「生成AIを使って何か業務改善をしてほしい」。経営会議でそう言われて、まず「生成AIとは」と検索した——という方は少なくないはずです。言葉の意味は何となく分かる。ニュースでも毎日見かける。けれども、自社のどの業務に、どんな形で当てはまるのかを自分の言葉で説明できない。社内に AI に詳しいエンジニアがいない場合、その状態からいきなりベンダーに相談するのは、かなり心細いものです。
やりにくさの正体は、知識の量ではありません。世の中にある生成AIの解説は、そのほとんどが「自分で生成AIを使い始める人」に向けて書かれています。ツールの使い方、プロンプトのコツ、便利な活用例。けれども、社内に開発リソースがなく、外部に開発を発注する立場で読むと、知りたいことがほとんど残ります。ベンダーの提案書に並ぶ用語の違いが分からない。答えが毎回変わると聞いたシステムを、どう検収すればいいのか分からない。年間予算の立て方が分からない。
この距離を埋める手がかりは、実は「仕組みの理解」にあります。生成AIが何をどうやって出力しているのかが腑に落ちると、「何が約束できて、何が約束できないのか」が自然に見えてきます。そして約束できる範囲が見えれば、ベンダーに伝えるべき条件と、社内で決めておくべきことが同時に固まります。用語の暗記ではなく、判断の軸を手に入れるという順番です。
本記事では、生成AIの定義と仕組みを発注者が必要な粒度で整理したうえで、生成AIの種類、できること・できないことの境界線、業務別の効果の出方、メリットとリスクの担保先、従来のシステム開発と違う費用構造、そして発注前に自社で決めておく 4 項目までを順に解説します。読み終えたときに、依頼内容の骨子を自分で書き出せる状態になることを目指します。
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

この資料でわかること
AI導入を検討しているが「何から始めればよいか分からない」中小企業の意思決定者に対し、導入プロジェクトの全体像を一気通貫で提示し、「自社でも着手できる」という確信と具体的な行動計画を持ってもらうこと。
こんな方におすすめです
- AI導入を検討しているが、何から始めればよいか分からない
- ベンダーの選び方や費用感がつかめず、判断できない
- 社内でAI導入の稟議を通すための資料が必要
入力いただいたメールアドレスにPDFをお送りします。
生成AIとは?発注者が最初に押さえる定義
生成AIとは、大量のデータを学習したモデルが、人間が与えた指示に応じて、文章・画像・音声・動画・プログラムコードなどを新しく作り出す仕組みのことです。英語では Generative AI、ジェネレーティブAIとも呼ばれます。AI に与える指示文のことを「プロンプト」と呼び、文章を扱う代表的なモデルを「LLM(大規模言語モデル)」——大量のテキストを学習して言葉の並びを扱えるようにしたモデル——と呼びます。この 2 語だけ押さえておけば、ベンダーの説明の 8 割は追えます。
経営層に一言で説明するなら、ここまでで十分です。むしろ発注者にとって重要なのは、この定義の裏側にある性質です。従来の業務システムは、「この入力が来たら、この処理をして、この出力を返す」という手順を人間が決めて作ります。入力と出力の対応が、作る前から仕様書に書けます。一方の生成AIは、指示を受けてから出力を都度組み立てます。つまり、仕様書に「この入力ならこの出力」と書き切ることができません。
この一点が、要件定義・見積・検収のすべてに波及します。従来のシステム開発で当たり前だった「仕様どおりに動くか」というテストの立て方が、そのままでは使えないのです。本記事の後半で扱う受入条件や費用構造の話は、すべてここから派生しています。
なお、企業における生成AIの利用はすでに例外的な取り組みではありません。総務省の「令和8年版 情報通信白書」によると、何らかの業務で生成AIを利用していると回答した日本企業の割合は 86.4% に達しています(総務省 令和8年版 情報通信白書「生成AIの業務利用状況」)。また、生成AIを活用している企業の割合は 68.9%、企業規模別では大企業 74.0%、中小企業 58.1% で、特に中小企業の伸びが大きいとされています(総務省 令和8年版 情報通信白書「生成AIの活用状況」)。「まだ早いのではないか」という社内の声には、この数字が答えになります。
