AI開発を
AIを業務に入れたいが、社内に機械学習の経験者がいない。採用しようにも人が採れない。だから外注を検討している。ここまではほとんどの企業が同じ結論にたどり着きます。問題はその先です。 AI開発の外注は、通常のシステム開発の […]
AIを業務に入れたいが、社内に機械学習の経験者がいない。採用しようにも人が採れない。だから外注を検討している。ここまではほとんどの企業が同じ結論にたどり着きます。問題はその先です。
AI開発の外注は、通常のシステム開発の外注と勝手が違います。発注時点で仕様も精度も確定できないため、請負契約をそのまま当てはめると、どちらかが必ず無理を抱えます。丸投げすると、動くけれど誰も使わないものが納品されます。
本記事では、内製と外注の判断軸から、外注先の種類、費用相場、発注前に社内で用意すべきもの、契約形態の選び方、進め方の手順、そしてよくある失敗までを順に整理します。発注担当者が社内で説明できる状態になることを目的にしています。
| 確認したいポイント | 結論 | 詳細 |
|---|---|---|
| AI開発は外注と内製のどちらが良い？ | 先が読めない段階は外注。変動費で区切れる | 内製は人件費が固定で乗り続けます。使うかどうか未確定な段階では、必要なフェーズだけ払える外注のほうが経営判断として安全です。 |
| AI外注の費用と期間の目安は？ | PoCで1〜3か月・100万〜500万円程度 | 本開発まで進むと数百万〜数千万円規模になります。準委任の月額で回す形もあり、契約形態によって支払い方が変わります。 |
| AI開発の契約形態は何を選ぶ？ | 精度を約束できないため準委任型が基本 | 請負型は完成責任を伴い、AIの性質と噛み合いません。成果完成型の準委任が折衷案として選ばれることが多くなっています。 |
| 外注が失敗する最大の原因は？ | 業務要件を握る役割を社内に置かないこと | 丸投げすると現場の実情から外れた仕様で進みます。データ整備の担当と評価指標を発注前に決めておくことが回避策です。 |
この記事でわかること
- 内製と外注を分ける3つの判断軸と、内製チームを持つ場合の実コスト
- AI開発の外注先5タイプの向き不向きと、自社に合う相談先の選び方
- PoCから本開発までの外注費用と期間の目安、費用が膨らむ条件
- 請負型と準委任型の違い、AI開発で準委任が選ばれる理由と契約時の確認項目
- 発注前に社内で用意する5つの材料と、外注でよくある失敗5パターンの回避策
外注すべきか内製すべきか、どこまでを外に出すか。事業相談の初回は無料で対応しています。
AI開発は外注すべきか、内製すべきか
外注先を探し始める前に、そもそも外に出すべき仕事なのかを確認します。この判断を飛ばすと、外注しても社内に何も残らない、あるいは無理な内製で人が疲弊するという結果になります。
内製は固定費、外注は変動費という違い
内製と外注の差は、技術力よりコストの性質にあります。内製は、AIを使っていてもいなくても、採用した人材の人件費が毎月固定で発生します。成果が出る前から重いコストが乗り続ける構造です。
外注は、PoCならPoCの分、本開発なら本開発の分と、必要なフェーズに必要なだけ払う変動費です。先がまだ読めない段階では、固定費を抱えるより、変動費でリスクを区切れるほうが経営判断として安全になります。
「内製のほうが長期的に安い」という言い方はよく聞きますが、これは長く大量にAIを使い続ける前提があって初めて成立します。使うかどうかもまだ分からない段階では当てはまりません。
内製チームを立ち上げる場合の実コスト
内製を選ぶ場合、機械学習エンジニア、データサイエンティスト、MLOpsエンジニアといった専門人材の確保が必要になります。機械学習エンジニアの平均年収は求人情報の集計で約684万円、東京都内では約751万円という数字が出ています。
3〜5名の専門チームを年間で維持すると、人件費に採用コストと教育コストを足した総額は数千万円から1億円規模になり得ます。この金額を先に置いてから外注費と比べると、判断の解像度が上がります。
加えて、採用そのものが難しいという現実もあります。求人を出してから戦力になるまで1年近くかかることも珍しくありません。時間も含めたコストで比較してください。
関連記事：機械学習エンジニアの現実｜年収・必要スキル・将来性
3つの判断軸で自社の立ち位置を決める
