社内AIは内製か外注か｜判断する5つの軸と費用の出どころの違い【2026】

社内で使うAI──問い合わせ対応のボット、社内規程を検索できる仕組み、見積書のドラフトを作る機能。作ると決めたあとに必ず一度は止まるのが「これは社内で作るのか、外に頼むのか」という分岐です。そして多くの場合、この判断は見積金額の比較で行われます。それが一番危ない決め方です。

総務省の「令和7年版 情報通信白書」では、生成AIを活用する方針を定めた企業が2024年度で49.7%（2023年度は42.7%）に達しています。「使うかどうか」を決める段階はすでに折り返しを過ぎ、論点は「どう作って、どう維持するか」に移りました。この記事では、金額の比較に入る前に埋めておくべき5つの軸と、実務でいちばん成立しやすい第3の選択肢を整理します。

結論：内製と外注の分かれ目は「作る難易度」ではなく「変え続ける頻度」

社内AIの内製・外注を分けるとき、多くの会社は「うちのエンジニアで作れるか」を基準にします。しかし実際に差が出るのは作る段階ではなく、公開したあとに何回直すかです。

社内AIは、業務ルールが変わるたび、参照する資料が更新されるたび、使う人から「この聞き方だと答えてくれない」と言われるたびに手を入れることになります。この修正が月1回以上発生するなら内製寄り、年数回で足りるなら外注寄りという切り分けが、実務上いちばん外れません。

初期構築費が100万円で修正が1回5万円のものと、初期構築費が250万円で修正が社内で無料のもの。前者は修正30回で後者に並びます。社内AIは、使われていれば1年で30回の修正はごく普通に発生します。逆に、ほとんど使われないAIなら修正はゼロなので、初期費が安いほうが正解です。つまり内製か外注かは、そのAIがどれだけ使われるかの見込みで決まります。

判断する5つの軸

金額比較の前に、次の5つを埋めてください。この5つが揃うと、見積書を見なくても答えは概ね出ます。

軸1：変更頻度（最重要）

参照させるデータと、答え方のルールが、どのくらいの頻度で変わるか。就業規則や商品マスタのように四半期に一度しか変わらないものは外注で問題ありません。日次で増える案件情報や、担当者ごとに答え方を調整したいものは、外に投げるたびに費用と待ち時間が発生します。

軸2：データが社外に出せるか

顧客名、個人情報、原価、未公開の契約条件。これらを扱う場合、外注そのものが不可というより、「開発時にどこまで実データを見せるか」が論点になります。ダミーデータだけで開発できる設計にすれば外注は可能ですが、その分だけ精度検証が甘くなります。実データでの検証工程を誰がやるかを先に決めてください。

軸3：社内に「直せる人」がいるか（書ける人、ではない）

内製の可否をエンジニアの有無で判断すると外れます。生成AIを使う社内ツールの多くは、コードよりもプロンプトと参照データの整備で品質が決まるため、業務を理解している非エンジニアが直せる設計にできます。逆に、コードは書けても業務を知らない人しかいない場合、内製は失敗しやすくなります。

IPAの「DX動向2025」では、日本企業の85.1%がDXを推進する人材の不足を挙げており、米国・ドイツと比べて著しく高いと報告されています。ここで言う「人材」を全部エンジニアだと解釈すると、内製の選択肢は最初から消えます。直せる人＝業務が分かる人と定義し直すと、内製できる範囲は現実的に広がります。

軸4：失敗したときに誰が困るか

社内向けなら、間違えても「使わなくなる」で済みます。顧客に見える面（問い合わせ自動応答、見積の自動提示など）は、間違えると信用と金額に直結します。顧客に見える面は、責任の所在が契約で明確になる外注が向きます。社内向けの実験は内製で速く回すほうが得です。

軸5：やめるときのコスト

意外に見落とされるのが撤退コストです。外注で作ったものは、契約が切れた瞬間に誰も直せなくなることがあります。ソースコードとプロンプト、参照データの所有権が発注側にあるかは、契約前に必ず確認してください。「作った成果物一式を引き渡せるか」を聞いて、渋る相手は避けるのが安全です。

費用の出どころが、内製と外注では違う

比較を金額だけで行うと必ず外注が高く見えます。両者は費用の発生の仕方が違うためです。

外注の費用は「初期構築費＋保守費＋修正の都度費用」で、すべて請求書として見えます。予算として通しやすい反面、修正のたびに稟議が要るため、小さな改善が後回しになりがちです。

