ソフトバンク・NEC・ホンダ・ソニーが国産AI新会社を設立する背景と官民3兆円計画の全容

ソフトバンク・NEC・ホンダ・ソニーが国産AI新会社を設立する背景と官民3兆円計画の全容

2025年12月、日本のAI開発史において大きな転換点となる構想が明らかになりました。ソフトバンクを中心に、NEC、ホンダ、ソニーグループなど日本企業十数社が共同出資し、国産AI基盤モデルを開発する新会社を2026年春にも設立する計画が報じられています。各社の参画形態や出資規模は正式発表前の段階であり、今後変更される可能性も残っている点には留意が必要です。経済産業省による5年間1兆円規模の公的支援と、ソフトバンクのデータセンター投資2兆円を合わせた官民総額3兆円規模のプロジェクトは、米中が先行するAI開発競争に日本が国家戦略として挑む一大事業となります。

米中2強がリードするAI開発競争で日本企業が直面している3つの構造的な出遅れ要因

日本がAI開発で出遅れた第一の要因は、投資規模の圧倒的な格差です。米国ではOpenAIやGoogleが年間数兆円規模の研究開発費を投じているのに対し、日本のAI関連投資は桁違いに小さい状況が続いてきました。ソフトバンクグループが米国でStargate Projectに参画するなど個別企業の動きはあるものの、国内での大規模投資は限定的でした。

第二の要因は、AI学習に必要な計算資源（コンピュートリソース）の不足です。高性能GPU を大量に搭載したデータセンターがAI開発には不可欠ですが、日本国内にはそうした大規模施設が十分に整備されていません。結果として、多くの日本企業が海外のクラウドサービスに依存する構造が定着してしまいました。

第三の要因は、AI開発を担う高度人材の不足です。機械学習やディープラーニングの最先端研究者は米中の大学や企業に集中しており、日本国内では質・量ともに人材供給が追いついていません。こうした3つの構造的課題を一気に解消するために、官民が連携して巨額資金を集中投下する今回のプロジェクトが構想されたのです。

ソフトバンク主導で十数社が出資する新会社の設立時期・組織規模・参画企業の一覧

新会社はソフトバンクが中心となって設立し、2026年春の発足を目指しています。組織規模は、ソフトバンクとAI開発企業プリファードネットワークスの技術者を中心に約100人体制でスタートする見通しです。報道によれば、出資を検討している企業にはメガバンク3行（みずほ銀行・三菱UFJ銀行・三井住友銀行）、ホンダ、NEC、JR東日本などが含まれています。

この構成が示すのは、単にAI技術を持つ企業だけでなく、AI基盤モデルの「利用者側」となる製造業、インフラ企業、金融機関が幅広く参画する設計です。ソニーグループはセンサー技術やエンタテインメント領域でのデータ活用に強みを持つとされ、ホンダは自動車分野での産業データを保有しています。NECは生体認証や通信基盤の技術を提供できる立場にあるといえるでしょう。

こうした異業種連携の枠組みは、開発段階から実用化を見据えたデータ収集やユースケースの設計が可能になるという点で、純粋な技術企業だけで構成される米国のAI企業とは異なるアプローチを取っています。経産省の公募に応じる形で正式に設立手続きが進む見込みです。

官民合計3兆円の資金配分と政府1兆円・民間2兆円それぞれの投資内訳の詳細

プロジェクト全体の資金規模は官民合計で約3兆円に達します。このうち政府側は経済産業省が2026年度から5年間で約1兆円の公的支援を行う計画で、初年度の2026年度予算案には関連経費として3000億円超が計上される方針です。財源にはGX経済移行債の活用も検討されており、低消費電力でのAI開発という環境面の要件と組み合わせた設計が特徴的です。

民間側では、ソフトバンクが2026年度から6年間でデータセンター整備に2兆円を投じる計画が中核を成します。この投資にはAI学習用の高性能GPU調達費用やデータセンターの建設・運用コストが含まれる見通しです。出資企業各社からの資本金については詳細が公表されていませんが、メガバンクや製造業各社が数億円から数百億円規模で参加するとみられています。

政府支援の特徴は、一括ではなく段階的に行われる仕組みを採用した点です。毎年度の開発状況を審査し、技術水準が一定の基準を満たした場合にのみ追加投資が実行されるため、成果の出ないプロジェクトへの漫然とした資金投入を防ぐ仕組みが組み込まれています。

高市首相がAI戦略本部で示した国産基盤モデル開発方針とフィジカルAI重視の理由

2025年12月19日に開催されたAI戦略本部において、高市早苗首相はAI開発や利活用に1兆円超を投資する方針を表明しました。この場でとくに強調されたのが、日本が強みを持つ製造業の産業データを活用した国産基盤モデルの開発と、ロボットや機械を自律制御する「フィジカルAI」への重点配分です。

フィジカルAIが重視される背景には、対話型AIの分野では米中の先行企業に追いつくことが困難であるという現実的な判断があります。ChatGPTに代表される大規模言語モデルではOpenAIやGoogleが圧倒的なリードを持っていますが、工場ロボットや建設機械、物流システムなどの物理的な機械制御に特化したAIは、まだ本格的な勝者が決まっていない領域です。

日本は製造業分野でトヨタ、ホンダ、ファナックなど世界トップクラスの企業群を有しており、数十年にわたって蓄積された現場の稼働データや品質管理データは、フィジカルAIの学習に極めて有用です。首相が「意欲ある企業との連携を強化せよ」と経済産業相に指示したのは、こうしたデータ資源を国内で囲い込みながら活用する戦略を加速する意図があるとされています。

プリファードネットワークスなど技術者100人体制で始動する開発組織の具体的な役割分担

新会社の開発組織は約100人規模でスタートし、ソフトバンクとプリファードネットワークス（PFN）の技術者が中核を担います。PFNは産業用ロボットや自動運転分野でのAI開発に実績を持つ日本有数のAIスタートアップであり、深層学習フレームワークの開発でも国際的に知られた存在です。

開発組織の役割は大きく3つに分かれると想定されます。第一は基盤モデルの設計・学習を担うコアチームで、PFNのディープラーニング研究者を中心に構成される予定です。第二はデータ収集・前処理チームで、参画企業から提供される産業データの品質管理やアノテーションを行います。第三はインフラチームで、ソフトバンクのデータセンター上に学習環境を構築・運用する技術者が配置される見通しです。

