生成AI基盤の内製 vs 外注判断フレームワーク：中小企業CTOのための意思決定ガイド
結論: 生成AI基盤の内製か外注かは、リソース・機密性・スピード・TCOの4軸で判定する。PoCが本番に届かない根本原因は技術でなく人とプロセスにある。
PoCは動いた。デモも通った。しかし本番環境への移行が止まっている——そういう状況に置かれている担当者の方は少なくありません。
メンバーズが2025年6月に公開した調査記事によると、BCGの2024年調査ではPoCを超えて実際のビジネス価値を生み出せる企業はわずか26%にとどまります。裏を返せば、74%の組織がPoC止まりで終わっています。担当者の方の状況が例外的なわけではありません。
本稿では、「内製か外注か」を判断するための4つの確認軸と、外注の粒度をどう設計するかという具体的な手順を整理します。この軸を持つことで、経営層への説明責任に応える根拠が生まれます。
なぜPoCは本番に行けないのか
失敗の主因は技術でなく「人とプロセス」
CTOや情シスの方が陥りやすい思い込みがあります。「本番化できないのはモデル選定を間違えたからだ」という解釈です。
しかしメンバーズの2025年6月の記事が引用するBCGのデータでは、PoCスケールの障壁の約70%が人とプロセスに起因するものであり、技術的な問題は約20%、アルゴリズムの問題は約10%にすぎません。
同じ記事ではGartner 2024の予測も引用されており、2025年末までに生成AIプロジェクトの少なくとも30%がPoC後に放棄されると示されています。放棄の主な理由として挙げられているのは、データ品質の問題、リスク管理の不備、想定外のコスト増大、ビジネス価値の不明確さです。いずれも技術ではなく、体制とプロセスの問題です。
さらにメンバーズの2025年12月の記事によると、Gartner 2025の調査ではAI導入に積極的な企業であっても、3年以上にわたって稼働しているAIプロジェクトは45%以下という結果が示されています。
「モデルを変えれば解決する」という前提で動いている限り、根本的な状況は変わりません。
日本の中小企業が置かれた構造的制約
内製を選びたくても担い手がいない、という問題は個社の事情ではなく構造的な課題です。
IPA（独立行政法人情報処理推進機構）の2025年ディスカッションペーパーでは、日本企業の85.1%でDXを推進する人材が不足していることが示されており、この水準は米国・ドイツと比較して著しく高いものです。
また、EQUES株式会社のコラムが引用するJUAS企業IT動向調査2025（EQUES株式会社による二次引用）では、言語系生成AIを導入している企業は41.2%に達する一方、中小企業では運用体制の未整備とAI人材の不足によって実業務への定着に課題が残っています。
内製を選択するための前提条件——担い手の存在——が多くの中小企業では整っていません。だからこそ、感覚ではなく確認軸を持って判断する必要があります。
内製か外注かを判断する4つの軸
Hatchworksが公開している10軸のスコアカードは参照価値の高い判断ツールですが、社内リソースが限られた中小企業の実情に合わせて、実務上の決め手となる4軸に絞って整理します。
軸① 社内エンジニアリソースと機会費用
最初に確認すべきは、「今日から社内でAI開発を担える人間が何名いるか」という問いです。
内製を選ぶ場合、既存社員のリスキリング費用か新規採用コストが先行投資として発生します。EQUES株式会社のデータ（2026年7月時点）によれば、PoCの簡易外注費用は30万円〜が目安ですが、リスキリングに要する期間が6〜12ヶ月に及ぶ場合、その期間中の機会損失もコストとして計算する必要があります。
IPAが示す85.1%という数値が示す通り、担い手不足は個社の努力で短期間に解消できる問題ではありません。
軸② データ機密性の要求水準
「この業務データをクラウドAPIに送れるか」という問いに、明確にNoと答えられる業務があるかどうかを確認してください。
クローズドAPI（OpenAI・Anthropic等）もオープンウェイトモデルのAPI経由も、データは自社インフラの外に出ます。医療・金融・機密契約書など完全なデータ主権が必要な業務では、セルフホスト（自社GPU環境またはプライベートクラウド）が前提になります。
