LLM（大規模言語モデル）とは？生成AIとの違いや仕組みをわかりやすく解説

LLMとは、大規模言語モデル（Large Language Model）の略で、読み方は「エルエルエム」です。膨大な文章を学習し、人間のように自然な文章を生成できるAIモデルであり、生成AIを支える中核技術にあたります。

本記事では、LLMの意味や生成AIとの違い、文章が作られる仕組み、具体的なサービス例、そして課題までを、専門用語をかみ砕いて解説します。まず全体像をつかめば、AIをどう使うべきかの判断がしやすくなります。

この記事でわかる内容は、以下のとおりです。

なお、自社でのAI活用について相談したい場合は、記事末尾からお問い合わせいただけます。まずは本記事でLLMの基本を押さえてください。

LLM（Large Language Model／大規模言語モデル）の概要

まずは、LLMが何かを大づかみに理解しましょう。名前は難しそうに見えますが、やっていることはシンプルです。ここでは、LLMの意味と、生成AIとの関係を押さえます。

この見出しでは、以下の2つを解説します。

LLMとは？

LLMとは、Large Language Modelの略で、日本語では「大規模言語モデル」と訳します。読み方は「エルエルエム」です。膨大な量の文章を学習し、その言葉のパターンをもとに、自然な文章を生成できるAIモデルを指します。

私たちが普段使っているChatGPTなどの生成AIは、多くがこのLLMを基盤にしています。AIが質問に答えたり文章を書いたりできるのは、LLMが大量の文章から言葉の使い方や文脈を学習しているからです。生成AIの「頭脳」にあたる存在です。

A large language model (LLM) is a specialized machine learning model constructed using a transformer architecture, a category of deep neural networks. LLMs are primarily designed for predicting the next word in a sequence.
（大規模言語モデル（LLM）とは、深層ニューラルネットワークの一種であるTransformer構造を用いて作られた、専門的な機械学習モデルである。LLMは主に、文の並びにおける「次の単語」を予測するために設計されている。）

引用元：Braun et al.「Trust, Accountability, and Autonomy in Knowledge Graph-based AI」（arXiv:2310.19503）

読者がまず押さえるべきは、LLMが言語に特化したAIである点です。あらゆるAIではありません。文章を扱うことに長けた技術だと理解すると、この後の説明が頭に入りやすくなります。

LLMをたとえるなら「膨大な文章を読んだ“予測”の達人」

LLMをひと言でたとえるなら、膨大な文章を読み込んだ「次の言葉を予測する達人」です。LLMは、これまで読んできた大量の文章をもとに、「この流れなら次はこの言葉が来る」という予測を積み重ねて文章を作ります。

たとえば「空が」と入力されれば、続きに「青い」「曇っている」といった自然な言葉を高い精度で予測します。人間が経験から言葉を選ぶのに似ていますが、その材料が桁違いに多いのが特徴です。この予測の精度が、自然な文章を生み出します。

読者が理解すべきは、LLMの核が「予測」である点です。意味を完全に理解しているわけではありません。膨大な学習にもとづく高度な予測、というイメージを持つと本質をつかめます。

LLMと生成AIとの違い

LLMと生成AI、そしてAIは、混同されやすい言葉です。結論から言うと、AIが最も広く、その中に生成AI、さらにその中の言語担当がLLM、という包含関係にあります。まず、以下の表で整理します。

用語	指す範囲	具体例
AI	人工知能全般を指す広い総称	画像認識・音声認識・自動運転など
生成AI	文章・画像・音声などを生成する技術	文章生成・画像生成・音声合成
LLM	生成AIのうち言語（文章）を担う技術	ChatGPT・Claude・Geminiの基盤

AIは、人工知能全般を指す最も広い言葉です。その中で、新しく何かを生み出す技術が生成AIです。さらにそのうち、文章（言語）を担うのがLLMにあたります。ChatGPTは、このLLMを使って作られたサービスです。

読者が押さえるべきは、3つの言葉の大小関係です。同じ意味ではありません。AI＞生成AI＞LLMという入れ子の関係で捉えると、混同せずに理解できます。

LLMでできること

LLMは、言葉に関わるさまざまな作業をこなせます。1つの技術で複数のタスクに対応できる点が、大きな強みです。ここでは、代表的な4つのできることを解説します。

We consider an ability to be emergent if it is not present in smaller models but is present in larger models.
（私たちは、ある能力が「小さなモデルには存在しないが、大きなモデルには存在する」場合、その能力を創発的（emergent）とみなす。）

