「AI は自分たちで build すべきか、それとも既存 solution を buy すべきか？」- これは AI project で BA が非常によく直面する問いです。2026 年の AI landscape は十分に複雑で、この判断はもはや単純な "build vs buy" ではなく、full custom から turnkey solution までの spectrum になっています。
AI Solution Spectrum
FULL BUILD ←————————————————————————→ FULL BUY
[Train from Scratch] → [Fine-tune Open Source] → [Fine-tune Foundation Model] → [Prompt Engineering on API] → [SaaS AI Solution]
Cao nhất Thấp nhất
(Cost, Control, Flexibility, Data Privacy)
Thấp nhất Cao nhất
(Speed to Market, Ease of Use, Vendor Lock-in Risk)
「最善の答え」はひとつではありません。spectrum 上の各ポイントには、それぞれ適した use case があります。
AI Solutionの5つのOption
Option 1: Custom ModelをゼロからTrainする
- どんなときか: highly specialized domain、proprietary data、極めて厳しい privacy 要件がある場合
- 例: proprietary scan data を持つ大規模病院の medical imaging AI
- Cost: 非常に高い（$500K-$5M+）
- Timeline: 6〜18か月
- 必要な team: ML Engineers、Data Scientists、MLOps
Option 2: Open Source ModelをFine-tuneする
- どんなときか: 高い customization が必要だが budget は限られ、data は極端には sensitive ではない場合
- 例: 特定 industry の customer support 向けに Llama 3 を fine-tune する
- Cost: 中程度（$50K-$200K）
- Timeline: 2〜4か月
- 必要な team: ML Engineer、Data Engineer
Option 3: Foundation Model上でFine-tune / RAGを行う
- どんなときか: customization は必要だが infrastructure 管理はしたくない場合
- 例: GPT-4o/Claude 上に company knowledge base を載せた RAG
- Cost: 低〜中（$20K-$100K implementation + API cost）
- Timeline: 4〜8週間
- 必要な team: Backend Dev + BA（prompt engineering）
Option 4: AI API上でPrompt Engineeringする
- どんなときか: use case が foundation model に合っており、speed to market が重要な場合
- 例: AI-assisted email drafting、document summarization、classification
- Cost: 低い（主に API cost: $0.01-$0.10/1K tokens）
- Timeline: 1〜4週間
- 必要な team: Backend Dev + BA（prompt design）
Option 5: SaaS AI Solution
- どんなときか: commodity use case で、turnkey 導入が必要で、team に AI expertise がない場合
- 例: Salesforce Einstein、Zendesk AI、HubSpot AI
- Cost: Subscription（$30-$200/user/month）
- Timeline: 数日〜数週間
- 必要な team: Implementation consultant + Admin
BA向けMake-or-Buy Framework
Dimension 1: Strategic Differentiation
問いはこれです。「この AI capability は business の core differentiator なのか？」
HIGH
Strategic Value
|
Competitors | Build Custom
can't replicate | (Option 1-2)
|
────────────────┼────────────────────
|
Commodity | Buy/API
capability | (Option 3-5)
|
LOW
LOW ←— Uniqueness of your data/domain —→ HIGH
分析例:
- Amazon の recommendation engine -> Build（core competitive advantage）
- SME の document categorization -> Buy/API（differentiator ではない）
- Hospital の patient risk scoring -> Fine-tune（specialized domain + privacy）
- Startup の AI chatbot MVP -> API（speed to market の方が重要）
Dimension 2: Data Sensitivity
| 感度レベル | Data の種類 | Recommendation |
|---|---|---|
| Highly sensitive | PHI、financial、trade secrets | Option 1-2（on-premise または private cloud） |
| Sensitive | PII、internal business data | Option 2-3（data anonymization または enterprise contract 前提） |
| Non-sensitive | Public data、non-PII | Option 3-5 |
AI API providers に関する注意: OpenAI、Anthropic、Google はいずれも data privacy commitments を含む enterprise plans を提供しています。BA は次を verify すべきです。
- あなたの data を training に使うか？
- Data retention policy はどうなっているか？
- GDPR / local regulations に準拠しているか？
Dimension 3: Maturity & Timeline
| Situation | Recommendation |
|---|---|
| MVP / Proof of Concept | Option 4-5: 速く安く hypothesis を検証する |
| Growing product、proven value | Option 3: customization が必要になったら Fine-tune / RAG |
| Enterprise scale、differentiated | Option 1-2: ROI が証明されたら custom に投資 |
Anti-pattern: Business case を検証せずに Option 1（train from scratch）へ飛びつくこと -> resources の浪費につながります。