1つ目の軸は時間軸です。半年以内に成果を出す必要があるなら外注一択になります。内製は立ち上がりに時間がかかり、短期の要請には応えられません。
2つ目はデータの独自性です。自社の業務データが競争力の源泉になっている場合、ノウハウを社内に残す価値が高く、内製に寄せる意味があります。逆に汎用的な業務なら、外注で十分です。
3つ目は人材の有無と維持可能性です。1人だけ採用して回す構成は、その人が抜けた瞬間に止まります。チームとして維持できる見込みがないなら、内製は選ばないほうが安全です。
現実解は、外注しながら段階的に移管する形
実務で最も機能しているのは、二者択一ではなく段階的な移管です。初期は外部主導で設計と実装を進め、運用フェーズで社内メンバーが引き取っていく。準委任契約の月額制で、6〜12か月の伴走期間を設ける形が一般的です。
この進め方なら、立ち上がりの速さと社内へのノウハウ蓄積を両立できます。契約時点で移管を前提にしておくことが条件で、後から言い出しても対応してもらえないことがあります。
関連記事：外注ゼロでAIを回す会社がやっている、内製化5段階のステップ
AI開発の外注が検討される5つの典型パターン
外注の目的は企業によって違い、目的が違えば頼むべき相手も契約形態も変わります。自社がどのパターンに近いかを先に決めてください。AI活用の成熟度と、内製チームの有無の2軸で整理できます。
パターン1：自社データで精度が出るか検証したい
AI活用の可能性は感じているが、実際に自社のデータで成果が出るか分からない段階です。この場合は、小規模なPoCとして1〜3か月・100万〜500万円程度の予算で外注し、実現性を確かめてから本番の投資判断をする進め方が適しています。
選定時は、PoC段階からの参画実績があるベンダーを選ぶと、本番化への移行がスムーズになります。PoCだけを請け負う会社に頼むと、成功しても次の担い手を探し直すことになります。
パターン2：内製チームの立ち上げを支援してほしい
中長期では社内にAIチームを持ちたいが、最初の数か月は外部の力を借りたいというケースです。専門人材にチームとして常駐してもらいながら、社内人材の育成を並走させます。
この形では準委任契約の月額制が中心になり、6〜12か月の伴走期間を設けるのが一般的です。成果物の納品ではなく、社内に人が育つことがゴールなので、契約書にも移管の範囲を書き込んでおきます。
パターン3：業種特有のドメイン知識が必要
製造業の品質検査、医療の画像診断支援、金融のリスクスコアリングなど、業種固有の知識が成果を左右する領域です。汎用的なAI開発スキルだけでは、データの前処理設計が的外れになります。
業種知識のないベンダーに委託すると、精度が要件を満たさないまま終わるリスクがあります。対象業種の実績があるか、規制要件を理解しているかを、選定時に必ず確認してください。
関連記事：月200時間の人手不足を救った、中小工場のDX事例
パターン4：一部の工程だけ補完したい
社内にエンジニアはいるが、データ基盤の構築やMLOpsの整備だけが手薄というケースです。全体を任せるのではなく、欠けている役割をスポットで補います。工数単位の契約が向いています。
パターン5：稼働中のAIの精度が落ちてきた
導入済みのAIが、運用開始後にデータの傾向変化で精度を落としている状態です。再学習の設計と監視の仕組みを外部に任せます。開発ではなく運用の外注という位置づけになり、月額の保守契約が中心になります。
自社がどのパターンに当たるのか、外注と内製のどちらに寄せるべきか。判断材料の整理から対応します。事業相談の初回は無料です。
AI開発の外注先は5タイプ。向き不向きを押さえる
「AI開発会社」とひとくくりにされがちですが、実態はかなり違います。小さく試すだけならフリーランスやプラットフォーム、本格的に業務へ組み込むなら専門の開発会社という使い分けが基本です。
AI専門の開発会社
機械学習や生成AIを主戦場とする会社です。技術的な難度が高い案件、精度が事業インパクトに直結する案件に向きます。単価は高めですが、モデル設計と評価の勘所を持っています。
注意点は、業務設計まで踏み込むかどうかに差があることです。技術は作れるが業務フローには関与しない会社に頼むと、動くけれど使われないシステムが納品されがちになります。
システム開発会社（AI対応）
従来のシステム開発を主軸にしつつ、AI領域にも対応する会社です。既存の基幹システムとの連携や、業務システムとしての作り込みが必要な案件では強みが出ます。
