AIエージェントはローカルかクラウドか？機密業務での選び方【2026年】

2026年に機密業務向けAIエージェントを選ぶなら、元データを端末の外へ一切出せない仕事はローカル、最上位の推論力やリアルタイムのWebアクセスを優先する仕事はクラウド、両方が必要な仕事はPerplexity Computerの新しいハイブリッドモードが適しています。$1,099のMacを3年間使う場合、完全ローカルで処理する複雑なタスクが月3.2〜8.7件に達すると、初めて明確な損益分岐点を迎えます。ただし、プライバシーゲートはエアギャップではありません。

AIエージェントはローカルかクラウドか？機密業務での選び方【2026年】

越えてはならないデータ境界があるならローカル、最高水準の推論力が必要ならクラウド、安全に分割できる仕事ならハイブリッドを選びます。 これが結論です。難しいのは、その仕事を本当に分割できるかどうかの判断です。

秘匿特権の対象となる証拠、未公表の財務情報、患者記録、ソースコードの認証情報、輸出規制対象の資料を扱う事業者は、まずローカルを検討すべきです。判断基準は、ベンダーが強固なプライバシーを約束しているかどうかではありません。プロンプト、ファイル名、タスクの説明、中間結果のいずれかが外部インフラへ送られることを、社内規程が許しているかどうかです。答えが「許可しない」なら、最初にクラウドへ接続するエージェントは、モデル性能や価格を比べる以前に候補から外れます。

公開情報の調査、営業業務、プロダクト計画、一般的な社内文書を横断して扱う、資金調達済みスタートアップの創業者や中堅企業のCTOなら、通常はハイブリッドから始めるのが妥当です。検索や計画、高度な推論はクラウドモデルに任せ、機密ファイルと保護対象の操作は管理下のハードウェアに残します。すべてのデータを同じ機密度と見なさずに、クラウドの利点を多く取り込めます。

個人の技術開発者は、ボトルネックに合わせて選ぶべきです。非公開リポジトリが制約なら、ローカル実行によって管理性と予測しやすい限界費用が得られます。未知のアーキテクチャ問題の解決や、変化の速いAPIの調査が制約なら、変動費を払ってもクラウドの推論力を使う価値がある場合が多いでしょう。存在しないポリシー上の問題を解くために、高価なマシンを買う必要はありません。

判断ルールは単純です。最も厳格な扱いを要するデータ要素が最低限の境界を決め、承認済み工程のうち最も難しい推論が必要な部分がモデル性能の上限を決めます。 1つの構成で両方を満たせないなら、ワークフローを分割します。大きなモデルが便利だからという理由で、境界を緩めてはいけません。

この分割が重要なのは、ローカルモデルとローカルエージェントが同じものではないからです。モデルが端末上でテキストを生成していても、エージェントがテレメトリを送信したり、ホスト型検索APIを使ったり、状態をクラウドデータベースに保存したり、失敗後にリモートモデルを呼び出したりすることがあります。本当にローカルな経路では、モデル、オーケストレーター、ツール、認証情報、ファイル、ログ、状態のすべてを、自社が管理する境界内に置きます。機密文書をローカル処理する際の境界モデルでも、同じ区別を採用しています。

Perplexity Computerが機密度の混在する仕事をハイブリッド化

Perplexity Computerは、対応するMac上で1つのタスクをクラウド推論とローカル処理に分けられるようになりました。2026年9月1日にリリースされたHybrid Computeは、抽象的だったハイブリッド構成をマネージド製品として具体化したものです。クラウドが計画、Web検索、フロンティアモデルによる推論を担い、ダウンロード済みモデルが保護対象のファイルを処理して、承認された端末上の操作を実行します。ルーティング制御、対応プラン、ローカルモデル、Macの要件は、Perplexityの公開ページに記載されています。

プライバシーゲートは交通整理役です。機密情報をマスキングする、工程をローカルに留める、操作を拒否する、ユーザーに同意を求めるといった判断を行います。Enterpriseの管理者は組織共通のルールを定め、情報が端末の外へ出るタイミングを確認できます。どのプロンプトをどの画面に貼り付けてよいかを従業員全員の記憶に頼るより、はるかに確実です。

このアーキテクチャは、異なる機密度の情報が混在する仕事で特に有効です。機密扱いの買収対象についてデューデリジェンスを行う場面を考えてみます。ローカル側は、契約書ドラフトから当事者名を除いた義務と日付を抽出できます。クラウド側は、匿名化された要約を使って公開資料を調べ、市場への影響を推論できます。最後にローカル側で、公開情報の分析と実名の買収対象を結び直します。クラウド推論に元の契約書や当事者名を渡す必要はありません。

