生成AIプラットフォーム開発の発注/外注/依頼/委託方法について

生成AIプラットフォームの発注・外注では、AIモデルを呼び出す機能だけでなく、社内データ、権限、業務システム、監査、運用までを含めた共通基盤の範囲を先に決めることが重要です。

「ChatGPTのようなツールを導入したい」「RAGやAIエージェントを業務に組み込みたい」と考えていても、発注形態や要件の整理が曖昧なまま見積もりを依頼すると、PoCで止まったり、想定外の追加費用が発生したりします。本記事では、生成AIプラットフォームの発注・外注を検討する企業に向けて、発注形態の選び方、RFPと要件整理、契約形態、費用相場、委託先の比較方法、見積もりの確認ポイントを順に解説します。

▼全体ガイドの記事
・生成AIプラットフォーム開発の完全ガイド

生成AIプラットフォームの発注・外注は何から始めますか？

生成AIプラットフォームの発注は、いきなり開発会社へ「生成AIを導入したい」と伝えるところから始めるのではありません。最初に、既製サービスで足りるのか、クラウド基盤とRAGを組み合わせるのか、複数部門で使う共通基盤を構築するのかを切り分けます。

発注前には、AIに何をさせたいかを「回答する」「検索する」「要約する」「判断を補助する」「システムを操作する」のように分けます。社内規程を検索して回答するだけなら、既製の企業向けSaaSやクラウド上のRAGで始められる場合があります。一方、複数部門のデータを横断し、販売管理やCRMへ書き込み、ユーザーごとに実行できる操作を変えるなら、認証・権限・監査・連携を含む開発案件となります。

生成AIプラットフォームは、基盤モデルそのものではありません。OpenAIやAnthropic、Googleなどのモデルを接続するモデルゲートウェイ、プロンプトやワークフローを管理する機能、社内文書を検索するRAG、業務システムと接続するAPI、ガードレール、認証、ログ、評価・監視を組み合わせた共通レイヤーです。発注書やRFPでこの範囲を定義しないと、開発会社ごとに「プラットフォーム」の意味が変わり、見積もりを比較できなくなります。

生成AIプラットフォームの発注形態はどう選びますか？

発注形態は、既製サービス、クラウド基盤を使った受託開発、マネージドサービス、スクラッチ開発の順に自由度と責任範囲が大きくなります。自社のデータ持ち出し制約、連携するシステム数、利用者数、必要な監査レベル、社内の運用人材を基準に選ぶと、過剰投資を避けやすくなります。

社内FAQ、議事録の要約、文章作成など、業務範囲が限定され、データ連携も少ない場合は、企業向けの生成AI SaaSを契約する方法が現実的です。初期開発を抑えやすく、短期間で利用を開始できます。ただし、データの保管場所、入力情報がモデル学習に使われる条件、SSOや退職者のアカウント停止、ログの閲覧者、エクスポート機能、解約時のデータ返却を確認します。SaaSを選んでも、利用ルールや管理者の役割を外注先と整理する必要があります。

複数のデータソースをRAGで検索し、部署ごとの権限を反映し、利用量や回答品質を継続的に測りたい場合は、AWS、Microsoft Azure、Google Cloudなどの基盤とSI・開発会社を組み合わせる方法が適しています。クラウドのマネージド機能を活用すると、モデル、検索、監視、秘密情報管理を自社だけで構築する負担を抑えられます。一方で、クラウド利用料と開発会社の保守費が別建てになりやすいため、月額の上限、障害時の責任分界、モデル変更時の試験費用を契約前に明らかにします。

金融、医療、自治体、製造などで機密情報を外部へ出しにくい場合は、専用クラウドやオンプレミスのプライベートAIを検討します。富士通が公開する「Private AI Platform on PRIMERGY」には、GPUサーバー、導入支援、設定サービスを含む構成価格として、3,651,880円から8,684,880円までの例が掲載されています（出典: 富士通「Private AI Platform on PRIMERGY」、2026年8月確認）。これは一般的な開発費相場ではなく、特定ハードウェア構成の公開価格です。GPUの更新、電力、保守、モデル更新、障害対応まで自社の責任になるため、閉域であることだけを理由に選ばないことが大切です。

