生成AIプラットフォームの発注は、業務課題と基盤範囲の整理、要件と評価条件の決定、契約形態と委託先の比較の順に進めます。この順で決めておくと、PoCで終わらず本番の運用までつなげやすくなります。
発注形態、RFPと契約、費用相場、委託先の選び方を順に見ていきます。
▼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
AIシステム開発を依頼する会社の選び方やRFPの作り方については、無料ホワイトペーパー「AIシステム開発の完全ガイドブック」で詳しく解説しています。
生成AIプラットフォームの発注・外注の始め方
最初に開発会社へ「生成AIを導入したい」と伝えても、必要な範囲が見えてきません。まず、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、複数部門の共通基盤を作るのかを切り分けます。
業務課題と発注範囲の決め方
AIに任せる業務は、回答や検索、要約のように情報を返すものと、判断補助やシステム操作のように実際に動くものに分けて考えます。社内規程の検索と回答だけなら、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。
複数部門のデータを横断し、販売管理やCRMへ書き込み、ユーザーごとに操作を変える構成は、認証・権限・監査・連携を含む開発案件になります。
モデル、RAG、業務アプリの役割の違い
生成AIプラットフォームは、OpenAI、Anthropic、Googleなどのモデルを接続するモデルゲートウェイも含む、共通の土台です。基盤モデルそのものとは別の層として考えると、議論がずれにくくなります。
プロンプトやワークフローの管理、社内文書を検索するRAG、業務システム用APIを組み合わせます。さらに、安全の仕組みとしてガードレールや認証を、運用の仕組みとしてログや評価・監視を加えます。
発注書やRFPでこの範囲を定めておかないと、会社ごとに「プラットフォーム」という言葉の意味がずれます。その結果、見積もりの内容を比べにくくなります。
生成AIプラットフォームの発注形態の選び方
発注形態は、自由度と責任範囲を比べると選びやすくなります。図の並びを手がかりに、自社で担える設計や運用の範囲から絞り込みます。
- 既製サービス：自由度も責任範囲も抑えやすい選択肢です。
- クラウド基盤の受託開発：既製サービスより自由度を高められます。
- マネージドサービス：運用まで含めて委託できる方式です。
- スクラッチ開発：自由度を大きく取れる反面、責任範囲も広がります。
選ぶときは、データを社外へ持ち出せるか、連携するシステム数と利用者数はどうか、といった点から考えます。必要な監査レベルと、社内で運用を担える人材の有無も判断材料になります。条件を押さえておくと、過剰な投資は避けられます。
既製SaaSを導入する方法
社内FAQ、議事録要約、文章作成など、業務範囲が限られデータ連携も少ない場合は、企業向け生成AI SaaSが現実的です。初期開発を抑えられるぶん、短期間で使い始められるのが利点です。
- 契約時の確認：データの保管先と、入力した情報がモデルの学習に使われる条件。必ず契約書で確かめます。
- 管理機能：SSOと退職者のアカウント停止が対象になります。ログの閲覧者やエクスポート機能まで、確かめる範囲に入ります。
- 解約時：データを返してもらえるかどうかを、あらかじめ決めておく項目です。
SaaSであっても、利用ルールと管理者の役割は委託先と整理しておく必要があります。
クラウド基盤やマネージドサービスへ委託する方法
複数部門のデータや運用の条件に合わせて、委託の範囲と契約条件を比べていきます。
- 利用基盤：AWS、Microsoft Azure、Google Cloudなどから選び、SIや開発会社と組み合わせます。
- 委託対象：複数データを対象にしたRAG検索、部署別の権限、利用量と回答品質の継続測定。
- クラウドのマネージド機能：モデルや検索を、自社だけで組む負担を抑えられます。監視や秘密情報管理も含みます。
- 契約条件：クラウド利用料と保守費は別建てになりやすいため、月額の上限や、障害時にどこまでを誰が受け持つか、モデル変更時の試験費用を決めます。
閉域・専用基盤を構築する方法
機密情報を外部へ出しにくい業種では、専用の方式が候補に挙がります。
- 対象業種：金融、医療、自治体、製造などが該当します。
- 構築方式：専用クラウドとオンプレミスのプライベートAIを比べて選びます。