従来のAIとの違いは「出力の形」にある
生成AI以前から使われてきた AI は、分類や予測を目的としたものが主流でした。製品画像から不良品を判定する、過去の販売データから来月の需要を予測する、といった用途です。これらは「判別AI」「識別系AI」などと呼ばれます。
両者の違いを一言でまとめると、出力の形が閉じているか、開いているかです。判別AIは「良品/不良品」「A・B・C のどれか」のように、答えの選択肢があらかじめ決まっています。だからこそ、正解ラベル付きのデータを用意すれば「正答率 95%」という形で精度を測れます。対して生成AIは、出力が文章やコードといった自由形式になるため、正解が一つに定まりません。
この違いは、発注時の評価設計に直結します。判別AIの案件なら「精度 95% 以上」という受入条件が成立しますが、生成AIの案件で同じ書き方をすると、何をもって合格とするかが双方で食い違います。両者の違いをより詳しく知りたい場合は、生成AIと従来AIの違いを観点別に比較した記事をあわせてご覧ください。本記事では、この「評価設計が変わる」という発注上の意味だけ押さえて先へ進みます。
生成AIの仕組み|なぜ同じ質問でも答えが変わるのか

生成AIのうち、文章を扱う LLM の中身は、ごく単純化すると「次に来る可能性が高い語を確率で選び、それを繰り返す」仕組みです。「日本の首都は」という入力に対して、「東京」という語が続く確率が極めて高いと計算されるため「東京」を出力する。そして「東京」まで出力した状態からまた次の語を計算する。この繰り返しで文章ができあがります。
この計算の土台になっているのが Transformer というモデル構造です。2017 年に発表された論文「Attention Is All You Need」で提案され、文の中のどの語が互いに関係しているかに重み付けをする「アテンション機構」によって、長い文脈を扱えるようになりました(Vaswani, A., et al. "Attention Is All You Need." arXiv:1706…)。現在広く使われている生成AIのモデルは、ほぼすべてこの系統の発展形です。
仕組みの詳細を暗記する必要はありません。発注者が受け取るべき含意は、次の 2 点だけです。第一に、語の選び方に確率が使われているため、同じ質問をしても出力が一字一句同じにはなりません。これは故障ではなく、設計上そうなっています。第二に、モデルは学習時点までのデータから言葉の並びを覚えているため、学習データに含まれていない情報は答えられません。自社の社内規程や先週の売上は、モデルの中には入っていないのです。
「確率で次の語を選ぶ」ことが発注要件に与える影響
この性質は、発注要件に次の 3 つの形で跳ね返ってきます。
第一に、テスト設計を「期待値との完全一致」では組めません。 従来のシステムなら「入力 A のとき出力 B であること」とテストケースを書けますが、生成AIでは出力が揺れるため、同じ書き方ではテストが毎回落ちます。代わりに「必要な情報が含まれているか」「禁止事項を含まないか」といった観点での評価と、代表的な入力を集めた評価用データセットの用意が必要になります。この評価データセットを誰が作るのかは、見積に差が出る論点なので、ベンダーに必ず確認しておきたい項目です。
第二に、最新情報や社内情報を扱うには、外から渡す設計が必要です。 モデルが知らないことは答えられないため、社内文書を検索して関連部分をモデルに渡す仕組み(RAG、検索拡張生成と呼ばれます)や、業務システムの API から最新データを取得して渡す仕組みを別途作ることになります。「社内の情報も答えられるようにしたい」という要望は、モデルを選ぶ話ではなく、この周辺の作り込みの話です。ここを混同したまま見積を取ると、金額が大きく食い違います。
第三に、指示の書き方そのものが成果物になります。 同じモデルでも、プロンプトの書き方で出力の質は大きく変わります。つまりプロンプトは「設定値」ではなく、保守対象のある成果物です。誰がプロンプトを管理し、変更時に誰が検証するのかを決めておかないと、運用開始後に品質が静かに劣化していきます。
生成AIの種類と発注対象になりやすい領域