引用元：Wei et al.「Emergent Abilities of Large Language Models」（2022, arXiv:2206.07682）

LLMが得意とする主なタスクは、以下のとおりです。

できること	内容	活用イメージ
生成	ゼロから文章を作る	メール・記事・企画のたたき台
要約	長い文章を短くまとめる	資料や議事録の要点整理
翻訳	多言語間で訳す	海外情報の把握・多言語対応
分類	内容を判定し仕分ける	問い合わせの振り分け・感情分析

この見出しでは、以下の4つを解説します。

できること①｜生成

LLMの代表的な機能が、文章の生成です。指示に応じて、ゼロから文章を作り出せます。メールや記事、企画書のたたき台など、幅広い文章に対応します。

たとえば「新商品の紹介文を書いて」と伝えれば、目的に合った文章を提案します。白紙から書き始める負担を減らせるため、作成のスピードが上がります。下書きづくりの相棒として活躍します。

読者が押さえるべきは、たたき台づくりでの活用です。完成品を任せきりにしません。生成された文章を土台に、人が仕上げる使い方が効果的です。

できること②｜要約

LLMは、長い文章を短くまとめる要約も得意です。大量の資料や議事録から、要点だけを抽出できます。全体を読む時間がないときに役立ちます。

たとえば、数ページの資料を数行にまとめさせれば、短時間で概要をつかめます。情報過多の時代に、必要な要点へ素早くたどり着く助けになります。読む労力を大きく減らせます。

読者が取るべき行動は、概要把握での活用です。細部まで任せません。要約で全体をつかんだうえで、重要な部分は原文で確認する使い方が安全です。

できること③｜翻訳

多言語間の翻訳も、LLMの得意分野です。単語を置き換えるだけでなく、文脈をふまえた自然な訳文を作れます。海外の情報を扱う場面で力を発揮します。

たとえば、海外の記事を日本語で読んだり、日本語のメールを英語にしたりできます。文脈を考慮するため、機械的な直訳よりも読みやすい訳になります。言語の壁を下げる手段になります。

読者が押さえるべきは、文脈をふまえた訳が得られる点です。完璧ではありません。重要な文書では、訳文を人が確認する前提で使うと安心です。

できること④｜分類

LLMは、文章の内容を判定して仕分ける分類もできます。カテゴリ分けや、感情がポジティブかネガティブかの判定などが可能です。大量の情報を整理する場面で役立ちます。

たとえば、問い合わせ内容を種類ごとに振り分けたり、口コミの感情を分析したりできます。人が一件ずつ仕分ける手間を、大幅に減らせます。業務の効率化につながります。

読者が取るべき行動は、仕分け作業での活用です。判断を丸投げしません。分類の結果を確認しながら使うことで、業務の効率と正確さを両立できます。

LLMが文章を生成するまでの流れ

LLMが答えを返すまでには、いくつかの段階があります。仕組みは複雑ですが、流れを追えば理解できます。ここでは、入力から出力までを5つのステップで押さえます。

文章が生成されるまでの流れは、以下のとおりです。

STEP	何をするか
① 事前学習	大量のテキストで言葉のパターンを学ぶ
② 分解	入力を言葉の単位（トークン）に分ける
③ 文脈理解	どの言葉が重要かを見極める
④ 予測	次に来る言葉を確率で選ぶ
⑤ 出力	予測を繰り返し文章にする

この見出しでは、以下の5つのステップを解説します。

STEP①｜大量のテキストで事前学習する

最初の段階は、事前学習です。LLMは、インターネット上などの膨大なテキストを読み込み、言葉の使い方や文脈のパターンを学びます。この学習が、あらゆる回答の土台になります。

学習量は、書籍数百万冊分にも相当するとされます。この大量の学習によって、LLMは幅広い話題に対応できるようになります。学習の規模が、LLMの能力を大きく左右します。

Here we show that scaling up language models greatly improves task-agnostic, few-shot performance, sometimes even reaching competitiveness with prior state-of-the-art fine-tuning approaches.
（ここで私たちは、言語モデルの規模を拡大することで、タスク非依存かつ少数事例（few-shot）での性能が大きく向上し、時には従来の最先端のファインチューニング手法に匹敵するほどになることを示す。）

引用元：Brown et al.「Language Models are Few-Shot Learners」（GPT-3, NeurIPS 2020, arXiv:2005.14165）