富士通の「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が掲載されています。価格例は3,651,880円から8,684,880円です（出典：富士通「Private AI Platform on PRIMERGY」、2026年8月確認）。
これは特定のハードウェア構成の公開価格で、受託開発の一般的な費用ではない点に注意が必要です。GPUの更新や電力、保守の負担に加えて、モデル更新や障害対応も自社の範囲に入ります。
発注側が閉域であることだけを理由に選ぶと、運用の負担を見落としがちです。
RFPと要件整理の進め方
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もあります。そこで、画面や機能の一覧に加えて、品質と費用に関わる条件も書いておく必要があります。
データ更新や権限、回答の根拠を要件に入れます。さらに、モデル切り替えや誤回答時の人手確認、ログの保存期間まで含めておくと、後から条件がずれにくくなります。
業務要件と成功指標の書き方
RFPには、対象部門と利用者の役割、業務上の問題を書きます。加えて、利用頻度と既存の作業時間も記載します。「問い合わせ対応を効率化する」という書き方は、要件として具体性に欠けます。
月の問い合わせ件数や回答作成時間、根拠にする文書を具体的に示します。そのうえで、本番化の水準も数値で決めておきます。評価では、正答率に加えて根拠の提示率を見ます。
適切な回答拒否や応答時間も、評価の対象にします。1回答あたりの費用と、削減できた作業時間も指標に入れます。測定対象を先に決めておくと、提案と検収の条件をそろえやすくなります。
データ、権限、セキュリティの条件
生成AIを安全に業務へ組み込むには、データの扱いから評価方法まで、RFPに具体的に書いておく必要があります。
- データ：文書の種類と件数、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。
- 権限：部署・役職・案件ごとの検索結果、AIエージェントの操作範囲、外部モデルへの送信条件。
- 対策：入力と出力のマスキング、プロンプトインジェクション対策、監査ログ、脆弱性対応。
- 評価要素：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。
- 評価観点：IPAのAISIは、6要素を10の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）。
RFPに含める成果物と評価方法
納品物には、画面に加えて、構成図やソースコード、プロンプトを含めます。評価用の質問セットとRAGの登録・更新手順も対象です。データ辞書やAPI仕様も、あわせて納品対象にします。
権限設計や運用手順、障害時の切り戻し手順を、納品の対象に含めます。教育資料とテスト結果も対象です。PoCから本番へ進む条件は、事前に数値で決めておきます。
代表的な質問への回答品質や、禁止情報への応答を条件にします。権限外の文書が表示されないことや、月額利用料の上限、担当者の受入テストも含めます。こうしておけば、デモの印象だけで本番化を決めずに済みます。
生成AI開発の契約形態の使い分け
要件がまだ不確かな検証段階と、機能や成果物を固定しやすい本番段階とでは、契約を分けて考えると進めやすくなります。そのうえで、完了条件と、データやモデル変更の管理者を確かめておきます。
要件が固まった機能の請負契約
請負契約は、合意した仕様どおりに成果物を完成させ、検収する形が向いています。たとえば、認証画面や文書登録機能、検索API、監査ログなどが対象になります。
RFPには、検収の基準と瑕疵への対応期間を明記します。第三者ライブラリとソースコードの権利、再委託も書きます。また、納品後の保守も決めておきます。
AIに「必ず正解する」と約束させるより、評価データと許容誤差、改善の責任範囲を定めるほうが現実的です。
PoCやアジャイル開発の準委任契約
利用データを見ないと検索品質が分からない段階や、モデルを比較している段階では、準委任契約が適しています。業務フローが変わる可能性がある場合も、選択肢になります。
月単位か工程単位で稼働内容を決め、検証を重ねながら、プロンプトや検索設定、評価データを改善していきます。ただし、準委任であっても、成果物は必要です。
提出物は、週次の検証結果と課題一覧を中心に決めておきます。判断記録や評価データ、次工程の提案も含めます。
AI特有の責任分界とデータ権利の取り決め
契約では、運用中の責任をどう分けるかと、モデル変更や契約終了のときにデータや設定をどう扱うかを決めておきます。
- 責任分担：モデル提供会社、クラウド事業者、開発会社、発注者それぞれの役割。
