「社内でAIを使ったシステムを開発したいという話になり、システム開発会社に相談したら『LLMを使いましょう』と言われた。でも、LLMって何？」——こうした状況に直面している経営者・担当者の方は少なくありません。
ChatGPTやClaudeを日常業務で使ったことはある。でも、「LLM」「大規模言語モデル」「GPT」「RAG」「ファインチューニング」といった言葉が提案書に並んでいると、何が何だか分からなくなります。その場でうなずいたものの、何を発注すればよいのか、コストはどれくらいかかるのか、自社の用途に合っているのか——判断できないまま、話が進んでしまうことも多いのではないでしょうか。
これはあなたの理解力の問題ではありません。LLMに関する多くの解説記事は、エンジニアやIT担当者向けに「技術的な仕組み」を詳しく説明するものが中心で、「発注者として何を知っておけばよいか」という視点で書かれた情報がほとんど存在しないからです。
本記事では、技術的な細部は最小限に抑えながら、LLMとは何か・主要サービスとの関係・開発方式の違い・発注前の確認ポイントを、ビジネス発注者の視点でまとめます。この記事を読み終えた後には、開発会社との打ち合わせで「何を聞けばよいか」「どんな判断をすればよいか」が分かるようになります。
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。
LLM（大規模言語モデル）とは？発注者向けに一言で説明
LLM（エルエルエム）とは「大規模言語モデル（Large Language Model）」の略称で、一言でいえば「ChatGPTやClaude、GeminiといったAIサービスを動かしている頭脳部分」です。
膨大な量のテキストデータを学習することで、人間の言葉を理解し、自然な文章を生成できるAI技術のことを指します。エンジニアがシステムを開発する際には、このLLMを「部品」として使い、様々なアプリケーションを作ります。
「大規模言語モデル」を日本語で理解する
「大規模」とは、学習に使ったデータ量とAIの規模が非常に大きいことを意味します。インターネット上の無数のテキスト（書籍・ニュース・Webページ・コードなど）を学習しているため、幅広いテーマについて知識を持ち、文脈を理解した上で自然な文章を生成できます。
発注者として覚えておくポイントは「LLMはAIの基盤技術であり、エンジニアがシステム開発に使う部品」という位置づけです。車で例えると、LLMはエンジン、ChatGPTはそのエンジンを搭載した完成車といったイメージに近いです。
生成AI・LLM・ChatGPTの関係（3層構造）
混乱しやすい3つの概念を整理すると以下のようになります。
概念 | 説明 | 具体例 |
|---|---|---|
生成AI | テキスト・画像・音声などを生成するAI技術の総称 | 最も広い概念 |
LLM（大規模言語モデル） | 生成AIの一種で、テキスト生成・理解に特化したAIモデル | GPT-4o、Claude 3.7、Gemini 2.0 |
サービス（アプリ） | LLMを使って作られた具体的なツール・サービス | ChatGPT、Claude（画面）、Gemini |
つまり「生成AI」が最も広い概念で、その中に「LLM」があり、LLMを活用して作られたのが「ChatGPT」などのサービスです。
ChatGPT・Claude・Geminiは「LLMのサービス」——その違いとは
「ChatGPTを使いたい」と言う場合と「LLMを使ったシステムを開発したい」と言う場合では、意味が異なります。ここを混同すると、開発会社との会話でずれが生じます。
サービス（アプリ）とLLM（基盤技術）の違い
ChatGPT・Claude・Geminiといった名称は、AIサービス（アプリケーション）の名前です。私たちがブラウザやスマートフォンで使っているのはこれらのサービスです。
一方、LLMはそのサービスの裏側で動いている「モデル（AIの本体）」です。
サービス名 | 提供会社 | 使用しているLLM |
|---|---|---|
ChatGPT | OpenAI（米国） | GPT-4oなど（GPTシリーズ） |
Claude（画面） | Anthropic（米国） | Claude 3.7 Sonnetなど（Claudeシリーズ） |
Gemini（画面） | Google（米国） | Gemini 2.0 Flashなど（Geminiシリーズ） |
システム開発の際、開発会社はこれらのLLMにAPIと呼ばれる接続口を通じてアクセスし、自社サービスに組み込みます。つまり、あなたの会社のシステムが「ChatGPTのような機能」を持つ場合、実際にはChatGPTそのものではなく、GPTシリーズのLLMをAPIで呼び出しているケースがほとんどです。
LLMでできること・できないこと（ビジネス活用の観点）
LLMは万能なAIではありません。得意なことと苦手なことを事前に理解しておくことで、「このシステムにLLMは適しているか」を判断できるようになります。
LLMが得意なこと
LLMが活躍できる代表的なビジネスユースケースを紹介します。
テキストの理解・生成
- 問い合わせへの自動回答（FAQ チャットボット）