生成AIは、何を生成するかで大きく 5 つに分けられます。
種類 | 生成するもの | 代表的な用途 |
|---|---|---|
文章生成 | テキスト | 要約、分類、翻訳、下書き作成、質問への回答 |
画像生成 | 静止画 | 広告クリエイティブ、商品イメージ、資料の挿絵 |
音声生成 | 音声・音楽 | ナレーション、読み上げ、音声での応答 |
動画生成 | 映像 | 短尺の商品紹介、アニメーション素材 |
コード生成 | プログラムコード | 実装の叩き台、テストコード、既存コードの説明 |
このうち、業務システムの発注で特に話題になりやすいのは、文章生成とコード生成にほぼ集中します。理由は 3 つあります。社内に既にテキストデータ(問い合わせ履歴、議事録、マニュアル、仕様書)が大量に蓄積されていること、出力の確認が人の目でできること、そして既存の業務フローに差し込みやすいことです。
公表されている利用状況も、この傾向と一致しています。前掲の情報通信白書では、業務類型別の生成AI利用率として「議事録・メール作成補助」が約 7 割、「営業・販売」が約 6 割、「社内ヘルプデスク」が約 5 割と報告されており、上位はいずれも文章を扱う業務です(総務省 令和8年版 情報通信白書「生成AIの業務利用状況」)。社内で検討対象を絞る段階では、まず「テキストを扱う業務」に目を向けるのが現実的です。
ツール利用・API組み込み・独自開発で発注の重さが変わる
「生成AIを導入する」という一言の中には、負担がまったく異なる 3 つの選択肢が含まれています。ここを分けずに相談すると、ベンダーからの提案が噛み合いません。
段階 | やること | 発注の重さ | 向いているケース |
|---|---|---|---|
既製ツールを契約して使う | アカウント発行と社内ルールの整備が中心。開発は原則不要 | 軽い(月額課金) | まず効果を確かめたい。対象業務が一般的な事務作業 |
既存モデルを API で組み込む | 自社システムやチャットツールに生成AIを接続し、業務フローに載せる | 中程度(数週間〜数ヶ月の開発) | 既存システムとデータを連携させたい。入力・出力の形を自社仕様にしたい |
自社データで作り込む | 社内文書を検索して渡す仕組み(RAG)の構築や、追加学習(ファインチューニング)でモデルの振る舞いを自社向けに寄せる | 重い(データ整備と評価の工数が大きい) | 社内固有の知識や言い回しに踏み込んだ回答が必要 |
社内で検討を始める段階では、まず「どの段階の話をしているのか」を言語化しておくだけで、ベンダーとの会話が一気に具体化します。既製ツールで足りる話に独自開発の見積が出てきたり、逆に社内知識が必須の要件に既製ツールを提案されたりといった噛み合わなさは、この区別がないまま相談したときに起きます。
外部に委託するか自社で対応するかの線引きで迷う場合は、生成AI業務活用の外注判断を自社対応と比較しながら整理した記事が判断材料になります。また、どのモデルを採用するかで費用と得意分野が変わる点については、LLMモデルの選び方を発注者の判断軸から整理した記事をご覧ください。
生成AIでできること・できないことの境界線

ベンダー提案の妥当性を判断するうえで、最も実用的な道具は「できること・できないことの線引き」です。この線を自分の中に持っていれば、提案書を読んだときに「それは約束できる話なのか」が判断できます。
できること | できないこと |
|---|---|
大量のテキストを要約・整理する | 出力内容の正確性を 100% 保証する |
決めた基準で文章を分類・振り分ける | 学習時点以降の情報を自力で知る |
文章・コードの叩き台を作る | 社内固有の情報を、何も渡さずに答える |
言い回しや表記を統一する | 出力が毎回一字一句同じになる |
根拠となる文書を渡した上で質問に答える | 判断の責任を人の代わりに負う |
重要なのは、右側を「欠陥」として読まないことです。これらは仕組みから必然的に導かれる前提条件であり、設計で織り込むべき制約です。たとえば「学習時点以降の情報を自力で知れない」のであれば、必要な情報を渡す仕組みを作ればよい。「正確性を保証できない」のであれば、人が確認する工程を業務フローに組み込めばよい。制約を前提に設計されている提案こそが、信頼できる提案です。
