📂AI 基礎⏱読了2分📊入門🔗関連 4

基盤モデルとは?

一行定義
膨大なデータで一度大規模に事前学習し、翻訳・要約・コーディングなど多様な作業に幅広く使える汎用の大規模AIモデル。
このテーマを、社内研修で📚 関連研修💬 研修のお問い合わせ
⚡ 3行要約
  • 一度大規模に事前学習させた汎用モデル
  • 翻訳・要約・コーディングなど幅広く活用
  • 現代AIの土台

基盤モデルが変えたのは性能ではなく、AIプロジェクトの出発点です。以前は問い合わせ分類器を一つ作るにも、データ収集とラベリング、学習、検証に半年と専任の人員が必要で、業務の基準が変われば最初からやり直しでした。今は学習済みのモデルをAPIで呼び出して使うため、企業が抱える問いが'どうやって学習させるか'からどのモデルを選び、自社データにどう組み込むかへと移っています。コストの性格も、一度に出ていく開発費から毎月かかる利用料へと変わり、チームに必要な力も、モデルを作る力より、選び、組み込み、検証する力へと移っています。

基盤モデルといっても、すべてが同じではありません。重みを公開せずAPIでのみ提供されるクローズド型と、ダウンロードして社内のサーバーに載せられるオープンウェイト型に分かれ、テキストだけを受け付けるモデルか、画像・音声も一緒に受け付けるマルチモーダルかでも分かれます。業務に組み込む方法も3つの層があり、プロンプト、RAG、ファインチューニングの順に、コストと難易度が上がります。通念とは違い、社内の知識を入れる作業はファインチューニングではなくRAGの役割であり、ファインチューニングは口調・出力形式・分類基準のように'解き方'を固定したいときに使います。この区別を見落とすと、数千万ウォンのファインチューニングをしたのに、きのう変わった単価表を読めないモデルが出来上がります。

現場で最もよく崩れるのは、'一度つなげれば終わり'という考えです。モデルは数か月単位でバージョンが上がり、古いバージョンには提供終了の予告が出ます。バージョンが変わると、うまく動いていたプロンプトが出力形式をわずかに変え、後段のシステムごと止まることが実際に起こります。モデルのバージョンを固定し、回帰テストのセットを備えたチームだけが、この切り替えを事故なく乗り越えます。もうひとつは'汎用だから、うちの業務も自然にやってくれるだろう'という期待です。社内規定や製品コード、きのう改定された単価表は学習データにないため、それらしい誤答が返ってきます。つながれていない基盤モデルは、賢い部外者にすぎません。

この用語が登場する研修 · AI・DX
おすすめ研修 · おすすめ講師 · 簡易見積もり
🧮 ミニ見積もり・講師料の基準
約120万ウォン(約14万円)特別講義 2時間 · 20名以下 · 韓国語
この条件で正式な見積もりを依頼 →
💡 かんたんに言うと
基礎がしっかりした万能の新人社員 — 一度大きく学ばせておけば、さまざまな仕事に振り向けて使えます。
実務でなぜ重要なのか
企業がAIを一から開発しなくても、強力な基盤モデルの上に自社の業務を載せて使えるようになった背景です。
由来と出典

2021年、スタンフォード大学の人間中心AI研究所(HAI)が、このような大規模汎用モデルを'foundation model'と命名し、概念を確立しました。

出典 · Stanford HAI、「On the Opportunities and Risks of Foundation Models」(2021)
事例で理解する

仮想の事例で見てみましょう。役職員520名、年間売上高1,800億ウォン(約2,152,621万円)規模の産業用バルブメーカーA社です。海外のお取引先からの技術問い合わせが月700件届き、図面と仕様書を一つひとつ探して回答していたため、一次回答までに平均2.5日かかっていました。専用のAIモデルを作る案が上がりましたが、見積もりは8億ウォン(約9,567万円)、開発期間は12カ月でした。

  1. CTOのキム常務は見積書を差し戻し、"1年後にこれが商用モデルより優れていると断言できますか"と尋ね、代わりにまず2週間のモデル比較テストを行うよう指示しました。
  2. 技術営業チーム長が過去1年分の海外問い合わせ200件を抽出し、同じプロンプトで3つのモデルに実行させたところ、実務担当者の採点基準による正答率はそれぞれ71%、64%、58%と分かれました。
  3. 情報戦略チームは第1位のモデルに、図面仕様書と見積もり履歴1万4,000件をRAGで接続し、ファインチューニングは見送りました。"知識は検索で入れて、話し方だけプロンプトで整えよう"という判断でした。
  4. 法務チームは入力データを学習に使わない条項と処理リージョンを契約書に明記し、開発チームは モデルのバージョンを固定し、回帰テスト120問を作成して、アップデートのたびに実行することにしました。
  5. 3か月後、一次返信のリードタイムは平均2.5日から4時間に短縮され、月間トークン費用は240万ウォン(約29万円)と、当初見積もりの20分の1にも満たない額で運用しながら、未処理の問い合わせ残数は60%減少しました。
関連用語
この用語に関連する研修
📚エージェントAI実務入門ナヌム経営コンサルティング 企業研修 · 対面/オンラインコースを見る →
このテーマで社内研修が必要でしょうか?
ご担当者さま向けの研修プログラム・お見積もりを、すぐにご覧いただけます。
研修のお問い合わせ
最終更新 2026-09-13 · 監修 金鍾赫

よくある質問

LLMは'言語'の基盤モデルです。基盤モデルは画像・マルチモーダルまで含むより広い概念です。
大半はそうではありません。強力な基盤モデルを取り入れ、RAGやプロンプトで応用するのが現実的です。
LLMは言語の基盤モデルです。基盤モデルは画像・マルチモーダルまで含む広い概念です。
ほとんどの場合、作る必要はありません。公開・商用モデルをファインチューニングやRAGで活用するのが現実的です。