The loss scales as a power-law with model size, dataset size, and the amount of compute used for training, with some trends spanning more than seven orders of magnitude.
（損失（誤差）は、モデルの規模・データ量・学習に使う計算量に対して、べき乗則にしたがって減少する。その傾向は7桁以上のスケールにわたって成り立つ。）

引用元：Kaplan et al.「Scaling Laws for Neural Language Models」（2020, arXiv:2001.08361）

読者が押さえるべきは、事前学習が土台である点です。その場で調べているのではありません。あらかじめ学んだ知識をもとに答えている、という前提を理解します。

STEP②｜入力（プロンプト）を言葉の単位に分解する

次に、ユーザーが入力した文章（プロンプト）を、小さな言葉の単位に分解します。この単位はトークンと呼ばれます。AIが処理しやすい形に、文章を細かく区切る段階です。

たとえば「今日は良い天気」という文は、いくつかのトークンに分けられます。この分解により、AIは文章を数値として扱えるようになります。人間の言葉を、機械が処理できる形へ変換する準備段階です。

読者が理解すべきは、言葉が細かく区切られる点です。文章のまま処理されるのではありません。トークンという単位に分けて扱われる、と押さえておきます。

We introduce a simpler and more effective approach, making the NMT model capable of open-vocabulary translation by encoding rare and unknown words as sequences of subword units.
（私たちは、より単純で効果的な手法を導入する。まれな語や未知の語を「サブワード（部分語）の並び」として符号化することで、語彙に縛られない処理を可能にするものである。）※サブワード分割（BPE）は現在のLLMのトークン化の基礎になっています。

引用元：Sennrich et al.「Neural Machine Translation of Rare Words with Subword Units」（2016, arXiv:1508.07909）

STEP③｜文脈を読み取る（Transformer・自己注意）

分解した言葉から、文脈を読み取る段階です。ここで働くのが、Transformerという仕組みと、その中核である自己注意です。文中のどの言葉が重要で、どう関係し合うかを見極めます。

自己注意は、文の中で注目すべき言葉に重み付けをする仕組みです。たとえば「それ」が何を指すかを、前後の文脈から判断します。この仕組みにより、LLMは長い文章でも文脈を保てます。自然な理解を支える心臓部です。

We propose a new simple network architecture, the Transformer, based solely on attention mechanisms, dispensing with recurrence and convolutions entirely.
（私たちは、注意機構のみにもとづく新しくシンプルなネットワーク構造「Transformer」を提案する。これは回帰や畳み込みを完全に不要とするものである。）

引用元：Vaswani et al.「Attention Is All You Need」（2017, arXiv:1706.03762）

この仕組みは、2017年に発表された論文で提案されました。現在の主要なLLMは、いずれもこのTransformerを土台にしています。専門的な内容ですが、LLMの理解を支える基礎技術として、名前だけでも押さえておくと理解が深まります。

読者が押さえるべきは、文脈理解が精度の鍵である点です。単語だけを見ているのではありません。言葉のつながりを捉える仕組みが、自然な文章を可能にしていると理解します。

STEP④｜「次に来る言葉」を確率で予測する

文脈をふまえ、次に来る言葉を予測する段階です。LLMは、「この文脈なら次はこの言葉が来る可能性が高い」と、確率で候補を選びます。これがLLMの中核となる処理です。

たとえば「朝ごはんにパンを」の後には、「食べる」が高い確率で予測されます。LLMは無数の候補から、最も自然な言葉を選び出します。この予測の精度が、文章の自然さを決めます。

読者が理解すべきは、確率にもとづく選択である点です。決まった正解を出すのではありません。最も自然そうな言葉を確率で選んでいる、という仕組みを押さえます。

STEP⑤｜予測を繰り返して文章を出力する

最後に、次の言葉の予測を繰り返し、文章として出力します。1つの言葉を予測したら、それをふまえて次の言葉を予測する。この積み重ねで、まとまった文章が完成します。

一語ずつ積み上げるため、長い文章も自然につながります。ユーザーには一気に答えが返ってくるように見えますが、内部では予測の連続が起きています。この繰り返しが、流れるような文章を生みます。

読者が押さえるべきは、一語ずつ生成される点です。文章を丸ごと用意しているのではありません。予測を積み重ねて作られる、という流れを理解します。

LLMを活用したサービスの具体例と種類

LLMは、すでに多くのサービスで使われています。どんな形で活用されているかを知ると、LLMの実像がつかめます。ここでは、代表的なサービスを5つの種類に分けて紹介します。