逆に、「生成AIが自動で判断して処理を完結させます」「精度 100% で運用できます」と言い切る提案には、必ず根拠を確認してください。確認の仕方は、「どんな入力に対して、どう測った数字ですか」と聞くだけで十分です。
発注の相談になりやすい「できること」6パターン
発注相談の入口になりやすい使い方を、効果が出る条件と人の確認の置き方とあわせて整理します。
- 要約:議事録、問い合わせ履歴、長文の報告書を短くまとめます。元の文書が手元にあるため、出力を読んだ人がその場で確認できるのが利点です。確認は「読んだ人が気づける」形で済みます。
- 分類・振り分け:問い合わせ内容を担当部署ごとに一次振り分けします。分類の基準を文章で定義できる業務に向きます。誤分類時のリカバリ手順を用意しておけば、人の確認を全件に置かなくても運用できます。
- 下書き作成:提案書、メール、仕様書の叩き台を作ります。最終的に人が書き直す前提なので、品質の揺れが致命傷になりません。生成AI導入の初手として選ばれやすい領域です。
- 社内文書の検索補助:社内規程やマニュアルを検索し、根拠箇所を示しながら回答します。回答に出典(どの文書の何ページか)を必ず添えさせる設計にすれば、利用者自身が確認できます。
- 翻訳・表記統一:用語集や表記ルールを渡して、文書全体の表記を揃えます。ルールが明文化されている業務ほど効果が安定します。
- コードの叩き台・テストケース生成:実装の下書きやテストパターンの洗い出しに使います。生成結果は必ずレビューとテストを通る前提なので、既存の開発プロセスにそのまま載せられます。
6 つに共通するのは、人の確認を自然な形で挟める業務であることです。確認の置き場所が設計できない業務は、効果が出る前にリスクが先に立ちます。
ハルシネーションは「不具合」ではなく仕様として扱う
ハルシネーションとは、生成AIが事実と異なる内容を、もっともらしい文章で出力してしまう現象を指します。存在しない制度や条文を自信たっぷりに説明する、といった形で現れます。
この現象は、仕組みを踏まえると納得できます。先に述べたとおり、LLM は「次に来る確率が高い語」を選んで文を組み立てています。選んでいる基準は文章としての自然さであり、内容が事実かどうかを照合する機構は、モデルそのものには備わっていません。流れのよい文章を作る仕組みが、そのまま誤りも流れよく書いてしまうのです。だからハルシネーションは、修正可能な不具合ではなく、仕様として扱うのが正しい向き合い方になります。公的なガイドラインでも、ハルシネーションは生成AIによって顕在化した代表的なリスクとして位置付けられています(出典: 総務省・経済産業省「AI事業者ガイドライン(第1.0版)」、2024年)。
発注の現場でまず避けたいのは、要件に「出力の正確性 100%」と書いてしまうことです。達成し得ない条件を受入基準に据えると、検収が永久に通らないか、曖昧な妥協で終わるかの二択になります。代わりに、次の 4 つで対処するのが実務的です。
- 合格ラインを定義する:「人が確認する前提で、何割が修正なしで使えれば合格か」という形に置き換えます
- 確認工程を業務フローに組み込む:誰が、どのタイミングで、何を見るのかを決めます
- 出典を提示させる設計にする:社内文書を参照する用途なら、根拠箇所を必ず併記させます
- 対象業務を選ぶ:誤りが即座に損害になる領域(契約内容の確定、金額の決定など)は、生成AIの出力をそのまま採用しない前提にします
この「合格ライン」の具体的な決め方は、後述の発注前に決める 4 項目のところで扱います。
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

この資料でわかること
AI導入を検討しているが「何から始めればよいか分からない」中小企業の意思決定者に対し、導入プロジェクトの全体像を一気通貫で提示し、「自社でも着手できる」という確信と具体的な行動計画を持ってもらうこと。
こんな方におすすめです
- AI導入を検討しているが、何から始めればよいか分からない
- ベンダーの選び方や費用感がつかめず、判断できない
- 社内でAI導入の稟議を通すための資料が必要
入力いただいたメールアドレスにPDFをお送りします。
