この記事でわかること
AI関連の資料を読んでいると、基盤モデル、ファウンデーションモデルという言葉が出てきます。LLMという言葉も並んで使われるため、どう違うのか分からないまま読み進めることになります。
この二つの関係を整理しておくと、ベンダーの提案が何を指しているのかが見えるようになります。
この記事では、基盤モデルとは何かを、数式やコードを使わずに整理します。エンジニア向けの技術解説ではなく、「自社でAIを使う側として、どこまで理解しておけばよいか」という目線でまとめました。
この記事で扱う主な内容は、次のとおりです。
- 基盤モデルとは何か
- LLMとの違い（包含関係）
- 何ができるのか
- 基盤モデルの課題
- 自社で使うときの考え方
大規模言語モデルそのものについてはLLMとはで整理しています。
基盤モデルとは
基盤モデルとは、大量かつ多様なデータで事前に学習させ、さまざまな用途に適応させて使えるように作られたモデルです。英語のFoundation Modelをそのまま訳した言葉で、ファウンデーションモデルとも呼ばれます。
従来のAIは、用途ごとに専用のモデルを作るのが一般的でした。不良品を見分けるAI、問い合わせを分類するAI、需要を予測するAI。それぞれ別に用意し、それぞれ学習させる必要がありました。
基盤モデルの発想は逆です。まず広範なデータで学習した一つのモデルを作り、それを用途に合わせて適応させて使う。土台を共有することで、用途ごとにゼロから作る手間を省けます。中核にあるのは「広範な学習と、多様な用途への適応性」であって、規模の大きさそのものではありません（大規模であることは典型的な特徴ではあります）。
この考え方が広まったことで、AI活用の入り口が大きく変わりました。自社でモデルを作るのではなく、既にある基盤モデルをどう使うかが出発点になったためです。
基盤モデルとは わかりやすく（どんな料理にも使える出汁）
もう少しイメージしやすく説明します。基盤モデルは、どんな料理にも使える出汁にたとえると分かりやすいです。
料理ごとにゼロから味を作るのは大変です。そこで、まず幅広い料理に使える出汁を丁寧に取っておく。この出汁があれば、味噌汁にも、煮物にも、麺つゆにも展開できます。それぞれの料理に合わせて味を調えるだけで済みます。
出汁を取るには時間も材料もかかりますが、一度取っておけば何度も使えます。基盤モデルの学習に膨大な計算資源が必要な一方、できあがったものを多くの用途に転用できるのは、これと同じ構図です。
そして、料理店が自分で出汁を取らずに市販の出汁を使うことがあるように、多くの企業は基盤モデルを自分で作らず、提供されているものを使います。研究機関や大規模な事業者が自ら開発する例はありますが、一般の企業にとっては既存のモデルを選ぶのが現実的です。
ただし、たとえで表せない部分もあります。出汁の中身は原材料表示で分かりますが、基盤モデルが何を学習したかは、公開されている範囲でしか分かりません。学習データの詳細が明かされていないモデルもあり、中身を完全に把握したうえで使うことはできません。
LLMとの違い
最も混同されやすいのが、LLM（大規模言語モデル）との関係です。
結論から言うと、広範なデータで事前学習され、多様な用途へ適応できるLLMは、言語を主対象とする基盤モデルの代表例です。対立する概念ではありません。ただし、特定用途だけのために作られた言語モデルまで、必ず基盤モデルに含まれるわけではありません。
| 基盤モデル | LLM | |
|---|---|---|
| 範囲 | 広範なデータで事前学習され、多様な用途へ適応できるモデル全般 | そのうち、言語を主対象とするもの（広範な事前学習と適応性を備えるものが該当） |
| 扱う対象 | 言語・画像・音声・動画・その他 | 主に言語 |
| 例 | 画像生成のモデル、音声認識のモデル、LLM | 対話や文章生成に使われるモデル |
※ 近年は、言語と画像を同時に扱えるモデルも増えており、境界は固定的ではありません。
つまり、「基盤モデル」は上位の概念、「LLM」のうち広範な事前学習と適応性を備えるものがその中の言語を主対象とする一群、という関係です。提案書で両方の言葉が出てきたら、話の対象が言語だけなのか、画像や音声も含むのかを確認すると、内容がつかみやすくなります。
基盤モデルで何ができるのか
基盤モデルは、一つのモデルで幅広い作業に対応できます。言語を扱うものであれば、次のような用途があります。
- 文章の作成・要約・翻訳
