LLMとは？わかりやすく｜生成AI・ChatGPTとの関係を整理

この記事でわかること

• LLM（大規模言語モデル）とは何かと、公式の解説で確かめられる定義
• LLMが文章を作る仕組みと、学習と推論の2つの段階
• 生成AI・ChatGPT・ClaudeとLLMの関係
• LLMが得意なことと、もっともらしい誤りが出る理由
• 仕事でLLMに任せる作業を選ぶ順番

LLMとは｜大量の文章から次の言葉を予測するよう学習したAI

LLMとは、Large Language Modelの略で、日本語では大規模言語モデルと呼ばれます。Anthropicの用語集は、LLMを、多くのパラメータを持ち、膨大な量の文章データで学習し、人が書いたような文章を作ったり、質問に答えたり、情報を要約したりできるAIの言語モデルと説明しています。

LLMが中でしていることは、1つに絞ると「前の文脈を読み、次に来る言葉を予測する」ことです。同じ用語集は、Claudeの土台にあるモデルが、文書のそれまでの文脈から次の単語を予測するように事前学習されていると書いています。

ファクトボックス｜LLMの基本

大規模言語モデル（LLM）とは｜「大規模」が指すのは学習の量と部品の数

大規模言語モデルの「言語モデル」は、言葉の並び方を学んだモデルを指します。「大規模」が指すのは、学習に使う文章の量と、モデルの中で調整される数値（パラメータ）の数の2つです。

Anthropicの用語集は、LLMを「多くのパラメータを持つ」モデルと定義しています。パラメータの数や学習した文章の量は、各社が公表していないモデルも多いため、この記事では数字を挙げません。

LLMをわかりやすく例えると｜文の続きを書く大きな予測変換

LLMを身近なものに例えると、スマートフォンの予測変換を、膨大な量の文章で鍛えたものです。Googleの機械学習の入門講座も、LLMを、本質的には何千ものトークンを自動で予測して補う「自動補完（オートコンプリート）の仕組み」と説明しています。

予測変換は次の1語を候補に出すだけですが、LLMは予測した言葉を文につなげ、その文をまた読んで次の言葉を選ぶ動きを繰り返し、段落や表まで書き上げます。予測変換と違い、LLMは指示の意図を読み取って答える形に調整されている点は、次の章で扱います。

LLMの仕組み｜学習と推論の2段階で動く

LLMの仕組みは、モデルを作る段階の「学習」と、できたモデルを使う段階の「推論」の2つに分けると整理しやすくなります。学習はさらに、文章の続きを当てる練習をする事前学習と、人の指示に沿って答えるように仕上げる調整に分かれます。

LLMは、事前学習で予測の力をつけ、調整で答える形を覚え、推論で1語ずつ文章を組み立てます。

事前学習｜大量の文章で、次の言葉を予測する練習をする

事前学習は、ラベルの付いていない大量の文章を使って、言語モデルを最初に学習させる工程です。Anthropicの用語集によると、Claudeの土台にあるモデルは、文書のそれまでの文脈から次の単語を予測するように事前学習されています。

事前学習を終えただけのモデルは、質問に答えたり指示に従ったりするのが得意ではありません。同じ用語集は、こうしたモデルから望む動きを引き出すには、プロンプトの高い技術が要ることが多いと書いています。

調整｜人の指示に沿って答えるように仕上げる

Claudeの場合、事前学習のあとには、追加のデータで学習を重ねるファインチューニングや、人の評価を使う強化学習（RLHF）で、モデルを使いやすく仕上げます。RLHFでは、人が2つ以上の文章の例に順位を付け、順位の高い文章に近い出力を選ぶようにモデルを学習させます。

Anthropicは、Claudeが素の言語モデルではなく、役に立つアシスタントとしてファインチューニング済みだと説明しています。Claudeに話しかけると会話として返ってくるのは、この調整を経ているためです。

推論｜質問を読み、1語ずつ文章を組み立てる

推論は、学習を終えたモデルに質問や指示を渡し、答えの文章を1語ずつ（正確にはトークンずつ）作らせる段階です。Googleの機械学習の入門講座は、文章を生成する構成（デコーダーのみの構成）のモデルが、すでに生成した文章をもとに新しいトークンを生成すると説明しています。