100人という規模はOpenAIやGoogleの数千人体制と比較すると小規模に見えますが、初期段階では精鋭を集中配置し、開発の方向性を固めることが優先されます。基盤モデルが一定の水準に達した段階で、ファインチューニングや各産業への応用を担う人員を段階的に拡充していく方針です。

1兆パラメーター級の基盤モデル開発で日本企業が米中に対抗できる根拠と課題

新会社が開発を目指す基盤モデルは、AI性能の指標となるパラメーター数で国内最大級の約1兆を目標に掲げています。世界の主要AIモデルが達成している水準に匹敵する規模ですが、パラメーター数の多さだけが性能を決めるわけではありません。どのようなデータで学習し、どの領域に特化するかが、後発組である日本勢が勝ち筋を見出すための鍵となります。

GPT-4推定1.8兆と比較した国産モデル1兆パラメーターの技術的な位置づけ

OpenAIのGPT-4は推定1.8兆パラメーター程度とされ、世界最大級のAIモデルの一つです。日本が目指す1兆パラメーターはこれに次ぐ規模であり、世界の主要AIモデルが達成する水準に匹敵します。パラメーター数はAIモデルの「学習容量」に相当し、数値が大きいほど複雑なパターンを認識できる傾向にあります。

ただし、パラメーター数の増加は必ずしも性能向上に直結しません。近年のAI研究では、モデルの巨大化よりも学習データの質や学習手法の効率化が重要視されるようになっています。MetaのLlama 3やGoogleのGeminiなど、パラメーター数を抑えながらも高い性能を実現するモデルが続々と登場しており、「大きければ良い」という時代は過去のものになりつつあるのです。

国産モデルが1兆パラメーターを目標に掲げる意義は、技術力の証明と国際的な信頼獲得にあります。一定規模以上のモデルを自力で開発・運用できることを示すことで、海外企業や政府機関との連携交渉においても対等な立場を確保しやすくなるのです。

パラメーター数だけでは勝負が決まらない理由と産業データの質が競争力を左右する仕組み

AI基盤モデルの性能を決定づけるのは、パラメーター数ではなく「何を学習したか」です。大量のインターネットテキストで学習した汎用モデルは会話や文章生成に優れる一方、工場の機械振動パターンやロボットアームの動作軌道といった産業固有のデータを理解する能力は限定的にとどまります。ここに日本勢の勝機があります。

日本の製造業は、数十年にわたって工場の稼働データ、品質検査の画像データ、設備の保全記録など、膨大かつ高品質な産業データを蓄積してきました。これらのデータは、米中のAI企業がインターネット上から収集できるものとは本質的に異なります。非公開の企業内データであるため外部からのアクセスが困難であり、データ提供企業との信頼関係がなければ学習に活用できません。

国産AI新会社の強みは、出資企業であるホンダやソニー、NECなどが自社の産業データを提供しやすい環境が整っている点にあります。海外のAIベンダーにデータを預けることへの抵抗感が強い日本企業にとって、国内に閉じたデータ管理体制のもとでAI開発が進むことは、データ提供のハードルを大きく下げる効果があると考えられます。

エヌビディア製GPU大量調達が必要な開発体制と半導体確保で想定される3つのリスク

1兆パラメーター規模のAIモデルを学習するには、数千基規模のエヌビディア製高性能GPUが必要です。現在のAI開発ではエヌビディアのH100やH200といったGPUが事実上の標準となっており、新会社もこれらを大量調達して学習基盤を構築する計画とされています。

しかし、GPU確保には3つのリスクが想定されます。第一は供給不足リスクです。世界中のAI企業がエヌビディア製GPUを奪い合う状況が続いており、大口注文でも納期が1年以上かかるケースが報告されています。第二は価格高騰リスクで、需要増加に伴いGPU1基あたりの価格が数百万円に達する状況です。第三は米国の輸出規制リスクで、対中規制の余波が日本にも及ぶ可能性は否定できません。

こうしたリスクに対応するため、政府はGPU調達費用を公的支援の対象に含めるとともに、学習データの収集や購入についても補助を行う方針を示しています。ただし、エヌビディアへの一極依存を回避する観点から、AMD製GPUや国産半導体の活用も中長期的には検討課題となるでしょう。

日本語特化モデルとしてNTTやソフトバンクが先行開発したLLMから学べる成功・失敗事例

国産AI新会社の設立以前から、日本語に特化した大規模言語モデルの開発は複数の企業で進められてきました。NTTは独自のLLM「tsuzumi」を開発し、特定業種での活用に強みを発揮しています。またソフトバンクも2025年度中に独自の学習データ構築と小型LLMの実用化を進めており、日本語処理の精度向上に注力してきました。

これらの先行事例から学べる成功要因の一つは、汎用性を追わずに「日本語」「特定業種」という軸で差別化した点です。英語圏のモデルをそのまま日本語に適用すると、敬語表現や業界固有の用語、日本特有の商慣習への対応が不十分になりがちですが、最初から日本語データで学習させればこの課題を解消できるでしょう。

一方、失敗に陥りやすいパターンとして、高品質な日本語学習データの絶対量が英語に比べて不足する問題があります。インターネット上の日本語コンテンツは英語の10分の1以下とも言われ、データ量の確保が技術以前のボトルネックになるケースも報告されています。新会社では産業データを補完的に活用し、この量的課題を克服する設計が不可欠です。

汎用基盤モデルを企業ごとにファインチューニングする実務フローと導入までの想定期間

新会社が開発する基盤モデルは、そのまま特定の業務に使えるものではなく、各企業が自社の用途に合わせて追加学習（ファインチューニング）を行うことで初めて実用的な性能を発揮します。この工程は一般に、データ準備・学習実行・評価・調整の4段階で構成されるのが通例です。

まずデータ準備の段階では、自社の業務データを基盤モデルが受け入れられる形式に変換し、個人情報や機密情報のマスキング処理を行います。次に学習実行の段階で、準備したデータを使ってモデルのパラメーターを微調整します。この工程には数日から数週間を要し、データセンターの計算資源を大量に消費するのが一般的です。

評価・調整の段階では、ファインチューニング後のモデルが業務要件を満たしているかを検証し、不足があれば追加データの投入や学習条件の変更を繰り返します。基盤モデルの完成からファインチューニングを経て企業の本番環境で稼働するまで、早くても3〜6か月、複雑な用途では1年以上かかる見通しが一般的です。

