AIエージェント・推論モデル・マルチモーダルとは？最新AI用語をやさしく解説
最終確認日：2026年8月27日
生成AIのニュースには、AIエージェント、推論モデル、マルチモーダル、コンテキスト、RAG、MCPなど、数年前には一般的でなかった言葉が次々に登場します。用語を追いかけるだけで疲れ、「結局、自分に何が関係あるのか」が分からなくなりがちです。
この記事では、ChatGPT、Claude、Geminiなどを使う一般の人が知っておくと迷いにくい言葉を、技術の細部より実際の使い方に結びつけて説明します。会社や研究者によって定義が少し違う言葉もあるため、絶対的な分類ではなく共通理解として読んでください。
まず覚えたいAI用語の早見表
| 用語 | やさしい意味 | 利用者への影響 |
|---|---|---|
| 生成AI | 文章・画像・音声・コードなどを作るAI | 質問だけでなく成果物を作れる |
| モデル | AIの能力を決める学習済みの仕組み | 速度、精度、得意分野、料金が変わる |
| LLM | 大量の言語データをもとに文章を扱うモデル | 会話、要約、文章、コードの中心 |
| 推論モデル | 難しい問題を段階的に処理する設計のモデル | 複雑な課題に向くが時間や利用枠を使う |
| マルチモーダル | 文字、画像、音声、動画など複数形式を扱う | 写真を見せる、声で話す、PDFを読む |
| コンテキスト | 回答時に参照できる会話や資料の範囲 | 長い資料を一度に扱える量に関係 |
| トークン | AIが文章を処理する細かな単位 | 長さ、上限、API料金に関係 |
| RAG | 外部資料を検索してから回答へ使う方法 | 社内文書や最新情報を根拠にしやすい |
| AIエージェント | 目標へ向けて複数手順とツールを動かす仕組み | 調査や作業をまとめて任せられる |
| MCP | AIと外部ツールをつなぐための共通的な仕組み | アプリやデータへ接続しやすくなる |
生成AIとは
生成AIは、入力された指示や素材をもとに、新しい文章、画像、音声、動画、コードなどを生成するAIの総称です。従来の「写真に猫が写っているか判定するAI」が分類を中心としていたのに対し、生成AIは説明文、画像、資料などを作ります。
ただし「新しく作る」は「事実を発見する」と同じではありません。自然な文章を作る能力が高くても、事実を間違えたり、存在しない情報を補ったりします。生成物は確認前の下書きとして扱います。
モデルとは
モデルは、AIサービスの中核にある学習済みの仕組みです。ChatGPT、Claude、Geminiはサービス名で、その中に速度や能力の異なる複数のモデルが用意される場合があります。
自動車に例えるなら、サービスが車全体、モデルがエンジンや駆動系に近い関係です。同じサービスでも、軽い質問向けの速いモデルと、複雑な課題向けのモデルでは回答時間や利用上限が変わります。
LLM（大規模言語モデル）とは
LLMはLarge Language Modelの略で、日本語では大規模言語モデルと呼ばれます。大量のテキストから言葉の関係やパターンを学び、続く表現を予測することで、会話、文章作成、要約、翻訳、コードなどを行います。
「文章を予測しているだけなら考えていないのでは」と言われますが、利用者にとって大切なのは哲学的な結論より、出力が目的を満たし、検証可能かどうかです。計算、事実、引用、重要判断は外部の根拠で確認します。
推論モデルとは
推論モデルは、複数条件の問題、数学、計画、分析、プログラミングなどを、段階的な処理や追加の計算時間を使って解くよう設計されたモデルです。通常の短い会話より時間がかかることがありますが、難しい課題で役立つ場合があります。
推論モデルを使う場面
- 複数条件を満たす計画を作る
- コードの原因を切り分ける
- 長い資料から矛盾を探す
- 比較基準を作り、選択肢を評価する
通常モデルで十分な場面
- 短いメールの言い換え
- 単純な要約やアイデア出し
- 軽い会話や既知の内容の説明
高性能な推論モデルを常に使う必要はありません。時間と利用枠を節約するため、質問の難しさに合わせて選びます。
マルチモーダルとは
マルチモーダルは、文字だけでなく、画像、音声、動画など複数の形式を理解・生成できることです。「この写真の機器は何？」「画面のエラーを説明して」「音声で会話して」「PDFの図表を読んで」といった操作が可能になります。
サービスがマルチモーダル対応でも、すべての形式を同じ精度で扱えるわけではありません。小さな文字、複雑な図、長い動画、聞き取りにくい音声では誤認が起きます。元データと照合してください。
コンテキストウィンドウとは
コンテキストは、AIが今の回答を作る時に参照できる会話、指示、ファイル、ツール結果などの情報です。コンテキストウィンドウは、その場で扱える情報量の上限を表します。
上限が大きいほど長い資料を扱いやすくなりますが、入れた情報をすべて正確に覚え、均等に使う保証はありません。重要な条件は文章の最初と最後に明示し、資料名や対象範囲を指定します。
添付した規程の第3章だけを対象にしてください。回答の各項目へ条番号を付け、資料にない内容は推測しないでください。
トークンとは
トークンは、AIが文章を処理する時の細かな単位です。日本語の「1文字＝1トークン」とは限らず、単語、文字、記号などに分割されます。チャットの文脈上限やAPI料金はトークン数で示されることがあります。
一般利用では正確に数える必要はありません。「長い会話や大量資料ほど多く使う」「APIは入力と出力の両方に料金がかかることがある」と覚えれば十分です。
ハルシネーションとは
