国産AIとは何を国産にすることなのか？リコーとQwenが示した「載せ替える力」の重要性

はじめに

リコーが発表した日本語・業務文書向けAIモデルは、「国産AI」という言葉の意味を改めて問い直す事例になっています。

リコーの「Qwen3.6-Ricoh-27B-20260522」は、日本語の図表入り文書や企業内ドキュメントの読解を強化したモデルです。一方で、その土台には中国アリババクラウドの「Qwen3.6-27B」が使われています。リコー自身も、この点を公式発表で明記しています。

一見すると、「国産AIなのに中身は中国製なのか」という反応が出やすい話です。

しかし、この問題の本質は、モデルの国籍ではありません。AI時代に本当に重要なのは、すべてのエンジンを国内で鋳造することではなく、どのエンジンでも安全に選び、評価し、載せ替えられる車体を国内に持てるかどうかです。

背景と概要

リコーのAIは「純国産基盤モデル」ではない

まず、事実関係を整理します。

リコーは2026年6月5日、マルチモーダル大規模言語モデル「Qwen3.6-Ricoh-27B-20260522」と「Qwen3.5-Ricoh-9B-20260522」を発表しました。

このうち「Qwen3.6-Ricoh-27B-20260522」は、アリババクラウドが提供する「Qwen3.6-27B」をベースモデルとして活用し、リコー独自の強化学習技術を用いて開発されたものです。リコーは、日本語リーズニング性能や図表を含む企業ドキュメントの読解性能を向上させたと説明しています。

つまり、このモデルはゼロから日本国内で事前学習した「純国産基盤モデル」ではありません。

しかし、中国製モデルをそのまま持ってきたものでもありません。

構造としては、次のように見るのが正確です。

基盤モデル
   ↓
Alibaba CloudのQwen3.6-27B

追加学習・業務特化
   ↓
リコー独自の強化学習、カリキュラム学習、報酬関数設計

提供形態
   ↓
日本企業向けの文書読解、オンプレミス利用、業務AI基盤への統合

ここで重要なのは、AIを「国産か輸入か」の二択で見ると、実態を見誤ることです。

現代のAI開発は、部品を組み合わせる産業になりつつあります。基盤モデル、追加学習、データ、評価、運用、セキュリティ、業務アプリケーションが重なって、初めて企業で使えるAIになります。

GENIACと「国産AI」への期待

リコーの事例が注目される理由の一つは、同社が経済産業省とNEDOの「GENIAC」に採択されていることです。

GENIACは、国内の生成AI開発力を高め、社会実装を加速するためのプロジェクトです。経済産業省は、基盤モデル開発に必要な計算資源の調達、データセットの蓄積、ナレッジ共有などを支援すると説明しています。

そのため、GENIACに参加する企業が中国製のQwenを土台にしたモデルを出すと、「国産生成AI開発なのに、中国モデルを使うのか」という違和感が生まれます。

ただし、ここで考えるべきなのは、GENIACの目的です。

国産AIの目的は、必ずしも「すべてを日本国内でゼロから作ること」だけではありません。

もちろん、防衛、重要インフラ、行政、医療、金融など、国内で制御できる基盤モデルが必要な領域はあります。

一方で、一般企業の業務AIでは、世界中の高性能モデルを活用しながら、日本語、業務文書、セキュリティ、国内法対応、オンプレミス運用で価値を作る方が合理的な場面も多くあります。

リコーの事例は、この現実を示しています。

Qwenはもはや「中国だけのモデル」ではない

Qwenは、中国アリババクラウドのモデルファミリーです。

しかし、今や中国国内だけで使われるモデルではありません。オープンウェイトモデルとして世界中の開発者に利用され、派生モデルや応用モデルも増えています。

Stanford HAIとDigiChinaの報告では、2025年9月にAlibabaのQwenモデルファミリーがHugging Face上の累計ダウンロードでMetaのLlamaを上回ったとされています。さらに、2024年8月から2025年8月までのHugging Faceダウンロードでは、中国系オープンモデル開発者が17.1％、米国系が15.8％を占めたとされています。

