LLM(大規模言語モデル)とは?
LLMとは、大量のテキストから言語のパターンを学習し、文章の理解・生成を行うAIモデルのこと。ChatGPTのGPTシリーズやClaude、Geminiの中核技術で、「次に来る確率が高い言葉」を予測する仕組みで動いています。
実務での使い方
LLMは知識データベースではなく確率的な文章生成器です。このため、事実と異なる内容を自信を持って出力する「ハルシネーション」が原理的に避けられません。最新情報や社内情報は学習していないため、検索やRAGで補う構成が実務では一般的です。
業務でモデルを選ぶ際は、性能・料金(トークン単価)・コンテキストウィンドウ(一度に扱える文章量)のバランスで判断します。同じ作業でも下位モデルで十分なことは多く、用途ごとのモデルの使い分けがAPIコスト最適化の基本です。
トークンとは
トークンとは、LLMが文章を処理する際の最小単位のこと。日本語ではおおむね1文字=1〜2トークン、英語では1単語=1〜2トークン程度です。APIの料金はこのトークン数に単価を掛けて計算されます。
例えば日本語2,000字の文書は約2,000〜3,000トークンです。API料金は「入力トークン数×入力単価+出力トークン数×出力単価」で決まり、出力単価は入力単価の3〜5倍に設定されているのが一般的です。
コスト見積もりの実務では、①定型業務の1回あたりトークン数を概算する②月間実行回数を掛ける③モデル単価を掛ける、の順で月額を試算します。長い社内文書を毎回丸ごと入力する使い方はコストがかさむため、要約やRAGでの絞り込みが節約の定石です。
コンテキストウィンドウとは
コンテキストウィンドウとは、LLMが一度に扱える情報量(トークン数)の上限のこと。会話の履歴・入力した文書・出力がすべてこの枠に収まる必要があり、超えた分は忘れられるか、エラーになります。
近年のモデルは10万〜100万トークン級のコンテキストウィンドウを持ち、書籍1冊分の文書を丸ごと読ませることも可能になりました。ただし入力が多いほど料金は増え、長文の中間部分の情報は見落とされやすいという性質も報告されています。
実務では「大きいから全部入れる」ではなく、必要な部分だけを渡す設計が品質・コストの両面で有利です。長い資料は事前に分割・要約する、会話が長くなったら要点をまとめて新しい会話を始める、といった運用が効果的です。
マルチモーダルAIとは
マルチモーダルAIとは、テキストだけでなく画像・音声・動画など複数の形式(モダリティ)の情報をまとめて理解・生成できるAIのこと。「この請求書の画像から金額を読み取って」のような指示が可能になります。
業務では、帳票・レシートの読み取り、グラフや図の説明、会議音声の文字起こし+要約、商品画像からの説明文生成などが実用例です。従来はOCRや音声認識など個別のシステムが必要だった処理を、1つのAIで扱えるようになりました。
注意点は、画像内の文字や数値の読み取り精度は完璧ではないことです。金額や契約条件など間違いが許されない項目は人間の確認を挟む、読み取り結果を元データと突合する、といった運用でカバーします。
ハルシネーションとは
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く生成してしまう現象のこと。「幻覚」の意で、存在しない文献・統計・URLを自信を持って出力するのが典型例です。LLMの原理に由来するため完全には防げません。
LLMは「確からしい続きの言葉」を生成する仕組みのため、知らないことでも空白を埋めるように文章を作ってしまいます。特に固有名詞・数値・出典・最新情報で起きやすく、要約でも原文にない内容が混ざることがあります。
実務の対策は、①事実確認が必要な用途では出典を人間が検証する②「わからない場合はわからないと答えて」と指示する③自社データを参照させるRAG構成にする④最終判断は人間が行うルールにする、の組み合わせです。用途を「たたき台作成」に限定するのも有効な割り切りです。
LLMの仕組み:「次の言葉」を予測している