- データと生成物：入力データの保管者、モデル学習への利用、ログの閲覧者、生成物の利用条件。
- 移行・返却：プロンプトや評価データ、埋め込み前の原本、ベクトルデータ、設定ファイル、ログを、どの形式と時期で渡すか。
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年に公布されました。発注側は、法務、情報システム、現場の責任者を、早期に契約レビューへ参加させます（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
受託開発費には、業界横断で統一された公的な相場がありません。本記事の金額は、業務システム開発やRAG、クラウド基盤の工数を前提に算出しています。認証・セキュリティや評価・運用の工数も含めています。
費用は、会社、データ量、連携数によって変わります。SLAや既存環境によっても差が出ます。見積もりの代わりにはならないため、同じ前提条件を各社に渡して比べます。
初期開発費の幅（300万円から2億円超）
小規模な検証から全社共通基盤まで、構築範囲が広がるほど初期開発費も大きくなります。
- 小規模PoC：文書数千〜1万件程度を対象にした1部門向けのRAGチャットと評価画面で、300万〜800万円程度。
- 部門向け本番：複数データソース、権限連動、監査ログ、業務API連携を含み、800万〜2,000万円程度。
- 全社共通基盤：モデルゲートウェイ、全社RBAC、DLP、監視、CI/CD、複数部門展開を含み、2,000万〜8,000万円程度。
- 閉域・高可用運用：専用GPU、閉域、冗長化、厳格な監査、24時間運用を含み、5,000万〜2億円超もあり得ます。
これらは公開統計ではなく、要件から算出した推定です。
API、クラウド、保守の継続費用
継続費用は、基盤と運用にかかる項目ごとに分けて比べます。
- モデル利用：APIの利用料。
- 検索基盤：ベクトルデータベースなどの仕組み。
- 保管・通信：ストレージ、ネットワーク、バックアップ。
- 監視：稼働状況や利用状況を見守る仕組み。
- 保守：稼働後のシステムに対する対応。
AWSのAmazon Bedrockは、モデルごとに入出力トークンの料金を示しています。対象モデルのバッチ推論は、オンデマンドの価格より50％低いと案内しています。
Azure OpenAI Serviceでも、入出力トークン課金に加えて、対象の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）。
料金は、単価やリージョン、モデルによって変わり、為替や割引条件でも動きます。そのため、発注書には公式料金の確認日と再試算の条件を残しておきます。
利用量に基づく月額の試算
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トークンとすると、月間の入力は20億、出力は5億トークンです。検索やログの費用に加えて、監視やストレージの費用もかかります。そのため、API単価だけで予算を組むと、不足しやすくなります。
費用を下げる方法には、次の選択肢があります。
- 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
どの方法にも、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、利用者数やピーク時の同時実行数、1日のリクエスト数を変数にした月額の試算表を依頼します。平均の入出力トークンとログの保存期間も、変数として入れてもらいます。
生成AIプラットフォームの委託先の選び方
委託先は、デモの出来栄えより、本番の業務運用まで設計できるかで選びます。確認したいのは、モデルの知識とデータ基盤、既存システムとの連携です。加えて、セキュリティや業務知識、導入後の改善体制も見ておきます。
候補企業には同じRFPを渡し、提案の違いが技術によるものか、前提条件によるものかを見分けます。
実績の見方：構築範囲と運用実態
公開されている事例は、構築範囲と運用実態を比べて読みます。次の点を見ると、違いがつかみやすくなります。
- どの業界で、何人が利用しているか。
- どのデータとモデルを接続しているか。
- どのような権限管理を行っているか。
- リリース後の評価と改善を誰が担うか。
NTT DATAの公式情報では、BMW Groupへの拡張性のある生成AIプラットフォーム導入事例が紹介されています（出典：NTT DATA「生成AI（Generative AI）」、2026年8月確認）。また、同社はデータ保護やアクセス管理、ガバナンスまで支援するサービスも公開しています。
