公開日:
SLM(小規模言語モデル)とは?LLMとの違いと企業で選ばれる理由を解説

そうした要件に応える選択肢として注目されているのが、SLM(小規模言語モデル)です。
本記事では、SLMとLLMの違いや企業で選ばれる理由、デメリット、活用シーンを解説します。自社に合ったAIモデルを選びたい人は、ぜひ参考にしてください。

- SLM(小規模言語モデル)とは
- SLMが軽量でも性能を保てる仕組み
- ドメイン特化型SLMとは
- SLMとLLMの違い
- SLMが注目される理由:「汎用LLM=高性能」という先入観の盲点
- 現場業務で即時のレスポンスが求められている
- AI活用の拡大で推論コストが課題になっている
- 機密データを社外に出さずにAIを使いたいニーズが高まっている
- SLMを企業の業務に取り入れるメリット
- レスポンス速度が速い
- 推論コストを抑えられる
- 機密データを社内にとどめられる
- 専門領域での回答精度が高い
- SLMのデメリットと向いていないケース
- 幅広い知識や複雑な推論が必要なタスクには向かない
- 用途ごとにモデルを用意する必要がある
- ハルシネーションが起こる可能性がある
- 自社で運用する体制が求められる
- SLMの活用シーン
- 社内規程・マニュアルへの問い合わせ対応
- 製造現場でのリアルタイムな判断支援
- 設計図面・契約書など機密文書の要約・検索
- トークンコスト削減と機密データ保護を両立するSLMの運用
- SLMはモデルの「大きさ」から業務への「適合度」で選ぶ時代へ
SLM(小規模言語モデル)とは

SLM(Small Language Model:小規模言語モデル)とは、汎用LLM(Large Language Models:大規模言語モデル)に比べてパラメータ数を抑えた軽量な言語モデルのことです。
パラメータとは、AIモデルが学習によって調整する内部の数値を指します。SLMのパラメータ数に明確な基準はありませんが、数億~数十億程度のモデルを指すことが多くあります。
例えば、Googleが2026年3月に公開した「Gemma 4」には、ノートPCやスマートフォンなどの端末で動かすことを想定した小型モデルが含まれており、最小モデル「Gemma 4 E2B」のパラメータ数は約23億(エンベディングありの場合は51億)です。
数字だけを見ると大きく感じるかもしれませんが、Mistral AIが2026年10月に発表したLLM「Mistral Large 4」のパラメータ数は約1兆であり、Gemma 4 E2Bはその約200分の1にすぎません。
このように、SLMは必要な計算資源(GPU)が少ないため、一般的なサーバーやPC、現場の近くに置かれるエッジデバイスでも動かしやすい点が特徴です。
※Google「Gemma 4 モデルカード」(2026年7月)
※Mistral AI「Introducing Mistral Large 4」
SLMが軽量でも性能を保てる仕組み
モデルを単純に小さくするだけでは、回答の質が落ちてしまいます。そこでSLMでは、次のような技術を組み合わせることで、性能の低下を抑えながら軽量化を実現しています。
<SLMを軽量化する主な技術>
知識蒸留:大規模な「教師モデル」の知識を、小さな「生徒モデル」に引き継ぐ技術
量子化:高精度データを低精度データに変換する技術
プルーニング:重要度の低いパラメータを削り、モデルを小さくする技術
低ランク分解:大きなパラメータの行列を、より小さな行列に分解して計算量を減らす技術
※IBM「What are small language models?」(2026年4月)
ドメイン特化型SLMとは
企業でSLMを活用する際によく使われるのが、ドメイン特化型SLMです。ドメイン特化型SLMとは、特定の業界や自社の業務データで学習・調整したSLMを指します。
「SLM」はモデルの大きさを、「ドメイン特化型」は学習させる内容を表す言葉であり、ドメイン特化型SLMは「軽量さ」と「専門性」を併せ持ちます。
