基盤モデルとは、大量のデータで事前に学習し、追加の学習や使い方の工夫によって文章の作成・要約・画像の生成など幅広い用途に使い回せる大規模な AI モデルのことです。大規模言語モデル(LLM)が代表例で、生成 AI のサービスや業務で動く AI エージェントの土台になっています。
基盤モデルの名前は2021年の報告書で付き、国のガイドラインも生成 AI の土台として位置づけています
基盤モデル(foundation model)という呼び名は、スタンフォード大学の研究者が2021年にまとめた報告書で名付けられたものです。報告書は基盤モデルを、幅広いデータで(多くは大規模な自己教師あり学習で)学習し、ファインチューニングなどによって幅広い下流のタスクに適応させられるモデルと定義しました。例として挙げたのは、文章を扱う BERT と GPT-3、文章から画像を作る DALL-E です(Bommasani ほか、スタンフォード大学 CRFM「On the Opportunities and Risks of Foundation Models」2021年8月公開)。
名前の由来について、報告書はこれらのモデルが「極めて中心的でありながら未完成」な性格を持つことを強調するためだと書いています。土台ではあっても完成品ではないという含意は、企業が使う場面にもそのまま残ります。基盤モデルは、業務に合わせる工程を経てはじめて仕事に使える形になるからです。
日本では、総務省と経済産業省が2026年3月31日に公表した「AI事業者ガイドライン(第1.2版)」が、同じ意味でこの語を使っています。ガイドラインは、大規模言語モデルに代表される基盤モデルを「様々なサービスを支える個別モデルを生み出すコアの技術基盤」と説明し、2021年以降の基盤モデルの台頭によって、特定の分野に特化しない汎用的な AI の開発が進み、画像や文章を生成する生成 AI が普及しつつあると整理しました。
同じ箇所でガイドラインは、基盤モデルから派生する下流の幅広いタスクに適応させたモデルの開発や、開発過程から得られる知見の点で、基盤モデルは従来の AI とは異なる性質を持つとも述べています。1つの用途のために1つのモデルを作っていた時代と比べ、1つのモデルを多くの用途に広げる使い方が前提になった点が、企業にとっての大きな違いです。
基盤モデル・LLM・生成 AI・小規模言語モデルは、指す範囲が違います
基盤モデルは「土台になるモデル」の種類を指す語で、LLM はその代表例、生成 AI はモデルを使って文章や画像を作る AI 全体の呼び名です。社内の会議で4つの語が混ざると、何を選ぶ話なのかがぼやけるので、次の表のように指す範囲で分けておくと議論が噛み合います。
| 語 | 指すもの | 基盤モデルとの関係 |
|---|---|---|
| AI モデル | AI システムに含まれ、学習データを用いた機械学習によって得られるモデル | 基盤モデルを含む、モデル全般の呼び名 |
| 基盤モデル | 大量のデータで事前に学習し、幅広い用途に適応させられる大規模なモデル | 本ページの用語 |
| 大規模言語モデル(LLM) | 大量の文章で学習し、文章の理解と生成を担う言語のモデル | 基盤モデルの代表例。基盤モデルには画像を扱うものもある |
| 生成 AI | 文章、画像、プログラム等を生成できる AI モデルにもとづく AI の総称 | 基盤モデルを使って何かを生成する AI やサービスの呼び名 |
| 小規模言語モデル(SLM) | 規模を抑えた言語のモデル | 用途や動かす環境に合わせてモデルの大きさを選ぶときの選択肢 |
AI モデルと生成 AI の「指すもの」の列は、ガイドラインの用語の定義に沿って書いています(総務省・経済産業省「AI事業者ガイドライン(第1.2版)」2026年3月31日公表)。
混同が多いのは基盤モデルと生成 AI です。基盤モデルは部品の名前で、生成 AI は使い方やサービスの名前と考えると区別しやすくなります。社内で「生成 AI を導入する」と決めたとき、実務で決めるのは、どの基盤モデルを、どの提供形態で、どの業務の仕組みに組み込むかという3つの問いです。
基盤モデルを選ぶ・切り替えるときは、提供形態・データの扱い・利用条件・更新の4点を確かめます
企業が基盤モデルを選ぶときに先に確かめるのは、性能の順位ではなく、自社のデータと業務の条件に合う使い方ができるかです。AI 事業者ガイドラインは AI に関わる主体を AI 開発者・AI 提供者・AI 利用者の3つに分け、これらの主体は事業者だけでなく事業者の中の部門も想定しており、1つの事業者が複数の立場を兼ねる場合もあるとしています。外部の基盤モデルを自社の仕組みに組み込んで社員に使わせる企業は、モデルの利用者であると同時に、社内に向けて AI のサービスを提供する立場も持つことになります。
ガイドラインが提供者と利用者に求めている事項を手がかりにすると、確かめる点は次の4つに整理できます。
| 確かめる点 | 主な問い | ガイドラインの手がかり |
|---|---|---|
| 提供形態 | 外部の API で呼ぶか、自社のクラウド環境で動かすか、自社の設備で動かすか | 利用者は、提供者が設計において想定した範囲内で AI システム・サービスを使う |
| データの扱い | 入力したデータが学習に使われるか、どこにどれだけ保持されるか | 提供者は学習するデータの収集ポリシー・学習方法等を情報提供し、利用者は機密情報等を不適切に入力しないよう注意を払う |
| 利用条件 | サービス規約で業務の用途・出力の使い方・禁止事項がどう決まっているか | 提供者はサービス規約を作成し、利用者はそれを遵守し、提供された文書を保管・活用する |
