生成AIの議論は、この1年で「何ができるか」から「どこまで任せるか」に移りました。任せる範囲が広がると、AIは選べる道具ではなく、業務が動くための前提になります。
電気・ガス・水道と同じです。止まったときに困るものは、好みで選ぶ道具ではなく、供給の責任を持つ仕組みになります。
この記事は、国産AIが要る理由と、国の話を自社の話につなげる方法を整理します。結論を先に書きます。自国で持つべきなのは、モデルそのものより、モデルを替えても壊れない「電力網」のほうです。
前回はAnthropicの上場申請を題材に、フロンティアモデルの会社が「基盤」を持たない弱さを書きました。今回はその続きで、使う側が何を持つかという話です。
電気・ガス・水道の次に来るもの
インフラには共通する条件があります。使う人が中身を意識しなくても動くこと。品質の基準があり、供給の責任者がいて、止まったときの手順が決まっていること。電気が何ボルトで届くかを、家庭は考えません。決まっているから考えなくて済むのです。
AIがこの条件に近づいているのは、性能が上がったからではありません。判断や連絡や記録を、AIを経由して回す形が増えたからです。経由する工程ができると、そこが止まったときに業務が止まります。この時点でAIは、選ぶ道具ではなく、止められないものになります。
何でもできるAIは要らない
インフラとして見たとき、何でもできる巨大なモデルが最良とは限りません。理由は3つあります。
- 品質の基準を作れない。何でもできるので、何をもって合格かが決まりません。
- 費用が読めない。用途ごとに必要な量が変わり、単価も変わります。
- 説明できない。なぜその答えになったかを、業務の側から検証できません。
特定の業務に絞ったモデルは、この3つに答えられます。正解の範囲を決められ、評価の点数が安定し、判断の根拠を業務の言葉で説明できます。特化が強いのは、性能が高いからではなく、検証できるからです。
国の調達でも同じことが起きています。学習データの扱いを説明できることが条件になり、行政実務を測る試験の出題数も増えました。性能表ではなく、説明できるかで選ぶ方向に動いています。
正しさをif文で買わない
ここで、よくある設計の話をします。AIの誤り、いわゆるハルシネーションを嫌って、出力をif文で囲み、条件に合わなければ捨てる。気持ちは分かりますが、筋の悪い方法です。
if文で縛ると、AIは決められた型に収まる範囲でしか働けなくなります。曖昧な入力を解釈する、例外を吸収する、足りない情報を聞き返す。AIの値打ちはそこにあるので、縛るほど普通のプログラムに近づき、遅くて高いだけの装置になります。
もっと率直に言えば、正しさを保証したいなら、最初からif文で組んだほうがいい。それではAIを使う理由がありません。問題はAIの誤りそのものではなく、「AIに正解を出させる」設計にしていることです。
正値はコードが返す
ではどうするか。役割を分けます。AIには意図を読ませ、正しい値はコードが返す。この分担です。
具体的には、AIの出力を文章のまま人に渡さず、検索条件、計算の引数、実行する操作に変換します。正しい値はデータベースやAPIから取り、計算はコードで行う。AIは何を知りたいのか、どの処理をしたいのかを汲む係で、数字を覚える係ではありません。
この形にすると、誤りは「間違った答え」ではなく「間違った解釈」になります。解釈の誤りは、実行の前に確認できます。確認の画面を出す、影響の大きい操作だけ承認を挟む、対象件数が想定を外れたら止める。止め方が決まっているのが、インフラの作法です。
電気も止まります。止まらないことより、止まったときに被害が広がらないことのほうが大事にされています。AIも同じで、誤りをゼロにするより、誤りが外に出ない形にする。これが現実的な設計です。
主権は発電所ではなく電力網
ここまでの話を、国の話に戻します。AIを自国で持つ、というとき、何を持つことを指すのか。
電気に置き換えると分かりやすい。発電所をすべて自国で持っている国は多くありません。燃料は輸入し、隣の国と融通し合い、それでも電気は止まりにくい。理由は、発電所ではなく、電線と変電所、そして止めたときに切り替える手順を持っているからです。
AIも同じです。特定のモデルを自国で作ることより、どのモデルにもつなげて、替えられて、品質を測れて、記録が残る形を持っていること。これが主権の実体です。モデルは発電所で、その上で動く仕組みが電力網にあたります。
自国で持つ、の現実的な意味
「自国で開発保有する」を全量自製と読むと、話が非現実的になります。計算資源の規模でも人材でも、全量を自前で持つのは無理があります。現実的な主権は、代替できることと、最後に自分で決められることの2つです。
代替できること。使っているモデルが値上げしても、提供を止めても、同等の選択肢に乗り換えられる状態にしておく。データを国外に出せない案件には、国内で完結する選択肢を用意しておく。
最後に決められること。どの業務をAIに任せ、どこを人が承認し、何を記録に残すか。この線引きを自社の基準で決められれば、ベンダーが変わっても運用は続きます。決められなければ、便利になっても主権はありません。
替えられる形になっているか
最後に、自社で確かめる質問を3つ置きます。
- いまのAIを、来月べつのモデルに替えられますか。（替えられないなら、任せた範囲が広がりすぎています）
- AIが出した数字を、根拠のデータまで遡れますか。（遡れないと、誤りを止める場所がありません）
- 判断の基準は、AIの外に文書としてありますか。（無いと、モデルを替えた瞬間に品質の物差しも失います）
3つとも「はい」なら、モデルの入れ替わりは自社の損益に直結しません。どれかが「いいえ」なら、次に投資すべきは新しいモデルではなく、替えられる形のほうです。
「AIで速く進化する」という言葉も同じです。進化の速さは、モデルの性能ではなく、替えるのにかかる時間で決まります。替えるのに1週間で済む会社と半年かかる会社では、同じモデルを使っていても差が開きます。ソブリンAIを自社の側で捉え直すなら、速く替えられるプログラマブルな状態、つまり設定と手順を書き換えるだけで振る舞いを変えられる状態をつくること。これが実務的な答えになります。
相談できること
当社は、AIOpsを運用支援の軸に置いています。AIの導入そのものではなく、任せる範囲を決め、根拠を残し、替えられる形にする。この設計と運用を支援しています。
モデルを選ぶ前の棚卸しから、確認の手順、記録の作り方までを一緒に詰めます。「どのモデルが賢いか」ではなく「替えられる形になっているか」から相談を始めています。お問い合わせください。
参考
- 内閣府「AI戦略」 — 国のAI政策の全体像と基本方針
- デジタル庁「ガバメントAI『源内』」 — 政府が自ら使うAIの調達と運用の考え方
- デジタル庁「源内で試用する国内LLMの公募結果」 — 学習データの法令遵守が調達の条件になっている例
- NTT「tsuzumi 2」の発表 — 30Bクラスを1基のGPUで動かし、推論コストを下げた国産モデル
- PLaMo API の料金 — 国産モデルの公開単価（料金が読めることの意味）
本記事は2026年11月10日時点の公開情報に基づいています。特定の製品・企業の評価ではなく、設計と運用の考え方の整理です。