業務別に見る生成AIの活用事例と効果の出方
どの業務から手を付けるかを選ぶとき、事例の数を眺めるより、効果が出る条件を先に理解したほうが早く決まります。条件は 3 つです。
- 繰り返し発生する業務であること:月に数件しか発生しない業務では、作り込みのコストを回収できません
- 正確性の要求が中程度であること:誤りが許されない業務でも、人の確認を挟めるなら成立します。確認の置き場所がないなら見送りです
- 入力と出力がテキスト中心であること:紙の書類や口頭のやり取りが主体の業務は、前段のデジタル化が先に必要です
この 3 条件に照らすと、業務ごとの効果の出方は次のように整理できます。
業務 | 効果の出方 | 効果が出にくい条件 |
|---|---|---|
問い合わせ対応の一次切り分け | 定型的な質問が多いほど、担当者が内容を読んで振り分ける時間がまとまって減ります | 問い合わせごとに前提が大きく異なり、過去の経緯を追わないと判断できない場合 |
社内文書の検索 | 規程やマニュアルが整備・更新されているほど効果が出ます。探す時間そのものが消えます | 文書が古く、どれが最新版か社内でも分からない場合(まず文書管理の整備が先) |
営業資料・提案書の下書き | 書き出しに時間がかかっていた担当者の立ち上がりが速くなります。差が出やすいのは経験の浅い担当者 | 案件ごとに完全に個別の内容で、流用できる型が存在しない場合 |
議事録の要約 | 会議数が多い組織ほど効果が積み上がります。決定事項の抽出まで任せると差が大きくなります | 発言の正確な記録が証跡として必要な会議(要約ではなく全文記録が求められる) |
開発工程の補助 | テストコードやドキュメントの下書きなど、既存のレビュー工程に載る作業で効果が出ます | レビュー体制が確立していない場合(確認されない生成結果は負債になります) |
期待できる効果の方向性は、統計からも読み取れます。情報通信白書では、生成AI活用により生じうる影響として「労働時間短縮による業務効率化」を挙げた日本企業が 61.6% と最も多く、次いで「より精緻な生産・品質管理による製品・サービスの品質向上」が 32.2%、「人手不足の解消」が 26.8% でした(総務省 令和8年版 情報通信白書「生成AIの活用により生じうる影響」)。時間短縮が主な期待値である一方、品質面の効果を見込む企業も一定数いるという構図です。
業務改善の具体的な進め方や、中小企業での成功・失敗のパターンまで踏み込んで知りたい場合は、生成AIによる業務改善の領域と導入ステップを整理した記事をあわせてご覧ください。
生成AI導入のメリットとリスクを発注者の言葉で整理する
メリットとリスクの一覧は、どの解説記事にも載っています。発注者にとって足りないのは一覧そのものではなく、それを社内のどこで担保するかという対応づけです。ここでは、説明の仕方と担保先の 2 点に絞って整理します。
メリットは「速くなる」より「標準化できる」で説明する
経営層に提案するとき、最初に出てくる言葉は「作業時間が減ります」になりがちです。ただ、この説明には弱点があります。削減時間は人によってばらつくため、「本当にそれだけ減るのか」という問いに耐えづらく、また時間が減った分がどこに回るのかを続けて説明しなければなりません。
より通りやすいのは、標準化という軸です。提案書の書き出しの質がベテランと新人で大きく違う、議事録の粒度が書く人によってばらつく、問い合わせの一次回答の内容が担当者で変わる——こうしたばらつきは、どの組織にも心当たりがあります。生成AIは、型を与えて出力を揃えることに向いているため、このばらつきを縮める方向に効きます。
標準化で説明すると、提案の中身も変わります。「どの作業を何分減らすか」ではなく、「どの業務の品質を、どの水準に揃えるか」が論点になります。そしてこの論点は、後述する受入条件の定義にそのまま繋がります。時間短縮は結果として付いてくるものとして添えるのが、説明としては順序が自然です。
リスクは契約・要件・社内規程のどこで担保するか
リスクは「注意する」だけでは管理できません。担保先を決めて、文書に落とすところまで進めます。
リスク | 担保先 | ベンダーへの確認質問 |
|---|---|---|
