はじめに
突然ですが、もし明日からChatGPTやClaudeが使えなくなったら、どうしますか？
個人的には、かなり困ります。
コードの実装支援、技術調査、ドキュメント作成など、日々の開発業務でAIを利用する機会が増えました。もはや単なる便利ツールではなく、開発環境の一部になりつつあります。
そんな中、あるサイバーセキュリティに関する番組を見ていて、 「オープンウェイトモデル」 という言葉に興味を持ちました。
番組では、AIを悪用したサイバー攻撃への対抗策や、海外のAIサービスへの依存リスクなどが取り上げられていました。
考えてみれば、普段利用しているChatGPTやClaudeは、海外企業が提供するサービスです。
もちろん、明日突然使えなくなる可能性が高いという話ではありません。しかし、障害や規制、提供条件の変更などによって、利用できなくなる可能性がゼロとは言い切れません。
そこで気になったのが、 外部のAIサービスに依存せず、自分たちでAIを動かすことはできないのか？ ということ。
今回は、そんな疑問を出発点に、オープンウェイトモデルについて調べてみました。
※本記事は技術調査をもとにした整理です。実際のモデル導入や性能検証は行っていません。
1. もし明日、ChatGPTやClaudeが使えなくなったら？
現在、生成AIを業務システムに組み込む場合、一般的な選択肢の一つが外部APIの利用です。
OpenAIやAnthropicなどが提供するAPIを利用すれば、自分たちでAIモデルの実行環境を用意しなくても、高性能なAI機能をシステムに組み込めます。
この手軽さは大きなメリットです。
一方で、外部サービスを利用する以上、そのサービスへの依存が生まれます。
例えば、次のようなケースです。
- APIの障害でAI機能が利用できなくなる
- 利用料金の変更によって運用コストが増加する
- モデルの提供終了や仕様変更への対応が必要になる
- 規制や提供条件の変更によって利用が制限される
特にAIが業務の中核を担うようになれば、その影響も無視できません。
ここで重要なのは、海外サービスを使うこと自体が問題なのではなく、特定のサービスに依存していることを認識しておく必要があるという点だと思います。
では、そもそも外部のAIサービスを使わずに、生成AIを動かす方法はあるのでしょうか？
その選択肢の一つが、オープンウェイトモデルです。
2. オープンウェイトモデルとは？
オープンウェイトモデルとは、学習済みAIモデルの「重み（Weights）」が公開され、ダウンロードして利用できるモデルのことです。
重みとは、AIが学習によって獲得した大量のパラメータのことです。
一般的な生成AIサービスでは、モデルそのものはサービス提供者が管理しており、利用者はWeb画面やAPIを通してAIを利用します。
一方、オープンウェイトモデルでは、公開されたモデルの重みを入手し、自分たちの環境で推論処理を実行できます。
つまり、AIモデルをサービスとして借りるだけでなく、自分たちの環境で動かすことができるわけです。
オープンソースとは違うの？
似た言葉に「オープンソースAI」がありますが、必ずしも同じ意味ではありません。
オープンウェイトは、主に学習済みモデルの重みが公開されていることを指します。
一方、オープンソースAIには、モデルの重みだけでなく、学習に関する情報やコードなどを含めた、より広い公開要件があります。
そのため、オープンウェイトだからといって、学習データや学習方法がすべて公開されているとは限りません。
また、商用利用や改変、再配布などの条件はモデルごとのライセンスによって異なります。
代表的なオープンウェイトモデル
現在では、さまざまな企業や組織がオープンウェイトモデルを公開しています。
| モデル | 提供元 | 特徴 |
|---|---|---|
| gpt-oss | OpenAI | 推論やツール利用に対応。Apache 2.0ライセンス |
| Gemma | ローカル環境やクラウドなど幅広い実行環境に対応 | |
| Qwen | Alibaba系のQwenチーム | 多言語処理やコード生成など幅広い用途向けのモデル群 |
例えばOpenAIは、2025年8月に「gpt-oss-120b」と「gpt-oss-20b」を公開しました。
gpt-oss-20bは、比較的限られたメモリ環境でも実行できるよう設計されています。
また、GoogleのGemmaも、モデルの規模や利用するハードウェアに応じて、ローカルPCからクラウド環境まで幅広く利用できるモデル群です。
ただし、同じシリーズでもモデルによって必要なハードウェアや機能は異なります。
重要なのは、こうしたモデルの登場によって、生成AIを自分たちの環境で運用するという選択肢が現実的になっていることです。
3. オープンウェイトモデルで何ができる？
では、実際にオープンウェイトモデルを利用すると何ができるのでしょうか？
基本的には、一般的な生成AIで行っているような処理を、自分たちで用意した環境上で実行することができます。
例えば、次のような用途が考えられます。
① 社内向けAIチャット
社内文書の要約や問い合わせ対応などを行うAIチャットを構築する。
必要に応じてRAG（検索拡張生成）を組み合わせれば、社内文書を検索し、その内容に基づいて回答させる仕組みも実現できます。
② 業務システムへの組み込み
既存のシステムに、自然言語処理を活用した機能を追加する。
例えば、
- 問い合わせ内容の自動分類
- メールや文書からの情報抽出
- 業務レポートの要約
- 社内ナレッジの検索支援
といった機能です。
こうした比較的用途が限定された処理であれば、必ずしも最大規模のAIモデルを使う必要はありません。
③ 自前のAIエージェント