LLMは、候補ごとの確からしさをもとに次の言葉を選び、温度という設定で、確からしい候補にどれだけ寄せるかが変わります。Anthropicの用語集は、APIで温度を0にしても、同じ入力から毎回同じ出力が返るとは限らないと書いています。同じ質問で答えが少しずつ変わるのは、この選び方が主な理由の1つです。

文章を数える単位と、一度に読める量

LLMは、文章を文字のまま読むのではなく、トークンと呼ぶ単位に区切って処理します。Anthropicの用語集は、トークンを言語モデルの最小の単位とし、単語・単語の一部・文字・バイトのいずれにも当たりうると説明しています。

LLMが一度に読める量にも上限があり、これをコンテキストウィンドウと呼びます。同じ用語集は、コンテキストウィンドウを、モデルが学習に使った大量のデータとは別の「作業用の記憶」と説明しています。

トークンの数え方や、料金・文字数の上限との関係は、生成AIのトークンとは？｜料金と文字数の上限が決まる仕組みで扱っています。

生成AI・ChatGPTとLLMの関係｜LLMは生成AIのうち文章を扱う種類

生成AI・ChatGPT・LLMは、同じものを指す言葉ではありません。生成AIは技術の広い呼び名、LLMはそのうち文章を扱うモデル、ChatGPTやClaudeはLLMを使いやすく仕立てたサービスと分けると、3つを区別できます。

この3つの分け方は、本記事での言葉の使い方です。日常の会話では、「生成AI」がLLMやChatGPTだけを指して使われることもあります。

ChatGPTやClaudeはLLMを中心に組み立てたサービスで、LLMは生成AIのうち文章を扱う種類です。

生成AIのLLMとは｜文章・画像・音声のうち、文章を担うモデル

生成AIは、学んだデータをもとに新しい文章・画像・音声などを作るAIをまとめた呼び名です。そのうち、文章を読み書きするモデルがLLMで、画像を作るモデルや音声を扱うモデルは、LLMとは別の種類として呼び分けられます。

最近の対話のサービスは、画像を読み取ったり、画像や音声を扱う機能を足したりしています。サービスの名前が同じでも、中で動くモデルは機能ごとに分かれていることがあるため、「ChatGPT＝LLM」と言い切らないほうが話がずれません。

ChatGPTとLLMの違い｜モデルとサービスを分けて考える

ChatGPTは、OpenAIが提供する対話のサービスの名前で、LLMはその中で返事の文章を作るモデルの種類です。Anthropicの用語集は、自社のClaudeについて、RLHFなどで調整した大規模言語モデルをもとにしたAIアシスタントだと説明しています。

サービスとモデルを分けて考えると、社内の会話がかみ合いやすくなります。「ChatGPTは使ってよいか」はサービスの契約と設定の話で、「LLMはどこまで正しく書けるか」はモデルの性質の話です。

LLMは返事の文章まで｜作業を進めるのは周りの仕組み

LLMが作るのは、返事の文章です。ファイルを開く・メールを送る・表を更新するといった作業は、LLMの周りにある道具や仕組みが、LLMの書いた指示を受けて行います。

当社の研修の第1回は、この違いを「ChatGPTは『答え』まで、Claude Codeは動いて終わらせる」と教えています。チャットで質問して答えを受け取る使い方では、LLMの仕事は答えの文章で終わります。Claude Codeのように周りの仕組みが付くと、作業まで進みます。

ChatGPTにも作業を進める機能が加わっており、違いは製品名より使い方で見ます。Claude Codeが指示を作業に変える流れは、Claude Codeの仕組みとは｜指示が作業になるまでの4つの段階で扱っています。

LLMが得意なこと・苦手なこと｜もっともらしい誤りが出る理由

LLMが得意なことと苦手なことは、「次の言葉を予測する」という仕組みから分けて考えられます。LLMは、文として自然な続きを選ぶのは得意ですが、書いた内容が事実と合っているかを自分で保証する仕組みは持っていません。

得意なこと｜文章の形を整える作業

Anthropicの用語集は、LLMができることとして、人が書いたような文章を作る・質問に答える・情報を要約するなどを挙げています。仕事に置き換えると、次のような作業がLLMの得意な範囲です。