公開事例は発注先を選ぶ材料になります。ただし、同じ成果が自社でも得られるとは限りません。
担当チームと導入後の支援範囲
提案時の責任者が、開発や運用まで担当するとは限りません。PMやAIエンジニア、データエンジニアの役割を確かめます。セキュリティ担当と業務コンサルタントも含め、それぞれの稼働時期も確認しておきます。
再委託先や海外拠点、クラウド事業者について、どこまでを誰が受け持つかを書面で確かめます。保守契約では、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を誰が行うかを決めます。
保守の範囲には、脆弱性対応や利用者教育、月次のコストレビューも含めます。
モデル切り替えと契約終了時の条件
2026年時点では、モデルの性能や料金、提供条件が変わる可能性を前提にします。そのうえで、特定のモデルに依存しない設計になっているか、代替モデルの評価手順があるかを確かめます。
モデルを替えるときに備えて、プロンプトや出力形式が引き継げるかも確かめます。契約終了時は、原本データやRAGインデックス、プロンプトについて、返却の形式と削除の時期を決めておきます。評価セットやログ、利用者設定も対象になります。
開発会社がクラウドアカウントを持つ場合は、終了計画にアカウントの移管や請求先の変更、秘密情報の再発行まで含めるよう依頼します。
生成AIプラットフォームの見積もりの比較ポイント
合計金額だけでなく、前提や作業範囲、対象外の作業を同じ表で比べます。利用料や保守、成果物も、見積もりの項目として並べてもらいます。
初期開発費が安くても、データ整備や権限連携が別料金になることがあります。評価や運用設計も、別に費用がかかる場合があります。金額の高さや安さより、見積もりにどのリスクが含まれているかを見ます。
要件定義、データ、開発、検証の内訳
見積書は、企画や要件定義、データの棚卸しと整備を分けて書いてもらいます。さらに、設計や画面・API開発、RAG構築も、項目ごとに分けてもらいます。
認証・権限やガードレール、評価・テストは、項目を独立させるよう求めます。クラウド設定や教育にも項目を立て、移行と保守は別の行に分けてもらいます。工数に加え、担当者の役割と想定期間も書いてもらいます。
前提として、データ件数や連携API数、同時利用者数も明記してもらいます。「データクレンジング一式」や「AIチューニング一式」のような項目は、中身の作業内容を尋ねます。
見積もりの前提と追加費用の条件
まず、見積もりの有効期間と税別・税込の表示を確かめます。そのうえで、クラウドやモデルの利用料、ライセンスが含まれるかを見ます。GPUやネットワーク、外部サービスの従量課金も、対象に入れて確かめます。
データ件数や利用者が増えたときや、モデルの廃止、追加のセキュリティ審査があったときの変更ルールも、見積もりに書いてもらいます。
要件変更で請負金額が増えるか、準委任の月額内で対応できるか、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て書きます。
提案内容と小さな検証による実現性の確認
提案書では、構成図に加えて、自社の代表的な質問と文書を使った検証方法を確かめます。たとえば、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を見ます。
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止めるかも確かめます。検証には、匿名化したサンプルか合意済みの評価データを使います。本番データを無制限に渡すことは避けます。
質問セットと測定方法が分からなければ、開発会社が示す「精度」の数字は比べられません。
発注・外注で起きやすい失敗と防ぎ方
生成AIの失敗には、モデルの性能以外の要因も関わります。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が整理されています。
その中でも、権限管理や既存システム連携、責任者がボトルネックになりやすいとされています。さらに、誤回答時の確認や継続評価も、つまずきやすい点とされています。
発注側は、技術検証と業務運用の検証を、発注時から別々に計画しておきます。
PoCの成功条件から本番の条件へ
PoCでは、数問に良い回答をしただけで成功と判断しがちです。本番では、質問の言い回しの揺れや、誤った文書、古いデータも評価の対象になります。さらに、権限の違う利用者や障害時の問い合わせも確かめておきます。
