「自社モデルを持つか」の判断

この記事の目的

プロンプト → RAG → ファインチューニング既存モデルの重みを自分のデータで追加調整すること。形式・文体・ドメイン特化の挙動に加え事実知識も学習し得るが、正確な再現や容易な更新は保証されない。評価・データ準備・再学習の費用を、プロンプト改善・RAG・モデル変更と比較して選ぶ。(FT)の先にある「専用モデルへの投資」— 大規模 FT・継続事前学習(continued pre-training)・共同開発や独自構築 — を、能力・コスト・組織の観点で判断できるようになります。「持つ」ことがどの段階を指すのかを分解し、判断軸と見落としやすい継続費用(世代交代への追従コスト)、そして「持たない」戦略の強さと撤退基準までを、経営・調達レベルの意思決定として整理します。

対象読者

• 「自社専用モデルを作るべきか」を経営・技術の両面から問われている CTO・技術責任者・アーキテクト
• FT やモデル内製の投資稟議を評価・起案する立場のエンジニアリングマネージャー

前提知識

• ファインチューニングと蒸留 — 「持つ」の一手段である FT の手法の正本(本記事は手法ではなく投資判断)
• モデル選定ガイド — 「持たない(既製を使い分ける)」という選択肢の技術的正本
• ROI とビジネスケース — 撤退基準・段階投資という本記事の判断原則
• セルフホスト推論の実務 — 独自モデルを動かす実行基盤(本記事はその手前の投資判断)

本文

概要: 「持つ」は 0/1 ではなく段階

「自社モデルを持つべきか」という問いは、しばしば「巨大な独自モデルをゼロから学習するか否か」という極端な二択で語られます。実際には、モデルへの関与は連続した段階であり、判断はそのどの段階に踏み込むかの選択です。用途によって中間の段階や「持たない」選択も候補になります。

図を元の大きさで表示

図の中をスクロールして読めます。キーボードでは図の領域へ Tab で移動し、矢印キーを使います。読み終わったら、この見出しをもう一度選ぶと閉じます。

右へ行くほど、差別化の可能性と引き換えに、初期投資・追従コスト・必要な組織能力が跳ね上がります。右に進む判断は「戻れなくはないが、戻るのに大きなコストがかかる」不可逆性を帯びます。だからこそ、投資判断として扱います。

「持つ」の段階と前提条件

各段階を検討するときは、より軽い手段で要件を満たせるかも比較します。これは投資の比較順序を示す設計案です。機密保持、配備先、レイテンシなどの必須要件により、既製 API が候補にならない場合もあります。

継続事前学習より右は、専任の ML 研究・基盤チーム、学習用計算資源(自社またはセルフホスト推論の延長にある学習インフラ)、そして継続的なデータ整備の体制を前提とします。ここは「プロジェクト」ではなく「事業」です。

判断軸

段階を上げるかどうかは、次の 4 軸で問います。1 つでも「否」があれば、その投資は疑うべきです。

1. 差別化の源泉になるか: そのモデルの挙動が、競合が容易に真似られない事業価値を生むか。汎用能力の改善はベンダー更新でも得られる場合があるため、独自投資との比較対象に含めます。汎用能力の向上をベンダーに任せ、自社は差別化に集中するのが基本方針です
2. データ優位があるか: 自社にしかない、質・量ともに十分な独自データがあるか。モデルを特化させる燃料はデータであり、データ優位のない特化は「他社も既製 API で追いつける」ことを意味します
3. 維持できる組織か: 単発で作れても、評価・再学習・監視・世代追従を回し続ける人材と体制があるか。モデルは資産ではなく、生き物のように世話が要る負債にもなり得ます(常駐エージェントのライフサイクル管理と同じ「維持の思想」)
4. 退役リスクを引き受けられるか: ホスト型 FT は提供元の退役条件に従うため移行が必要になる場合があります。保持した重みを自社運用するモデルは、提供元の API 退役だけで使用不能になるわけではありませんが、保守・互換性・安全性の維持を自社で引き受けます。次節の追従コストを、事業として引き受けられるか

見落としやすい継続費用: 追従コスト

初期構築費に加え、世代交代への追従、データ整備、監視などの継続費用を見積もります。何が最大費用になるかは方式と規模で変わります。

既製モデルの更新で、独自モデルとの品質・費用の比較が変わることがあります。ある時点で「既製 API より優秀」だった自社特化モデルは、次のベース世代が出た瞬間に、追加学習なしの既製モデルに能力で追い越されることがあります。追いつくには、新しいベースの上で FT・継続学習をやり直す必要があり、これはデータ整備・学習・評価・再デプロイの全工程の繰り返しです(ファインチューニングと蒸留の「ベース退役は期限付きの計画タスク」)。

