なぜAI開発の“牧歌的時代”は終わったのか
「牧歌的なAI開発の時代は終わった」。この言葉を発したのは、チームみらいの安野貴博氏だ。6月18日、米AnthropicのAIモデル「最新の大規模言語モデル」や「Fable 5」の提供停止を受け、こう述べた。
これは単なるベンダー間の争いではない。中小企業のIT担当者にとっても、他人事ではない。私たちはこの動きを、技術の進化そのものよりも「運用環境の分厚い壁」の出現だと見ている。
かつては、新しいモデルが出ればすぐに試せて、業務に取り込めた。それが、もうそうはいかなくなった。なぜなら、AIの利用は「ツールの選択」から「ガバナンスの選択」へ移りつつあるからだ。
モデルが止まったら、業務が止まる。そんな脆弱な構造では、DXは完遂できない。AJTCは、この変化を「リスク」ではなく「自走力を高める契機」だと捉えている。
外部のモデルに依存しすぎるのは、現代のビジネスにおいて危険だ。私たちは、自社の業務データを自社の手に取り戻す必要があると考えている。そのために、今すぐ意識を変えるべき3つのポイントがある。
それは、依存を断ち切り、自社の「判断の型」をAIで定着させることだ。ここからは、なぜ今ガバナンスが重要なのかを、事実とデータで紐解いていく。あなたの会社でも、こうしたリスクを感じていないだろうか。
実は、すでに多くの企業が「シャドーAI」で苦戦している。AIの利用が現場で爆発的に広がっている今、企業が選んだAIだけを利用する体制は限界に来ている。これは、IT部門が管理できない「隠れたAI」が社内を徘徊している状態だ。
ガートナーの調査によれば、7割を超える企業が対策が追い付いていないという。つまり、多くの企業が「使っているけど、どう管理すればいいか分からない」状態にあるのだ。この混乱の中で、AJTCが目指すのは「透明性のあるAI運用」だ。
私たちは、AIを「人減らしの道具」にしない。むしろ、人の判断力を高めるための「賢いアシスタント」として位置づける。そのためには、AIに何をさせるか、何をさせないかを明確にするガバナンスが不可欠だ。
特に、エンジニアやIT担当者のいる中小企業では、このガバナンスが自走力の基盤になる。Claude Codeのような開発支援ツールも、使い方を誤れば「ブラックボックスの塊」になりかねない。だからこそ、AJTCは「外部モデルに頼らない運用」を提唱する。
自社のデータを外部に出さず、自社の判断基準でAIを動かす。これが、これからのAI時代の常識になるだろう。私たちは、この常識を早くから実践し、その効果を実感している。
現場の声を聞けば、「AIは便利だけど、急に動かなくなったら困る」との声が少なくない。それこそが、今求められている「自走力」の正体だ。次章では、海外で起きている技術動向と、それが国内の中小企業にどう影響するかを整理する。
チームみらい安野氏「牧歌的なAI開発の時代が終わった」：事実整理と業界動向
まず、6月18日に報じられた主要な事実を整理しよう。ITmedia AIの記事によれば、チームみらいの安野貴博氏は、米AnthropicのAIモデル「最新の大規模言語モデル」や「Fable 5」の提供停止を受け、このように語ったという。ITmedia「チームみらい安野氏「牧歌的なAI開発の時代が終わった」 “ミュトス停止騒動”受け」これは、AIベンダー間の技術競争や契約問題だけでなく、AI利用側の体制に大きな示唆を与えている。
モデルが突然止まる。業務が止まる。これは、AIを単なる「便利ツール」と捉えている企業が直面する現実的なリスクだ。
私たちは、この現象を「依存の代償」だと見ている。外部のモデルに全てを委ねれば委ねるほど、自社の業務は脆弱になる。AJTCは、こうしたリスクを回避するためにも、自社のデータと判断基準を内部に留めるアプローチを推奨している。
さらに、同日に報じられた別の動向も注目される。Microsoftが「Copilot Cowork」の一般提供を開始し、プロンプト単価を競合比で約4割安価に抑えたという。ITmediaエンタープライズ「Microsoft、「Copilot Cowork」の一般提供を開始 プロンプト単価は競合比で約4割安価に」コスト競争が激化していることは事実だ。
しかし、私たちはコストだけでAIを選んではいけないと考えている。コストが安くても、自社のデータが外部に出れば、それはリスクになる。また、NTT人間情報研究所の風戸広史氏による分析も興味深い。
