脱・クラウドAIで情報漏洩を防ぐ。AMD Ryzen/Radeonで構築する「月額0円」のAIサーバー

　生成AIは、文章作成や要約、翻訳、資料作成、プログラミング支援など、さまざまな業務で活用が進んでいる。すでにChatGPTやGemini、ClaudeといったクラウドのLLM(大規模言語モデル)サービスを日常的に使っている人も多いだろう。ブラウザからすぐに利用でき、モデルの更新もサービス側で行なわれるため、手軽に導入できるのが大きな強みだ。

　その一方で、企業利用、特に中小企業が業務にAIを組み込もうとした場合、オンラインサービスならではの悩みが出てくる。たとえば、社外秘の資料、顧客情報、契約書、設計図、社内マニュアル、議事録といった情報を外部サービスに入力してよいのかという問題だ。サービスごとにデータの取り扱い方針は異なるが、機密性の高い情報をクラウドに送ること自体に抵抗がある企業は少なくない。

　そこで候補として挙がるのが、社内にAIサーバーを用意し、自社のネットワーク内で運用する「ローカルAI」だ。本稿ではローカルLLMサーバーを利用することのメリットや、低コストに実現可能な中小企業向けローカルLLMサーバーの構築方法について解説する。

社内で解決！ローカルAI活用でコスト削減

　 ローカルAIは、一般的なオンラインのモデルと違い、文書検索や質問への回答生成を自社のPCやサーバー上で完結させられる。インターネット越しに外部サービスへデータを送る必要がないため、情報漏洩のリスクを抑えやすい。 もちろん、社内ネットワークや端末の管理は必要だが、「AIを使いたいが、重要な情報を外に出したくない」という企業にとっては有力な解決策だ。

クラウド型LLMとローカルLLMの違い

クラウド型LLMはインターネットを介して、そのサービス提供業者にデータを送る必要がある。対して、ローカルLLMなら自社でサーバーを用意して、各社内PCからローカルネットワーク越しにアクセスできる

　コスト面でもメリットはある。クラウド型LLMサービスは、個人利用なら月額数千円程度で済むことも多いが、業務で複数人が使うとなると話は変わる。人数分のライセンス費用やAPI利用料が積み上がり、毎月の固定費が増えていく。さらに、利用量が増えてくればトータルでかかるコストが読みにくくなる場合も……。

　ローカルAIの場合、初期投資としてPCやGPUなどのハードウェアを用意する必要はある。しかし、一度環境を構築してしまえば、モデルの利用そのものに月額課金は発生しない。もちろん電気代や保守の手間はかかるが、利用人数や利用頻度が増えても、クラウドサービスのように使った分だけ料金が増え続けるわけではない。社内で継続的にAIを使う前提なら、長期的にはコストを抑えやすい。

　では、ローカルAIは実際にどのような業務で役立つのか。分かりやすい例が、社内文書の検索と要約だ。多くの企業では、業務マニュアル、製品仕様書、過去の報告書、議事録、規定などが社内に蓄積されている。しかし、必要な情報がどのファイルにあるのか分からない、検索しても該当箇所を見つけるまで時間がかかる、といった問題はよくある。

　そこで、 ローカルAIに社内文書を参照させれば、「この製品の保守手順を教えて」「過去の類似トラブルの対応例をまとめて」といった自然文の質問に対して、関連文書を探しながら回答する仕組みを作れる。

　製造業や建設業では、技術伝承にも使いやすい。ベテラン担当者のノウハウがマニュアルや報告書、過去の作業記録に分散している場合、それらをAIで検索・要約できるようにしておけば、若手担当者が必要な情報にたどり着きやすくなる。現場で起きた不具合について、過去の事例や点検手順を確認するといった使い方も考えられる。

　業種を問わず使える用途も多い。たとえば、社内Wikiのように社内規定やFAQを検索できるチャットボットを作る。開発部門やIT部門では、社内ルールや過去のコード、手順書を参照しながらコーディングやトラブルシュートを支援する。営業部門では、既存資料をもとに提案書やプレスリリースの下書きを作る。総務や人事では、社内規定に基づく問い合わせ対応や文書作成を効率化するといったものだ。

　重要なのは、ローカルAIを「社内の情報を探し、整理し、下書きを作るための業務支援ツール」として位置付けること。最終判断は人間が行ないつつ、調査や整理、文章化にかかる時間を短縮する。そのための環境を自社内に持てることが、ローカルAIの大きな価値だ。