LLMを活用したサービスの種類は、以下のとおりです。

種類	代表サービス	主な用途
対話型AIアシスタント	ChatGPT・Gemini・Claude	質問対応・相談・作成
文章・コンテンツ生成	各種ライティング支援	文章作成・要約・翻訳
検索・調べもの（AI検索）	Perplexity・AI Overview	調べもの・情報収集
業務・社内向け	社内検索・チャットボット	ナレッジ活用・顧客対応
開発・プログラミング支援	GitHub Copilotなど	コード生成・自動化

この見出しでは、以下の5つの種類を解説します。

種類①｜対話型AIアシスタント

最も身近なのが、対話型AIアシスタントです。チャット形式で質問すると、AIが答えてくれます。相談から文章作成まで、幅広く対応する万能型のサービスです。以下に、代表的な3つを紹介します。

ChatGPT（OpenAI）

ChatGPTは、OpenAIが提供する対話型AIです。会話や文章作成を得意とし、ウェブ検索機能も備えています。週間8億人を超える利用者を持ち、LLM活用サービスの代表格として広く使われています。

読者が押さえるべきは、汎用性の高さです。特定用途に限りません。調べものから作成まで一つで完結しやすく、まず試すサービスとして適しています。

Gemini（Google）

Geminiは、Googleが提供する対話型AIです。Google検索やGmail、ドライブといった各サービスとの連携が強みです。普段Googleのツールを使う人ほど、その利点を生かせます。

読者が取るべき行動は、Google環境での活用です。単体でも使えます。既存のGoogleサービスと組み合わせると、Geminiの強みが最大限に生きます。

Claude（Anthropic）

Claudeは、Anthropicが提供する対話型AIです。長文の読解や、自然で丁寧な文章作成を得意とします。大量の資料を読み込ませて要約・分析する用途で、特に力を発揮します。

読者が押さえるべきは、長文処理の強みです。短い会話だけではありません。資料の読解や分析を伴う作業に、Claudeが適しています。

種類②｜文章・コンテンツ生成サービス

文章やコンテンツの生成に特化したサービスもあります。マーケティングや日々の業務で、作成の負担を減らす目的で使われます。以下に、代表的な2つを紹介します。

文章作成・ライティング支援

ブログや広告、メールなどの文章作成を支援するサービスです。目的を伝えると、たたき台となる文章を生成します。表現の改善や言い換えの提案にも対応します。

読者が取るべき行動は、下書きづくりでの活用です。丸写ししません。生成された文章を土台に、自社の言葉で仕上げることが成果につながります。

要約・翻訳サービス

長文の要約や、多言語の翻訳を行うサービスです。大量の資料や海外の情報を、短時間で把握できます。情報収集の効率を高める用途で使われます。

読者が押さえるべきは、時短効果です。精度を過信しません。要点把握や下訳に使い、重要部分は人が確認する運用が安全です。

種類③｜検索・調べもの系サービス（AI検索）

LLMを使った検索・調べもの系のサービスも広がっています。リンク一覧ではなく、回答そのものを返す新しい検索の形です。以下に、代表的な2つのタイプを紹介します。

Perplexity（検索特化型）

Perplexityは、調べて根拠付きで答えることに特化した検索特化型のサービスです。回答ごとに出典を明示するため、情報の裏付けを確認しやすくなっています。ビジネスリサーチで信頼されています。

読者が取るべき行動は、根拠重視の調査での活用です。速さだけを求めません。出典の明確さが必要な調べものに適しています。

AI Overview／AIモード（検索エンジン統合型）

AI Overviewは、Google検索に組み込まれたAI回答です。検索結果の上部に要約を表示し、AIモードでは対話的に深掘りできます。普段の検索の中で、自然にAI検索を利用できます。

読者が押さえるべきは、最も身近な入口である点です。特別な操作は要りません。いつもの検索がそのままAI検索になると理解します。

種類④｜業務・社内向けサービス

企業の業務や社内利用に向けたサービスもあります。自社のデータと組み合わせて使う点が特徴です。以下に、代表的な2つの用途を紹介します。

社内文書検索・ナレッジ活用（RAG）

社内の文書を検索し、回答に活用する仕組みです。RAGと呼ばれ、LLMに自社のデータを組み合わせることで、社内の知識を引き出せます。マニュアルや規程の検索に役立ちます。

