開発会社から届いた提案書に「基盤モデルを活用した構成とします」と書かれていても、それが具体的に何をする作業なのかは分かりません。しかも 2 社の提案書に同じ趣旨の記述があるのに、見積金額は一方が数百万円、もう一方が数千万円と桁が違います。この状況で稟議を上げるよう求められている担当者は、少なくありません。
金額差の正体は、技術の難易度ではなく「基盤モデルをどう扱うか」の差にあります。既にできあがったモデルを API 経由で呼び出すだけなのか、自社のデータでモデルそのものに手を加えるのかという違いによって、発生する費用の項目とタイミングが根本的に変わります。ところが「基盤モデルとは」で検索すると用語の定義とモデル名の紹介が中心に出てきて、費用の話は別のキーワードの記事に分かれています。発注判断に必要な「用語」と「費用」をつなぐ情報が、間で分断されているのです。
この分断を埋める鍵は、基盤モデルの活用方式を「そのまま利用」「プロンプト設計」「RAG」「独自学習」という 4 段階の階段として捉えることです。提案内容がどこに位置するかを特定できれば、見積に載っているべき費用項目が見えてきます。
本記事では、基盤モデルの意味と LLM・生成 AI との関係を整理したうえで、提案書の「基盤モデルを活用」を 4 段階に読み分ける方法、利用型と独自学習型の費用構造の違い、発注前に確認すべき 4 つの論点をまとめます。読み終えたときに、提案書の該当箇所を指しながら金額の根拠を質問できる状態を目指します。
システム開発の費用を正しく理解するガイドブック――相場・見積チェックリスト・予算策定テンプレート付き

この資料でわかること
発注検討者がシステム開発の費用体系を正しく理解し、「この見積は適正か」「どのくらい予算を確保すれば良いか」を自分で判断できるようになること。
こんな方におすすめです
- システム開発の発注を初めて担当する方
- 複数社の見積もりを比較・評価したい方
- IT投資の社内稟議を通す根拠を固めたい方
入力いただいたメールアドレスにPDFをお送りします。
基盤モデルとは?事前学習済みの汎用AIモデルという意味

基盤モデル(Foundation Model)とは、大量のデータであらかじめ学習を済ませておき、そこから多様な用途へ応用できるようにした AI モデルを指します。「基盤」という訳語が示すとおり、これは完成した業務システムではなく、その上に何かを載せるための土台です。この「土台であって完成品ではない」という性質が、のちほど扱う費用差を理解する前提になります。
この語は 2021 年にスタンフォード大学の研究センター CRFM が発表した報告書で提唱されました。同報告書は、こうしたモデルが中心的な役割を担う一方でそれ自体は未完成な性格を持つことを強調するために「foundation models」と呼ぶと述べています(On the Opportunities and Risks of Foundation Models, Stanfo…)。用語の出発点から「土台」という含意が込められているわけです。
事前学習と適応という2段階のしくみ
基盤モデルの作られ方は、大きく 2 段階に分かれます。
第 1 段階は事前学習です。インターネット上のテキストや画像といった膨大なデータを読み込ませ、言葉や画像の一般的なパターンをモデルに獲得させます。この工程には大規模な計算資源が必要で、一般の企業が単独で負担できる水準を超えます。言い換えれば、事前学習はモデルの提供元がすでに済ませてくれている工程です。
第 2 段階は適応です。事前学習を終えたモデルを、自社の業務という個別の用途で使える状態に持っていく工程を指します。指示の書き方を工夫する方法から、自社データを読み込ませる方法、モデル自体を追加学習させる方法まで、複数の選択肢があります。
発注者が費用を負担するのは、原則としてこの第 2 段階以降です。どこまで踏み込むかが、見積金額を左右します。
ファウンデーションモデル・ベースモデルという呼び方との関係