コーディングに長けたLLMが登場してからの5年で、競技プログラミングの問題を解けるレベルまで成長したという。ITmedia AI「「AIコーディング」がたった5年で急進化したワケ NTT「tsuzumi 2」開発者が分析」技術の進化速度は驚異的だ。しかし、進化が速いからこそ、基盤となる「自社のルール」が重要になる。
AIが賢くなればなるほど、そのAIをどうコントロールするかが問われる。AJTCは、このコントロールの鍵は「自走力」にあると説く。自走力とは、外部のモデルが変わっても、自社の業務が止まらない体制のことだ。
そのためには、自社のデータをクラウドに出さず、ローカルで処理する仕組みが有効だと私たちは考えている。これは、セキュリティの観点からも、そして事業継続の観点からも必須の対策だ。私たちは、こうした方針をAJTCのプロダクトにも反映させている。
例えば、社長の判断の型をローカルLLMで保存する「CrAIdle」などは、外部依存を最小限に抑える取り組みの一例だ。つまり、AIの進化を恐れるのではなく、自社の基盤を強化することで、進化を味方につけるのだ。これが、AJTCが中小企業に提言する「新しいAI活用法」の核心だ。
海外動向から読み解く：日本の中小企業が取るべき3つの戦略
海外のAIベンダー動向は、日本の中小企業に何を意味しているのか。まず、Anthropicのモデル停止騒動は、AI利用における「供給者の信頼性」が課題になっていることを示している。ベンダーの意向でサービスが止まる。
これは、SaaS（Software as a Service）時代にはあまりなかったリスクだ。AIは、単なるソフトではなく、外部の「脳」を利用しているようなものだからだ。もしその脳が、何の予告もなく止まったら？ビジネスは停止する。
AJTCは、これを回避するための第一の戦略として、「分散された利用環境」の構築を提唱する。一つのモデルに依存しないことだ。例えば、開発現場ではClaude Codeのようなツールを使い、業務サポートでは別のモデルを使う。
こうすることで、片方が止まっても、もう片方でカバーできる体制を作る。これは、保険に入ることと同じ発想だ。第二の戦略は、「データのローカライゼーション」だ。
海外ベンダーが提供するモデルを使う場合、データが海外のサーバーに送信される可能性がある。日本の中小企業にとって、機密データが海外に流出することは許されないリスクだ。AJTCの方針は、自社のデータは自社のサーバー（オンプレミスやプライベートクラウド）で処理することだ。
これにより、データ主権を完全に自社に留めることができる。第三の戦略は、「自社の判断ロジックのAI化」だ。モデルが変わっても、自社の「どう判断すべきか」というロジックは変わらない。
AJTCは、このロジックをAIに学習させ、自社だけの「判断アシスタント」を作ることを推奨している。これにより、ベンダーが変わっても、自社のビジネスルールは維持される。広島の中小企業に当てはめると、これらの戦略は極めて現実的だ。
リソースが限られている中で、外部モデルに全てを委ねる余裕はない。だからこそ、自社の強みをAIで定着させることが、競争優位につながる。私たちは、こうした海外の動向を注視しつつ、日本の中小企業の現場に合った「手堅いAI運用」を提案し続けている。
AJTCが重視する“自走力”とは：ローカルLLMとデータ主権の哲学
AJTCが最も重視しているのは、「自走力」だ。これは、外部のサポートやモデルに頼らず、自社の力でAIを運用し続ける能力のことだ。そのために、AJTCは「データ主権」を絶対的な原則としている。
自社のデータは、外部のクラウドに送信しない。これは、セキュリティの観点だけでなく、事業継続の観点からも極めて重要だ。私たちは、ローカルLLM（オンプレミス型の大規模言語モデル）を活用することで、この原則を実現できると考えている。
ローカルLLMとは、自社のサーバー上で動作するAIモデルのことだ。外部にデータを送信しないため、機密情報が漏洩するリスクが極めて低い。また、モデルの提供が止まるリスクもない。
AJTCのプロダクト「CrAIdle」は、このローカルLLMを活用した一例だ。CrAIdleは、社長の判断の型をローカルLLMで保存し、社内データをクラウドに出さない前提で運用される。これにより、判断の蓄積が自社の資産になるという考え方だ。
また、開発現場では、Claude CodeのようなAIプログラミング支援ツールを活用することで、開発効率を向上させている。Claude Codeは、エンジニアの作業を支援する強力なツールだが、AJTCはこれを「外部依存の解消」の視点で捉えている。つまり、Claude Codeを使ってコードを生成するだけでなく、そのコードの品質やセキュリティを自社の基準で管理する体制を構築することだ。
