生成AIの活用が広がる中で、多くの企業が次に直面しているのが、「このAIにどこまで任せていいのか」という問いです。利便性の裏側で、自社の機密データや業務上の判断を外部サービスに委ねることへの不安は、特に社会インフラを支える企業ほど大きくなっています。
こうした課題意識から注目されているのが、「AI主権（ソブリンAI）」という考え方です。AIを単に使うのではなく、自社のデータや判断を自らコントロールできる形で持つこと。しかし、それを実際の業務にどう結びつけていくのかは、多くの企業にとって模索が続くテーマでもあります。
ソフトバンクでは、この問いに向き合う取り組みの一つとして、通信業界に特化した生成AI基盤モデル 「Large Telecom Model」（LTM） の開発を進めてきました。
本記事では、その背景や設計の考え方、具体的な活用事例を通じて、業界特化・国内完結型AIの実践から見えてきた示唆を紐解いていきます。

なぜ今、AI主権（ソブリンAI）が論点になっているのか

生成AIの業務利用が広がり、海外製の汎用的な生成AIサービスを前提とした活用が進んできました。
一方で、生成AIを業務や自社システムに組み込もうとすると、技術そのものとは別の論点が見えてきます。アイデア出しや壁打ちといった用途であれば大きな問題にならなくても、社外秘データや事業の中枢に関わる情報を生成AIで扱う場合、前提は大きく変わります。
例えば、入力したデータがモデルの学習に利用されていないか。どこで保存・処理され、第三者に情報が渡る可能性はないのか。サービス提供側の利用規約や運用条件を含めて、自社としてどこまで把握し、説明できる状態にしておけるのかが問われます。
生成AIを事業のより重要な領域で活用しようとするほど、この「AI主権」という観点は、事前に整理しておくべき実務上の課題として意識されるようになっています。

汎用AIでは越えられなかった壁

現代の社会に欠かせないものとなっているインターネットや電話などのサービスを支える通信インフラの領域においても、AI主権の確保は避けて通れない課題です。安定運用への責任を担う現場にとって、生成AIを業務やシステムの中枢に組み込むことは非常に重みのある決断です。ネットワークの設計や保守・運用の現場では、実際にどのような課題認識があり、どのような判断が重ねられてきたのでしょうか。
インタビューを通して、そうした現場の考え方と検討のプロセスを見ていきます。

お話をうかがった方

現場で積み重なっていた、従来運用の限界

傳田：モバイルネットワークの保守・運用では、大きく分けて二つの課題がありました。
一つは、人の思考の限界です。
ここ数年で、オペレーションの自動化自体はかなり進んできました。無線基地局のパラメーター調整なども含めて、数年で数十倍レベルの効率化を実現しています。しかし、5Gの展開が進み、周波数も増え、サービスも多様化していく中で、ネットワークの構造そのものがどんどん複雑になってきました。自動化を進めようとすると、そのためのルールを考えること自体が非常に難しくなってきていて、「これはもう、人が考えきれる範囲を超え始めているな」という感覚がありました。
もう一つの課題は、エンジニア不足です。
無線エンジニアが担ってきた領域は多いのですが、高齢化や人口減少の影響もあって、担い手の確保が年々難しくなっています。業務は増えていく一方で、人は減っていく。このギャップは現場としてかなり大きな課題でした。

汎用的なAIや既存手法では難しかった点

傳田：無線エンジニアの業務は、特有の高度な専門性が求められます。いわゆる「無線の世界」をよく理解していないと判断できない業務が多くあります。
例えば、無線基地局のパラメーター設定一つを取っても条件は非常に細かく、設定項目の数も数万レベルに及びます。その中で「どういう条件で、どのパラメーターを、どのように変えるのか」を判断するには、無線の構造やこれまでの運用経験を踏まえた理解が欠かせません。無線の世界全体を理解した上でAIが答えを出す、ということを汎用的なAIにそのまま期待するのは現実的ではなく、実際の業務に適用するのは難しいという認識でした。