提案書や記事では、同じものが異なる呼び方で登場します。ファウンデーションモデルは Foundation Model のカタカナ表記で基盤モデルと同義、ベースモデルはモデル提供元の資料でよく使われる表現です(基盤モデルとは、Google Cloud)。幅広い用途に使える点を強調して汎用 AI モデルと書かれることもあります。
いずれも指している対象は同じと考えて差し支えありません。提案書で呼び方が揺れていても、それ自体は問題ではありません。確認すべきなのは呼び方ではなく、そのモデルに対して何をするのかという部分です。
基盤モデルとLLM・生成AIの違い(包含関係の整理)
基盤モデル・LLM・生成 AI の 3 語は混同されやすいのですが、並列ではなく入れ子の関係にあります。
用語 | 範囲 | 関係 |
|---|---|---|
生成 AI | 文章・画像・音声などを生成する AI の総称 | 最も広い概念 |
基盤モデル | 大量データで事前学習され、多様な用途に適応できるモデル | 生成 AI を実現する中核的な部品 |
LLM(大規模言語モデル) | 言語を扱うことに特化した基盤モデル | 基盤モデルの一種 |
つまり「生成 AI > 基盤モデル > LLM」という包含関係です。LLM はすべて基盤モデルですが、基盤モデルは LLM だけではありません。画像を扱うモデルや、テキストと画像を同時に扱うモデルも基盤モデルに含まれます。
この関係を押さえておくと、提案書の「LLM を活用」は扱う対象が言語に限られる記述であり、「基盤モデルを活用」は言語以外のデータも射程に入りうる記述だと読み分けられます。後者の場合は、のちほど触れる対応範囲の確認が必要です。
なぜ発注者が基盤モデルの扱い方を押さえる必要があるのか

基盤モデルの内部構造まで理解する必要は、発注者にはありません。必要なのは「提案されている内容が、基盤モデルに対して何をする作業なのか」を読み分けられることです。ここを押さえずに金額だけを比べると、安い方を選んで精度不足に陥るか、高い方を選んで過剰投資と指摘されるかのどちらかになりがちです。
提案書の「基盤モデルを活用」が指す範囲は1つではない
「基盤モデルを活用します」という一文は、相当に幅のある記述です。この一文でカバーされうる作業内容には、次のようなものが含まれます。
- 既存の基盤モデルを API で呼び出し、自社システムと連携させるだけ
- 呼び出すときの指示文(プロンプト)を業務別に設計・検証する
- 自社の文書を検索して、その内容をモデルに渡す仕組みを構築する
- 自社データでモデルを追加学習させ、専用のモデルを作る
いずれも「基盤モデルを活用」に当てはまりますが、必要な工数、整備すべきデータの量、運用後に継続して発生する費用はまったく異なります。提案書を読むときの最初の作業は、この一文がどの作業を指しているのかを特定することです。
扱い方の違いが見積の桁を変える理由
見積の桁が変わる理由は、発生する費用の種類が増えることにあります。
既存モデルを呼び出すだけであれば、発注者が支払うのはシステム側の実装工数と、利用量に応じたモデルの利用料です。自社データを学習させる方式になると、ここに「学習データを集めて整える工数」「学習を実行する計算費用」「精度を評価する工数」「精度が足りない場合に学習をやり直す工数」が加算されます。しかも学習データの整備は、データの量と散らばり具合に応じて工数が膨らみやすい工程です。
つまり金額差は「同じ作業を高く見積もっているか安く見積もっているか」ではなく、「含まれている作業項目の数そのものが違う」ことから生まれている場合が多いのです。この前提で読み比べると、比較の軸が金額から作業範囲へ移り、議論できる状態になります。
提案書に出てくる基盤モデルの種類と活用方式
提案書で遭遇する分類は、おおむね 3 つの軸に整理できます。モデルの名前を一つひとつ覚える必要はありません。それぞれの軸が費用にどう効くかだけを押さえてください。
クローズドモデルとオープンウェイトモデルの違い
1 つ目の軸は、モデルの提供形態です。