ローカルLLMの仕組み

　ローカルAIの中心になるのが、「ローカルLLM」だ。LLMとは大規模言語モデル(Large Language Model)のことで、文章を理解し、質問に答えたり、要約したり、文章を生成したりするAIモデル。ChatGPTなどのクラウド型LLMサービスも、基本的にはこのLLMをクラウド上で動かし、ユーザーがブラウザやアプリから利用している。

　ローカルLLMは、そのLLMを自社のPCやサーバー上で動かす仕組みだ。オンラインサービスとの一番大きな違いは、処理がどこで行なわれるかにある。オンラインサービスでは、ユーザーが入力した文章がインターネット経由でサーバーへ送られ、そこで処理された結果が返ってくる。これに対してローカルLLMでは、モデルの実行環境をPCに置き、入力した内容も同じPC上で処理をする。

　そのため、ローカルLLMでは導入や運用に一定の知識が必要だ。モデルを選び、GPUなどのハードウェアを用意し、実行環境を構築し、社内の利用者が使いやすいUIを整える必要がある。ただし、最近はオープンなLLMや周辺ツールが急速に整備されており、以前に比べると導入のハードルはかなり下がっている。GPUを搭載したPCやワークステーションを用意すれば、中小企業でも現実的なコストで社内AI環境を構築できるようになってきた。

　今回のような社内用ローカルLLMを構成する場合の要素は、大きく分けて4つある。LLMのベースモデル、そのモデルを動かす実行環境、社内データを活用するためのRAG(検索拡張生成)、そして利用者がアクセスするためのUIまたはサービスだ。

ローカルLLMの主な階層

LLMは大まかに学習済みデータを「ベースモデル」とし、それを動かす「実行環境」、AIの回答精度を向上させる「RAG」(検索拡張生成)、そしてWebブラウザなどからアクセスするための「UI」などから成っている

低予算でローカルLLMを作れるAMDプラットフォーム

　ローカルLLM環境を構築する際、重要になるのが大容量VRAMを搭載したグラフィックスカードだ。

　VRAM(Video RAM)とは、グラフィックスカードに搭載された専用メモリのこと。LLMの動作にはモデルの重み(パラメータ)をVRAMに展開する必要があり、容量が不足するとモデルを動かせない。一般的なゲーミング向けグラフィックスカードに搭載される8GBや12GBのVRAMでは、実用的な30B(約300億パラメータ)クラスのモデルは動かせず、法人運用するなら24GB以上のVRAMが最低ラインとなる。

VRAM 32GBが魅力の「Radeon AI PRO R9700」

　 今回は中小企業が、社内にローカルLLMサーバーを導入するというシチュエーションでグラフィックスカードを選びたい。そこでおすすめしたいのが、AMDのGPU「AMD Radeon™ AI PRO R9700」を搭載したグラフィックスカードだ。

Radeon AI PRO R9700を搭載するグラフィックスカード。32GBのVRAMを実装しているが、実売価格は25万円前後(2026年5月時点)と、AI向けGPUとしては安価であり、ローカルLLMの初期導入にうってつけ

　Radeon AI PRO R9700は、RDNA 4世代のアーキテクチャを採用し、ローカルでのAI推論・開発といったワークロードに最適化されたGPUだ。 Radeon AI PRO R9700の魅力の1つはVRAMを32GBも搭載していること。 前述した30Bクラスのモデルを扱えるのは大きく、しかもRadeon AI PRO R9700搭載グラフィックスカードの実売価格は25万円前後と、AI向けとしては破格の安さなのである。

　なお、Radeon AI PRO R9700と演算ユニット数などが同じものとして、コンシューマ向けの「Radeon RX 9070 XT」もあるが、こちらはVRAMが16GBと少なくなるため、30Bクラスのモデルを動かすのが難しい。

