
LLM、GPT、生成AI… 紛らわしいAI用語をひとまとめに解説
会議室で「それはRAGでできるのでは?」という言葉に言葉を詰まらせたことはありませんか?このガイドで30の重要AI用語を整理すれば、次の会議ではあなたが説明する側になります。
なぜAI用語の整理が必要か
B2B営業の打ち合わせでお客様が**「生成AIの導入を検討中」**と話したとき、LLMとSLMの違いを説明できれば、信頼度は2倍になります。
社内DX(デジタルトランスフォーメーション)会議で用語を正確に使うと、コミュニケーションの誤りが60%以上減ります。
Before: 「AI ですか…ChatGPT みたいなものを使えばいいのでは?」
After: 「今回のユースケースでは、RAG ベースの SLM を社内データでファインチューニングして導入するのが、費用対効果の面で有効です。」
Step 1: 基礎中の基礎 — AI の階層構造5つの用語を理解する
このステップでは、AI の世界の地図を描きます。次の5つの用語は、上から下へ「包含関係」になっています。
1. AI (Artificial Intelligence、人工知能)
一言で言うと: 人間の知能を模倣するあらゆる技術の総称です。
会議での使い方: 「これは AI の中でも、どの分類に当たりますか?」
💡 AI は最も大きな傘です。すべての下位用語は AI の中に含まれます。
2. ML(Machine Learning、機械学習)
一言で言うと: データを学習してパターンを見つけ出す、AI の下位分野です。
例: スパムメールフィルター、顧客離脱予測モデル
Before/After: ルールベースのフィルター(精度70%) → ML ベースのフィルター(精度95%)
3. DL(Deep Learning、ディープラーニング)
一言で定義: 人工ニューラルネットワークを何層にも重ねて学習する、機械学習の手法の一つです。
ポイント: 「ディープ」とは、ニューラルネットワークの層が深い(deep)という意味です。
4. 生成 AI(Generative AI)
一言で定義: 既存のデータを分析するだけでなく、新しいコンテンツ(テキスト・画像・コード)を生み出すAIです。
例: ChatGPT(テキスト)、Midjourney(画像)、Suno(音楽)
💡「分析型AI」と対比して説明すると理解が早まります。分析型は「この顧客の離脱確率は80%」、生成型は「この顧客に送るメールの下書きを作成して」というものです。
5. Foundation Model (基盤モデル)
一言で言うと: 大規模データで事前学習された汎用 AI モデルで、さまざまな作業に活用できる基盤モデルです。
例: GPT-4、Claude、Gemini、LLaMA
実践プロンプト — ChatGPT に入力してみましょう:
「AI、機械学習、ディープラーニング、生成 AI、基盤モデルの関係を、小学生でも分かるように、ロシアのマトリョーシカ人形にたとえて説明して。」
Step 2: 言語モデルの重要用語7つをマスターする
この段階は実務で最もよく登場する区間です。
6. LLM(Large Language Model、大規模言語モデル)
一言でいうと: 数十億〜数兆件のテキストデータで学習した超大規模言語モデルです。
代表的なモデル: GPT-4(OpenAI)、Claude(Anthropic)、Gemini(Google)
会議での使い方: 「この業務では、LLM を直接使うか、API で連携するかを検討する必要があります。」
7. SLM(Small Language Model、小規模言語モデル)
ひとことで言うと: LLMよりパラメーター数は少ないものの、特定の作業に最適化された軽量モデルです。
代表的なモデル: Phi-3(Microsoft)、Gemma(Google)
Before/After: LLM API費用 月500万ウォン(約60万円) → SLMを自社運用すると月80万ウォン(約9.6万円)
💡 B2B営業でお客様がコストを懸念されたら、代替案として「SLM+ファインチューニングの組み合わせ」を提示しましょう。
8. GPT (Generative Pre-trained Transformer)
一言で言うと: OpenAI が開発した LLM シリーズの名称であり、同時に「事前学習済みの生成型トランスフォーマー」という技術構造を指します。
ポイント: GPT は固有名詞(OpenAI の製品名)であると同時に、技術アーキテクチャの名称でもあります。「GPT 系モデル」と言う場合は後者の意味です。
9. Transformer (トランスフォーマー)
一言でいうと: 2017年にGoogleが発表したディープラーニングの構造で、現在ほぼすべてのLLMのエンジンにあたります。
なぜ重要か:「Attention Is All You Need」という論文から始まり、AIの歴史を変えました。