クローズドモデルは、提供元のサービス経由でのみ利用できるモデルです。内部データは公開されておらず、利用者は API を通じて呼び出します。費用は従量課金が中心で、主要な提供元はいずれも入出力のトークン(文章を細かく区切った単位)量に基づく料金体系を公開しています(OpenAI Pricing、Anthropic Pricing)。自社でサーバーを用意する必要がない反面、利用量が増えればそのまま料金が増えます。
オープンウェイトモデルは、モデルのデータ自体が公開されており、自社や開発会社の環境で動かせるモデルです。モデルの利用料はかかりませんが、動かすための計算環境(GPU を備えたサーバー)の費用と運用管理の工数が発生します。利用量が少ないうちは割高になりやすく、一定量を超えると従量課金より有利になる構造です。
提案書にどちらが前提として書かれているかで、費用が「使った分だけ増える形」か「固定的に発生する形」かが変わります。なお、個別のモデルをどう選ぶかという判断軸はLLMモデルの選び方で整理しています。
テキスト中心かマルチモーダルかという対応範囲の違い
2 つ目の軸は、モデルが扱えるデータの範囲です。
テキストのみを扱うモデルと、画像や音声も併せて扱えるマルチモーダルモデルがあります。扱う対象が社内文書やメールだけであればテキスト中心のモデルで足りますが、設計図面や現場写真、通話音声を処理したい場合はマルチモーダル対応が必要です。
この軸は費用に直接影響します。画像や音声は文章より情報量が大きいため、同じ件数でも従量課金の金額は大きくなりがちです。提案書に「将来的に画像にも対応」と書かれている場合は、その時点で費用が跳ね上がる可能性があるため、増加幅の目安を確認しておくとよいでしょう。
活用方式の4段階(そのまま利用・プロンプト設計・RAG・独自学習)
3 つ目の軸が、本記事の中核です。基盤モデルの活用方式は、手を加える深さに応じて 4 段階に並べられます。
段階 | 方式 | 何をするか | 費用の性質 |
|---|---|---|---|
1 | そのまま利用 | 既存モデルを API で呼び出し、システムと連携する | 初期は実装工数のみ。運用は従量課金が主 |
2 | プロンプト設計 | 業務別に指示文を設計し、出力品質を検証する | 段階 1 に設計・検証の工数が加わる |
3 | RAG(検索を併用) | 自社文書を検索し、その内容をモデルに渡す | 文書の整備・検索基盤の構築工数が加わる |
4 | 独自学習 | 自社データでモデルを追加学習させる | データ整備・学習・評価・再学習の工数が加わる |
段階が下に進むほど、初期にかかる工数と費用が増えます。重要なのは、段階 1 から 3 まではモデル自体に手を加えていない点です。モデルそのものを自社向けに作り変えるのは段階 4 だけです。
提案書を読むときは、まずこの表のどこに該当するかを判定してください。「自社データを活用します」という記述だけでは段階 3 と段階 4 の区別がつかないため、「学習させるのか、検索して渡すだけなのか」を明確にする必要があります。この 1 問が、見積金額の妥当性を判断する入口になります。
利用型(基盤モデルをそのまま使う)の費用構造
ここからは費用構造を方式別に見ていきます。まず、基盤モデルをそのまま利用する方式(前述の段階 1 から 3)です。
初期費用が小さく従量課金が主になる
この方式で初期に発生するのは、モデル自体の開発費ではなく、モデルを業務で使えるようにする周辺作業の工数です。具体的には次の項目が見積に並びます。
- 既存システムや社内ツールとモデルを連携させる実装
- 業務別の指示文の設計と、出力品質の検証
- 利用者向けの画面の作成、権限・ログの設計
- (段階 3 の場合)社内文書の整備と検索の仕組みの構築
モデルの事前学習は提供元が完了しているため、ここに費用はかかりません。その結果、独自学習型と比べて初期費用は小さく収まります。
一方で運用開始後は、利用量に応じた従量課金が継続的に発生します。主要な提供元の料金はトークン量を単位としており、処理する文章が長くなるほど、件数が多くなるほど料金は増えます。初期費用の安さだけで方式を選ぶと、運用後の累計額で判断を誤る可能性があります。
運用後に費用が膨らむ4つの条件
従量課金が予算を超えやすくなる条件は、おおむね次の 4 つに整理できます。