RFPには、本番移行の判定会議と、受入テストの担当者を明記します。評価データの管理者や、未達のときの改善期間も書いておきます。
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も納品対象にします。
運用責任者と評価の仕組み
誤回答の報告窓口と、回答の修正担当を決めます。原本の更新担当や、モデルやプロンプトの変更承認者も決めておきます。また、AIエージェントがシステムを操作する場合は、まず読み取り専用にするか、人の承認を必須にします。
そのうえで、実行できる範囲を段階的に広げていきます。AISIは、開発・提供・利用のライフサイクル全体で評価を繰り返す考え方を示しています。
月次評価やレッドチーミングを契約に含めると、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）。権限レビューと費用レビューも、契約の中に入れておけます。
生成AIプラットフォームの発注・外注でよくある質問（FAQ）
予算や契約、委託先に関する疑問に答えます。答えは自社のデータや業務条件によって変わるため、RFPを作るときの確認項目として使います。
生成AIプラットフォームの発注費用は最低いくらですか？
小規模なRAGチャットのPoCは、記事用の推定として300万〜800万円程度を見込んでおきます。公的統計ではなく、要件から置いた目安です。
既製SaaSのみなら、初期費用を抑えられる可能性があります。ただし、利用料やデータ連携の費用、運用設計と教育費は別にかかります。そのため、初年度の総額で比べます。
RFPは生成AIに詳しくない会社でも作れますか？
作成できます。最初に技術方式を決めなくても、業務課題や利用者、対象データを整理すれば進められます。守る情報と既存システムを整理し、さらに成功指標と希望時期も書き出します。
候補会社から方式の提案を受けることもできます。RFPの作成支援だけを準委任で頼み、その後に開発会社を選ぶ方法もあります。
提案時には、各社の前提条件と、要件がまだ確定していない部分を明示してもらいます。
生成AIの開発会社は何社から相見積もりを取るべきですか？
比べられる提案を得るには、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、閉域、高規制の案件では、特徴の異なる会社も候補に含めます。
クラウドや業務システム連携、プライベートAIなど、各社の強みを分けて比べます。金額に加えて、成果物や担当チーム、評価方法を採点します。
保守やデータ返却の条件も、同じ表で比べます。モデル切り替えや再委託、追加費用も見ます。最後は、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
発注の前に、業務課題と必要な基盤の範囲を決めておきます。社内FAQのような限られた用途なら既製SaaSを、複数データや業務システムとの連携が要るならクラウドとSIを検討します。
機密情報を外部へ出せない場合は、閉域・専用基盤が候補になります。発注形態は、自社の制約に合わせて選びます。
RFPには、業務要件やデータ・権限、セキュリティを書きます。そのうえで、評価指標や成果物、運用体制も含めます。モデル変更と契約終了時のデータ返却も、忘れずに入れます。
費用は、小規模PoCの推定で300万〜800万円程度、全社基盤で2,000万〜8,000万円程度、高規制・閉域基盤で5,000万〜2億円超と幅があります。
公式のAPI料金や公開されたハードウェア価格と、受託開発の推定費用を混ぜないようにします。初期費用、従量課金、保守費は、分けて比べます。
候補会社は、知名度よりも、データ連携や権限管理、評価・監視の体制で選びます。既存システムとの接続や導入後の改善も、確かめておきます。
PoCを本番の成果につなげるには、契約形態と責任の線引きを組み合わせます。現場、情報システム、法務が同じ条件で判断できれば、導入を進めやすくなります。
▼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
▼RFP作成前に読みたい無料ホワイトペーパー
・AIシステム開発の完全ガイドブック
・【2026年最新版】AI駆動開発の完全ガイドブック
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。
・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 >>>
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。