非公開リポジトリにも同じパターンを使えます。ローカルモデルが独自ファイルを調べ、バグを必要最小限の抽象的な説明に変換します。クラウドモデルは外部ライブラリを調査し、その抽象化された情報を基に解決策を提案します。続いてローカル側が、実際のコードに照らして回答を検証します。タスク全体を性能の低い側、あるいはプライバシーの弱い側に押し込まず、情報境界に沿って分けられる点に価値があります。

ローカルではGemma 4 E4B、Qwen3.6 35B-A3B、Perplexityモデルの3つが提供されています。Hybrid Computeの要件は、Apple silicon、macOS 15以降、24GB以上のユニファイドメモリです。Pro、Max、Enterpriseで利用でき、ダウンロード済みローカルモデルが完了した処理はクラウドクレジットを消費しません。すでに対応Macを運用している組織には現実的な選択肢ですが、これだけを理由に新しいハードウェアを購入すべきとは限りません。

決定的な注意点が1つあります。Hybrid Computeのタスクは、すべてクラウドから始まります。 PerplexityはHybrid Computeの製品ページで、この挙動を明記しています。保護対象の工程はローカルに留められますが、必要なときだけクラウドを呼ぶローカル専用ランチャーではありません。最初のタスクはクラウドインフラ上に存在します。タスク名、意図、匿名化済みプロンプトすら開示できない組織は、そのワークフローで使うべきではありません。

部門別の勝者：機密度が混在する仕事では、Perplexity Computerのハイブリッドモードが優位です。 エアギャップが必要な仕事の完全ローカル環境を置き換えるものではなく、公開情報だけを扱う仕事でクラウド専用構成の手軽さを上回るものでもありません。

プライバシーで勝るローカルAIエージェント

プライバシーではローカルが優位です。データを受け取る当事者とシステムの数を減らせるためです。ただし、これは境界を管理できるという意味であり、自動的に安全になる魔法ではありません。パッチが不十分でツール権限が広すぎるワークステーションは、適切に統制された企業向けクラウドサービスより危険なこともあります。

混同されやすい構成は4つあります。

• ローカル推論とは、モデルの重みが手元のハードウェアで動くことです。それだけでは、エージェントがメモリをどこに保存し、どのツールを呼び出すかは分かりません。
• ローカルエージェントランタイムとは、計画、モデル呼び出し、ツール実行、状態、ログがローカルで動くことです。それでもリモート検索やAPIによってデータが外部へ出る場合があります。
• ローカルファイルアクセスとは、端末上のアプリがファイルを開けることです。たとえばPerplexity Personal ComputerはWeb版Computerを包含するMacネイティブ製品ですが、ローカルファイルを開けるからといって、すべての推論工程がローカルになるわけではありません。
• エアギャップ運用とは、管理対象環境から外部システムへ至るネットワーク経路が存在しないことです。設計上、クラウドを使ったリアルタイム調査はできません。

ローカルAIに必要なハードウェア要件

Perplexityのマネージド型ハイブリッドには、Apple silicon、macOS 15以降、24GB以上のユニファイドメモリという明確な最低要件があります。より一般的なローカル環境では、選んだモデル、その作業コンテキスト、エージェントプロセス、インデックス、操作対象アプリケーションを収容できるメモリが必要です。つまり、実際の要件はワークロードごとに異なります。モデルを読み込めるマシンでも、長い文書、コードインデックス、ブラウザ、サンドボックスが同時にメモリを奪い合えば停止しかねません。

製品カタログで最大のマシンを選ぶ前に、最小の代表的ワークロードから試します。モデルが許容水準でタスクを完了するか、ツール呼び出しが制約されているか、端末が必要な同時実行数を維持できるかを確認してください。受け入れテストより先に処理能力を買うと、高価な遊休資産になります。

プライバシーの扱いはアカウント種別でも変わります。Perplexityによると、Free、Pro、MaxではAI Data Retentionが初期設定で有効です。ユーザーは将来のAI学習向け収集をオプトアウトできますが、学習目的ですでに収集されたデータは削除されません。Enterpriseのクエリ情報はモデル学習に使われず、セッション添付ファイルは7日間保持されます。また、所定の組織条件に応じた追加制御があります。Perplexityの現行データポリシーには、こうした違いが説明されています。履歴とメモリの制御を個別に確認すべき理由は、こちらのクラウドエージェントのプライバシー分析でも解説しています。