SLMを専門領域に適合させる主な方法は、次の2つです。
<SLMを専門領域に適合させる主な方法>
ファインチューニング:自社の業務データなどを追加で学習させ、モデル自体を調整する方法
RAG(Retrieval-Augmented Generation:検索拡張生成):回答時に社内文書などを検索・参照させる方法
SLMとLLMの違い
SLMとLLMは、どちらも文章を理解・生成する言語モデルです。しかし、得意な領域や運用コスト、データの扱い方には大きな違いがあります。
SLMとLLMの主な違いは、次のとおりです。
■SLMとLLMの比較

表のとおり、SLMは用途を絞ることで、速さ・コスト・セキュリティの面で汎用LLMより有利になりやすいモデルです。
さらに、SLMを自社の業務データで学習・調整したドメイン特化型SLMにすれば、専門領域での回答精度を高め、ハルシネーション(AIが事実と異なる内容をもっともらしく生成する現象)のリスクも抑えやすくなります。
SLMが注目される理由:「汎用LLM=高性能」という先入観の盲点
巨大な汎用LLMは、一般的な対話や文章作成には長けている一方で、エンタープライズの現場業務では、かえって過剰な性能とコストを生み出す可能性があります。
ここでは、汎用LLMを企業の業務で使う際に見落とされがちな課題から、SLMが注目される理由を解説します。
現場業務で即時のレスポンスが求められている
SLMが注目される理由のひとつは、現場業務で即時のレスポンスが求められていることです。
例えば製造ラインの異常対応では、数秒の遅れが損失につながることも少なくありません。しかし、汎用LLMはパラメータ数が膨大で、1回の回答に必要な計算量が多いため、レスポンス速度が低下しやすい傾向があります。そのため、リアルタイムな判断が求められる現場では、汎用LLMの速度がボトルネックになりかねません。
その点、SLMは計算量が少ないうえ、工場内のサーバーなど現場の近くでも動かせるため、即時の判断が求められる業務でも使いやすくなります。
AI活用の拡大で推論コストが課題になっている
AI活用の拡大に伴って推論コストが課題になっていることも、SLMが注目される理由です。
汎用LLMは、推論(学習済みのモデルが回答を生成する処理)に必要な計算資源が大きく、運用コストがかさみます。
また、外部のクラウドAPIはトークン(AIが処理する文字の単位)の量に応じた従量課金が一般的なため、AIの利用が社内に広がるほど費用も増え続けます。
一方、SLMは少ない計算資源で動き、自社環境で運用すれば従量課金も発生しません。そのため、全社にAIを広げても費用を抑えやすくなります。
機密データを社外に出さずにAIを使いたいニーズが高まっている
機密データを社外に出さずにAIを使いたいというニーズが増えているのも、SLMが注目される理由のひとつです。
外部のクラウドAPIで汎用LLMを利用する場合、社内の機密データを社外に送信することになります。設計情報や顧客データは、外部への送信自体が社内規程や取引先との契約で制限されている場合もあります。
これに対してSLMは、軽量なためオンプレミス環境や閉域網でも動かしやすく、機密データを社内にとどめたままAIで処理することも可能です。
SLMを企業の業務に取り入れるメリット
SLMには、軽量であることによるメリットが多数あります。さらにドメイン特化型SLMにすれば、専門領域での回答精度も高められるため、おすすめです。
ここでは、SLMを企業の業務に取り入れるメリットを解説します。
レスポンス速度が速い
SLMはモデルが軽量であるため推論処理が速く、現場でのリアルタイムな業務判断を支えられます。
加えて、SLMは工場内のサーバーや現場の端末でも動かしやすいため、データをクラウドに送って結果を待つ必要がありません。その結果、通信の往復による遅延も抑えられるため、設備の状態に応じて即座に判断を返すといった使い方にも向いています。