LLMの動作は、入力された文章をトークンに分割し、「次に来る確率が最も高いトークン」を予測して1つずつ出力する、の繰り返しです。人間のように意味を理解して考えているわけではなく、膨大な学習データから言語のパターンを統計的に再現しています。
この仕組みが分かると、実務での性質にも説明がつきます。事実の正確さより「文章としての自然さ」が優先されるためハルシネーションが起きる、学習時点より新しい情報は知らない、厳密な計算は苦手(電卓や検索など外部ツールとの連携で補う)、といった特徴はすべて「確率的な文章生成器」であることの帰結です。
LLMは知識を「検索」しているのではなく「確からしい続き」を生成している。ハルシネーションが原理的に避けられない理由もここにある。
業務でのLLMの選び方:5つの比較軸
比較軸は、①性能(日本語の精度・推論力)②料金(トークン単価)③コンテキストウィンドウ(一度に扱える量)④セキュリティ(入力データが学習に使われない契約・設定か)⑤提供形態(API・チャットUI・自社環境での稼働)の5つです。ベンチマークの数字だけでなく、自社の実業務のサンプルで試すのが確実です。
実務のコツは「最上位モデルを全業務に使わない」ことです。定型的な分類・要約は下位モデルで十分なことが多く、難しい推論や重要文書だけを上位モデルに回すと、品質を保ったままAPIコストを大きく下げられます。当サイトのAI API料金計算ツールでモデル別の月額を試算できます。
生成AIとは?LLMとの違い
生成AIとは、文章・画像・音声・コードなどを新たに「生成」できるAIの総称のこと。ChatGPTやClaude、Geminiなどが代表例で、指示文(プロンプト)を与えるだけで人間が書いたような成果物を出力します。
LLMとの関係は「生成AIの中で、文章を扱う中核の技術がLLM」です。生成AIは画像・音声・動画の生成まで含む広い総称で、ChatGPTのような対話型のサービスは、LLMを中心に画像生成やファイルの読み取りなどの機能を組み合わせて作られています。
業務利用は、文章作成(メール・企画書・要約)、アイデア出し、翻訳、コード作成、データ整理が定番です。「ゼロから作る」より「たたき台を作らせて人が仕上げる」使い方が、品質と時間のバランスで最も効果が出やすいとされています。
導入時の注意は、①機密情報の入力ルールを決める(生成AIガイドラインの整備)②出力の事実確認を人間が行う(ハルシネーション対策)③著作権・個人情報の取り扱いを確認する、の3点です。禁止一辺倒より「安全に使える範囲を明示する」方が定着します。
チャットボットとは?生成AIとの違い
チャットボットとは、テキストや音声での問い合わせに自動で応答するプログラムのこと。従来は決められたシナリオに沿って答えるルール型が主流でしたが、現在はLLMを組み込んだ対話型が普及し、顧客対応や社内ヘルプデスクの一次対応を担っています。
実務での典型例は、Webサイトの問い合わせ対応、ECの注文・返品案内、社内の総務・情シスへの質問対応です。LLM型は言い回しの揺れに強く、RAGと組み合わせれば社内規定やマニュアルに基づいた回答もできます。営業サイトでは、離脱前の疑問をその場で解消して問い合わせ率を高める用途にも使われます。
導入時の注意は「答えられない質問の扱い」の設計です。無理に答えさせるとハルシネーションで誤案内につながるため、回答に出典を添える、確信が持てない場合は有人対応へ引き継ぐ、といった逃げ道を必ず用意します。まずFAQ上位の質問に絞って始めるのが定石です。
AIエージェントとは
AIエージェントとは、目標を与えると自ら計画を立て、ツールの操作や情報収集など複数のステップを自律的に実行するAIのこと。1回の質問に1回答える従来のチャット型と違い、タスクの完了までを任せられるのが特徴です。
例えば「競合3社の価格を調べて比較表を作る」と指示すると、検索→情報抽出→表の作成までを連続で実行します。調査・資料作成・データ整理・コード作成などの複数手順の業務で活用が広がっています。
