
愛(AI)と共に:👀CEATEC 2026で見えた日本企業のAI課題‼️
CEATEC 2026(10/13-16の四日間開催)に行ってきました。
私が参加したのは、「通信x AI」と「農業x AI」のコンベンションやディスカッションがあった日。2日(2回)ほど参加です。
おそらく10年ぶり(7年かも😅)の参加と思いますがCEATEC展示ブースでは、メインブースに東芝とパナソニックが消え、ロボットやドローンは中国の存在感を強く感じるというのが最初の印象でした。
半導体製造系の、キオクシア、マイクロン、ルネサス、ソニーセミコン、ロームなどを1箇所に集め無いと展示もできない。
(ここは色々と難しい背景があります)
新製品の無さ、デジタルカメラや携帯電話の様な最終製品を作れなくなった現実。
この辺りをCEATECであらためて確認した感じです。
寂しい話をしましたが、隣で開催されていたモビリティ(車などの移動手段)の展示は未来を感じられるのでご安心を。
(変形する小型バイクは欲しかった❣️)
今回はメインのテーマ「日本のAI」についてCEATECで聞いた話を中心にまとめて行きます。
AIは高性能なら良いのか? CEATEC 2026で見えてきた、日本企業が抱えるAI導入の壁🧱
クラウドAIのコスト、ローカルAIの可能性、そして日本人のAI不信について考える
CEATEC 2026に足を運び、AIに関するいくつかのコンベンションやディスカッションを聞く機会がありました。
AIといえば、最近は新しいモデルが登場するたびに「さらに賢くなった」「人間を超える」「仕事がなくなる」といった話題が目立ちます。
ところが、実際に会場で耳にしたのは、少し違う話でした。
「日本では自動運転がなかなか進まない」
「日本人はAIを信用しない」
「日本人はAIの嘘をひどく嫌がる」
「情報漏洩が心配」
「APIの利用料が高い」👈分かり難いでしょうがここ重要⚠️
「AIパソコンも高い。それならレンタルはどうか」
どれも、AIの性能そのものより、AIを日本の社会や企業の中でどう使っていくかという問題です。
今回は、CEATECで聞いた話を振り返りながら、AI導入の現実的な方向性について考えてみたいと思います。
1. 日本人はAIを信用しない?
印象に残った話の一つが、日本人のAIに対する信頼の低さでした。
特に分かりやすい例として挙げられたのが、自動運転です。
人間が運転していても交通事故は起こります。それなのに、自動運転のAIが事故を起こすとなると、途端に厳しい目が向けられます。
もちろん、人間の事故と自動運転の事故は、責任の所在やシステムの設計という点で同じではありません。
ただ、ここには考えるべき問題があります。
AIには、人間以上の完全性を求めていないだろうか?
これはハルシネーションの問題にもつながります。
ハルシネーションとは、AIが事実と異なる情報を、もっともらしく回答してしまう現象です。
AIが間違えると「やっぱりAIは信用できない」となりますが、人間だって記憶違いもあれば、勘違いもあります。
むしろ重要なのは、AIが絶対に間違えないことを期待するよりも、間違いをどう発見して、どう修正するかという仕組みを作る事が重要と私自身は考えています。
ただし、間違いが許される仕事と許されない仕事があります。
雑談やアイデア出しなら多少の間違いは問題になりませんが、医療、法律、安全に関する判断では確かに話が変わります。
AIの信頼性は、一律に評価するのではなく、使う場面とリスクに応じて考える必要がありのです。
なお、「日本人はAIを信用しない」というのは今回聞いた問題提起の一つです。国民性だけで説明できるものではなく、制度、企業文化、社会的責任、利用経験なども関係しているとも感じました。
2. 優秀なクラウドAIは、やはり高い
現在のAIは、クラウドで提供される高性能なモデルが中心です。
(チャピー、Gemini、Claudeなど)
ChatGPTなどを使えば、文章作成、プログラミング、調査、分析まで、さまざまな仕事を任せられます。
ただし、企業で本格的に利用すると、どうしても気になるのがコストです。
特にAPIを使ってAIを組み込む場合、一般的には処理量に応じて料金が発生します。
社員が数人で利用しているうちは小さな金額でも、利用者が数百人に増え、AIエージェントが何度も調査や処理を繰り返すようになれば、費用は大きくなりかねません。
