LLMとは
LLMとは、Large Language Model（大規模言語モデル）の略称です。
大量の文章データを学習し、入力された文章に続く可能性の高い言葉を予測することで、質問への回答、文章作成、要約、翻訳、情報整理などを行うAIモデルを指します。
一般に「大規模」と呼ばれるのは、非常に多くのパラメータを持ち、大量のデータと計算資源を使って学習されるためです。ただし、どの程度の規模からLLMと呼ぶかについて、明確で固定された基準があるわけではありません。
ChatGPT、Gemini、Claudeなどの対話型AIサービスも、その中核にLLMを利用しています。
LLMは何をしているのか
LLMの基本的な動作は、入力された文章の文脈をもとに次に続く可能性が高いトークンを一つずつ予測することです。ここでいうトークンとは、単語や文字、単語の一部など、LLMが文章を処理するときの小さな単位です。
例えば、
今日の東京の天気は
という文章が入力されたとします。このときLLMは、学習した大量の文章に含まれる言葉の並び方や、会話の文脈をもとに、次に続きそうな候補を計算します。
例えば、
- 晴れ
- 曇り
- 雨
- どうですか
- 予報では
といった候補に、それぞれ異なる確率を割り当てます。仮に「晴れ」が最も選ばれやすい候補だった場合、まず、
今日の東京の天気は晴れ
という文章が作られます。しかし、ここで処理が終わるわけではありません。次にLLMは、
今日の東京の天気は晴れ
という、少し長くなった文章全体を新しい文脈として使い、その続きを再び予測します。例えば、
- です
- の見込みです
- ですが
- で、気温は
などが次の候補になります。仮に「の見込みです」が選ばれれば、
今日の東京の天気は晴れの見込みです
という文章になります。さらにLLMは、その全文をもとに、次の続きをまた予測します。
今日の東京の天気は晴れの見込みです。最高気温は
というところまで進めば、次には「30度」「28度前後」「平年より高くなる」などの候補が計算されます。
このように、LLMは一度に完成した文章を取り出しているのではありません。次のトークンを予測し、その結果を新しい文脈に加え、さらに次のトークンを予測するという処理を何度も繰り返すことで、長い文章を生成しています。
LLMは単純な文章の続きだけでなく、説明、要約、比較、翻訳、文章構成なども行えるように見えます。ただし、その基礎にある処理は一貫しており、文脈に照らして、次に続くトークンを予測することです。
重要なのは、LLMがデータベースの中から完成済みの回答を探して、そのままコピーしているわけではないという点です。入力された内容、会話の流れ、指示された文体や条件に応じて、その都度、新しい文章を生成しています。
その一方で、LLMが生成する文章は事実を確認した結果ではなく、言葉のつながりとして自然である可能性をもとに作られます。そのため、もっともらしく見えても、内容が事実とは限りません。これが、ハルシネーションが起こる理由の一つです。
トークンとは
LLMは文章を、そのまま一つのまとまりとして処理するわけではありません。入力された文章を「トークン」と呼ばれる小さな単位に分割して処理します。トークンは、単語全体の場合もあれば、単語の一部分や一文字に相当する場合もあります。
例えば、
AIエージェントが商品を比較する
という文章も、内部では複数のトークンに分けられます。
LLMの利用料金や処理速度は、入力と出力に使用されるトークン数の影響を受けることがあります。長い資料を読み込ませたり、長文を生成させたりする場合は、より多くのトークンを消費します。
パラメータとは
パラメータとは、LLMが文章中のパターンや言葉同士の関係を表現するために内部で保持している数値です。人間が文章を読むときには、
- どの言葉が重要か
- どの言葉同士が関係しているか
- どの表現が自然か
- どの話題のあとに何が続きやすいか
といったことを経験から判断します。LLMでは、このような関係が大量の数値として表現されています。これらの数値がパラメータです。
例えば、
猫が魚を
という文章が与えられた場合、「食べる」という言葉が続きやすいことをLLMは単純な辞書として記憶しているわけではありません。学習を通じて、
- 「猫」と「食べる」の関係
- 「魚」と「食べる」の関係
- 主語・目的語・動詞の並び方
- 日常的な文章表現の傾向
などを、多数のパラメータの組み合わせとして身につけています。
学習の初期段階では、LLMの予測はあまり正確ではありません。
例えば、
猫が魚を
に対して、「泳ぐ」と予測してしまうかもしれません。そこで、正しい文章とのずれを計算し、次回は「食べる」のような適切な語を選びやすくなるよう、パラメータを少しずつ調整します。この処理を膨大な文章に対して繰り返すことで、LLMは言葉の使い方や文章構造を学習していきます。