これは、オープンウェイトAIの世界が米国一極ではなくなりつつあることを示しています。

Qwenが選ばれる理由は明確です。

性能が高い。
多言語に強い。
モデルサイズの選択肢が広い。
派生モデルを作りやすい。
商用利用しやすいモデルもある。
開発者コミュニティーで利用が広がっている。

Qwen3のGitHubでは、オープンウェイトモデルがApache 2.0ライセンスで提供されていると説明されています。ただし、モデルファミリー全体では提供形態やモデルごとに確認が必要です。

つまり、リコーがQwenを使ったことは、政治的には議論を呼びやすい一方、技術選定としては不自然ではありません。

現在の状況

リコーは何を付け加えたのか

リコーの発表で注目すべきなのは、土台がQwenであることだけではありません。

リコーがその上に何を付け加えたかです。

リコーは、独自の強化学習やカリキュラム学習により、図表を含む企業ドキュメントの読解性能を高めたと説明しています。また、独自ベンチマーク「JDocQA-Reasoning」「JDocQA」で評価を行い、商用クラウドAIモデル「Gemini 3 Pro Preview」と同等レベルの性能が確認されたとしています。

もちろん、この評価はリコー独自のベンチマークに基づくものです。

第三者機関による独立評価ではありません。

そのため、「Geminiと完全に同等」と断定するのは慎重であるべきです。

しかし、ここで重要なのは別の点です。

リコーは、英語中心の一般ベンチマークで世界最強を目指しているわけではありません。

日本企業に多く存在する、図表入りの業務文書を読むAIを作ろうとしています。

これは、リコーという会社の強みと合っています。

リコーは、複合機、オフィス文書、ワークプレイス支援、文書管理に長く関わってきた企業です。日本企業の現場には、稟議書、報告書、仕様書、設計図、会議資料、申請書、約款、点検記録など、AIに読ませたい文書が大量にあります。

リコーが狙っているのは、世界で一番派手なチャットAIではありません。

日本企業の面倒な文書を、安全に、正確に、現場で読めるAIです。

これは「中国製AIの転売」ではない

リコーのモデルを「中国製AIの看板を掛け替えただけ」と見るのは、単純化しすぎです。

たしかに、基盤モデルはQwenです。

しかし、企業AIで本当に価値が出るのは、基盤モデルの名前だけではありません。

重要なのは、次の要素です。

どの業務に使うか
どのデータで追加学習するか
どの評価指標で性能を見るか
どこで運用するか
機密データをどう守るか
既存業務システムとどうつなぐか
回答をどう検証するか
問題が起きたとき誰が責任を持つか