- 社内文書・契約書・報告書の要約
- 多言語翻訳
- マーケティング文章・メール文案の生成
情報の分析・整理
- 顧客フィードバックの感情分析・分類
- 会議議事録の自動作成
- 大量テキストデータからの情報抽出
コード・設計の補助
- プログラムコードの自動生成（エンジニアの作業支援）
- システム仕様書の作成補助
LLMが苦手なこと・注意が必要なこと
LLMを使ったシステムを発注する際に、特に注意しておきたい制限があります。
ハルシネーション（事実でないことを事実として回答する） LLMは確率的に「もっともらしい文章」を生成するため、事実と異なる情報を自信をもって答えることがあります（これをハルシネーションと呼びます）。医療診断・法的判断・財務数値など、誤りが許されない用途では、人間による最終確認の仕組みが必須です。
リアルタイム・最新情報への追従 LLMは学習時点までの情報しか持っていません。「今日の株価」「最新のニュース」を知りたい場合には、別途情報を取得する仕組みが必要です（これを解決するのがRAGという手法です）。
正確な計算・規則的な処理 複雑な数値計算や厳密なルールに基づく処理はLLMの得意分野ではありません。このような処理には従来型プログラムを組み合わせるのが一般的です。
LLMを使ったシステム開発の3つの方式（API利用・ファインチューニング・RAG）
開発会社から提案を受けた際、「どの方式で開発するか」は費用・開発期間・運用コストに大きく影響します。3つの代表的な方式を発注者向けに整理します。
API利用（最もシンプルな方式）
OpenAIやAnthropicなどが提供するAPIを通じて、既存のLLMをそのまま呼び出してシステムに組み込む方式です。
向いている用途: 汎用的な文章生成・翻訳・要約・チャットボットなど メリット: 開発期間が短い、初期コストが低い、最新モデルへの切り替えが容易 デメリット: LLMのAPIを使用するたびに従量課金が発生する（使えば使うほどコストがかかる） 費用感: 月数万円〜数十万円（利用量に依存）
多くのAI活用システムはまずこの方式で始まります。「どのLLMのAPIを使うか」によって、性能・コスト・利用規約が変わります。
ファインチューニング（モデルを自社データで特化させる）
既存のLLMを自社のデータで追加学習させ、特定の業務・ドメインに特化させる方式です。
向いている用途: 自社独自の専門知識（業界特有の用語・社内ルール・特定の文体）が必要な場合 メリット: 特定の用途で高い精度を発揮できる デメリット: 学習データの準備・追加学習のコストが高い。データの更新のたびに再学習が必要 費用感: 数十万〜数百万円（追加学習コスト＋API費用）
最近はRAGの進化によりファインチューニングの必要性が低下しているケースも多く、まずAPI利用やRAGで検討することが一般的です。
RAG（社内情報と組み合わせる）
LLMが学習していない自社固有の情報（社内マニュアル・製品情報・規定文書など）を検索して取得し、LLMの回答に組み合わせる方式です。「検索拡張生成」と呼ばれます。
向いている用途: 社内FAQシステム、自社製品の問い合わせ対応、社内規定に基づく回答など メリット: LLMを再学習させずに自社情報を活用できる。情報の更新がドキュメント更新だけで完結する デメリット: 検索システムの設計・構築コストがかかる。検索精度が回答品質に直結する 費用感: 数十万〜数百万円（システム構築費用）＋API費用
社内情報を活用したAIシステムを作りたい場合の有力な選択肢です。
3方式の比較表
項目 | API利用 | ファインチューニング | RAG |
|---|---|---|---|
初期費用 | 低 | 高 | 中 |
開発期間 | 短 | 長 | 中 |
自社情報の活用 | 不可 | 可能（再学習） | 可能（検索） |
情報更新の容易さ | - | 難（再学習が必要） | 易（文書更新のみ） |
向いている用途 | 汎用チャット・文章生成 | 専門特化した回答 | 社内情報活用 |
まず試すなら | 最初の選択肢 | 特定の用途で高精度が必要な場合 | 社内文書を活用したい場合 |
主要LLMの比較——OpenAI GPT・Anthropic Claude・Google Gemini
2026年4月現在、システム開発によく使われる主要なLLMは3社から提供されています。「どのLLMを使うか」は、用途・コスト・利用規約によって異なります。技術的な性能比較ではなく、発注者が押さえるべき特徴の観点で整理します。
OpenAI GPT シリーズ
提供会社: OpenAI（米国）
ChatGPTを展開しているOpenAIのLLMです。最も普及しており、多くのシステム開発会社が採用実績を持ちます。
発注者向けの特徴:
- エコシステム（連携ツール・事例・開発者コミュニティ）が最も充実している
- 汎用的な用途（チャットボット・文章生成・コード生成など）に強い
- API料金は用途によりますが、大量利用時も比較的コストを抑えられるモデルも用意されている
- 日本語対応は十分な水準
注意点: OpenAI社のAPIを使う場合、入力したデータはOpenAI社のサーバーで処理されます。機密情報の取り扱いには利用規約の確認が必要です。