フィジカルAIの実用化を見据えた新会社の事業モデルと収益確保の仕組み

国産AI新会社が最終的な開発ゴールとして見据えているのが、ロボットや機械を自律的に制御する「フィジカルAI」です。対話型AIとは異なり、現実世界の物理法則を理解し、モノを動かすことに特化したこの技術は、日本の製造業にとって大きなビジネス機会を生み出す可能性を秘めています。新会社はこのフィジカルAIの基盤モデルを開発し、日本企業に利用料を課すプラットフォーム型の事業モデルで収益を確保する計画です。

フィジカルAIとは何かを製造業の現場事例で理解する基礎知識と従来AIとの5つの違い

フィジカルAIとは、仮想環境で現実世界の空間や物理法則を学習し、その知識をもとにロボットや機械を最適に制御するAI技術の総称です。従来のAIがテキストや画像の認識・生成を得意とするのに対し、フィジカルAIは「現実の物体を動かす」ことに焦点を当てています。

従来AIとの違いは5つに整理できます。第一に、学習データが「言語」ではなく「動作と空間の関係性」である点。第二に、出力が「テキストや画像」ではなく「機械の制御信号」であること。第三に、リアルタイム性が求められ、数ミリ秒単位の応答速度が必要になる点。第四に、失敗時に物理的な損害や人的被害が発生しうるため、安全性の要件が格段に厳しい点。第五に、個々の現場環境（工場のレイアウト、設備の配置、部品の形状など）に合わせたカスタマイズが不可欠な点です。

製造現場での具体例を挙げると、自動車工場の溶接ロボットが部品の微妙な位置ずれをカメラで検知し、リアルタイムでアーム軌道を修正する動作がフィジカルAIの典型的な適用例になります。従来のプログラム制御では対応できなかった「想定外の変化への自律対応」を実現する技術として注目を集めている状況です。

工場ロボット・建設機械・物流倉庫など具体的な適用領域と期待される生産性向上の数値目標

フィジカルAIの適用が見込まれる領域は多岐にわたります。工場ロボットの分野では、組立工程の自律化による生産性向上が見込まれるでしょう。現在は人間が監視・介入している工程をAIが自律的に判断できるようになれば、24時間無人稼働の実現に近づきます。建設機械の分野では、油圧ショベルやクレーンの自律運転が研究されており、危険作業からの人員撤退と工期短縮の両立が目標です。

物流倉庫では、ピッキングロボットの精度向上が最大の課題です。形状やサイズが不揃いな商品を正確につかみ、仕分ける作業は現在のロボットにとって困難ですが、フィジカルAIによって物体認識と把持動作を同時に最適化できれば、倉庫内の自動化率は飛躍的に向上するでしょう。

生産性向上の目標値について公式な発表はまだありませんが、NVIDIAのジェンスン・フアンCEOはフィジカルAI関連市場が将来的に数兆ドル規模に成長すると予測しています。日本国内に限っても、人手不足が深刻な製造業・物流・建設の3分野だけで、年間数兆円規模の省力化効果が期待される試算が複数のシンクタンクから示されています。

開発した基盤モデルを日本企業に開放して利用料を得るBtoBプラットフォーム型の収益構造

新会社の事業モデルは、開発した基盤モデルを日本企業に開放し、各企業が自社の用途に合わせてAIを利用できる環境を提供するBtoB型プラットフォームです。収益の柱は、基盤モデルの利用料（サブスクリプション型またはAPIコール課金型）となる見通しで、投資規模に見合う収益を確保することが求められています。

このモデルは、米国のOpenAIがAPIを通じて世界中の企業にGPTシリーズを提供している構造と類似していますが、大きな違いが2つあります。第一に、対象を「日本企業」に重点を置いている点。日本語や日本の商慣習に最適化されたモデルを提供することで、海外製モデルとの差別化を図ります。第二に、フィジカルAI領域に特化することで、汎用的な言語モデル市場での消耗戦を回避する狙いも見て取れるでしょう。

ソフトバンクが国産AIの開発を推進する背景には、基盤モデルの普及が呼び水となって国内のAI需要全体が拡大し、自社のデータセンター事業やAI関連サービスの売上増につながるという見通しがあります。単なる社会貢献ではなく、巨額投資に見合う利用料収入を得られるという事業判断がプロジェクトの推進力となっているのです。

ソフトバンクグループがABBロボティクス事業を約8200億円で買収した戦略的な意図

ソフトバンクグループは2025年10月、スイスの産業用ロボット大手ABBのロボティクス事業を約53億7500万米ドル（約8200億円）で買収すると発表しました。この動きは、国産AI新会社の構想と密接に関連しています。孫正義会長兼社長は買収に際して「SBGの次のフロンティアはフィジカルAIだ」と明言しており、AIとロボティクスの融合を加速させる狙いが明確です。

ABBは産業用ロボットの世界4大メーカーの一つであり、自動車工場や電子機器製造ラインへの導入実績は膨大です。同社のロボットが世界中の工場で稼働することで生み出される動作データは、フィジカルAIの学習に極めて価値の高い素材となります。ソフトバンクがこのデータ資産を手中に収めた意義は、AI開発企業としての競争優位を確立するうえで計り知れません。

また、ABBの買収はハードウェア（ロボット本体）とソフトウェア（AIモデル）を垂直統合するという戦略の一環でもあります。基盤モデルの開発だけでなく、そのモデルが搭載されるロボットの製造・販売までを自社グループ内で完結できれば、プラットフォーム収益に加えてハードウェア販売収入も見込める構造になるのです。

NVIDIAが予測する数兆ドル規模のフィジカルAI市場で日本勢が狙うべきニッチ領域

NVIDIAのジェンスン・フアンCEOは、フィジカルAIが活躍する自動運転やロボティクスの市場を「将来的に数兆ドル規模」になると予測しています。NVIDIAは日本市場にも積極的に関与しており、ファナックとのロボット制御オープン化や富士通とのAIインフラ協業など、日本企業との連携を拡大中です。

ただし、数兆ドル規模の市場を丸ごと獲得しようとするのは現実的ではありません。日本勢が狙うべきは、自国の産業構造と強く結びついたニッチ領域です。具体的には、精密機械の微細組立工程、食品加工ラインでの多品種少量対応、農業用ロボットの自律走行制御などが候補に挙がります。

これらの領域では、日本企業が持つ現場ノウハウと高精度な産業データが決定的な差別化要因になります。汎用的なフィジカルAI基盤モデルは海外勢も開発可能ですが、特定産業の現場課題を深く理解したうえでのファインチューニングは、その産業に精通した企業にしかできません。この「最後の1マイル」の最適化こそが、日本勢の勝ち筋になると考えられています。