最終的な保護工程がローカルで動く場合でも、この違いは重要です。個人向けアカウント、Enterpriseアカウント、ハイブリッド経路、完全ローカルのオープンソースランタイムは、それぞれリスクが異なります。「ローカルで動く」といった調達時の表現だけでは、どれも承認できません。

部門別の勝者：機密データの境界管理では、ローカルエージェントが優位です。 組織が端末のパッチ適用、監視、統制を確実に行えない場合、総合的なセキュリティでは企業向けクラウドが上回ることもあります。それでもリモートで処理する以上、文字どおりの持ち出しゼロは保証できません。

推論力と最新情報で勝るクラウドAI

フロンティアモデルの推論力、最新のWeb情報、ホスト型コネクタ、端末調整なしですぐ使える処理能力が必要な仕事では、Perplexity Computerのクラウドサービスが優位です。分離されたクラウドサンドボックスでタスクを実行し、永続的な作業メモリを保持します。プランと利用可能なクレジットに応じてGPT-5.6 Sol、Claude Opus 5、Claude Sonnet 5を組み合わせられることが、PerplexityのComputerドキュメントと現行モデル一覧に記載されています。

公開市場の調査を考えると、その利点が分かります。最新の届出を検索し、複数のWebサイトを照合してモデルを作り、情報源が矛盾すれば計画を修正しなければならない場合があります。ホスト型エージェントなら、ユーザーにモデルの重みをダウンロードさせたり、メモリ容量を見積もらせたり、ローカル推論サーバーを管理させたりせずに、最新サービスを呼び出し、高性能なモデルを切り替えられます。入力が公開情報なら、その利便性には実務上の価値があります。

独立したモデル測定からも、ローカルと同等の品質を当然視できない理由が分かります。Artificial AnalysisのIntelligence Indexでは、Qwen3.6 35B-A3B Reasoningが32、最大推論強度のClaude Opus 5 Adaptive Reasoningが63でした。Qwenの測定値とClaudeの測定値は、このサイトではなく測定機関が公開したものです。

これは方向性を示す証拠であって、Perplexityの完成製品を採点したものではありません。Artificial Analysisが測定したのはホスト型のベースQwenモデルですが、Perplexityは追加学習済みのローカルモデルを使い、エージェントシステムとして構成しています。エージェントのツール、ルーティング、プロンプト、検証によって結果は変わり得ます。それでも、この規模の差は、難しい推論ほどクラウドへのエスカレーションが有利になりやすいという実務上の見方を裏付けます。

クラウドにも失敗要因があります。クレジットの変動消費は予測しにくく、長時間実行するタスクが高コストの誤った計画を進めることもあります。コネクタと永続メモリはデータの接触面を広げます。ベンダーの障害、ポリシー変更、モデル差し替えは直接管理できません。利便性と引き換えに、依存関係を抱えることになります。

部門別の勝者：推論の幅、リアルタイム調査、導入速度、バースト処理能力ではクラウドエージェントが優位です。 データ持ち出しを正当化できない場合は、引き続きローカルが勝ります。

クラウドAIとローカルAIの費用はワークロードで逆転する

費用比較は、サブスクリプション対無料ソフトウェアではありません。同じワークロードを両方で処理し、マシン、プラン、利用量、運用負担まで数える必要があります。役に立つのは「ローカルの方が常に安い」という主張ではなく、損益分岐点です。

ここで使う価格は、2026年9月2日にベンダーの公開ページで確認されたものです。Perplexity Proは月額$20または年額$200です。年額プランを月単位に直すと、1席あたり月$16.67です。Perplexity Maxは月額$200または年額$2,000で、月換算では1席あたり$166.67です。Computer以外も含めてサブスクリプションを検討する場合は、Perplexityの最新料金情報も参考になります。

Computerの課金ページでは、100クレジットを$1に換算しています。Proには毎月付与されるComputerクレジットはありませんが、1回限りの4,000クレジット特典があり、30日後に失効します。Maxには毎月10,000クレジットが含まれ、明記された換算では$100相当です。さらに1回限りの35,000クレジット特典があり、こちらも30日後に失効します。年額Maxと、年額Proに別途$100分のクレジットを加えた場合との差額は月$50です。Maxのほかの機能に差額分の価値がある可能性はありますが、付属クレジットの価値だけでは説明できません。

