性能とコストにギャップ

情シスを惑わす「特化型AI」のわな　汎用LLMが医療専門AIを精度・信頼性で圧倒

「専門特化型AIこそが正解」という常識が覆されつつある。最新の研究で、GPTやGeminiなどの汎用AIが、巨額投資を受ける医療特化型AIを複数のベンチマークで圧倒した。不透明な「専門AI」のブラックボックス化に警鐘を鳴らし、情シスが決裁前に知るべき、性能とコストのギャップとは？

　2022年後半に大規模言語モデル（LLM）が登場して以来、開発者はヘルスケア分野への活用を急ぎ、医療特化型の臨床AIツールを生み出してきた。しかし最新の研究により、一部の医療ベンチマークで汎用AIが特化型臨床AIを上回る性能を示すことが明らかになった。

　『Nature Medicine』誌に掲載されたこの研究では、LLMベースの特化型臨床AIツールである「OpenEvidence」と「UpToDate Expert AI」を、汎用LLMである「GPT-5.2」「Gemini 3.1 Pro」「Claude Opus 4.6」の3つと比較検証した。この結果は、LLMを医療ユースケース専用に設計するという業界の注力方針に疑問を投げかけるものだ。

　特化型臨床AIへの投資は拡大している。2026年初頭、OpenEvidenceはシリーズDの資金調達で2億5000万ドルを調達し、評価額は120億ドルにまで急騰した。同社はその後、音声による遠隔診療やAIコーディング、処方、優先順位付け機能などをリリースし、急速に事業を拡大している。

　特化型臨床AIツールは、汎用AIよりも優れた臨床的性能を提供すると主張している。だが、そのアーキテクチャやベースモデル、学習パイプラインは公開されていない。そのため、医療提供者は独立した証拠なしに価値や安全性を評価せざるを得ない。汎用ツールと比較して、臨床AIの結果の妥当性を検証することは困難な状況にある。

　こうした背景から、ニューヨーク大学ランゴン医療センターとテキサス大学オースティン校の研究チームは、3つの医療ベンチマークを用いてツールの評価を実施した。

　評価には3つのアセスメントが含まれる。1つ目は、医学知識を評価する米国医師免許試験（USMLE）形式の「MedQA」問題500問。2つ目は、専門医との一致度を評価する「HealthBench」500項目。3つ目は、医師が行ったLLMへのクエリから抽出した100件のリアルな臨床クエリ（RCQ）である。RCQでは、12人の臨床医がランダム化・盲検化されたレビューを実施した。

モデルの性能には差があり、汎用AIがトップに

TechTarget発　先取りITトレンド

米国TechTargetの豊富な記事の中から、最新技術解説や注目分野の製品比較、海外企業のIT製品導入事例などを厳選してお届けします。

この連載の記事をもっと見る

この記事の著者

関連記事

• 

  初級エンジニアはもう危険水域　 AI安全性の権威が説く、AGI時代の生存戦略

• 

  AI導入企業の88％が直面する「踊り場」　利益貢献5％未満の現状を打破するには

• 

  AIの“自信満々なうそ”にだまされる人間　インシデント調査自動化が抱える闇

• 

  「ChatGPT」は検索しまくり、「Gemini」は淡泊？　AI検索の知られざる実態

新着ホワイトペーパー PR

• 製品資料
  [サイボウズ株式会社] AIに何を聞いても「汎用的な答え」しか返ってこないのはなぜか？
• 製品資料
  [サイボウズ株式会社] なぜAIは組織で定着しないのか？　全社活用を阻む「3つの壁」の突破法
• 製品資料
  [株式会社スタディスト] 「不適合品率」改善はどこから始める？　すぐにできて効果が大きいポイントとは
• 製品資料
  [株式会社スタディスト] 食品ロスを利益に変える「現場標準化」のすすめ
• 技術文書・技術解説
  [株式会社スタディスト] チョコ停・ドカ停を防ぐ「事前対策」の進め方