しかも、高性能なAIが必要なのかという問題もあります。
例えば、社員が毎日確認する就業規則や、技術マニュアルの問い合わせに、世界最高クラスの推論能力は必要でしょうか。
もちろん、高性能なモデルの方が難しい質問にも対応できるでしょう。
しかし、決まった社内情報を検索して案内するだけなら、もう少し小さなAIでも十分に役立つかもしれません。
AIに何をさせるかによって、必要な性能は変わる。
当たり前のことですが、導入時には意外と忘れがちな視点です。
3. そこそこのローカルAIに、会社の知識を持たせる
今回、特に興味深かったのがローカルAIの活用でした。
ローカルAIとは、外部のクラウドサービスではなく、社内のパソコンやサーバーで動かすAIです。
そのAIに、次のような情報を参照させます。
社内規程、業務マニュアル、過去の資料
自社製品や設備の技術情報、仕様書
関係する法律、規制、業界基準
すると、一般的な質問に何でも答えるAIではなく、自社業務に詳しいAIを作ることができます。
例えば、製造業の社員が「この部品を変更する場合、どの技術基準と社内承認が必要か」と質問した場合、社内資料や規制文書を探して、参考となる情報を整理してくれるわけです。
ここで活用できるのがRAG(ラグ)という仕組みです。
RAGは、AIにすべての知識を覚え直させるのではなく、質問に関連する資料を検索し、その内容を参照して回答する方法です。
つまり、大掛かりな追加学習をしなくても、社内情報を活用するAIを構築できる可能性があります。
法律や規制に関しては、文書の更新日、適用範囲、改正情報を管理し、最終判断は専門家や責任者が行う必要があります。
それでも、資料探しや情報整理の時間を減らす効果は期待できそうです。
私が面白いと思ったのは、ここです。
企業が必要としているのは、何でも知っている天才AIではなく、自社の仕事に詳しい実務担当AIなのかも知れない。
この点です。
4. ローカルAIなら情報漏洩も費用も解決する?
もちろん、そこまで単純ではありません。
ローカルAIは、社内ネットワーク内で動かすことができるため、機密情報を外部のAIサービスへ送信せずに処理できる構成を作れます。
APIの従量課金も抑えられます。
一方で、ローカルAIには別の費用が必要です。
高性能なパソコン、GPU、RAM、ストレージ、電力、保守管理などです。
また、社内で動かしているからといって、情報漏洩の心配が完全になくなるわけではありません。アクセス権限や端末管理、ログ管理なども必要になります。
そして、今回のCEATECでは、RAMをはじめとするメモリ価格の上昇も話題になってました。
AI向けの設備需要が増えることで、一般のパソコンにも価格面で影響が既に出ています。
クラウドAIが高いからローカルAIに移ろうとしても、今度はパソコンそのものが高い。
なかなか悩ましい状況です。
5. 高価なAIパソコンはレンタルすればいい?
そこで出てきたのが、AIパソコンをレンタルするという提案です。
これは、なかなか面白い考え方だと思いました(笑)。
AI用に高価なパソコンを購入しても、期待した性能が出るとは限りません。
使ってみて初めて、メモリ不足や回答速度、同時利用時の限界が分かることもあります。
それなら、最初から購入するのではなく、レンタルで試してしまえばいい。
一定期間、実際の業務に近い環境で利用して、導入する価値があるか確認するわけです。
検証する項目も明確にできます。
社内資料への質問に適切に答えられるか
回答するまで何秒かかるか
複数の社員が同時に使えるか
クラウドAIと比較して費用を抑えられるか
誤回答や資料の更新に対応できるか
レンタルには、長期利用では割高になる場合や、機密データを保存した機器の返却時に適切な消去が必要といった注意点もあります。
それでも、導入前の性能検証としては十分に価値があります。
AIパソコンの性能は、NPUの有無だけで決まるわけではありません。利用するモデルの大きさやRAM容量、GPUメモリ、メモリ帯域なども重要です。
まず小さく試して、成果が見えたら購入や本格導入を考える。
AIの進歩が速い今だからこそ、この方法は合理的なのではないでしょうか。
6. 正解がある問いと、正解がない問い
今回のディスカッションで、もう一つ印象に残ったのが、AIへの問いかけ方です。
大きく分けると、仕事には「正解がある問い」と「正解がない問い」があります。