ローカルAIに最適なハードウェア

最初に使うべきマシンは、すでに手元にある対応機です。この場合、追加のハードウェア購入費は$0です。24GBユニファイドメモリと256GBストレージを搭載した新しいApple Mac mini M6は**$1,099で掲載され、2026年9月22日から購入可能とされていました。36か月で償却すると、電力、サポート、修理、残存価値を含めずに月$30.53**です。Appleの現行構成ページが購入価格、Perplexityが24GBの要件を示しています。

年額Proを加えると、マネージド型ハイブリッドの1席あたり費用は、クラウドへ振り分けたクレジットを除いて月$47.19です。完全にローカルで処理できる対象タスクが月10件なら、3年間のハードウェア費だけで見ると1件あたり$3.05です。Perplexityのクラウド課金ページでは、一般的なComplexタスクを350〜950クレジット、つまり**$3.50〜$9.50としています。ここから、完全ローカルで処理できるComplex相当タスクが月3.21〜8.72件**に達すると、ハードウェア費の損益分岐点を迎えます。

この損益分岐点には厳しい前提があります。ローカル経路が同等に許容できる結果を出し、対象タスク全体のクラウド課金を回避できなければなりません。ローカルで試してオペレーターの時間を使った後、結局クラウドへエスカレーションすれば、両方の費用が発生します。すでに対応ハードウェアがあればハードウェア費の分岐点は消えますが、電力と運用の費用は残ります。

ファーストパーティーの料金情報には、指摘すべき矛盾もあります。現行のComputerクレジットページではLightタスクについて、概要欄に15〜70クレジット、表には100〜350クレジットと2つの異なる範囲が記載されています。Perplexityが矛盾を解消するまで、どちらも意思決定モデルには使えません。より明確に公開されている範囲は、Complexが$3.50〜$9.50、Heavyが$8.75〜$22.75、Megaが$24〜$98です。

同じワークロードをローカル、ハイブリッド、クラウドで比較

PerplexityはTerminal Bench 2.1のコーディングタスク89件を、関連する3つの構成で実行しました。ローカルのQwen 3.8 27Bは、API費用がほぼ$0のまま59.6%を完了しました。Claude Opus 5をアドバイザーにしたQwenは、1ロールアウトあたり推定$0.415で73.0%に達しました。Claude Opus 5単独は$0.65で82.4%でした。これは独立テストではなく、Perplexity自身が公開したベンチマーク結果です。

1,000ロールアウトでは、API費用の推定値はハイブリッドが$415、クラウドが$650で、差額は$235、率にして36.2%です。ローカル側にはNVIDIA DGX Sparkが使われました。NVIDIAの現行価格通知による価格は**$4,699で、公式仕様には128GBユニファイドメモリと4TB自己暗号化NVMeストレージが記載されています。1ロールアウトあたり$0.235を節約すると、ハードウェア費だけの損益分岐点は約19,996ロールアウト**、36か月なら月約556件です。月1,000ロールアウトでは、ハイブリッドのAPI利用料と36か月償却のハードウェア費を合わせて$545.53となり、クラウド専用の$650を下回ります。

この結果をすべての購入者にそのまま当てはめてはいけません。Terminal Benchはコーディングエージェントのベンチマークです。Perplexityが自社システムを測定しています。実行にはQwen 3.8 27BとDGX Sparkが使われ、9月にMac向けに公開された構成そのものではありません。電力、サポート、サブスクリプション、オペレーターの時間も除外されています。ワークロードを揃えた点には価値がありますが、普遍的な総保有コスト調査ではありません。

トークン単価の参考値でも、より小さな単位で同じ傾向が見えます。Artificial Analysisによるホスト型Qwen3.6の価格は、入力100万トークンあたり$0.38、出力100万トークンあたり$2.25です。1,000トークン換算では**$0.00038と$0.00225です。Claude Opus 5は100万トークンあたり$5と$25で、1,000トークン換算では$0.005と$0.025**です。同じトークン単位に揃えた価格ですが、Perplexity Computerのクレジットではなく、ローカルの電気代も測っていません。

部門別の勝者：安定して発生し、ローカルで完了できるタスクならローカル、少量で難しい仕事や処理量が急増する仕事ならクラウドが優位です。 その中間では、アドバイザーによる完了率向上でやり直しを減らせるなら、ハイブリッドに価値があります。

プライバシーゲートはエアギャップではない

プライバシーゲートは分類器とポリシーの層です。エアギャップはネットワーク経路そのものが存在しない状態です。両者が解決する問題は異なり、混同するとこの判断で最も深刻な誤りにつながります。