ただし、パラメータの一つひとつに、
- この数値は「猫」を表す
- この数値は「魚を食べる」という知識を表す
という明確な意味が割り当てられているわけではありません。知識や言語パターンは多数のパラメータに分散して表現されています。そのため、LLMの内部は人間がそのまま読める知識一覧にはなっていません。
また、パラメータ数が多ければ必ず性能が高くなるわけではありません。性能は、学習データの質、モデルの構造、学習方法、推論時の設定、特定用途への調整などにも左右されます。それでも、一般にはモデルを大規模化することで、複雑な言語パターンや幅広い知識を扱いやすくなり、少数の例や文章による指示だけでも、新しい課題へ対応しやすくなることが示されてきました。
簡単に言えば、パラメータとは、LLMが学習を通じて身につけた言葉の関係や判断傾向を保存している大量の調整可能な数値です。
LLMはどのように作られるのか
LLMの開発は、一般に複数の段階に分けて行われます。
- 事前学習
最初に、大量の文章データを使って言葉の並び方や文脈上の関係を学習します。この段階で、文章構造、表現、一般知識、言葉の使われ方などのパターンを身につけます。 - ファインチューニング
事前学習済みのモデルを、特定の用途や専門分野に適応させる追加学習です。例えば、カスタマーサポート、法律文書、医療情報、商品データなど、特定分野のデータを使って出力傾向を調整します。 - 指示への対応を改善する学習
利用者からの依頼に、より適切に従えるように調整します。「要約してください」「表形式で整理してください」「初心者向けに説明してください」といった指示に対応する能力は、こうした調整によって高められます。 - 推論
学習済みのモデルに実際の入力を与え、回答を生成する段階です。利用者がAIサービスへ質問し、回答を受け取る通常の操作は、この推論にあたります。
LLMと生成AIの違い
LLMと生成AIは同じ意味ではありません。生成AIは、文章、画像、音声、動画、プログラムコードなど新しいコンテンツを生成するAI全体を表す言葉です。一方、LLMは、その中でも主に言語を扱うモデルです。関係を整理すると、次のようになります。
- 生成AI：コンテンツを生成するAI全体
- LLM：文章や言語を扱う生成AIの中核技術
- ChatGPTなど：LLMを利用して提供されるサービス
したがって、LLMは生成AIの一種ですが、画像生成AIや音声生成AIまで含む言葉ではありません。
LLMとChatGPTの違い
LLMはAIモデルそのものを表す言葉です。一方、ChatGPTのようなサービスは、LLMに加えて、対話画面、履歴管理、ファイル処理、外部ツールとの接続、安全対策などを組み合わせた製品です。
自動車に例えるなら、
- LLM：エンジン
- ChatGPTなどのサービス：エンジンを搭載した完成車
という関係に近いでしょう。
同じLLMを利用していても、利用できるツール、参照できる情報、操作画面、システム上の制約によって、サービスとしての能力は異なります。
LLMとAIエージェントの違い
LLMとAIエージェントも区別する必要があります。LLMは、入力された文章をもとに回答や文章を生成する「頭脳」に相当します。AIエージェントは、そのLLMを利用しながら、
- 情報を収集する
- 作業手順を考える
- 外部ツールを操作する
- システムへデータを登録する
- 結果を確認する
- 必要に応じて作業をやり直す
といった一連の行動を実行する仕組みです。
つまり、LLMは考え、AIエージェントは考えた内容をもとに行動する、と整理できます。
ただし、LLM単独では実際のシステム操作や購入処理を行えません。AIエージェントとして機能させるには、API、データベース、業務システム、権限管理などとの接続が必要です。
LLMでできること
LLMは、幅広い業務に活用できます。
- 文章の作成
商品説明、メール、記事、企画書、FAQなどの下書きを生成できます。 - 要約
会議記録、調査資料、問い合わせ履歴などから、重要な点を整理できます。 - 分類・整理
レビューや問い合わせを内容別に分類し、傾向を分析できます。 - 翻訳・言い換え
多言語への翻訳、文章の簡略化、ブランドトーンに合わせた表現調整などができます。 - プログラム作成支援
コードの作成、修正、説明、エラー原因の整理などを支援できます。 - 対話型の情報提供
社内資料や商品情報と組み合わせることで、顧客や従業員からの質問へ対話形式で回答できます。
ECにおけるLLMの活用例
Eコマースでは、LLMを次のような領域に活用できます。
- 商品説明文の生成
商品属性やブランド方針をもとに、用途や顧客層に合わせた説明文を生成します。 - AI接客
顧客の質問や希望を自然言語で理解し、商品提案、サイズ相談、比較、FAQ対応などを行います。 - レビュー分析