推論コストを抑えられる
SLMは推論に必要な計算資源を大幅に抑えられるため、AIの運用コストを低く保ちやすくなります。
また、SLMを自社のインフラ上で動かす場合、外部APIのようなトークン量に応じた従量課金は発生しません。そのため、利用回数が増えても費用が比例して膨らみにくく、全社にAIを展開する際の費用対効果(ROI)も高めやすくなります。
機密データを社内にとどめられる
SLMは軽量なため、オンプレミス環境や閉域網でも稼働させやすく、機密データを外部のクラウドに送信せずに済みます。
これにより、設計図面や顧客情報などを社内に置いたままAIで処理できるため、機密データを扱う業務にもAIを取り入れやすくなります。
ただし、閉域網で運用する場合も、社内のアクセス権限の管理は引き続き必要です。
専門領域での回答精度が高い
SLMを自社の業務データで学習・調整したドメイン特化型SLMにすれば、業界固有の用語や社内ルールに沿った回答ができるようになります。
例えば、部品の略称や自社独自の品質基準を学習・参照させれば、現場の担当者が普段使う言葉で質問しても、意図を正しく読み取った回答を返しやすくなります。
SLMのデメリットと向いていないケース
SLMには多くのメリットがある一方で、軽量であるがゆえの弱点もあります。導入後に「期待した成果が出ない」とならないよう、弱点も事前に把握しておくことが大切です。
ここでは、SLMのデメリットと向いていないケースを解説します。
幅広い知識や複雑な推論が必要なタスクには向かない
SLMは学習範囲が限られるため、分野をまたぐ質問や、高度な推論を要する創造的なタスクでは汎用LLMに劣る場合があります。
例えば、幅広い業界の事例から新規事業のアイデアを発想するといったタスクは、汎用LLMのほうが得意です。そのため、幅広い知識や柔軟な発想が求められる業務では、汎用LLMの利用も検討しましょう。
用途ごとにモデルを用意する必要がある
SLMは汎用性が低いため、対象とする業務ごとに学習・調整したモデルを用意する必要があります。業務ごとに別のSLMを用意すれば、その分学習・調整や評価の手間がかかり、管理も煩雑になります。
そのため、SLMを導入する際は、最初に効果の大きい業務へ絞り込み、段階的に対象を広げる進め方がおすすめです。
ハルシネーションが起こる可能性がある
SLMであっても、学習データに偏りや不足があれば、誤った回答を生成する可能性があります。つまり、モデルを小さくしたり専門領域に特化させたりしても、ハルシネーションのリスクはゼロにはなりません。
誤りを減らすには、RAGによって回答の根拠となる社内文書を参照させる、重要な判断は人が確認する、といった対策が必要です。
SLMを業務で使う場合も、回答の根拠を確認できる仕組みを用意しておきましょう。
自社で運用する体制が求められる
SLMをオンプレミス環境や閉域網で運用する場合は、サーバーの準備やモデルの更新・監視を自社で担う体制が必要になります。外部のクラウドAPIであればサービス提供者が担う作業を、自社で行わなければならないためです。
もし自社での運用が難しい場合は、導入から運用までを支援するサービスや、構築・運用の手間を減らせるAI基盤の活用を検討しましょう。
SLMの活用シーン
SLMは、速さや機密性が求められる業務、用途がはっきりしている業務で力を発揮します。ここでは、SLMを企業で活用できる具体的な業務を紹介します。
社内規程・マニュアルへの問い合わせ対応
社内文書を学習・参照させたSLMを社内チャットボットとして使えば、機密情報を社外に出さずに問い合わせ対応を自動化できます。
就業規則や経費精算のルールなど、社内規程に関する問い合わせは件数が多く、担当部門の負担になりがちです。しかも問い合わせ対応は用途が明確なため、SLM導入の最初の対象として取り組みやすい業務といえます。
製造現場でのリアルタイムな判断支援
