社内生成AIシステム開発の発注/外注/依頼/委託方法について

社内生成AIシステムの発注・外注は、チャット画面を作る会社を探すことではなく、社内データを安全に使い、業務成果まで運用できる体制を選ぶことが重要です。

本記事では、社内生成AIシステムを開発会社へ依頼する前に決めるべき発注形態、RFPと要件の整理方法、契約形態、費用相場、委託先の選び方、見積書の比較ポイントを順番に解説します。既製サービスで始めるべき企業と、RAGや業務システム連携を含む開発を外注すべき企業の違いも整理します。

▼全体ガイドの記事
・社内生成AIシステム開発の完全ガイド

社内生成AIシステムを発注・外注する前に知っておくべき全体像

社内生成AIシステムは、社内規程やマニュアル、FAQ、営業資料、議事録などを検索し、社員の質問に根拠付きで答える業務システムです。文章の要約・翻訳・下書きだけでなく、Teamsや社内ポータルからの利用、部署ごとの権限管理、回答ログ、評価、業務データへの連携まで含めると、一般的なチャットボットよりも発注範囲が広くなります。

外注対象は、画面やAPIの開発だけではありません。利用目的の整理、データ棚卸し、RAGの検索設計、SSOとアクセス制御、LLMの選定、プロンプト設計、評価データの作成、セキュリティ審査、利用者研修、リリース後の改善までが対象になります。特に社内文書を参照する場合、元文書に設定された閲覧権限を検索結果にも引き継ぐ設計が必要です。権限を無視して検索できる仕組みは、回答精度が高くても本番利用に向きません。

社内文書をアップロードして検索するだけ、利用者が限定的、既存の認証や文書管理をそのまま使えるという条件なら、法人向けAIサービスの設定や導入支援で始められる可能性があります。一方、部署ごとに見える文書を分ける、SharePointやファイルサーバーを継続同期する、回答から申請や登録まで実行する、利用ログを監査する、といった要件があるならSI会社や開発会社への外注が適しています。最初から全機能を作るのではなく、必須業務を一つ選んでPoCを行い、本番化する範囲を判断する進め方が安全です。

社内生成AIシステムの発注形態はどれを選ぶべきですか？

発注形態は、標準サービスの導入、クラウド基盤を使ったRAG開発、SI会社による統合、内製と外注の共同運用、オンプレミス環境の構築に大きく分かれます。選択の基準は、会社の知名度ではなく、必要なデータ連携、機密度、導入スピード、社内に残したい技術、運用担当者の有無です。予算だけで比較すると、安価なPoCと本番基盤を取り違えやすいため、業務要件を先に分類します。

まず利用規程を整え、社員が安全に生成AIを使える状態を早く作りたい企業には、法人向けAIサービスの導入が向いています。メール作成、要約、翻訳、アイデア整理など、社内データを検索しない用途なら、独自開発の費用をかけずに利用を始められます。ただし、契約時には入力データを提供者のモデル学習に利用するか、保存期間や保管地域はどこか、退会時にデータを削除できるか、管理者ログを取得できるかを確認します。個人情報保護委員会も、入力情報がAIの学習データとして利用される場合の個人情報の取扱いに注意を促しています。

社内規程や製品資料を根拠に回答させたい企業には、RAGを含む開発が向いています。RAGは、質問に関連する社内文書を検索し、その内容をLLMへ渡して回答を生成する方式です。文書を更新するたびにモデルを再学習させる必要がないため、頻繁に改訂される規程やFAQと相性が良い方式です。発注時は「RAGを作る」とだけ書かず、対応する文書形式、同期頻度、検索方式、根拠リンクの表示、権限継承、回答できない場合の表示、評価方法まで指定します。