一方で、モデルの精度改善やデータ設計の経験は会社ごとに差が大きい領域です。過去のAI案件について、どの業務でどんなデータを使い、何が改善したかを具体的に聞いてください。
コンサル型・現場伴走型
業務の棚卸しから入り、AI化の対象選定、設計、実装、定着までを一緒に進める形です。社内に推進役がいない企業や、PoCで止まった経験がある企業に向きます。
AI導入が止まる原因の多くは技術ではなく運用側にあるため、この型が合う企業は実際には多くなっています。判断材料は、業務フローに関与する提案が出てくるかどうかです。
フリーランス・クラウドソーシング
小規模な検証や、単発のデータ分析であれば有効です。費用を抑えられ、着手も速いのが利点です。一方で、体制が個人に依存するため、長期の運用や機密性の高い案件には向きません。
オフショア開発
人月単価を下げられる選択肢です。仕様が明確な実装工程では効果が出ますが、AI開発のように仕様が固まらない工程では、コミュニケーションコストが単価差を上回ることがあります。
使うなら、要件定義と評価は国内で持ち、実装の一部だけを切り出す形が現実的です。丸ごと任せる使い方は、AI開発とは相性が良くありません。
AI開発を外注する場合の費用相場と期間
費用は、外注する範囲と契約形態で変わります。一括で総額を聞くより、フェーズごとに区切って確認するほうが、実態に近い数字が出てきます。
PoCフェーズ：1〜3か月・100万〜500万円程度
自社データで精度が出るかを検証する段階です。期間は1〜3か月、費用は100万〜500万円程度が目安になります。簡易な検証であれば、数十万円規模で区切ることもできます。
この段階で必ず決めておくのが合格ラインです。精度何%以上、処理時間何秒以内といった基準を契約前に確定させないと、結果が出ても投資判断ができず、PoC費用がそのまま埋没します。
本開発フェーズ：数百万〜数千万円規模
業務で使える形に作り込む段階です。既存システムとの連携、権限管理、画面、例外時の運用フローまで含むため、金額は一段上がります。企画から運用まで通した総額は500万〜4,000万円程度が一つの目安です。
一部業務の自動化に絞れば数十万円から、業務システムの構築なら初期100万円台から、自社専用の本格開発なら数百万円規模から、というレンジ感で捉えると社内説明がしやすくなります。
準委任の月額契約という選び方
フェーズを固定せず、月額でチームを確保する形もあります。仕様が固まらないAI開発とは相性が良く、当たった領域だけ広げる進め方ができます。内製移管を前提にする場合も、この形が使われます。
月額の場合は、投入人数と稼働時間、報告の頻度を契約で明確にします。人数だけ決めて中身が曖昧なままだと、成果の判断ができなくなります。
費用が膨らむ条件を先に潰す
追加費用が出やすいのは、データ整備の担当が曖昧なとき、精度要件が後から上がったとき、連携先システムが増えたときの3つです。この3点を発注前に固定するだけで、見積もりの信頼度が変わります。
関連記事：そのAI、何ヶ月で元が取れますか。投資回収を3分で見える化する計算式
外注範囲の切り分け、概算費用の試算、複数社に同条件で見積もりを取るための整理まで対応します。初回の事業相談は無料です。
発注前に社内で用意しておく5つの材料
AI開発の外注がうまくいくかどうかは、発注前の準備でほぼ決まります。この5つを揃えてから相談すると、見積もりの精度が上がり、着手後の追加費用も減ります。
材料1：対象業務と現状の数値
どの業務を対象にするか、その業務に月何時間かかっているか、担当は何人か。実測値で書き出します。推定ではなく実測から始めることが、投資判断と社内合意の両方で効きます。
材料2：データの実態
使えるデータが何年分、何件、どの形式で、どこに保存されているか。欠損の割合や、ラベルの有無も含めて整理します。紙やExcelにしかない場合は、その事実をそのまま伝えてください。
AI開発の品質はデータの質に大きく依存します。学習データの収集やラベリングを発注側が担当する場合、そのスケジュールと品質がそのまま開発の進捗に影響します。担当と期限を先に決めておきます。
材料3：評価指標と合格ライン
何をもって成功とするかを1つに絞ります。精度なのか、処理時間なのか、削減時間なのか。複数並べると全部が中途半端になります。業務側の責任者と一緒に決めることが条件です。
材料4：連携先システムとセキュリティ要件