データセンター整備に2兆円を投じるソフトバンクの計算基盤戦略と拠点選定の理由

AI開発において計算基盤の整備は、技術開発そのものと同じくらい重要な投資対象です。1兆パラメーター級のモデルを学習するには、何千台ものGPUを搭載した大規模データセンターが不可欠であり、ソフトバンクはこの基盤整備に6年間で2兆円を投じる計画を打ち出しています。拠点として北海道苫小牧市と大阪府堺市が選定されており、地理的条件やエネルギー効率の観点から戦略的な判断がなされています。

北海道苫小牧と大阪堺の2拠点を選んだ地理的条件・電力コスト・冷却効率の比較

北海道苫小牧が選ばれた最大の理由は冷涼な気候です。データセンターではGPUが発する膨大な熱を冷却する必要があり、外気温が低い北海道では冷却に要するエネルギーを大幅に削減できます。年間を通じて冷涼な気候が続く苫小牧は、電力コストの低減と脱炭素目標の両立に適した立地です。

一方、大阪堺が選定された背景には、西日本の産業集積地への近接性があります。製造業の拠点が多い関西・中部エリアから低遅延でデータを送受信できるため、リアルタイム処理が求められるフィジカルAI向けの推論処理に適しています。また、関西国際空港に近い立地は、海外からの半導体輸入や技術者の移動にも有利に働く条件です。

2拠点体制とすることで、災害時のリスク分散効果も期待できます。北海道と大阪という距離的に離れた拠点を並行稼働させれば、一方が被災しても他方でサービスを継続できるBCP（事業継続計画）対策として機能するでしょう。

2026年度までの稼働開始スケジュールと6年間で段階的に投資を進める資金計画の全体像

ソフトバンクのデータセンター整備は、2026年度中の稼働開始を目標に進められています。現在すでに苫小牧と堺の両拠点で建設工事が進行中であり、GPUの調達契約や電力確保の交渉も並行して行われていると報じられています。2兆円の投資は一括ではなく、6年間にわたって段階的に実行される計画です。

段階的投資の背景には、AI需要の成長スピードに合わせて設備を拡張するという合理的な判断があります。初年度に全容量を整備しても稼働率が低ければ投資効率は悪化するため、需要の伸びを確認しながら追加投資を行う方式が採用されています。これはクラウド事業で世界トップクラスのAWSやAzureが採用している設備投資手法と同様の考え方です。

資金計画の全体像として、初年度は建設費と初期GPU調達に集中的な投資が行われ、2年目以降はGPUの追加調達や次世代半導体への入れ替え、ネットワーク帯域の増強に予算が配分される見通しです。6年間で2兆円という規模は、日本の通信キャリア単体としては過去に例のない水準のデータセンター投資となります。

AI学習に不可欠なGPUクラスタの規模感と国内他社データセンターとの処理能力の差

1兆パラメーターのモデルを学習するためには、数千〜1万基規模のGPUを並列に接続した「GPUクラスタ」が必要です。現在の最先端GPUであるエヌビディアのH100は1基あたりの演算性能が約4ペタFLOPS（FP8精度）であり、これを数千台束ねることで学習に必要な総演算量を確保します。

国内の既存データセンターを見ると、さくらインターネットが政府補助を受けてGPUクラスタを構築中であるほか、NTTや富士通も自社向けの計算基盤を整備しています。しかし、いずれもソフトバンクが計画する規模には及ばないとされており、新会社向けのデータセンターが稼働すれば国内最大級のAI計算基盤になる見込みです。

処理能力の差は、開発できるAIモデルの品質に直結します。GPUクラスタの規模が大きいほど学習を高速に完了でき、複数のモデルバリエーションを並行して試行錯誤することが可能になります。この「実験の速度」がAI開発の競争力を決定づけるため、大規模な計算基盤の確保は後発組の日本勢にとってとくに重要なのです。

GX経済移行債を財源に活用する低消費電力AI基盤の開発方針と脱炭素目標との整合性

政府が国産AI新会社への支援財源としてGX経済移行債の活用を検討していることは、AI開発と脱炭素政策の両立を目指す方針の表れです。GX経済移行債はグリーントランスフォーメーション関連の事業に充てる国債であり、環境面での効果が求められます。これをAI開発に活用するためには、低消費電力での稼働という条件が課されることになるでしょう。

AIの学習工程は膨大な電力を消費します。大規模モデルの学習1回あたりの電力消費量は数千メガワット時に達することもあり、環境負荷の観点から批判を受けることも少なくありません。こうした背景から、国産モデルでは学習効率を高めて電力消費を抑制する技術が開発目標に組み込まれています。

具体的には、モデルの軽量化技術（蒸留・量子化）、学習アルゴリズムの効率化、再生可能エネルギーの優先活用、液浸冷却技術の導入などが検討課題に挙がっている状況です。北海道苫小牧のデータセンターでは冷涼な外気を活用した冷却システムが計画されており、従来型の空冷方式と比較して冷却に要するエネルギーを30〜40%削減できるとの見通しも示されています。

データセンターの国内集中がもたらすレイテンシ低減効果と海外クラウド依存からの脱却

フィジカルAIの実用化において、データセンターが国内に存在することの最大のメリットはレイテンシ（通信遅延）の低減です。工場のロボットをリアルタイムで制御する場合、数十ミリ秒の遅延でも動作の精度に影響を与える可能性があります。海外のクラウドサーバーを経由すると往復で100ミリ秒以上の遅延が生じることがある一方、国内のデータセンターなら10ミリ秒以下に抑制可能です。

加えて、海外クラウドへの依存から脱却することで、データ主権の確保にもつながります。現状、日本企業の多くがAWS、Azure、Google Cloudといった米国系クラウドサービスを利用しており、日本のデジタル赤字（海外ITサービスへの支出超過）は年間数兆円規模に達している状況です。国産AI基盤モデルが国内データセンターで運用されれば、この資金流出を部分的に抑える効果も見込まれます。

もっとも、すべてを国内で完結させることが最適とは限りません。海外クラウドが持つ技術力やグローバルネットワークは依然として強力であり、国産基盤とハイブリッドに活用する企業が大多数を占めるでしょう。重要なのは「選択肢がある」という状態を作ることであり、国産AI新会社の存在自体が、日本企業にとってのクラウド選択肢を広げる意義を持っています。