稲葉 ：従来はディープラーニングベースのモデルや、いわゆるルールベースの手法を使って個別のタスクに対応する形が主流でした。新しい基地局の設計や保守・運用といった場面ごとにユースケースを定義し、それぞれのタスクに関連するデータを用いて個別にモデルを構築するというやり方です。LLMも使われていましたが、実際には人とやり取りするための自然言語インターフェースとして使われるにとどまっていました。それぞれのシーンやユースケース全体のデータで横断的に学習しているわけではないので、多様な状況を統合的に捉えて判断することはできませんでした。
一方でLTMでは、ソフトバンクが保有する膨大なネットワークデータや、長年培ってきた設計・管理・運用ノウハウなどの多岐にわたるデータセットで学習することで、さまざまな関連事項を踏まえた高度な推論や判断が可能になります。

業界特化のAIを作る必要性

傳田：汎用的なAIを部分的に当てはめていくやり方では、今後数年でエンジニアの業務が破綻する可能性が高いと感じていました。それを回避するためには、これまで自分たちが長年にわたって蓄積してきた社内データや、無線エンジニアが業務の中で培ってきた手法や判断を、AIという技術で大規模に資産化し、組織全体で使えるようにする必要があると考えました。それらは外部から手に入れられるものではなく、自分たちで作らなければ手遅れになるという危機感がありました。

稲葉 ：モバイルネットワークの設計・管理・運用という一連のプロセスについて、AIを前提として根本的に見直すことで、業務負担の軽減や運用効率の向上を図りつつ、高品質なモバイルネットワークを提供すべき、という問題意識がありました。モバイルネットワークは年々高度化・複雑化しており、従来の人手や部分的な自動化だけでは最適化や品質向上を継続的に実現することが難しくなっています。だからこそ、個別の業務を少しずつ改善していくのではなく、まず前提となる考え方や構造そのものを見直す必要がある、という認識でした。

「Large Telecom Model」（LTM）という実践

こうした問題意識を踏まえて構想されたのが、LTMです。

稲葉 ：LTMは、汎用的なLLMをそのまま使うのではなく、通信業界に関わる知識や情報を前提として扱えるよう開発されたモデル、という位置づけになります。
一般的な生成AIは、幅広い分野の知識を持っていますが、通信業界特有の構造や前提までを理解しているわけではありません。一方でLTMでは、通信業界特有の構造や制約条件、専門用語、設計・運用上の前提となる知識を事前に学習させることで、そうした前提を踏まえた判断ができるよう設計しています。
その上で、LTMそのものを最終的な業務AIとして使うのではなく、LTMを土台として、特定の業務に特化したAIモデルを作っていく、という考え方を取っています。
モバイルネットワークの最適化や運用支援といった具体的な業務については、LTMをベースに社内に蓄積してきたデータやノウハウを活用しながら、業務に特化したAIモデルへと発展させていきます。いきなり業務特化のAIを作るのではなく、まず業界全体を理解した基盤モデルを作り、その上で業務に特化させていく。そうすることで、特定の業務に閉じた判断ではなく、関連する前提や背景も踏まえた高度な判断ができるようになるという考え方です。

国内完結という設計判断──データ主権をどう担保したのか

傳田：国内インフラで完結させる価値は、大きく二つあると考えています。
一つは、機密性です。
モバイルネットワークの運用では、トラフィック情報をはじめ、非常にセンシティブなデータを扱います。こうしたデータがどの経路を通り、どこで使われているのかについては、平時から厳密に管理する必要があります。学習や推論のプロセスを含めて、データの行き先や扱いを把握できない状態では実運用には踏み切れません。その意味で、国内インフラで完結できることはリスクを最小化するための重要な前提条件でした。
もう一つは、継続性です。
生成AIの基盤モデルは海外製のものが主流で、そのまま使い続けると海外への依存が高まります。国際情勢や提供条件の変化によって、特定のモデルやサービスが使えなくなった場合、事業やシステムそのものが影響を受けるリスクがあります。通信インフラのように止められない事業を支える以上、事業やシステムを継続的に運用していくための選択として、国内完結の構成は重要だと考えました。

