前編では、東大・京大入試を題材として、なぜGeminiが文系的構造理解に強く、Claudeが日本史や自然な文章に優れ、ChatGPT系が数学・推論に強いのかを考察しました。
そして見えてきたのは、単なる「AI性能比較」ではありませんでした。
本当に重要だったのは、「AIをどう組織に埋め込むか」という問題です。
2026年現在、多くの企業はまだ「ChatGPTを試す段階」にいます。しかし
世界の先端企業はすでに次の段階へ進み始めています。
それは、
・AIを単なるチャットツールとして扱わない
・社内データと接続する
・業務フローに組み込む
・責任構造と分離して設計する
という「組織AI化」の段階です。特に重要なのは、OpenAIが公開したGPT-OSS系モデルや、
Ollamaを用いたローカルLLM運用によって、「インハウスAI」が現実的になってきたことです。
これによって企業は、「クラウドAIを借りる」だけではなく、「自社内でAIを持つ」
という選択肢を持ち始めました。
本記事では後編として、
・比喩や皮肉にAIはなぜ弱いのか
・なぜClaudeは“人間らしい”のか
・GPT-OSSとOllamaは実務で使えるのか
・なぜ企業は“AI三層構造”へ向かうのか
・AI時代に人間はどこへ残るのか
を、生成過程そのものに注目しながら整理していきます。
以下、Gemini・Claude・ChatGPT系AIの違いを東大入試から分析。
文系・理系・日本史・数学の差から、「組織AI化」の本質を考察した前編です。
https://www.dirac226.com/2026/05/12/ai_entranceexam_gemini%e3%83%bbclaude%e3%83%bbchatgpt/
- 第1章：なぜAIは比喩・皮肉・空気に弱いのか
- 第2章：なぜ企業は「インハウスAI」を求め始めたのか
- 第3章：AIは実務で本当に使えるのか
- 第4章：AI時代に人間はどこへ残るのか
- 参考・関連記事
- 参考資料
- 参考記事
- インハウスAI・Ollama・Claudeに関するよくある質問（Q&A）
- Q1. インハウスAIとは何ですか？
- Q2. Ollamaは何をするためのツールですか？
- Q3. Ollamaを使えば、社内データが外部に漏れる心配はなくなりますか？
- Q4. OllamaとClaudeは、どのように使い分ければよいですか？
- Q5. ClaudeそのものをOllamaで動かせるのですか？
- Q6. GPT-OSSとOllamaを組み合わせるメリットは何ですか？
- Q7. 企業がAIを導入すると、業務をすべて自動化できますか？
- Q8. Claudeの利用料金を抑えるには、どうすればよいですか？
- Q9. AIを組織に導入するとき、人間にはどのような役割が残りますか？
- Q10. インハウスAIを導入する場合、最初に何から始めればよいですか？
- まとめ：AIの性能比較から、組織の設計へ
第1章：なぜAIは比喩・皮肉・空気に弱いのか
生成AIは2026年時点で東大理三合格レベルに達しつつあります。しかし、その一方で「皮肉」「含み」「場の空気」といった人間的文脈では、いまだ不安定さを見せます。
これは単なる性能不足ではありません。むしろ、LLM（大規模言語モデル）の構造そのものが、「字義」と「真意」がズレる状況を苦手としているからです。この章では、なぜAIが比喩や感情文脈に弱いのかを、入試問題・日本語・人間評価の観点から考えていきます。
AIは「正しい言葉」を選ぶが、「本音」を保証しない
LLMは基本的に、「次に最も確率が高い単語」を生成しています。
つまり内部では、
- 発話者の感情
- 場の空気
- 皮肉
- 本音
- 暗黙知
を理解しているわけではありません。
たとえば人間は、
「素晴らしい会議でしたね（最悪だった）」
という皮肉を、空気から理解します。
しかしAIは、字義通りに読めば「肯定」と判断する可能性があります。
実際、2026年共通テスト検証では、複数AIが「人間感情」や「イラスト文脈」で誤答したことが報告されています。 :contentReference[oaicite:0]{index=0}
つまりAIは、
「論理」
には強い。
しかし、
「社会的含意」
にはまだ脆い。
これは重要です。
なぜなら企業実務の多くは、
- 曖昧な依頼