Radeon AI PRO R9700とRadeon RX 9070 XTの違い

	Radeon AI PRO R9700 (業務用)	Radeon RX 9070 XT (個人用)
アーキテクチャ	RDNA 4	RDNA 4
製造プロセス	TSMC 4nm	TSMC 4nm
演算ユニット	64CU	64CU
ストリーミングプロセッサ	4,096	4,096
AIアクセラレータ	128基	128基
AI演算性能(INT8)	766TOPS	779TOPS
AI演算性能(INT4)	1,531TOPS	1,557TOPS
メモリ帯域	640GB/s	640GB/s
メモリバス幅	256bit	256bit
VRAM	32GB GDDR6	16GB GDDR6
TBP(Total Board Power)	300W	304W
PCI Express	5.0 x16	5.0 x16
実売価格 (2026年5月時点)	25万円前後	11万円前後
30BクラスのLLM	実用的	VRAM不足

　実際、Radeon RX 9070 XT(VRAM 16GB)のマシンで、26BのパラメータのLLMを起動しようとすると、VRAMの容量不足で起動できないというメッセージが返ってくる。パラメータ数の少ないモデルであれば16GBでも動作するが、その場合は性能面で妥協が生じ、実用的なローカルLLMサーバーが作れない。

VRAMが少ないとLLMが使えない場合も

VRAM 16GBのRadeon RX 9070 XTでは、VRAM不足で26Bの「gemma-4-26B-A4B-it-AWQ-4bit」が起動しなかった

　Radeon AI PRO R9700の価格は、同じVRAM容量の競合製品と比較した場合でも、半分以下に抑えられており、予算が確保できた段階でもう1枚追加して性能を拡張できるのも大きなメリットだ。最大4枚構成まで対応しているが、4枚実装にはPCI Expressスロットの物理的な配置や電力供給の観点からマザーボードをかなり選ぶ。まずは1枚で運用し、2枚までの増設を目安にするのが現実的だろう。

CPUはL3キャッシュの多い「Ryzen X3Dプロセッサ」が良い

Ryzen 7 9850X3D

　GPUほど重視はされないが、ローカルLLMサーバーではCPUも重要だ。ここでは8コア16スレッドで動作する「AMD Ryzen™ 7 9850X3D」を選択している。それはなぜか？

　Ryzen 7 9850X3Dはゲーム向けのCPUとされているが、ローカルLLMで着目すべきはそのL3キャッシュの多さ。96MBものL3キャッシュを搭載しており、テキストや画像を数値変換するベクトル検索におけるスループット向上や、RAG(検索拡張生成)におけるレイテンシ抑制に寄与するのである。

　ローカルLLMではCPUに対して、コア数よりもランダムアクセス性能が要求されることから、Ryzen 7 9850X3DのようにL3キャッシュが大容量のCPUを選ぶことが大切なのだ。

ローカルLLMにはAMD以外の選択肢もあるが……

　ローカルLLMを動かす上でのプラットフォームの選択肢は、当然AMD以外もある。ただ、今回のような中小企業向けローカルLLMサーバーを構築するというシチュエーションでは、AMDのRadeon AI PRO R9700を使った方がコスト面での優秀さが光る。

　たとえば、Radeon AI PRO R9700に対して、VRAM 32GB以上という条件においてNVIDIAとAppleで比較すると以下のようになる。

　ローカルLLMサーバーにおけるGPU選定においては、VRAM容量以外にも重要な性能指標が2つある。それは「Decode」と「Prefill」だ。上の表でいうと「メモリ帯域」と「Prefill実測」が関係している。

• Decode
  よく「tok/s」(トークン毎秒)として説明され、1秒間に何単語相当を出力できるかを示す指標。この数値が大きいほど回答の表示が速く、ユーザーの待ち時間が短くなる。DecodeはVRAMのメモリ帯域が性能要因となる。
  
• Prefill
  入力プロンプト全体を一括処理し、最初のトークン(文字)を生成するまでのフェーズ。演算量は入力トークン数に比例し、PrefillはGPUの純粋な演算性能(AI性能)が関わる要素である。

　具体例を挙げると、何千行もあるコードを読み込んでAIが「考え始める」までの時間がPrefillに相当する。Prefillが遅い場合、いくらDecodeによる回答速度が速いとしても、その前段階である入力してから回答が始まるまでの「待ち時間」が長くなる。

　なお、AIの演算性能を示す単位として、TOPS(Tera Operations Per Second)もあるが、各メーカーで算出基準が統一されていないため、カタログスペックの単純比較が難しい。

　以上を踏まえると、約25万円でDecode(回答速度)とPrefill(思考速度)の両方が速く、vLLM対応、かつ比較的省電力というバランスの良さがRadeon AI PRO R9700の強みといえる。ローカルLLMとして導入しやすいという理由を分かっていただけただろうか。