任せる範囲の設計が導入の鍵です。閲覧・作成は自律で行わせても、送信・公開・購入などの取り返しのつかない操作は人間の承認を挟むのが安全な運用です。社内ガイドラインにもエージェントの権限範囲を明記することが推奨されます。
機械学習とは?LLMとの関係
機械学習とは、コンピュータがデータからパターンや法則を学習し、予測・分類を行えるようにするAI技術の総称のこと。人がルールを書く代わりにデータから学ばせるアプローチで、需要予測・顧客スコアリング・不正検知などに使われています。
LLMとの関係は入れ子で整理できます。機械学習という大きな枠の中にディープラーニングがあり、ディープラーニングで文章を扱うように大規模に学習させたモデルがLLMです。
ビジネスでの代表例は、SFAの受注確度スコアリング、解約(チャーン)予測、需要予測、与信審査です。過去データから「解約しやすい顧客の特徴」などを学習させ、打ち手の優先順位づけに使います。精度を左右するのはアルゴリズムよりも、学習させるデータの量と質です。
生成AI(LLM)も機械学習の一分野ですが、役割は異なります。文章の生成・要約はLLM、数値の予測や分類は従来型の機械学習が得意で、AI活用=生成AIだけではありません。まず「予測したいのか、生成したいのか」で使う技術を切り分けるのが実務の第一歩です。
ディープラーニングとは?機械学習との違い
ディープラーニングとは、人間の脳の神経回路を模した多層のニューラルネットワークで、データの特徴を自動的に学習する機械学習の手法です。つまり機械学習という大きな枠の中の一手法であり、両者は対立する概念ではありません。
従来の機械学習では「どの特徴に注目するか」を人間が設計する必要がありましたが、ディープラーニングはそれをデータから自動で獲得します。製造業の外観検査、会議音声の文字起こし、LLMによる文章生成まで、現在のAIサービスの多くがこの技術の上に成り立っています。
弱点は、大量のデータと計算資源が必要なことと、判断根拠の説明が難しいこと(ブラックボックス性)です。このため自社でゼロから開発するケースはまれで、実務ではAPIや学習済みモデルを組み込んだSaaSとして利用するのが現実的な選択肢になります。
自然言語処理(NLP)とは?
自然言語処理(NLP)とは、人間が日常的に使う言葉(自然言語)をコンピュータに理解・生成させる技術です。翻訳、要約、感情分析、チャットボットなどの基盤技術で、LLMの登場によって精度が飛躍的に向上した分野です。
業務での応用は幅広く、問い合わせメールの自動分類、商談メモからの案件情報の抽出、口コミやアンケート自由記述の感情分析、議事録の要約などが代表例です。テキストのまま蓄積されて活用されていなかった「非構造化データ」を、分析可能な形に変えられるのが価値です。
以前はタスクごとに専用モデルの開発が必要でしたが、現在は汎用LLMへのプロンプトで分類・抽出・要約の多くがこなせるようになりました。ただし毎日数万件を処理するような大量・定型の用途では、軽量な専用モデルの方がコスト面で有利な場合もあります。
Transformerとは?生成AIの土台になっている構造
Transformer(トランスフォーマー)とは、文中の語どうしの関係性に注目する「アテンション機構」を核とするニューラルネットワーク構造です。2017年にGoogleが発表し、GPTやClaudeなどほぼすべてのLLMの基盤になっています。
Transformerの登場で、文章を順番に処理していた従来方式より大規模な並列学習が可能になり、文脈理解の精度が飛躍しました。ChatGPTの「GPT」はGenerative Pre-trained Transformerの略で、名前にこの技術がそのまま入っています。
ビジネス実務者が内部の数式を理解する必要はありませんが、LLMがトークン単位で文章を処理し、入力全体の関係性を計算していることを知っておくと、「なぜ入力が長いほど料金と処理時間が増えるのか」「コンテキストウィンドウの上限がなぜあるのか」を説明できるようになります。