情報漏えい | 契約(データの取扱条項)+社内規程 | 入力したデータはモデルの学習に使われますか。保存先はどの国のリージョンですか。ログの保持期間は何日ですか。再委託先はありますか |
著作権・権利侵害 | 要件(出力の利用範囲)+社内規程(公開前チェック) | 出力物を自社名義で公開する場合の制約はありますか。利用するモデルの利用規約で禁止されている用途はありますか |
ハルシネーション | 要件(合格ラインと確認工程) | 誤出力が起きたときの検知方法と、業務側のリカバリ手順はどう設計しますか |
品質のばらつき | 要件(評価データセットと評価方法) | 評価用データは誰が用意しますか。何件で、どの観点で評価しますか |
担当者への依存 | 運用設計(管理責任の明文化) | プロンプトと評価データの管理は誰の担当になりますか。引き継ぎ用のドキュメントは納品物に含まれますか |
とくに情報漏えいについては、社内規程側の整備が欠かせません。個人情報保護委員会は 2023 年 6 月に「生成AIサービスの利用に関する注意喚起等について」を公表しており、個人情報を含むプロンプトを入力する場合の確認事項を示しています(個人情報保護委員会「生成AIサービスの利用に関する注意喚起等について」2023年6月2日)。何を入力してよいか/いけないかを社内で定義しないまま利用を開放すると、ツールの設定とは無関係なところで事故が起きます。
この整備は、思いのほか抜け落ちやすい部分です。情報通信白書では、生成AI活用に向けて組織的に取り組んでいる日本企業が 65.6% である一方、「組織的な取組はない」が 27.0% を占め、中小企業で特にその傾向が強いと報告されています(総務省 令和8年版 情報通信白書「組織的な取組状況」)。ツールの導入と社内ルールの整備は、同じタイミングで進めるものとして予算と工数に織り込んでおきたいところです。自社規模での導入状況を把握しておきたい場合は、中小企業のAI導入率と実態を整理した記事も参考になります。
生成AI開発の費用構造が従来のシステム開発と違う3点

ここが、従来のシステム開発の感覚で予算を組むと最も大きく外れる部分です。従来型の受託開発では、初期開発費を一括で見積もり、納品後は保守費を固定費として計上する——という形が一般的でした。生成AIを使った開発では、この形が 3 つの点で崩れます。
1 つ目は、使った分だけかかる従量課金が運用コストに乗ることです。 主要なモデル提供事業者は、処理した文字量(トークンという単位)に応じた課金体系を採っています。つまり、利用者が増えれば増え、入力する文書が長ければ長いほど増えます。固定の月額ではないため、「社内の何人が、1 日何回、どのくらいの長さの文書を扱うか」の想定なしに運用費を見積もることができません。ベンダーに見積を依頼する際は、想定利用量の前提条件を明示した試算を出してもらい、想定の 2 倍・3 倍になった場合の金額も併せて確認しておくと、予算のブレ幅が掴めます。
2 つ目は、精度を上げる作業が一度で終わらないことです。 出力の質は、プロンプトの調整、参照させる社内文書の整備、評価のやり直しを繰り返すことで上がっていきます。初回リリースの時点で満足できる水準に届かないこと自体は珍しくなく、むしろそこから数ヶ月の改善サイクルを前提に計画を組むのが通常です。したがって、初期開発費とは別に「改善の予算」を枠として確保しておく必要があります。この枠がないと、リリース後に効果が出ないまま「生成AIは使えなかった」という結論になりがちです。
3 つ目は、基盤となるモデルが更新されることです。 モデル提供側はバージョンを更新し、古いバージョンの提供を終了することがあります。モデルが変われば、同じプロンプトでも出力の傾向が変わり得るため、追随のための再検証とプロンプトの調整が発生します。これは従来のシステム開発にはなかった種類のコストです。年に 1 回程度の再検証を運用計画に織り込んでおくのが現実的です。
以上を踏まえると、予算は次の 3 枠で考えるのが整理しやすくなります。
枠 | 内容 | 従来のシステム開発との違い |
|---|---|---|
初期 | 要件定義、システム連携の開発、社内データの整備、評価データセットの作成 | データ整備と評価設計の工数が新たに加わる |
運用 | モデルの従量課金、インフラ費、監視 | 固定費ではなく、利用量に連動して変動する |
