オープンソースLLMとは？商用利用の可否とライセンスの見方【2026年版】

「自社の業務にオープンソースのLLMを使いたいが、そもそも何を指すのか、業務で使ってよいのかが判断できない」という方も多いでしょう。無料で使えると聞いても、いざ調べるとモデルごとに利用規約が違い、商用利用の可否がはっきりしない、というご相談をよくいただきます。

しかし、ライセンスの確認を後回しにしたまま導入を進めると、社内展開の直前になって「このモデルは自社の使い方では条件を満たさない」と分かることがあります。

そこで本記事では、

• オープンソースLLMとは何か（オープンウェイトとの違い）
• オープンソースLLMのメリットと注意点
• 代表的なモデルとライセンスの早見、商用利用してよいかの判断
• 自社導入の進め方

についてわかりやすく解説します。社内でオープンソースLLMの活用を検討しているAI・DX推進のご担当者は、ぜひ最後までご覧ください。

「自社で使ってよいモデルの選び方や、ライセンスの確認から相談したい」という方はリベルクラフトへご相談ください。
⇨リベルクラフトのローカルAI環境構築支援の詳細はこちら

オープンソースLLMとは

オープンソースLLMとは、モデルの中身が公開され、自前の環境にダウンロードして動かせる大規模言語モデル（LLM）を指します。ChatGPTのように提供元のクラウド上でのみ使うのではなく、モデル本体を自社のサーバーや手元のPCに置いて動かせる点が特徴です。ここでは、まず言葉の意味と、混同されやすい「オープンウェイト」との違いを整理します。

LLMとは、大量の文章を学習し、質問への回答や文章の要約などを行う言語モデルを指します。このLLMには、提供元だけが中身を握る「クローズドなモデル」と、中身が公開される「オープンなモデル」があり、後者をまとめてオープンソースLLMと呼ぶことが一般的です。

「オープンソース」と「オープンウェイト」の違い

実務でつまずきやすいのが、この2つの言葉の使い分けです。厳密には、両者が指す公開範囲は異なります。

オープンウェイトとは、モデルの重み（パラメータ）が公開され、ダウンロードして動かせる状態を指します。一方、本来の意味での「オープンソース」は、重みに加えて、学習に使ったコードや学習データの詳細まで公開され、同等のモデルを作り直せる状態を求めます。オープンソースの定義を管理するOpen Source Initiative（OSI）は、オープンソースAIの条件として、重み・学習と推論のコード・学習データに関する十分な情報の3つを挙げています（参考：The Open Source AI Definition｜Open Source Initiative）。

この基準で見ると、広く使われている「オープンな」モデルの多くは、重みは公開しても学習データまでは公開していないため、正確には「オープンウェイト」に当たります。ただし、実務やニュースでは、こうしたモデルもまとめて「オープンソースLLM」と呼ばれています。本記事でも、一般的な呼び方に合わせてオープンソースLLMという言葉を使いますが、「無料だから何にでも自由に使える」とは限らない点は、後述するライセンスの確認で押さえておく必要があります。

クローズドなモデルとの違い

比較のために、クローズドなモデルにも触れておきます。ChatGPTのGPTシリーズやClaudeなどは、モデル本体が公開されておらず、提供元のクラウドにデータを送って利用します。手軽に高性能を使える一方、モデルを自社環境に置くことはできず、入力したデータの扱いは提供元の規約に従うことになります。

オープンソースLLMは、この点が逆になります。自社環境に置けるため、データを外に出さずに使える一方、動かすための環境や運用は自社側で用意する必要があります。どちらが優れているという話ではなく、機密性やコスト、必要な性能に応じて使い分けるのが実務的な考え方です。

オープンソースLLMのメリット

オープンソースLLMが業務で選ばれるのは、クローズドなモデルにはない利点があるためです。ここでは、代表的な3つのメリットを説明します。

1つ目は、自社環境で動かせる点です。モデルを自社のサーバーや端末に置けるため、入力した社内情報を外部のクラウドへ送らずに使えます。機密情報や個人情報を扱う業務でも導入しやすく、インターネットに接続しない閉じた環境でも運用できます。