Anthropic Claude シリーズ
提供会社: Anthropic（米国）
安全性と倫理的なAI開発を重視する企業のLLMです。
発注者向けの特徴:
- 長い文書の処理（長文の契約書・報告書・マニュアルの要約など）に強い
- 安全性への配慮が強く、リスクのある用途での過剰な回答を抑制する設計
- 法務・コンプライアンス関連の用途での評価が高い
- 日本語対応も高水準
注意点: Anthropic社のサーバーで処理される点はOpenAIと同様です。
Google Gemini シリーズ
提供会社: Google（米国）
Googleが提供するLLMで、検索・文書管理ツールとの親和性が高いです。
発注者向けの特徴:
- テキストだけでなく画像・動画・音声も処理できるマルチモーダル能力が強み
- Google WorkspaceやGoogle Cloudとの連携が容易
- バッチ処理（大量の文書を一括処理するなど）でのコスト効率が良い
- 日本語対応も高水準
注意点: Google社のサービスとの連携を前提とするシステムに向いています。
3モデルの比較表（発注者向け）
項目 | OpenAI GPT | Anthropic Claude | Google Gemini |
|---|---|---|---|
提供会社 | OpenAI | Anthropic | |
得意な用途 | 汎用（チャット・文章・コード） | 長文処理・安全性重視 | マルチモーダル・Google連携 |
開発実績・普及度 | 最も多い | 多い | 増加中 |
日本語対応 | 高水準 | 高水準 | 高水準 |
データ処理場所 | OpenAIサーバー（米国） | Anthropicサーバー（米国） | Googleサーバー（米国） |
3社ともに高い品質のLLMを提供しており、用途によっては性能差よりも開発会社の得意分野・サポート体制・コスト試算の方が選定に大きく影響します。「なぜこのLLMを選んだか」を開発会社に確認することをお勧めします。
LLM活用システムを発注する前に確認しておくべき5つのこと
開発会社に依頼する前に、以下の5点を社内で整理しておくと、提案を適切に評価できるようになります。
1. どのようなユーザーが・どの場面でシステムを使うか
「社内の営業担当者が顧客提案書を作成する際に使う」「顧客からの問い合わせを自動回答する」など、具体的な利用シーンを整理します。ユーザーと用途が明確であるほど、開発会社も適切な提案ができます。
2. 社内の機密情報・個人情報をAIに渡してよいか
LLMのAPIを使う場合、入力したテキストが外部サーバーで処理されます。顧客情報・契約書・財務データなどを入力する場合、情報セキュリティポリシーに照らして問題ないかを確認する必要があります。「機密情報を入力させない」「入力データをAI学習に使わないオプション（エンタープライズプラン等）を使う」などの対応方法を開発会社と相談してください。
3. 継続的なAPI利用料金の予算感を持つ
API利用方式では、システムを稼働させ続ける限りAPIの利用料金が発生します（従量課金）。利用者数・利用頻度・処理するテキスト量によって変動するため、開発会社に試算を依頼することをお勧めします。月数万円〜数十万円が目安ですが、大量利用では数百万円規模になることもあります。
4. LLMの出力を誰がチェックするか（ハルシネーション対策）
前述の通り、LLMはハルシネーション（誤情報を事実として出力する）を完全には防げません。出力された内容を最終的に誰が確認するか、誤った情報が出力されたときの責任範囲をどう設計するかを、システム設計の段階で決めておくことが重要です。
5. 外部LLMサービスへの依存リスクをどう考えるか
OpenAI・Anthropic・Googleのいずれも、料金改定・サービス仕様変更・サービス終了のリスクがゼロではありません。特定のLLMに依存しすぎない設計（切り替えやすい設計）を開発会社に求めることも一つの選択肢です。長期運用を前提とする場合には、この点も事前に確認しておくことをお勧めします。
まとめ
本記事では、LLM（大規模言語モデル）について発注者向けに以下の点を解説しました。
- LLMとは: ChatGPT・Claude・GeminiといったAIサービスを動かす基盤技術
- 関係性: 生成AI（最も広い概念）→ LLM（テキスト特化）→ ChatGPT等（サービス）という3層構造
- 得意なこと: 文章の理解・生成・要約・翻訳・チャットボット
- 苦手なこと: ハルシネーション（誤情報）・最新情報への追従・正確な計算
- 開発方式: API利用（シンプル）/ ファインチューニング（特化）/ RAG（社内情報活用）
- 主要LLM: OpenAI GPT（汎用）/ Anthropic Claude（長文・安全性）/ Google Gemini（マルチモーダル）
- 発注前の確認: 利用シーン・情報セキュリティ・継続コスト・ハルシネーション対策・依存リスク
LLMを活用したシステム開発の具体的な進め方や、API連携の実装方法については別途解説します。
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。
