが、重要なのは文面をまねることではなく、どの要素が効いているかを理解することです。同じ構造を自分の業務に当てはめれば、例にない場面でも応用できるようになります。 そこで各例には、その指示が機能する理由を一言添えました。前半は部署を問わず使える汎用業務、後半は製薬・製造・小売の専門業務に分けて紹介します。 汎用業務で使えるプロンプト例5つ 1. 議事録の要約「あなたは経営会議の書記です。以下の議事録を、決定事項・保留事項・次回までの宿題の3つに分類して箇条書きにしてください。担当者名と期限が記載されている項目は必ず含めてください。推測で補完せず、記載のない情報は『記載なし』としてください。」役割を与え、分類の枠を先に指定し、さらに推測を禁じている点がポイントです。最後の一文がないと、AIは空欄をもっともらしく埋めてしまいます。 2. 社外メールの下書き「取引先の購買担当者に送る、納期遅延のお詫びメールを作成してください。遅延は3営業日、原因は部材の調達遅れ、代替案として分納を提案します。丁寧かつ簡潔に、300字程度で。言い訳がましい表現は避けてください。」相手・状況・提案・文量・避けたい表現まで指定すると、修正の手間が大きく減ります。 3. 資料の構成案づくり「製造部門の管理職15名向けに、生成AIの社内活用をテーマとした30分の説明資料の構成案を作ってください。聞き手はAIに詳しくなく、コスト対効果に関心があります。見出しと各スライドで伝えたい一文をセットで提示してください。」聞き手の属性と関心事を書くと、内容の焦点が定まります。 4. 情報の比較整理「以下の3つのサービスについて、料金体系・導入期間・サポート範囲・制約事項の4項目で比較表を作ってください。資料に記載がない項目は空欄とし、推測は記入しないでください。」比較軸を自分で決めて渡すことが精度の分かれ目です。軸を指定しなければ、AIは都合の良い軸で表を作ります。 5. 文章の校正「以下の文章を校正してください。修正案だけでなく、なぜ修正が必要かの理由を各指摘に添えてください。事実関係の誤りが疑われる箇所は、修正せずに指摘だけしてください。」理由を求めることで、採用するかどうかを自分で判断できるようになります。 専門業務で使えるプロンプト例5つ 6. 製薬｜逸脱報告書の下書き「医薬品製造における逸脱報告書の雛形を作成してください。含めるべき項目は、発生日時・発見者・逸脱の概要・製品品質への影響評価・暫定措置・是正措置および予防措置（CAPA）です。各項目に、記載時の確認観点を注釈として添えてください。」枠組みの作成には有効ですが、内容の妥当性は必ず人が判断する前提で使ってください。 7. 製薬｜手順書の確認観点の洗い出し「以下のSOPと作業記録を読み、記載が食い違っている可能性がある箇所と、その理由を挙げてください。断定はせず、確認が必要な観点として列挙してください。」断定を避けさせることで、見落としの気づきを得る使い方に寄せられます。 8. 製造｜不具合の原因候補の列挙「以下の不具合報告を読み、考えられる原因を人・機械・材料・方法の4つの観点で分類して挙げてください。各原因について、それを確かめるための確認方法もセットで示してください。」分析の枠組みを指定すると、発想の偏りを防げます。 9. 製造｜作業手順書の言い換え「以下の作業手順書を、入社1年目の作業者が読んで理解できる表現に書き換えてください。専門用語は残したうえで、初出時に短い注釈を付けてください。手順の順序と安全上の注意は絶対に変更しないでください。」変えてよい部分と変えてはいけない部分を明示するのが要点です。 10. 小売｜販促文の複数案生成「この商品の紹介文を3案作成してください。1案目は機能の具体性を重視、2案目は使用シーンの描写を重視、3案目は価格の納得感を重視してください。各案の狙いも一行で添えてください。」1つの正解を求めず、方向性の違う案を並べさせると比較検討が進みます。 精度を上げる5つのコツと代表的な手法 10個の例を見て気づかれたかもしれませんが、効くプロンプトには共通する構造があります。役割を与え、前提を伝え、出力の形を決め、やってほしくないことを先に断る。この4点が揃っているかどうかで、返ってくる内容の質は大きく変わります。 ここからは、その構造を意識的に使えるようにするための考え方と、研究によって効果が確認されている手法の両方を整理します。 書き方の5つのコツ 第一に、役割を与えることです。「あなたは品質保証の担当者です」と前置きするだけで、使われる語彙と観点が業務寄りに変わります。 第二に、出力の形式を指定することです。箇条書きなのか表なのか、何字程度かを指定すれば、後工程の手直しが減ります。 第三に、前提条件を書くことです。読み手が誰で、何のために使う文書なのかを伝えると、内容の焦点が定まります。 第四に、やってほしくないことを明示することです。「推測で埋めない」「事実は断定しない」といった禁止事項は、生成AIが苦手とする誤った補完を抑える効果があります。 第五に、一度で完成させようとしないことです。出力を見てから「3番目の項目をもっと具体的に」と追加で指示するほうが、長大な初回プロンプトを書くより早く目的に近づきます。 研究で示されている代表的な手法 プロンプトの工夫は経験則だけでなく、研究によって効果が確認されているものがあります。代表的なのが、少数の例を示してから本題を与える手法です。 大規模言語モデルが少数の例示から課題を理解できることは、2020年の研究で示されました。出力形式が定まらないときは、望ましい入出力の組を2〜3個添えるだけで安定します。 もう一つが、答えだけでなく考える過程を書かせる手法です。2022年に発表された研究では、途中の推論を段階的に書かせることで、計算や論理を含む課題の正答率が向上することが報告されています。 実務では「結論の前に、判断の根拠を順に説明してください」と加えるだけでも効果が期待できます。これらの手法は特定のサービスに依存しないため、利用しているAIが変わっても応用できます。 参照元：Brown et al.「Language Models are Few-Shot Learners」（2020年）／Wei et al.