図を元の大きさで表示

図の中をスクロールして読めます。キーボードでは図の領域へ Tab で移動し、矢印キーを使います。読み終わったら、この見出しをもう一度選ぶと閉じます。

投資判断では、初期費用ではなく**「今後 N 年の初期・運用・必要な移行コスト」の総額**で見積もります。独自モデルによる追加便益が、既製 API 案に対する初期費用・追従費用・運用費用の増分に見合うかを比較します。費用だけでなく、機密保持や配備条件など必須要件を満たすかも判断に含めます。

「持たない」ことの強さ

「持たない」— 既製モデルを中立的に使い分ける — は、消極的な選択ではなく積極的な戦略です。これはモデル選定ガイドの「モデル中立・乗り換え自由」の経営版です。

• ベンダーの更新を選択肢にできる: 新モデルの研究開発費を直接負担せず採用できますが、移行時の評価・設定変更・回帰対応は必要です。自社は差別化レイヤー(データ・プロンプト・ワークフロー・UX)に集中できます
• 乗り換え自由という保険: 特定モデルに固定しない設計(LLM ゲートウェイでモデルを抽象化)は、価格改定・提供停止・性能逆転に対する保険です。自社モデルはこの自由を手放す代わりに差別化を得る取引であり、割に合うかを常に問います
• 差別化はモデルの外に多い: 多くの事業で、競争優位は「モデルが少し賢い」ことよりも、独自データ・業務への統合・信頼・UX にあります。これらは既製モデルの上でも作れます

原則として、本記事では 既製利用案を比較対象に置き、独自保有の便益と負担を明示することを提案します。唯一の正解や市場全体の傾向を示すものではありません。

段階的な検証と撤退基準

「持つ」に踏み込むと決めても、一足飛びに最重量の段階へ投資しません。ROI とビジネスケースとPoC から本番への進め方の段階投資・関門の原則がそのまま適用されます。

• 小さい段階で実証してから拡大する: いきなり継続事前学習ではなく、まず限定タスクの FT で「特化が実際に事業価値を生むか」を評価で実証します。実証できてから、より重い段階への投資を検討します
• 撤退基準を着手前に決める: 「次のベース世代で既製 API に能力で並ばれたら FT をやめる」「追従コストが既製利用の N 倍を超えたら撤退する」といった基準を、投資を始める前に定義します。ROI とビジネスケースの「サンクコストに引きずられない」がここでも要です — 投じた学習費は戻りません。継続判断は将来の見合いだけで行います

「持つ側」の実行基盤との関係

「持つ」と決めた後の実行は、本記事の範囲外です。学習・推論の基盤はセルフホスト推論の実務・GPU・AI ハードウェアの基礎・MLOps と LLMOps の統合が扱います。オープンウェイトモデルを起点にする場合の選択肢は主要 LLM の全体像を参照してください。本記事はその手前の「そもそも投資すべきか」を扱います。

実務での注意点

アンチパターン

チェックリスト

関連トピック

• ファインチューニングと蒸留 — 「持つ」の一手段である FT・蒸留上位モデル(教師)の出力を学習データにして、小型モデル(生徒)をファインチューニングする手法。品質が確認できた特定タスクを、小型モデルで安く速く量産するためのコスト削減手段。の手法(本記事の実装側)
• モデル選定ガイド — 「持たない」= 既製を使い分ける技術的正本
• ROI とビジネスケース — 段階投資・撤退基準・サンクコストの原則
• AI 調達・ベンダー選定の実務 — 「作らずに買う」ときの評価・契約(本記事の対になる調達側)
• セルフホスト推論の実務 — 「持つ」と決めた後にモデルを動かす実行基盤
• 小型言語モデル(SLM)の活用戦略 — 特化を小型モデルで得る中間解
• 主要 LLM の全体像 — オープンウェイトという独自構築の起点
• LLM ゲートウェイの設計 — 乗り換え自由を保つモデル抽象化

参考資料

• Sculley ほか, Hidden Technical Debt in Machine Learning Systems (2015)  — 学習コード以外の継続保守負担。本文の投資段階と撤退基準は独自の判断枠組みです(アクセス日: 2026-09-10)

TODO・未確認事項

なし