LLM(大規模言語モデル)には、GPT・Claude・Geminiなど、さまざまな種類があります。企業が自社に合うモデルを選ぶには、知名度だけでなく、得意な処理・対応するデータ・料金・運用方法を比較することが重要です。
本記事では、海外企業が提供する主なLLM7種類と、国内企業が提供する主なLLM4種類を表で比較し、それぞれの特徴・選び方・業務利用時の注意点を解説します。
目次
- LLMとは?
- 大量の文章を学習して言葉を理解・生成するAIモデル
- 入力された文章に続く言葉を予測して回答を作成する
- 生成AIとの違い|LLMは文章の生成を支える技術
- 海外企業が提供する主なLLM7種類
- 1.GPT|幅広い業務や複雑な推論に対応する
- 2.Claude|長い文章の読み取りや資料作成に対応する
- 3.Gemini|画像・音声・動画などをまとめて処理する
- 4.Llama|自社の目的に合わせて調整しやすい
- 5.Mistral|軽量なモデルから高性能なモデルまで提供する
- 6.Qwen|多言語の処理やプログラミングに対応する
- 7.DeepSeek|推論やプログラミングを低コストで処理する
- 国内企業が提供する主なLLM4種類
- 1.tsuzumi|少ない計算量で日本語を処理する
- 2.PLaMo|日本語の文章や文化的な表現を処理する
- 3.Takane|企業向けの日本語業務に対応する
- 4.cotomi|日本語の文書を高速に処理する
- 自社に適したLLMを選ぶポイント
- 利用する業務に合った性能があるか確認する
- 日本語や画像など必要なデータを扱えるか確認する
- 料金と処理速度のバランスを比較する
- 入力データの保存先や利用方法を確認する
- 既存のシステムと連携できるか確認する
- LLMを業務利用するときの注意点
- まとめ
- よくある質問
LLMとは?
LLMとは、大量の文章データを学習し、人間が使う言葉を読み取ったり、新しい文章を生成したりするAIモデルです。「Large Language Model」の略で、日本語では「大規模言語モデル」と呼ばれます。
LLMは、書籍・記事・Webサイトなどの文章データから、単語の並び方や文脈のパターンを学習します。その学習内容をもとに、入力された文章に続く言葉を予測し、質問への回答・要約・翻訳・文章作成などを行います。
大量の文章を学習して言葉を理解・生成するAIモデル
LLMは、大量の文章データをもとに、言葉の使われ方や文脈の流れを学習します。たとえば、ある言葉のあとに続きやすい言葉や、文章全体の意味に合う表現を統計的に判断します。
そのため、質問への回答や文章の要約、翻訳などに活用できます。ただし、人間のように経験や感覚に基づいて内容を理解しているわけではありません。
入力された文章に続く言葉を予測して回答を作成する
LLMは、入力された文章を「トークン」と呼ばれる小さな単位に分けて処理します。トークンは、単語や文字の一部などに分けられた文章の単位です。
LLMは、入力内容とそれまでに生成した文章を手がかりに、次に続く可能性が高いトークンを予測します。この処理を繰り返すことで、回答文を順番に作成します。
生成AIとの違い|LLMは文章の生成を支える技術
生成AIは、文章・画像・音声・動画などを新しく作り出すAIの総称です。一方、LLMは主に文章を扱うAIモデルで、生成AIのうち文章生成を支える技術として利用されています。
たとえば、文書作成サービスでは、LLMが文章の生成を担い、サービス側の機能がファイルの読み込み・保存や画面操作などを担います。つまり、LLMはサービスそのものの名称ではなく、文章を扱う機能を支える基盤です。
海外企業が提供する主なLLM7種類
海外企業が提供する主なLLMは、以下の7種類です。
| 名称 | 提供企業 | 主な特徴 |
|---|---|---|
| GPT | OpenAI | 幅広い言語処理・複雑な推論 |
| Claude | Anthropic | 長文の読み取り・自然な文章生成 |
| Gemini | 文章・画像・音声・動画の処理 | |
| Llama | Meta | 学習済みモデルの公開・自社環境での調整 |
| Mistral | Mistral AI | 軽量モデルから高性能モデルまでの選択肢 |
| Qwen | Alibaba Cloud | 多言語処理・プログラミングへの対応 |