私たちは、AIツールを「便利だから使う」のではなく、「自社の自走力を高めるために使う」と位置づけている。この視点の違いが、AI導入の成否を分けるのだとAJTCは考える。ローカルLLMとクラウド送信ゼロ。
この2つは、AJTCの哲学の根幹をなす原則だ。私たちは、中小企業の経営者やIT担当者が、この原則を理解し、実践することで、真の意味でのDXを達成できると信じている。
国内中小企業のAI導入実態：統計から見える“自走力”の必要性
日本の中小企業のAI導入実態を、公的な統計や調査データから見てみよう。総務省の統計によれば、中小企業のうちAIを活用している企業は年々増加している。しかし、その活用方法は依然として限定的だ。
多くの企業が、業務の一部を自動化する程度に留まっている。また、経済産業省の調査では、AI導入の障壁として「人材不足」や「ノウハウの欠如」が挙げられている。これは、AIを「外部の専門家に任せる」姿勢が、逆に自走力を削いでいることを示唆している。
AJTCは、この状況を「依存の悪循環」だと見ている。外部に頼れば頼るほど、社内にはノウハウが蓄積されない。ノウハウがないと、外部ベンダーが変わった瞬間に、運用が混乱する。
これが、多くの企業がAI導入で失敗する理由の一つだ。私たちは、この悪循環を断ち切るためには、自社のデータと判断基準を内部に留める必要があると考えている。つまり、「自走力」を高めることだ。
自走力が高まれば、外部ベンダーが変わっても、自社の業務は停止しない。また、社内の人材育成にもつながる。AIを自分で使いこなせる人材が増えれば、企業の強みになる。
AJTCは、こうした自走力のある企業こそが、これからのAI時代で勝ち残ると確信している。私たちは、そのための支援を、AJTCのプロダクトと伴走体制を通じて提供している。
よくある失敗：AI導入で避けるべき3つの運用リスク
AI導入には、成功へのパターンがある一方で、失敗へのパターンもある。AJTCが過去に携わった案件や、業界の動向から、避けるべき「よくある失敗」を3つ挙げよう。
- 1. 外部モデルへの完全依存：自社のデータを外部に送信し、モデルの提供停止リスクを無視する。これにより、業務がブラックホール化する。
- 2. 効果測定の欠如：AIを導入したが、どのようなKPIで効果を測るかを決めない。結果、ROI（投資対効果）が見えず、継続が困難になる。
- 3. 現場の運用ルール後回し：AIの導入はしたが、現場の業務フローやルールを見直さない。AIが導入されても、現場の負担が増えるだけになる。
これらは、すべて「自走力」の欠如に起因する失敗だ。AJTCは、これらの失敗を回避するために、以下の3点を大切にしている。
- 1. データのローカライゼーション：自社のデータを外部に出さない体制を構築する。
- 2. 明確なKPIの設定：AI導入の目的と、それをどう測るかを決める。
- 3. 現場との対話：AIの導入だけでなく、現場の業務フローやルールを見直す。
私たちは、これらを実践することで、AI導入の成功率を大幅に高められると考えている。
AJTCファネル：3ヶ月の伴走で“自走力”を確立する
AJTCは、AI導入を「一発勝負」で終わらせない。「小さなPoC（試験導入）→ /contact.html での無料相談 → 3ヶ月の伴走支援」という3段階のファネルを設計している。まず、1つの業務だけで小さなPoCを行う。
ここで、AIが本当に効果的か、自社の現場に合うかを確認する。次に、無料相談で進め方をすり合わせる。最後に、3ヶ月の伴走支援で、現場にAIを定着させる。
この順序を大切にする。私たちは、いきなり全社導入を勧めない。まずは小さな一歩から、自走力を実感してもらう。
AJTCが日々使っているClaude Codeをあなたも試してみないか。Claude Code 紹介リンク
まとめ：AJTCが大切にしている“自走力”の哲学
AIの進化は止まらない。しかし、進化が速いからこそ、自社の基盤が重要になる。AJTCが大切にしている哲学は、以下の3点だ。
- 1. 成長は本人の意識と責任：外部ツールは手段であり、成長の主体はあくまで自社である。
- 2. 収益性 × 効率化の2軸：AI投資は、収益性と効率化の両面でROIを測る。
- 3. 自費投資による自走力：行政支援に頼らず、自費で投資し、自社の力で使いこなす。
私たちは、この哲学に基づき、中小企業のDXを支援し続ける。今すぐ無料相談を予約する。
本記事はAI（Claude）との協働で執筆し、AJTCが内容を監修しています。