2つ目は、カスタマイズできる点です。中身が公開されているため、自社のデータを使って追加学習（ファインチューニング）を行ったり、自社文書を検索して回答に使うRAG（検索した情報をもとに回答を生成する仕組み）と組み合わせたりできます。例えば、社内の手順書や過去の対応履歴を読み込ませて、自社の業務に合った回答を返すAIを作る、といった使い方が可能です。

3つ目は、コストの構造です。クラウドのモデルは利用量に応じた従量課金が中心ですが、オープンソースLLMは、初期にGPUなどの環境を用意すれば、使うたびに料金が積み上がることはありません。利用量が多い業務や、長期的に使い続ける業務では、費用の見通しが立てやすくなります。

ただし、これらのメリットは「適切なモデルを、条件を満たした使い方で運用できた場合」に得られるものです。次に、導入前に押さえるべき注意点を整理します。

オープンソースLLMの注意点

メリットの裏側には、事前に確認しておくべき点があります。特にライセンスとサポートは、導入後に問題になりやすいため、先に把握しておくことが重要です。

最も注意したいのが、ライセンスと商用利用の条件です。オープンソースLLMは無料でダウンロードできるものが多い一方、「商用利用してよいか」「どこまで自由に使ってよいか」はモデルごとに定められたライセンスによって異なります。個人の検証は自由でも、業務での利用には条件が付くモデルもあります。この点は次章以降で詳しく扱います。

次に、サポートと責任の所在です。クローズドなモデルは提供元のサポートや保証が受けられますが、オープンソースLLMは基本的に自己責任での利用が前提です。多くのライセンスには、動作や結果を保証しない旨と、利用に伴う責任は利用者が負う旨が明記されています。不具合が起きたときに自社で対応できる体制や、相談できる事業者を用意しておく必要があります。

加えて、動かすための環境の準備も自社側の負担になります。規模の大きいモデルほど高性能なGPUが必要で、複数人が同時に使う業務利用では、サーバーの構成や運用の設計も求められます。これらは後半の進め方で改めて触れます。

ここまでオープンソースLLMの基本とメリット・注意点を解説しましたが、「自社の使い方でどのモデルなら商用利用してよいか、ライセンスの判断に自信がない」という方は、リベルクラフトへご相談ください。

リベルクラフトでは、用途とデータの性質に合わせたモデル選定に加えて、ライセンス条件の確認や、社内データを使ったRAG・ファインチューニングまでを一貫して支援できます。ただモデルを動かすだけでなく、インターネットに接続しない閉域環境での構築や、扱ったデータを学習に使わない構成にも対応できるため、機密性の高い業務でも安心して使える自社専用の環境を実現できます。

以下のリンクからまずは詳細をチェックしてみてください。
⇨リベルクラフトのローカルAI環境構築支援の詳細はこちら

代表的なオープンソースLLMとライセンス早見

ここからは、2026年時点で業務利用の候補になる代表的なオープンソースLLMを、ライセンスと商用利用の可否を中心に整理します。モデルは更新が速いため、導入前には必ず各公式ページで最新のライセンスをご確認ください。

モデル	開発元	ライセンス	商用利用	出典
Qwen3	Alibaba	Apache 2.0	可	Qwen3｜Qwen
gpt-oss-20b	OpenAI	Apache 2.0	可	openai/gpt-oss-20b｜Hugging Face
Mistral 7B	Mistral AI	Apache 2.0	可	Mistral-7B-Instruct-v0.3｜Hugging Face
Gemma 4	Google	Apache 2.0	可	Gemma 4: Expanding the Gemmaverse with Apache 2.0｜Google Open Source Blog
DeepSeek-V4-Flash	DeepSeek	MIT	可	deepseek-ai/DeepSeek-V4-Flash-0731｜Hugging Face
Sarashina2.2	SB Intuitions	MIT	可	sarashina2.2-3b-instruct｜Hugging Face
Llama 4	Meta	Llama Community License（独自）	条件付きで可	Llama 4 Community License｜Meta
Llama-3-ELYZA-JP-8B	ELYZA	Llama 3 Community License	条件付きで可	Llama-3-ELYZA-JP-8B｜Hugging Face

