コラム · 連載記事

LLM、GPT、生成AI… 紛らわしいAI用語をひとまとめに解説

2026-04-04

カバー画像

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。

この記事に登場するツール
ChatGPTClaudeGeminiMidjourneySuno AI
このテーマで社内研修をご検討中ですか?
📚 ChatGPT・AI ツール研修 →📚 AI エージェントで仕上げる業務自動化実習 →すべての研修プログラム →
← コラム一覧 研修のお問い合わせ

コラム一覧

Claudeの登録からProプラン200ドルの価値まで、完全セットアップガイド2026-04-05AIにデータ分析を任せる:ExcelやCSVファイルをアップロードしてインサイトを引き出すプロンプトの書き方2026-04-05ChatGPT、Claude、Gemini の Chrome 拡張機能&ショートカット総まとめ:業務スピードを2倍にする設定方法2026-04-05AIのハルシネーション(幻覚)はなぜ起きるのか?生成AIの限界と正しい活用法2026-04-05モバイルでもAIをフル活用: スマートフォンのAIアプリのインストールから音声対話・写真分析の設定まで2026-04-05Geminiの登録からGoogle Workspace連携まで、会社員向けセットアップガイド2026-04-05AIエージェントとは?チャットボットとエージェントの決定的な違いをやさしく解説2026-04-05Perplexity・NotebookLM・Sider、業務用AI補助ツール3種のセットアップガイド2026-04-05Slack・Teams・NotionにAIボットを連携する:コラボレーションツール別AI統合セットアップガイド2026-04-05AI はどのように文章を書くのか? 生成 AI の仕組みをやさしく理解する2026-04-04ChatGPTの登録から有料課金まで、10分で完了する完全セットアップガイド2026-04-04AIとは?会社員が知っておくべきAI基礎概念まとめ2026-04-04LLM、GPT、生成AI… 紛らわしいAI用語をひとまとめに解説2026-04-04AIは私の仕事を奪うのか?会社員が本当に心配すべきことと、そうでないこと2026-04-04
コラムをすべて見る →

よくあるご質問

  • 分類: basic
  • 作成日: 2026-04-04
  • 著者: 金鍾赫(キム・ジョンヒョク) · ナヌム経営コンサルティング

LLM、GPT、生成AI… 混同しがちなAI用語を一気に整理 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…

はい、ナヌム経営コンサルティングでは、この記事のテーマに関連するオーダーメイド出張研修とオンライン研修を運営しています。対象者やレベルに合わせて研修プログラムを調整して実施します。