💡 トランスフォーマーは自動車のエンジン、GPTはそのエンジンで作られた特定の車種、と例えると伝わりやすいです。
10. パラメータ(Parameter)
一言で言うと: AI モデルが学習の過程で調整する内部変数の数です。一般にモデルの「大きさ」を表します。
イメージしやすく言うと: GPT-3は1,750億個、GPT-4は約1.8兆個(推定)のパラメータを持っています。
会議での使い方:「このモデルは70B(700億)パラメーター級なので、オンプレミスのGPUが必要です。」
11. トークン(Token)
一言で定義: LLM がテキストを処理する際の最小単位です。韓国語では、1文字がおおむね1〜2トークンです。
コスト計算: GPT-4oの場合、入力100万トークンあたり約$2.50 → 韓国語のA4用紙1枚(約1,500字)≒2,000〜3,000トークン
💡「トークン数=コスト」なので、プロンプトを簡潔に書くとAPI費用を抑えられます。
12. コンテキストウィンドウ (Context Window)
ひとことで言うと: モデルが一度に読み取り、処理できる最大トークン数です。
比較: GPT-3.5(4Kトークン) → GPT-4o(128Kトークン) → Claude 3.5(200Kトークン)
実務での意味: コンテキストウィンドウが大きいほど、長い文書を一度に入力して分析できます。
実習用プロンプト:
「この営業提案書(下記テキスト)を読み、お客様が最も関心を持ちそうな3つのポイントを要約してください。[提案書の全文を貼り付け]」
Step 3: 実務活用の段階 — モデルの使い方に関する用語8つ
13. プロンプト (Prompt)
一言で定義: AIモデルに与える質問または指示文です。
Before: 「売上資料をまとめて」→ 結果: 大雑把な表
After:「2024年Q3の売上を部署別に分類し、前四半期比の増減率を%で示した表を作成してください」→ 結果: そのままレポートに使える表
14. プロンプトエンジニアリング(Prompt Engineering)
ひとことで言うと: 望む結果を得るために、プロンプトを体系的に設計する技術です。
主要な手法3つ:
役割の付与: 「あなたは10年の経験を持つ B2B 営業戦略家です」
構造の指定: 「表形式で / 3つに分けて / 500字以内で」
例の提示: 「以下の例のように作成して」
15. Few-shot / Zero-shot / One-shot
Zero-shot: 例を示さずに、そのまま質問する方法です。「メールの下書きを書いて」
One-shot: 例を1つ示す方法です。「下の例のようにメールを書いて [例1つ]」
Few-shot: 例を2〜5個与える方法です。
Before(Zero-shot): 結果の一貫性60% → After(Few-shot): 結果の一貫性90%
16. RAG (Retrieval-Augmented Generation、検索拡張生成)
一言で言うと: LLM が回答する際に、外部のデータベースを検索して参照したうえで回答を生成する技術です。
なぜ重要か: LLMは学習時点より後の情報を知りません。RAGを使えば、社内の最新文書をもとに回答できます。
B2Bでの活用: 顧客企業のマニュアル1,000ページをRAGに接続 → 新入社員がすぐに専門家レベルの回答を得られる
💡「ファインチューニング vs RAG」の比較はよく聞かれる質問です。ファインチューニングはモデル自体を変えるもの、RAG はモデルをそのままに参考資料だけをつなぐものです。コストと時間の面では RAG のほうがはるかに軽量です。
17. ファインチューニング (Fine-tuning)
一言で定義: 事前学習済みのモデルに、特定分野のデータで追加学習させることです。
例: 汎用 GPT → 法律文書10万件でファインチューニング → 法律特化 AI
コスト感: OpenAI GPT-4o mini のファインチューニングの場合、学習 100万トークンあたり $3.00
18. ハルシネーション (Hallucination、幻覚)
一言で言うと: AI がもっともらしいが事実ではない情報を作り出す現象です。
実務上のリスク: 提案書に存在しない統計を載せると、信頼が崩れます。
💡 対策: ① 出典を求めるプロンプトを追加 ② RAGを活用 ③ ファクトチェックの工程を必須化
19. エンベディング (Embedding)
一言で言うと: テキストや画像を数値ベクトル(座標)に変換することです。これにより AI が意味を比較できるようになります。
実務例: お客様からの問い合わせ1万件を埋め込み化 → 類似の問い合わせを自動分類 → 対応時間を40%短縮
20. API (Application Programming Interface)
ひとことで言うと: 外部のプログラムがAIモデルの機能を呼び出して利用できるようにする接続口です。