- 問い合わせ内容の分類、感情の判定
- 社内文書を参照した質問応答
- プログラムのコード生成
- 会議記録の整理
画像を扱うものであれば画像の生成や分類、音声を扱うものであれば文字起こしや音声合成、といった具合に、扱う対象によって用途が変わります。
重要なのは、これらを一つずつ別のAIとして開発しなくても着手できることです。同じ基盤モデルに対して、指示の出し方を変える、あるいは自社データで調整することで、複数の用途に展開できます。どこまでの調整が要るかは、用途と求める品質によって変わります。この調整の方法についてはファインチューニングとはで整理しています。
基盤モデルの課題
導入を検討する段階で、押さえておくべき課題が四つあります。
一つ目は、学習データに由来する偏りです。学習に使われたデータが特定の傾向を持っていれば、出力もその傾向を引き継いだり、場合によっては強めたりするおそれがあります。何を学習したかが公開されていない場合、この点を事前に検証することは困難です。
二つ目は、出力の根拠を完全に追跡・説明することが難しいことです。説明を補助する手法や、参照元を示す仕組みはありますが、なぜその出力になったのかを人が完全に追跡することは困難です。判断の根拠が求められる業務では、この性質が制約になります。
三つ目は、開発と運用にかかる資源です。基盤モデルの学習には大規模な計算資源が必要で、開発できるのは限られた事業者です。利用する側は設備を持たずに済みますが、その分、提供事業者に依存することになります。
四つ目は、特定の事業者への依存です。モデルの仕様変更、提供終了、価格改定が、自社の業務に直接影響します。乗り換えられる設計にしておくかどうかは、導入時に考えておくべき論点です。
なお、事実と異なる内容をもっともらしく出力する現象についてはハルシネーションとはで整理しています。
自社で使うときの考え方
多くの企業にとって、基盤モデルは「作るもの」ではなく「選んで使うもの」です。使い方には段階があります。
一般に最も着手しやすいのは、指示の出し方を工夫して使う方法です。モデルには手を加えず、プロンプトで用途に合わせます。ただし、評価や運用にかかる手間、提供条件によって負担は変わります。
次が、社内文書を参照させる方法です。モデル自体は変えず、必要なときに自社の情報を渡して回答させます。RAGとはで扱う仕組みがこれにあたります。
さらに踏み込むのが、自社データで調整する方法です。特定の業務に合わせてモデルを微調整します。効果は上がりますが、データの準備と検証の工数がかかります。
どこまで必要かは、対象業務での検証結果によって決まります。 いきなり調整から始めるのではなく、指示の工夫と社内文書の参照で試し、それでも足りない部分を見極めてから次に進むのが現実的な順序です。
経営者として、どこまで知っておけばよいか
モデルの選定は技術者に任せてかまいません。ただし、判断する立場としては、次の五点を押さえておくと、話が噛み合うようになります。
第一に、多くの一般企業では既存のモデルを選ぶのが現実的だということ。基盤モデルの開発には大規模な資源が要るため、企業の選択は「どれを、どう使うか」になります。
第二に、モデル選びより先に決めるべきことがあること。何の業務を、どこまで任せたいのか。ここが決まらないと、比較の基準も立ちません。
第三に、依存のリスクを見込むこと。仕様変更や価格改定は起こります。乗り換えの余地を残す設計にしておくかを、導入時に判断します。
第四に、出力の根拠を完全には追跡できないこと。判断の根拠が求められる業務では、AIの出力をそのまま使わず、人が確認する工程を入れる必要があります。
第五に、自社の業務データで試すこと。一般的な性能評価ではなく、実際に使う文書と質問で確かめる。これが最も確実な判断材料になります。
どのモデルを選ぶかより先に、決めるべきだったこと
AI導入の相談では、「ChatGPTとClaudeのどちらがよいですか」「一番性能の高いモデルはどれですか」と聞かれることがあります。
モデルによって得意分野も速度も料金も違うので、モデル選びが重要でないわけではありません。しかし実際に導入を進めると、比較の前に決めておくべきことがあると分かります。
私は最初に、こう質問しています。
「そのAIに、どの業務の、どの工程まで任せたいのでしょうか」
この問いへ具体的に答えられないうちは、どのモデルが適しているかも判断できないのです。