改善 | プロンプト調整、参照データの追加・更新、モデル更新への追随と再検証 | 従来の保守とは別枠。効果を出すための能動的な投資 |
なお、契約の形でこの変動を吸収する考え方もあります。たとえば秋霜堂株式会社が公開しているサービス情報では、月額制の準委任型契約を採ることで追加見積を発生させず、仕様変更が生じた場合のスコープ調整をスケジュール側で吸収する運用としている旨が示されています(出典: 秋霜堂株式会社「TechBand」サービス情報、2026年)。一括請負で金額を固定するか、月額で体制を確保して範囲を調整していくか。生成AI案件では後者のほうが性質に合うケースがあるため、契約形態そのものも検討の対象に入れておくとよいでしょう。
どのモデルを採用するかによって単価も得意分野も変わるため、費用面の精度を上げたい場合はLLMモデルの選び方の比較軸にも目を通しておくと、ベンダーの提案を金額面で評価しやすくなります。
生成AI導入の進め方|発注前に自社で決める4つのこと

ここまでの内容を、依頼内容の骨子に落とし込みます。ベンダーに相談する前に、自社側で言語化しておきたいのは次の 4 項目です。完璧な答えは必要ありません。「現時点ではこう考えている」というレベルで書けていれば、ベンダーからの提案の質が大きく変わります。
目的と測る指標を決める
「何がどれだけ改善されれば成功か」を、数えられる形で 1 つか 2 つ決めます。たとえば「問い合わせの一次振り分けにかかっている担当者の作業を、月 40 時間から 15 時間に減らす」「提案書の初稿作成にかかる日数を 3 日から 1 日にする」といった形です。
決まっていないと何が起きるか:ベンダーの提案が「できること」の列挙になります。機能は豊富だが自社の課題に効くのか判断できない提案書が出てきて、比較のしようがなくなります。目的が 1 行決まっていれば、提案はその達成手段として評価できます。
使うデータと持ち出しの可否を決める
どの業務データを生成AIに渡すのか、そのデータは社外のサービスに送信してよいのか、送信してよいか判断する権限は誰が持っているのかを整理します。顧客の個人情報、取引先との契約内容、未公開の経営情報など、扱いに注意が必要なデータの線引きが特に重要です。
決まっていないと何が起きるか:ベンダーが安全側に振った構成(社内閉域での構築など)を提案し、見積が大きく膨らみます。逆に、持ち出しの承認が取れていないまま開発が進み、リリース直前に法務や情報セキュリティの部門から止まるケースもあります。どちらも手戻りのコストが大きい失敗です。
受入条件(合格ライン)を決める
先に述べたとおり、生成AIの出力に「100% 正確」という条件は置けません。代わりに、人が確認する前提で、何割が修正なしで使えれば合格とするかという形に置き換えます。「評価用に用意した 100 件の問い合わせのうち、振り分け先が正しいものが 85 件以上」「議事録の要約で、決定事項の抜け漏れがないものが 9 割以上」といった具合です。
あわせて、評価に使うデータを誰が用意するのか、評価は誰が実施するのかも決めておきます。評価データの作成は、社内の業務知識がないとできない作業であり、自社側の工数として見込む必要があります。
決まっていないと何が起きるか:検収の段で判断が止まります。ベンダーは「動いています」と言い、発注側は「期待した品質ではない」と言う。合格ラインが文書化されていないため、どちらの主張も否定できません。この項目は 4 つの中で最も揉めやすく、最も先に決めておく価値があります。
運用担当と改善の回し方を決める
リリース後に誰がプロンプトを管理し、誰が出力の品質を監視し、改善が必要になったときに誰が判断するのかを決めます。「情報システム部門が兼任で見る」でも構いませんが、兼任である以上、月にどれだけの時間を割けるのかまで押さえておきます。
決まっていないと何が起きるか:リリース直後は効果が出ていたのに、半年後には使われなくなるという経過をたどります。出力の質が落ちたときに直す人がいない、業務が変わったのにプロンプトが更新されない、という形で静かに劣化するためです。改善の予算を確保しても、回す担当がいなければ使われません。