経産省が5年間1兆円の段階的支援を採用した狙いと過去の国策プロジェクトとの違い

国産AI新会社への公的支援は、2026年度から5年間で総額約1兆円という巨額に上ります。しかし、この支援は従来の国策プロジェクトのように一括で予算を配分するのではなく、毎年の成果を審査したうえで追加投資を判断する「段階的支援」が採用されている点に注目すべきです。過去の国家プロジェクトの失敗から得た教訓がこの設計に反映されており、納税者にとっても注目すべき仕組みです。

初年度3000億円を計上し毎年度の成果審査で追加投資を判断する段階的支援の具体的な仕組み

段階的支援の核心は、成果に連動した資金配分にあります。初年度の2026年度予算案には関連経費として3000億円超が計上される方針ですが、2年目以降の予算は前年度の開発進捗の審査結果に基づいて決定される仕組みです。技術水準が一定の基準を満たしていると判断された場合にのみ追加投資が行われるため、成果の出ない事業に対して漫然と税金を投入し続けるリスクが抑えられます。

審査基準として想定されるのは、基盤モデルのベンチマークスコア、産業応用の実証実験件数、企業からの利用申し込み件数、さらには学習効率や消費電力などの技術指標です。こうした定量的な評価基準を設けることで、支援の可否を客観的に判断できる透明性の高い仕組みが構築される見込みとなっています。

この方式は米国のDARPA（国防高等研究計画局）が採用してきた「マイルストーン型助成」に近い考え方です。DARPAはインターネットやGPSなど画期的な技術の開発を支援してきた実績があり、段階的な成果確認と柔軟な資金配分の組み合わせが、革新的な技術開発を促進するうえで有効であることが示されています。

1980年代の第5世代コンピュータ計画が失敗した3つの原因と今回の設計で改善された点

日本の国策IT プロジェクトとして最も知られる「失敗事例」が、1982年に通産省（現経産省）主導で始まった第5世代コンピュータ計画です。500億円超を投じたとされるこのプロジェクトは、当初の目標であった人工知能コンピュータの実用化を達成できないまま1992年に終了しました。その失敗原因は大きく3つに集約されます。

第一の原因は、市場ニーズとの乖離です。技術的に先進的な研究成果は生まれたものの、それを実際のビジネスに結びつける仕組みが欠如していました。第二の原因は、民間企業の事業意欲が限定的だった点です。政府主導の研究プロジェクトという性格上、参加企業にとっては「義務的な協力」の側面が強く、成果を自社事業に活用する動機が弱かったのです。第三の原因は、計画期間中に成果を検証する仕組みがなく、方向修正の機会がなかった点にあります。

今回の国産AI新会社では、これら3つの失敗要因に対する改善策が組み込まれています。市場ニーズについてはAI利用企業自身が出資する設計により、開発段階から実用化を意識した方向性が担保されるでしょう。事業意欲については、利用料収入で投資を回収するビジネスモデルが明確に設定されている点も見逃せません。成果検証については、先述の段階的支援により毎年度のチェックポイントが設けられているのです。

ラピダスへの半導体支援と国産AI新会社支援を並行する経産省の産業政策における優先順位

経産省は国産AI新会社への1兆円支援と並行して、先端半導体メーカーのラピダスにも数千億円規模の公的支援を行っています。2026年度のAI・半導体支援はラピダス、ソフトバンク中心の新会社、鴻海のAIサーバー計画が三本柱となる見通しで、総額は1兆円を超える見込みです。これにより政府のAI・半導体関連支出は累計で7兆円規模にまで膨張しています。

こうした並行支援の背景には「日本版AIサプライチェーン」の構築という大きな構想があります。ラピダスが先端半導体の国産化を担い、新会社がその半導体を使ってAI基盤モデルを開発し、産業界がそのモデルを活用してフィジカルAIを実装するという垂直統合型の産業エコシステムの実現を目指しているのです。

しかし、限られた財政資源を複数の大型プロジェクトに同時投入するリスクもあります。ラピダスの半導体量産化はまだ実現しておらず、AI新会社の基盤モデルも開発途上です。両方が計画通りに進まなかった場合の財政負担は膨大になりうるため、段階的支援による成果検証の仕組みが一層重要になっています。

民間主体で事業収益を追求する設計が従来の補助金ばらまき型と根本的に異なるポイント

今回のプロジェクトが従来の国策事業と最も大きく異なるのは、民間企業が主体となって事業収益を追求する設計になっている点です。政府は初期投資を支援しますが、事業運営そのものは新会社が独立して行い、利用料収入で持続的な運営を目指します。

従来の補助金型支援では、予算が消化されること自体が目的化しやすく、事業化後の収益性は二の次とされがちでした。今回は出資企業にメガバンクや大手製造業が含まれており、投資リターンを求める株主の目が入ることで、事業としての規律が働きやすくなっています。

ソフトバンクの宮川潤一社長は「AIが国力を決める」という危機感を繰り返し表明しており、この発言は政府への要請というよりも、自社の事業戦略としての確信に基づいています。国産AI基盤モデルの普及がデータセンター事業やAI関連サービスの需要を喚起し、投資を回収できるとの判断が、ソフトバンクを巨額投資に踏み切らせた原動力です。こうした民間企業の事業意欲が支援制度の根幹を支えており、収益性の裏付けがある点で従来型との本質的な差異が生じているのです。

2026年度予算案122兆円のうちAI・半導体関連に1兆円超を配分した財政上の判断基準

2026年度予算案は過去最大の約122兆円に達し、このうちAI・半導体関連の支出は1兆円を超える規模となりました。一般会計全体に占める割合は1%弱にすぎませんが、単一の技術分野への集中投資としては異例の水準です。この判断の背景には、AI技術が産業競争力だけでなく安全保障にも直結するという認識の変化があります。

AI技術の軍事応用が各国で進む中、基盤モデルの開発能力を持たない国は、安全保障面でも他国への依存リスクを抱えることになるでしょう。政府がAI開発支援を「一般的な産業政策」ではなく「国家安全保障に関わる戦略投資」として位置づけている点は、予算規模の正当化において重要な論拠になっています。

もっとも、122兆円の予算全体では社会保障費や国債費の膨張が大きな課題であり、AI投資の財源確保は容易ではありません。GX経済移行債の活用が検討されているのは、通常の税収だけでは賄いきれないためであり、将来世代への負担転嫁という批判も想定されます。投資効果を毎年検証する段階的支援の仕組みは、こうした財政的な懸念に対する回答でもあるのです。