国産LLM「Sarashina（さらしな）」を採用した理由

稲葉 ：LTMでは、SB Intuitions社が開発を進めている国産の大規模言語モデル「Sarashina」をベースとして採用しています。LTMのベースとしてSarashinaを採用した理由の一つは、ライセンスの取り扱いです。海外製の汎用LLMをベースにした場合、どうしてもライセンス面の制約が出てきます。その点、国産LLMであるSarashinaを使うことで、運用面を含めてコントロールしやすいという判断がありました。また、汎用的なLLMは英語を中心に学習されているものが多く、日本語特有のニュアンスや文脈、専門用語の扱いに課題が残る場合があります。Sarashinaは、日本語データを多く学習しており、日本語の複雑な表現や業界特有の用語を正確に理解・表現できる点が大きな特長です。
さらに、学習から運用までを国内で完結できる点も重要でした。機密情報を安全に扱えることや、モデルや学習プロセスを自分たちで把握できることは、通信インフラの業務で生成AIを使う上で欠かせない前提条件だと考えています。

モデルの「重み」を自分たちで扱えることの意味

傳田：今回の取り組みでは、いわゆるRAGのような検索拡張だけではなく、無線エンジニアの判断プロセスそのものをAIに学習させたい、という期待がありました。モデルの重みを扱えることで、より高い精度を出せるのではないかと考えたからです。
実際に開発を進めてみると、データをそのまま学習に使えるわけではなく、業務の構造やデータの意味を理解した上で整形し直す必要があることなど多くの課題にも直面しました。その過程で、これまでのシステム開発以上に、自分たち自身が業務を深く理解する必要があることを強く実感しました。業務を分解して情報構造として捉え直し、AIに学習させる。このプロセスを実際に経験できたこと自体が大きな価値だったと感じています。

稲葉 ：技術的な観点でも、汎用的なLLMだけでは精度を出し切れない場面がありました。モデルの重みを含めて学習・調整できることが、最終的な精度や信頼性につながっていると考えています。

LTMが現場にもたらした変化と価値

ソフトバンクではこのLTMを活用し、2025年に大規模イベント開催時の通信品質を事前に予測する取り組みを行いました。東京都北区で開催された花火大会を対象に検証を行い、実測データ比90%以上の精度で通信品質を予測できました。

稲葉 ：通信品質予測は、イベント時の通信状況を事前に把握し、基地局の設定を最適化することが目的になります。そのためには「過去のイベントではどうだったか」という実績データを、しっかりと学習させる必要があります。今回の検証では、これまでソフトバンクが最適化を行ってきた過去のイベント時の通信実績データを収集して学習に使っていますが、データを集めればそのまま精度が出るという話ではありませんでした。通信品質予測の業務では、KPIやコンフィグ情報など考慮すべき要素が非常に多くあります。そうした膨大なデータをどう加工するのか、どこまでを学習させるべきなのかを詰める必要がありました。

実際に開発を進める中で一番苦労したのは、業務の中で当たり前に行われている判断をAIが学習できる形に落とし込む点でした。無線の業務は、数値や時系列、複数の要素の関係性を踏まえて判断する世界です。実際、KPIや設定パラメーターを全て考慮しようとすると、数百、場合によっては1,000を超える項目になります。それらをそのままRAGのような形で扱っても必要な精度は出ないと感じていました。そのため、エリアや時間帯、関連する基地局といった単位で区切り、それぞれの条件を組み合わせながら学習させています。

