生成AI用語集：LLM・エージェント・プロンプト80語完全解説

2026年7月14日

この記事の要点

【結論】生成AI領域の必須用語80語は「LLM基礎・プロンプト・エージェント・評価・最新トレンド」の5系統で整理でき、2026年時点で経営者・実務者が押さえるべき共通言語である。
【重要ポイント1】LLM基礎20語（GPT/Claude/Gemini・パラメータ・トークン等）は全員必修。ここが弱いとベンダー選定で失敗する。
【重要ポイント2】エージェント用語20語は2025-2026年の重要トレンド。ReAct・MCP・Function Callingを理解できるかがAI活用の分岐点。
【重要ポイント3】評価用語20語（Hallucination・Benchmark・RLHF等）はガバナンス設計に必須。「AI導入したが評価できない」を回避する。
【対象読者】AI活用を検討する経営者・DX推進担当者／AI活用の実装担当エンジニア／生成AIの体系的キャッチアップを目指すビジネスパーソン。

LLM基礎用語20語とは何か？

結論：LLM基礎用語とは、大規模言語モデル（LLM）の仕組み・主要モデル・技術要素を扱う20語であり、生成AI活用の議論の土台となる共通言語である。

#	用語	定義
1	LLM	LLMとは、Large Language Model（大規模言語モデル）。数億〜数千億のパラメータを持つ言語モデル。
2	GPT	GPTとは、Generative Pre-trained Transformer。OpenAIが開発した生成AI系列。GPT-4・GPT-5などの世代がある。
3	Claude	ClaudeとはAnthropicが開発したLLM。Claude 3.5 Sonnet・Claude 3.7・Claude Opus 4系などがある。
4	Gemini	GeminiとはGoogleが開発したLLM。マルチモーダル対応（画像・音声・動画）が強み。
5	Llama	LlamaとはMetaが開発したオープンソースLLM。企業内利用が可能な代表格。
6	Transformer	Transformerとは、Attention機構を核とするLLMの基盤アーキテクチャ。2017年Google発表。
7	Attention	Attentionとは、入力の各部分の重要度を動的に判定する仕組み。Transformerの中核。
8	パラメータ	パラメータとは、モデルが学習で調整する重み。GPT-4は1兆超と推定される。
9	トークン	トークンとは、LLMが処理する最小単位。日本語1文字≒1-2トークン、英単語1個≒1トークン。
10	事前学習	事前学習とは、大量のテキストで基礎能力を獲得する段階。Pre-trainingと呼ばれる。
11	ファインチューニング	ファインチューニングとは、特定タスク向けに追加学習する手法。企業固有データで精度向上。
12	RLHF	RLHFとは、Reinforcement Learning from Human Feedback。人間フィードバックによる強化学習。
13	RAG	RAGとは、Retrieval-Augmented Generation。外部データベース検索でLLM出力を補強する手法。
14	エンベディング	エンベディングとは、テキストを高次元ベクトルに変換する処理。意味検索の基盤。
15	ベクトルDB	ベクトルDBとは、エンベディングを格納する専用DB。Pinecone・Weaviateが代表。
16	Context Window	Context Windowとは、LLMが一度に処理できるトークン数。Claude 3.5は200K、GPT-4は128Kトークン。
17	マルチモーダル	マルチモーダルとは、テキスト・画像・音声など複数モードを扱うAI。Gemini・GPT-4o・Claude 3.5などが対応。
18	Temperature	Temperatureとは、生成の多様性を制御するパラメータ。0で確定的、1で創造的な出力になる。
19	Hallucination	Hallucinationとは、LLMが事実と異なる内容を生成する現象。RAG等で低減する。
20	オープンソースLLM	オープンソースLLMとは、公開されたモデル。Llama・Mistralなどが代表。

使用例：「Context Window 200KのClaudeで、社内ドキュメントをRAG参照させエンベディングをベクトルDBで管理。Hallucination対策として出典明示を義務化する。」