製造業の産業データを国内で活用するソブリンAI構想とデータ流出リスクへの対策

国産AI新会社が追求する価値は、単なる技術開発にとどまりません。自国のデータで自国のAIを開発・運用する「ソブリンAI（主権AI）」の確立という、より大きな国家戦略に位置づけられています。米中のAI企業への依存が深まれば、日本の製造業が蓄積してきた貴重な産業データが海外に流出するリスクがあり、この危機感がプロジェクトの背景にあります。

ソブリンAIとは何かを理解するための定義と各国が自国AI開発を急ぐ安全保障上の理由

ソブリンAIとは、自国内の資源・データ・インフラでAIを開発・運用する能力を確保するという概念です。エネルギー自給率や食料自給率と同様に、AI技術においても他国への依存度を下げることが国家の自律性を保つために必要だという考え方が、この概念の根底にあります。

各国がソブリンAIを急ぐ理由は、経済と安全保障の両面にまたがっています。経済面では、AI基盤モデルの利用料として海外企業に支払う費用が膨大になりつつあり、デジタル赤字の拡大要因となっているのが実情です。安全保障面では、重要インフラの制御や防衛システムに使うAIが外国製であれば、有事の際にサービスが停止されるリスクを抱えることになります。

欧州ではフランスのMistral AIが自国発のAI基盤モデル開発を進め、EUはAI Act（AI規制法）を通じてデータ主権の確保を法的に裏付けています。中東諸国や東南アジアでも自国AIの開発構想が相次いでおり、ソブリンAIはもはや先進国だけの課題ではありません。日本がこの潮流に乗り遅れれば、AI技術における「依存国」として国際交渉上の発言力も低下しかねません。

日本の製造業が保有する産業データの種類・規模と海外AIベンダーに流出する3つの経路

日本の製造業が保有する産業データは、大きく4つのカテゴリーに分類できます。

• 設備稼働データ：機械の振動・温度・圧力のセンサー記録
• 品質管理データ：検査画像・不良品の分類記録
• サプライチェーンデータ：部品調達・在庫管理・物流の記録
• 設計・図面データ：3D CADモデル・製造仕様書

これらのデータが海外に流出する経路は主に3つ挙げられます。第一の経路は、海外クラウドサービスへのデータアップロードです。AWSやAzure上で業務システムを運用する企業は、データが物理的に海外のサーバーに保存されることになり、管轄権の問題が生じます。第二の経路は、海外AIベンダーのAPIを通じた学習データの提供で、そのデータがベンダー側でどのように利用されるかの透明性は必ずしも高くありません。

第三の経路は、M&Aや合弁事業を通じた技術移転です。海外企業による日本の製造業買収が増加傾向にある中、買収先企業が持つデータ資産が海外の親会社に移管されるリスクは現実的な脅威となっています。国産AI新会社の存在は、データを国内にとどめたままAI活用を進めるという選択肢を日本企業に提供し、これらの流出経路を部分的に遮断する効果が期待されるところです。

国産基盤モデルに産業データを学習させる場合のセキュリティ要件と認証制度の方向性

産業データをAIの学習に使用する際には、データの機密性保護が最重要課題となります。新会社が企業から預かるデータには、競合他社に知られてはならない製造ノウハウや特許出願前の技術情報が含まれる可能性があるため、厳格なセキュリティ基準が求められます。

想定されるセキュリティ要件は以下の通りです。データの暗号化（保存時・通信時の両方）、アクセス制御（データ提供企業ごとの隔離）、学習後のデータ削除保証、そしてモデルからの原データ復元防止（差分プライバシー技術の適用）といった多層的な保護措置が必要になります。

認証制度については、政府が新たな基準を策定する可能性も浮上しているところです。ISO 27001（情報セキュリティ管理）やISO 27701（プライバシー情報管理）といった国際規格をベースに、産業データ特有の要件を追加した「AI学習データ管理認証」のような枠組みが検討されると見込まれます。こうした認証を取得した事業者のみが公的支援を受けられる仕組みにすれば、データ提供企業の安心感を高める効果も見込めるでしょう。

ホンダの自動車データやソニーのセンサー技術がフィジカルAI開発に貢献できる具体的な場面

出資企業の中でもホンダとソニーグループは、フィジカルAI開発に直接的な貢献が期待される企業です。ホンダは二輪車・四輪車の開発・製造で蓄積した膨大な走行データ、衝突安全データ、エンジン制御データを保有しています。これらは自動運転AIや車両制御AIの学習に不可欠なデータであり、実車走行テストから得られた高精度な情報は、シミュレーションだけでは再現できない現実世界の物理特性を含んでいるのが特徴です。

ソニーグループは、イメージセンサーとLiDARセンサーの世界トップシェアメーカーとしての技術力を持っています。フィジカルAIがロボットの「目」として外部環境を認識する際に、ソニーのセンサー技術は中核的な役割を担うことになるでしょう。加えて、ソニー・ホンダモビリティが開発するEVブランド「AFEELA」のデータもフィジカルAI開発に活用される可能性があります。

具体的な場面として、ホンダの自動車製造ラインで稼働するロボットの動作データをフィジカルAI基盤モデルに学習させ、他の製造業にも応用できる汎用的なロボット制御モデルを構築するシナリオが有力です。ソニーのセンサーデータとホンダの制御データを組み合わせることで、「見て・判断して・動かす」という一連のフィジカルAI動作を高精度に実現できる基盤モデルの開発が期待されます。

NECの生体認証・通信インフラ技術と国産AI基盤モデルを連携させる想定ユースケース

NECは顔認証技術で世界トップクラスの精度を誇り、通信インフラや社会インフラの構築でも豊富な実績を持つ企業です。国産AI基盤モデルとの連携では、工場や物流施設のセキュリティと生産管理を統合的にAIで制御するユースケースが有望です。

たとえば、製造施設への入退室管理をNECの顔認証システムで行いながら、同時に作業者の動線データをフィジカルAIに送信し、ロボットの動作スケジュールを最適化するという統合運用が想定されます。人間とロボットが同じ空間で作業する「協働ロボティクス」の安全確保は、フィジカルAI普及の重要課題であり、NECの生体認証技術が作業者の位置と動きを正確に把握することで、ロボットの衝突回避精度を飛躍的に高められます。