Perplexityのハイブリッド経路は、リクエストをローカルで検査し、情報をマスキングし、保護対象の工程を端末上に留め、同意を求め、処理を拒否できます。それでも、すべてのタスクはクラウドから始まります。適切に設計されたポリシーでMacから出る保護情報を最小限に抑えることはできますが、この製品をネットワークから切り離されたローカルエージェントには変えられません。

検出器にも測定可能な限界があります。PerplexityはPII-Tracerを6億パラメータのローカル検出器と説明し、13言語、10の文字体系、9種類のPIIを含む13,148件の合成会話からなるPII-TRACEベンチマークの結果を報告しています。文字単位のF1スコアは0.629で、Perplexityが評価した12システムの中で最高でした。研究記事にはベンチマークの設計と結果が公開されています。

長いコンテキストが弱点です。10,000文字以上の会話では、単一ウィンドウの再現率が**68.7%まで低下しました。重複するウィンドウを使うと、文字単位の総合再現率は96.5%、複数箇所に現れる情報を一貫して検出できた割合は95.4%**に上がりました。改善しても完全ではありません。会話は合成データであり、記事ではモデルとベンチマークを近日公開予定としています。プライバシーに関する主張で、95.4%を確実性へ切り上げることはできません。

この検出器が探すのは個人を特定できる情報であり、あらゆる企業機密ではありません。ソースコードの脆弱性、未公表価格、交渉方針、秘密プロジェクト名は、一般的なPIIの種類に当てはまらなくても極めて機密性が高い場合があります。検出器が理解できない情報は、ポリシールールとユーザー同意でカバーしなければなりません。

実務では5つに分類します。

• エアギャップが必要な秘密情報： 鍵、制限付き研究、輸出規制対象ファイル、存在自体が機密となる資料です。エージェント全体をローカルに置き、ネットワークから切り離します。
• 秘匿特権または規制対象の記録： 法務、社内規程、承認済みベンダー契約が特定のクラウド経路を明示的に許可していない限り、完全ローカルを使います。
• 企業の機密資料： ローカルまたはハイブリッドが適する場合があります。端末上に残す項目を指定し、外部送信ログを必須にします。
• 機密度が混在する文書： 保護対象の項目と公開情報に関する質問を分けます。ハイブリッドが最も生きる用途です。
• 公開情報： 通常はクラウドが簡単です。ただし、一般的なアカウント管理と出力確認は必要です。

従業員がエージェントを起動する前に、この分類を済ませる必要があります。非公開テキストがすでにクラウド向けリクエストへ組み込まれた後に同意画面を表示しても、有効な制御にはなりません。プライバシーゲートはデータ送信前に作動し、分類に確信が持てない場合は初期動作として拒否すべきです。

部門別の勝者：絶対的な境界が必要なら完全ローカルが優位です。検出器の見落とし、PII以外の秘密、同意、監査可能性をすべて対策できる場合に限り、選択的な開示ではハイブリッドが勝ります。

ローカルAIモデルで失うもの

ローカルモデルは、有限の性能範囲と引き換えに管理権を得る選択です。マシンに収まり、ワークフローに十分な速さで応答し、ホスト型ツールの幅広さやフロンティアモデルの推論力なしで動かなければなりません。抽出、分類、変換、リポジトリ検索、既知領域での反復操作には優れた選択になり得ます。一方、曖昧で新規性が高く、調査量が多い、または最新情報に依存するタスクでは弱くなります。

モデルは受け入れ基準から逆算して選びます。使い慣れた契約書テンプレートから項目を抽出するなら、小さく高速なモデルが最適かもしれません。同じモデルで複数法域にまたがる未知の補償条項を解釈するのは、不適切な場合があります。すでにインストール済みという理由だけで両方を同じランタイムへ送れば、アーキテクチャ上の利便性が事業リスクに変わります。

明快な設計は、範囲を限定したエスカレーションです。ローカル側で匿名化した問題説明と信頼度を生成し、承認された分類にだけクラウドの支援を許可します。提案をローカル側へ戻し、保護対象のコンテキストに照らして検証します。意味を保った安全な抽象化ができないなら、そのタスクはローカルに留めるか、人に渡します。

コーディング向けローカルAIエージェント

コーディングでは、このトレードオフが明確に表れます。ローカルエージェントなら、コードをアップロードせずに非公開リポジトリをインデックス化し、独自シンボルを検索し、テストを実行してファイルを編集できます。境界を強く管理でき、モデル利用の追加費用も低く抑えられます。一方、複数システムにまたがる難しいバグ、新しいフレームワーク、長いアーキテクチャ推論では苦戦する可能性があります。

