LASSIC Media らしくメディア

LASSIC IT事業部｜元請（プライムベンダー）としてシステム保守・運用を受託

AI開発委託と開発チーム構築を並走させる意義

AI開発の委託と開発チーム構築の並走とは、機械学習・生成AI領域の開発を専門パートナーに委託しながら、社内に段階的なAI開発チームを立ち上げ技術を蓄積していく体制設計を指します。丸投げ委託では技術が自社に残らず、完全内製化では人材確保に長期間を要するという課題を、「協働内製化」という第三のアプローチで解決する方向性です。

総務省「令和7年版 情報通信白書」（2025年）によると、生成AIを「積極的に利用している」または「利用方針を定めて利用している」と答えた企業の割合は2024年度で49.7%（2023年度42.7%）でした（日本・米国・ドイツ・英国の4か国対象）^*1。AI活用が加速する一方、同白書では「活用方法が不明確」「社内人材が不足」が主要課題として挙がっています。

経済産業省「IT人材需給に関する調査」（2019年公表）では、2030年時点のIT人材不足を上位シナリオで約79万人と推計しています^*2。AI・データ分野の専門人材はその中でも確保が難しいカテゴリの一つです。

この状況では、AI人材の採用だけで内製化を完結させようとすると、採用自体が長期プロジェクトとなります。委託先の専門家と並走しながら社内チームのスキルを積み上げていく方法が、現実的な選択肢として注目されています。

委託しながら内製チームを育てる4つの役割分担モデル

委託と内製化の組み合わせ方は一様ではありません。自社のAI成熟度・予算・タイムラインに応じて、4つの役割分担モデルから選択することになります。どのモデルでも、委託先との「技術移転の合意」を契約・体制設計の段階で明確にしておくことが前提です。

①フル委託＋OJT型（観察学習）

委託先がすべての開発作業を担い、社内メンバーはレビューや進捗確認に参加する形です。社内への技術負担は最小ですが、プロジェクトが終わった後に自社にノウハウが残りにくいという特徴があります。

AI活用を初めて試みる段階では、まず動くプロトタイプを作ることを優先してこのモデルを選ぶケースがあります。ただし、複数プロジェクトをこのモデルのままで続けると委託費が積み上がり続けます。

②協働開発型（コード・設計を共同所有）

委託先と社内チームがペアでコーディング・設計レビューを行い、成果物の知識を双方が持つ進め方です。社内エンジニアが実際のAI開発コードに触れることで、技術理解が促進されます。

この形式では、社内メンバーが週あたり一定の工数をプロジェクトに充てられる体制が前提となります。工数確保が難しい状況で無理に進めると、形骸化しやすいため注意が必要です。

③技術移転型（ドキュメント・研修付き）

委託先が開発と並行して設計書・技術仕様書・社内向け研修資料を整備し、開発終了時に一括で知識移転する方法です。明確な内製化期限がある場合や、育成投資を戦略的に行う場合に向いています。

技術移転の品質は委託先の体制・意欲に大きく左右されます。契約段階で「移転成果物の範囲・品質基準・確認方法」を明文化しておくことが大切です。

④段階的引き継ぎ型（フェーズごとに内製化範囲を拡大）

フェーズ1は委託先主導・フェーズ2は協働・フェーズ3は社内主導と、プロジェクトの進行とともに社内の担当範囲を広げていく方式です。中長期で内製化比率を計画的に高められるため、3年以上の視点で体制設計をする場合に適しています。

フェーズ移行時の引き継ぎが失敗しやすいポイントです。移行判定基準（社内メンバーが何をできれば次フェーズに進むか）を事前に定めておくことで、移行失敗のリスクを下げられます。

社内AI開発チームの構成と必要スキルセット

AI開発チームの人数・役割構成は、会社規模や開発の目的によって異なります。ここでは、AI開発に本格的に取り組む場合の「最小実効チーム」の考え方を整理します。

最小実効チームの役割構成

実務上、機械学習・生成AIの開発プロジェクトを自走させるには、以下の役割が必要とされます。

• プロジェクトオーナー（PO）：ビジネス要件の定義・優先順位付け・投資対効果の管理
• MLエンジニア（機械学習エンジニア）：モデル設計・学習・チューニング・評価
• データエンジニア／アナリスト：学習データの収集・前処理・品質管理
• インフラ担当（MLOps）：学習環境・デプロイ環境・監視・再学習パイプラインの管理
• セキュリティ担当：データガバナンス・プライバシー・アクセス管理