| DeepSeek | DeepSeek | 推論・コード生成・低単価モデルの選択肢 |
対応するデータや利用条件は、選択するモデルと提供サービスによって異なります。
1.GPT|幅広い業務や複雑な推論に対応する
GPTは、OpenAIが開発するモデルシリーズです。文章の読み取りや生成に加え、複数の条件を整理して結論を導く推論や、プログラミングにも対応しています。
業務では、文章の下書きだけでなく、予算・納期・必要な機能を踏まえた提案内容の比較なども依頼できます。情報の整理から検討結果の文章化までを支援させることで、担当者は内容の確認や最終判断に時間を充てやすくなります。
なお、GPTはモデルの名称であり、生成AIと対話するサービスであるChatGPTとは別のものです。
2.Claude|長い文章の読み取りや資料作成に対応する
Claudeは、Anthropicが開発するモデルシリーズです。長い文章を処理し、文脈を踏まえて要約や文章生成を行う用途に対応しています。
調査報告書から重要な論点を抽出させ、その内容を報告書の下書きへまとめるといった使い方ができます。資料の読み取りと文章の構成を続けて依頼できるため、多くの文書を確認して要点を整理する業務で活用できます。
【関連記事】
Claudeとは?できること・料金プラン・はじめ方を解説
3.Gemini|画像・音声・動画などをまとめて処理する
Geminiは、Googleが開発するモデルシリーズです。文章・画像・音声・動画など、複数の形式の情報を扱う「マルチモーダル」に対応している点が特徴です。
研修動画などを確認する場合、説明の音声だけでなく、画面に映る動作についても質問できます。文字起こしだけでは把握しにくい情報を映像と合わせて確認できるため、動画の要約や作業手順の整理に役立ちます。
4.Llama|自社の目的に合わせて調整しやすい
Llamaは、Metaが開発し、学習済みのモデルを公開しているシリーズです。利用条件にしたがってモデルを入手し、自社環境への導入や追加学習を行えます。
企業が自社の回答形式や業務用語に合わせてモデルを調整したい場合、公開モデルを使えば、運用方法を自社で選ぶ自由度があります。一方、自社で動かすには設備の準備や保守も必要なため、ライセンスと運用体制を確認したうえで、どこまで自社で管理するかを決めることが大切です。
5.Mistral|軽量なモデルから高性能なモデルまで提供する
Mistralは、Mistral AIが開発するモデルシリーズです。必要な計算資源を抑えた軽量モデルから、複雑な処理に対応する高性能モデルまであり、業務の難しさや運用環境に合わせて選びやすい点が特徴です。
短い問い合わせを分類する処理と、複数の資料を踏まえて回答を作る処理では、求められる性能が異なります。開発担当者が処理ごとにモデルを使い分けることで、すべての作業に高性能モデルを使わずに、品質と費用のバランスを取りやすくなります。
6.Qwen|多言語の処理やプログラミングに対応する
Qwenは、Alibaba Cloudが開発するモデルシリーズです。多言語を扱うモデルに加え、コードの生成や修正など、プログラミングに重点を置いたモデルも提供されています。
開発業務では、外国語で書かれた仕様書の内容を整理したり、その内容を踏まえてコードの説明や修正案を作らせたりできます。文章の翻訳だけでなく、技術情報の確認から開発支援まで活用範囲を広げたい場合に検討できるシリーズです。
7.DeepSeek|推論やプログラミングを低コストで処理する
DeepSeekは、推論やプログラミングに対応するモデルシリーズです。外部のシステムからモデルを呼び出すAPIでは、入力・出力する文章量に応じて料金が発生し、FlashはProより安価で提供されています。
質問応答やコード生成を繰り返す業務では、低単価のモデルで必要な品質を満たせれば、利用料金を抑えられる可能性があります。ただし、単価が安くても、修正や再実行が増えれば総費用は下がりません。導入担当者は、必要な結果を得るまでの処理回数も含めて比較することが大切です。
国内企業が提供する主なLLM4種類
国内企業が提供するLLMには、日本語の処理や企業での運用を重視したモデルがあります。代表的な4種類の特徴は、以下のとおりです。
| 名称 | 提供企業 | 主な特徴 |
|---|---|---|
| tsuzumi | NTT | 軽量な設計・日本語処理 |
| PLaMo | Preferred Networks | 日本語や日本に関する知識を重視した学習 |