さらに興味深いのが、AIエージェントへの活用です。
AIエージェントとは、AIモデルによる判断とツールの実行などを組み合わせ、目的に応じて複数の処理を進める仕組みです。
例えば、社内の問い合わせ対応であれば、
- 問い合わせ内容を読み取る
- 社内ナレッジを検索する
- 必要な情報を整理する
- 回答案を生成する
- 担当者に確認を依頼する
といった一連の処理を実現することが考えられます。
ここで注意したいのは、オープンウェイトモデルをダウンロードするだけでAIエージェントが完成するわけではないという点です。
AIモデルはあくまで推論を担当する部分です。
実際のエージェントには、ツールの呼び出しや実行制御、権限管理などの仕組みを組み合わせる必要があります。
4. 自前のAIエージェントはどうやって作る？
構成としては、思っていたよりも既存のWebシステムに近い印象を受けました。
大まかには、以下のような構成になります。
外部APIを利用する場合は、アプリケーションからAIサービスにリクエストを送信します。
一方、自前運用の場合は、自分たちでモデルを動かす推論サーバーを用意し、そこへリクエストを送信する形になります。
モデルを動かすためのツール
もちろん、モデルをダウンロードしただけでは動きません。
モデルを実行するためのソフトウェアが必要になります。
代表的なものとして、次のようなツールがあります。
| ツール | 主な用途 |
|---|---|
| Ollama | ローカル環境でのモデル実行 |
| LM Studio | GUIを利用したローカルモデルの実行 |
| vLLM | サーバー上での効率的な推論処理 |
まずはOllamaやLM Studioを利用して、手元のPCで小規模なモデルを動かしてみる。
そのうえで、業務システムに組み込む段階になれば、vLLMなどを利用してAPI経由でアクセスできる推論サーバーを構築する。
そんな段階的なアプローチが考えられます。
特に興味深かったのが、vLLMなどにはOpenAI APIと互換性のあるインターフェースが用意されていることです。
もちろん完全な互換性が保証されるわけではありませんが、既存のアプリケーションから推論先を切り替える構成も考えられます。
AIモデルの選択と、AIを利用するアプリケーションを分離できるという点は、システム設計において大きなメリットに感じました。
5. それなら全部自前でいい？
ここまで見ると、自前運用にはメリットが多そうです。
しかし、当然ながら課題もあります。
① インフラコスト
外部APIを利用する場合、主に利用量に応じた料金が発生します。
一方、自前運用の場合には、GPUなどの計算資源を確保する必要があります。
モデルの規模や同時利用者数によっては、高性能なGPUや複数台のサーバーが必要になることもあります。
さらに、サーバーの稼働費用だけでなく、保守運用のコストも発生します。
つまり、モデルを無料で入手できることと、無料で運用できることは別問題です。
② モデルの性能
オープンウェイトモデルにも高性能なものが存在しますが、用途によっては商用の最先端モデルに及ばない場合があります。
複雑な推論や長いコンテキストの処理、エージェントによるツール実行などでは、モデルごとの差が出る可能性があります。
特定の業務で利用するのであれば、実際の業務データに近い条件で評価する必要があります。
③ セキュリティと運用責任
自前で運用することで、入力データを外部のAIサービスへ送信しない構成を作れます。
これは、機密情報を扱う業務において魅力的です。
ただし、自前運用だから安全というわけではありません。
推論APIへのアクセス制御、ログの管理、モデルやライブラリの脆弱性対応、エージェントが実行できる操作の制限など、考慮すべきことは多くあります。
外部サービスが担っていた運用責任の一部を、自分たちで引き受けることになります。
API型と自前運用型の比較
| 比較項目 | 外部API型 | 自前運用型 |
|---|---|---|
| 導入の手軽さ | 比較的容易 | 環境構築が必要 |
| インフラ管理 | 提供元が担当 | 自分たちで管理 |
| コスト | 利用量に応じた課金が中心 | 計算資源・保守費用が中心 |
| モデルの選択 | 提供元のラインナップに依存 | 対応する公開モデルから選択 |
| データ管理 | 提供元の契約・設定に依存 | 自社環境内で完結する構成が可能 |
| 運用の継続性 | 外部サービスの提供状況に依存 | 自社インフラなどの維持が必要 |
どちらが優れているというより、利用目的や規模によって適切な選択肢は変わりそうです。
6. まとめ：AIを選べる状態にしておく
今回、オープンウェイトモデルについて調べてみて、生成AIに対する見方が少し変わりました。
これまでは、AIを利用するというと、ChatGPTやClaudeなどのサービスを契約するか、APIを組み込むというイメージが強くありました。
しかし、オープンウェイトモデルを活用すれば、自分たちでモデルを動かし、必要な機能を組み合わせてAIシステムを構築することもできます。
もちろん、現時点ですべてのAIを自前運用に切り替える必要があるとは思いません。
外部APIを利用する方が、性能面や運用コストの面で合理的なケースも多いはずです。
ただ、今回のきっかけになった「もし明日、ChatGPTやClaudeが使えなくなったら？」という問いに対して、何も選択肢がない状態と、代替手段を理解している状態では大きく違うと感じました。
AIを利用できることだけでなく、AIを選択できることにも価値がある。
そんなことを考えるきっかけになりました。
次は実際に、小規模なオープンウェイトモデルをローカル環境で動かし、どこまで実用的なのか試してみたいと思います。