| 更新 | モデルの更新がいつどう知らされ、出力がどう変わりうるか | 提供者は学習等による出力の変化の可能性と、更新を行った場合の更新内容とその理由を情報提供する |
表の「ガイドラインの手がかり」の列は、第4部・第5部の記述を編集部が短くまとめたものです(総務省・経済産業省「AI事業者ガイドライン(第1.2版)」2026年3月31日公表)。
提供形態は、扱うデータの機密度で決まります。人事や顧客の個人情報を入力する業務なら、データが自社の管理下から出ない形を候補に入れて比べることになり、自社の設備で動かす構成の考え方はオンプレミスの生成 AI の記事にまとめています。
データの扱いでは、規約の文面と管理画面の設定の両方を見るのが基本です。入力したデータを提供元が保持しない取り決めについてはゼロデータリテンションのページで、社員の入力から情報が外に出る経路と対策は生成 AI の情報漏えい対策の記事で扱っています。
更新は、導入した後に表に出てくる論点です。同じ名前のモデルでも提供元の更新で出力が変わりうるので、規約と更新の知らせを誰が受け取り、変わったときに何で確かめ直すかを、導入の時点で決めておきます。
企業の進め方は、業務とデータの区分を先に決め、モデルは差し替えられる形で組み込むことです
基盤モデルは複数の提供元から選べ、更新も続くため、特定のモデルを前提に作り込むより、評価の物差しと呼び出し口を自社で持つほうが、切り替えるときの手戻りが小さくなります。全社で使う基盤モデルを決めるときは、次の順で進めると、情報システム部門・法務・事業部門の確認が1回で済みます。
- 対象の業務と、AI に渡すデータの区分(公開・社外秘・個人情報)を一覧にする
- データの区分ごとに、使ってよい提供形態を情報システム部門と決める
- 実際の業務の入力と期待する答えを組にした評価用の問題集を作り、候補の基盤モデルを同じ問題で比べる(評価の組み立て方はAI エージェントの評価の記事)
- 基盤モデルを呼び出す箇所を1か所に集め、モデルの切り替えや利用量の記録をそこで行う(考え方はLLM ゲートウェイのページ)
- サービス規約と更新の知らせを保管する担当を決め、更新のたびに評価用の問題集で出力を確かめ直す
この順番の要は3と4です。問題集があればモデルを替えたときの差を同じ物差しで測れ、呼び出し口が1か所なら替える作業そのものが小さく済みます。
Offers AX は、戦略から実装、内製化までの3つの支援を案件の工程に応じて組み合わせ、お客様の組織で回せる状態をゴールに置いています。要件定義書ではなく動くもので合意しながら進め、仕組みはお客様の既存環境に構築し、GCP・Azure・AWS のすべてに対応します。当社環境に顧客データを抱えず、契約が終了しても資産はお客様環境に残るので、基盤モデルを後から切り替える判断も自社で続けられる形です。Offers AX のサービス内容を見る。
自社のデータの区分に合う提供形態や、候補の基盤モデルの比べ方を整理したい場合は、無料相談を申し込むからご連絡いただけます。
基盤モデルの癖は、その上に作った仕組みすべてに引き継がれます
1つの基盤モデルを多くの用途に広げられる利点は、裏返すと弱点も同じだけ広がるということです。2021年の報告書は、基盤モデルが多くのタスクで有効であることが同じモデルへの集中を促し、基盤モデルの欠陥は適応させた下流のモデルすべてに引き継がれると指摘しています(Bommasani ほか、スタンフォード大学 CRFM「On the Opportunities and Risks of Foundation Models」2021年8月公開)。
社内で同じ基盤モデルの上に社内問い合わせのチャットボット、議事録の要約、業務を進める AI エージェントを載せていれば、もっともらしい誤り(ハルシネーション)の出方や偏りが、どの仕組みにも共通して出る可能性があります。評価を仕組みごとに行うだけでなく、基盤モデルを替えたときや更新があったときに、載っている仕組み全体で確かめ直す運用が必要です。人の評価や処遇に関わる出力は、最後に人が判断する工程を残しておくのが前提になります。
基盤モデルを業務向けにする方法は、モデル自体を学習させ直す方法と、使うときに情報を補う方法の2つに分かれます。総務省・経済産業省の「AI事業者ガイドライン(第1.2版)」は、学習をデータを用いて AI モデルのパラメータを決定または改善するプロセスと定義し、場合によっては、AI モデルの汎化性能を形づくる事前学習と、必要に応じて継続的にパラメータを調整する事後学習の2つのプロセスで構成されるとしています。事後学習の主な手法として挙げているのは、ファインチューニングやデータの追加による再学習です。推論の段階では、利用者が入力するプロンプトに加え、RAG 等を介して外部知識を補完した情報が使われると整理しています。
社内規程や手順書のように頻繁に改訂される文書を答えの根拠にするなら、学習し直さなくても最新の文書を渡せる推論時の補完から試すのが順当です。モデルの言葉遣いや出力の形式そのものを業務に合わせたいときに、事後学習を検討します。
関連する用語
LLM が文章を区切って扱う単位と、それが利用量の数え方にどう関わるかはトークンの用語ページで、規模を抑えたモデルを選ぶ考え方は小規模言語モデルのページで扱っています。基盤モデルを使い、目標に向けて自律的に業務を進める仕組みはAI エージェント、複数の AI エージェントに役割を分けて連携させる構成はマルチエージェントのページで定義しています。
基盤モデルの選び方と切り替えの決まりを全社の規程に組み込むときは、AI ガバナンスの考え方と合わせておくのが近道です。国の指針が AI の開発者・提供者・利用者それぞれに何を求めているかはAI 事業者ガイドラインのページで、基盤モデルの上で業務に入る AI エージェントの作り方と運用はAI エージェントのカテゴリの記事にまとめています。