この 4 項目を A4 で 1 枚にまとめたものがあれば、それがそのまま提案依頼の骨子になります。逆に言えば、この 4 項目のうちどれかを「ベンダーに決めてもらう」つもりで相談に行くと、出てくる提案は自社の事情から離れたものになりがちです。
まとめ|生成AIを「確率で作る仕組み」と理解して発注に臨む
本記事で整理した内容を振り返ります。生成AIとは、学習したデータをもとに文章・画像・コードなどを新しく作り出す仕組みで、文章を扱う LLM は「次に来る確率が高い語を選ぶ」という原理で動いています。この原理から、出力が毎回揺れること、学習時点以降の情報を自力では知らないこと、ハルシネーションが仕様として付いてくることが導かれます。
だからこそ、発注の設計は従来のシステム開発と変わります。受入条件は「100% 正確」ではなく合格ラインの定義として書く。費用は初期・運用・改善の 3 枠で組み、従量課金とモデル更新への追随を織り込む。リスクは契約・要件・社内規程のどこで担保するかまで落とす。そして相談の前に、目的と指標・使うデータと持ち出しの可否・受入条件・運用体制の 4 項目を自社で言語化しておく。
次の一手は、この順番で進めるのが現実的です。まず自社業務を棚卸しして「繰り返し発生し、テキストが中心で、人の確認を挟める業務」を 2〜3 個選ぶ。次にその業務について 4 項目を書き出す。そのうえでベンダーに相談する。この順で進めれば、経営層への説明もベンダーへの依頼も、同じ 1 枚の資料で足ります。説明できない・判断できないという状態は、ここまで来ればもう抜けています。
関連情報
発注前の整理をさらに進めたい方に向けて、検討の進め方をまとめた資料を公開しています。社内での検討資料としてご活用いただけます。詳しくはお役立ち資料の一覧をご覧ください。
目的や受入条件の整理段階で第三者の意見が必要な場合は、お問い合わせフォームからご相談いただけます。要件が固まっていない段階からのご相談にも対応しています。
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

この資料でわかること
AI導入を検討しているが「何から始めればよいか分からない」中小企業の意思決定者に対し、導入プロジェクトの全体像を一気通貫で提示し、「自社でも着手できる」という確信と具体的な行動計画を持ってもらうこと。
こんな方におすすめです
- AI導入を検討しているが、何から始めればよいか分からない
- ベンダーの選び方や費用感がつかめず、判断できない
- 社内でAI導入の稟議を通すための資料が必要
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
- 生成AIを発注する前に、最初に何から決めればよいですか?
最初に決めるのは「目的と測る指標」です。たとえば「一次振り分けの作業を月40時間から15時間に減らす」のように数えられる形で1〜2個書き出すと、ベンダー提案を成果への効き方で比較でき、使うデータや合格ラインの検討にも進めます。
- ChatGPTなどの既製ツールで足りるのか、開発を発注すべきか、どう判断しますか?
対象業務が一般的な事務作業なら、まず既製ツールの契約で効果を確かめるのが低リスクです。自社システムとの連携や社内文書を踏まえた回答が必須になった時点で、API組み込みや独自開発の発注を検討してください。
- 生成AIの出力は毎回変わるのに、検収はどう行えばよいですか?
「100%正確」ではなく、評価用に用意した件数のうち何割が修正なしで使えれば合格か、という合格ラインを契約前に文書化します。評価データを誰が用意し、誰が評価するかも併せて決めておくと、検収で揉めません。
- ベンダーから出てきた見積や提案の妥当性は、技術に詳しくなくても判断できますか?
できます。技術の細部ではなく根拠を問うのがコツで、「精度の数字はどんな入力でどう測ったものか」「想定利用量の前提と、2〜3倍になった場合の金額」「誤出力時の検知と業務側の対応」の3点を質問すれば、根拠のある提案かどうかを見分けられます。
- 導入後の運用費は、固定の月額でどれくらい見込めばよいですか?
生成AIは処理量に応じた従量課金が中心のため、固定額では見込めません。「何人が1日何回、どの長さの文書を扱うか」の前提で試算してもらい、運用費とは別にプロンプト調整などの改善予算も枠として確保してください。