ハイブリッドのコーディングベンチマークでは、中間案の効果が示されました。クラウドのアドバイザーを付けたローカル実行環境は、完了率が59.6%から73.0%へ上がり、クラウド専用は82.4%でした。重要なのは、単に「2つのモデルを使う」ことではありません。アドバイザーにどの証拠を渡すかを決めることです。抽象化したエラー、公開されている依存関係のバージョン、縮小したテストケースなら安全かもしれません。非公開リポジトリ全体や認証情報は安全ではありません。

ローカルエージェントのツール権限は狭く保ちます。読み取り、編集、実行、ネットワーク、シークレットへのアクセスを分離してください。破壊的なコマンドや外部へのリクエストは、実行前の確認を必須にします。シェルとブラウザへ無制限にアクセスできる非公開モデルは、読み取り専用のクラウドアシスタントより大きなインシデントを起こしかねません。

部門別の勝者：非公開リポジトリで反復する作業はローカル、未知の領域や推論量の多いコーディングはクラウドが優位です。エスカレーション用の情報を安全に最小化できる場合に限り、ハイブリッドが勝ります。

移行コストと切り替えるべきでない組織

切り替えは、モデルを1つダウンロードすれば終わる話ではありません。状態の保存場所、ツールの認証方法、ランタイムのパッチ担当者、監査人が確認できる証跡まで変わります。移行費用は、最初のハードウェア請求額より大きくなることも少なくありません。

クラウドからローカルへ移すには、対応ハードウェア、モデル配布、ローカルインデックス、サンドボックス、認証情報の保存、バックアップ、監視、パッチ管理、受け入れテスト一式が必要です。既存のクラウドメモリ、コネクタの状態、タスク履歴は、有用な形でエクスポートできない場合があります。生データを移せても、プロンプト、ポリシー、ベンダー固有のツールに組み込まれた実際の挙動までは移せないことがあります。

ローカルからクラウドへの移行には、別の費用がかかります。アップロード前にデータを分類しなければなりません。ID管理、保持、学習利用、リージョン、再委託先、監査に関する条件の承認が必要です。ローカルのスクリプトとインデックスには、ホスト型の代替手段が要ります。オフライン利用に依存していたワークフローは、ベンダーの稼働状況とアカウントポリシーに依存するようになります。変動クレジットによって固定インフラ費の一部は置き換わりますが、予算の変動も増えます。

ハイブリッドは移行作業をなくすのではなく、ルーティング作業を増やします。すべての工程に担当者と境界が必要です。どのテキストをマスキングできるか、どのファイルを決して移動させないか、どの信頼度で確認を求めるか、ログからインシデントをどう再現するかをチームで決めなければなりません。こうした判断がなければ、ハイブリッドは未検証のデータ経路に魅力的な名前を付けただけになります。

ローカルAIエージェントの構築方法

まず1つの限定されたワークフローを選び、本番に近い入力で成立することを証明します。全社一斉の移行では失敗が埋もれますが、範囲を絞った試行なら問題が見えます。

1. 1

   実際のデータ経路を可視化する

   モデル、オーケストレーター、ファイル、ベクトルインデックス、メモリストア、ツール、認証情報、ログ、テレメトリ、更新サービス、すべてのネットワーク呼び出しを列挙します。各要素を「ローカル」「承認済みリモート」「禁止」に分類してください。モデルしか描かれていない図では不十分です。

2. 2

   受け入れテストを定義する

   通常ケース、長い入力、不正な文書、ツール障害、許可される中で最も機密性の高い分類を含む代表タスク20件を選びます。完了率、オペレーターの作業時間、外部送信イベント、消費クレジットを記録してください。この試行件数は運用上の推奨値であり、ベンチマーク上の主張ではありません。

3. 3

   自律性を高める前にツールを制限する

   必要最小限のファイルパス、コマンド、接続先だけをエージェントに許可します。読み取りと書き込み、実行を分離してください。破壊的な操作、新しいドメイン、シークレットへのアクセス、ローカルからクラウドへの移行には承認を追加します。

4. 4

   エスカレーション規則を決める

   ローカルに留める失敗、人へ渡す失敗、匿名化したクラウドリクエストを作る条件を明記します。禁止対象のデータが、プロンプト、ファイル名、ログ、スクリーンショット、ツール出力に現れないことをテストしてください。モデル、ポリシー、コネクタを変更するたびに、同じテストを再実行します。