傳田：現場の立場としても、データの羅列では意味がないという感覚はありました。業務を理解している立場から一つ一つ見極めながら学習させるデータを整理し、判断に重みを持たせる形で学習させないと、実際の業務では使えないと感じていました。
花火大会での検証で実測データと比較して90%以上という結果が出たときは、正直かなり印象に残っています。人流や滞在時間など、その年ならではの条件を加味した「今年ならではの予測」ができた点は大きかったですね。

稲葉 ：今回の結果は、実際の運用を担う現場と一緒に「何をどのように学習させるべきか」を詰め切れたことが大きかったと思っています。モデルの精度だけでなく、業務をどう分解し、どうデータとして整理するか。そのプロセスをチームで共有できたこと自体が大きな成果でした。

エンジニアの役割はどう変わり始めているか

稲葉 ：LTMを使うことで、技術的には高精度な予測や最適化ができる手応えは感じています。ただ、現時点では、通信障害や品質劣化、サービス影響などにつながる可能性のある業務であるため、AIが出した結果をそのまま使うというよりも、無線の知識を持ったエンジニアがその内容を理解し評価した上で、最終判断を行うことを前提としています。その上でLTMの精度や信頼性が高まっていけば、これまでエキスパートが担ってきた判断や分析をAIが担い、予測から判断、基地局設定の反映までを一貫して行う形も視野に入れています。そうなれば、エンジニアは日常的な運用判断から解放され、より創造性の高い業務に時間を使えるようになると考えています。

これからの展望──AI主権はどこへ向かうのか

稲葉 ：今後はLTMの活用領域をさらに広げ、社内での本格活用を加速させていくことで、ソフトバンクの業務全体を変革していきたいと考えています。
LTMを基盤としてユースケースごとに開発しているAIモデルをエージェント化し、より自律的に運用できる形も目指しています。人の業務を自動化することで運用効率やコストを改善するだけでなく、結果として通信品質そのものを高めていく。そうした進化を通じて、お客さまに「通信品質がいい」と感じてもらえる状態を実現していきたいです。

AIを自社で持ち続けるという選択

稲葉 ：AIを業務変革に使っていく上では、汎用的なAIをそのまま使うだけでは十分ではないと感じています。重要なのは、AIをどう設計し、どう使い続けていくかという中長期的な視点を持つことです。
自社の業務や判断プロセスにAIを深く組み込み、現場で実際に機能させていくためには、業務の中で蓄積されてきた知識や判断を整理し、AIが理解・活用できる形にしていく必要があります。AIは一度導入して終わりではなく、業務の中で育て続けていくものだと考えています。

傳田：今回の取り組みを通じて強く感じているのは、自社の思考や判断といった「知識・知恵」を、どこに、どのような形で蓄積していくのかが、これからの競争力を大きく左右するという点です。汎用的なAIを使えば一定レベルの回答はすぐに得られますが、そのロジックや学習内容はブラックボックスで、時間が経っても自社の資産として残るわけではありません。
一方で、自社専用AIを持つことは、これまで人の中にあった暗黙知や判断基準を再利用可能な形で組織に残していくことでもあります。そうして集約された知識・知恵がAIとともに育っていくことで、それは事業成長につながる「成長の金山」になると思います。

まとめ──AI主権とLTMから見えてきたこと

生成AIを事業や業務の中枢で活用していく上では、どのモデルを使うか以上に、どの前提を共有し、どう育て続けていくかが問われます。
LTMは、通信業界という共通の文脈を理解できる基盤を持ち、その上で各業務や現場に合わせてAIを適応・進化させていくための取り組みです。学習から運用までを国内で完結させることで、判断やデータを自らの管理の下に置き、継続的に活用できる環境を整えてきました。
ソフトバンクは今後も、業界特化型のAI基盤を起点に、現場に根差したAI活用を積み重ねながら、通信品質と運用のさらなる高度化に取り組んでいきます。

関連サービス

関連ページ

関連セミナー・イベント

同じカテゴリーの記事をみる