表のとおり、大きく分けると「Apache 2.0・MITのように商用利用が自由なモデル」と、「Llamaのように提供元の独自規約に従うことを条件に商用利用を認めるモデル」の2種類があります。それぞれの位置づけを補足します。

Qwen3・gpt-oss-20b・Mistral 7B・Gemma 4はApache 2.0、DeepSeek（V4系）とSarashina2.2はMITで公開されており、いずれも商用利用が自由です。日本語を重視する場合は、日本語に特化したSarashina2.2や、MetaのLlamaを日本語で追加学習したLlama-3-ELYZA-JP-8Bが候補になります。ただし、ELYZAのモデルは基盤のLlamaのライセンスを引き継ぐため、後述するLlama系の条件を確認する必要があります。

GoogleのGemmaは、2026年4月公開のGemma 4からApache 2.0に切り替わりました。Gemma 1〜3はGoogle独自の「Gemma 利用規約」に従うことが商用利用の条件でしたが、Gemma 4は禁止利用ポリシーの順守や規約の引き継ぎといった制約のないオープンソースライセンスになっています（参考：Gemma 4: Expanding the Gemmaverse with Apache 2.0｜Google Open Source Blog）。一方、MetaのLlamaは引き続き独自の「Llama Community License」で、商用利用は認められていますが条件が付きます。この条件は次章で具体的に見ていきます。

商用利用してよいかの判断｜ライセンスの見方

代表モデルを踏まえて、実際に「自社で商用利用してよいか」を判断するための、ライセンスの見方を整理します。ポイントは、ライセンスの種別ごとに条件のクセを押さえることです。

まず、オープンソースLLMのライセンスは、大きく次の3つのタイプに分けて考えると判断しやすくなります。

ライセンスの種別	商用利用	特徴・確認すること
Apache 2.0	自由	商用利用・改変・再配布が広く認められる。特許に関する条項も含む
MIT	自由	最も制約が少ない。著作権表示を残せば商用利用も自由
提供元の独自規約（Llama 等）	条件付きで可	禁止利用ポリシーの順守や利用規模の上限など、規約ごとの条件を確認する

この表のとおり、Apache 2.0とMITであれば、商用利用の判断で悩む場面は多くありません。注意が必要なのは、提供元の独自規約が付くモデルです。順に補足します。

Apache 2.0・MITは商用利用が自由

Apache 2.0とは、商用利用・改変・再配布を広く認めるライセンスで、特許に関する取り決めも含む点が特徴です。MITとは、著作権表示を残すことなどを条件に、ほぼ制約なく利用を認めるライセンスです。いずれも、業務での商用利用にそのまま使えると考えて差し支えありません。Qwen3やMistral、gpt-oss、Gemma 4、DeepSeekなどがこれに当たります。

独自規約のモデルは条件を確認する

一方、MetaのLlamaのように、提供元が定めた独自の規約に従うことを条件に商用利用を認めるモデルは、条件の中身を確認する必要があります。

例えばMetaのLlamaは、商用利用を認めつつも、利用するサービスの月間アクティブユーザーが7億人を超える場合は、Metaに別途ライセンスを申請する必要があると定めています（参考：Llama 4 Community License Agreement｜Meta）。多くの企業にとってこの上限が問題になることは少ないものの、大規模なサービスに組み込む場合は確認が必要です。

なお、こうしたライセンスは固定的ではありません。GoogleのGemmaは、Gemma 1〜3では独自の「Gemma 利用規約」に従うことが商用利用の条件でしたが、2026年4月公開のGemma 4からApache 2.0へ切り替わり、独自規約の条件は無くなりました。このように提供元の方針転換でライセンスの種別自体が変わることがあるため、「以前調べたときはこうだった」という記憶に頼らず、導入直前に必ず公式ページで最新のライセンスを確認する習慣が重要です。

判断に迷ったときは、次の順で確認すると漏れが減ります。まず、モデルの公式ページ（Hugging Faceのモデルカードや提供元の公式サイト）でライセンス名を確認します。次に、Apache 2.0・MIT以外の名称であれば、規約の本文で商用利用の可否と付随する条件を読みます。特に、利用規模の上限、禁止される用途、再配布や派生モデルを作る際の条件は見落としやすい項目です。自社の使い方が条件を満たすか自信が持てない場合は、専門の事業者や法務に確認することをおすすめします。