最も現実的な形態は、業務部門と情報システム部門が目的・データ・評価基準を持ち、外部会社が設計・実装・運用立ち上げを支援する共同方式です。外注先に丸投げすると、現場で使われない機能や、社内で説明できない設定が残りやすくなります。逆に、すべてを内製しようとすると、検索品質の評価、セキュリティ設計、障害対応に時間がかかります。RFPには自社側の責任者、意思決定者、データ所有者、受入テスト担当者も明記すると、役割分担が明確になります。

RFPと要件整理では何を決めておくべきですか？

RFPは、開発会社に価格だけを求める書類ではありません。解決したい業務課題、対象利用者、参照データ、セキュリティ条件、段階導入の考え方、納品物、見積の前提をそろえ、各社の提案を同じ条件で比較するための文書です。要件が曖昧なまま「社内生成AIを作ってください」と依頼すると、会社ごとに想定する範囲が異なり、見積金額も納期も比較できません。

最初に「誰の、どの業務を、どれだけ改善するか」を記載します。たとえば、情シスへの問い合わせを減らす、営業が提案書の根拠資料を探す時間を短くする、人事規程の問い合わせに一次回答する、といった単位です。各業務について、対象部署、月間質問件数、現在の所要時間、回答者、参照文書、誤回答時の対応を整理します。そのうえで、MUSTにはSSO、権限分離、根拠表示、監査ログなど本番利用の条件を置き、WANTには音声入力、複数モデル切替、業務システムへの自動登録などを置きます。

データ要件には、SharePoint、ファイルサーバー、社内Wiki、FAQ、CRM、ERPなどのデータソースを列挙し、データ形式、容量、更新頻度、所有部署、機密区分、既存のアクセス権を記載します。RAGの回答精度はLLMの性能だけでなく、文書の重複、古さ、見出し構造、権限設定に左右されます。古い文書を除外する基準、改訂時の再取り込み、削除時の検索インデックス反映、参照元URLの保持も要件に入れます。

認証はMicrosoft Entra IDなどのSSOや多要素認証を使うのか、部署・役職・案件単位で制御するのかを整理します。検索結果に表示してよい文書の判定を、チャット画面側だけで行うのか、検索基盤側でも行うのかも重要です。管理者が回答ログを確認できること、個人情報や営業秘密を検知できること、ログの保存期間と閲覧権限が定義されていることまで書いておくと、セキュリティ審査での手戻りを抑えられます。

「高精度に回答する」という表現だけでは、納品時に合否を判断できません。代表的な質問を業務別に用意し、根拠文書を正しく提示できた割合、回答不能とすべき質問を拒否できた割合、部署外の文書を表示しなかった割合、応答時間、1回あたりの推定コストを評価します。正解率だけを追うと、根拠のない回答を自信ありげに出す問題を見落とします。回答に「根拠文書」「文書の更新日」「不明な場合の案内」を表示するかも受入条件に含めます。

社内生成AIシステムの契約形態はどう選びますか？

社内生成AIシステムでは、要件が固まっている部分と、PoCで検証しなければ分からない部分が混在します。すべてを一括請負にすると、前提変更のたびに追加費用や納期変更が起きやすくなります。一方、すべてを準委任にすると、成果物や完成基準が曖昧になりやすいです。工程ごとに契約を分け、探索と開発の不確実性を管理する考え方が適しています。

請負契約は、納品する成果物と完成条件を明確にできる工程に向いています。たとえば、確定した画面仕様に基づくチャットUI、決められた形式のデータ連携、テスト仕様書に基づく機能実装などです。契約書には、成果物の一覧、検収期間、瑕疵への対応、再委託の条件、知的財産権の帰属、ソースコードや設定情報の引き渡し範囲を記載します。生成AIではモデルや外部APIの仕様変更があるため、第三者サービスの停止・料金変更時の扱いも確認が必要です。

準委任契約は、要件整理、データ棚卸し、RAGの検索評価、モデル比較、PoC、運用改善のように、作業や専門知識の提供を受けながら最適解を探す工程に向いています。検索対象の文書が想定より複雑だったり、現場の質問が当初の仮説と異なったりする場合でも、作業内容を調整しやすい契約です。ただし、稼働時間だけを定めると、何をどこまで検証したかが分からなくなります。月次の作業報告、評価結果、課題一覧、次月の合意事項を成果として残す条件を設けます。