ハルシネーションは、AIが事実と異なる内容、存在しない出典、もっともらしい架空の説明を生成する現象です。「うそをつこうとしている」というより、言葉として自然な答えを作る仕組みから生じます。
減らすための方法
- 公式情報や添付資料だけを根拠にするよう指定する
- 不明な場合は不明と答えるよう伝える
- 数字、日付、固有名詞へ出典を付けさせる
- リンクを実際に開き、該当箇所を読む
- 重要な結論を別の方法で再確認する
Deep ResearchやRAGを使っても、ハルシネーションが完全になくなるわけではありません。
RAGとは
RAGはRetrieval-Augmented Generationの略で、日本語では検索拡張生成と呼ばれます。AIが自分の学習内容だけで答えず、外部の文書やデータベースから関連情報を検索し、その内容を使って回答する仕組みです。
例えば、社内マニュアルを検索して問い合わせへ答える、商品データベースから現在仕様を取り出す、研究資料を検索して要約する、といった用途があります。
RAGの品質は、元資料の正しさ、更新頻度、検索の精度、アクセス権に左右されます。古い資料しか入っていなければ、AIも古い内容を根拠にします。
AIエージェントとは
AIエージェントは、ユーザーが細かな手順を1つずつ指示しなくても、目標をもとに計画し、検索、ファイル操作、コード実行、アプリ操作などのツールを使い、複数ステップの作業を進める仕組みです。
通常チャットが「質問に答える人」なら、エージェントは「目的を聞いて、必要な作業を順番に進める担当者」に近いイメージです。
エージェントに向く作業
- 複数サイトを調べて比較表を作る
- コードを修正し、テストして結果を報告する
- 定期的に情報を確認し、条件に合えば知らせる
- 複数ファイルを分類し、一覧を作る
注意が必要な作業
メール送信、予約、購入、公開、削除など、現実へ影響する操作は、実行前に対象と内容を確認できる仕組みが必要です。エージェントが便利になるほど、権限を広く与えすぎないことが重要になります。
ツール・コネクター・プラグインの違い
呼び方はサービスごとに異なりますが、いずれもAIが外部機能やデータを使うための仕組みです。
- ツール：検索、計算、コード実行、画像生成など、AIが呼び出す機能
- コネクター／アプリ：Google Drive、Slack、社内サービスなどとの接続
- プラグイン：機能、接続、手順を追加する拡張パッケージとして使われる呼称
接続するとAIが何でも見られるわけではなく、アカウント権限、共有範囲、管理者設定に従います。接続時は、読み取りだけか、書き込みも可能かを確認してください。
MCPとは
MCPはModel Context Protocolの略で、AIアプリと外部データやツールを共通の方法でつなぐために公開されたプロトコルです。Anthropicが公開し、複数のAI製品や開発ツールで利用が広がっています。
一般利用者は通信仕様まで覚える必要はありません。「AIに別サービスを接続するための共通規格の1つ」と理解すれば十分です。USBのように接続方法をそろえる発想に近いですが、MCP接続先の安全性や権限は個別に確認する必要があります。
Deep Researchとは
Deep Researchは、AIエージェント的に検索を繰り返し、複数ソースを比較して、出典付きの長い調査結果を作る機能です。通常検索より時間がかかりますが、複雑な比較や背景調査に向きます。
ChatGPT、Claude、Geminiの違いと使い方はDeep Research比較記事で詳しく説明しています。
メモリとは
メモリは、AIが会話をまたいで好み、仕事、指示などを参照する機能です。コンテキストが現在の会話や資料の範囲を指すのに対し、メモリは将来の会話でも利用される情報を指すことがあります。
便利ですが、誤った情報や古い好みが残る可能性があります。保存内容を確認・削除できる場所、学習利用の設定、チャット履歴との違いをサービスごとに確認してください。
ファインチューニングとプロンプトの違い
プロンプトは、その場でAIへ与える指示です。ファインチューニングは、特定の例を使ってモデルの振る舞いを追加調整する開発者向け手法です。一般的な文章作成では、まずプロンプト、見本、プロジェクト設定、RAGで十分な場合が多く、すぐにファインチューニングが必要になるわけではありません。
用語に振り回されないための見方
- 何ができるか：名前ではなく、自分の作業が短くなるかを見る。
- どの情報を使うか：学習知識、ウェブ、添付資料、接続アプリを区別する。
- 何を実行できるか：回答だけか、ファイル作成や外部操作まで行うか確認する。
- 誰が確認するか：公開・送信・購入・削除の前に人が確認できるかを見る。
- 料金と上限：機能名だけでなく、地域、プラン、利用枠を確認する。
「最新だから必要」とは限りません。自分の作業で効果がある機能だけを覚えれば十分です。具体的な使い道は生成AIでできること一覧、サービス選びはChatGPT・Claude・Gemini比較を参考にしてください。
よくある質問
AIエージェントとチャットボットは何が違いますか？
チャットボットは主に質問へ回答します。AIエージェントは目標に向けて計画し、検索やファイル操作など複数のツールを使って作業を進めます。ただし製品ごとの呼び方は統一されていません。
推論モデルなら間違いませんか？
間違います。複雑な問題に強い場合があっても、誤った前提、古い情報、計算ミス、架空の出典は起こり得ます。
RAGを使えば社内情報は安全ですか？
RAGという方式だけでは安全性を保証できません。アクセス権、保存先、ログ、暗号化、学習利用、削除、接続先の信頼性を確認する必要があります。