社内向けローカルLLMサーバー構築、意外と難しくない

　個人利用や家庭内LANでLLMを動かす場合、llama.cppやLM Studio(llama.cppをGUIで操作できるツール)が一般的な選択肢だ。社内向けサーバーにもこれらを使うことはできるが、複数人が同時にアクセスする並列処理を考慮すると、現時点では「vLLM」が適している。

　vLLMとは、カリフォルニア大学バークレー校のSky Computingラボが開発したオープンソースのLLM推論エンジンで、本番環境向けの高スループット推論に特化している。

　vLLMの最大の特徴は、KVキャッシュをOSのページングメモリになぞらえて動的管理する独自技術「PagedAttention」を搭載していること。KVキャッシュとはLLMが過去のトークン(入力・出力履歴)を処理する際に生成する中間データを保存しておく領域のことだ。会話の文脈を保持するために必要で、コンテキスト長(会話の長さ)に比例してVRAMを消費する。vLLMの動的KVキャッシュは、従来の静的KVキャッシュと比べてVRAM利用効率が大幅に向上し、長いコンテキストや大きなバッチの並列処理で真価を発揮するのである。

　vLLMとllama.cppを用途別に整理すると以下の通り。

　llama.cppはローカル/シングルユーザー用途では非常に優秀だが、オフィスのオンプレミス環境や複数人が同時利用する用途、Claude Codeなどのツールとの連携を想定するならvLLMが適している。そのため、ここではvLLMを使ってローカルLLMサーバーを構築する。

sudo apt update
wget https://repo.radeon.com/amdgpu-install/7.2.1/ubuntu/noble/amdgpu-install_7.2.1.70201-1_all.deb
sudo apt install ./amdgpu-install_7.2.1.70201-1_all.deb
sudo amdgpu-install -y --usecase=graphics,rocm
sudo usermod -a -G render,video $LOGNAME
sudo reboot

rocminfo | grep "ROCk module"

ROCk module version 6.16.13 is loaded

curl -LsSf https://astral.sh/uv/install.sh | sh
source $HOME/.local/bin/env

mkdir -p ~/Documents/works && cd ~/Documents/works

uv venv --python 3.12
source .venv/bin/activate

uv pip install huggingface_hub

hf auth login --token hf_xxxxxxxxxxxxxxxx
# ダウンロードするモデルによっては認証が必要になる

sudo apt update
sudo apt install -y ca-certificates curl

sudo install -m 0755 -d /etc/apt/keyrings
sudo curl -fsSL https://download.docker.com/linux/ubuntu/gpg \
  -o /etc/apt/keyrings/docker.asc
sudo chmod a+r /etc/apt/keyrings/docker.asc

echo "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.asc] \
  https://download.docker.com/linux/ubuntu \
  $(. /etc/os-release && echo "$VERSION_CODENAME") stable" | \
  sudo tee /etc/apt/sources.list.d/docker.list > /dev/null

sudo apt update
sudo apt install -y docker-ce docker-ce-cli containerd.io \
  docker-buildx-plugin docker-compose-plugin

sudo usermod -aG docker $USER
newgrp docker

docker run hello-world

hf download cyankiwi/gemma-4-26B-A4B-it-AWQ-4bit \
  --local-dir ./gemma-4-26B-A4B-it-AWQ-4bit

【ステップ5】vLLMコンテナの起動

　以下の設定でvLLMコンテナを起動する。

vLLMコンテナの設定

モデル・推論設定
項目	値
モデル	Gemma 4 26B-A4B-it AWQ INT4
アーキテクチャ	MoE(4B活性)
量子化	compressed-tensors (AWQ INT4)
dtype	float16
max_model_len	131,072(128K)
gpu_memory_utilization	0.9
KVキャッシュ	8.78GiB/372,445トークン
Vision	(image=1)
VRAM使用量	約28.2GB/32GB

docker run \
  --name vllm-gemma4 \
  --network=host \
  --group-add=video \
  --group-add=render \
  --ipc=host \
  --cap-add=SYS_PTRACE \
  --security-opt seccomp=unconfined \
  --device=/dev/kfd \
  --device=/dev/dri \
  --shm-size=16g \
  -v ./gemma-4-26B-A4B-it-AWQ-4bit:/model \
  -e VLLM_ROCM_USE_AITER=0 \
  vllm/vllm-openai-rocm:v0.20.1 \
  /model \
  --served-model-name gemma-4-26B-A4B-it-AWQ-INT4 \
  --dtype float16 \
  --gpu-memory-utilization 0.90 \
  --max-model-len 131072 \
  --limit-mm-per-prompt '{"image":1,"audio":0}' \
  --host 0.0.0.0 \
  --port 8888

