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。