RFPと要件整理では何を決めますか？

RFPは、開発会社に希望を伝える資料であると同時に、自社の意思決定をそろえる資料です。生成AIでは、画面や機能の一覧だけでは品質も費用も決まりません。データの更新、権限、回答の根拠、モデルの切り替え、誤回答時の人手確認、ログの保存期間までを要件に含めます。

RFPの冒頭には、対象部門、利用者の役割、解決したい業務上の問題、利用頻度、既存の作業時間を記載します。例えば「問い合わせ対応を効率化する」だけではなく、「月に何件の問い合わせを処理し、回答作成に何分かかり、どの文書を根拠にし、どの水準なら本番化するか」まで具体化します。正答率だけでなく、根拠提示率、回答拒否の適切さ、応答時間、1回答あたりの費用、削減できた作業時間を評価指標にします。

データ要件では、対象文書の種類、件数、形式、更新頻度、原本の管理者、個人情報や機密情報の有無、削除要求の反映方法を整理します。権限要件では、部署・役職・案件単位で検索結果を出し分けるのか、AIエージェントがどの操作まで実行できるのかを決めます。外部モデルへの送信条件、入力・出力のマスキング、プロンプトインジェクション対策、監査ログ、脆弱性対応もRFPに明記します。IPAのAISIは、AIセーフティの重要要素として人間中心、安全性、公平性、プライバシー保護、セキュリティ確保、透明性の6要素を示し、10の評価観点に整理しています（出典: IPA「AIセーフティに関する評価観点ガイド」第1.10版、2025年）。

成果物は、画面だけでは不十分です。構成図、ソースコード、プロンプト、評価用の質問セット、RAGの登録・更新手順、データ辞書、API仕様、権限設計、運用手順、障害時の切り戻し手順、教育資料、テスト結果を納品対象にします。PoCから本番へ進む条件も、あらかじめ数値で決めます。例えば代表的な質問セットでの品質、禁止情報への応答、権限外文書の非表示、月額利用料の上限、業務担当者の受入テストを条件にしておくと、デモの印象だけで本番化を判断せずに済みます。

生成AI開発の契約形態は請負と準委任のどちらが適していますか？

生成AIの発注では、要件の不確実性が高い検証フェーズと、機能や成果物を固定しやすい本番フェーズで契約を分ける方法が一般的に検討しやすくなります。契約形態の名称だけで決めず、何をもって完了とするか、誰がデータやモデルの変更を管理するかを確認します。

請負契約は、合意した仕様や成果物を完成させ、検収する形に向いています。認証画面、文書登録機能、検索API、監査ログなど、作るものと受入条件を定義できる範囲では、成果物単位で請負を検討できます。RFPには、検収基準、瑕疵への対応期間、第三者ライブラリの扱い、ソースコードの権利、再委託、納品後の保守を明記します。AIの回答品質を「必ず正解する」と約束させるのではなく、評価データ、許容する誤差、改善の責任範囲を定義することが現実的です。

利用データを見なければ検索品質が分からない、採用するモデルが比較中である、現場の業務フローも変わる可能性があるという段階では、準委任契約が適しています。月単位や工程単位で稼働内容を定め、検証結果を見ながらプロンプト、検索設定、評価データを改善します。ただし、準委任だから成果物が不要になるわけではありません。週次の検証結果、課題一覧、判断記録、評価データ、次工程の提案を提出物として決めておきます。

生成AIでは、モデル提供会社、クラウド事業者、開発会社、発注者の責任が分かれます。入力データを誰が保管し、モデル学習に使われるのか、ログを誰が閲覧できるのか、生成物の利用条件はどうか、モデル廃止時に何を移行するのかを契約書と仕様書で確認します。特にベンダーロックインを避けるには、プロンプト、評価データ、埋め込み前の原本、ベクトルデータ、設定ファイル、ログの返却形式と返却時期を定めます。人工知能関連技術の研究開発及び活用の推進に関する法律が2025年に公布されたことも踏まえ、法務・情報システム・現場責任者を早い段階から契約レビューに参加させます（出典: 衆議院「人工知能関連技術の研究開発及び活用の推進に関する法律案」審議経過、2025年）。

