「AIを借りる時代」から「AIを自前で育てる時代」へ——Hugging Faceが説くオープン主権、日本のバーティカルAI、デジタル庁の国産スタックが描く企業AIの新地図

オープン主権AIの時代——企業が自社データでモデルを育て、現場に閉じた知能を実装する新たなフェーズ

「借り物の賢さ」では勝てない——企業AIの潮目が変わった

2026年7月、Hugging Face CEOのクレマン・デラング氏はTechCrunchのインタビューで、こう断言しました。

「企業はもはやAIを『借りる』のをやめた。自社データでモデルを育て、自社インフラで動かし、知的財産として所有する方向へ完全にシフトしている」

同氏が率いるHugging Faceは、オープンソースモデルのホスティングプラットフォームとして、すでにフォーチュン500の約半数が利用する「AIのGitHub」的存在です。その現場感覚から発せられた言葉は、単なるスローガンではありません。同社のプライベートリポジトリ数、ファインチューニングジョブ数、オンプレミス導入相談のいずれもが、過去1年で倍増しているといいます。

一方、ITmediaビジネスが実施したAI活用企業507社への調査では、対照的な現実も浮かび上がりました。**「コスト削減を目的にAIを導入した企業の過半数が、営業利益の増加を実感できていない」**のです。売上拡大を目的とした導入では約7割が利益増を報告したのに対し、コスト削減目的では「利益不変」が過半を占めました。プロンプト格差、手直し工数、データ連携制約といった「隠れコスト」が、期待された削減効果を相殺している構図です。

この二つの動き——オープン主権へのシフト、および「汎用AIを借りてコストを切る」アプローチの限界——は、表裏一体の現象です。汎用モデルをAPIで呼び出すだけでは、自社の業務知識・顧客データ・現場ノウハウがモデルに還元されず、差別化も資産化も進みません。その結果、「使ってはみたが変わらなかった」という徒労感だけが残ります。

では、勝ち組は何をしているのか。鍵は**「自社データで育て、自社領域に特化させ、自社インフラで運用する」**という三位一体のアプローチにあります。そして、このアプローチを国家戦略レベルで後押ししようとしているのが、日本政府の「バーティカルAI」構想と、デジタル庁が進める「源内（げんない）」基盤です。

Hugging Faceプラットフォーム上でプライベートリポジトリとして管理される、企業ごとのファインチューニング済みモデル群のイメージ

日本政府が賭ける「バーティカルAI」——19分野への集中投資が意味するもの

2026年7月、高市早苗経済安全保障担当相の主導する「人工知能戦略本部」は、製造業・防衛・消防・医療・農業・物流・建設・エネルギー・金融・教育・行政サービス・インフラ維持管理・防災・観光・コンテンツ・半導体・バイオ・宇宙・量子技術の19戦略分野を「バーティカルAI重点領域」に指定し、官民集中投資の対象としました。ビジネス+ITの報道によると、この枠組みでは「汎用基盤モデルの性能競争」ではなく、「特定業務・現場データに最適化された専用モデルの開発・実装・運用」を支援します。

この方針転換は極めて合理的です。汎用LLMの性能向上は「スケーリング則」に従って資本集約的に進みますが、日本企業がグローバル大手とモデル性能で張り合うのは非現実的です。一方、日本が世界に誇る「現場データ」「現場ノウハウ」「現場制約」——例えば製造ラインの振動・音響・画像ログ、介護現場の記録・会話、建設現場の進捗・安全データ、農業の環境・生育データ——は、海外ベンダーが容易に取得できない唯一無二のアセットです。

バーティカルAI戦略は、この「現場データの独占的アクセス権」を武器に、**「汎用モデルをベースに、現場データでファインチューニングし、現場制約（リアルタイム性・プライバシー・法令・通信環境）を満たす形でエッジ・オンプレミスに展開する」**という、日本型の勝ち筋を制度化したものと言えます。

特に注目すべきは、「データ主権」の明確化です。19分野のデータセット構築において、データ提供主体（企業・自治体・研究機関）がデータの所有権・利用許諾権を保持し、モデル開発者はライセンス契約の下で学習利用するというガバナンスモデルが導入されます。これにより、「データを渡したら二度と返ってこない」「モデルがブラックボックスで検証できない」といった、これまで企業がAIベンダーとの契約で懸念してきたリスクが、制度的に緩和される道筋がつきました。

デジタル庁「源内」——国産モデル×国産クラウドの「主権的スタック」が示す実装像

バーティカルAI戦略のインフラ層を具体化するのが、デジタル庁が実証実験を進める政府職員向けAI基盤**「源内（げんない）」です。ITmedia AI+の報道によると、源内ではNTTの国産大規模言語モデル「つづみ」**を、**さくらインターネットが提供する国産クラウド「さくらのクラウド」**上で稼働させる構成が採用されました。