• 下書き：メールや報告書のたたき台を作る
• 要約：長い資料や議事録の要点を短くまとめる
• 言い換え：硬い文をやわらかくする、敬語に直す、英語を日本語にする
• 形の変換：箇条書きを表にする、文章から項目を抜き出して一覧にする

どれも、元になる材料が手元にあり、出来上がりの形を人が見て判断できる作業です。

苦手なこと｜事実の正しさと、学習していない情報

LLMが苦手なのは、書いた内容が事実かどうかを保証することです。Anthropicのドキュメントは、高度な言語モデルでも、事実と違う文章や、渡した資料と食い違う文章を作ることがあり、これをハルシネーションと呼ぶと説明しています。Googleの機械学習の入門講座も、LLMはハルシネーションを起こし、予測に誤りが含まれることが多いと書いています。

もう1つの苦手は、学習に使った文章に無い情報です。社内の規程や先週の会議の内容のように、学習の時点でモデルが読んでいない情報は、質問に添えて渡さない限り、LLMの答えには入りません。質問の前に社内文書を検索して渡す仕組みは、冒頭で紹介したRAGの記事で扱っています。

LLMは文章の形を整える作業が得意で、事実の正しさは人が確かめる前提で使います。

ハルシネーションが起きる理由｜「自然な続き」と「正しい内容」は別

ハルシネーションが起きる理由は、仕組みから考えると説明がつきます。LLMは、前の文脈から確からしい続きの言葉を選んで文章を作るため、文として自然であることと、内容が事実として正しいことが、別々に決まります。

たとえば、学習した文章にほとんど出てこない人物や会社について聞くと、LLMはそれらしい経歴や数字を、自然な文で書いてしまうことがあります。文が整っているほど誤りに気づきにくくなるため、事実を含む答えほど、元の資料と見比べる手間が要ります。

この説明は、公式の解説をもとに当社が整理したものです。ハルシネーションの原因の研究は各社で続いており、ここでは仕事で使う判断に要る範囲にとどめます。

誤りを減らす頼み方｜「わからない」と言ってよいと伝える

Anthropicのドキュメントは、ハルシネーションを減らす基本の方法として、次の3つを挙げています。

• わからないときは「わからない」と答えてよいと、はっきり伝える
• 長い資料を扱うときは、先に資料から原文をそのまま抜き出させ、その引用をもとに答えさせる
• 答えの1つずつに引用と出典を付けさせ、裏付けが見つからない主張は取り下げさせる

同じドキュメントは、これらの方法でハルシネーションは大きく減るものの、なくなるわけではないと注意しています。重要な判断に使う情報は、人が確かめる前提を外さないでください。

仕事でLLMに任せる順番｜確かめやすい作業から

仕事でLLMに任せる作業は、出来上がりを人が確かめやすい順に選ぶと、誤りを見逃しにくくなります。得意・苦手の章で見たとおり、LLMは文章の形を整えるのが得意で、事実の正しさは保証しないためです。

ここでは、作業を確かめやすさで3段に分けます。この3段は本記事の整理で、各社の公式の分類ではありません。

1段目から始めると、LLMの書きぶりの癖と、誤りが出やすい場面を、確かめる手間の小さいうちにつかめます。3段目の作業を任せるときは、前の章の「わからないと答えてよい」「引用と出典を付けさせる」頼み方を組み合わせ、最後は人が原典を開いて確かめます。

どの段の作業でも、LLMが書いた文章を社外に出す前に、誰が読んで確かめるかを決めておきます。LLMの答えは、確かめる人がいて初めて仕事の成果物になります。

社員がAIに任せる作業の選び方と、人が確かめる手順を社内でそろえたい方は、自社で使えるヒントを、20の実例から探すからご確認いただけます。

自社で使えるヒントを、20の実例から探す

LLMの限界と、この記事で解けないこと

LLMの限界は、仕組みの章と得意・苦手の章で見た2点に集まります。書いた内容の正しさを保証しないことと、学習していない情報を知らないことです。この章では、それに加えて、この記事の範囲では答えられないことを書いておきます。