- 処理件数が想定を超える: 社内で便利さが認知されて利用が広がると、件数が当初想定の数倍になることがあります。試験導入時の件数で予算を組んでいると差が出やすい部分です
- モデルに渡す文章が長い: 参考資料をまとめて渡す設計では 1 件あたりの処理量が大きくなります。段階 3 の RAG では、検索で取ってくる文書の量が直接料金に跳ね返ります
- 出力の作り直しが多い: 条件を変えて何度も生成し直す運用になっていると、処理回数は利用件数より膨らみます
- 画像・音声の処理を併用する: テキスト以外のデータは情報量が大きく、同じ件数でも料金が大きくなります
稟議資料で運用費を見積もる際は、提案書の想定件数が何を根拠にしているか、件数が 2 倍・3 倍になった場合の料金はいくらになるかを開発会社に算出してもらうのが確実です。
システム開発の費用を正しく理解するガイドブック――相場・見積チェックリスト・予算策定テンプレート付き

この資料でわかること
発注検討者がシステム開発の費用体系を正しく理解し、「この見積は適正か」「どのくらい予算を確保すれば良いか」を自分で判断できるようになること。
こんな方におすすめです
- システム開発の発注を初めて担当する方
- 複数社の見積もりを比較・評価したい方
- IT投資の社内稟議を通す根拠を固めたい方
入力いただいたメールアドレスにPDFをお送りします。
独自学習型(基盤モデルに自社データを学習させる)の費用構造

次に、基盤モデルに自社データを学習させる方式(段階 4)です。代表的な手法がファインチューニングで、事前学習済みのモデルに追加の学習を行い、自社の業務に合った出力傾向を獲得させます。この方式の費用構造で最も重要なのは、費用の大半が「モデルの学習」そのものではない点です。
費用の大半を占めるのは学習データの整備
モデルに学習させるには、学習用のデータを用意しなければなりません。社内にあるデータをそのまま渡せば済むわけではなく、次のような工程が必要です。
- 収集: 対象業務のデータがどこにあるかを洗い出し、集約する
- 整形: ばらばらの形式を学習に使える統一形式へ変換する
- 正解付け: 「この入力にはこの出力が正しい」という対応関係を付与する
- 品質確認: 誤りや重複、業務ルールと矛盾する記述を除去する
- 権利・機密の確認: 顧客情報や第三者の著作物が含まれていないかを確認する
このうち正解付けと品質確認は、業務を理解している人が判断する必要があるため、自動化しにくく工数が読みにくい工程です。社内の担当者が関わるため、開発会社への支払い以外に自社側の稼働も発生します。見積を読むときは、この工程が誰の担当として書かれているかを必ず確認してください。「データは貴社からご提供いただく前提」と書かれている場合、整備工数は見積に含まれていません。
なお、学習を実行する工程そのものの料金は、主要な提供元が学習に使ったトークン量に基づく体系を公開しています(Fine-tuning, OpenAI)。データ整備の工数と比べると、ここが費用の主役になることは多くありません。
ただし、学習をどこで実行できるかという提供経路は提供元ごとに異なり、同じ提供元でも時期によって変わります。たとえば OpenAI は 2026 年 5 月 7 日以降、セルフサーブのファインチューニングへのアクセスを段階的に制限しており、2027 年 1 月 6 日には既存の利用組織も新規の学習ジョブを作成できなくなる予定です(Deprecations, OpenAI)。提案書を読むときは、学習をどの提供元のどの経路(提供元の API、クラウド事業者の学習基盤、オープンウェイトモデルを自社環境で学習させる構成など)で実施する前提なのか、その経路が契約期間中も提供され続けるのかを確認してください。これは、のちほど挙げる確認事項のうち「モデルの更新・提供終了時の費用負担」と直結する論点です。
学習は一度では終わらない(評価と再学習の反復)
独自学習型でもう一つ見落としやすいのが、学習が一度で完了しないという点です。
