LASSIC Media らしくメディア

LASSIC IT事業部｜プライムベンダーとしてシステム保守・運用を受託

通信事業者がAI開発を外部委託する背景

AI開発の外部委託とは、通信事業者が自社のネットワーク運用・顧客対応・設備保守等の領域で必要とするAIシステムの企画・設計・開発・運用を、外部の専門事業者に委託する取り組みです。通信業界では、5G・IoTの普及に伴うデータ量の増加と専門人材の不足を背景に、内製と外部委託を組み合わせた開発体制を選ぶ企業が増えています。

通信事業者がAI開発を外部に委託する主な理由は、5Gの商用展開に伴うネットワーク複雑化と、それに対応できるAI専門人材の獲得難にあります。総務省「令和7年版情報通信白書」（2025年）の日本企業対象調査では、生成AIの活用方針を「積極的に活用する方針」または「活用する領域を限定して利用する方針」として定めている企業の比率が49.7%に達しています^*1。これは全業種を横断する数値ですが、通信業界もこの潮流の中にあり、AI活用は経営上の優先課題として位置づけられています。

一方で、高度なAIエンジニアの採用市場は競争が激しく、内製体制のみで開発スピードを維持することは難しい状況です。

AI開発を担うデジタル人材の確保状況は、より深刻です。情報処理推進機構（IPA）「DX動向2025」によれば、日本企業の85.1%がDXを推進する人材が不足していると回答しており、米国・ドイツと比較して著しく高い水準にあります^*2。

特にAI人材の不足は構造的な課題として認識されています。経済産業省／みずほ情報総研「IT人材需給に関する調査」の試算では、需要中位シナリオでも2030年に約12.4万人のAI人材需給ギャップが発生する見通しです^*3。AI人材数は同調査時点（2018年）の約1.1万人規模から、2030年には約12.0万人へと拡大が見込まれていますが、それでも需要の伸びに追いつかない構造です。

なお、業種別では情報通信業はDX人材を「大幅に不足している」と回答する割合が44.4%と、他業種の約60%と比較するとやや低い水準にあります^*4。これは情報通信業がDX技術の提供側としての人材を一定量保有している一方で、通信事業者がAI開発のような高度専門領域で内製のみで対応するには、なお外部の専門知見との組み合わせが現実的な選択肢となる構造を示しています。

通信事業者がAI開発に取り組む主な領域は、ネットワーク運用の自動化・効率化、顧客対応の高度化、設備保守の予知化の3つに集約されます。これらはいずれも大量のリアルタイムデータを扱うため、機械学習・深層学習の専門知識に加え、通信プロトコルや電気通信事業法に関する法規制への理解も不可欠であります。このような高度な専門性を社内だけで充足させようとすると、採用・育成コストが膨大になるだけでなく、競合他社への人材流出リスクも伴う。

こうした背景から、通信事業者の間では「AI開発の外部委託」を選択する企業が増えています。外部委託によって専門知識を持つエンジニアチームをすぐに確保でき、自社は事業戦略やデータ管理に集中できる体制を構築しやすくなります。ただし、委託先選定や要件定義のプロセスを誤ると、期待した成果を得られないリスクがあります。

通信事業者のAI開発委託：代表的な3つのパターン

通信事業者がAI開発を委託する目的は企業によって異なりますが、実際の取り組みは大きく3つのパターンに分類できます。それぞれのパターンで扱うデータ種別と必要となる法規制対応が異なるため、委託先選定の評価軸も変わります。3パターンの課題・必要技術・注意点を以下に整理します。

ネットワーク品質向上：ログデータの整備状況が委託先選定を決める

5G基地局の増加やIoT機器の普及により、ネットワークトポロジーは複雑化しています。このような状況では、障害を事前に予測して自動対処するAIシステムへの需要が高まっています。具体的には、ログデータや設備センサーデータを機械学習モデルで分析し、障害発生確率の高い箇所を事前に特定するアプローチが有効とされます。

このパターンで外部委託を検討する企業では、ネットワーク運用ログのデータ品質と蓄積量が委託先の選定基準になるケースが多く見られます。データが整備されていない状態で開発を始めると、AIモデルの精度が低くなり、運用段階での誤検知が頻発するリスクがあります。委託前にデータの可用性を精査することが成功の前提条件となります。 ネットワーク運用ログが3年以上蓄積されており、かつログ形式が標準化されている場合は、このパターンの委託に着手しやすい状態です。

顧客体験向上：個人情報保護法と電気通信事業法の二重対応が選定軸

顧客の解約（チャーン）を事前に予測し、適切なフォローを実施する取り組みは、通信事業者にとって収益維持の観点から重要な課題であります。利用データや問い合わせ履歴、料金プランの変更パターンなどを組み合わせて解約リスクを数値化するモデルの構築が、このパターンの中心となります。

