どのAI製品ページも、あなたがすでにこの世界の言葉を話せることを前提にしています。料金表はトークン単位で課金し、変更履歴はコンテキストウィンドウの拡大を誇り、営業資料はRAGで根拠づけられたエージェントを約束する。しかしそのどれも、本当に重要なたった一つの疑問には答えてくれません。つまり、このツールは仕事をこなしてくれるのか、ということです。
そこで本記事では、研究者向けではなく購入者向けにAI用語を解説します。これはあえてAからZまで並べた辞書にはしていません。ツールを評価するときに人々が実際に問いかける4つの質問を軸に整理した、約2ダースの実用的な語彙集です。その4つとは、自分は何と話しているのか、なぜ時々間違うのか、スペックの数字は何を意味するのか、そして導入には何が必要なのか、というものです。各項目は、やさしい言葉での数文の説明と、その用語が購入時になぜ重要なのかという理由で構成されています。
最初から通して読んでも、必要なセクションに飛んでもかまいません。実際の製品を通したほうが理解しやすい用語については、例としてその掲載ページにリンクしています。ToolPotionは13,000を超えるAIツールを追跡し、毎日更新しているので、どの例にも現在も生きているページが裏にあります。
自分は何と話しているのか：中心となるAI用語の解説
最初の混乱は名前にあります。「モデル」「LLM」「チャットボット」「アシスタント」「エージェント」はマーケティング文の中で同じ意味で使われますが、これらは同じものではありません。
モデル
学習済みのシステムそのものです。膨大なデータを学習プロセスに通すことで作られる、入力を出力に変える非常に大きな統計的な関数です。製品はモデルを包むラッパーであり、チャットアプリ、API、ブラウザ拡張機能がすべて同じモデルの上に載ることもあります。これはツールを比較するときに重要です。なぜなら、モデルが品質の上限を決める一方で、製品がワークフローを決めるからです。ディレクトリでは、独立したカテゴリとして現在のAIモデルを閲覧できます。
大規模言語モデル（LLM）
主にテキストで学習し、並びの中で次に来るものを予測するモデルです。これだけで、下書き、要約、翻訳、コード記述ができることがわかっています。Claude OpusとGemini 3.1 Proは現在の最先端の例です。ディレクトリには、自分で動かせるより小さなオープンなLLMも掲載されています。ベンダーが「LLM搭載」と言ったら、有益な次の質問はどのLLMか、そして後で切り替えられるかどうかです。
チャットボット
技術ではなくインターフェースのパターンです。モデルにつながれたメッセージボックスで、通常は顧客の質問への回答のような1つの仕事に絞られています。現代のチャットボットはLLMの上に作られていますが、この言葉自体はLLMより前から存在します。だからこそ、融通の利かないFAQスクリプトから本当に有能なサポートシステムまで、あらゆるものを指すことができるのです。
アシスタント（またはコパイロット）
一人の人間の日々の業務を対象にした汎用のチャット製品です。下書き、要約、回答を行い、通常はその業務が発生するアプリの中に存在します。ChatGPTは単独で動く代表的なアシスタントです。「コパイロット」は通常、既存の製品に組み込まれたアシスタントを示します。チャットボットとの購入上の違いは対象者です。アシスタントはあなたのスタッフに、チャットボットは通常あなたの顧客に対して使われます。
AIエージェント
目標を受け取り、手順を計画し、ツールを呼び出し、自分の結果を確認するソフトウェアです。単に答えるのではなく、行動します。Claude Codeはコードベースを読み、ファイルを編集し、コマンドを実行します。Intercomは、単に返信するのではなく会話をこなすサポートエージェント、Finを提供しています。トレードオフは影響範囲の広さです。行動できるシステムは行動によって失敗しうるので、権限とレビューの手順が他のどこよりも重要になります。AIエージェントカテゴリはディレクトリの中で最も動きの速いセクションです。