MLOps（機械学習モデルの開発・デプロイ・運用を継続的に管理する手法・基盤）は、モデルを本番環境で安定稼働させ続けるために欠かせない機能です。初期段階では外部パートナーが担うことが一般的ですが、長期的には社内に知見を持つ担当者が必要になります。

採用・育成の現実的な工数

IT人材の不足は業界全体の課題です。経済産業省「IT人材需給に関する調査」（2019年）では、2030年時点のIT人材不足を上位シナリオで約79万人と推計しています^*2。AI・データ分野はその中でも競争が激しいカテゴリで、即戦力の採用には相応のリードタイムが生じます。

現実的な対処としては、社内の既存エンジニアをAI領域にリスキリングする方法と、委託先との協働でOJT的に育成する方法の組み合わせが挙げられます。委託先から吸収すべきスキルをあらかじめリスト化しておくことが、育成計画の精度を高めます。

委託先から吸収すべきスキルリスト

• データ収集・クレンジング・ラベリングの手法と品質基準
• モデル選定・ハイパーパラメータ調整・評価指標の設定方法
• 生成AIのプロンプトエンジニアリング・RAG（検索拡張生成。社内文書を参照して回答精度を高める手法）の設計
• MLOpsパイプライン（CI/CDと機械学習の継続的な学習・デプロイの自動化）の設計と運用
• セキュリティ・プライバシー設計（個人データの取り扱いルール、アクセス権限管理）

これらを委託プロジェクトの中で吸収できる体制を設計することが、長期的な内製化コストの削減につながります。

段階的内製化ロードマップ（3フェーズ）

委託と内製化の並走を計画的に進めるには、3つのフェーズで設計するアプローチがよく用いられます。以下の期間はあくまで目安であり、プロジェクト規模・チームの習熟速度・組織の意思決定速度によって大きく変わります。

フェーズ1：PoC（概念実証）委託・チームアサイン（初期段階）

まず小規模なPoC（Proof of Concept＝概念実証。本番導入前に技術的実現可能性を検証するための小規模な試作）を委託先と共同で進めます。この段階での社内チームの役割は、ビジネス要件の定義・データの提供・成果物のレビューです。

PoCを通じて、自社のデータ品質・業務フローのどこにAIが効果的かを把握します。委託先との「技術移転の合意」もこの段階で契約に盛り込んでおくことが大切です。

失敗リスクの観点では、データ整備が不十分なままPoC着手すると、委託先の作業時間の大部分がデータクレンジングに費やされます。AI学習に使えるデータを事前に整理しておくことが、PoCの成功率を高めます。

フェーズ2：協働開発・スキル移転・KPI設計（中期段階）

PoCの結果を受けて本格開発に移行する段階です。委託先がリードしつつ、社内メンバーがコードレビュー・設計議論・テスト設計に参加する「協働開発型」を採用します。

この段階でKPI（Key Performance Indicator＝重要業績指標）を設計しておくことが欠かせません。「モデルの精度が◯%以上」「処理時間が◯秒以内」といった数値目標と、それを継続的に監視する仕組みをフェーズ2の終わりまでに整備します。

同時に、委託先から技術ドキュメント・コードレビューセッション・社内向け勉強会を通じてスキル移転を進めます。社内メンバーの習熟度を定期的に評価し、フェーズ3への移行可否を判断する基準も設けます。

フェーズ3：内製比率拡大・委託はスポット活用（長期段階）

社内チームが主体となって開発・運用を担い、委託先を新技術調査・難易度の高い機能追加・社内研修の講師などスポット用途に限定していく段階です。

この段階でも委託先との関係を完全に切る必要はありません。AI技術の進化は速く、生成AIの新しいモデルや手法が次々と登場します。最新技術の評価・活用方法の調査については、引き続き外部専門家と連携する体制が実態に即しています。