生成AIプラットフォームの費用相場はいくらですか？

生成AIプラットフォームの受託開発費に、業界横断で統一された公的な相場はありません。以下は、業務システム開発、RAG、クラウド基盤、認証・セキュリティ、評価・運用の工数を組み合わせた記事用の推定レンジです。会社、データ量、連携数、SLA、既存環境で大きく変わるため、見積もりの代わりではありません。発注時は、同じ前提条件を各社に渡して比較します。

1部門で文書数千から1万件程度を扱い、RAGチャットと評価画面を作る小規模PoCは、300万〜800万円程度が推定の検討レンジです。複数データソース、権限連動、監査ログ、業務API連携を含む部門向け本番は、800万〜2,000万円程度が目安になります。複数モデルを切り替えるゲートウェイ、全社RBAC、DLP、監視、CI/CD、複数部門展開を含む全社共通基盤では、2,000万〜8,000万円程度を仮置きします。専用GPU、閉域、冗長化、厳格な監査、24時間運用まで含める場合は、5,000万〜2億円超のレンジもあり得ます。いずれも公開統計ではなく、要件から算出した推定です。

ランニング費用は、モデルAPI、検索・ベクトルデータベース、ストレージ、監視、ネットワーク、バックアップ、保守に分けて確認します。AWSのAmazon Bedrockはモデルごとに入力・出力トークンの料金を示し、バッチ推論についてオンデマンド推論より50％低い価格の対象モデルがあると案内しています。Azure OpenAI Serviceも入力・出力トークンの従量課金に加え、対象となるBatch APIを通常価格の50％割引で提供すると説明しています（出典: AWS「Amazon Bedrock Pricing」、Microsoft Azure「Azure OpenAI Service Pricing」、2026年8月確認）。実際の単価、リージョン、モデル、為替、割引条件は変わるため、発注書には公式料金の確認日と再試算の条件を残します。

例えば、月100万回のリクエストで、1回あたり入力2,000トークン、出力500トークンなら、月間の入力は20億トークン、出力は5億トークンになります。ここに検索、ログ、監視、ストレージを加えるため、API単価だけで予算を作ると不足しやすくなります。軽量モデルへの振り分け、キャッシュ、回答文字数の制御、バッチ処理、利用者ごとのレート制限で下げられる場合もありますが、品質や応答速度とのトレードオフがあります。開発会社には、利用者数、ピーク同時実行数、1日のリクエスト数、平均入出力トークン、ログ保存期間を変数にした月額試算表を提出してもらいます。

生成AIプラットフォームの委託先はどう選びますか？

委託先は、生成AIのデモが上手い会社ではなく、本番の業務運用まで設計できる会社を選びます。モデルの知識だけでなく、データ基盤、既存システム連携、セキュリティ、業界の業務知識、導入後の改善体制を確認します。候補企業には同じRFPを渡し、提案の違いが技術の違いなのか、前提条件の違いなのかを切り分けます。

実績を聞くときは、「生成AIの導入実績がありますか」だけで終わらせません。どの業界で、どのデータを使い、何人が利用し、どのモデルを接続し、どの権限管理を行い、リリース後に誰が評価と改善を担当したかを尋ねます。NTT DATAは、BMW Groupへのスケーラブルな生成AIプラットフォーム導入事例や、生成AIの導入支援・データ保護・アクセス管理・ガバナンスまでを支援するサービスを公式に紹介しています（出典: NTT DATA「生成AI（Generative AI）」、2026年8月確認）。このような公開事例も、発注先を選ぶ際の確認材料になりますが、自社と同じ成果が保証されるわけではありません。

提案段階の責任者が、開発や運用の段階でも担当するとは限りません。プロジェクトマネージャー、AIエンジニア、データエンジニア、セキュリティ担当、業務コンサルタントの役割と稼働時期を確認します。再委託先、海外拠点、クラウド事業者との責任分界も書面で確認します。リリース後は、誤回答の分析、評価データの更新、モデル変更の回帰テスト、脆弱性対応、利用者教育、月次のコストレビューを誰が行うのかを保守契約に含めます。