会議での使い方: 「自社開発アプリに GPT-4o API を連携すれば、別途 AI を作る必要はありません。」
Before: 社員が ChatGPT の画面に手入力(1件3分) → After: API で自動連携(1件0.5秒)
実習用プロンプト:
「私は B2B SaaS の営業担当です。顧客から『RAG とファインチューニングのどちらを導入すべきですか?』と聞かれたとき、コスト・速度・精度の3つの基準で比較表を作ってください。各項目に具体的な数値例を含めてください。」
Step 4: AIサービス & ビジネス用語8つ
21. ChatGPT
一言で言うと: OpenAI が GPT モデルの上に対話型インターフェースを被せたサービス名です。
💡 GPT はエンジン、ChatGPT は自動車です。混同しないようにしましょう。
22. Copilot (コパイロット)
一言で言うと: Microsoft が Office 365、Windows、GitHub などに搭載している AI アシスタントのブランドです。
実務例: Excel で「このデータのトレンドをグラフにして」と Copilot に入力する
23. エージェント (AI Agent)
一言で言うと: 人の手を借りず、自ら判断し、複数のツールを使って作業をやり遂げるAIシステムです。
例: 「競合他社のニュースを毎日収集 → 要約 → Slack に送信」を自動で実行
Before: 担当者が毎日1時間かけて作業 → After: エージェントが自動で実行し、人は確認のみ(10分)
24. マルチモーダル(Multimodal)
一言でいうと: テキスト・画像・音声・動画など、複数の形式のデータを同時に処理できる能力です。
例: GPT-4oに製品写真をアップロードし、「この製品の営業ポイントを3つ挙げて」と依頼する
25. オンプレミス(On-premise)vs クラウド(Cloud)
オンプレミス: 自社サーバーに AI モデルを直接インストールして運用する方式です。
クラウド: AWSやAzureなど外部のサーバー上でAIを利用する方式です。
選択基準: セキュリティ上機微なデータ(医療・金融)→ オンプレミス / 早期導入 → クラウド
コスト比較: オンプレミスは初期投資 約3〜5億ウォン(約5,980万円) vs クラウドは月 500〜2,000万ウォン(約239万円)
26. オープンソースモデル (Open Source Model)
一言で言うと: モデルの重み(学習結果)を公開し、誰でもダウンロード・修正・配布できるモデルです。
代表的なモデル: Meta の LLaMA 3、Mistral、Falcon
💡 オープンソース=無料ではありません。運用インフラ(GPUサーバー)の費用が別途かかります。
27. トークンエコノミー (Token Economy / 料金体系)
ひとことで言うと: API利用時に入力・出力のトークン数に応じて課金される費用の仕組みです。
比較(2024年末時点):
GPT-4o: 入力 $2.50 / 出力 $10.00(100万トークンあたり)
Claude 3.5 Sonnet: 入力 $3.00 / 出力 $15.00(100万トークンあたり)
GPT-4o mini: 入力 $0.15 / 出力 $0.60 (100万トークンあたり)
28. ガードレール (Guardrail)
一言で定義: AIが不適切・危険な回答をしないよう、安全装置を設けることです。
B2Bでの重要性: 顧客対応チャットボットにガードレールを設定しないと、ブランドリスクが生じます
設定例: 「競合他社を中傷する回答の禁止」「医療・法律に関する助言の禁止」「未確認の数値の使用禁止」
Step 5: トレンド & 戦略に関する最後の2用語
29. AGI(Artificial General Intelligence、汎用人工知能)
ひとことで言うと: 特定の作業に限らず、人間のようにあらゆる知的作業をこなせるAIです。
現状: まだ実現していません。現在の GPT-4o や Claude などは ANI(特化型知能)の段階です。
会議での使い方: 「現在の水準はAGIではなく特定業務に特化したAIですので、導入範囲を明確にする必要があります。」
30. AI ガバナンス(AI Governance)
一言で言うと: 組織内での AI 利用の方針・倫理・セキュリティ・コンプライアンスを管理する仕組みです。
必須項目: データプライバシー方針、AI生成物の検証プロセス、社員向けAI利用ガイドライン
Before: 社員ごとにバラバラなAI利用 → 情報漏えいのリスク → After: ガバナンスを整備 → セキュリティ事故0件
Step 6: 30用語の総まとめ — チートシート
番号 | 用語 | かんたん解説 | カテゴリー |
|---|---|---|---|