リコーは、オンプレミス環境や自社データセンターでAIを使いたい企業向けに、LLMスターターキットなどへの搭載を想定しています。

この点は非常に重要です。

中国製モデルを使うリスクは、クラウドAPIとして中国側サーバーへ機密データを送る場合と、オープンウェイトモデルを自社環境で動かす場合とでは大きく異なります。

クラウドAPIで外部サーバーへ機密データを送る
   ↓
データ移転・保管・再学習・法規制リスクが高い

オープンウェイトモデルを自社環境で動かす
   ↓
データ送信リスクは下がるが、ライセンス・安全性・脆弱性確認は必要

つまり、問題は「中国製かどうか」だけではありません。

どこで動かすのか。

どのデータを入れるのか。

ライセンスはどうなっているのか。

上流モデルにどれだけ依存するのか。

差し替え可能性はあるのか。

これらを見なければ、リスク評価として不十分です。

AIモデルは「部品」になりつつある

AIの世界では、高性能なオープンウェイトモデルが次々に登場しています。

Qwen、DeepSeek、Llama、Gemma、Mistralなど、企業や開発者が選べるモデルは急速に増えています。

この流れの中で、汎用AIモデルの一部は、部品に近づいています。

もちろん、すべてのモデルが同じ価値になるわけではありません。

最先端の推論能力、エージェント性能、マルチモーダル能力、安全性、企業向け保証、法務対応、推論コストでは、今後も差が残ります。

しかし、少なくとも企業が業務特化AIを作るとき、「毎回ゼロから巨大基盤モデルを作る」必要性は下がっています。

AI開発の競争軸は、次のように変わりつつあります。

以前の競争
   ↓
誰が一番大きく賢い基盤モデルを作れるか

今後の競争
   ↓
誰が既存モデルを安全に選び、差し替え、自社データで業務に落とし込めるか

この変化を理解しないと、「国産AIなのに中国製モデルを使った」という表面的な話で止まってしまいます。

注目されるポイント

問うべきは「エンジンの国籍」ではない

AIを自動車に例えるなら、基盤モデルはエンジンです。

Qwen、Llama、DeepSeek、Gemma、Mistralは、それぞれ異なるエンジンです。

しかし、自動車の価値はエンジンだけで決まりません。

車体、制御装置、ブレーキ、ハンドル、安全装備、整備体制、道路環境、運転技術が必要です。

AIでも同じです。

エンジン
   ↓
Qwen、Llama、DeepSeek、Gemma、Mistralなどの基盤モデル

車体
   ↓
企業のAI基盤、データ管理、セキュリティ、オンプレミス運用

運転技術
   ↓
モデル選定、追加学習、評価、業務実装

道路
   ↓
データセンター、電力、通信、法制度、社内ルール

本当に危ないのは、中国製エンジンを使うことそのものではありません。

危ないのは、特定のエンジンにしか対応できない車体しか持たないことです。

中国製モデルに依存しすぎれば、ライセンス変更、政治リスク、検閲傾向、上流モデルの更新停止が問題になります。

米国製モデルに依存しすぎても、価格変更、API停止、輸出管理、利用規約変更、データ取り扱いの問題が起きます。

つまり、リスクは中国だけにあるのではありません。

特定の外部モデルに固定されること自体がリスクです。

AI時代の国産とは、国産エンジン一本を持つことではありません。

どのエンジンでも載せ替えられる車体を持つことです。

AI主権とは「自前モデル」ではなく「差し替え可能性」である

AI主権という言葉は、しばしば「国内で作った基盤モデルを持つこと」と理解されます。

それは一部正しいです。

防衛、行政、重要インフラ、医療、金融など、国内で制御可能な基盤モデルが必要な領域はあります。

しかし、AI主権をそれだけで考えると狭すぎます。

本当のAI主権とは、どのモデルにも支配されない設計を持つことです。

必要なのは、次の5つです。

1. モデルを差し替えられること
2. データを国内・自社で管理できること
3. 独自ベンチマークで性能を評価できること
4. 業務アプリに落とし込めること
5. 重要領域では国産・国内管理の選択肢を持つこと