We explore a general-purpose fine-tuning recipe for retrieval-augmented generation (RAG) — models which combine pre-trained parametric and non-parametric memory for language generation.
（私たちは、検索拡張生成（RAG）のための汎用的な手法を探究する。これは、事前学習された内部的な記憶と、外部の記憶とを組み合わせて文章を生成するモデルである。）

引用元：Lewis et al.「Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks」（NeurIPS 2020, arXiv:2005.11401）

RAGは2020年の論文で提案された手法で、LLMが持たない外部の知識を組み合わせる考え方です。これにより、学習していない社内情報にも対応できるようになります。

読者が押さえるべきは、自社データとの連携です。汎用知識だけではありません。RAGにより、自社固有の情報にもとづく回答が得られる点が強みです。

カスタマーサポート・チャットボット

問い合わせ対応を自動化するチャットボットです。よくある質問への一次対応を、AIが24時間担えます。人的な対応の負担を減らし、応答のスピードを高めます。

読者が取るべき行動は、一次対応での活用です。すべてを任せません。定型的な対応をAIが担い、複雑な案件は人が引き継ぐ形が現実的です。

種類⑤｜開発・プログラミング支援サービス

開発やプログラミングを支援するサービスも急速に広がっています。エンジニアの生産性を高める領域です。専門的になりすぎないよう、代表的な4つを平易に紹介します。

コード生成・補完（GitHub Copilotなど）

GitHub Copilotなど、プログラムのコードを生成・補完するサービスです。書きたい処理を伝えると、コードの下書きを提案します。入力中のコードを補完し、開発を効率化します。

読者が押さえるべきは、開発の効率化です。すべてを自動化しません。生成されたコードを人が確認しながら使うことで、開発スピードが上がります。

AIエージェント（自動で作業を進めるAI）

AIエージェントは、LLMが自分で考えて複数の作業を連続で進める仕組みです。「調べる→表にまとめる→送る」までを、人が一つずつ指示しなくても実行します。近年、特に注目されています。

読者が押さえるべきは、作業の自動化が進む点です。単発の応答に留まりません。一連の業務をAIが代行する方向へ進化していると理解します。

AIアプリ開発ツール（Difyなどのノーコード）

Difyなど、プログラミングなしでLLMを使ったアプリやチャットボットを作れるツールです。ノーコードのため、専門知識がなくてもAIアプリを構築できます。作る側のハードルを大きく下げます。

読者が取るべき行動は、内製化の検討です。開発を外注だけに頼りません。ノーコードツールにより、自社でAI活用を試せる点が利点です。

外部連携の共通規格（MCP）

MCP（Model Context Protocol）は、LLMを外部のツールやデータに安全につなぐための共通規格です。カレンダーや社内データベースなどと連携する際の、共通の接続口にあたります。AIエージェントが実際に作業するための土台になります。

読者が押さえるべきは、連携を支える裏方である点です。単体のサービスではありません。LLMが外部と安全につながる仕組みとして、広がりつつあると理解します。

LLMの課題と注意点

LLMは便利な一方、課題もあります。利点だけを見て使うと、思わぬ落とし穴にはまります。ここでは、押さえておくべき3つの課題を解説します。

この見出しでは、以下の3つの課題を解説します。

課題①｜ハルシネーション（もっともらしい誤情報）

最大の課題が、ハルシネーションです。これは、事実ではない情報を、もっともらしく出力してしまう現象を指します。LLMは学習していない内容でも、それらしい文章を作ってしまうことがあります。

厄介なのは、誤りが自然な文章で提示されるため、気づきにくい点です。自信ありげな回答でも、内容が正しいとは限りません。特に重要な情報では、鵜呑みにするのは危険です。

It is also apparent that deep learning based generation is prone to hallucinate unintended text, which degrades the system performance and fails to meet user expectations in many real-world scenarios.
（深層学習にもとづく生成は、意図しないテキストを幻覚（ハルシネーション）として生み出しやすいことも明らかであり、これがシステムの性能を低下させ、多くの実場面でユーザーの期待に応えられない原因となる。）

引用元：Ji et al.「Survey of Hallucination in Natural Language Generation」（ACM Computing Surveys, 2023）