工場内のサーバーやエッジデバイスでSLMを動かすことで、通信の遅延を抑えながら、異常の検知や対応手順の提示ができます。
例えば、設備のセンサーデータやアラームの内容をもとに、SLMが考えられる原因と過去の対応手順を提示すれば、経験の浅い作業者でも初動対応を進めやすくなります。
設計図面・契約書など機密文書の要約・検索
SLMを使えば、設計図面や契約書など社外に出せない文書を、閉域網の中で要約・検索できるようになります。
例えば「特定の取引先との契約で定めた支払条件」といった情報を、自然な文章で質問して探し出せます。さらに、長い文書の要点をSLMが要約すれば、担当者が全文を読み込む負担も減らせるでしょう。
トークンコスト削減と機密データ保護を両立するSLMの運用
SLMを業務で活用する上では、どのモデルを選ぶかだけでなく、どこで動かすかも重要です。クラウド上の汎用LLMに機密データを送り続ける運用は、API利用料がかさむうえ、情報管理の面でも企業の負担になります。
そこでエンタープライズ企業に適しているのが、自社の業務ルールや専門知見を学習・参照させたSLMを、自社のインフラ上にデプロイ(実際に使える状態に配置)する運用です。従量課金が発生せず、機密データも社内にとどめられるため、安全性と経済性を両立しやすくなります。
特に、大量の問い合わせや文書を日常的に処理する企業ほど、その効果は大きくなるでしょう。
SLMはモデルの「大きさ」から業務への「適合度」で選ぶ時代へ
企業がAIモデルを選ぶ基準は、パラメータ数の大きさを競う考え方から、自社業務への「適合度」で選ぶ考え方へと変化しています。SLMは、レスポンス速度、推論コスト、機密データの保護という企業の要件に応えやすく、ドメイン特化型にすれば専門領域での回答精度も高められます。
CTCが提供する「Articul8」は、半導体やエネルギー、製造・サプライチェーン、金融など、業界ごとに特化した軽量な言語モデル(ドメイン特化型モデル)を備えたエンタープライズ企業向けのAI基盤です。
外部の商用LLMへのAPI呼び出しを前提とせず、社内の閉じた環境でモデルを動かせるため、機密データを社外に出さずにAIを活用できます。または、業界ごとの用語やルールをまとめた「Domain Packs」を設定ファイルで切り替えることで、モデルの再学習を伴わずに自社業務に合わせた専門性を反映可能です。
速度・コスト・セキュリティを両立したAI活用を検討している人は、ぜひ資料をダウンロードの上、導入をご検討ください。

よくある質問
SLMは汎用LLMに比べて回答精度が落ちますか?
SLMは、幅広い一般知識を問う質問に対しては汎用LLMに劣る可能性があります。一方、自社の専門領域に絞った業務では、業務データを学習・調整したり、RAGで社内文書を参照させたりすることで、汎用LLMと同等以上の回答精度を発揮するケースもあります。
オンプレミスや閉域網でSLMを運用するメリットは何ですか?
オンプレミスや閉域網でSLMを運用する最大のメリットは、外部のクラウド環境へデータを送信しないため、機密情報が社外に漏洩するリスクを大幅に抑えられる点です。
また、インターネット回線の混雑の影響を受けにくいため、安定したレスポンス速度も保ちやすくなります。
SLMとLLMはどのように使い分ければよいですか?
SLMとLLMは、業務に求められる要件で使い分けるのが基本です。幅広い知識や創造性が必要なタスクには汎用LLM、専門性・機密性・リアルタイム性が必要な定型業務にはSLMが向いています。
なお、両者を組み合わせて使う構成も一般的になりつつあります。
当サイトに掲載されている情報(記事、資料、動画、テンプレート等)については、その正確性および妥当性の確保に努めておりますが、ご利用に際しては、利用者ご自身の責任においてご判断ください。なお、個別の事情に応じては、専門家へのご相談を含め、適切な対応をご検討いただくことを推奨いたします。






