2026年時点では、モデルの性能、料金、提供条件が変わる可能性を前提にします。特定モデルだけに依存しない設計か、代替モデルを評価する手順があるか、プロンプトや出力形式の互換性をどう保つかを確認します。契約終了時には、原本データ、RAGのインデックス、プロンプト、評価セット、ログ、利用者設定をどの形式で返却し、いつ削除するのかを定めます。開発会社がクラウドアカウントを所有する構成では、アカウント移管、請求先変更、秘密情報の再発行まで含めた終了計画を提案してもらいます。

生成AIプラットフォームの見積もりを比較するポイントは何ですか？

見積もりは合計金額の安さだけでなく、前提、含まれる作業、含まれない作業、成果物、利用料、保守を同じ表で比較します。特に生成AIでは、初期開発費が安く見えても、データ整備、権限連携、評価、運用設計が別料金になっていることがあります。金額の差を「高い・安い」で判断せず、どのリスクを見積もりに含めているかを確認します。

見積書の項目は、企画・要件定義、データ棚卸しと整備、アーキテクチャ設計、画面・API開発、RAG構築、認証・権限、ガードレール、評価・テスト、クラウド設定、教育、移行、保守に分けてもらいます。工数だけでなく、担当者の役割、想定期間、前提となるデータ件数、連携API数、同時利用者数を記載してもらいます。「データクレンジング一式」「AIチューニング一式」のような大きな一項目は、何を実施するのか質問します。

見積もりの有効期間、税別・税込の区分、クラウドとモデルの利用料、ライセンス費、GPUやネットワーク費、外部サービスの従量課金を確認します。データ件数が増えた場合、利用者が増えた場合、モデルが廃止された場合、追加のセキュリティ審査が必要になった場合の変更ルールも重要です。要件変更のたびに請負金額が増えるのか、月額の準委任内で対応できるのか、緊急対応の単価はいくらかを契約書と見積条件にそろえます。

提案書では、アーキテクチャ図だけでなく、自社の代表的な質問と文書を使った検証方法を確認します。検索結果に権限外の文書が混ざらないか、根拠が表示されるか、更新済みの原本が反映されるか、危険な指示を受けたAIエージェントが操作を停止できるかを見ます。提案段階で本番データを無制限に渡すのではなく、匿名化したサンプルや合意済みの評価データで確認します。開発会社が提示する「精度」は、質問セットと測定方法が分からなければ比較できません。

発注・外注で起きやすい失敗をどう防ぎますか？

生成AIの失敗は、モデルの性能だけで発生するわけではありません。読者インサイトでも、PoCは成功したのに本番化できない理由として、権限管理、既存システム連携、責任者、誤回答時の確認、継続評価がボトルネックになりやすいと整理されています。発注段階から、技術検証と業務運用の検証を別々に計画します。

PoCでは、代表的な数問に対して良い回答が出れば成功と判断しがちです。本番では、質問の揺れ、誤った文書、古いデータ、権限の違う利用者、障害時の問い合わせを含めて評価します。RFPに本番移行の判定会議、受入テストの担当者、評価データの管理者、未達時の改善期間を明記します。成果物を次の会社へ引き継げるよう、PoCで作ったプロンプトや検索設定を納品対象にすることも重要です。

AIの回答が誤ったときに、現場が報告する窓口、回答を修正する担当者、原本を更新する担当者、モデルやプロンプトを変更する承認者が必要です。AIエージェントがシステムを操作する場合は、最初は読み取り専用や人の承認を必須にし、実行範囲を段階的に広げます。AISIは、評価を開発・提供・利用のライフサイクルで繰り返し実施する考え方を示しています。発注後も月次の評価、レッドチーミング、権限レビュー、費用レビューを行う契約にすると、導入後の品質低下を見つけやすくなります（出典: IPA「AIセーフティに関する評価観点ガイドを改訂しました」、2025年）。

生成AIプラットフォームの発注・外注でよくある質問（FAQ）

発注前に多く寄せられる疑問を、予算、契約、委託先の観点から回答します。自社のデータや業務の条件によって結論が変わるため、FAQはRFPを作る際の確認項目として活用します。