学習させたモデルは、精度を評価しなければ業務に使えるか判断できません。評価結果が目標に届かない場合は、学習データを見直して再度学習させることになります。この「学習 → 評価 → データ修正 → 再学習」の反復が、独自学習型の工数が膨らむ主要な原因です。
さらに、運用開始後にも再学習が必要になる場面があります。
- 業務ルールや商品構成が変わり、過去のデータに基づく出力が実態と合わなくなった
- 扱うデータの傾向が変わり、精度が低下した
- 土台となる基盤モデルが更新され、追従する必要が生じた
これらは「再発する費用」です。見積が初期構築分だけを示している場合、運用開始後の再学習費用は別途発生します。年あたり何回の再学習を想定しているか、1 回あたりの費用はいくらかを確認し、稟議資料には初期費用と運用費用を分けて記載するのが安全です。
運用後に効いてくる推論コストの見方
学習が終わったモデルを業務で使う段階では、推論コストが発生します。推論とは学習済みモデルに入力を与えて出力を得る処理で、利用するたびに費用が発生します。
独自学習型を選んだ場合、「学習費用を払い終えたから、あとは安く使える」とは限りません。自社向けに追加学習したモデルは専用の実行環境を確保する構成になることがあり、その場合は利用量が少なくても環境の維持費がかかります。学習にかかる一度きりの費用と、推論にかかる継続的な費用は、別項目として見積に並んでいるべきものです。それぞれの内訳や計算方法は学習コストと推論コストの違いで整理しています。
利用型と独自学習型でAI開発費用はどう変わるか

ここまでの内容を費用項目として並べて比較します。金額の絶対値ではなく「どの項目が発生するか」を見てください。提案書の金額差を説明するには、この比較が最も使いやすい形です。
費用項目を発生タイミングで並べた比較
発生タイミング | 費用項目 | 利用型(段階 1〜3) | 独自学習型(段階 4) |
|---|---|---|---|
初期 | モデルの事前学習費用 | 発生しない(提供元が実施済み) | 発生しない(提供元が実施済み) |
初期 | システム連携・画面の実装 | 発生する | 発生する |
初期 | 指示文の設計・検証 | 発生する | 発生する(学習後の調整として) |
初期 | 学習データの整備(収集・整形・正解付け) | 発生しない | 発生する(費用の主要部分) |
初期 | 学習の実行 | 発生しない | 発生する |
初期 | 精度評価の体制構築 | 小さい | 発生する |
運用 | モデル利用料(従量課金) | 発生する(主要な運用費) | 発生する |
運用 | 実行環境の維持費 | 原則発生しない | 構成により発生する |
再発 | 再学習 | 発生しない | 発生する |
再発 | 指示文・検索対象の見直し | 発生する(比較的小さい) | 発生する |
独自学習型で増えているのは、主に初期の「学習データの整備」「学習の実行」「評価体制」と、再発する「再学習」です。提案書の金額が桁で違う場合、この 4 項目が含まれているかを確認すると、差の大部分が説明できます。
利用型が向く条件・独自学習型が向く条件
どちらが有利になるかは、次の 3 条件で判断できます。
1. 処理量
処理件数が少ない、あるいは読み切れない段階では利用型が有利です。従量課金は使った分だけの支払いで済むため、小さく始めて実績を見ながら判断できます。処理量が大きく安定して見込める場合は、固定的な費用を払っても単価を下げる構成が有利になる余地があります。
2. 業務の固有性
文章の要約・分類・下書き作成といった汎用的な作業であれば、既存モデルの能力で足りることが多く、利用型で対応できます。社内独自の専門用語や、外部に存在しない判断基準を大量に反映させる必要がある場合は、独自学習の検討対象になります。
3. データを外部に渡せるか
機密性が高く外部のサービスに送信できないデータを扱う場合は、自社環境で動かす構成(オープンウェイトモデルの利用)が前提になり、費用構造が変わります。ただし、外部に送信できないことと独自学習が必要なことは別の論点です。混同すると、必要のない学習費用を抱えることになります。
独自学習に進む前にRAGとプロンプト設計で足りないか確認する