- 責任回避表現
- 政治的配慮
- 空気を読む判断
によって成立しているからです。
Claudeが“人間らしい”と言われる理由
興味深いのは、Claude系モデルがしばしば
「自然」
「違和感が少ない」
「人間らしい」
と評価される点です。
これは単なる日本語性能ではありません。
Anthropic系モデルは、長文一貫性と文脈保持を非常に重視しています。
その結果、
- 前半と後半で人格が崩れにくい
- 断定しすぎない
- 急に論調が飛ばない
- 説明が過剰攻撃的になりにくい
という特徴が出ます。
日本史記述や長文説明でClaudeが高評価を得た背景にも、この「文脈維持能力」があると考えられています。 :contentReference[oaicite:1]{index=1}
つまりClaudeは、
「正解率」
だけではなく、
「読み手が違和感を抱かない」
方向へ最適化されている可能性があります。
ここに、単なるベンチマークでは測れない「AIの性格差」が見え始めています。
第2章：なぜ企業は「インハウスAI」を求め始めたのか
生成AIブーム初期、多くの企業はChatGPTやClaudeを「外部サービス」として利用していました。しかし現在、世界の企業は徐々に「自社内でAIを持つ」方向へ動き始めています。
背景には、機密性・監査・コスト・継続利用の問題があります。特にOpenAIがGPT-OSS系モデルを公開し、Ollamaによるローカル運用が普及したことで、インハウスAIは現実的な選択肢になりました。
この章では、なぜ今インハウスAIが重要視されるのかを考えます。
ChatGPT系は「存在しなかった」のではなく、「持てなかった」
以前、多くの人は、
「インハウスAI＝Llama系やOSS系」
という印象を持っていました。
理由は単純です。
従来のChatGPT系モデルは、
- クラウド前提
- モデル非公開
- オンプレ不可
- 重み未提供
だったからです。
つまり企業側は、
「便利だが、自社で持てない」
という状態でした。
しかし2025年以降、OpenAIはGPT-OSS系モデルを公開し始めます。
これにより、
- ローカル実行
- オンプレミス
- 監査ログ保持
- API依存低減
が可能になりました。
さらにOllamaによって、ローカルLLM運用は急激に簡略化されます。
Shell例：
ollama run gpt-oss:20bこの変化は非常に大きい。
なぜなら企業は初めて、
「AIを借りる」のではなく、
「AIを所有する」
方向へ進めるようになったからです。
Claudeの費用問題は「使い方」の問題でもある
多くの企業がClaudeを高く評価する一方で、
「費用が重い」
という問題を抱えています。
特に長文・大量処理・常時運用では、クラウドAI課金は急速に膨らみます。
しかし重要なのは、
Claudeを“全部”に使う必要はない
という点です。
実務上、本当に高価な文脈理解が必要なのは、
- 社外文章
- 説明責任文書
- 曖昧問い合わせ
- 人間向け要約
など限定領域です。
逆に、
- チェック
- 分類
- 数値判定
- 業務ルール適用
はOSS系LLMでも十分実用的です。
つまり現実的な企業構成は、
- 大量処理 → GPT-OSS / Ollama
- 高文脈処理 → Claude
という分業になっていきます。
これは単なるコスト削減ではありません。
AIを「役割分離」し始めているのです。
第3章：AIは実務で本当に使えるのか
生成AIは派手なデモでは驚異的に見えます。しかし企業が本当に知りたいのは、「実務で壊れないのか」という点でしょう。
実際、AIは万能ではありません。誤読もしますし、嘘も混ぜます。しかし一方で、構造化・要約・分類・検索補助といった領域では、すでに人間を大きく上回る効率を見せ始めています。
この章では、「AIは何に使えるのか」を幻想ではなく実務軸で整理します。
AIが強いのは「判断」より「前処理」
企業が誤解しやすいのは、
AIに最終判断をさせようとする
ことです。
しかし現在のAIが本当に強いのは、
- 整理
- 分類
- 要約
- 検索
- 比較
- 候補生成
です。
つまり、
「人間が判断しやすい状態を作る」
ことに圧倒的に強い。
たとえば社内規程レビューでも、
- 規程違反候補抽出
- 関連文書提示
- 根拠整理
- チェックリスト生成