　起動には数分かかる。ログに以下の一文が表示されれば正常起動だ。なお、上記で「-d」オプションを付けずに起動しているのはログを確認するため。実運用では「docker run -d」で起動する。

INFO:     Uvicorn running on http://0.0.0.0:8888

vLLMでgemma-4-26B-A4B-it-AWQ-4bitが起動

curl http://localhost:8888/v1/models

curl http://localhost:8888/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemma-4-26B-A4B-it-AWQ-INT4",
    "messages": [{"role": "user", "content": "日本語で自己紹介してください"}],
    "max_tokens": 200
  }'

docker logs vllm-gemma4 2>&1 | grep -E "KV cache|kv_cache|cache blocks|model len|max_model"

Available KV cache memory: 8.78 GiB
GPU KV cache size: 372,445 tokens
Maximum concurrency for 131,072 tokens per request: 2.84x

Open WebUIでLAN上のPCからアクセス可能にする

　ここまでの手順だけでもローカルLLMは動作するが、このままでは社内の各PCからChatGPTのようにアクセスする手段がない。そこで使うのが「Open WebUI」だ。

　Open WebUIは、自己ホスト型(self-hosted)のオープンソースAIプラットフォームで、ChatGPTに近いUIを提供しつつ、OllamaやOpenAI互換APIなど各社LLMプロバイダに対応している。

起動方法(Docker使用)

docker run

 -p 3000:8080 \
 -v open-webui:/app/backend/data \
 --add-host=host.docker.internal:host-gateway \
 --name open-webui \
 --restart always ghcr.io/open-webui/open-webui:main

　起動後は「http://サーバーIPアドレス:3000」でアクセスできる。

Open WebUIの画面。チャット欄から質問すれば、ローカルLLMが回答を行なう

RAGを設定して検索精度を上げる

　社内LAN上のPCからOpen WebUIでチャットできるようになったが、業務に活用するにはもう一工夫したい。そこで登場するのが「RAG」(検索拡張生成)だ。

RAGの仕組み

社内規定に合致したデータをAIに参照させることで、生成される回答の精度が向上する

　RAGはLLMの生成能力に、外部知識ベースからの検索を組み合わせたアーキテクチャのこと。LLMはカットオフ(学習データの締め切り日)があり、それ以降の情報は持っていない。また、社内の契約書・規定・製品情報といった企業固有の知識は最初から学習されていない。これらの情報をRAGに登録しておくことで、「○○の契約書の内容は？」といった質問に正確に答えられるようになる。

　RAGの処理の流れは次のようになる。

1. ユーザーが質問(クエリ)を入力する
   
2. システムが事前に登録したドキュメントから関連情報を検索・抽出する
   
3. 抽出した情報をコンテキストとしてLLMに供給し、回答を生成する

　これらの処理により、LLMの事前学習だけではカバーできない最新情報や企業固有の知識に基づいた正確な回答が得られる。また、検索元のドキュメントが明示されるため回答の根拠が追跡可能となり、ハルシネーション(AIが事実と異なる情報を生成する現象)の抑制にも寄与する。

　GoogleのNotebookLMは、このRAGの手法で広く知られているが、外部に機密性の高いデータをアップロードできない企業も多いだろう。ローカルLLMサーバー、Open WebUI、RAGを組み合わせれば、社内で完結できるというわけだ。

【ステップ1】ナレッジベースの作成

　Open WebUIでRAGを設定する手順は比較的シンプルだ。

　Open WebUIで、左サイドバーのワークスペースを開き、ナレッジベースの項目から+新しいナレッジベースをクリックする。

「ワークスペース」を選択

項目欄を以下のように設定し、「ナレッジベース生成」を押す。

ワークスペースの作成

項目	設定
何に取り組んでいますか？	Q&A
何を達成したいですか？	Assistance
公開レベル	公開
アクセス権	アクセス可能なユーザーを指定(オプション)