組織に端末管理能力がない、需要の急増幅が大きい、リアルタイムのWeb情報源に依存する、モデルとサンドボックスの更新を維持できない場合は、ローカルへ切り替えるべきではありません。管理されていないマシンと古いソフトウェアによって、プライバシー上の利点は失われます。

規程で外部送信が禁止されている機密業務を、モデル性能だけを理由にクラウドへ移してはいけません。切断状態でも動作しなければならないワークフローや、ベンダー固有のメモリ・コネクタ層が許容できないロックインを生む場合も、クラウド移行は避けます。

1ページでルーティングポリシーを説明できない組織は、ハイブリッドへ移行すべきではありません。長い文書に含まれるすべての秘密をユーザー自身が見つけることを前提にしたポリシーは、制御とは呼べません。PIIの大半を見つける検出器があっても、それ以外をすべて送信してよい根拠にはなりません。

最善の移行先は、1つのプラットフォームではなく複数の構成を組み合わせたポートフォリオかもしれません。持ち出し禁止データはローカル専用、分離可能な仕事はマネージド型ハイブリッド、公開情報または承認済み資料はクラウドに振り分けます。3つの経路を維持する運用費用はかかりますが、各経路が存在する理由は明確になります。

よくある質問

2026年に最も優れたAIエージェントは？

あらゆるデータ境界に対応する、唯一の最良エージェントはありません。情報を管理下のハードウェアから出せない場合は、完全ローカルのエージェントが最適です。対応するMacで非公開情報と公開情報が混在する仕事なら、Perplexity Computerのハイブリッドモードは有力なマネージド型の選択肢です。フロンティアモデルの推論力、リアルタイム調査、導入負担の軽さを最優先するなら、クラウドエージェントが適しています。

ローカルAIとクラウドAIの違いは？

ローカルAIは、自ら管理するハードウェア上でモデルとデータ経路を動かします。クラウドAIは、モデルを実行するベンダーのインフラへワークロードを送ります。ハイブリッド構成ではタスクを分割し、保護対象の工程を端末上に残しながら、承認された推論や調査をクラウドモデルへ送ります。モデルの場所だけでは、エージェント全体がローカルだとは証明できません。

仕事に最適なAIエージェントは？

公開情報の調査や幅広いオフィス業務の自動化では、通常はクラウドが最も簡単です。エアギャップが必要な資料や持ち出し禁止資料には、完全ローカルのエージェントを使います。機密情報が混在する仕事では、外部へ出さない情報、マスキング可能な情報、承認が必要な情報をポリシーで定めた場合に限り、監査可能なハイブリッド経路を使います。

AIエージェントはローカルで動かせる？

はい。完全なローカルエージェントは、モデル、オーケストレーター、ツール、状態、ログ、ファイルを管理下のハードウェアに保持します。ローカルファイルを開けるだけで、計画処理をクラウドで行うアプリは完全ローカルではありません。製品名を信じるのではなく、各構成要素とネットワーク呼び出しを確認してください。

AIエージェントの5つの種類とは？

IBMが示す一般的な概念上の階層は、単純反射型、モデルベース反射型、目標ベース、効用ベース、学習型の5つです。IBMはこの5段階を、意思決定能力が高まる順に説明しています。これは、エージェントが操作を選ぶ方法の分類です。いずれの考え方も、ローカル、クラウド、ハイブリッドで実装できます。

無料で使えるローカルAIエージェントはある？

オープンソースのフレームワークやモデルの重みにライセンス料がかからない場合はありますが、本番用エージェントの費用がゼロになるわけではありません。ハードウェア、電力、パッチ適用、バックアップ、シークレットの保存、サンドボックス、評価、オペレーターの時間も予算に含める必要があります。商用利用前にはライセンス条件の確認も必要です。

ローカル実行に最適なAIエージェントは？

Perplexity Hybrid Computeは、対応するMacのワークフローに導入しやすいマネージド型の選択肢です。ただし、すべてのタスクがクラウドから始まるため、分類上はハイブリッドです。完全ローカルのオープンソース構成は、運用負担と引き換えに境界管理と可搬性を高められます。実際のタスクとデータポリシーを満たす最小のシステムが、最良の選択です。

完全無料のAIエージェントはどれ？

ハードウェア、電力、管理、セキュリティ、バックアップ、インシデント対応まで数えれば、本番用エージェントに完全無料のものはありません。無償でダウンロードできても、安定した処理量があれば割安になる可能性があるだけで、費用の負担先はベンダー利用料からインフラと労務へ移ります。