契約では、社内データを外部LLMの学習に利用しないこと、保存場所と海外移転の有無、個人情報の取扱い、インシデント発生時の報告期限、ログの所有権、プロンプトや評価データの利用範囲を確認します。ベンダーが再委託先やクラウド事業者を使う場合は、再委託先の開示と監査権限も必要です。さらに、PoCが本番化しなかった場合に、データを返却・削除する方法、設定やソースコードを持ち出せるか、別会社へ移行できるかを終了条件として定めます。

社内生成AIシステムを発注してから稼働させるまでの進め方

発注後は、要件定義、データ準備、PoC、詳細設計・開発、受入テスト、本番移行、運用改善という流れで進めます。期間は対象範囲によって変わりますが、サイオステクノロジーはRAG型サービスを最短2営業日で導入できると公表しています。これは標準化されたサービスの導入期間であり、複数の社内システム連携や全社権限設計を含む開発期間と同じ意味ではありません。見積書では、標準導入、個別開発、データ整備、運用設計を分けて確認します。

最初の段階では、対象業務を一つに絞り、現状の問い合わせ件数や検索時間を計測します。次に、参照する文書を所有者、更新日、機密区分、アクセス権、重複、廃止状態で棚卸しします。文書を登録すれば自動的に正しい回答が出るわけではありません。古いマニュアルや部署ごとに内容が違うFAQを統合せずに投入すると、検索結果が分散し、回答の根拠も不安定になります。データの整理を自社で行うのか、外注先に依頼するのかも、RFPで分けて見積もります。

PoCでは、代表的な質問を部署別・難易度別に用意し、回答の正しさ、根拠の提示、回答不能時の拒否、応答時間、利用コスト、権限分離を検証します。たとえば、情シスの問い合わせ、総務規程の確認、営業資料の検索という3種類を用意し、同じ質問を複数回行って結果の揺れも確認します。現場の利用者には「便利だったか」だけでなく、修正せず使えるか、参照元を確認できたか、誤回答時に人へ引き継げたかを評価してもらいます。

本番稼働後は、文書の追加・削除、回答の低評価分析、プロンプトの改訂、モデルの切替、障害監視、脆弱性対応、利用者教育が必要です。社内生成AIは、リリースして終わるシステムではありません。運用費を削るためにログや評価を残さないと、問題の発見が遅れ、使われないシステムになります。月次の改善会議、問い合わせ窓口、重大な誤回答が出た場合の停止手順、ベンダーの対応時間を契約と運用設計に落とし込みます。

社内生成AIシステムの費用相場と見積の内訳

社内生成AIシステムの費用は、利用者数、文書量、データソース数、権限の複雑さ、連携する業務システム、セキュリティ要求、運用範囲で大きく変わります。公開価格の例では、サイオステクノロジーのRAG型サービスが初期費用260万円（税抜）から、月額10万円からです。SCSKの生成AI統合活用基盤は、初期導入300万円、サポートサービス年150万円と公表されています。いずれも個別連携や追加オプション、データ整備の費用が別になる可能性があるため、相場の下限として扱います。

公開価格と一般的な要件定義・連携工数をもとにした目安は、既製サービスの設定が0〜100万円程度、部門向けRAGのPoCが260万〜500万円程度、本番向けの中規模RAGが500万〜1,500万円程度、全社基盤や複数業務連携が1,500万〜5,000万円以上です。これは市場統計ではなく、公開サービス価格を起点に、データ整備、評価、認証、連携、運用設計を加味した推定レンジです。オンプレミスやローカルLLMを採用する場合は、GPUサーバー、冗長化、保守、モデル更新の費用が加わるため、数千万円規模からになることがあります。

