国内トップクラスのAI企業PKSHAのPrivate AI Agentsとは？

AIエージェントの新機能は毎週のように流れてくるのに、手元の環境では社内のコードを1行も貼れない、そんな現場は少なくありません。

PKSHA Technologyが2026年9月9日に提供を開始した「PKSHA Private AI Agents」は、その前提のほうに手を出してきた製品です。

面白いのは「オンプレミスだから安全です」で止まらず、速度の話まで踏み込んでいるところです。

なぜ社内のコードを1行も貼れないのか。

リポジトリを読ませれば設計の相談ができるし、エディタに入れておけば手が速くなる。

ツールとしての便利さは、使えない現場ほどよく分かっています。

それでも社内規程で「クラウドの生成AIにソースコードを入力しない」と決まっていれば、そこで話は終わります。

情シスが意地悪をしているわけではありません。

入力されたものがどこに保存され、誰がどういう条件で扱うのかを説明できない状態では、止める以外の選択肢がありません。

対象は業務コードにとどまりません。

設計情報も社内文書も同じ扱いです。

結果として、AIエージェントの話題だけが先に進んで、手元の環境は何も変わりません。

ただ、これを運用ルールの問題ではなく、動かす場所の問題として捉え直した会社があります。

動く場所を社内に持つ、プライベートAIエージェントという発想です。

PKSHAはどんな会社か。

オンプレミスでLLMを回して運用まで見ます、という提案は、誰が言っているかで読み方が変わります。

PKSHA Technologyは2012年10月創業、東京大学の松尾豊研究室出身のメンバーが立ち上げたAI専業の会社です。

2017年に上場して、2024年に東証プライム市場へ上がっています。

直近の2026年9月期第3四半期累計の売上収益は283億円、前年同期比84.1%増と出ています。

ただ、この84.1%をそのまま成長率として読むのは正確ではありません。

伸びの大半はプロ人材のマッチングを手がけるサーキュレーションを子会社にした連結の影響で、AIの受託開発にあたる事業は約100億円で31.4%増、SaaSの事業は約86億円で31.7%増。

実態に近いのは3割強のほうです。

そのうえで、私はPKSHAを国内トップクラスのAI企業だと見ています。

研究室発のAI専業で14年続いていること、上場市場を下げずに上げてきたこと、受託とSaaSの両方が3割前後で伸び続けていること。

この3つが揃う会社は国内にそう多くありません。

PKSHA Private AI Agents が社内で完結させる範囲

提供開始は2026年9月9日。

導入企業のプライベートネットワークの内側ですべての処理が完結する設計で、ソースコードも設計情報も社内文書も外部のクラウドへ送らずにAIエージェントを動かせます。

そこで動くのは、国産LLMを含むオープンモデルです。

低コストのオンプレミスサーバで高速応答可能な『PKSHA Private AI Agents』の提供を開始ー機密情報を外部に出さず、業務ごとに最適化できるPKSHA AIエージェント | News | PKSHA Technology Inc.

PKSHA Technologyの低コストのオンプレミスサーバで高速応答可能な『PKSHA Private AI Agents』の提供を開始ー機密情報を外部に出さず、業務ごとに最適化できるPKSHA AIエージェントページです。PKSHA Technologyは、「未来のソフトウエアを形にする」というミッションを基に研究開発・ソフトウエアの社会への提供を行い、「人とソフトウエアの共進化」というビジョンのもと、個の多様性が輝く社会を目指し、アルゴリズムソリューションを展開しています。

www.pkshatech.com

処理が社外に出ないなら、情シスが説明しなければならない対象そのものが減ります。

リリースの見出しは「低コストのオンプレミスサーバで高速応答可能な」です。

高価なGPUを大量に積んでください、という提案ではないと自分から宣言しているわけです。

すでに7000体が動く PKSHA AI Agents と、Private は動かす場所が違います

PKSHAは2025年4月にPKSHA AI Agentsを発表しています。

既存の「PKSHA AI SaaS」プロダクト群を土台にした展開で、個別製品も順次AI Agentsブランドへ改称が進みました。

発表時点で、すでに7,000体を超えるAIエージェントが全47都道府県で稼働していると書かれています。

今回のPrivateについて、リリースは「PKSHA AI Agents」の新ラインナップと位置づけています。

単独の新製品ではなく、すでに実績のあるエージェント基盤の延長線上として発表された形です。

違いは動かす場所です。

Privateは、オンプレミス型のAIエージェント群の基盤となるシリーズだとされています。

ゼロからオンプレミス専用に作ったものとは前提が違います。

オンプレミスは遅いという前提を、投機的デコーディングと量子化でどう崩すか。

手元のGPUの枚数だけが原因ではありません。

LLMの生成は1トークンずつ順に出す処理で、1トークン進むたびにモデルの重みを読み出す往復が発生します。

枚数が限られた環境では、この往復が全体の足を引っ張ります。

PKSHAが柱に挙げている2つの技術は、どちらもこの往復を削るものです。

軽いモデルが先を読んで、本体のモデルがまとめて答え合わせをします

投機的デコーディング(Speculative Decoding)は、軽量なモデルに応答の続きを数トークン走り書きさせて、本体のモデルが1回でまとめて答え合わせをする仕組みです。