例えば、計算、仕様との照合、決められたルールによる判定などは、正解が存在する仕事です。
こうしたものは、AIに処理させたうえで結果を検証する方法が適しています。
一方、新規事業の方向性、政策、デザイン、経営戦略のように、一つの正解が決まっていない問題もあります。
そのような場合、AIに最終回答を決めさせるよりも、情報の整理、選択肢の比較、メリットとデメリットの提示を任せる方がよさそうです。
最終的な判断は人間が行います。
そして、私はもう一つの分類があると思いました。
それは「正解はあるが、まだ誰にも分からない問い」です。
例えば、新商品が売れるか、今後どの技術が普及するか、といった問題です。
この場合はAIに仮説を作らせ、現実の小さな実験で確認することが有効でしょう。
AIの使い方を整理すると、次のようになります。
問いの種類🤖AIの役割👦人間の役割
正解がある🤖計算・検索・処理👦検証・例外対応
正解がない🤖情報整理・選択肢の提示👦価値判断・決定
正解がまだ分からない🤖仮説・実験案の作成👦実験・評価・改善
これだけでも、AIへの依頼の仕方はかなり変わりそうです。
7. 目的のない調査は、お金だけがかかる
最後に、今回の話で改めて重要だと思ったのが、目的設定です。
AIは便利なので、つい「詳しく調べて」「徹底的に分析して」「できるだけ多くの情報を集めて」と頼みたくなります。
ところが、目的や終了条件を決めずにAIエージェントを動かすと、調査範囲が際限なく広がりかねません。
情報は増えるものの、結局何を決めればよいのか分からない。
そのうえAPI料金や使用トークンまで増えてしまいます。
(その為、利用制限に引っかかる)
これは人間の仕事でも同じです。
目的を曖昧にしたまま調査を依頼すれば、膨大な資料だけが出来上がり、意思決定につながらないことがあります。
AIの場合は、それが高速かつ大量に発生する可能性があります。
そこで、AIへ仕事を依頼する前に、少なくとも4つは決めておきたいと思います。
目的、調査範囲、費用や時間の上限、終了条件。
例えば「地方観光について調べる」ではなく、「地方観光地の集客施策を3つ比較し、予算、効果、実現までの期間を整理する」と指定する。
この違いは大きいでしょう。
AIを使う能力とは、質問する技術だけではなく、仕事の目的と完了条件を設計する能力でもあるようです。
8. AIは最高性能を追うより、必要な能力を選ぶ時代へ
今回のCEATECを通して、AIへの見方が少し変わりました。
これまでは、AIがどこまで賢くなるのか、どれだけ人間の仕事を代わりにできるのかという話が中心だったように思います。
しかし、企業でAIを活用する段階では、別の問題が見えてきます。
どの情報をAIに渡すのか。
どの業務なら間違いが許されるのか。
どこまでを自動化するのか。
どのくらいの費用なら採算が合うのか。
そして、どこで人間が判断するのか。
こうして考えると、すべての仕事に高性能なクラウドAIを使う必要はありません。
日常的な問い合わせや資料検索にはローカルAIを活用し、高度な推論や専門的な分析が必要な場合にはクラウドAIを使う。
さらに、導入前にはAIパソコンをレンタルして、実際の業務で効果を確認してみる。
そんな現実的な組み合わせが、今後の企業のAI導入では重要になるのかもしれません。
もちろん、レンタルがいつでも得とは限りませんし、ローカルAIが必ず安くなるわけでもありません。
大切なのは、AIの性能だけではなく、導入・運用・保守まで含めて判断することです。
そして、もっと重要なのは、企業自身が何をAIに任せたいのかを理解していることでしょう。
高価で優秀なAIを導入しても、社内資料が整理されていなければ十分に活用できません。
反対に、必要な情報が整理され、業務の目的が明確なら、小さなAIでも大きな価値を生み出せる可能性があります。
AIに仕事を合わせるのではなく、仕事に合ったAIを選ぶ。
今回のCEATECでは、そんな当たり前で重要なことを、改めて考える機会になりました。
AIの進歩を追いかけるのも楽しいですが、これからは「AIをどう使うか」を考える方が、もっと面白くなりそうです。
この記事はCEATEC 2026で聞いた講演・ディスカッションの論点をもとに、筆者自身の考察を加えて構成したものです。
個別の発言を正確に引用した議事録ではありません。