「500万円で作れる」と断定するのではなく、何が含まれる場合の金額かを示すことが大切です。たとえば、利用者が一部署、データソースがSharePoint一つ、SSOが既存設定、業務操作を行わない場合と、全社利用で複数の権限体系を統合する場合では、同じRAGでも工数が変わります。見積書では、利用者数、月間質問数、データ容量、連携本数、環境数、監視時間、保守窓口を前提条件として確認します。

運用費には、LLMの入力・出力トークン料金、埋め込み生成、ベクトル検索や全文検索、ストレージ、API、監視とログ、セキュリティ機能、技術サポート、文書更新、利用者研修が含まれます。AWSの公式コスト例では、1日100回のチャット、Amazon Bedrock、OpenSearch Serverless、ガードレールなどを組み合わせた構成で、月820.61米ドルと試算されています。この例ではOpenSearch Serverlessの基本構成が月691.20米ドルを占めており、LLM料金だけではなく検索基盤がコストを左右することが分かります。

為替やリージョン、モデル、ログ量によって変わるため、円換算した金額を固定的な相場として扱ってはいけません。LLMの単価も更新されます。たとえばOpenAIのGPT-4.1の公式価格は100万トークンあたり入力2ドル、出力8ドルですが、実際のシステム費用には検索・認証・監視・保守が加算されます。見積比較では、固定の保守費、クラウドの実費、モデルの従量課金を分け、利用量が増えた場合の上限や通知方法も確認します。

委託先の選定と見積比較で確認すべきポイント

委託先を選ぶときは、生成AIのデモがきれいに動くかだけで判断しません。社内データの権限を守りながら検索できるか、回答の根拠を示せるか、本番後に評価と改善を続けられるか、障害時の責任分界が明確かを確認します。開発会社の実績も、社名や導入社数だけでなく、対象部門、データソース、利用人数、導入後の評価、運用体制まで質問します。

開発会社の実績を見るときは、単なる文章生成アプリの数ではなく、RAG、SSO、権限継承、ログ、業務API連携のどこまで担当したかを確認します。NTTデータは、社内ポータルやFAQを参照する全社員向けサービスを自社で開発・運用し、平均で週約60分の時間削減効果と、89%の利用者が今後も使いたいと回答した調査結果を公表しています。このような事例は参考になりますが、自社と同じ効果が保証されるわけではありません。対象業務と測定方法が自社に近いかを見ます。

短期導入や価格の分かりやすさを重視するなら、サイオステクノロジーのように対応ファイル形式、グループ別アクセス制御、根拠文書表示、公開価格を示す会社が比較対象になります。Azureや複数部署への展開を重視するなら、SCSKのようにEntra ID、複数テナント、RAG、Teams連携、回答精度評価を組み合わせるサービスが候補になります。用途別に候補を分けると、知名度だけの比較を避けられます。

複数社へ見積を依頼する場合は、同じRFP、同じサンプル文書、同じ質問セットを渡します。比較項目は、要件定義、UI、認証、データ取り込み、検索基盤、LLM、評価、テスト、移行、研修、保守、クラウド費、従量課金です。安い会社の見積に、データクレンジングや権限連携、セキュリティ審査、運用引き継ぎが含まれていないことがあります。項目が一式になっている見積は、内訳と前提を質問します。

価格以外では、提案の具体性を比較します。自社の文書構造や業務フローを踏まえた画面・検索設計になっているか、PoCで何を測るか、失敗時にどのように縮小・中止できるか、担当者が本番後も支援するかを評価します。3社以上から提案を受ける場合は、機能、セキュリティ、運用、価格、体制、移行性の評価軸を事前に決め、各社へ同じ質問をします。

