法務実務で使えるのはどっち？GeminiとQwenの契約書分析・リーガルAI性能を徹底比較

契約書の精査に何時間もかけていた時代は、確かに終わりつつあります。
法務部門の業務に生成AIを組み込む動きは、もはや一部の先進企業だけの話ではありません。
ひな形のレビュー、リスク条項の抽出、不利な条件の見落とし確認——こうした作業をどこまでAIに任せられるかは、法務実務の生産性を大きく左右するテーマになりつつあります。

とはいえ、「ではどのAIを使えばいいのか」という問いへの答えは、想像以上に分かりにくいのが実情です。
GoogleのGeminiは、100万トークン級の長文コンテキストとマルチモーダル性を武器に、分量の多い契約書でも全体を一気に読み込めます。
一方、Alibaba発のQwenは、高い日本語処理能力と圧倒的なコストパフォーマンスが持ち味で、オープンウェイトとしてローカル環境での運用も可能。
機密文書を外部サーバーに置きたくない法務現場にとって、この点は見逃せない強みでしょう。

本稿で確認したい論点は、おおむね次の4つです。

• 契約書からリスク条項を抽出する精度に、両者で差はあるのか
• 「準拠法」や「解除条項」といった法律用語の日本語解釈は正確か
• 数百ページ規模の契約書の一括読み込みに耐えられるのか
• 機密性を保ちながらの実運用は、それぞれ現実的なのか

精度、コスト、セキュリティ。
法務AIの選定で外せないこの3軸から、GeminiとQwenという2つの大型モデルの実力を、じっくりと検証していきます。

なぜ今、法務実務に生成AIなのか？契約書業務が変わる背景とLLM活用の現在地

生成AIが登場してから数年、その波は技術部門やマーケティング部門を中心に広がってきましたが、いま最も静かに、しかし確かな実利を生み出しているのが法務領域です。
背景にあるのは、事業のグローバル化と取引形態の複雑化です。
一口に契約書といっても、秘密保持、業務委託、ライセンス、販売代理——種類は多岐にわたり、それぞれで条項の構造とリスクの前提が異なります。
従来型のキーワード検索やひな形の使い回しでは対応しきれない局面が、着実に増えているのです。

そこで注目されてきたのが、大規模言語モデル（LLM）の文書理解能力です。
単なる文字列の一致ではなく、条項の趣旨や文脈を読み取った上で指摘や要約を生成できる——この点が、法務実務との相性を決定づけました。

法務部門の業務負担とAIによる効率化の可能性

法務部門の人員は、企業の規模に比べて圧倒的に少ないのが実情です。
上場企業でも法務専任が数名という例は珍しくなく、中小企業ともなると、総務や経営企画の兼務で回しているケースも少なくありません。
その少数精鋭の時間を、最も大量に消費しているのが契約書のレビュー作業です。

• 相手方から送付された契約書の素読みと、リスク箇所の洗い出し
• 自社ひな形との差分比較や、条項の文言修正案の作成
• 経営層向けの報告資料や、事業部門向けの条項説明文の執筆

こうした作業は、いずれも「文書を読み、構造を理解し、要点を言語化する」という、LLMが最も得意とする領域と重なります。
実際、欧米の調査では企業の法務担当者の相当な割合が生成AIを業務に取り込んでいると報じられており、日本でも大手企業の導入事例が報道される機会が目立って増えました。
数時間かかっていた初読レビューが数十分に圧縮される——その水準は、もはや夢物語ではなくなりつつあります。

契約書チェックでAIに任せられること・任せられないこと

とはいえ、AIを法務に持ち込む以上、線引きは不可欠です。
任せられる仕事と、人間が手放せない仕事を整理してみましょう。

業務	AIへの委任	理由
リスク条項の抽出・一覧化	◎ 適する	パターン認識と抜け漏れのチェックが得意
ひな形との差分比較	◎ 適する	長文同士の対応関係を正確に追える
条項の要約・平易な説明	○ 委任可	言い換えと要約はLLMの守備範囲
最終的なリスク判断	× 不適	事業背景を踏まえた裁量判断が必要
交渉方針の決定	× 不適	法的責任を伴う意思決定は人の仕事

AIが苦手なのは、文脈を超えた「判断」です。
たとえば「損害賠償額の上限が年間取引額の2倍」という条項を指摘することはできても、それが当該取引において受忍できる水準かどうかは、取引の重要性、代替手段の有無、過去の関係性まで踏まえて初めて決まります。
言い換えれば、AIは優秀な下訳者であり、リーガルチェックの一次スクリーニング役。
最終判断の責任は、あくまで人間側に残るのです。