エージェント型AIをローカルで動かせる？

はい。モデル、エージェントランタイム、状態、ツール、実行環境がマシンに収まり、管理下のハードウェアに残ることが条件です。リモートのテレメトリ、検索、更新、モデルの接続先は明示的に無効化するか、承認制にしてください。エージェントがインターネットを呼び出すなら、完全ローカルではなく、ローカルファーストまたはハイブリッドと表現します。

機密業務ではローカルAIがクラウドAIより安全？

厳格な境界管理ではローカルが優位です。データを自ら管理するハードウェアに残せるためです。ただし、推論力や運用セキュリティまで自動的に優れるわけではありません。マネージド型のEnterpriseクラウドは、管理されていないノートPCより強い監視機能を備える場合があります。それでも、端末の外へ出せないデータには使えません。

ローカルAIエージェントでクラウド調査はできる？

できます。ただし、リモートモデルや検索サービスを使った時点で、そのワークフローはハイブリッドになります。ローカルで匿名化した調査リクエストを作り、承認されたコンテキストだけを開示し、外部送信を記録し、回答を端末上の非公開ソースに照らして検証します。意味を損なわずに質問を匿名化できない場合は、ローカルに留めるか、人の確認者へ渡してください。

ローカルAIとクラウドAIエージェントの価格差は？

条件を揃えたマネージド型の例では、年額Proの月換算は$16.67です。$1,099のMacを36か月使うと、ハイブリッド1席はクラウドへ振り分けたクレジットを除いて$47.19になります。年額Proで一般的なComplexタスクをクラウド処理する場合、月10件なら$51.67〜$111.67です。同等の結果が出ることを前提に、ローカルのハードウェア費は対象タスクが月3.21〜8.72件で損益分岐点を迎えます。

最も優れたローカルAIモデルは？

あらゆる用途で最良のモデルはありません。利用可能なメモリ、タスク品質、遅延、ツール利用、ライセンスで選びます。PerplexityはMac向けマネージドモードをGemma 4 E4B、Qwen3.6 35B-A3B、Perplexityモデルの3つで開始しました。標準化する前に、保護対象となる本番相当の入力を使い、要件を満たす最小の候補をテストしてください。

ローカルAIに最適なコンピューターは？

すでにある対応機なら追加の購入費が$0なので、最も経済的な出発点です。PerplexityのMac向けモードでは、Apple silicon、macOS 15以降、24GB以上のユニファイドメモリが必要です。専用ハードウェアを買うのは、試行によってモデルサイズ、同時実行数、処理量の要件が証明されてからにしてください。

オープンソースのローカルAIエージェントを使うべき？

管理性、可搬性、検証可能性に、自ら運用を担うだけの価値がある場合に使います。モデルと依存関係へパッチを適用し、ツールを隔離し、シークレットを守り、状態をバックアップし、更新版を評価できない組織には向きません。オープンソースはコードを検証できる主体を変えますが、導入リスクをなくすものではありません。

月曜日にまずやること

実際のワークフローを1つ選び、その入力を「ローカル専用」「クラウド送信可」「承認が必要」の3項目に分けます。ルーティングの誤りを発見できる程度には機密コンテキストを含みつつ、管理された試行として扱える程度に影響の小さいタスクを選んでください。最初から社内で最も機密性の高い業務を使ってはいけません。

同じ代表タスク20件を、条件を満たす各アーキテクチャで実行します。タスクが完了したか、オペレーターが何分作業したか、どの情報が境界を越えたか、クレジットをいくつ消費したかを記録します。長い文書、曖昧な指示、ツールエラー、拒否しなければならないケースを少なくとも1つ含めてください。外部送信の記録がなければ、高品質でも合格ではありません。プライバシーが完全でも、使える結果が得られなければ導入できません。

次に、受け入れ基準とデータポリシーの両方を満たす、最も範囲の狭いアーキテクチャを選びます。持ち出し禁止資料にはローカル専用経路を残し、分割が明確な場合に限ってハイブリッドを認め、より優れた推論や最新情報が有効な承認済み業務にはクラウドを使います。モデル、コネクタ、検出器、保持ポリシー、ルーティング規則を変更するたびに、同じテストを再実行してください。

自社のエージェント構成について境界マップ、ワークロードのベンチマーク、導入ポリシーが必要なら、次の実務ステップはAIエージェント開発です。