セキュリティ確認では、入力データや検索対象文書がモデル学習に利用されない契約か、暗号化、脆弱性対応、監査ログ、アクセス制御、バックアップ、障害時の復旧目標を確認します。経済産業省のAI事業者ガイドライン第1.2版は2026年3月31日に取りまとめられており、AIの開発・提供・利用に関するリスクを整理する際の参照先になります。自社の法務・情報セキュリティ部門が行う審査項目を、提案依頼の時点で共有しておくと、契約直前のやり直しを防げます。

ベンダーロックインの確認では、LLMを変更できる設計か、検索インデックスや文書メタデータを移行できるか、プロンプト・評価データ・設定情報を受け取れるかを見ます。特定のクラウドやモデルを選ぶこと自体が問題なのではありません。選定理由と変更コストを説明でき、必要なときに別のモデルや基盤へ移せる契約・設計になっていることが重要です。

社内生成AIシステムの発注・外注に関するよくある質問

最後に、社内生成AIシステムを発注するときに多く寄せられる質問へ回答します。費用だけでなく、導入範囲、データの扱い、PoCから本番化する判断基準を押さえると、開発会社との打ち合わせが具体的になります。

発注先は、必要な業務範囲とセキュリティ条件で選びます。短期のナレッジ検索なら標準RAGサービス、複数の認証・データソース・業務システム連携が必要なら、RAGと業務システム開発の両方に実績があるSI会社が候補です。候補企業へは同じRFPを渡し、権限継承、根拠表示、運用支援、費用の内訳を比較します。

公開価格では、サイオステクノロジーのRAG型サービスが初期260万円（税抜）から月額10万円から、SCSKの生成AI統合活用基盤が初期300万円、サポート年150万円です。これは標準サービスや基盤の公開価格であり、データ整備、個別コネクタ、権限連携、評価、保守を含む全社開発の価格ではありません。部門PoCなら260万〜500万円程度、中規模の本番RAGなら500万〜1,500万円程度という推定レンジを起点に、要件別の見積を取ります。

適切な設計と契約を行えばリスクを抑えられますが、漏えいしないと無条件に断定はできません。SSO、多要素認証、文書の権限継承、暗号化、監査ログ、個人情報の検知、モデル学習への利用条件、プロンプトインジェクション対策、誤回答時の人手確認を要件化します。特に、元文書を見られない社員に検索結果を出さないことを、実データを使った受入テストで確認します。

可能ですが、PoCの成果物を本番開発へ移せる契約と設計にしておく必要があります。評価用の質問セット、正解データ、プロンプト、検索設定、文書メタデータ、ソースコード、クラウド構成、課題一覧を納品物に含めます。PoCで使ったデータや設定を持ち出せないと、別会社が再調査する費用が発生します。PoC開始時点で本番化の判断基準と引き継ぎ範囲を合意しておくと、委託先を変更しやすくなります。

まとめ

社内生成AIシステムを発注・外注するときは、最初に「法人向けAIサービスの設定で足りるか」「RAGを含む個別開発が必要か」「業務システムとの連携まで行うか」を切り分けます。次に、対象業務、利用者、データ、権限、評価指標、運用体制をRFPにまとめ、MUSTとWANTを分けます。

契約は、要件が確定した開発部分を請負、検証や改善が必要な部分を準委任とするなど、工程に合わせて設計します。費用は、公開価格として確認できる初期260万〜300万円程度のサービスから、個別連携を含む500万〜1,500万円程度の中規模本番、全社基盤の1,500万〜5,000万円以上まで幅があります。特定金額だけを相場とせず、データ整備、認証、検索基盤、LLM利用料、保守、教育を分けて比較してください。

委託先は、デモの印象ではなく、権限継承、根拠表示、評価設計、セキュリティ、運用改善、移行性まで確認して選びます。社内生成AIは、導入時の開発よりも、文書を更新し、回答を評価し、社員の利用を定着させる運用が長期成果を左右します。まずは一つの業務でPoCを行い、測定できる成果を確認したうえで、本番範囲を段階的に広げることが失敗を避ける近道です。

▼全体ガイドの記事
・社内生成AIシステ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。