プロンプト関連用語20語をどう使うか？

結論：プロンプト用語とは、LLMへの指示設計に関わる20語であり、生成AI活用の成果を決定づける「入力の質」を左右する共通言語である。

#	用語	定義
1	プロンプト	プロンプトとは、LLMへの指示文。プロンプトの質が出力品質を決める。
2	プロンプトエンジニアリング	プロンプトエンジニアリングとは、効果的なプロンプト設計技術。2023年から専門職として認知。
3	システムプロンプト	システムプロンプトとは、AIの役割・振る舞いを規定する基本指示。ユーザープロンプトの前に配置。
4	ユーザープロンプト	ユーザープロンプトとは、対話中にユーザーが入力する具体的な指示。
5	Few-shot Learning	Few-shot Learningとは、少数の例示を含めて指示する手法。出力の型を制御する。
6	Zero-shot Learning	Zero-shot Learningとは、例示なしで指示する手法。事前学習の一般化能力を活用。
7	Chain of Thought	Chain of Thought（CoT）とは、「段階的に考えて」と促し推論プロセスを明示化させる手法。
8	Tree of Thought	Tree of Thought（ToT）とは、複数の思考経路を並列探索させる高度な推論手法。
9	ReAct	ReActとは、Reasoning + Acting。思考と行動を交互に行うエージェントの推論フレーム。
10	Persona	Personaとは、AIに特定の人物・専門家役割を与えるプロンプト技法。
11	Role Prompting	Role Promptingとは、AIに役割を明示的に指示する技法。「あなたは弁護士として」など。
12	Instruction Tuning	Instruction Tuningとは、指示に従う能力を高めるファインチューニング手法。
13	Constitutional AI	Constitutional AIとは、AnthropicのAI原則学習手法。倫理原則をモデルに埋め込む。
14	Prompt Injection	Prompt Injectionとは、悪意ある指示挿入によるAI操作。セキュリティ論点。
15	Jailbreak	Jailbreakとは、AIの安全制約を突破する試み。悪用リスクの主要形態。
16	Guardrails	Guardrailsとは、AI出力の安全性を担保する制約層。企業導入で必須の仕組み。
17	プロンプトテンプレート	プロンプトテンプレートとは、再利用可能な標準プロンプト形式。組織的なAI活用で活用。
18	Chain Prompting	Chain Promptingとは、複数プロンプトを連鎖させ複雑タスクを解く手法。
19	Self-Consistency	Self-Consistencyとは、複数回生成結果を投票で決定する精度向上手法。
20	Meta Prompt	Meta Promptとは、プロンプト自体を生成させるプロンプト。自動化・改善に使う。

使用例：「システムプロンプトで役割を規定し、Few-shotで3つの例を提示、Chain of Thoughtで推論プロセスを明示化。Guardrailsで機密情報の出力を制御する。」

エージェント用語20語をどう理解するか？

結論：エージェント用語とは、自律的にタスクを実行するAIシステムに関する20語であり、2025-2026年の生成AI重要トレンドを構成する概念である。

#	用語	定義
1	AIエージェント	AIエージェントとは、目標達成のため自律的にタスクを実行するAIシステム。
2	Function Calling	Function Callingとは、LLMが外部関数を呼び出す機能。ツール利用の基盤。
3	Tool Use	Tool Useとは、AIが外部ツール（検索・計算・API）を使う機能全般。
4	MCP	MCPとは、Model Context Protocol。Anthropicが2024年に提唱したLLMと外部ツール接続の標準規格。
5	オーケストレーション	オーケストレーションとは、複数エージェントの協調動作。マルチエージェントシステムで重要。
6	マルチエージェント	マルチエージェントとは、複数のAIエージェントが協働するシステム。
7	LangChain	LangChainとは、エージェント開発の代表的フレームワーク。Python/JavaScript対応。
8	LlamaIndex	LlamaIndexとは、RAG構築の代表的ライブラリ。データ接続に特化。
9	AutoGPT	AutoGPTとは、自律的タスク遂行エージェントの初期実装例。2023年に注目を集めた。
10	Reasoning Loop	Reasoning Loopとは、AIが「思考→行動→観察」を繰り返す動作サイクル。
11	Planning	Planningとは、エージェントが目標達成の手順を計画するステップ。
12	Memory	Memoryとは、エージェントが過去の情報を保持する仕組み。短期／長期の区別がある。
13	Vector Memory	Vector Memoryとは、エンベディングで意味検索可能な長期メモリ。
14	Semantic Search	Semantic Searchとは、意味に基づく検索。キーワード検索と対比される。
15	Agent Framework	Agent Frameworkとは、エージェント開発の基盤ライブラリ。CrewAI・AutoGen等。
16	Human-in-the-Loop	Human-in-the-Loop（HITL）とは、AI処理中に人間の判断を挟む仕組み。
17	Autonomy Level	Autonomy Levelとは、エージェントの自律度合い。低（提案のみ）〜高（完全自動）の段階。
18	Sub-agent	Sub-agentとは、上位エージェントに委任される専門エージェント。
19	Workflow	Workflowとは、エージェント動作の定義。決定論的（ルール）と非決定論的（LLM判断）に分かれる。
20	Agentic AI	Agentic AIとは、エージェント型AI全般を指す概念。2025年のGartner注目キーワード。