内製の費用は「担当者の時間＋API利用料＋失敗した試作の時間」で、このうち請求書として見えるのはAPI利用料だけです。担当者の時間は既存の人件費に埋もれるため、「内製はほぼ無料」という誤解が生まれます。実際には、社内AIを1つ立ち上げて安定させるまでに、担当者の実働で数十時間から数百時間かかります。

API利用料は、規模の感覚をつかむ材料になります。全社員に既製の生成AIを配る形であれば、たとえばClaudeのTeamプランは年間契約で1シートあたり月20ドルからと公開されています。100人なら月2,000ドル規模です。自社で組む場合はこれがトークン従量課金に置き換わり、使われた分だけ増減します。いずれにせよ、内製・外注の判断を左右するほどの金額差はここでは生まれません。差が出るのは人の時間のほうです。

現実的な第3の選択肢：設計だけ外注し、運用を内製する

実務でいちばん成立しやすいのは、内製と外注の二択ではなく、工程を分ける形です。

外に出す：要件の切り出し、データの持ち方（どの資料をどう分割して持たせるか）、精度の測り方、初回構築、社内向けの操作手順の整備。

社内に持つ：参照データの更新、プロンプトの微調整、使う人からの要望の一次受け、使われているかどうかの計測。

この配分が効くのは、最初の設計を間違えると後から直せない項目と、毎週触りたい項目がきれいに分かれているためです。特に「データの持ち方」は最初にしくじると全部作り直しになるため、経験のある側に決めさせる価値があります。逆にプロンプトの微調整を外注すると、待ち時間のせいで改善が止まります。

先に決めておく5つの契約項目

外注（または一部外注）を選ぶ場合、着手前に文書で確認しておく項目です。

1. 成果物の範囲。ソースコードだけでなく、プロンプト、参照データの前処理スクリプト、評価用のテストデータまで含むか。プロンプトを納品物に入れない契約は、実質的に引き継げません。

2. 精度の合意方法。「正しく答える」は検収基準になりません。あらかじめ質問を30〜50問用意し、そのうち何問に正しく答えられれば合格かを数値で決めます。この質問集は発注側が作るのが筋です。

3. 学習・利用されるデータの扱い。渡した社内データが、モデルの学習に使われない設定になっているかを、利用するAPIの契約条件レベルで確認します。

4. 修正の単価と反映までの日数。「軽微な修正は無償」という曖昧な条項ではなく、何を軽微とするかを例示させます。

5. 契約終了時の引き渡し。アカウント、データ、コード、ドキュメントの引き渡し手順を、終了時ではなく契約時に決めます。

判断のフローチャート

ここまでを1本の流れにまとめます。

Q1. 顧客に直接見える機能か。→ はい なら外注寄り（責任の所在を契約で明確にする）。いいえ なら Q2 へ。

Q2. 参照データやルールが月1回以上変わるか。→ はい なら内製寄り（外注だと修正費と待ち時間で負ける）。いいえ なら Q3 へ。

Q3. 業務を理解していて、週2〜3時間このAIを触れる人が社内にいるか。→ いない なら外注（内製で始めても止まります）。いる なら Q4 へ。

Q4. データの持ち方の設計を、社内で経験したことがあるか。→ ない なら「設計だけ外注・運用は内製」。ある なら内製。

この4問で決められない場合、まだ作るべき対象が絞り込めていない可能性が高いと考えてください。「社内AIを入れたい」という粒度のままでは、内製・外注のどちらを選んでも同じ理由で止まります。

Mihataでは、独自AI開発を「一式受託して納品して終わり」ではなく、この配分の相談から入っています。設計とデータの持ち方だけをこちらで固め、日々の調整は貴社の担当者が触れる形にすることも、運用ごと引き受けることもできます。どちらが安く済むかは、上の5軸を一度埋めてみると見えてきます。

金額の目安から先に知りたい場合は独自AI開発の費用相場｜中小企業がいくらで作れる？事例と価格の決まり方をご覧ください。社内資料を参照させる仕組みの作り方は自社専用ChatGPTの作り方｜社内データを安全に使うRAG構築と情報漏洩対策と社内AIナレッジボットの作り方｜問い合わせ対応を自動化するステップと失敗回避術で扱っています。内製に踏み切る前に読んでおきたい失敗例はAIで社内アプリを内製して失敗する7パターン、外注費の相場感はGAS開発の外注費用｜規模別の相場と内製・外注の分かれ目にまとめています。