大量のレビューから、評価されている点、不満、改善要望などを抽出します。 - 問い合わせ対応
注文、配送、返品、利用方法などに関する質問へ回答します。 - 商品情報の構造化
商品ページに書かれた情報を整理し、AIや検索システムが理解しやすいデータへ変換します。 - 越境EC支援
翻訳だけでなく、地域ごとの表現、購買習慣、問い合わせ内容に合わせた情報提供を支援します。
LLMの弱点
LLMは便利ですが、万能ではありません。
- ハルシネーション
事実ではない情報を、もっともらしく生成することがあります。LLMは文章の続きを確率的に生成するため、出力内容が事実であることを自動的に保証する仕組みではありません。Googleの開発者向け資料でも、ハルシネーションはLLMの主要な課題の一つとして挙げられています。 - 最新情報を知らない場合がある
学習データに含まれない最近の出来事や、社内だけに存在する情報には、そのままでは回答できません。 - 情報源が不明確になりやすい
回答の根拠となった資料を明示できない場合があります。 - 入力の仕方に左右される
曖昧な指示では、期待と異なる回答になることがあります。 - 機密情報の取り扱い
社内文書や顧客情報を外部サービスへ入力する場合は、保存方針、利用規約、アクセス権限などを確認する必要があります。 - バイアス
学習データに含まれる偏りを、出力へ反映する可能性があります。
RAGとの関係
企業がLLMを業務で利用する際に重要になるのがRAGです。RAGとは、利用者から質問を受けた際に、社内文書、商品情報、FAQ、データベースなどから関連情報を検索し、その内容をLLMへ渡して回答を生成する仕組みです。LLMそのものにすべてを記憶させるのではなく、必要な情報を必要なときに参照させます。
これにより、自社固有の情報に回答できる、最新資料を反映しやすい、回答の根拠を示しやすい、ハルシネーションのリスクを抑えやすいといった利点があります。
ただし、RAGを導入しても誤回答が完全になくなるわけではありません。検索対象となる資料の品質、検索精度、回答生成の指示、更新体制などを一体で設計する必要があります。
LLMを企業で活用するときのポイント
- 利用目的を明確にする
「AIを導入する」こと自体を目的にせず、どの業務の何を改善するのかを定めます。 - 参照情報を整備する
古い情報、重複した情報、表記が統一されていない商品データをAIへ渡しても、正確な回答は期待できません。 - 人による確認範囲を決める
法務、価格、契約、医療、経営判断など、誤りの影響が大きい領域では人による確認を前提にします。 - 権限を制御する
AIエージェントとして外部システムを操作させる場合は、閲覧、作成、更新、削除などの権限を細かく設計する必要があります。 - 品質を継続的に評価する
導入時だけでなく、回答精度、処理時間、業務削減効果、顧客満足度などを継続して測定します。
Agentic Commerceとの関係
Agentic CommerceではAIエージェントが消費者の意図を理解し、商品を探索・比較し、場合によっては購入まで支援します。その際、LLMは顧客の自然言語による希望を解釈し、商品情報や取引条件を読み解く役割を担います。
例えば、
軽量で雨に強く、通勤にも旅行にも使える女性向けバッグを3万円以内で探してほしい
という依頼からLLMが条件を整理し、AIエージェントが商品データ、在庫、価格、配送条件などを確認して候補を提示する、という流れが考えられます。そのため企業には、人に読みやすい商品ページだけでなく、LLMやAIエージェントが理解しやすい商品情報を整備することが求められます。これが、Agent Ready Commerceへつながります。
LLMは企業の知識と顧客接点をつなぐ基盤になる
LLMの本質は、文章を作成できることだけではありません。社内に蓄積されたデータ、商品情報、顧客の質問、業務システムなどを自然言語でつなぐインターフェースとして活用できる点にあります。ただし、LLMを導入しただけで業務が自動化されるわけではありません。
必要なのは、信頼できるデータ、適切なシステム連携、人とAIの役割分担、セキュリティ設計、継続的な評価と改善です。
まとめ
LLMとは、大量の文章データを学習し、文脈に応じて次のトークンを予測することで文章を生成する大規模な言語モデルです。
質問回答、文章作成、要約、翻訳、分類など幅広い用途に活用できますが、ハルシネーション、最新情報への対応、情報管理などの課題もあります。
また、LLMはAIエージェントそのものではありません。LLMを頭脳として、外部データやツール、業務システムと接続することで、情報提供だけでなく実際の業務や購買支援を行うAIエージェントへ発展します。
企業にとって重要なのは、LLMを単体の文章生成ツールとして導入することではありません。自社のデータや業務、顧客接点とどのように結びつけ、価値を生み出すかを設計することです。