汎用LLM至上主義のAI開発戦略｜専用AIを作らない・ドメイン知識の言語化が鍵・エージェント環境5層設計・6領域横展開の実践ロードマップ【2026年版】

株式会社renue

2026/4/10 公開

AI導入・DXの悩みをプロに相談してみませんか？

AIやDXに関する悩みがありましたら、お気軽にrenueの無料相談をご利用ください。 renueのAI支援実績、コンサルティングの方針や進め方をご紹介します。

「専用AIを作るな、汎用LLMに仕事をさせろ」——AI開発戦略の新パラダイム

多くの企業が「自社専用のAIモデルを作ろう」と考えます。しかし、ある考え方はそれを真っ向から否定します。「汎用LLM（Claude、GPT等）が最高であり、それに多様な仕事をさせる環境づくりが重要。多くの専用モデルは無駄で、汎用モデルによって駆逐される」

これは暴論でしょうか。いいえ。ホワイトカラー業務はほぼ全て言語化できるからこそ、汎用LLMの仕事にできるのです。大事なのはモデルを作ることではなく、ドメイン知識を言語化することです。

本記事では、汎用LLM至上主義に基づくAI開発戦略と、ドメイン知識の言語化からAIエージェント環境設計までを解説します。

なぜ専用AIモデルは「無駄」なのか

汎用LLMの進化速度が速すぎる

専用モデルの開発には数ヶ月〜数年かかります。しかしその間に、汎用LLMは数世代進化します。莫大なコストで作った専用モデルが、次の汎用LLMアップデートで性能を超えられるケースが続出しています。

専用モデルが有効なケースは限定的

専用モデル（SLM）が汎用LLMに勝る場面は確かに存在します。

専用モデルが有効	汎用LLMで十分
リアルタイム推論（ミリ秒単位）	数秒の応答が許容される業務
完全オフライン環境	インターネット接続が可能
極めて特殊なドメイン（医療画像等）	テキストベースのホワイトカラー業務
デバイスエッジ処理	クラウドAPIが利用可能

ほとんどのBtoB業務は右列に該当します。つまり、汎用LLMで十分です。

ドメイン知識の言語化が全て

AIの精度を決めるのはモデルではなくコンテキスト

同じ汎用LLMでも、与えるコンテキスト（業務知識・ルール・事例）の質と量で出力の精度が劇的に変わります。

❌ 低品質なプロンプト
「請求書を処理して」

✅ ドメイン知識を言語化したプロンプト
「経理部の請求書受取業務を処理します。
 ・基幹システムで経理を一元管理
 ・請求書は月末締め翌月末払い
 ・税区分は10%標準/8%軽減/非課税の3種
 ・100万円以上は部長承認が必要
 この業務フローに基づいて、以下の請求書を処理してください」

後者は専用AIモデルを作ったのと同等の精度を、プロンプトの工夫だけで実現しています。

言語化すべき3つのドメイン知識

業務ルール：判断基準、承認フロー、例外処理
業界用語：専門用語の定義、略語の展開
暗黙知：ベテランだけが知っている判断のコツ、過去の失敗事例

AIエージェント環境設計の5層

第1層：汎用LLM（Claude/GPT等）
  ↑ 最新モデルにキャッチアップし続ける
第2層：エージェントフレームワーク（Claude Code）
  ↑ ツール呼び出し・MCP連携・自律実行
第3層：CLAUDE.md（プロジェクト指示書）
  ↑ ドメイン知識・ルール・制約の言語化
第4層：Skill（業務テンプレート）
  ↑ 繰り返し業務のワークフロー化
第5層：MCP連携（外部システム接続）
  ↑ DB・API・Slack・カレンダー等

専用AIモデルを作る代わりに、第3-5層を充実させることで、汎用LLMに高精度な業務を実行させます。

技の6領域でAIを横展開する

1つの領域を深く理解していれば、隣接領域はAIを活用して自分の守備範囲を広げられます。

領域	AIによる横展開の例
渉外	AIが提案書ドラフトを作成→人間がレビュー・カスタマイズ
戦略	AIがIR資料を分析→人間が戦略判断
分析	AIがデータ探索・可視化→人間が洞察
設計	AIが設計案を複数提示→人間が選択・判断
開発	AIがコード生成・テスト→人間がレビュー・承認
PMO	AIが進捗レポート自動生成→人間が判断・エスカレーション

例えば、真にPMOをしているなら、コミュニケーションや開発チケット起票を理解しており、人に依頼できます。その力があればAIに依頼して、成果物をチェックすることで実質自分でやることが可能です。

ノーコードツールが「論外」な理由

カスタマイズの限界：ノーコードは「用意された枠」の中でしか動けない
エージェント統合の困難：Claude Code等のエージェントフレームワークと連携できない
スケーラビリティの欠如：複雑な業務フローに対応できない
ベンダーロックイン：特定プラットフォームに依存する

AIエージェントフレームワーク（Claude Code等）は、日本の会社が作ったエージェントアプリでは太刀打ちできない試行錯誤と拡張性を持っています。

新しい汎用モデルへのキャッチアップ戦略

汎用LLM至上主義では、常に最新の汎用モデルにキャッチアップすることが重要です。

キャッチアップの3原則

モデル非依存のアーキテクチャ：特定モデルに依存しない設計にする
プロンプトとSkillに知識を蓄積：モデルが変わってもドメイン知識は引き継げる
3ヶ月ごとの見直し：新モデルのリリースに合わせてベンチマーク評価

実践ロードマップ

フェーズ	期間	やること
1. 言語化	1-2週間	業務ルール・判断基準・暗黙知をドキュメント化
2. CLAUDE.md化	1週間	言語化した知識をCLAUDE.mdとSkillに落とし込む
3. 検証	2週間	実業務でAIの出力品質を検証・フィードバック
4. 展開	1ヶ月	チーム全体に展開・6領域の横展開を促進
5. 改善	継続	プロンプト・Skillの品質を継続的に向上

まとめ：汎用LLM戦略チェックリスト

項目	チェック
戦略	専用AIモデル開発に投資する前に、汎用LLM+ドメイン知識言語化で代替可能か検証したか
言語化	業務ルール・業界用語・暗黙知がドキュメント化されているか
環境	CLAUDE.md・Skill・MCP連携の5層が設計されているか
横展開	6領域でAI活用が進んでいるか
キャッチアップ	新しい汎用モデルのリリースを追跡し、3ヶ月ごとに評価しているか
ノーコード	ノーコードに頼らず、エージェントフレームワークを活用しているか

AI開発の勝ち筋は「専用モデルを作ること」ではなく「汎用LLMに業務を教えること」です。ドメイン知識を言語化し、CLAUDE.mdとSkillに落とし込み、エージェントフレームワークで拡張する——この戦略が、最小コストで最大のAI活用を実現します。

あわせて読みたい

AI活用のご相談はrenueへ

renueは553のAIツールを自社運用する「自社実証型」AIコンサルティングファームです。

→ AIコンサルティングの詳細を見る

エンジニアキャリア連載

エンジニア組織の成長支援はrenueにご相談ください。