ソブリンAIとは｜国産LLM選定で発注者が確認すべき5つの視点

「ソブリンAIとは何か」「国産LLMをうちも検討すべきか」——経営層や取引先からこう問われて情報収集を始めた発注者は、いま急増しています。デジタル庁のガバメントAI「源内」が国産LLM 7モデルを選定したというニュース、日本AI法の成立、Microsoft の巨額日本投資といった話題が同時期に重なり、社内で「うちもソブリンAIをやるべきでは」という声が上がりやすくなっているためです。

しかし実際に検討を始めると、多くの発注者が同じ壁にぶつかります。「ソブリンAI」と「国産LLM」がどう違うのか、両者の関係が曖昧なまま名前だけが独り歩きしていて、いま使っている ChatGPT や Claude を全部止めるべきなのか、それとも一部の業務だけ切り替えればよいのかが線引きできない、という壁です。

さらに厄介なのは、経営層に対して「なぜ国産にする／しないのか」を根拠を持って説明する判断フレームが手元にないことです。国産LLMの性能比較記事はすでに多数ありますが、発注者が知りたいのは「どのモデルが最高スコアか」ではなく、「自社のどの業務にどのモデル群を使うか、その選定理由をどう稟議書に書くか」です。

本記事では、この課題に対して次の4ステップで答えを出します。まず「ソブリンAI」と「国産LLM」を明確に区別する概念整理を行い、次になぜ今検討が必要かの政策背景を整理します。その上で、発注者が確認すべき5つの判断軸を提示し、業務を「完全ソブリン／ハイブリッド／海外クラウド継続」の3パターンに仕分けする実践フレームを示します。最後に、開発会社・ベンダーへ投げるべき具体的な質問リストまで落とし込みます。

読み終える頃には、「バズワードとしてのソブリンAI」を離れ、「業務単位で合理的に判断するソブリンAI／国産LLM の位置づけ」を稟議書に書き起こせる状態を目指します。

—Free Download / 資料ダウンロード

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

詳しく見る

フォームから無料ダウンロード

お名前必須

会社名必須

メールアドレス必須

電話番号任意

ご質問・ご要望任意

プライバシーポリシーに同意の上、送信します。ダウンロードする

入力いただいたメールアドレスにPDFをお送りします。

ソブリンAIと国産LLMの違い——混同しやすい2つの概念を発注者視点で整理

「ソブリンAI」と「国産LLM」は同義ではありません。両者を混同したまま検討を進めると、「国産LLMを導入したのに海外クラウド上で動いていて主権が担保されていない」「海外モデルなのに準拠法や保存場所は国内でありソブリン性は確保されている」といった、目的と手段のねじれが生じます。まずはこの整理から始めます。なお、LLM・基盤モデル・トークン・ファインチューニングといった前提用語に不安がある場合は、LLMとは？発注者向け基礎知識を先に押さえておくと以降の判断軸の議論がスムーズになります。

ソブリンAI（Sovereign AI）とは——データ・モデル・インフラ・人材の主権

ソブリンAI（Sovereign AI）は、国家や企業がAIに関わる要素——具体的にはデータ・モデル・インフラ・人材——を自国または自組織の管理下に置く設計思想の呼称です。NVIDIA の公式定義では「その国のインフラ、データ、労働力、ビジネスネットワークを使って人工知能を生産する能力」と説明されています（NVIDIA 公式ブログ「ソブリンAIとは何か」）。

重要なのは、ソブリンAI は特定の製品や技術を指すのではなく、「主権をどの範囲・どの深さで確保するか」という設計方針の総称であるという点です。したがって「ソブリンAIを導入する」という言い方には常に「何の主権を、どこまで確保するのか」という前提条件が必要になります。

国産LLM とは——日本の企業・研究機関が開発した基盤モデル

一方で国産LLMは、日本の企業や研究機関が開発した大規模言語モデル（Large Language Model）を指す呼称です。NTTデータの tsuzumi、Preferred Networks の PLaMo、富士通と Cohere の Takane、NEC の cotomi、ソフトバンクの Sarashina、KDDI と ELYZA による Llama-3.1-ELYZA-JP などが代表例です。

国産LLMは、主に「日本語の言語処理精度」「開発主体が国内であること」「事業者としての契約主体が国内法人であること」といった特徴を持ちますが、必ずしも運用インフラまで国内に閉じているとは限りません。実際、多くの国産LLMは学習・推論の一部または全部を海外クラウド上で行っており、「モデルは国産だが基盤は海外」というケースが珍しくありません。