リコーの事例で重要なのは、Qwenを使ったこと自体ではありません。

Qwenを使いながら、日本語業務文書に特化させ、オンプレミス運用を視野に入れ、独自評価ベンチマークを作っていることです。

これは、AI主権を「モデルの国籍」ではなく「運用能力」として見る方向に近い動きです。

「国産AI」の定義を変える必要がある

これからの国産AIは、3つに分けて考える必要があります。

第一に、純国産基盤モデルです。

これは、国内でデータ、計算資源、人材を使い、基盤モデルそのものを開発するものです。安全保障上、重要な意味があります。

第二に、国内特化モデルです。

海外のオープンウェイトモデルを土台にしながら、日本語、業務文書、業界データ、国内法対応、オンプレミス運用に特化させるものです。リコーの事例はここに近いです。

第三に、国内運用AIです。

モデルの出自は海外でも、データを国内に置き、国内クラウドやオンプレミスで運用し、企業が安全に制御できる形です。

純国産基盤モデル
   ↓
安全保障・重要インフラ向けに必要

国内特化モデル
   ↓
日本語・業務文書・業界特化で価値を出す

国内運用AI
   ↓
データ管理と運用主権を国内に置く

この3つを区別しなければ、議論は混乱します。

リコーのAIは、純国産基盤モデルではありません。

しかし、国内特化モデルとしては意味があります。

そして、オンプレミス運用を前提にするなら、国内運用AIとしての価値も出てきます。

日本が握るべきものは「モデル名」ではない

日本がAIで勝つために握るべきものは、モデル名だけではありません。

むしろ、モデル名は変わります。

今日の最適解はQwenかもしれません。

明日はLlamaかもしれません。

来年はDeepSeek、Gemma、Mistral、日本製モデルのどれかかもしれません。

重要なのは、モデルを選び替えられる土台を持つことです。

日本が握るべきものは、次のような領域です。

独自データ
業務プロセス理解
顧客接点
評価ベンチマーク
オンプレミス運用
セキュリティ設計
国内法対応
AI人材
業務アプリ化する力
半導体製造装置・材料
データセンターと電力

特に企業AIでは、独自データが重要です。

製造業の検査データ。
金融・保険の審査文書。
自治体の申請書類。
医療・介護記録。
建設・設計図面。
オフィス文書。
品質管理の履歴。
顧客対応ログ。

こうしたデータは、外から降ってくる汎用モデルにはありません。

日本企業が持つ現場データを、いかに安全にAIへ接続するか。

ここに競争力があります。

「日の丸モデル一本主義」は危うい

もちろん、日本独自の基盤モデル開発は必要です。

特に、安全保障、行政、重要インフラ、医療などでは、国内で制御できるモデルを持つことは重要です。

しかし、日本のAI戦略を「日の丸基盤モデルを一つ作ればよい」と考えるのは危険です。

AIモデルの進化は速く、用途も多様です。

一つのモデルがすべてに最適になることはありません。

業務文書に強いモデル。
コードに強いモデル。
医療に強いモデル。
画像に強いモデル。
音声に強いモデル。
軽量でオンプレミスに向くモデル。
高性能だがクラウド向けのモデル。

用途によって最適解は変わります。

だからこそ、今後必要なのは、モデルを固定することではなく、モデルを使い分ける能力です。

国産AIの古い発想
   ↓
日本製の最強モデルを一つ作る

国産AIの現実的な発想
   ↓
複数モデルを安全に比較し、差し替え、業務に実装する

リコーの事例は、この現実的な方向を示しています。

今後の見通し

シナリオ1　外部モデルを土台にした日本語特化AIが増える

今後、日本企業では、外部のオープンウェイトモデルを土台にした業務特化AIが増える可能性があります。

Qwen、Llama、DeepSeek、Gemma、Mistralなどを用途別に選び、日本語、業界データ、企業文書、社内規程、FAQ、設計図、帳票に合わせて調整する形です。