ただし中小企業がこの要件を満たそうとすると、GPU調達・インフラ管理・セキュリティ対応のコストが重なり、固定費が大きく跳ね上がります。機密性の要件が特定業務のみに限られるケースであれば、その業務だけセルフホスト対応として分離し、残りはクラウドAPIを活用するハイブリッド構成が現実的な選択肢です。
軸③ 価値実現までの時間要件
「経営層から、いつまでに動く形を出すよう求められているか」という問いも確認が必要です。
3ヶ月以内に動く形を示す必要がある場合、内製は現実的ではありません。学習コスト・環境構築・保守設計を含めると、内製での最短ルートでも相当の期間が必要になります。
C4 Technical Servicesの2026年記事が引用するMenlo Ventures 2025の報告では、AIユースケースの76%はすでに内製ではなく外部から購入（外注）されています。多くの組織が結果的に外注を選んでいる背景には、この時間要件の現実があります。重要なのは、その選択を意図を持って設計するかどうかです。
軸④ TCO（総保有コスト）の実態
内製コストの試算で見落とされやすい4つの要素があります。
- 学習コスト — モデル選定・プロンプト設計・評価手法のキャッチアップに技術者が使う時間。他業務との機会費用として計算します。
- 保守コスト — モデルのバージョンアップへの追随、精度劣化への対応、インフラ更新。初期構築が終わっても継続的に発生します。
- 属人化リスク — 担当者1名に知識が集中している場合、退職時に運用が停止するリスクがあります。このリスクを人件費×リスクプレミアムとして見積もります。
- 失敗コスト — Digital Applied（2026年6月）の推計では、スクラッチ内製の成功率は約33%とされています。つまり、投資の3件のうち2件は期待した成果を出せないという前提でTCOを組む必要があります。
同資料によると、カスタムAI MVPの内製費用は$50K〜$100K、Year-1の運用オーバーヘッドが$180K〜$200Kに達します（2026年7月時点）。TCOのクロスオーバーポイントは年間約100万会話・エージェント呼び出し規模とされており、中小企業の多くはこの水準に達しません。
費用相場の詳細な比較はEQUES株式会社のコラムおよびDigital Appliedの記事を参照してください。
4軸での簡易判断マトリックス
| 判断軸 | 内製が有利な条件 | 外注が有利な条件 |
|---|---|---|
| ①リソース | AI開発担当が2名以上確保できる | 担当者が0〜1名、採用・育成コストが重い |
| ②機密性 | 完全なデータ主権が必要かつ自社インフラ投資が可能 | クラウドAPIへのデータ送信が許容できる |
| ③スピード | 6ヶ月以上の準備期間がある | 3ヶ月以内に動く形を求められている |
| ④TCO | 年間100万件以上の処理量が見込まれる | 中小規模での処理量にとどまる見込み |
外注の3類型——どこまで任せるか
「外注＝丸投げ」ではありません。外注の粒度は設計できます。主に3つの類型があります。
類型A 丸投げ外注（全部委託型）
社内の関与を最小化して外部ベンダーに全工程を委託する形です。
メリット: 最速の立ち上がりが可能で、社内の工数負担がほぼゼロです。
リスク: ノウハウがベンダー側に帰属してブラックボックス化します。仕様変更のたびに追加費用が発生し、ベンダーを変更しにくい状況（ベンダーロックイン）に陥りやすくなります。
向く条件: 汎用ユースケース（社内チャット・文書要約など）かつ社内AI人材がゼロで、スピードを最優先にするケースです。
費用の詳細な相場はEQUES株式会社のコラムに整理されています。
類型B 設計だけ外注（伴走型・ハイブリッド）— 多くの中小企業に適した選択肢
課題定義と意思決定は自社が主導し、実装・インフラ設計・技術移転を外部パートナーと共同で進める形です。
メンバーズの2025年12月の記事が引用するPKSHA・松尾研究所2025共同調査では、AI導入でビジネス貢献を実感した企業の成功要因として最も多く挙げられているのが「外部パートナーとの共創」です。
同記事では住友ゴム工業の事例も紹介されており、Google CloudエンジニアとKCCS（京セラコミュニケーションシステム）による設計支援・ハンズオン技術移転を通じて、社内DXチームが自律的に改善できる運用サイクルを確立しています。