さらにNECが持つ5G/6G通信インフラの技術は、工場内でのリアルタイムデータ伝送に不可欠です。フィジカルAIは大量のセンサーデータをミリ秒単位で収集・処理する必要があるため、高速・低遅延の通信環境が前提となります。NECの通信技術と国産AI基盤モデルの組み合わせは、スマートファクトリーの実現に向けた強力な技術スタックとなるでしょう。

国産AI新会社の設立が企業のAI導入判断と関連銘柄の投資戦略に与える影響

国産AI新会社の設立は、技術開発の動向にとどまらず、企業のAI導入計画や株式市場にも大きな波及効果をもたらします。国産の基盤モデルが選択肢に加わることで、これまで海外製AIの導入をためらっていた企業にとって新たな判断材料が生まれるほか、関連銘柄への投資家の注目も急速に高まっている状況です。

フィジカルAI関連銘柄として注目すべき上場企業5社の事業内容と株価動向の比較

フィジカルAI関連銘柄として市場の注目を集めているのは、新会社に直接関与するソフトバンクグループ（9984）を筆頭に、産業用ロボットのファナック（6954）、NECの独自LLM「cotomi」を展開するNEC（6701）、センサー技術で貢献が見込まれるソニーグループ（6758）、そして自動車分野のデータ提供が期待されるホンダ（7267）の5社です。

なお、株式投資にはリスクが伴い、上記は特定銘柄の推奨ではありません。フィジカルAI関連の事業がこれらの企業の業績にどの程度寄与するかは、新会社の開発進捗と市場の成長速度に大きく依存します。投資判断にあたっては、各企業の財務諸表やセグメント別の業績推移を個別に精査することが重要です。

国産AI基盤モデルの利用料体系が企業のAI導入コストを従来比でどの程度変える見通しか

現在、日本企業がOpenAIのAPIを利用する場合、トークン数に応じた従量課金が一般的で、大規模な業務利用では月額数百万円から数千万円のコストが発生するケースもあります。国産AI基盤モデルの利用料体系はまだ公表されていないものの、政府の公的支援が入っていることから、海外サービスと同等かそれ以下の価格設定が期待されるところです。

とくに製造業向けのフィジカルAIサービスでは、リアルタイム推論処理が大量に発生するため、従量課金型では費用が膨張しやすいという課題があります。新会社が月額固定制やボリュームディスカウントを導入すれば、予算の見通しが立てやすくなり、中堅企業にとってもAI導入のハードルが低下するでしょう。

加えて、国産モデルを利用する場合はデータが海外に送信されないため、データ管理コスト（セキュリティ対策費用、コンプライアンス対応費用）の削減効果も見込めます。目に見えるAPI利用料だけでなく、こうした間接コストの削減も含めた総保有コスト（TCO）の比較が、企業のAI導入判断において重要な評価軸となります。

中小製造業がフィジカルAIを導入する際に直面する初期費用・人材不足・データ整備の壁

国産AI基盤モデルが完成しても、中小製造業がすぐにフィジカルAIを導入できるわけではありません。導入に際しては3つの壁が立ちはだかります。第一の壁は初期費用です。センサーの設置、ネットワーク環境の整備、ファインチューニング用のコンサルティング費用などを合わせると、最低でも数百万円、大規模な工程改善では数千万円の投資が必要になります。

第二の壁は人材不足です。AIモデルの運用やデータ分析を担える技術者は大企業でも不足しており、中小企業においてはさらに深刻です。社内にAI専門人材を雇用するだけの給与水準を提示できない企業も多く、外部のSIer（システムインテグレーター）に依存せざるを得ない実情があります。

第三の壁はデータ整備です。フィジカルAIの精度は学習データの質に大きく依存しますが、中小製造業では設備の稼働データをデジタル化・蓄積していないケースが少なくありません。紙の作業日報や熟練工の勘に依存した管理体制からデジタルデータを収集・整備する工程は、AI導入以前に時間と費用を要する前提作業です。新会社には、こうした中小企業向けの導入支援プログラムの提供も期待されています。

メガバンク3行が出資を検討する背景と金融業界におけるAI基盤モデル活用の有望領域

みずほ銀行、三菱UFJ銀行、三井住友銀行の3大メガバンクが国産AI新会社への出資を検討していることは、金融業界にとっても注目に値する動きです。メガバンクが出資する狙いは、自社のAI活用を加速させるための技術基盤を確保することと、国産AI産業の成長に投資家として参画することの2つに集約されます。

金融業界でAI基盤モデルの活用が有望な領域は多岐にわたります。融資審査における企業評価の高度化、マーケットリスクのリアルタイム分析、マネーロンダリング検知の精度向上、顧客対応の自動化といった分野では、大量のテキストデータと数値データを複合的に処理できるAI基盤モデルが威力を発揮するでしょう。

とくに日本の銀行業務では、日本語の書類解析（決算書、契約書、稟議書）の精度が業務効率に直結するため、日本語に最適化された国産モデルの需要は高いと考えられます。海外製のモデルでは日本語の専門用語や独特の書式への対応が不十分なケースがあり、融資審査の自動化などミッションクリティカルな業務には日本語精度が高い国産モデルが適しているとの見方が出資検討の背景にあるようです。

JR東日本など非IT企業の参画が示す「AI利用者側が出資する」新しい官民連携モデルの意義

国産AI新会社にはJR東日本などの非IT企業も出資を検討しています。鉄道事業者がAI開発会社に出資するのは従来の産業構造からは意外に思えるかもしれませんが、この動きは「AI利用者が開発段階から参画する」という新しい官民連携のあり方を示した好例です。

JR東日本にとって、AIの活用余地は広範囲に及びます。列車の運行管理の最適化、駅構内の人流分析、保線作業の自動化、エネルギー消費の効率化など、鉄道インフラの運営にはフィジカルAIが直接貢献できる場面が数多く存在するためです。開発段階から参画すれば、自社のニーズを基盤モデルの設計に反映させられる利点があるのです。

この「利用者側出資モデル」の意義は、AI開発の方向性が市場ニーズから乖離するリスクを低減できる点にあります。第5世代コンピュータ計画の失敗要因の一つが市場ニーズとの乖離であったことを踏まえれば、AI基盤モデルを実際に業務で使う企業が出資者として開発に関与する仕組みは、プロジェクトの実用性を担保するうえで合理的な設計だといえるでしょう。

