このノウハウで解決する課題
専門サービス会社が AI ベンダーを選ぶ際、UIや機能比較は容易だが、「裏の基盤がどうなっているか」「将来の乗り換えコスト」「ベンダー破綻リスク」までは見えにくい。ジェンスン・ファン（Jensen Huang） の「全モデル横断」「フロンティアラボは全員 Nvidia 顧客」という発言を踏まえると、表面でなく 基盤レイヤーで評価する視点 が選定リスクを大きく下げる。
全体のイメージ
AI ベンダー評価は3層で行う:
- アプリケーション層: 機能・UI・業界特化度
- モデル層: 採用モデル（GPT / Claude / Gemini / Llama 等）・モデル切替性
- インフラ層: GPU 基盤（Nvidia / TPU / 自社チップ）・地理的配置・データ保持ポリシー
3層すべてを評価することで「2027年に乗り換えが必要になった時のコスト」が見える。
必要な準備
- 想定環境: 候補ベンダーが3社以上ある状態
- 前提知識: 自所のAI活用要件が文書化されている
手順
1. アプリケーション層の評価（表面）
- 業務カバー範囲（議事録要約・文書レビュー・調査対応 等）
- UI の使いやすさ
- 業界特化機能（仕訳辞書・判例DB連携 等）
2. モデル層の評価（中間）
| 確認項目 | なぜ重要か |
|---|---|
| 採用モデル名（GPT-5 / Claude / Gemini / Llama 等） | モデル品質と価格動向に直結 |
| 複数モデル切替対応 | 1モデルへの過度な依存を防ぐ |
| カスタムモデル利用可否 | 機微データを使う場合の選択肢 |
| モデル更新頻度 | ベンダーの技術投資量を反映 |
3. インフラ層の評価（深層）
| 確認項目 | なぜ重要か |
|---|---|
| GPU 基盤（Nvidia / TPU 等） | サプライチェーンリスク評価 |
| ホスティング先（AWS / Azure / GCP / 自前） | データガバナンス要件適合 |
| 地理的配置（日本リージョン有無） | 個人情報保護法・出入国管理 |
| データ保持ポリシー（保持ゼロ設定可否） | 機微情報取扱いの可否判断 |
| 監査証跡（CloudTrail等の標準連携） | 内部統制要件 |
4. ロックインリスク評価
「3年後にベンダーAから別ベンダーBへ移行する場合のコスト」を試算する。プロンプトテンプレート・ナレッジベース・履歴データの可搬性が鍵。
5. 最終スコアリング
3層×重要度で重み付けし、上位2〜3社に絞り込む。1位だけでなく2位も実評価することを推奨（PoC段階で1位が脱落するケースが多い）。
もう少し詳しく（技術編）
ベンダー選定で深く聞くべき技術質問例:
- 「裏で使われている基盤モデルは何ですか? 今後変更する予定はありますか?」
- 「データ保持ゼロ設定は標準ですか? VPC エンドポイント対応は?」
- 「推論基盤は NVIDIA NIM ベースですか、独自実装ですか?」
- 「APIキー単位での監査ログは取得できますか?」
- 「乗り換え時にエクスポートできるデータの範囲は?」
これらの質問への回答が曖昧なベンダーは、内部統制要件の厳しい士業の業務には向かない可能性が高い。
実装で不明点があればお気軽にご相談ください。→ /contact
効果と限界
効果:
- 表面機能だけでなく基盤リスクを評価できる
- 将来の乗り換えコストを事前に見積もれる
- ベンダーの技術力・継続性を見極める質問軸が手に入る
限界:
- 全質問に答えられるベンダーは限られる（特に中小ベンダー）
- 評価基準が技術寄りになりすぎると業務適合度を見落とす
- 最終判断は技術と業務の両面で行う必要がある
応用・派生
- 既存ベンダーの再評価: 同じチェックリストで既契約ベンダーを再評価し、リプレース候補を特定
- クライアントへの助言: クライアント企業のAIベンダー選定相談にも応用可能（特にサービス会社のクライアント企業向けアドバイザリー）
|