「国産LLM ＝ ソブリンAI」ではない——4つの層で見る主権のグラデーション

両概念の関係を整理するには、AIシステムを「モデル層／データ層／インフラ層／運用・人材層」の4層に分解して、それぞれの層で主権が確保されているかを個別に評価するのが実務的です。

国産LLMを使っていてもインフラ層が海外クラウドであればソブリン性は部分的にしか達成できません。逆に、海外のオープンソースモデル（Llama 系など）でも、データ層・インフラ層・運用層を国内に固定すれば、ソブリン性の相当部分は確保できます。

つまり、「国産LLM を導入する＝ソブリンAI になる」ではなく、「4層のうちどこまでを国内主権に置くかを設計する結果として、国産LLM が選択肢に入ることがある」というのが正しい捉え方です。

なぜ今、発注者がソブリンAI・国産LLMを検討する必要があるのか

「なぜ今なのか」を発注者自身が経営層に説明できるようになることが、稟議書の入り口です。ここでは、2025〜2026 年に議論が加速している3つの背景を整理します。

政策動向——日本AI法とデジタル庁「源内」7モデル選定

2025年5月28日、日本で初めての AI に関する基本法である「人工知能関連技術の研究開発及び活用の推進に関する法律」（通称：AI推進法／日本版AI法）が参議院で可決・成立しました（JDSupra「日本初の『AI 法』が成立」、LegalAgent「日本のAI法とは」）。EU の AI Act のような罰則付き規制ではなく、研究開発と活用を国として推進する「振興型」の枠組みですが、政府の AI 基本計画策定や AI 戦略本部の設置が定められ、政策的な後押しが本格化しました。

さらに2026年3月6日、デジタル庁は政府職員向けの生成AI基盤「源内（げんない）」で試験利用する国産LLMとして7モデルを選定したと発表しました（Sustainable Japan「デジ庁、国産LLMで7社選定」、EQUES News「政府共用AI『源内』に国産LLM7モデルを選定」）。全府省庁の職員約18万人が対象で、2026年8月頃から国産LLMの試用が段階的に開始される予定です。

この動きは民間発注者にとっても意味を持ちます。政府調達で「国産LLMが実用選定基準を満たしうる」ことが公的に示されたためです。監督官庁や大口取引先が「政府がやっているのだから民間も検討すべきだ」と要請してくる根拠が生まれた、と理解するのが実務的です。

業法・監督官庁動向——海外クラウド依存への疑問

金融・医療・防衛・重要インフラなど、業法規制の強い業界では、海外クラウドへの機密データ送信について監督官庁からの照会が増加傾向にあります。個人情報保護法上の第三国移転の論点、金融機関の外部委託先管理、医療情報の3省2ガイドラインなど、既存の枠組みでも「クラウド事業者の準拠法・データ保存場所・アクセス権限」を説明する場面が増えました。

海外クラウド LLM を全面的に禁じる法規制は現時点で存在しませんが、「どの業務にどの LLM を使い、その理由は何か」を書面で説明できる体制が求められる場面は確実に増えています。ソブリンAI・国産LLM の検討は、こうした説明責任への準備という位置づけでも合理性があります。

経営・法務動向——CLOUD法など越境データ規制の潮流

米国の CLOUD 法は、米国事業者に対して海外に保存されたデータの開示を米当局が求められる余地を残しており、日本企業のデータが米当局の令状の対象になり得るという論点が繰り返し議論されています。EU では GDPR に加えてEU AI Actが段階的に施行されており、越境データの規制環境は世界的に厳格化の方向にあります。

これらは日本企業にとって直接の規制ではありませんが、グローバル取引先や監査法人から「海外クラウドに預けているデータの主権リスクをどう評価しているか」を問われる場面は増えています。ソブリンAI の検討は、この問いに対して「業務ごとに評価し、主権リスクの高い業務は国内基盤に寄せている」と回答できる体制作りとしても位置づけられます。

発注者が確認すべき5つの判断軸——ソブリン性のチェックポイント

ここからが判断の中核です。ソブリンAI／国産LLM の導入を検討する際、発注者が確認すべき判断軸を5つに整理します。これらは稟議書の「選定理由」欄にそのまま転用できる粒度で設計しています。

判断軸1——データの保存場所と準拠法（どの国の法律が適用されるか）

最も基本かつ最も重要な軸です。確認すべきは次の3点です。

• 入力データ・出力データ・ログが物理的に保存されるリージョン（例：東京／大阪／米国／欧州）
• 契約書に記載された準拠法・管轄裁判所（日本法か、外国法か）
• サービス提供事業者の親会社・最終親会社の所在地