この現象は、学術的にも広く研究されている既知の課題です。LLMの構造上、完全にはなくせないとされており、利用する側が確認する姿勢を持つことが前提になります。

読者が取るべき行動は、出力の検証です。答えを信じ切りません。重要な情報は、出典や一次情報で裏付けを取る習慣が、誤情報のリスクを減らします。

課題②｜学習データの偏り・バイアス

学習データの偏り、すなわちバイアスも課題です。LLMはインターネット上のデータを学習するため、元データに偏見や差別が含まれると、それを反映した出力になることがあります。

公平性や中立性が求められる場面では、この点に注意が必要です。出力をそのまま使うと、意図せず偏った内容を発信してしまう恐れがあります。人の目でのチェックが欠かせません。

読者が押さえるべきは、出力の中立性を過信しないことです。常に公平とは限りません。偏りが混じりうる前提で、内容を確認する姿勢が求められます。

課題③｜情報の鮮度と機密情報の扱い

情報の鮮度と、機密情報の扱いも注意点です。LLMは学習した時点までの情報にもとづくため、最新の出来事には弱い傾向があります。また、入力した情報の扱いにも配慮が必要です。

ビジネスで使う際は、機密情報や個人情報を安易に入力しないことが前提になります。入力内容がどう扱われるかはサービスによって異なるため、社内ルールの整備が望まれます。安全な運用が重要です。

読者が取るべき行動は、鮮度と情報管理への配慮です。最新性を過信しません。重要な最新情報は別途確認し、機密情報は入力しない運用を徹底します。

LLMができないこと・苦手なこと

LLMは万能ではありません。得意なことがある一方で、構造的に苦手なこともあります。限界を知っておくことで、適切に使い分けられます。ここでは、代表的な3つの苦手分野を解説します。

この見出しでは、以下の3つを解説します。

苦手①｜最新情報・リアルタイムな内容

LLMは、最新情報やリアルタイムな内容が苦手です。学習した時点以降の出来事は、そのままでは答えられません。今日のニュースや直近の変化は、学習に含まれていないためです。

この弱点を補うには、ウェブ検索機能や外部データとの連携が必要です。検索機能を持つサービスなら、最新情報も参照できます。逆に、それがないと古い情報のまま答えることがあります。

読者が押さえるべきは、鮮度の限界です。常に最新とは限りません。速報性が要る情報は、検索機能付きのサービスや一次情報で確認します。

苦手②｜正確な計算・論理的な厳密さ

正確な計算や、厳密な論理を要する処理も苦手です。LLMは「次に来る言葉」を予測する仕組みのため、計算そのものを正確に行うわけではありません。それらしい答えを出しても、誤ることがあります。

複雑な計算や、緻密な論理の積み重ねが必要な場面では、注意が必要です。計算は電卓や専用ツール、プログラムに任せるほうが確実です。LLMの答えを、そのまま正解とみなすのは危険です。

読者が取るべき行動は、計算の外部化です。LLMに頼り切りません。数値の正確さが必要な処理は、専用ツールと組み合わせて使います。

苦手③｜社内情報など学習していない知識

学習していない知識、たとえば社内情報にも答えられません。LLMは公開データを中心に学習しているため、自社の文書や専門的な内部情報は持っていません。存在しない知識は、生成できないのです。

この課題を解決するのが、前述のRAGです。自社データをLLMに組み合わせることで、社内情報にもとづく回答が可能になります。汎用のLLM単体では、自社固有の質問には答えられない点を理解しておきます。

読者が押さえるべきは、自社知識には別途対応が要る点です。そのままでは答えられません。RAGなどで自社データを組み合わせる工夫が必要だと理解します。

まとめ｜LLMは生成AIを支える「言語の予測エンジン」

LLMとは、大規模言語モデル（Large Language Model）の略で、膨大な文章から「次に来る言葉」を予測して文章を生成する技術です。AI＞生成AI＞LLMという関係の中で、言語を担う中核として、ChatGPTなど多くのサービスを支えています。

重要なのは、得意なことと苦手なことを理解して使うことです。文章の生成・要約・翻訳・分類は得意な一方、最新情報や正確な計算、学習外の社内知識は苦手です。ハルシネーションなどの課題もふまえ、確認しながら使うことが欠かせません。

特に意識したいのは、以下の3点です。

LLMは、正しく使えば業務を大きく効率化してくれる技術です。基本を押さえたうえで、自社に合った活用の形を探すことが、成果への第一歩になります。AI活用の進め方に迷う場合は、専門家に相談するのも一つの方法です。

参考：生成AIで業務効率化する具体例｜中小企業向け活用事例｜株式会社LEAPH