| 用語 | 何をするか | こんなときに買う |
|---|---|---|
| チャットボット | 1つの絞られた領域で質問に答える | 顧客向けのQ&Aを大規模に必要とするとき |
| アシスタント | 一人の人間を多くのタスクにわたって支援する | スタッフの生産性を、低リスクで高めたいとき |
| エージェント | 複数段階の作業を計画し実行する | あるワークフローを最初から最後まで自動化する価値があるとき |
マルチモーダル
テキスト以外も扱えるモデルです。画像、音声、動画を入力、出力、あるいはその両方として扱います。Gemini 3.1 Proは混在したメディアを読み取り、それについて推論します。生成の側では、Kling 3.0がテキストと参照画像を音声付きの動画に変えます。あなたの仕事にスクリーンショット、図表入りのPDF、録音が関わるなら、マルチモーダル対応はあれば嬉しいものではなく必須の要件です。
なぜ時々間違うのか：ハルシネーション、コンテキスト、カットオフ
この4つの用語が、あなたが目にするがっかりするAI出力のほとんどすべてを説明します。そしてこれらは、精度についての真剣なベンダーとの会話で使う語彙でもあります。
ハルシネーション
自信に満ちた、流暢で、間違った答えです。モデルは事実のデータベースを参照しているのではなく、もっともらしいテキストを生成しているので、そうしているという合図もなく、引用、統計、製品の詳細を作り出してしまうことがあります。事実に関わる作業では、検索可能な出典を引用するツールを選び、引用のない具体的な記述は、確認するまで未検証のものとして扱いましょう。
コンテキストウィンドウ
モデルが一度に考慮できるテキストの量で、トークンで測ります。これはモデルの知識とは別の、作業用の記憶です。ウィンドウは急速に大きくなってきました。Claude Opusは100万トークンのウィンドウを謳っており、これは一つのコードベース全体や数冊の本を1回のリクエストに収められるほどの大きさです。
コンテキストウィンドウが大きいほど、貼り付けられる量の上限は上がります。しかしそれは、モデルがその全体を重視することを保証するものではありません。
実際には、非常に長い入力の途中に埋もれた詳細をモデルは見失うことがあります。ですから「ウィンドウに収まる」ことと「うまく使われる」ことは別の主張なのです。
学習カットオフ
モデルの学習データが終わる日付です。それより後に公開されたものは、製品がウェブ検索や検索取得を後付けしていない限り、モデルには見えません。なぜ気にすべきか。もしそのツールが現在の価格、法律、ニュースを知っている必要があるなら、最新の情報がどのように入ってくるのかをベンダーに正確に尋ねましょう。「このモデルは賢い」は答えになりません。
RAG（検索拡張生成）
まず検索し、次に答える方式です。システムがあなたの文書の中から関連する箇所を見つけ、それを使ってモデルに答えを書かせます。これにより、回答があなたの実際のコンテンツに根拠づけられ、ハルシネーションを減らし（なくすわけではありません）、文書が変わった瞬間に最新の状態を保ちます。再学習は不要です。ベンダーが「あなたのデータで学習した」と言ったら、それがRAGを意味するのか尋ねましょう。たいていはそうであり、社内の知識に関しては、RAGがたいていあなたの求めているものです。
プロンプトとシステムプロンプト
プロンプトとは、あなたがモデルに送るものすべてです。システムプロンプトとは、ベンダーがすべての会話の前に置く常設の指示書です。トーン、ルール、ガードレールが書かれています。驚くほど多くのニッチなAI製品は、本質的には他人のモデルの上に載せたシステムプロンプトにすぎません。それでもお金を払う価値はありうるのですが、その価格は研究ではなくパッケージングとして付けられるべきものです。
スペックシートを読む：トークン、パラメータ、推論
AIの料金ページにある数字は、マーケティングの飾りではありません。そのうち3つは、あなたの請求額を直接決めます。
トークン