は非常に得意です。
逆に、
- 例外承認
- 政治判断
- 法的責任
- 倫理的最終決定
は苦手です。
ここを混同すると、
「AIが暴走した」
という事故になります。
AI時代に重要なのは「全部自動化」ではない
2023〜2024年頃、多くの企業は
「AIで全部自動化」
を夢見ていました。
しかし2026年現在、先進企業はむしろ逆方向へ向かっています。
つまり、
- 責任を分離する
- 判断を分解する
- AIを限定配置する
- ログを残す
方向です。
なぜか。
AIは便利ですが、
「説明責任を負えない」
からです。
そのため現在重要なのは、
AIを賢くすること
ではなく、
AIを安全に配置すること
になり始めています。
これはまさに、
「組織設計」
の問題です。
第4章：AI時代に人間はどこへ残るのか
生成AIが東大・京大レベルへ到達しつつある現在、多くの人が「人間は不要になるのか」と不安を抱きます。しかし実際には、AIの発展は逆に「人間が何を引き受ける存在なのか」を浮かび上がらせ始めています。
重要なのは、AIは責任を負えないという点です。AIは推論し、提案し、分類できます。しかし最終的に「決める」「引き受ける」「説明する」のは依然として人間です。
この章では、AI時代に残る人間の役割を考えます。
AIは「知能」を拡張するが、「責任」は持てない
AIは確かに驚異的です。
東大理三レベル。
数学満点。
長文読解。
コード生成。
ここまで来ています。
しかしAIは、
- 責任を取れない
- 法的主体になれない
- 倫理的負債を負えない
という根本問題を抱えています。
だから企業は結局、
「誰が決めたのか」
を必要とします。
ここに、人間が残ります。
つまりAI時代の人間は、
「全部知っている人」
ではなく、
「最終的に引き受ける人」
へ変わっていく可能性があります。
AI時代は「知識量」より「構造設計」が問われる
かつて知識量は強さでした。
しかし現在、知識検索だけならAIの方が速い。
すると人間に残る価値は、
- 何を接続するか
- どこで責任を止めるか
- どのAIを使うか
- どこを人間が見るか
という「構造設計」へ移ります。
これは重要です。
AI時代は、
「一番賢い人」
より、
「AIと組織を安全に繋げられる人」
が重要になる可能性が高いからです。
そしてその設計思想として、現在急速に注目され始めているのが、
「判定」
「文脈」
「責任」
を分離する「三層構造」です。
次回は、
- インハウスAI三層構造
- 判定層／文脈層／責任層
- Ollama×RAG×業務DB
- Claude使用量を減らす設計
- AIエージェント時代の監査
を、さらに実装・運用レベルで考察します。
参考・関連記事
- 東進「2026年東大二次試験AI検証」
- LifePrompt「東大・京大二次試験AI比較
- ITmedia「AIは共通テストをどう解いたか」
- ChatGPT / Claude / Gemini比較記事
参考資料
参考記事
- 東進「2026年東大二次試験AI検証」
- LifePrompt「東大・京大二次試験AI比較」
- ITmedia「AIは共通テストをどう解いたか」
- ChatGPT / Claude / Gemini比較記事
インハウスAI・Ollama・Claudeに関するよくある質問（Q&A）
インハウスAIを導入する際には、ローカルLLMの仕組み、ClaudeなどのクラウドAIとの使い分け、費用、セキュリティ、そして人間の役割を整理することが重要です。ここでは、企業がAIを組織に組み込むうえで押さえておきたいポイントをQ&A形式で解説します。
Q1. インハウスAIとは何ですか？
A. インハウスAIとは、企業が自社の管理下にある環境で運用するAIのことです。社内サーバーや管理されたクラウド環境などを利用し、社内データや業務フローと連携させます。単にAIを使うだけでなく、データ管理、アクセス権限、運用ルールまで含めて設計することが重要です。
Q2. Ollamaは何をするためのツールですか？
A. Ollamaは、対応する言語モデルを自分のPCやサーバー上で実行するためのツールです。モデルの取得や起動を比較的簡単に行えるため、ローカルLLMを試したい場合や、社内環境でAIを運用する仕組みを構築したい場合に役立ちます。ただし、利用できるモデルの性能や速度は、モデルの種類とハードウェアに左右されます。