このタイプの委託では、顧客情報の取り扱いが電気通信事業法の改正に伴う規制強化の対象となるため、委託先のセキュリティ体制とプライバシー保護への対応能力を事前に確認することが不可欠であります。特に、個人情報保護法と電気通信事業法の両方に準拠した体制を持つ委託先かどうかを厳しく審査する企業が多い。 自社が個人情報保護法と電気通信事業法の両方への対応体制を既に持っている場合は、このパターンが委託先と協働しやすい領域です。

設備最適化：データエンジニアリングとAI開発の両領域に対応できる委託先が必要

基地局やデータセンターの電力コスト削減を目的として、AIによるエネルギー消費の最適化を委託するパターンも増えています。気温・通信量の変化に合わせて設備の稼働状態を動的に調整するモデルを構築することで、電力使用量の削減とカーボンニュートラル目標への対応を同時に推進できます。

このパターンでは、電力データと通信量データを統合して学習するシステムの設計が必要になるため、データエンジニアリングとAI開発の両方に精通した委託先を選ぶことが重要です。また、設備の稼働制御システムとのAPI連携が伴うため、既存インフラとの統合設計を丁寧に行わないと、本番稼働後に想定外のシステム停止を引き起こすリスクがあります。 自社の設備稼働制御システムがAPI連携可能な状態にある場合は、このパターンの委託で短期間に効果を測定しやすい状態です。

AI開発委託で成果を出すための共通ポイント

通信事業者がAI開発委託で成果を出すには、3つの共通ポイントを押さえることが重要です。

①要件定義の精度を最優先にする

AI開発において要件定義の不備は、開発後半になってから大規模な設計変更を招く最も頻度の高い原因となります。「どのデータを使い」「何を予測し」「その結果をどのシステムで活用するか」という3点を開発着手前に明確にしなければ、後工程での要件追加によって工数が大きく増加する原因となります。IPA調査では、内製化を進めるにあたっての課題として「人材の確保や育成が難しい」と回答した企業が87.4%にのぼっており^*5、要件定義の精度を担保できる体制を社内・委託先双方で確保することが、開発リスクを抑える前提条件です。

②法規制への対応を設計段階から組み込む

通信業界はAIを含むシステム開発において、電気通信事業法・個人情報保護法・電波法などの規制を遵守する必要があります。開発が完成した後に「規制要件を満たしていない」と判明すると、大規模な修正コストが発生します。このリスクを回避するために、設計段階から法令対応の要件を定義し、委託先がその要件を理解・対応できる体制を持つかどうかを選定段階で確認することが不可欠であります。

③段階的なPoCアプローチで投資対効果を検証する

いきなり本番システムへのAI組み込みを目指すのではなく、まずは限定されたデータと環境でPoCを実施し、AIモデルの精度と実用性を検証するアプローチが投資リスクを大幅に下げます。PoCの段階で「このアプローチは本番に使えない」と判断できれば、大規模投資の前に方向修正が可能になります。PoCで一定の精度が確認されたのち、本番開発・段階リリースへと進む計画を初期から設計しておくことが重要です。

AI開発委託でつまずく失敗パターンと回避策

通信事業者のAI開発委託では、以下の3つの失敗パターンが特に多く見られます。それぞれの原因と回避策を整理します。

目的化リスク：業務課題の定量化なしに着手すると現場で使われません

「競合他社もAIを導入しているから」という理由で開発を始めるケースでは、解決すべき業務課題が曖昧なまま委託仕様が決まることが多い。この状況では、完成したAIシステムが実際の業務フローに組み込まれず、現場で使われないまま終わるリスクが高い。

回避策は、委託前に「このAIが解決する課題は何か」「その課題の解決で得られるビジネス効果は何か」を定量的に定義することであります。たとえば「ネットワーク障害の平均対応時間を現状から何分短縮するか」という具体的な目標を設定してから委託範囲を決めると、開発の方向性がぶれにくくなります。

業界理解の不足：技術力だけで選ぶと工期と費用が大幅に増えます

AI技術力は高くても、通信インフラの構造・プロトコル・規制環境を理解していない委託先に依頼したケースでは、開発後半に「そのデータ形式は想定していなかった」「この法規制要件は追加対応が必要」という問題が発覚し、工期と費用が大幅に増加することがあります。

回避策は、提案段階で「通信事業者向けのAI開発経験」や「通信データの処理実績」を確認することであります。実績の具体的な内容（どのような課題にどのようなアプローチで対応したか）を説明できない委託先は、通信業界固有の課題への対処能力が不十分な可能性があります。