ゼロから巨大基盤モデルを作るよりも、速く、安く、現場に近いAIを作れます。

この流れは、特に中堅企業、自治体、業務システム会社、SIer、文書管理企業で広がる可能性があります。

シナリオ2　重要領域では国産・国内管理モデルが求められる

一方で、すべてを外部モデルに任せることはできません。

防衛、警察、行政、重要インフラ、医療、金融、個人情報を扱う業務では、モデルの出自、運用場所、データ管理、監査可能性が重視されます。

こうした領域では、純国産基盤モデルや国内クラウド、オンプレミス運用の需要が残ります。

したがって、日本のAI戦略は二層構造になるでしょう。

一般業務領域
   ↓
外部モデルを活用し、業務特化で価値を出す

重要領域
   ↓
国産・国内管理・監査可能なAIを使う

重要なのは、どちらか一方に決め打ちしないことです。

用途に応じて、外部モデルと国産モデルを使い分ける設計が必要です。

シナリオ3　モデル差し替え可能なAI基盤が競争力になる

今後、企業にとって重要になるのは、特定モデルを導入することではありません。

モデルを差し替えられるAI基盤を持つことです。

今日のベストモデルが、明日もベストとは限りません。

価格が変わるかもしれません。

ライセンスが変わるかもしれません。

提供企業が方針を変えるかもしれません。

安全性の問題が見つかるかもしれません。

政治的な規制が入るかもしれません。

そのとき、特定モデルに固定されたシステムは弱くなります。

一方、モデルを差し替えられる設計なら、状況に応じて乗り換えられます。

固定型AI
   ↓
特定モデルに依存し、変更に弱い

載せ替え型AI
   ↓
複数モデルを比較し、必要に応じて差し替えられる

リコーの事例は、Qwenを使ったことが重要なのではありません。

Qwenの上に、日本語文書読解、評価、オンプレミス運用という車体を作ろうとしていることが重要です。

シナリオ4　日本の勝ち筋は「現場AI」へ移る

日本がAIで勝つなら、世界一巨大な汎用モデルを作る競争だけでは厳しい可能性があります。

米国や中国の巨大企業は、計算資源、データ、人材、資本で非常に大きな力を持っています。

しかし、日本企業には別の強みがあります。

現場です。

製造現場。
医療現場。
オフィス文書。
自治体手続き。
金融審査。
保険査定。
品質管理。
建設図面。
保守点検。
複雑な日本語文書。

こうした現場のデータと業務を理解し、AIに接続する力は、海外の汎用モデルだけでは代替しにくい領域です。

リコーの文書読解AIは、その方向を示す事例です。

世界最強のチャットAIを作るのではなく、日本企業の文書仕事を変えるAIを作る。

これは地味ですが、実用面では大きな意味があります。

国産AIとは「すべてを国内で作ること」ではない

リコーのAIは、純国産基盤モデルではありません。

土台は中国アリババクラウドのQwenです。

この点を曖昧にしてはいけません。

しかし、そこだけを見て「国産ではない」と切り捨てると、AI時代の本質を見誤ります。

今後重要になるのは、モデルの国籍だけではありません。

どのモデルを使うか。
どこで動かすか。
どのデータを入れるか。
どう評価するか。
どう差し替えるか。
誰が責任を持つか。

これらを国内で制御できるかどうかです。

AI時代の国産とは、エンジンをすべて国内で作ることだけではありません。

エンジンを選び、交換し、制御できる車体を国内に持つことです。

リコーの事例は、中国製モデルへの依存というリスクを含みます。

同時に、日本企業がAIで現実的に勝つための方向も示しています。

すべてを自前で作るのではなく、外部の強力なモデルを使いこなし、自社データと業務実装で価値を出す。

そして、特定のモデルに縛られない差し替え可能な基盤を持つ。

これこそが、これからの国産AIに求められる力です。

引用URLs

[1] リコー：マルチモーダル大規模言語モデル「Qwen3.6-Ricoh-27B-20260522」を開発
https://jp.ricoh.com/release/2026/0605_1

[2] リコー：GENIAC第3期においてリーズニング性能を持つマルチモーダルLLMの開発開始
https://jp.ricoh.com/release/2025/0715_2

[3] 経済産業省：GENIAC
https://www.meti.go.jp/policy/mono_info_service/geniac/index.html

[4] Stanford HAI / DigiChina：China’s Diverse Open-Weight AI Ecosystem and Its Policy Implications
https://hai.stanford.edu/assets/files/hai-digichina-issue-brief-beyond-deepseek-chinas-diverse-open-weight-ai-ecosystem-policy-implications.pdf

[5] Qwen3 GitHub
https://github.com/QwenLM/Qwen3

[6] Qwen公式サイト
https://qwen.ai/