AI開発委託先の選び方｜チーム構築視点の5つの確認軸

AI開発委託先の選定では、「技術力」だけでなく「チーム構築を支援できるパートナーか」という視点が重要です。以下の5つの確認軸で評価することをお勧めします。

確認軸1：技術移転・ドキュメント整備の方針

委託先が開発成果物のドキュメント整備・社内向け説明会・コードコメントの充実を標準サービスとして提供しているかを確認します。技術移転を明示的に行わない委託先では、プロジェクト終了後も「次の開発は再び委託が必要」という状況が続きます。

提案書やヒアリングで「成果物として何が納品されるか」を具体的に確認することが有効です。仕様書・設計書・テストコード・運用手順書の有無と品質レベルを事前に確かめましょう。

確認軸2：元請（プライムベンダー）か再委託か

AI開発の委託先が「元請（プライムベンダー）」として発注企業と直接契約し、プロジェクト全体を管理する立場かどうかを確認します。再委託（サブコン）主体の体制では、意思決定の経路が長くなり、技術情報が発注企業に届きにくくなります。

特に内製化を目指す場合、技術的な判断をできる担当者と発注企業が直接コミュニケーションできる体制が不可欠です。

確認軸3：MLOps・データ管理の実績

モデルを作るだけでなく、本番環境で安定稼働・継続改善できる体制があるかを評価します。MLOpsの知見がない委託先では、モデルの精度劣化・インフラ障害への対応が遅れるリスクがあります。

「過去に本番導入したAIシステムの運用事例があるか」「再学習・モデル更新の仕組みを設計した経験があるか」を具体的に確認することが大切です。

確認軸4：プロトタイプ〜本番化の一貫対応

PoCで終わらず、本番環境への導入・運用フェーズまで一貫して対応できるかを確認します。プロトタイプ専門の委託先では、本番化の段階で別ベンダーへの移行が必要となり、引き継ぎコストと技術断絶が生じます。

内製化を進める観点でも、同一の委託先がPoC→本番化→スキル移転を一貫して担うほうが、社内チームへの知識移転がスムーズです。

確認軸5：セキュリティ・データガバナンス体制

AI開発では学習データに個人情報・機密情報が含まれるケースがあります。データの取り扱いポリシー・アクセス権限管理・外部送信ルール・情報漏洩発生時の対応手順を明確に持つ委託先を選ぶことが前提条件です。

特に生成AIを活用する場合、入力データが外部のAIサービスに送信されるリスクについて、委託先の利用ガイドラインと自社のデータ分類基準を照合することが大切です。

委託先の選定で見落とされがちなのが「自社チームとの相性」です。技術力・実績が優れていても、社内メンバーとのコミュニケーション頻度・ドキュメント整備の習慣・知識共有の文化が合わないと、内製化への移行が滞ります。試験的な小規模プロジェクトで協働してみることが有効です。

委託費用の目安については、AI開発の範囲・規模・技術難易度によって大きく異なります。市場参考値として、PoC規模の小規模プロジェクトと本番導入規模のプロジェクトでは桁が変わることも珍しくありません（一次資料での確定相場は本稿では確認できないため、委託先からの個別見積もりを取得してください）。

まとめ｜委託×内製化の3つの判断軸

本稿では、AI開発の委託と社内チーム構築を並走させる「協働内製化」モデルを整理しました。要点を3つに集約します。

第一に、役割分担モデルの選択が出発点です。フル委託・協働開発・技術移転・段階的引き継ぎの4モデルから、自社のAI成熟度と内製化目標に合ったものを選ぶことが、チーム構築の方向性を決めます。

第二に、段階的ロードマップの設計が不可欠です。PoC→協働開発→内製拡大の3フェーズを、フェーズ移行の判定基準とともに設計しておくことで、内製化の進捗を管理できます。

第三に、委託先を「チーム構築パートナー」として評価することです。技術力だけでなく、技術移転の姿勢・元請（プライムベンダー）としての責任体制・MLOps実績の5軸で選定することが、長期的な内製化の成否を左右します。

よくある質問

著者：テレリモ総研編集部　鈴木 亮佑

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）」（2025年）
2. *2　出典：経済産業省「IT人材需給に関する調査」（2019年）

Tweet