「モデルは国産」でも保存場所が海外であれば、外国政府の情報開示請求の対象になる余地があります。逆に「海外モデル」でも保存場所・準拠法が国内であれば、主権リスクは大きく下がります。契約書レベルでこの3点を確認できるかが、実務的なチェックポイントです。

判断軸2——運用主体と人的アクセス権（誰がデータを見られるか）

技術的にデータが暗号化されていても、運用エンジニアが復号鍵を持っていればアクセス可能です。したがって、次の点を確認する必要があります。

• 運用・保守を担当する事業者の国籍と所在地
• 実運用にあたるエンジニアの国籍・在住国・準拠法
• ログ・入出力データへのアクセス権を持つ役割・人数・アクセス記録の保存有無
• 障害調査時にデータを閲覧する際の承認フロー

「日本法人と契約している」だけでは、実際の運用が海外拠点のエンジニアに委ねられているケースもあります。運用主体まで踏み込んで確認することで、実質的な主権が確保されているかを判断できます。

判断軸3——モデルの透明性と学習データの由来（何を学習したモデルか）

モデル自体の透明性も重要な判断材料です。

• 学習データの構成（Web クロール／独自データ／ライセンス取得データの比率）
• 日本語データの割合と質（品質担保の方法）
• 著作権・個人情報に関する学習時の配慮
• モデルカード・技術レポートの公開状況
• 微調整（ファインチューニング）・RAG による自社データ活用の可否

「モデルの重みが国内で開発された」ことと「学習データが国内に閉じている」ことは別問題です。学習データが海外由来であれば、著作権・機密性の観点で追加の確認が必要になります。

判断軸4——業務領域ごとのリスク分類（機密度と業法規制）

判断軸1〜3はモデル・ベンダー側の属性でしたが、この判断軸は自社の業務側の属性です。

• 業務データの機密度（社外秘／機密／取扱注意など、既存の情報分類基準に沿って評価）
• 個人情報の含有度と、含まれる場合の要配慮個人情報の有無
• 業法規制（金融・医療・防衛など）による外部委託制限の有無
• 監督官庁・取引先からの説明責任の強さ

すべての業務を一律に扱う必要はありません。機密度の低い業務はコスト・機能で選ぶ、機密度の高い業務は主権で選ぶ、というメリハリのある判断が現実解です。

判断軸5——撤退容易性とサプライチェーンリスク（GPU・電力・地政学）

長期運用を前提とする場合、撤退・切り替えの容易性も判断材料になります。

• モデル・データを別のベンダーへ移行する際の技術的難易度（API 互換性・データエクスポート機能）
• 契約解約時のデータ削除・返却プロセス
• ベンダーの事業継続性（財務基盤・事業撤退リスク）
• 学習・推論を支える GPU・半導体・電力のサプライチェーンリスク（地政学的リスクを含む）

「今の性能」だけでなく「3〜5年後に撤退・切り替えができるか」を含めて評価することで、ベンダーロックインの罠を避けられます。

主要な国産LLMを発注者視点で整理する

判断軸を持ったうえで、市場に存在する主要な国産LLMを見ていきます。ここでは性能ベンチマークの比較には踏み込みません。発注者にとって重要なのは「どのモデルが最高スコアか」ではなく「調達要件を満たすかどうか」だからです。

デジタル庁「源内」で選定された国産LLM——2026年3月時点の全体像

デジタル庁は2026年1月末までに「源内」向け国産LLMの公募を行い、15件の応募のうち審査を通過した7モデルを2026年3月に選定・公表しました。以下は選定された7モデルの一覧です（EQUES News、Sustainable Japanより整理）。

政府調達の審査を通過したという事実は、一定水準の日本語性能・セキュリティ・提供体制を満たしていることの外形的な指標になります。ただし民間発注者の要件が政府と同じとは限らないため、各社の詳細は公式一次情報を参照してください（デジタル庁 公式サイト）。

発注者視点で確認すべき7項目——性能ではなく調達要件で見る

各モデルを検討する際、以下の7項目を最低限確認するチェックリストとして使えます。判断軸1〜5の実務落とし込みでもあります。

性能スペックはベンダー資料や比較記事で容易に取得できますが、この7項目は個別に問い合わせないと分からないケースが多いのが実務的な難しさです。

海外LLMとの併用パターン——単独採用は現実的か

現実的な発注者の選択肢として、国産LLMを単独で全業務に採用するのは多くの場合、機能面・コスト面で現実的ではありません。海外LLM（ChatGPT・Claude・Gemini）は汎用性・多言語性・エコシステムの厚みで先行しており、これらを完全に置き換える必然性は限定的です。