まず、「AIを導入する」ではなく、仕事を一つ決めます。「営業へAIを導入したい」では範囲が広すぎます。見込み顧客を調べる、議事録を作る、提案書の下書きを作る、受注可能性を予測する——どれも営業の仕事ですが、必要な能力も、誤ったときの影響もまったく違います。
そこで、たとえば「商談メモを入力すると、顧客の課題、次回の確認事項、提案候補を出す」というところまで具体化します。ここまで決まって、初めてモデルを比較できます。
次に、任せる工程の深さです。問い合わせ対応なら、分類する、緊急度を判定する、返信案を作る、顧客へ送信する、契約処理まで実行する、と段階があります。分類候補を担当者へ示すだけと、送信や処理まで進めるのとでは、必要な精度も、権限管理も、人間への差し戻し設計も別物です。
評価のしかたも、モデルより先に決めます。「自然な文章だった」「賢そうだ」という感想では、比較になりません。同じ質問と同じ資料を複数のモデルへ渡し、避けたい失敗をどの程度防げたか、修正にどれだけ時間がかかったかを、人間が共通の基準で見ます。
ここで大事なのは順番です。先にモデルを選び、後から都合のよい評価を作るのではありません。評価基準が先、モデルが後です。
前提も見ます。参照させる資料が古く、矛盾したままなら、どれほど高性能なモデルでも正しい回答は出せません。そして、導入後に誤回答を記録し、モデルの変更や費用超過を判断する運用責任者を決めておく。ここが空くと、「導入した人だけが分かる」属人的な仕組みになります。
私は経営者へ、最後にこう伝えています。
「最適なモデルは、モデル一覧の中に最初から存在するのではありません。自社が任せたい仕事と、守りたい条件を決めた後に、初めて決まります」
最新モデルを先に選ぶと、「そのモデルで何ができるか」から業務を考えることになってしまいます。順番は逆です。
先に仕事、責任、失敗の条件、評価の方法を決める。その条件を満たすモデルを選び、足りない場合だけ上位へ切り替える。この順番が、モデルの流行や名称に振り回されず、AIを実務へ定着させる基本だと考えています。
基盤モデルについてよくある質問
基盤モデルとは何ですか？
大量かつ多様なデータで事前に学習させ、さまざまな用途に適応させて使えるように作られたモデルです。用途ごとに専用のAIを作るのではなく、共通の土台を用途に合わせて調整して使う、という考え方に基づいています。
LLMと基盤モデルの違いは何ですか？
広範なデータで事前学習され、多様な用途へ適応できるLLMは、言語を主対象とする基盤モデルの代表例です。基盤モデルは言語・画像・音声などを扱うもの全般を指します。ただし、特定用途だけのために作られた言語モデルまで、必ず基盤モデルに含まれるわけではありません。
基盤モデルの例には何がありますか？
対話や文章生成に使われる言語のモデル、画像を生成するモデル、音声を文字に起こすモデルなどが該当します。各事業者が公式に仕様を公開しているため、候補を挙げる際はそれを確認するのが確実です。非公開の内部構造について断定的に語られている情報は、出所を確かめて受け取るのが安全です。
基盤モデルのメリットは何ですか？
用途ごとにゼロからAIを開発する必要がなくなることです。一つのモデルを指示の工夫や調整で複数の用途に使えるため、導入の初期費用と期間を大きく抑えられます。
自社で基盤モデルを作れますか？
学習には大規模な計算資源とデータが必要です。研究機関や大規模な事業者が開発する例はありますが、多くの一般企業では既存のモデルを選ぶのが現実的です。提供されているモデルを選び、指示の工夫・社内文書の参照・調整のいずれかで自社の業務に合わせる、というのが現実的な進め方です。
関連記事と「AI戦略」に関するご案内
基盤モデルとは、広範なデータで事前学習し、さまざまな用途に適応させて使えるモデルです。広範な事前学習と適応性を備えたLLMは、その中で言語を主対象とする代表例にあたります。
判断の勘所は、モデルを選ぶより先に「何の業務を、どこまで任せたいか」を決めることです。ここが決まれば、比較の基準も、試し方も定まります。
大規模言語モデルそのものはLLMとはで、社内文書を参照させる仕組みはRAGとはで、自社データでの調整はファインチューニングとはで、それぞれ整理しています。生成AIの全体像は生成AIとはをご覧ください。
AI活用を個別用語の理解で終わらせず、経営課題や業務改善につなげたい場合は、中小企業社長のためのAI戦略活用完全ガイドで全体像を確認できます。
確認日：2026年7月29日（基盤モデルに関する各社の公開情報を参照）