独自学習型の見積を受け取ったときに確認してほしいのは、「その前の段階で要件が満たせないか」という点です。
社内の情報をモデルに反映させたいという要望は、多くの場合、検索を併用する RAG(段階 3)で対応できます。RAG は自社文書を検索して内容をモデルに渡す方式のため、文書を更新すれば出力も追従します。独自学習は情報が変わるたびに再学習が必要になるため、更新頻度が高い業務では運用負担が大きくなることもあります。
一方で、出力の形式や文体を自社仕様に固定したい、専門的な判断の傾向を覚えさせたいといった要望は、検索では満たせず独自学習が適する領域です。この境界の判断はRAGとファインチューニングの使い分けで整理しています。
提案書に独自学習が前提として書かれている場合は、「段階 2 や段階 3 で要件を満たせない理由」を言葉で説明してもらってください。説明が「精度が高くなるため」という一般論に留まる場合は、過剰な構成になっている可能性があります。
基盤モデルを前提にした発注で確認すべき4つの論点

基盤モデルの課題は、方式を選べば消えるものではなく、どの方式を選んでも共通して残ります。代表的なものは 4 つです。モデルが事実と異なる内容を自然な文章で出力してしまうこと、日本語や自社固有の業務・専門用語への対応精度が用途によって足りないこと、提供元の判断でモデルが更新・提供終了となり追従作業が発生すること、そして入力したデータがどう扱われるかが提供元の規約や設定に依存することです。
これらはいずれも技術で完全に解消できる性質のものではないため、発注の段階で「誰がどう対処し、その費用を誰が負担するか」を取り決めておく対象になります。以下では、提案書レビューの場でそのまま使える確認事項を 4 つ挙げます。いずれも費用か、責任の所在に関わる論点です。
どの基盤モデルを前提とし、変更時はどうするか
提案書に「最新の基盤モデルを使用」とだけ書かれている場合、前提が特定されていません。モデルによって料金体系も得意分野も異なるため、どのモデルを前提に見積を算出したのかを明示してもらいます。
確認する言い方の例: 「今回の見積は、どの基盤モデルを前提に算出されていますか。前提のモデルを別のモデルに変更する場合、追加費用はどの程度になりますか」
入力データが学習に使われない取り決めになっているか
自社の文書やデータをモデルに渡す構成では、そのデータが提供元のモデル学習に使われないかが論点になります。主要な提供元は、API 経由で送信されたデータを既定ではモデルの学習に使用しない方針を公開しています(Your data, OpenAI、データ ガバナンス、Google Cloud)。ただしプランや設定によって扱いが変わる場合があるため、提案されている構成での扱いを文書で確認するのが確実です。
確認する言い方の例: 「当社が入力するデータは、モデルの学習に使用されない取り扱いになっていますか。根拠となる提供元の規約の該当箇所を示していただけますか」
精度の合格ラインと評価方法は誰が決めるか
AI を使った機能は、従来のシステム開発と違って「仕様どおりに動くか」だけでは完了を判定できません。どの程度の正答率であれば業務で使えるのかという合格ラインを誰がいつ決めるのか、事前に合意しておかないと検収の段階で揉める原因になります。独自学習型では、この合格ラインが再学習の回数、つまり費用に直結します。
確認する言い方の例: 「精度の合格ラインは、どの指標で何%と定義しますか。合格ラインに届かなかった場合の追加作業は、今回の見積に含まれていますか」
モデルの更新・提供終了時の費用負担
基盤モデルは提供元によって更新され、古いモデルは提供が終了することがあります。終了時には新しいモデルへの移行作業が必要になり、独自学習型では再学習が発生する可能性もあります。この作業を誰が負担するのかは、契約前に確認しておく論点です。
確認する言い方の例: 「前提のモデルが提供終了となった場合、移行作業の費用負担はどちらになりますか。保守契約の範囲に含まれていますか」