「Chain-of-Thought Prompting Elicits Reasoning in Large Language Models」（2022年） うまくいかない時の改善手順と、プロンプトの限界 期待どおりの出力が得られない場合、闇雲に文面を書き換えるのではなく、原因を切り分けてください。確認する順序は、1つ目に指示が曖昧でないか、2つ目に必要な情報を与えているか、3つ目にそもそもAIが知り得ない情報を求めていないか、の3つです。 自社の社内規程や最新の製品仕様のように、AIが学習していない情報を前提とした質問には、いくら指示を工夫しても正しく答えられません。この場合に必要なのは、プロンプトの改善ではなく、社内文書を参照させる仕組みの導入です。 もう一つ、指示の工夫では埋めきれない領域があります。それが、正確さが厳しく問われる専門業務です。たとえば医薬品の品質保証で扱うGMP文書は、規制要件との整合や、複数文書間で記載が矛盾していないことが求められます。 汎用の生成AIに雛形を作らせること自体は可能ですが、規制要件を満たす精度で仕上げることや、数十ページにわたる文書群の齟齬を漏れなく検出することは、プロンプトの工夫だけでは困難です。この領域では、業務に特化して設計された仕組みを使うほうが確実です。 弊社は東京大学松尾研発のスタートアップとして、製薬の品質保証業務に特化したサービスを提供しています。 「QAI Generator」は、質問に答えるだけで必要書類をAIが自動作成するGMP文書業務の効率化サービスです。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。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。 企業導入の課題と学習ロードマップ 個人がプロンプトを工夫できるようになっても、組織としての成果にはすぐに結びつきません。企業導入で共通して挙がる課題は、成果が個人に閉じること、機密情報の扱いが不明確なこと、そして評価基準がないことの3つです。 対策としては、業務ごとにうまくいったプロンプトを共有する場を作ること、入力してよい情報の範囲を社内ルールとして明文化すること、そして「手直しにかかる時間」など簡単な指標で効果を測ることが有効です。 学習の進め方としては、基礎的な書き方を覚える段階、自分の担当業務で型を作る段階、部門内で共有して改善する段階の順に進めると無理がありません。独学で行き詰まる多くの理由は、2段階目の「自分の業務に翻訳する」ところにあります。 弊社の「AI×DX寺子屋」は、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サービスで、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。 業務特化型の教材で学びたい場合は、1回約10分の動画と確認テスト、コピー＆ペーストできる実務用プロンプトテンプレートを備えた「AI×DX寺子屋 Learning」もご用意しています。 社内ルールの整備については「【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）」、研修の比較は「【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」もあわせてご覧ください。 AI×DX寺子屋 の詳細はこちら プロンプトエンジニアリングに関するよくある質問 Q. ChatGPT以外のAIでも同じプロンプトは使えますか？ 基本的な考え方は共通して使えます。役割の付与、出力形式の指定、禁止事項の明示といった要素は、サービスを問わず有効です。ただし得意分野や応答の癖は異なるため、細部の調整は必要になります。 Q. プロンプトエンジニアリングに将来性はありますか？ 指示文を細かく調整する作業そのものは、モデルの性能向上によって簡略化されていく可能性があります。一方で、業務を分解して「何をAIに任せるか」を設計する力は、引き続き必要とされる領域だと考えられます。 Q. 無料で学べる資料はありますか？ 主要なAIサービスの提供元は、公式ドキュメントとして指示文の設計指針を無料で公開しています。代表的なものに、OpenAIの「Prompt engineering」ガイドや、Anthropicの開発者向けドキュメントがあります。研究の原典も論文公開サイトで無料で読めるため、手法の背景まで確認したい場合はそちらが確実です。 Q. 企業でプロンプト活用を始める際の初期費用はどのくらいですか？ ツール利用料のみであれば、まずは利用者分のライセンス費用から始められます。一方、社内文書を参照させる仕組みや専用サービスを導入する場合は、対象業務の範囲によって費用が変わるため、個別の見積もりが必要です。 Q. プロンプトの作成を外部に委託できますか？ 可能です。ただし、業務の中身を最も理解しているのは社内の担当者であるため、外部が型を提供し、社内で運用しながら改善していく分担が現実的です。 まとめ プロンプトエンジニアリングは、特別な技術というより、AIに仕事を頼むときの伝え方を整えることに近い取り組みです。役割・前提・出力形式・禁止事項を具体的に書くだけで、出力の質は大きく変わります。本記事の要点は次のとおりです。 効くプロンプトには共通構造がある。10の例は文面ではなく構造をまねて応用する 少数の例示や、推論過程を書かせる手法は研究でも効果が示されており、サービスを問わず使える AIが知り得ない情報や、規制対応が求められる専門業務は、指示の工夫ではなく仕組みで解決する まずは自分の担当業務で1つ、繰り返し使える型を作ってみてください。そこから先の仕組み化でお困りのことがあれば、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） プロンプト活用を組織に広げたい方へ 業務ごとの型づくりから、指示の工夫では届かない領域の仕組み化まで相談できます。 無料で相談する AI×DX寺子屋を見る