小規模なRAGチャットのPoCであれば、記事用の推定レンジとして300万〜800万円程度を検討します。ただし、これは公的統計ではなく、対象データ、認証、評価、連携、セキュリティを含む要件から置いた目安です。既製SaaSの契約だけなら初期費用が小さくなる可能性がありますが、利用料、データ連携、運用設計、教育の費用が別に発生するため、初年度総額で比較します。

作れます。最初から技術方式を確定させるのではなく、業務課題、利用者、対象データ、守るべき情報、既存システム、成功指標、希望時期を整理すれば、候補会社から方式提案を受けられます。RFP作成支援だけを準委任で依頼し、その後の開発会社を別途選ぶ方法もあります。提案を受ける際は、各社が置いた前提条件と、要件が未確定な部分を明示してもらいます。

比較可能な提案を得るため、まず3社程度へ同じRFPを渡す方法が考えられます。大規模案件や閉域・高規制案件では、クラウドに強い会社、業務システム連携に強い会社、プライベートAIに強い会社など、特徴の異なる候補を含めます。金額だけでなく、成果物、担当チーム、評価方法、保守、データ返却、モデル切り替え、再委託、追加費用の条件を採点し、最終的には自社の運用責任を担えるかで判断します。

生成AIプラットフォームの発注・外注方法まとめ

生成AIプラットフォームを発注・外注するときは、最初に業務課題と必要な基盤の範囲を決めます。社内FAQのような限定用途なら既製SaaS、複数データソースや業務システム連携が必要ならクラウド基盤とSI、機密情報を外部へ出せないなら閉域・専用基盤というように、自社の制約に合わせて発注形態を選びます。

RFPには、業務要件、データと権限、セキュリティ、評価指標、成果物、運用体制、モデル変更、契約終了時のデータ返却を含めます。費用は、記事用の推定レンジである小規模PoCの300万〜800万円程度から、全社共通基盤の2,000万〜8,000万円程度、高規制・閉域基盤の5,000万〜2億円超まで幅があります。公式のAPI料金やハードウェア公開価格と、受託開発の推定費用を混ぜず、初期費用・従量課金・保守費を分けて比較することが大切です。

候補会社は、知名度ではなく、実際のデータ連携、権限管理、評価・監視、既存システムとの接続、導入後の改善まで確認します。PoCの成功を本番の成果へつなげるために、契約形態と責任分界を適切に組み合わせ、現場・情報システム・法務が同じ条件で意思決定できる状態を作ることが、生成AIプラットフォーム開発の発注を成功させる近道です。

▼全体ガイドの記事
・生成AIプラットフォーム開発の完全ガイド

会社紹介

株式会社riplaでは、お客様の事業・ユーザー・業務に最適化したオーダーメイド型システムを、構想策定・要件定義から開発・改善まで一気通貫で支援。事業会社でIT・DXを経験したプロフェッショナルによる高い要件定義力・システム設計力を活かし、事業成果の最大化に伴走します。

また、当社独自の開発テンプレート「Boxシリーズ」による標準機能の高速開発と、AI駆動開発の独自フレームワーク「GoDD」による独自機能のAI実装を組み合わせることで、低コスト・短期間で開発を実現いたします。

もし、システム開発やプロダクト開発に関するご要望がございましたら、お気軽にお問い合わせください。

株式会社riplaの会社HPはこちら

・サービス概要資料のURLはこちら >>>
・お問合せページのURLはこちら >>>
・お役立ち資料のURLはこちら >>>

執筆者プロフィール

張田谷凌央

株式会社ripla 代表取締役CEOとして、システムパッケージ活用、システム開発、データ分析、生成AI活用、SaaS開発、アプリ開発、EC構築など、幅広い領域で企業のDX推進と事業成長を支援している。事業会社でIT・DXを経験したプロフェッショナルが集う株式会社riplaにおいて、お客様の事業・ユーザー・業務に最適化したオーダーメイド型システムを構想策定・要件定義から開発・改善まで一気通貫で支援し、単なるシステム納品にとどまらず、クライアントと同じ目線で事業成果の最大化に向けた伴走支援を行う。早稲田大学卒業後、ラクスル株式会社、LINEヤフー株式会社にて事業開発やDX推進などに従事した後、株式会社riplaを創業。