Dimension 4: Total Cost of Ownership（TCO）
BA は initial cost だけを比較しがちですが、これは誤りです。3 年間の TCO を見る必要があります。
| Build Custom | API-based | SaaS | |
|---|---|---|---|
| Initial cost | $$$$ | $ | $$ |
| Annual maintenance | $$$$ | API cost | Subscription |
| Scaling cost | infra に比例 | usage に比例 | Per-seat |
| Update cost | Team effort | Provider handles | Provider handles |
| Lock-in risk | Low | Medium（API changes） | High |
| 3-year TCO example | $500K | $80K | $150K |
TCO は scale と use case に大きく依存します。これは参考例です。
Dimension 5: Internal Capability
Current team を正直に評価します。
| 持っているもの | Capability Level |
|---|---|
| ML Engineers、Data Scientists | ✅ Build を検討できる |
| Backend Developers | ✅ API / Fine-tune を実行できる |
| Non-technical team | -> No-code SaaS を選ぶ |
| 採用 budget | -> 6〜12か月で Build 可能 |
| Outsource partner | -> Partner 支援で Fine-tune |
Decision Matrix Template
BA は scoring matrix を使って、より客観的に decision を提示できます。
| Criterion | Weight | Build Custom | Fine-tune | API | SaaS |
|---|---|---|---|---|---|
| Strategic differentiation | 25% | 9 | 7 | 4 | 2 |
| Data privacy requirements | 20% | 9 | 8 | 5 | 4 |
| Speed to market | 20% | 2 | 5 | 9 | 10 |
| Cost efficiency (3yr) | 20% | 3 | 6 | 8 | 7 |
| Internal capability | 15% | 2 | 5 | 8 | 9 |
| Weighted Score | 100% | 5.5 | 6.3 | 6.7 | 6.1 |
Score は 1-10。weights と scores は context に合わせて調整してください。
実例: Fintech Company
Scenario: Fintech が AI fraud detection を導入したい
Analysis:
- Strategic differentiation: HIGH - Fraud detection は core risk function
- Data sensitivity: VERY HIGH - Transaction data、PII
- Team capability: Medium - Data Scientists はいるが多くない
- Timeline: Urgent - Fraud が増加している
Options considered:
- Train custom -> 12か月、$800K - 遅すぎる
- Fine-tune open source LLM on fraud data -> 3か月、$150K - 現実的
- Fine-tune a specialized fraud detection model（Stripe Radar-like）-> 2か月、$100K - 最適
- API-based fraud detection service -> 2週間、$50K/year - 速いが specialized さは低い
- Turnkey fraud SaaS -> 1週間、$2/transaction - 短期的には許容可能
Recommendation:
- Immediate（Month 1-2）: Option 5（SaaS）でまず損失拡大を止める
- Medium-term（Month 3-6）: Option 3（Fine-tune）で differentiated capability を構築する
- Long-term（Month 6+）: 両方を組み合わせる。real-time には SaaS、risk scoring には custom model
Hybrid Strategy: Best of Both Worlds
実務では、多くの company が hybrid approach を採用しています。
Layer 1: Foundation Model API (GPT-4o, Claude)
→ General language tasks, summarization, draft generation
Layer 2: Fine-tuned model (company-specific)
→ Domain knowledge, terminology, custom logic
Layer 3: Rules engine (deterministic)
→ Compliance checks, hard business rules, safety filters
Layer 4: Human review
→ High-stakes decisions, edge cases, appeals
BA の役割は、どの layer がどの type の request を処理するか と、layers 間の handoff logic を定義することです。
Make-or-Buy提案で見るべきRed Flags
🚩 「長期的には自作の方が安い」- dedicated ML team がなければ通常は成り立ちません 🚩 「自社 proprietary AI model が必須だ」- なぜ必要かを問うべきです。proprietary = better ではありません 🚩 「SaaS vendor は必ず自社 data を training に使う」- assume せず contract を verify する 🚩 「Fine-tune はすぐ終わる。2 週間で十分」- 本来の fine-tuning はもっと時間がかかります 🚩 「GPT-4o はすべての use case に十分」- use case ごとの evaluation が必要です
まとめ
AI における Make-or-Buy は binary choice ではなく、複数の停留点を持つ spectrum です。BA の役割は次の通りです。
- Strategic intent を明確にする - business はどこで differentiate したいのか？
- Constraints を評価する - Data privacy、budget、timeline、team capability
- Options を客観的に提示する - Scoring matrix と TCO analysis を用いる
- Rationale を添えて recommendation する - 「X を選ぶ」だけでなく WHY を説明する
最善の Make-or-Buy decision はしばしば次の形です。"Buy/API で小さく始め、value を検証し、business case が明確になった段階で Build に投資する。" この approach は risk を下げつつ learning を加速させます。