モデルが読み、生成する単位です。テキストの塊で、よくある英単語はしばしば1トークンに相当します。実用的な目安として、1,000トークンはおおよそ英単語750語です。APIの料金は100万トークンあたりで表示され、入力と出力は別々に価格が付けられます。だからこそ、入力する長い文書と出力する長い答えがコストを押し上げるのです。
パラメータ
モデルが学習中に身につけた内部の数値の重みです。パラメータ数はモデルのサイズを表す標準的な略記です。たとえばMuse Glimmerは、コンシューマー向けハードウェアでエージェントのタスクを動かすために作られた300億パラメータのモデルです。パラメータが多いほど一般に能力は上がりますが、その代償として速度とコストがかかります。そして、あなたのタスクをうまくこなす小さなモデルは、使いこなせずに払いすぎている大きなモデルに勝ります。
推論
学習済みのモデルを動かして出力を生み出すことです。学習は一度きり、ベンダーの費用で行われました。推論はリクエストごとに、あなたの費用で行われます。レイテンシとリクエストごとのコストは推論の特性なので、ベンダーがより安いあるいはより速い推論を宣伝しているとき、その主張はあなたの請求額とユーザーの待ち時間についてのものであり、答えの品質についてのものではありません。
ファインチューニング
モデルの振る舞い、つまりトーン、形式、専門分野の習慣を変えるために、あなた自身の例を使って追加で学習させることです。一貫したスタイルや構造化された出力には有効ですが、変わり続ける事実を教える手段としては不十分で、それはRAGの仕事です。隠れたコストはメンテナンスです。基盤モデルがアップグレードされるたびに、その作業をやり直すことになりかねません。
推論モデル
答える前に、途中の手順を辿るために追加の計算を費やすモデルで、数学、計画立案、難しいコードで測定可能な形で役立ちます。中にはハイブリッドなものもあります。Claude Opusは素早く答えることも、必要に応じてより長く考えることもできます。トレードオフは本物です。推論の処理は遅く、より多くのトークンを消費するので、単純な抽出タスクを推論モデルに通すのは、必要のない思考にお金を払っていることになります。
ベンチマーク
発表記事に載るリーダーボードのスコアを生み出す標準化されたテストです。これらは、あなたの作業についての予測ではなく、能力のおおまかな目安として扱いましょう。ベンダーは当然、自分が勝てるベンチマークを見せます。あなた自身の実際のタスクを20個、候補となる2つのツールで走らせるほうが、どんなリーダーボードよりも多くのことを教えてくれます。
導入に関わる用語：API、オープンウェイト、そしてどこで動くか
最後の用語群が、コスト構造、プライバシーの姿勢、そしてあなたがどれだけのエンジニアリングを引き受けることになるかを決めます。
API
プログラムからのアクセスです。あなたのソフトウェアがインターネット越しにモデルを呼び出し、トークン単位で支払います。アプリに対して人がシート単位で支払うのとは違います。同じベンダーが両方を売っていることが多く、これらは別々の予算です。シートは人員数に応じて増え、APIのコストは使用量に応じて増えます。価格を比較する前に、自分が実際にどちらを探しているのかを把握しておきましょう。
オープンウェイトとクローズド
オープンウェイトのモデルはモデルファイルを公開します。それをダウンロードし、自分のハードウェアで動かし、データを社内に留め、作り手にトークン単位の料金を払わずに済みます。Gemma 4はGeminiと同じ技術から作られた軽量なオープンモデルを提供し、Stability AIは画像、動画、音声向けのオープンな生成モデルを公開しています。クローズドなモデルはベンダーのサーバーを通じて借りるもので、制御は少なくなりますが、運用の負担ははるかに軽くなり、最も強力なクローズドモデルは依然として生の能力で先頭に立つ傾向があります。
オンデバイスとクラウド