フィジカルAI時代に求められる人材像と企業が今から始めるべきAI活用準備の要点

国産AI新会社が基盤モデルの開発を本格化させる中で、それを活用する側の人材育成と社内体制の整備も急務となっています。フィジカルAI時代には従来のIT人材像とは異なるスキルセットが求められるほか、技術以前の組織的な準備として、業務プロセスの見直しやデータ基盤の整備が不可欠です。

製造業×AIやロボティクス×AIなど掛け算スキルを持つ人材が5年後に高評価を得る根拠

フィジカルAI時代に最も希少性が高まるのは、AI技術そのものの専門家よりも、「特定産業の業務知識×AI活用スキル」の掛け算ができる人材です。AIモデルの開発は基盤モデルの登場によって民主化が進みますが、そのモデルを特定の製造工程や物流プロセスに適用するためには、現場の業務を深く理解している必要があります。

たとえば「製造業×AI」人材とは、工場の生産管理を熟知したうえで、AIモデルのファインチューニングに必要なデータ要件を設計できるエンジニアを指します。「ロボティクス×AI」人材は、ロボットのハードウェア制御とAIの推論処理を統合的に設計できる技術者です。こうした掛け算人材は現時点でほとんど存在しないため、今から学習を始めれば5年後には市場で極めて高い評価を得られます。

国産AI新会社のプロジェクトは日本の製造業の強みを活かした領域で展開されるため、日本語でのキャリア形成が可能であり、英語圏に移動しなくてもグローバルな専門性を構築しやすいという利点があります。フィジカルAIの分野ではまだ世界的にも確立されたキャリアパスが存在しないため、早期参入のアドバンテージは極めて大きいといえるでしょう。

AI人材の年収水準と転職市場での需給バランスから見た2026年以降のキャリア戦略

AI関連人材の年収水準は、日本国内でも急速に上昇しています。大手転職サービスのデータによれば、機械学習エンジニアの平均年収は800万〜1200万円程度で推移しており、フィジカルAI分野のように需要が急増する領域ではさらなる上積みも見込まれるでしょう。米国では同等のポジションで年収3000万円を超えるケースも珍しくなく、日本企業も国際的な人材獲得競争に巻き込まれつつあります。

2026年以降のキャリア戦略として有効なのは、AI技術の「利用者」としてのスキルを磨くことです。基盤モデルの開発は限られた専門機関が担いますが、そのモデルを業務に適用する「AI活用人材」の需要はあらゆる産業で爆発的に増加します。プログラミングの高度なスキルがなくても、データの整理・分析やプロンプト設計ができる人材は、今後の転職市場で大きなアドバンテージを持てるでしょう。

また、国産AI新会社の設立に伴い、基盤モデルの応用開発やコンサルティングを手がけるSIerやAIスタートアップへの転職機会も拡大すると見られています。とくにフィジカルAIの導入支援は高度な専門性が求められるため、製造業での実務経験とAI知識の両方を持つ人材の市場価値は、従来のIT人材とは一線を画す水準に達する可能性が高いのです。

文系ビジネスパーソンでも実践できるAIリテラシー習得の3ステップと推奨学習リソース

フィジカルAIの本格的な普及に備えて、文系出身のビジネスパーソンがAIリテラシーを身につけるには、段階的なアプローチが有効です。3ステップで整理すると理解しやすくなります。

1. ステップ1：AIの基礎概念を理解する段階として、機械学習・ディープラーニング・基盤モデルの仕組みを概念レベルで把握します。数式やプログラミングは不要で、ビジネス書籍やオンライン動画教材で十分対応できます。目安期間は1〜2か月です。
2. ステップ2：実際にAIツールを業務で使ってみる段階です。ChatGPTやCopilotなどの生成AIを日常業務に取り入れ、プロンプト設計の勘所を体得します。議事録作成、市場調査の要約、提案書のドラフトなど、手軽な業務から始めるのが効果的です。
3. ステップ3：自社の業務課題をAIで解決する企画を立案する段階です。どのデータを使い、どの工程をAI化すれば効果が大きいかを検討し、社内の技術チームやSIerとの協業を主導できるレベルを目指します。この段階まで到達すれば、AIプロジェクトのリーダーとしてのキャリアが開けます。

学習リソースとしては、経済産業省が推進する「AI Quest」や、総務省の「ICTスキル総合習得教材」などの無料教材が有用です。民間の講座では、各種オンラインプラットフォームが日本語対応のAI入門コースを提供しており、費用を抑えながら体系的に学習を進められます。

自社の業務プロセスをAI導入前に棚卸しする手順と失敗しやすい3つの典型パターン

AI導入の成否を分けるのは、技術選定よりも事前の業務プロセス棚卸しの質です。AI化すべき業務を適切に特定できなければ、高額な投資をしても効果が限定的になるケースが少なくありません。棚卸しの手順は、業務フローの可視化、ボトルネックの特定、データ化可能性の評価、費用対効果の試算の4段階で進めます。

失敗しやすい典型パターンの第一は「AIに万能性を期待しすぎる」ケースです。すべての業務をAI化しようとして、効果の薄い領域にまで投資が分散し、結果としてどの工程でも成果が出ないという状態に陥ります。第二は「データが存在しないのにAI導入を決定する」ケースで、AIの学習に必要なデータの蓄積がないまま導入プロジェクトを始め、データ収集に想定以上の時間と費用がかかる失敗です。

第三は「現場の理解を得ないまま導入する」ケースです。経営層がAI導入を決定しても、実際にAIと協働する現場作業者がその目的やメリットを理解していなければ、抵抗感から利用率が上がらず、投資が無駄になります。成功する企業は、導入前に現場の声を聞き取り、AI活用の目的と効果を丁寧に共有するプロセスを必ず踏んでいるのが特徴です。

国産AI基盤モデルの正式リリースまでに企業が完了すべきデータ整備と社内体制構築の工程表

国産AI基盤モデルが正式にリリースされるのは、新会社設立から数年後と見込まれます。この準備期間を有効に活用するために、企業が取り組むべき事項を時系列で整理しました。

この工程表はあくまで目安ですが、共通して重要なのは「基盤モデルが使えるようになってから準備を始めるのでは遅い」という点です。とくにデータ整備には最低1年以上の時間を要するため、今から着手すれば基盤モデルのリリース時期と自社のデータ準備完了のタイミングを合わせることが可能になります。AI活用で先行する企業と出遅れる企業の差は、この準備期間の過ごし方で決まるといっても過言ではありません。