自社導入の進め方

商用利用してよいモデルの目星が付いたら、次は導入の進め方です。オープンソースLLMは、いきなり大きな環境を組むより、段階を踏むほうが失敗しにくくなります。

スモールスタートで試す

最初から全社向けの大規模な基盤を作ろうとすると、投資判断が重くなり、社内の合意も取りにくくなります。まずは端末1台に小さめのモデルを入れ、特定の業務で試すスモールスタートが現実的です。手元でモデルを動かすツールとしては、コマンド操作の「Ollama」や、画面操作で扱える「LM Studio」などがあり、以前より手軽に試せるようになっています。ここで日本語の応答や使い勝手を確かめ、業務に対する手応えをつかみます。

用途とデータに合わせて広げる

手応えを確認できたら、自社のデータと組み合わせて実用に近づけます。社内問い合わせ対応や文書検索であれば、日本語に強い中型モデルと、自社文書を使ったRAGを組み合わせる構成が、費用対効果の高い出発点になります。さらに自社業務への最適化が必要になれば、ファインチューニングで専用のモデルに育てていく、という順に広げていきます。段階ごとに効果を確認しながら進めれば、投資に見合う成果が出ているかを都度判断でき、試験導入で止まってしまうリスクを下げられます。

GPUと運用体制を見積もる

業務で本格的に運用する段階では、動かし続けるための環境と体制の設計が必要です。オンプレミス（自社設置）で運用する場合、GPUサーバーの構成が費用の中心になります。構成例としては、48GB級のGPUやDDR5メモリを備えたサーバーが挙げられ、1つの拠点あたりの初期費用は100万円から200万円規模が1つの目安になります（要件により変動します）。あわせて、社内データの整理、アクセス権限の設計、モデルやログの管理といった運用面も見積もっておくと、導入後に想定外のコストや手間が発生しにくくなります。自社だけで判断が難しい場合は、構築と運用の経験がある事業者に相談すると、遠回りを避けられます。

まとめ

オープンソースLLMは、うまく使えばセキュリティやコスト、カスタマイズ性で大きな利点があります。一方で、業務で使うにはライセンスの確認が欠かせません。本記事の要点を整理します。

• オープンソースLLMは、自社環境に置いて動かせるLLM。厳密には多くが「オープンウェイト」に当たるが、一般にはまとめてこう呼ばれる
• メリットは、自社環境で動かせること・カスタマイズできること・利用量に応じた課金が発生しないこと
• 注意点は、ライセンスと商用条件、サポートが自己責任である点、動かす環境の準備
• ライセンスはApache 2.0・MITなら商用利用が自由、Llamaのような独自規約のモデルは条件を確認する（ライセンス種別は提供元の方針転換で変わることもある）
• 導入はスモールスタートで試し、用途とデータに合わせてRAG・ファインチューニングへ段階的に広げる

まずは商用利用が自由なモデルを1つ選び、手元で日本語の応答を試すところから始めると、自社の業務に対する手応えがつかめます。

オープンソースLLM活用・ローカルAIの相談は「リベルクラフト」

オープンソースLLMは、モデルを動かすだけなら手軽になった一方、業務で成果を出すには、ライセンスの判断から、自社のデータや用途に合わせた選定・構築・運用まで、専門的な知識と経験が求められます。

リベルクラフトでは、商用利用の可否を含めたモデルの選定から、GPUサーバーの構成設計、社内データを使ったRAG構築、その後の運用・改善までを一貫して支援しています。社内データの整理から、設計、業務システムとのつなぎ込み、セキュリティ整備までを、お客様の業務に合わせて段階的に進めます。インターネットに接続しない完全オンプレミス・閉域の構成を標準で提供でき、扱ったデータを生成AIの学習に使わない構成も可能なため、機密性の高い現場でも安心して導入いただけます。

• 自社で商用利用してよいモデルの選定や、ライセンスの確認から相談したい
• 社内データを外に出さずに使える、自社専用のローカルAI環境を構築したい
• 端末1台のスモールスタートから、RAG・ファインチューニングまで段階的に進めたい

⇨リベルクラフトへの無料相談はこちら