この組み合わせが持つ意味は大きいです。

モデル主権：つづみは日本語・日本法令・日本行政文書に特化して事前学習・指示追従調整されており、海外モデルではカバーしきれない「日本の行政現場の文脈」をネイティブに理解します。
インフラ主権：さくらのクラウドは国内データセンターで運用され、政府機密情報の取り扱い要件（ISMAP準拠等）を充足します。データが国外に出ない、外国法令（米国CLOUD Act等）の適用を受けないという安心感は、行政・防衛・医療・金融といった規制産業で決定的に重要です。
運用主権：モデル・インフラともに国内ベンダーがサポートするため、障害対応・機能改修・法令改正対応が「日本語・日本時間・日本の商慣習」で完結します。

源内の実証では、行政文書検索・要約・FAQ生成・法令照合といった業務で、職員1人あたり月間数十時間の工数削減が報告されています。重要なのは、この成果が「最強の汎用モデルを使ったから」ではなく、「日本の行政現場に合わせたモデルを、日本のインフラで、日本のルールで動かしたから」得られたものだという点です。

この「モデル×インフラ×ガバナンス」の三位一体パッケージこそが、バーティカルAI戦略が目指す**「主権的スタック（Sovereign Stack）」**のプロトタイプであり、民間企業が自社版「源内」を構築する際の参照アーキテクチャになり得ます。

デジタル庁「源内」基盤の概念図——つづみ（モデル）× さくらのクラウド（インフラ）× 日本のガバナンスルールの三位一体

ソフトバンク「全社RAG基盤」——1万9000人が使う企業版「源内」の泥臭い舞台裏

民間での先行事例として見逃せないのが、ソフトバンクが構築・運用する「全社RAG基盤」です。@ITの詳細レポートによると、同社ではAI活用で激突する「現場の利便性」v.s.「会社の安全性」という対立を、ガバナンスをシステムに組み込むことで解決し、**数万時間相当の業務削減効果（社内試算による）**を達成しました。

具体的には、社内文書・ナレッジベース・会議録・コードリポジトリ等を統合ベクトル検索インデックス化し、アクセス権限・機密度ラベル・監査ログ・コスト上限をRAGパイプラインにネイティブに組み込みました。これにより、「検索して良い情報だけが返る」「機密文書が外部モデルに送られない」「利用コストが部門単位で見える・制御できる」という、エンタープライズ必須の要件を**「運用ルールではなくシステム制約として」**担保しています。

この取り組みが示唆するのは、**「RAG（検索拡張生成）こそが、汎用モデルを『自社専用』に見せる最も現実的なアダプタ層である」**という事実です。フルファインチューニングより低コスト・短期間・ロールバック容易で、かつ「自社データをモデル重みに焼き込まない」ため、データ主権・ガバナンスの観点からも扱いやすいのです。

ソフトバンクの事例は、バーティカルAI戦略が目指す「現場データ×専用モデル×ガバナンス込みインフラ」を、一足先に単一企業スケールで実装し、成果を出した好例と言えます。

日本企業が今、握るべき3つの「主導権」

以上の動き——Hugging Face流のオープン主権、バーティカルAI戦略の制度化、デジタル庁「源内」の主権的スタック、ソフトバンクRAG基盤の実装パターン——を統合すると、日本企業が今後3〜5年で確立すべきAI戦略の輪郭が見えてきます。

1. データ主権——「自社データは自社で守り、自社で活かす」

顧客データ・現場ログ・ノウハウ文書を外部モデル学習に無償提供しない（契約・技術の両面で）
社内RAG基盤を整備し、汎用モデル（オープン・クローズ問わず）を「読み取り専用」で呼び出すアーキテクチャを標準化する
データカタログ・系譜管理・アクセス制御を**「AI利用前提」で再設計**する（従来のBI/分析用ガバナンスでは不十分）

2. モデル主権——「汎用をベースに、専用を自前で育てる」

基盤モデルはオープンソース（Llama、Qwen、Nemotron、つづみ等）を採用し、ベンダーロックインを回避する
LoRA/QLoRA等の効率的ファインチューニングで、自社領域・自社タスクに特化した「専用アダプタ」を量産・版管理する
専用アダプタを知的財産として資産化し、モデルレジストリ（MLflow、Hugging Face Enterprise等）でライフサイクル管理する

3. インフラ主権——「走らせる場所も、コストも、法的リスクも自社で決める」

オンプレミス・プライベートクラウド・国内パブリッククラウド（さくら、IDCフロンティア、NHNテコラス等）を組み合わせ、データ機密度・レイテンシ要件・コスト最適化に応じて配置を制御する
GPUリソースプールを社内共有化（Kubernetes＋GPUスケジューラ）し、開発・検証・本番を統合運用する
「モデル・データ・インフラ」の三位一体調達をベンダー単位でなく、レイヤー単位で分離発注し、交渉力を維持する