使用例：「MCPでClaudeに社内ツールを接続し、Function Callingで営業CRM連携。LangChainで複数のSub-agentを協調させ、HITLで承認プロセスを組み込む。」

評価用語20語は何か？

結論：評価用語とは、LLM・エージェントの性能・安全性を測定する20語であり、企業導入時のガバナンス設計に不可欠な共通言語である。

#	用語	定義
1	Benchmark	Benchmarkとは、LLMの性能を評価する標準テスト。MMLU・HumanEvalなどが代表。
2	MMLU	MMLUとは、Massive Multitask Language Understanding。57分野の知識テスト。
3	HumanEval	HumanEvalとは、コーディング能力を測るベンチマーク。
4	GSM8K	GSM8Kとは、数学問題解答のベンチマーク。数理推論能力を測る。
5	HellaSwag	HellaSwagとは、常識推論を測るベンチマーク。
6	BLEU/ROUGE	BLEU/ROUGEとは、生成テキストの品質評価指標。翻訳・要約タスクで使用。
7	Perplexity	Perplexityとは、モデルの予測精度指標。低いほど良い。
8	Accuracy	Accuracyとは、正答率。分類タスクの基本指標。
9	F1 Score	F1 Scoreとは、精度と再現率の調和平均。分類評価の代表指標。
10	Hallucination Rate	Hallucination Rateとは、事実と異なる生成の発生率。企業導入で重視される指標。
11	Toxicity	Toxicityとは、有害・不適切な出力の割合。安全性評価の指標。
12	Bias	Biasとは、モデルの偏り。性別・人種等に対する不公平さの測定。
13	Alignment	Alignmentとは、AIを人間の意図に整合させる技術。RLHF・Constitutional AIが代表。
14	Red Teaming	Red Teamingとは、意図的にAIを攻撃し脆弱性を検証する手法。
15	Explainability	Explainabilityとは、AIの判断根拠を説明可能にする技術。XAIとも呼ばれる。
16	Traceability	Traceabilityとは、AI判断の根拠を追跡可能にする性質。
17	Latency	Latencyとは、応答時間。UX上重要な指標。
18	Throughput	Throughputとは、単位時間当たりの処理量。スケーラビリティ指標。
19	Cost per Token	Cost per Tokenとは、トークン単位のコスト。API利用時のROI計算基盤。
20	LLM as a Judge	LLM as a Judgeとは、LLM自身に他LLMの出力を評価させる手法。評価コスト削減に使う。

使用例：「MMLUで基礎知識、HumanEvalでコーディング能力を評価。Hallucination RateとToxicityを企業導入判定基準に設定し、Red Teamingで安全性を検証する。」

2026年最新トレンド用語は何か？

結論：2026年時点の最新トレンド用語は、Agentic AI・推論モデル・マルチモーダル進化・オンデバイスAIなど、次世代AI活用の中核概念である。

#	用語	定義
1	Agentic AI	2025年Gartnerの重要キーワード。自律エージェントによる業務代行が本格化。
2	Reasoning Model	Reasoning Modelとは、推論に特化したLLM。OpenAI o1・DeepSeek-R1等が代表。
3	Test-Time Compute	Test-Time Computeとは、推論時に計算資源を追加投入する手法。o1が採用。
4	Chain of Thought Reasoning	内部的にCoTを実行する新世代推論モデルの中核技術。
5	Small Language Model	SLMとは、小型LLM。オンデバイス実行・低コストが特徴。
6	Edge AI	Edge AIとは、端末側でAI処理する技術。スマホ・IoT機器で本格化。
7	On-device AI	On-device AIとは、クラウドを介さずに端末内でAI処理する技術。Apple Intelligence等が代表。
8	Voice AI	Voice AIとは、音声対話AI。OpenAIのRealtime APIなどが2024年から本格化。
9	Video Generation AI	Video Generation AIとは、動画生成AI。OpenAI Sora・Google Veoなど。
10	Enterprise AI	Enterprise AIとは、企業向けAI活用の総称。ガバナンス・セキュリティ重視の設計。
11	AI Governance	AI Governanceとは、企業のAI活用ルール・統制。EU AI Act等の規制対応も含む。
12	EU AI Act	EU AI Actとは、EUのAI規制法。2024年8月発効、リスク分類でAI利用を規制。
13	生成AIのシャドー利用	生成AIのシャドー利用とは、社員が非公式にAIを利用する行為。企業のAIガバナンス論点。
14	AI ROI	AI ROIとは、AI導入の投資対効果測定。IPA調査では6割の企業が測定できていない。
15	Copilot型	Copilot型とは、Microsoftが推進する「AIが業務をサポート」する形態。
16	Autopilot型	Autopilot型とは、AIが業務を自律実行する形態。Agentic AIの延長。
17	AGI	AGIとは、Artificial General Intelligence（汎用人工知能）。人間レベルの汎用能力を持つAI。
18	ASI	ASIとは、Artificial Super Intelligence（超知能）。人間を超えるAI概念。
19	Model Distillation	Model Distillationとは、大型モデルの能力を小型モデルに転移する技術。
20	Mixture of Experts	Mixture of Experts（MoE）とは、複数専門家モデルを状況で使い分ける構造。