連携が必要なシステムの一覧と、それぞれのAPI公開状況、仕様書の有無を整理します。あわせて、外部APIへのデータ送信可否、個人情報の取り扱い規程を確認しておきます。
この2点は構成そのものを左右します。後から判明すると設計をやり直すことになり、費用にも期間にも大きく跳ね返ります。
材料5：社内の意思決定者と推進体制
誰が最終判断をするのか、現場側の窓口は誰か、月にどれくらいの時間を出せるのか。外注しても、発注側の稼働はゼロにはなりません。ここを空欄のまま始めると、確認待ちでプロジェクトが止まります。
特に重要なのが、業務要件を握る役割を社内に置くことです。ここを外部に丸投げすると、現場の実情から外れた仕様のまま進み、完成した頃に使われないものができあがります。
契約形態の選び方。請負型と準委任型の違い
AI開発の外注で、通常のシステム開発と最も違うのが契約です。AIは学習データに依存する性質上、未知の事象に対する精度を事前に保証できません。この前提が契約形態の選択を変えます。
請負型の契約とは
請負型は、請負人が仕事の完成を約束し、その履行について法的責任を負う契約です。完成できなければ報酬を受け取れないだけでなく、損害賠償責任を負う可能性もあります。
成果物に契約不適合があった場合、発注側は修補、減額、損害賠償、契約解除といった救済を求められます。発注側にとっては予算内で成果物を受け取れる安心感がある形態で、仕様が固まっている案件には適しています。
準委任型の契約とは
準委任型は、合意された仕事を善良な管理者の注意のもとで実施することに対して、対価と責任が発生する契約です。受任者は仕事の完成に対して法的責任を負いません。
準委任には2種類あります。事務を履行した時点で報酬が発生する「履行割合型」と、成果の引き渡しと引き換えに報酬が発生する「成果完成型」です。後者は、ベンダが事実上の完成義務を負っているに等しい状態になります。
AI開発で準委任が選ばれやすい理由と、現実的な落としどころ
AIソフトウェアは学習データから帰納的に生成されるため、精度はデータの量と質に依存します。この制約があるため、ベンダー側は一定の精度について契約不適合責任を負う請負型に難色を示すのが一般的です。
一方で発注側も、何の成果もないまま費用だけ払う履行割合型は受け入れづらい。そこで折衷案として、法的責任は負わないがベンダが事実上の完成責任を負う「成果完成型の準委任」が落としどころになりやすくなっています。
ただし、この場合も何をもって「完成」とするかは別途決める必要があります。また、AIを含んだシステム全体が対象なら、請負型に合理性が認められる場面もあります。「AIだから性能保証は難しい」という固定観念に寄りかからず、開発対象を踏まえて条件交渉することが重要です。
出典：特許庁 IP BASE「AI開発を受託する際の契約方式の選び方 請負型と準委任型」
契約書で必ず確認する4項目
1つ目は権利の帰属です。学習に使ったデータ、生成された学習済みモデル、ソースコードがそれぞれどちらに帰属するかを条文で確認します。ここが曖昧だと、後からベンダーを乗り換えられなくなります。
2つ目はデータの取り扱いです。学習データの著作権、個人情報の扱い、保管場所と保管期間を明記します。曖昧なまま進めると、サービス公開後に法的リスクが生じます。
3つ目は精度に関する取り決めです。100%の保証は不可能なので、現実的な目標値と、達成できなかった場合の対応を先に定めます。4つ目は追加費用の発生条件で、データに問題があった場合や要件変更時の扱いを明確にしておきます。
契約形態の選び方、権利の帰属、精度の取り決め方など、発注前段階のご相談も承っています。事業相談以外のご用件もこちらから。
AI開発を外注する進め方。6つのステップ
準備が整ったら、実際の発注プロセスに入ります。工程を飛ばすと後半で必ず戻されます。特に最初の2ステップに時間をかけた案件ほど、後の追加費用が少なくなります。
ステップ1：課題を文書化して相談の土台を作る
前章で用意した5つの材料を、1枚から数枚の文書にまとめます。対象業務、現状の数値、データの実態、評価指標、連携先、体制。この文書があれば、どの会社にも同じ条件で相談できます。
ステップ2：複数社に同じ条件で相談する
初回のヒアリングは無料で対応する会社がほとんどです。3社程度に同じ文書を渡して提案を受けます。金額を比べるのではなく、前提の置き方と提案の中身を比べてください。