ナレッジベース作成パネル

【ステップ2】ドキュメントの登録

　ナレッジベース作成後、右上の+ボタンを押してコレクションを追加する。今回は「ファイルをアップロード」でCSVファイルを登録する。

CSVファイルをアップロード。コレクションが追加される

　なお、このCSVファイルはRAG用のデータとして以下のような内容で構成されている。

RAG用データの構成要素

項目	内容
総行数	1,011行 ※1,000行(Q&Aペア)+10行(カテゴリサマリ)+1行(ヘッダー)
エンコーディング	UTF-8(BOMあり)
区切り文字	カンマ(,)

　次の画像にあるように、各カテゴリに10種ずつの質問と回答を定義した構成だ。あくまで架空のデータではあるが、同一カテゴリ内に類似質問が含まれるため、RAGの検索精度や再現性(同じ質問で同じ回答が返るか、類似質問で正しいカテゴリが返るか)を評価するのに適した設計となっている。

アップロードしたCSVファイルの中身の一部

　自社のルールに適合したRAG用CSVファイルを用意して、アップロードしよう。

【ステップ3】モデルの設定

　次にモデルの項目で「+新しいモデル」を押し、以下の項目を設定する。

新しいモデルの設定

項目	設定
モデル名	Q&A
モデルID	qa
基本モデルの選択	gemma-4-26B-A4B-it-AWQ-INT4
説明	ダミーQ&A
ナレッジベースの選択	Q&A

モデルを設定

新しいモデルの作成

　保存して作成でモデルが完成し、準備は完了だ。

【ステップ4】RAGの使用

　RAGの利用方法は以下の2通りがある。

• セッション全体で有効にする
  モデル選択でQ&Aを選ぶと、そのセッション全体でRAGが有効になる
  
• 特定の質問にのみ使う
  モデルはgemma-4-26B-A4B-it-AWQ-INT4を選択し、入力欄で「#」を入力するとナレッジベースの一覧が表示されるので、目的のナレッジベースを選んで質問する

モデルを選んでセッション全体でRAGを有効にする(ここではQ&A)

　実際の結果は次の通り。Q&Aに登録した内容が正確に返答された。このようにRAGを活用することで社内規定に合った回答が得られるようになる。

入力時に「#」でナレッジベースを選ぶ方法

作成したローカルLLMサーバーのパフォーマンス

Radeon AI PRO R9700とRyzen 7 9850X3Dを組み合わせ、モデルに26Bの「Gemma 4 26B-A4B-it AWQ INT4」を用いたローカルLLMサーバーの性能を、自作のベンチマークテストで測った結果、次のようになった。

　 4並列の同時リクエストであっても、1人あたり約39tok/sを維持し、実効スループットは155.8tok/sを達成した。 人間の読書速度に換算すると、日本語では1トークン≒1〜2文字程度なので、30tok/s以上であれば、多くのユーザーが「十分速い」と感じる水準となる。実際のオフィス利用では、社内の全員が同時に使うわけではない。そして、一般的なチャット・文書要約中心であれば、10人規模でも現実的に共用できる性能といえる。

Radeon AI PRO R9700で低コストなローカルLLMを作ろう

　RadeonとRyzenによるAMDプラットフォームでローカルLLMサーバーを構築することで、課金せずに動くLLMサーバーを実現できる。特にRadeon AI PRO R9700はVRAM 32GBを搭載しながら価格が抑えられており、コストパフォーマンスの面で際立っている。

　ローカル動作のAIサーバーには情報漏洩リスクが少ないのに加え、サービス安定性という大きなメリットがある。昨今、オンラインAIの性能が日によってばらついたり、大手AIプロバイダ各社が赤字を続けながら投資している状況を踏まえると、フロンティアモデルが月数千円で使えるバーゲン価格がいつまでも続くとは限らない。仮に来月から下位プランが廃止、価格が大幅改定となっても、ローカルLLMサーバーがあれば日々の業務への影響はない。

　また、オープンソースのLLMモデルの性能向上はすさまじく、今後もさらなる飛躍が見込まれる。新しい高性能モデルが登場するたびに入れ替えることで、継続的な業務効率の改善も可能だ。そう考えれば、Radeon AI PRO R9700を含めたパーツ一式の投資も、十分結果に見合うものになるはずだ。