| Takane | 富士通(Cohereと共同開発) | 企業向けの日本語処理・専用環境での利用 |
| cotomi | NEC | 日本語処理・応答速度を重視した設計 |
国内企業が提供するモデルであっても、データが国内で処理・保存されるとは限りません。日本語への対応と情報管理の条件は分けて確認しましょう。
1.tsuzumi|少ない計算量で日本語を処理する
tsuzumiは、NTTが開発する、日本語処理と軽量な設計を重視したモデルシリーズです。AIの計算を担うGPUを1基使う構成などで動作するモデルもあり、大規模な設備を用意せずに運用する選択肢があります。
企業がLLMを自社環境で動かす場合、必要な計算資源は設備費や運用費に関わります。そのため、tsuzumiを検討する際は、自社の文書量や同時利用者数を想定し、必要な性能をどの程度の設備で確保できるか確認することが大切です。
2.PLaMo|日本語の文章や文化的な表現を処理する
PLaMoは、Preferred Networksが開発する、日本語の理解・生成を重視したモデルシリーズです。日本語や日本に関する知識を豊富に含むデータを学習し、日本の文化・商習慣を踏まえた業務への活用を目指しています。
日本語の業務文書では、内容が正しいだけでなく、読み手との関係に合った敬語や言い回しも求められます。PLaMoを試す際は、社内向けの説明文を顧客向けに書き換えさせるなど、実際の用途で表現の自然さを確かめることが重要です。
3.Takane|企業向けの日本語業務に対応する
Takaneは、富士通がCohereと共同開発した、企業向けの日本語処理を重視するLLMです。企業独自のデータを使った調整や、企業専用の環境での利用に対応しています。
企業が社内文書を検索する仕組みとTakaneを組み合わせれば、社内規程や業務マニュアルを参照して回答文を作るシステムを構築できます。一般的な文章作成にとどまらず、自社の情報を使った業務支援と、その情報を扱う環境を合わせて設計したい場合の選択肢です。
4.cotomi|日本語の文書を高速に処理する
cotomiは、NECが開発するAIコア技術の名称で、日本語処理に対応したLLMを含みます。応答速度を重視した設計や、業務に合わせたモデルの調整に対応している点が特徴です。
顧客対応中に問い合わせの要約や回答案の作成を依頼する場合、処理の正確さに加えて、回答を待つ時間も重要です。こうした業務では、cotomiが必要な品質と速度を満たせるか、実際の文書や利用環境で検証するとよいでしょう。
自社に適したLLMを選ぶポイント
自社に適したLLMを選ぶには、必要な出力品質を決めたうえで、費用や運用条件を比較することが重要です。モデル名や評判だけで判断せず、実際の業務に近い資料と指示を使って候補を試しましょう。
利用する業務に合った性能があるか確認する
LLMに求める性能は、任せる業務によって異なります。
たとえば、問い合わせ対応では回答の正確性、文書の要約では重要事項を漏らさずまとめられる精度が必要です。
導入時は、「回答に必ず含める項目」などの評価基準を設定し、同じ資料と指示で複数の候補を比較します。文章の自然さだけでなく、業務で求める結果が得られるかを確認することが重要です。
日本語や画像など必要なデータを扱えるか確認する
日本語に対応するLLMでも、画像内の小さな文字や複雑な表まで正確に読み取れるとは限りません。業務で使えるかを判断するには、実際のデータによる検証が必要です。
たとえば、請求書を処理する場合、実際の帳票を使い、金額・日付・取引先名を正しく読み取れるか確認しましょう。読み取り精度は、モデルの性能だけでなく、ファイルの形式やサービス側の処理方法によっても変わるため、実際の利用環境に近い条件で検証することが重要です。
料金と処理速度のバランスを比較する
費用を比較する際は、業務に支障が出ない処理速度を確保できるかも重要です。顧客との対話では素早い応答が求められますが、夜間に資料をまとめて処理する業務では、期限に間に合う範囲で費用を優先できます。
比較する際は、同じ件数の作業にかかる利用料金・処理時間・人による修正時間を確認しましょう。自社でモデルを動かす場合は、設備費・保守費を含めた見積もりも必要です。
入力データの保存先や利用方法を確認する
企業が機密情報や個人情報を扱う場合は、その情報を入力可能なサービスかを先に確認する必要があります。主な確認項目は、データの保存先・保存期間・学習への利用有無・削除方法・アクセス権限です。