PoC後の体制崩壊：本番開発を別予算で扱うと引き継ぎが破綻します

PoCは成功したが、本番開発フェーズで予算・人員・スケジュールの確保が難しくなり、プロジェクトが停滞するケースがあります。PoCと本番開発を別予算・別プロジェクトとして扱った場合、PoC担当者が本番には関与できない状況になり、技術的な引き継ぎがうまくいかないリスクが生じる。

回避策は、PoCと本番開発を一体の計画として立案し、PoC完了の評価基準と本番移行の条件をあらかじめ定めておくことであります。委託先との契約においても、PoC後の継続開発を前提とした体制が組めるかどうかを初期段階で確認しておくことが重要です。

通信事業者がAI開発を委託する際の実践ステップ

先のH2-3で示した3つの共通ポイント（要件定義・法規制対応・PoC）を、実際にどの順序で進めるかを5つのステップに整理します。各ステップでH2-3のどのポイントが重要になるかも併記します。

通信事業者がAI開発委託を成功させるための実践ステップは、以下の5段階で構成されます。

業務課題の特定：ビジネスインパクト×データ取得性の2軸で優先順位を決めます

まず、AI活用によって解決したい業務課題を列挙し、その中から「解決した場合のビジネスインパクトが大きく」かつ「データが取得可能な」課題を優先します。複数部門に影響する課題から着手すると、組織内の合意形成がしやすくなります。

データ調査：量・品質・更新頻度の3点を着手前に確認します

選定した課題に対して、どのデータが必要か、そのデータは実際に取得・利用できるかを確認します。データの量・品質・更新頻度が不十分な場合、AI開発に着手する前にデータ整備から始める計画を立てる必要があります。この段階でデータの実態を把握せずに進むと、後工程で致命的な問題が発生します。

委託先選定：RFPで技術力・業界理解・PMO機能の3点を評価します

候補となる委託先に対してRFP（提案依頼書）を提示し、技術提案内容・開発体制・通信業界への理解度・セキュリティ対応実績を総合的に評価します。この段階で委託先に内製では実現できない理由を説明させ、外部依頼の優位性を確認しておくことが重要です。また、プロジェクト管理体制（PMO機能の有無）も選定基準に加えると、開発が長期化した場合のリスクを低減できます。

PoC実施：精度に加えて「業務組み込みやすさ」「保守容易性」を評価軸に含めます

限定された環境でAIモデルを構築し、事前に設定した精度基準を満たすかを検証します。PoCの評価指標は「精度」だけでなく、「実業務フローへの組み込みやすさ」「システム連携の実現可能性」「保守運用の容易さ」を含めることが望ましい。PoC期間は通常2〜3ヶ月を想定し、期間と評価基準をあらかじめ明確にしておく。

本番開発と運用保守：SLA契約を本番開発と並行して締結します

PoCで確認されたモデルをベースに本番システムを構築し、段階的にリリースします。本番リリース後の運用保守体制（AIモデルの再学習スケジュール・精度劣化検知・障害対応フロー）を委託先と明確に取り決めておかないと、運用フェーズで責任の所在が曖昧になります。SLAを含む運用保守契約を本番開発と並行して締結することを推奨します。

LASSICのIT・通信向けAI開発支援サービス

LASSICのIT事業部は、IT・通信企業向けのシステム開発・保守支援において、プライムベンダーとして開発から運用保守まで一貫した支援体制を提供しています。AI開発プロジェクトにおいても、要件定義から設計・実装・テスト・本番運用まで一気通貫で対応できるエンジニア体制を整えており、初期PoC段階からの参画も可能です。

通信事業者のAI開発委託では、技術的な開発力だけでなく、プロジェクト管理・品質保証・運用設計までをカバーする体制が求められます。内製で専門エンジニアを新規採用し育成する場合、戦力化までに長期の時間を要するケースがあります。外部委託であれば、必要なスキルを持つチームを早期に確保できるため、立ち上げ期間を短縮できます。

AI開発の委託を検討する段階から、課題の整理・要件定義・委託範囲の設計まで伴走する体制でご相談をお受けしています。まずはお気軽にお問い合わせください。

ご不明な点はお問い合わせフォームからもご連絡いただけます。

1. *1　出典：総務省「令和7年版情報通信白書｜企業におけるAI利用の現状」（2025年）
2. *2　出典：独立行政法人情報処理推進機構（IPA）「DX動向2025」（2025年）
3. *3　出典：経済産業省商務情報政策局情報処理振興課／みずほ情報総研株式会社「IT人材需給に関する調査 調査報告書」（2019年3月）
4. *4　出典：独立行政法人情報処理推進機構（IPA）「DX動向2024 – 深刻化するDXを推進する人材不足と課題」（2024年7月、最終更新2025年7月）
5. *5　出典：独立行政法人情報処理推進機構（IPA）「DX動向2024」内製化に関する調査結果（2024年7月）。同調査の「内製化を進めるにあたっての課題」設問への回答結果より

Tweet