伴走型顧問の費用相場は月額10万円〜35万円程度（EQUES株式会社、2026年7月時点）です。「課題定義と判断は自社・実装と基盤は外部と共創」というモデルは、知識を自社に残しながら進める点で、長期的なコストを抑える効果があります。
類型C 内製主導（段階的PoC→本番→知識定着）
内製が適切になるのは、Hatchworksの10軸スコアカードの評価で「競合差別化とデータ優位性が高く、かつ運用モデルの成熟度も高い」と判定できる場合に限られます。
PoCが動いた時点を「内製成功」とみなして本番設計をスキップするのが最多の失敗パターンです。PoCのスキルと本番運用のスキルは別物であり、この類型を選ぶためには担当者1名に属人化しない体制設計が不可欠です。
判断を誤ったときに何が起きるか
内製・外注それぞれの選択で、よく起きる失敗パターンを4つ整理します。推奨する選択肢のリスクも含めて正直に示します。
パターンA — PoC止まり（最多）
技術的には動いた段階でプロジェクトが実質終了し、本番環境への移行が実現しないケースです。
根本原因は、運用設計・ガバナンス・MLOps（機械学習モデルの本番運用を継続的に管理する手法）の設計が不十分なまま実装を先行させたことにあります。PoC開始前に「本番移行するために最低限クリアすべき要件」を外部パートナーと合意しておくことで、このパターンを防ぐことができます。
パターンB — ベンダーロックイン
全部委託型（類型A）で進めた場合に起きやすいパターンです。開発したシステムの設計書・仕様書・コードが手元に残らず、ベンダーを変更することも改修を自社で行うこともできない状況に陥ります。
契約締結時に「成果物の引き渡し範囲（コード・モデル・設計書・手順書）」を明記することが対処策になります。
パターンC — 属人化
社内担当者1名がすべての知識を保有している状態は、その担当者が退職した時点で運用が停止するリスクと隣り合わせです。
チーム全体のリテラシー向上と、ドキュメント化を義務づけるルール設計を初期から組み込むことで対処できます。
パターンD — ツールありきの導入
「話題だから」「競合が使っているから」という理由でツールを選んだ場合、業務課題との適合性が確認されていないため誰も使わなくなります。
業務棚卸しを先に行い、「AIで解くと最も事業価値が高まる課題」を1つ定義してからPoC設計に入ることが対処策です。パターンAとパターンDは組み合わさることが多く、「動いたが使われない」という結果を生みます。
なお、競合差別化とデータ優位性が高く、かつ運用体制も整っている組織では、内製主導（類型C）が長期的なコスト優位につながります。上記のパターンはいずれも選択の実行プロセスの問題であり、選択肢そのものの否定ではありません。
判断を固める前に確認する3つの問い
第1問：判断の先延ばし自体に、毎月コストが積み上がっています
Digital Applied（2026年6月）のデータによると、Year-1の運用オーバーヘッドは$180K〜$200Kに達します（2026年7月時点）。
内製か外注かという判断を後回しにしている間にも、未整備の体制コスト・AI人材の学習機会損失・競合との差が毎月積み上がっています。「今は判断を保留する」という選択も、判断した場合と同じコスト構造を発生させているという点を確認してください。
第2問：「経営層に答えられない状況」を一度言語化してみてください
経営会議でAI活用の進捗を問われた際に「現在検討中です」とだけ答えている状況が続いているとすれば、それは判断基準の不在が原因であることが多いです。
確認軸を持つと、答えの内容が変わります。「内製するとリソースの確保に6ヶ月必要で、現状では担当者が不在です。外注の場合、PoC費用は30万円〜で3ヶ月以内に検証結果を出せます。伴走型で進めた場合の月額費用は10万円〜35万円の試算になります」——この水準で答えられると、経営層との議論の質が変わります。
判断軸を持つということは、経営層に対して何を答えられるかが変わるということです。
第3問：「相談したら契約を迫られる」という懸念について
「相談＝すぐ契約」ではありません。
まず貴社の業務要件と現在のリソース状況をヒアリングし、内製・外注・伴走型のどれが現状に合うかを整理します。初回相談での費用は発生しません。守秘義務は遵守します。相談の内容がそのまま契約につながるかどうかは、ヒアリング後に貴社が判断することです。
貴社のユースケースに当てはめると4軸がどう判断されるかを確認したい場合は、以下からご相談ください。