これら三つの主権を同時に押さえることで、初めて**「借り物の賢さ」から「自前の知能」への転換**が、持続可能な競争優位に結びつきます。

まず何から始めるか——「来月までにできること」チェックリスト

明日からでも着手できる具体アクションを、難易度順に整理しました。

優先度	アクション	所要期間	必要リソース	成果物
即効	社内RAG PoC（Notion/Confluence/Google Drive等の一部をベクトル化し、オープンモデルで検索・要約）	2〜4週間	エンジニア1〜2名、GPU 1〜2枚（A10G/H100等）、オープンソースRAGフレームワーク	検索精度レポート、ユーザー評価、コスト試算
即効	データ資産棚卸し——「どの部署に、何のデータが、どの形式で、どの権限で眠っているか」を台帳化	1〜2ヶ月	情シス＋事業部門ヒアリング、データカタログツール	データ資産マップ、優先活用領域の特定
短期	オープンモデル（Llama 3.1 8B/70B、Qwen 2.5、Nemotron 3 Ultra等）の社内検証環境構築	1〜2ヶ月	GPUサーバーまたはクラウドGPU、LLM評価ハーネス（lm-eval、独自ベンチ）	モデル比較評価表、採用可否判断
短期	1〜2業務でのLoRAファインチューニング実証（問い合わせ分類、FAQ生成、コード補完等）	2〜3ヶ月	データセット作成、GPU学習リソース、MLOpsパイプライン	専用アダプタ、精度改善幅、運用コスト実測
中期	社内RAG基盤の本番化（権限・監査・コスト制御・マルチテナント対応）	3〜6ヶ月	プラットフォームチーム、Kubernetes、ベクトルDB、観測基盤	全社横断RAGサービス、利用ガイドライン
中期	バーティカルAI重点領域への参画検討（自社ドメイン該当分野のコンソーシアム参加、データ提供・モデル共創）	6〜12ヶ月	経営判断、法務・知財整理、パートナー選定	共創プロジェクト参画、独自データセット構築
長期	自社版「源内」アーキテクチャ確立（専用基盤モデル＋国内インフラ＋ガバナンスフレームワーク）	12〜24ヶ月	専任AI基盤チーム、継続的投資予算、経営コミットメント	自社主権的スタック、競合優位性の可視化

いきなり全てをやる必要はありません。**「RAG PoCで現場の声を聴く」「データ棚卸しで宝の山を発見する」**この二つから始めれば、半年後には「うちのAI戦略、これでいいのか」という問いに、自信を持って答えられるはずです。

おわりに——「主権」は守りではなく、攻めの選択肢を増やすもの

「データ主権」「モデル主権」「インフラ主権」という言葉は、ともすれば「海外依存を避けるための守りの論理」に聞こえがちです。しかし、本稿で整理してきた事例——Hugging Faceのオープンエコシステム、バーティカルAIの現場特化、源内の日日本語・日本法令ネイティブモデル、ソフトバンクRAGのガバナンス内包——はいずれも、「主権を持つからこそ、自社／自国の強み（現場データ・現場ノウハウ・現場制約）を遠慮なくAIに注ぎ込み、世界に通用する専用知能を最短で作れる」という攻めの論理で貫かれています。

汎用モデルの性能競争は、資本力のある数社がやり続ければよい。日本企業が戦うべきは、「自社の現場ほど詳しくない汎用モデル」をどう補完・置換・超越するかという、極めて実務的で、かつ日本型の強みが活きるテーマです。

「借りる」から「育てる」へ。 「汎用」から「現場特化」へ。 「海外スタック」から「自前スタック」へ。

この三つのシフトを、一歩ずつでも着実に進めた企業だけが、2030年代の「AIネイティブ産業地図」で、自社の座標を自ら決められるはずです。あなたの組織は、どの主権から手をつけますか？

参考文献

TechCrunch「Open source AI matters more than ever, according to Hugging Face's Clem Delangue」（2026-07-10）
ITmediaビジネス「コスト削減にAIは効果なし？利益が変わらない企業が過半、手直しも課題に」（2026-07-10）
ビジネス+IT「高市政権が『バーティカルAI』推進、戦略19分野に官民集中投資」（2026-07-11）
ITmedia AI+「デジタル庁、つづみなど国産AIを『さくらのクラウド』で稼働『日本の自律性確保』目指す」（2026-07-10）
@IT「1万9000人が利用するソフトバンクの『全社RAG基盤』構築の泥臭い舞台裏」（2026-07-10）
ITmedia AI+「Meta、マルチモーダル推論モデル『Muse Spark 1.1』公開低価格の『Meta Model API』も提供へ」（2026-07-10）
過去の Smart Kurashi 記事（内部リンク参照）