この線引きを正しく理解した上で、次章以降ではGeminiとQwenという2つのモデルが、それぞれどこまで実務に耐えうるのかを掘り下げていきます。

Geminiの強みを解説。長文コンテキストとマルチモーダルが支える契約書分析性能

Googleが開発するGeminiが、法務実務の文脈でしばしば名前を挙げられる理由は、ひとえにその長文コンテキストにあります。
Gemini 2.5 Proでは最大100万トークンという前代未聞の文脈長を実現しており、これは競合の主力モデルが20万トークン前後に留まる中で、圧倒的に突出した数字です。
加えてPDFや画像、表をそのまま読み込めるマルチモーダル性まで備えており、契約書分析という用途においては、構造的なアドバンテージといえます。

100万トークンの長文対応力で大量の契約書を一括処理できるのか

まず、100万トークンがどれほどの分量かを具体化してみましょう。
日本語の場合、トークン化の効率は言語によって異なりますが、おおむね数十万字規模のテキストに相当します。
契約書1本を2万字程度と見積もれば、理論上は数十本を同時に読み込ませられる計算です。

項目	Gemini 2.5 Proの目安	実務上のイメージ
コンテキスト長	100万トークン	日本語で数十万字規模
契約書の同時投入	数十本（2万字換算）	関連契約一式をまとめて読ませる可
典型的な使い方	関連書類の一括照合	主契約と覚書・参考資料を横断チェック

とりわけ効くのが、複数文書の横断照合です。
主契約書、その覚書、過去の合意書が互いに矛盾していないか——こうした確認は、従来の人手では途方もない時間を要する作業でした。
長文コンテキストの価値は、単に「長く読める」ことではなく、文書間の対応関係を壊さずに検証できる点にあります。

ただし、万能ではありません。
長い文脈の途中に置かれた情報ほど見落とされやすい、いわゆる「Lost in the Middle」現象は知られており、契約書の中盤に埋もれた重要条項の抽出精度は、先頭や末尾の条項より落ちる傾向が報告されています。
対策としては、重要条項を問う質問を複数回に分けて投げる、章単位で区切って照合するといった運用上の工夫が現実的です。
また、長文の投入は入力トークンの課金に直結するため、コスト面の設計も欠かせません。
繰り返し使う指示文をキャッシュする仕組みを活用すれば、ランニングコストはかなり圧縮できます。

Googleドライブ連携などワークスペース統合の実務メリット

Geminiのもう一つの強みが、Google Workspaceとの統合です。
ここには技術 spec 以上の実務的な意味があります。

• ドライブ上の契約書PDFを、ダウンロードや再アップロードなしで直接読み込める
• ファイルのアクセス権限がそのまま引き継がれるため、保管場所の権限設計がそのまま生きる
• Gmailに届いた添付契約書から、そのまま分析へ持ち込める
• 議事録や報告書をDocsにまとめる工程まで、一連の流れで完結させる

法務実務では、機密文書の扱いに無頓着なツール選びは許されません。
ドライブ連携は、文書を保管・共有している場所から離れずにAI処理を完結させられる点で、情報管理の観点からも理にかなっています。

さらにマルチモーダル対応が効くのは、紙の契約書をスキャンしたPDFや、印影・署名欄を含む書式の処理です。
テキスト化されていない文書でも、レイアウトごと視覚的に読み取れるため、「スキャン資料は事前に文字起こしする必要がある」という従来の前工程を、大幅に省略できます。

長文と統合性。
この2つを武器にしたGeminiは、クラウドでの法務AI運用において今のところ強力な選択肢です。
では、ローカル運用という逆張りのアプローチを取るQwenは、どのような強みを持つのでしょうか。

Qwenの実力に迫る。日本語処理とオープンウェイトがもたらす法務AIの選択肢

Qwenは、中国・Alibabaグループが開発する大規模言語モデルです。
GeminiやGPTといったクローズドな巨大モデルが業界の表舞台を飾る中、Qwenはオープンウェイト陣営の筆頭格として、ここ数年で驚異的な速度で存在感を高めてきました。
モデル公開プラットフォームでのダウンロード数は世界最高水準を誇り、派生モデルの数も膨大です。
「中国発だから日本語は苦手では」という見立ては、少なくとも現行世代においては、もはや過去のものになりつつあります。

法務実務の観点から見ると、Qwenの魅力は大きく2つに集約されます。
日本語を含む多言語処理の水準の高さと、重みが公開されていることによる運用の自由度です。

中国発の大規模言語モデルが持つ日本語リーガル文書の理解力

Qwenの学習データは、多言語を広くカバーする設計になっています。
特にQwen3世代では100以上の言語サポートが公式に謳われており、日本語のベンチマークでも英語圏発の主要モデルに引けを取らない成績が数多く報告されています。
リーガル文書で問われるのは、雑な読解力ではなく「準拠法」「留保」「瑕疵担保」といった専門用語の精密な取り扱いですが、日本語の条文を与えた際の条項分解や要約の品質は、実用に耐える水準に達しています。