同じモデルでも、提供サービスや契約によってデータの扱いが異なる場合があります。利用規約と契約内容を自社の情報管理ルールに照らし合わせ、利用可否を判断することが重要です。
既存のシステムと連携できるか確認する
LLMを日常業務に組み込むには、既存のシステムから必要な情報を渡し、処理結果を受け取れることが重要です。既存のシステムと連携できない場合、担当者が入力データの準備や出力結果の登録を手作業で行う必要があり、運用の負担が大きくなります。
たとえば、問い合わせ管理システムとAPIで連携すれば、問い合わせ内容をLLMへ渡し、回答案をもとの画面に表示する仕組みを構築できます。ただし、APIが用意されていても、自社のシステムとそのまま連携できるとは限りません。認証方法・利用上限・障害時の対応などを確認し、実際の運用に組み込めるかを判断することが重要です。
LLMを業務利用するときの注意点
LLMを業務で利用する際は、以下の4点に注意が必要です。
LLMを業務利用するときの注意点
- 回答内容の正確性と参照元の確認
- 機密情報・個人情報の管理
- 生成物の権利とモデルの利用条件の確認
- モデル更新後の品質確認と運用体制の整備
LLMの回答には、事実と異なる内容や根拠が不明確な内容が含まれる場合があります。社外に公開する文章や顧客対応、契約・法務・会計などの重要な判断に関わる業務では、出力内容をそのまま利用せず、担当者が参照元や根拠を確認する体制が必要です。
また、機密情報や個人情報を入力する場合は、データの保存先・保存期間・学習への利用有無・削除方法などを確認する必要があります。生成された文章や画像などを業務で利用する際は、著作権や商用利用の条件、モデルやサービスの利用規約も確認が必要です。
さらに、LLMはモデルの更新によって出力の傾向や精度が変わる場合があります。運用開始後も、出力品質や利用条件の変更を定期的に確認し、必要に応じて社内ルールや確認手順を見直すことが重要です。
まとめ
LLMには、GPT・Claude・Geminiなどの海外企業が提供するモデルと、tsuzumi・PLaMo・Takane・cotomiなどの国内企業が提供するモデルがあります。文章生成や要約、画像・音声・動画の処理、プログラミング支援など、対応できる業務や特徴はモデルによって異なります。
自社に適したLLMを選ぶには、利用する業務に合った性能があるか、日本語や画像など必要なデータを扱えるか、料金と処理速度のバランスが取れているかを確認することが重要です。あわせて、入力データの保存先や利用方法、既存システムとの連携可否も確認し、実際の業務に近い条件で比較・検証する必要があります。
よくある質問
LLMにはどのような種類がありますか?
代表的なLLMには、海外企業が提供するGPT・Claude・Gemini・Llama・Mistral・Qwen・DeepSeekがあります。国内企業のモデルでは、tsuzumi・PLaMo・Takane・cotomiなどが代表例です。
各シリーズには複数のモデルがあるため、利用するモデルの性能と提供条件を確認しましょう。
詳しくは、記事内「海外企業が提供する主なLLM7種類」をご覧ください。
業務利用に適したLLMはどれですか?
業務利用に適したLLMは、処理する情報と求める品質によって異なります。文章の要約・画像を含む資料の読み取り・コード生成など、任せる作業を決めて比較することが大切です。
導入時は、同じ資料と指示を使って複数の候補を比較します。そのうえで、回答の品質に加え、修正にかかる時間や運用費用も確認することが重要です。
詳しくは、記事内「自社に適したLLMを選ぶポイント」をご覧ください。
公開モデルと非公開モデルの違いは何ですか?
公開モデルと非公開モデルの主な違いは、利用者がモデルの「重み」を入手できるかどうかです。重みとは、AIが学習した結果を数値として保持したデータを指します。
重みが公開されているモデルは、利用条件にしたがって自社環境で動かしたり、追加学習によって用途に合わせて調整したりできます。一方、重みが公開されていないモデルは、一般的に提供元のAPIやサービスを通じて利用します。
ただし、重みが公開されていても、学習用コードや学習データまで公開されているとは限りません。また、公開モデルでも利用目的や再配布に条件が付く場合があるため、導入前にライセンスを確認することが重要です。