したがって、実務的には「機密度・業法要件の高い業務は国産LLM／それ以外は海外LLM」という併用が主流のパターンになります。この線引きの具体的な方法は、次の章で整理します。

「ソブリンAIに切り替える業務」を線引きする実践フレーム

ここが本記事の中核です。「全部置き換える」でも「全部海外のまま」でもない、業務単位の合理的な仕分けを行うための実践フレームを示します。

業務のリスク分類——機密度 × 業法規制 × データ量の3軸

まず自社の業務を3つの軸で分類します。

• 機密度：業務で扱うデータの秘匿性（公開情報／社外秘／機密／極秘）
• 業法規制：業務が該当する業法・ガイドラインの制約強度（規制対象外／努力義務／法的義務）
• データ量：LLMに送信するデータの量とリアルタイム性（低頻度／継続的／リアルタイム大量）

3軸で分類することで、「機密度は高いがデータ量は小さい」「機密度は低いがリアルタイム大量」といった業務の性質差が見えてきます。すべての軸で高いレベルを求める必要はなく、業務ごとに優先軸を決めるのが実務的です。

3パターンの使い分け——完全ソブリン / ハイブリッド / 海外クラウド継続

分類結果に応じて、次の3パターンに仕分けます。

パターンA：完全ソブリン

対象業務の例：機密情報・個人情報・業法上の重要データを扱う業務（医療診療補助、金融審査、法務書類作成、防衛関連など）。

方針：国産LLM＋国内リージョン＋国内運用主体の組み合わせで固める。契約書の準拠法・管轄裁判所・データ保存場所を明示的に日本に限定する。運用エンジニアの所在も確認する。

パターンB：ハイブリッド

対象業務の例：一般的な社内業務のうち、部分的に機密情報が混在する業務（社内文書要約、社内問い合わせ対応、顧客対応の下書き作成など）。

方針：機密情報のマスキング／プライベート環境で稼働する国産LLM＋非機密業務は海外LLM、というルーティング設計を行う。ゲートウェイ層で機密判定と振り分けを行う RAG・エージェント構成が現実解となります。プライベート環境（オンプレミス／VPC 専有）で LLM を自社側に閉じて動かす選択肢の是非を判断する材料は、ローカルLLM導入判断の4つの軸にまとめています。

パターンC：海外クラウド継続

対象業務の例：公開情報のみを扱う業務（マーケティング文案作成、コード補完、翻訳、要約など、機密情報を含まない業務）。

方針：既存の海外クラウド LLM（ChatGPT・Claude・Gemini）を継続採用する。国産化のコスト・機能低下を負担する必然性が薄いため、業務効率とコストで選定する。海外 LLM を継続採用する際にどのモデルを主軸に据えるかは、ChatGPT・Claude・Gemini を法人で選ぶ判断軸で機能・料金・データ取り扱いの比較観点を整理しています。

3パターンに仕分けることで、経営層に対して「なぜ国産にしないのか」「なぜ国産にするのか」の両方に対して、業務単位の根拠を示せるようになります。

切り替え判断のワークフロー——PoCまでのステップ

3パターンへの仕分けが決まったら、実際の切り替えは次の順序で進めるのが安全です。

1. 業務棚卸し：全社の LLM 利用業務を洗い出し、上記3軸で分類する（1〜2週間）
2. 仕分け表の作成：業務ごとにパターンA〜Cを割り当て、経営層と法務部門で合意を取る
3. 優先PoC対象の選定：パターンA該当業務のうち、最も影響範囲が限定的で失敗リスクの低い1業務を PoC 対象に選ぶ
4. ベンダー選定：判断軸5つと確認7項目に基づき、複数ベンダーへヒアリング・見積もりを取得する
5. PoC実施：3〜6ヶ月の PoC で、性能・運用性・コストの実測値を検証する
6. 本番展開判断：PoC 結果を基に、パターンA業務の本番展開を段階的に進める

いきなり全社の LLM 基盤を置き換えるのではなく、機密度の高い1業務から PoC を始めるのが失敗を減らす王道です。

発注前に開発会社・ベンダーへ投げるべき質問リスト

判断軸を持っていても「相手にどう聞けばよいか」が分からないと、稟議に進めません。ここでは、判断軸5つを「ベンダーに投げる具体的な質問」に翻訳します。稟議書の別紙や RFP（提案依頼書）にそのまま組み込めるレベルの粒度で列挙します。なお、モデル自体の選定判断軸を発注者視点で整理したLLMモデルの選び方｜発注者向け5つの判断軸と併用すると、モデル比較とベンダー対話の両方を稟議書に落とし込みやすくなります。