推論が物理的にどこで起こるかです。クラウドはリクエストがあなたのネットワークから出ていくことを意味し、オンデバイスまたはセルフホストは出ていかないことを意味します。だからこそコンプライアンスが重視されるチームが気にかけ、だからこそMuse Glimmerのようなコンシューマー向けハードウェアで動くモデルが存在するのです。能力の差は覚悟しておきましょう。最大級のモデルはノートパソコンには収まりません。
埋め込み（エンベディング）
テキストを数値のリストに変換し、意味が近いもの同士が近くに位置するように配置したものです。埋め込みは、ソフトウェアが正確なキーワードではなく意味で検索する仕組みであり、「refund rules（返金ルール）」というクエリが「returns policy（返品ポリシー）」という題名の文書を見つけられる理由です。
ベクトルデータベース
埋め込みを保持し、最も近い一致を素早く見つけるために作られたストレージです。これはほとんどのRAGシステムの、検索取得の半分を担います。Chromaは、ベクトル検索、全文検索、メタデータ検索を組み合わせたオープンソースの例です。ベンダーが「あなたの文書に対してRAGする」と言ったら、こうしたものの一つがそのスタックに入っています。どこで動き、何を保存するのかを尋ねましょう。
フレームワーク
モデル、ツール、検索取得をアプリケーションに組み込むためのコードの足場です。自分で作る道であり、社内で開発を進めるチームが早い段階で選びます。現在の選択肢を見るにはAIフレームワークカテゴリを閲覧してください。チームの誰もコードを書かないなら、Microsoft Copilot Studioのようなビジュアルビルダーがよくあるケースをカバーし、ディレクトリには両方のアプローチにまたがるAIエージェントを構築するためのツールの完全なタスクページも用意されています。
オブザーバビリティと評価（Evals）
オブザーバビリティとは、モデルやエージェントが実際に何をしたかを追跡することです。すべての手順、ツール呼び出し、トークンのコスト、遅延を追います。評価（Evals）は出力品質を採点するテストで、繰り返し実行することで、顧客が気づく前に品質の後退が表面化します。Langfuseは、トレーシング、プロンプト管理、評価をカバーするオープンソースのプラットフォームです。エージェントを自作するのではなく購入するなら、ベンダーへの相当する質問はシンプルです。エージェントが何かを間違えたとき、あなたは私に正確に何を見せてくれるのか、というものです。
よくある質問
ChatGPTはLLMですか？
厳密には違います。ChatGPTは、OpenAIのGPTファミリーのLLMの上に作られたアプリケーションです。この区別が重要なのは、メモリ、ファイルアップロード、ウェブ閲覧といった機能がモデルではなくアプリに属しているからです。同じモデルを使う別の製品には、それらがまったく備わっていないこともあります。
AIエージェントとチャットボットの違いは何ですか？
チャットボットは答え、エージェントは行動します。エージェントは複数段階の作業を計画し、他のソフトウェアを呼び出し、実際のシステムの中で物事を変えます。これがエージェントをより便利にすると同時に、よりリスクの高いものにします。実際の購入上の質問は権限です。エージェントが何に触れることを許されているか、そして触れる前に何がレビューされるか、ということです。
パラメータが多いほど優れたAIモデルですか？
あなたのタスクにとっては、必ずしもそうではありません。大きなモデルは一般に抽象的な意味ではより有能ですが、コストは高く、応答は遅くなります。そして分類、抽出、日常的な下書きといった日々の作業の多くは、小さなモデルでうまく動きます。最大のモデルを既定にする前に、動くかもしれない最も安いモデルを試しましょう。
自分のコンピュータでAIモデルを動かせますか？
オープンウェイトで、サイズが控えめなら、はい、動かせます。Gemmaファミリーのような小さなオープンモデルはそのために設計されており、いくつかの300億パラメータのモデルは今やコンシューマー向けハードウェアを対象にしています。最先端のクラウドモデルより結果は弱くなると覚悟しておきましょう。その代わり、トークン単位のコストはゼロで、データが自分のマシンから決して出ていくことはありません。