合っていれば採用して、違っていればその地点から本体が書き直します。

速くなる理由は往復にあります。

本体のモデルからすると、1トークンずつ回すのも数トークンをまとめて検証するのも、重みを読み出す回数は同じです。

1往復で複数トークンぶん進めます。

CPUの投機的実行と同じ発想です。

先に走らせておいて、外したときだけ捨てる。

採否を決めるのは本体のモデルなので、軽いモデルに引きずられて品質が落ちる作りではありません。

数値表現を圧縮して、少ないGPUメモリでも回るようにします

量子化は、モデルの重みの数値をより少ないビット数で表現し直す技術です。

効き方は2段あって、まずGPUメモリに載る。

載らなければ動きません。

そのうえで読み出すデータ量が減るので、往復1回そのものが軽くなります。

投機的デコーディングが往復の回数を減らし、量子化が往復1回あたりの重さを減らす。

同じボトルネックを両側から削って、低コストのサーバでという話に持っていっています。

ただ、量子化は圧縮なので精度は多少落ちます。

どこまで落としても業務で使えるかの見極めは、導入する側に残ります。

応答速度がボトルネックでなくなると、次に効いてくるのは別の話です。

どのモデルを載せて、いつまで載せ続けられるか。

モデルを選んだあと、終わりを決めるのは誰か。

外部APIのモデルは、提供する側の都合でバージョンが終わります。

プロンプトを作り込んで、評価を回して、ようやく業務に組み込んだあとに終了を告げられる。

モデルの寿命を誰が握っているかは、それだけで無視できない条件になります。

Private AI Agents は特定ベンダーに依存せず、国産モデルを含む複数のオープンモデルから選べるとされています。

選定の軸は性能要件とセキュリティ要件とコストの3つ。

一度業務に組み込んだモデルは、企業ごとの判断とペースで継続利用も更新もできるとしています。

終わりを決めるのが提供側から自社側へ移る。

それがここでの変化です。

モデルを選べることと基盤ごと乗り換えられることは別ですが、寿命の主導権が動くのは大きいです。

企業のコーディング規約やレビュー観点、開発プロセスを取り込むことで、生成結果を直す工数を減らせるともしています。

ただしこれは、規約やレビュー観点が文書になっている現場でしか効きません。

暗黙知のまま口伝で回っていると、取り込ませる先そのものがありません。

金融、製造、医療で、外に出せないものは違います

生成AIのセキュリティ要件は業種によって前提が変わり、オンプレミスのAIエージェントが効くかどうかもここで分かれます。

金融機関の基幹系や市場系で外に出せないのは、顧客の取引データにとどまりません。

基幹系のコードそのものが業務ロジックの塊で、読ませないと保守の相談が始まらない。

機密データは入力しない、という運用ルールでは回避できない構造です。

製造業だと、守る対象は製品の設計情報です。

加えて工場側のネットワークは外部から切り離された構成になっていることが多く、クラウドを使うかどうかを判断する以前に、そもそも届かない環境も珍しくありません。

医療とヘルスケアで出せないのは患者情報ですが、これは本番環境だけの話ではありません。

開発環境のテストデータに実データが紛れ込む可能性がある以上、開発環境ごと外に出せない扱いになります。

価格を聞く前に、手元で確認しておきたい3点

価格はプレスリリースに書かれていません。

代わりに書かれているのは伴走支援の中身で、モデル選定から推論基盤の構築、AIエージェント設計、導入後の運用改善までを支援するとされています。

パッケージを買って終わりではなく、環境に合わせて組み上げる形に近い。

一律の価格が出しにくいのもそのためだと読めます。

見積もりを取る前に、手元で確認しておきたいことが3つあります。

1. 自社にGPUが何枚あるか。低コストのサーバでと言っていても、ゼロでは動きません。枚数とメモリを数字で言える状態にしておく。
2. 性能とセキュリティとコストのうち何を優先するか。モデルを選べるということは、選ぶ基準を自分たちで決めるということでもあります。
3. コーディング規約とレビュー観点が文書になっているか。取り込ませる先がなければ、規約への適応という特徴は効きません。

この3つは問い合わせなくても今日わかります。

価格を聞くのは、そのあとで間に合います。