公式の解説に書かれている限界

• ハルシネーション：事実と違う文章や、渡した資料と食い違う文章を作ることがある。紹介された方法で大きく減るが、なくなりきらない
• 答えのばらつき：APIで温度を0にしても、同じ入力から毎回同じ出力が返るとは限らない
• 読める量の上限：一度に読めるのはコンテキストウィンドウの範囲まで
• 偏り：Googleの機械学習の入門講座は、LLMにも、ほかの機械学習のモデルと同じように、さまざまな偏りが出うると書いている

この記事で扱わないこと

• どのモデルが自社の業務に向くかの比較：モデルの性能は版ごとに変わるため、この記事では扱いません
• 社内の情報をLLMに入れてよいかの判断：契約や設定によって扱いが変わります。考え方は生成AIに機密情報を入れて大丈夫？｜学習させない設定と、入力してよい範囲の決め方で扱っています
• LLMを自社で作る・学習させる方法：この記事は、できあがったLLMを仕事で使う側の話にとどめます

LLMに関するよくある質問

Q. LLMとAIは同じ意味ですか

A. LLMは、AIのうち文章を扱うモデルの1種類で、AIと同じ意味ではありません。 AIは、画像を見分けるAIや数値を予測するAIなども含む、広い呼び名です。

Q. LLMは、質問のたびにインターネットを調べて答えていますか

A. LLMそのものは、学習した内容と、質問と一緒に渡された情報から答えを作ります。 ウェブを検索して答える機能は、LLMの周りのサービスや道具が行うもので、使っているサービスの設定によって変わります。

Q. 同じ質問をしても、答えが毎回少し変わるのはなぜですか

A. LLMは、次に来る言葉を候補の確からしさから選ぶため、答えが変わることがあります。 Anthropicの用語集によると、APIで温度を0にしても、出力が毎回完全に同じになるとは限りません。

Q. LLMの答えは、どこまで信用してよいですか

A. 文章の形は信用しやすい一方で、事実や数字は人が原典で確かめる前提で使います。 わからないときは「わからない」と答えさせ、答えに出典を付けさせると、確かめる手間を減らせます。

LLMとは何か｜総括表

関係の分け方と、任せる順番の3段は本記事の整理で、各社の公式の分類ではありません。

まとめ｜LLMとは何か、仕事でどう使い始めるか

LLMは文の続きを当てる仕組みで返事を書くため、形は整っても中身の正しさは人が見ます。

LLMを社内で説明し、仕事で使い始めるなら、次の3つから始められます。

1. 今日：「生成AI」「LLM」「ChatGPT」の3つの言葉を、この記事の関係の図を使って、同僚に1分で説明してみる
2. 今週中：自分の仕事からLLMに任せる作業を1つ選び、任せる順番の表の3段のどこに当たるかを決める
3. 今週中：その作業を頼むとき、「わからなければ、わからないと答えてください」と「根拠の引用を付けてください」の2文を足して試す

最後に、社内で自分に問える1問を置きます。御社でLLMに任せている作業について、その答えを誰がどの資料で確かめているかを、作業ごとに言えますか。

• LLM（大規模言語モデル）は、大量の文章で学習し、前の文脈から次に来る言葉を予測して文章を作るAIです。ChatGPTやClaudeは、LLMを使いやすく仕立てたサービスです
• 生成AIは文章・画像・音声などを作るAIの広い呼び名で、LLMはそのうち文章を扱う1種類です。ChatGPTのようなサービスは、LLMに会話の画面や道具を組み合わせています
• LLMは、もっともらしい文章を作るのが得意な一方で、事実と違う内容をそれらしく書くことがあります。仕事では、人が確かめやすい作業から任せるのが基本です

社員がAIに任せる仕事と、人が確かめる手順を社内でそろえるなら、自社で使えるヒントを、20の実例から探すからご確認いただけます。

自社で使えるヒントを、20の実例から探す

Claude Codeで業務がどう進むかを画面で見てから決めたい場合は、初回無料体験講座もあります。

無料体験講座を申し込む ▶

この記事について

本記事は、法人向けにClaude Codeの研修を提供するDAIJOBUが、LLMの仕組みと、仕事で任せる作業の選び方を、AnthropicとGoogleの公式の解説に沿って整理したものです。