1 | AI | 人間の知能を模倣する技術の総称 | 基礎 |
2 | ML | データからパターンを学習する AI | 基礎 |
3 | DL | ニューラルネットワークを深く積み重ねたML | 基礎 |
4 | 生成 AI | 新しいコンテンツを生み出す AI | 基礎 |
5 | ファウンデーションモデル | 大規模事前学習の汎用モデル | 基礎 |
6 | LLM | 超大規模言語モデル | 言語モデル |
7 | SLM | 軽量・特化型の言語モデル | 言語モデル |
8 | GPT | OpenAIの生成型トランスフォーマー | 言語モデル |
9 | Transformer | 現代のLLMの中核アーキテクチャ | 言語モデル |
10 | パラメーター | モデル内部の学習変数の数 | 言語モデル |
11 | トークン | LLMのテキスト処理の最小単位 | 言語モデル |
12 | コンテキストウィンドウ | 一度に処理できる最大トークン数 | 言語モデル |
13 | プロンプト | AIに与える指示文 | 活用 |
14 | プロンプトエンジニアリング | プロンプトを体系的に設計すること | 活用 |
15 | Few-shot/Zero-shot | 例示の有無によるプロンプト方式の違い | 活用 |
16 | RAG | 外部データを検索して回答を生成 | 活用 |
17 | ファインチューニング | 特定分野のデータで追加学習 | 活用 |
18 | ハルシネーション | AIが誤った情報を生成する現象 | 活用 |
19 | エンベディング | テキストを数値ベクトルに変換 | 活用 |
20 | API | AIの機能呼び出しをつなぐ接続口 | 活用 |
21 | ChatGPT | OpenAI の対話型 AI サービス | サービス |
22 | Copilot | Microsoft の AI アシスタントブランド | サービス |
23 | AIエージェント | 自律的に作業を実行するAI | サービス |
24 | マルチモーダル | テキスト・画像・音声を同時に処理 | サービス |
25 | オンプレミス/クラウド | AI 運用インフラの方式 | ビジネス |
26 | オープンソースモデル | 重み公開モデル | ビジネス |
27 | トークンエコノミー | トークンベースのAPI課金体系 | ビジネス |
28 | ガードレール | AIの安全対策の設定 | ビジネス |
29 | AGI | 人間レベルの汎用知能(未達成) | トレンド |
30 | AIガバナンス | 組織内のAI管理体制 | トレンド |
💡 この表をキャプチャまたは印刷して、モニターの横に貼っておきましょう。会議中でも3秒で用語を確認できます。
Step 7: 実践活用 — 今日からすぐ使える3つのシナリオ
シナリオ A: 営業ミーティングで顧客の質問に答える
お客様: 「ファインチューニングと RAG、どちらをやるべきですか?」
おすすめの回答フレーム:
「お客様、この2つは目的が異なります。RAGはモデルはそのままに、社内文書を検索ソースとして接続する方法で、2〜4週間で素早く導入できます。ファインチューニングはモデル自体を変える方法で、精度は高くなりますが、データの準備に2〜3か月かかります。まずRAGでMVPを作り、成果を確認したうえでファインチューニングによる高度化を進めることをおすすめします。」
シナリオ B: 社内報告書に AI 導入コストを算出する
ChatGPTに入力:
「月間のお客様問い合わせ10,000件を GPT-4o mini API で処理すると仮定して。問い合わせ1件あたりの平均が入力500トークン、出力300トークンの場合の、月間 API 費用を計算して。さらに、GPT-4o で処理した場合の費用も比較表にして。」
シナリオC: チーム向け研修資料を作る
ChatGPTに入力:
「私たちのチーム(マーケティング部門、10名)向けのAI用語クイズを作ってください。LLM、RAG、ファインチューニング、ハルシネーション、プロンプトエンジニアリング、トークン、マルチモーダルの7つの用語について、それぞれ4択問題を作成し、正解と解説も付けてください。」
まとめのチェックリスト
本日の学習が終わったら、以下を確認しましょう:
AI → ML → DL → 生成AI → LLM の階層構造を言葉で説明できる
LLMとSLMの違いをコストの観点から説明できる
RAGとファインチューニングをたとえ話で区別して説明できる
トークンの概念を理解し、APIコストをおおまかに試算できる
ハルシネーションのリスクと3つの防止策を説明できる
チートシートをモニターの横に印刷して貼った
💡 最後のヒント: 用語を「知っている」ことと「会議で自然に使える」ことは別です。今週の会議で、最低でも3つの用語を意識して使ってみてください。一度口に出せば、その時からあなた自身の言葉になります。