使用例：「Copilot型AIで日常業務を支援し、Agentic AI・Autopilot型で完全自動化領域を拡大。EU AI Act準拠のAI Governance体制を構築する。」

生成AI用語をマスターする学習パスは？

結論：80語を効率的にマスターする現実的な経路は、「LLM基礎20語→プロンプト20語→エージェント20語→評価20語」の順で1週間ずつ習得する4週間パスである。

Week 1：LLM基礎20語

対象：全員
学習方法：主要LLM（GPT・Claude・Gemini）を実際に試用
到達点：Context Window・トークン・Temperatureを理解して使い分けられる

Week 2：プロンプト20語

対象：AI活用実務者
学習方法：自業務のプロンプトテンプレートを10個作成
到達点：Few-shot・CoT・システムプロンプトを実装できる

Week 3：エージェント20語

対象：AI活用の設計者
学習方法：LangChain・MCPを実際に手を動かして構築
到達点：Function CallingとMCPで社内ツール連携ができる

Week 4：評価20語

対象：AI活用の責任者
学習方法：Hallucination Rate・Benchmarkの実測
到達点：企業導入判定基準を設計できる

推奨副読本：

岡野原大輔『大規模言語モデルは新たな知能か』（岩波書店）
松尾豊『AI白書』（監修版）
OpenAI/Anthropic公式ドキュメント（英語）

ConStepでは、生成AI用語80語＋実務プロンプトの4週間実践プログラムを提供しています。

FAQ（よくある質問）

Q1：GPTとClaudeの違いは何ですか？

A1：GPTはOpenAIが開発し、汎用性とマルチモーダル対応が強み。ClaudeはAnthropicが開発し、長文Context Window（200K）と安全性設計（Constitutional AI）が特徴です。実務では、長文分析・コーディング・議事録要約はClaude、画像生成・音声対話はGPT-4o、コスト重視はGeminiなど使い分けます。企業導入では複数モデル併用が2026年の主流です。

Q2：プロンプトエンジニアリングは必須スキルですか？

A2：AI活用の中核スキルとして必須です。同じLLMでもプロンプト次第で出力品質は3-5倍程度変わるとされています。ただし2025年以降、推論モデル（o1・R1）の登場でプロンプト依存度は下がりつつあり、「明確な目標設定と評価基準」がより重要になっています。基本的なCoT・Few-shot・システムプロンプトの3技法を押さえれば実務は回ります。

Q3：LLMの評価指標は何を使えばいいですか？

A3：企業導入では4指標が重要です。①Hallucination Rate（事実誤認率）、②Latency（応答時間）、③Cost per Token（コスト）、④Task Success Rate（実タスク成功率）です。標準ベンチマーク（MMLU等）は一般能力の参考として、企業導入判定は自社業務での実測が必須です。LLM as a Judgeで評価コストを削減する手法も広がっています。

Q4：オープンソースLLMは実用可能ですか？

A4：可能です。2026年時点でLlama 3・Mistral Large・DeepSeekなどは商用LLMに近い性能を持ちます。企業内利用で機密データを扱う場合、オープンソースLLMの自社運用（オンプレ・プライベートクラウド）が現実的選択肢です。ただし運用コスト・GPUインフラの内製が必要で、100人規模以上の企業でROIが合いやすい構造です。

Q5：2026年注目の生成AIトレンドは何ですか？

A5：3つのトレンドが重要です。第一に、Agentic AI（自律エージェント）による業務代行。第二に、Reasoning Model（o1・R1）による複雑推論能力。第三に、On-device AI（Apple Intelligence等）によるプライバシー保護型AI。企業では「Copilot型からAutopilot型への段階的移行」と「AI Governance体制の構築」が経営アジェンダの中心になります。