このとき見るべきは、業務の流れについて具体的な質問が出るかどうかです。「その業務はAIを使わず自動化するだけで解決しませんか」と言える相手なら、信頼度は高いと考えていいでしょう。
ステップ3：アセスメントまたはPoCから契約する
いきなり本開発を発注せず、小さく区切って始めます。データの実現可能性を確かめるアセスメント、あるいはPoCまでで一度契約を切り、結果を見て次の投資判断をします。
ステップ4：本開発の範囲と体制を確定する
PoCで見込みが立ったら、本開発の範囲を決めます。連携先、画面、権限、例外処理まで含めて確定させ、運用フェーズの担当範囲もこの時点で契約に書き込みます。
ステップ5：検収は業務データで行う
検収時は、テスト用のきれいなデータではなく、実際の業務データで評価します。PoCでは高精度が出たのに本番環境で落ちる、というのはよくある失敗で、データの違いが原因になることが多くあります。
ステップ6：運用に乗せ、段階的に移管する
リリース後の最初の1か月は、使用ログを見ながら手順を調整する期間として確保します。並行して、監視と再学習の手順を社内で再現できるようにしていきます。移管を前提にしていれば、この段階で引き継ぎが始まります。
AI開発の外注でよくある失敗と回避策
外注の失敗は、技術的な難度よりも進め方と役割分担の設計で起きています。実際に起きている5つを挙げます。
失敗1：丸投げして、使われないものが納品される
最も多い失敗です。仕様書だけを渡して任せると、現場の実情から外れたものができあがります。技術的には動いているのに、担当者は従来のやり方を続けているという状態になります。
回避策は、設計段階から現場の担当者を巻き込むことです。使う人が決定に関わったツールは定着します。発注側の稼働をゼロにしようとすると、成果もゼロに近づきます。
失敗2：データ整備の担当が曖昧で遅延する
学習データの収集やラベリングを発注側が担当するはずが、誰も手を動かさないまま時間が過ぎる。委託先は待つしかなく、スケジュールが崩れます。
回避策は、外注開始前にデータ整備の担当、スケジュール、品質基準を三点セットで確認しておくことです。ここを口約束にしないでください。
失敗3：PoCで出た精度が本番で落ちる
試作段階では高精度だったのに、本番環境に移すと精度が下がる。原因は、検証に使ったデータと実際の業務データの性質が違うことにあります。
回避策は、PoCの段階から本番に近いデータで検証することです。きれいに整えたサンプルだけで判断すると、本開発に進んでから作り直しになります。
失敗4：権利が曖昧でベンダーを変えられない
モデルもソースコードも相手方に帰属しており、乗り換えようとしたら一から作り直しになる。改修のたびに費用と時間がかかり、実質的に選択肢がなくなります。
回避策は契約時の確認に尽きます。データ、モデル、ソースコードの権利帰属を条文で押さえ、将来の移管や改修を誰が行えるのかまで書いておきます。
失敗5：運用が含まれておらず、半年後に放置される
納品時点では精度が出ていたのに、半年後には誰も使っていない。監視も再学習も担当が決まっておらず、精度低下に気づく仕組みもなかったというパターンです。
回避策は、発注の時点で運用フェーズを契約範囲に含めることです。監視、再学習、問い合わせ対応をどちらがどこまで持つのかを決めます。運用の話をしない開発会社は、その時点で候補から外して構いません。
関連記事：採用を諦めた中小企業社長が、AIで人手不足を埋めるまで
まとめ
AI開発の外注は、先が読めない段階でリスクを変動費に変えられる手段です。内製チームの維持に数千万円規模がかかることを踏まえると、まず外注で小さく検証し、当たった領域から社内へ移していく進め方が現実的になります。
押さえるべきは3点です。契約は精度を約束できない性質に合わせて準委任型を基本に検討すること。権利とデータの扱いを条文で確認すること。そして運用フェーズを最初から契約範囲に入れることです。
そのうえで、発注前に対象業務・データの実態・評価指標・連携先・体制の5つを社内で用意してください。この準備があるかどうかで、見積もりの精度も、完成後に使われるかどうかも変わります。
LiftBaseは、現場に入り込んで業務フローそのものを設計し直し、PoCで止まらないAI導入を定着まで支援しています。外注すべきかどうかを判断したい、という段階からのご相談でも構いません。
外注と内製のどちらに寄せるか、どこまでを外に出すか。対象業務の切り分けから契約形態の考え方まで、初回の事業相談は無料です。