Q3. Ollamaを使えば、社内データが外部に漏れる心配はなくなりますか？
A. ローカル環境でモデルを実行すれば、入力データを外部のAIサービスへ送らずに処理できる構成を実現できます。ただし、Ollamaを導入するだけで情報漏えい対策が完成するわけではありません。ネットワーク設定、外部連携、ログ、ファイルへのアクセス権限、バックアップなども確認する必要があります。
Q4. OllamaとClaudeは、どのように使い分ければよいですか？
A. 定型的な分類や要約、社内文書の検索、繰り返し発生する処理には、ローカルLLMが適する場合があります。一方、複雑な文脈理解、自然な文章の作成、難しいコードの検討などでは、利用可能なClaudeのモデルが有力な選択肢になります。実際の性能はタスクごとに検証し、品質・費用・情報管理の条件に応じて使い分けるのが現実的です。
Q5. ClaudeそのものをOllamaで動かせるのですか？
A. ClaudeはAnthropicが提供するモデルであり、Ollamaでローカル実行する一般的なオープンモデルとは異なります。Ollamaで動かすのは、Ollamaが対応するローカルモデルです。Claudeに似た操作画面や開発ツールからローカルモデルを利用できる構成があっても、それはClaude本体をローカルで実行していることを意味しません。利用するツールと接続先のモデルを区別しましょう。
Q6. GPT-OSSとOllamaを組み合わせるメリットは何ですか？
A. GPT-OSSのような公開ウェイトのモデルを対応環境で利用すれば、自社の管理下でAIを動かす選択肢が広がります。Ollamaはモデルの実行環境を整える手段の一つです。導入前には、ライセンス、必要なメモリやGPU性能、処理速度、精度、保守体制を確認し、実際の業務に適しているかを評価してください。
Q7. 企業がAIを導入すると、業務をすべて自動化できますか？
A. すべての業務をAIに任せることが、必ずしも最善とは限りません。AIは文書の要約、情報検索、分類、コードの下書き、データ分析などの前処理を支援できます。一方、例外処理、重要な意思決定、顧客への最終回答などは、人間による確認や承認を組み込むことが重要です。
Q8. Claudeの利用料金を抑えるには、どうすればよいですか？
A. すべての処理を高性能なクラウドAIに集中させず、作業の難易度や必要な品質に応じてモデルを使い分ける方法があります。定型処理はローカルLLM、複雑な文脈理解が必要な作業はクラウドAIという分担が考えられます。ただし、ローカル運用にもハードウェア、電力、構築、保守などの費用がかかるため、総コストで比較する必要があります。
Q9. AIを組織に導入するとき、人間にはどのような役割が残りますか？
A. AIが情報を整理し、候補を提示し、判断を支援しても、企業としての最終的な責任まで自動的に引き受けるわけではありません。人間には、AIの出力を検証すること、判断基準を定めること、権限と責任の所在を明確にすること、そして結果を説明することが求められます。AI時代には、AIを業務へ安全につなぐ仕組みを設計する力が重要になります。
Q10. インハウスAIを導入する場合、最初に何から始めればよいですか？
A. まずは、AIに任せたい業務を一つ選び、入力データの機密性、求める精度、利用者、費用、失敗時の影響を整理します。そのうえで、ローカルLLMとクラウドAIの候補を小規模に比較し、アクセス制御、ログ管理、人間による確認手順を整備します。いきなり全社導入を目指すのではなく、検証結果をもとに段階的に拡大することが現実的です。
まとめ：AIの性能比較から、組織の設計へ
インハウスAI、Ollama、Claude、GPT-OSSを考える際に重要なのは、単純に「どのAIが最も賢いか」を競うことではありません。どの処理をどのモデルに任せ、社内データをどこで扱い、誰が最終判断と責任を担うのかを設計することです。
AIを組織に組み込む第一歩は、すべてを自動化することではなく、判定・文脈理解・人間の責任を適切に分け、必要な場所で連携させることにあります。
〆最後に〆
以上、間違い・ご意見は
以下アドレスまでお願いします。
全て返信できていませんが 見ています。
適時、改定をします。
nowkouji226@gmail.com