契約・準拠法に関する質問

• 契約書の準拠法と管轄裁判所はどこですか。日本法・日本の裁判所に限定できますか
• 貴社の親会社・最終親会社の所在地はどこですか。外国政府の情報開示請求が及ぶ可能性はありますか
• 個人情報保護法上の「第三国移転」に該当するデータフローはありますか。ある場合、本人同意なしで移転可能な根拠は何ですか
• 契約解約時のデータ削除は何日以内に完了しますか。削除証明書は発行されますか

運用体制に関する質問

• 実際に運用・保守を担当するエンジニアの所在国はどこですか
• 障害調査時にデータを閲覧する際の承認フロー・記録保存はどうなっていますか
• 24時間365日のサポート体制はありますか。日本語での問い合わせ対応時間はどうなっていますか
• SLA（稼働率保証）と、SLA 未達時の補償はどのように定められていますか

モデル・学習データに関する質問

• モデルの学習データの構成を教えてください（Webクロール／独自データ／ライセンス取得データの比率、日本語データの割合など）
• 学習データに含まれる著作物のライセンスはどのように処理されていますか
• 顧客が入力したデータをモデルの追加学習に利用することはありますか。利用しない場合、契約でその旨を明示できますか
• モデルカード・技術レポートは公開されていますか
• 弊社の独自データによるファインチューニングや RAG 統合は可能ですか。可能な場合、そのデータの保存場所と保護方針はどうなりますか

撤退・切り替えに関する質問

• 別ベンダーへの移行支援はありますか（データエクスポート、API 互換性、移行手順書など）
• 貴社が事業撤退する場合、顧客への通知期間と代替措置はどう定められていますか
• モデルの提供終了時、既存の推論結果・微調整済みモデルはどのように扱われますか
• 学習・推論を支える GPU・半導体の調達リスクをどう評価していますか

これらの質問への回答は、ベンダーごとに大きく差が出ます。「答えられない」「あいまいに濁す」ベンダーは、その時点で候補から外す、あるいは条件をさらに詰めるための材料にできます。回答の質そのものが、ベンダーの成熟度を測る指標にもなります。

まとめ——「バズワードとしてのソブリンAI」から「業務単位の合理的判断」へ

本記事では、ソブリンAI と国産LLM の違いを整理したうえで、発注者が意思決定に使える判断フレームを段階的に組み立ててきました。

出発点は概念整理でした。ソブリンAI は「データ・モデル・インフラ・人材のどこまでを自国管理下に置くかという設計思想」であり、国産LLM は「日本の企業・研究機関が開発した基盤モデル」です。両者はイコールではなく、4つの層に分解して個別に主権の確保度合いを評価するのが実務的です。

次に、なぜ今検討が必要かの背景を、日本AI法・デジタル庁「源内」7モデル選定・越境データ規制の3方向から整理しました。政策・業法・法務のいずれの動向も、「業務ごとに主権リスクを評価し、選定理由を書面で説明できる体制」を求める方向で動いています。

そのうえで、発注者が確認すべき5つの判断軸（データ保存場所と準拠法／運用主体と人的アクセス権／モデルの透明性／業務領域ごとのリスク分類／撤退容易性）を提示し、業務を3パターン（完全ソブリン／ハイブリッド／海外クラウド継続）に仕分ける実践フレームまで示しました。最後に、ベンダーへ投げるべき質問リストで、判断軸を対話に持ち込める形に落とし込みました。

読者にお勧めしたい次の一歩は、いきなり全社基盤の置き換えを検討することではありません。まず自社の LLM 利用業務を機密度・業法規制・データ量の3軸で棚卸しし、最も機密度の高い1業務だけを PoC 対象として選ぶこと——ここから始めるのが、失敗を減らしつつ経営層への説明も付けやすい進め方です。

「ソブリンAIを導入する」というバズワード起点の議論を離れ、「どの業務にどの選択肢を割り当てるか」という業務単位の合理的判断に置き換えれば、稟議書は書けるようになります。本記事の判断軸・実践フレーム・質問リストが、その最初のドラフトを支える材料になれば幸いです。

—Free Download / 資料ダウンロード

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

詳しく見る

フォームから無料ダウンロード

お名前必須

会社名必須

メールアドレス必須

電話番号任意

ご質問・ご要望任意

プライバシーポリシーに同意の上、送信します。ダウンロードする

入力いただいたメールアドレスにPDFをお送りします。