これら 4 つは、技術的な専門知識がなくても質問できる内容です。提案書を読み込む時間が取れない場合でも、この 4 問を投げるだけで提案の前提と範囲がかなり明確になります。
まとめ|基盤モデルの活用方式を費用で判断する3ステップ
基盤モデルとは、大量のデータで事前学習された汎用的な AI モデルであり、それ自体は完成品ではなく土台です。提案書の金額差は、この土台に対してどこまで手を加えるかの違いから生まれます。
提案書を受け取ったら、次の 3 ステップで判断を進めてください。
ステップ 1: 提案内容を 4 段階のどこかに特定する
「そのまま利用」「プロンプト設計」「RAG」「独自学習」のどれに該当するかを開発会社に確認し、確定させます。「自社データを活用」という記述は、学習させるのか検索して渡すだけなのかを区別して聞き直してください。
ステップ 2: 費用項目を初期・運用・再発に分けて埋める
特定した段階に応じて、発生する費用項目を 3 つのタイミングに分けて整理します。独自学習型であれば、学習データの整備工数と再学習の費用が見積に含まれているかを必ず確認します。この整理がそのまま稟議資料の金額根拠になります。
ステップ 3: 処理量・業務固有性・データ外部提供可否の 3 条件に当てる
自社の条件を 3 つの軸に当てはめ、方式が過剰でも不足でもないかを検証します。独自学習の提案を受けている場合は、前の段階で要件を満たせない理由の説明を求めてください。
この 3 ステップを踏めば、「基盤モデルを活用します」の中身を自分の言葉で説明でき、金額差の根拠を示したうえで方式を選べる状態になります。
関連情報
AI 導入プロジェクトの進め方を順を追って確認したい方は、お役立ち資料はじめての AI 導入ガイド――中小企業が失敗しないための7ステップをご覧ください。検討開始から運用までの流れと、各段階で決めるべき事項を整理しています。
個別の論点をさらに確認したい場合は、次の記事も参考になります。
システム開発の費用を正しく理解するガイドブック――相場・見積チェックリスト・予算策定テンプレート付き

この資料でわかること
発注検討者がシステム開発の費用体系を正しく理解し、「この見積は適正か」「どのくらい予算を確保すれば良いか」を自分で判断できるようになること。
こんな方におすすめです
- システム開発の発注を初めて担当する方
- 複数社の見積もりを比較・評価したい方
- IT投資の社内稟議を通す根拠を固めたい方
入力いただいたメールアドレスにPDFをお送りします。
よくある質問
- 提案書に「自社データを活用」とだけ書かれている場合、学習なのか検索して渡すだけなのかをどう見分けますか?
「モデルの追加学習を行いますか、それとも文書を検索して渡す方式ですか」と開発会社に直接確認してください。見積に学習データの整備・精度評価・再学習の項目があれば独自学習、なければ利用型と判断できる目安になります。
- 見積が数百万円と数千万円で開いている2社の提案書は、まず何を比べればよいですか?
金額の大小ではなく、見積に含まれる作業項目を項目ごとに並べて比べてください。学習データの整備・学習の実行・精度評価・再学習の4項目がどちらか片方にだけ入っていれば、金額差の大部分はそれで説明できるはずです。
- 独自学習の提案を受けたとき、本当に必要かどうかはどう判断しますか?
「プロンプト設計やRAGでは要件を満たせない理由」を根拠を含めて具体的に文章で説明してもらってください。「精度が高くなるため」という一般論に留まる場合は、必要以上に大きな構成になっている可能性があります。
- 利用型は初期費用が安いと聞きますが、稟議では運用費をどう書けばよいですか?
初期費用と運用費用を分け、運用費は想定件数が2倍・3倍になった場合の月額も開発会社に試算してもらって併記します。従量課金は利用が広がるほど増えるため、試験導入時の件数だけで予算を組むのは避けてください。
- 機密データを社外に送れない場合、独自学習が必須になりますか?
必須ではありません。外部送信できないことと学習が必要なことは別の論点で、オープンウェイトモデルを自社環境で動かしてRAGで対応できる場合もあるため、導入前にまず要件を満たせる最小の段階から確認してください。