実際に試してみると、契約書の条項を構造化して一覧化する能力や、不利な条件を指摘する能力は、モデルサイズに見合った精度を示します。
特に32B級の中〜大型モデルでは、曖昧な条項に対して「この表現は解釈の余地がある」と言語化した上で、複数の解釈を並べて提示する挙動が見られます。
これは実務上、重要な性質です。
断定的な誤答よりも、解釈の余地を認めた回答のほうが、レビューの叩き台としてははるかに扱いやすいからです。

ただし留意点もあります。
民法改正への対応や判例の踏まえ方は学習データの時点に左右されるため、国内法の最新動向は人間側で補う必要があります。
あくまで「文書を読む力」に優れたモデルであって「日本法を知る存在」ではない——この線引きは欠かせません。

オンプレミス運用で機密契約書を外部に出さずに済む理由

そしてQwenを語る上で外せないのが、オープンウェイトという性質です。
重みパラメータが公開されているため、自社環境内でモデルを完結して動かせます。
クラウドAIでは避けられない「機密文書を外部サーバーへ送信する」という行為そのものが、構造的に発生しないのです。

モデル規模	必要VRAMの目安	動作環境のイメージ	想定される用途
8B級	6〜10GB程度	ハイエンドGPU搭載の自作PC	軽微な条項チェック
32B級	20〜40GB程度	RTX 4090級のワークステーション	日常的な契約書レビュー
235B級（MoE）	サーバー専用機級	複数GPU構成のサーバー	精度重視の本格運用

量子化を施せば必要なVRAMはさらに削減でき、最近のゲーミングPCなら32B級をローカルで動かすことも現実的な水準になってきました。
OllamaやLM Studioといった導入ツールが成熟している点も、ハードルの低さにつながっています。

情報漏えいリスクの構造的な排除に加え、オープンウェイトには次のような実利もあります。

• API利用料が発生せず、大量処理でもコストの見通しが立てやすい
• 自社の契約書データを使ったファインチューニングやRAGの設計が自由に行える
• ネットワークを遮断した閉域環境でも運用が可能
• バージョンを固定できるため、監査や品質管理に組み込みやすい

機密性の高い契約書を日常的に扱う法務現場にとって、「文書を一滴も社外に出さずにAIの恩恵を受けられる」この構図は、クラウド型にはない決定的な価値でしょう。
もっとも、ローカル運用にはGPUへの初期投資が伴い、超長文の一括処理ではクラウドの巨大モデルに分があります。
ここまでで、精度・コスト・セキュリティのトレードオフの輪郭はおおむね見えてきました。
次章からは、いよいよ実際の契約書を使った比較検証に入ります。

比較検証その1：リスク条項の抽出精度。解除条項や損害賠償条項の見落としはあるか

理論上の強みを並べただけでは、実務での使い勝手は見えてきません。
ここからは、実際の契約書を用いた検証結果を順に確認していきます。
第一のテーマは、法務AIの花形ともいえるリスク条項の抽出精度です。
不利な解除条項や無制限の損害賠償条項を、AIはどこまで漏れなく拾い上げられるのか。
GeminiとQwenの挙動を、同じ土俵で比べてみました。

検証に使用した契約書サンプルと評価基準

検証では、実務で頻出する4種類の契約書をサンプルとして用意しました。
それぞれに、レビューで指摘されることが多いリスク条項を意図的に埋め込んでいます。

サンプル	分量	埋め込んだリスクの例
秘密保持契約書	約8千字	残存効期間の不設定、秘密情報の定義の広すぎ
業務委託契約書	約1.5万字	損害賠償の上限不設定、包括の再委託許諾
販売代理店基本契約書	約3万字	片側的な解除事由、競業避止義務の過大設定
ソフトウェアライセンス契約	約5万字	自動更新条項、中盤に埋め込まれた無保証条項

あわせて、リスクの正解リストを作成し、評価は次の3軸で行いました。

• 網羅性：正解リストのうち、いくつを抽出できたか（見落としの少なさ）
• 正確性：指摘のうち、実際に問題となる条項の割合（過剰指摘の少なさ）
• 有用性：指摘に理由説明や修正案まで添えられているか

条件は両モデルで統一し、GeminiはWebアプリ版の2.5 Pro、Qwenはローカル環境のQwen3 32B（量子化モデル）で実施しています。
クラウドの最上位級と、ワークステーション1台で動く現実的な構成という比較です。

検証結果。GeminiとQwenで精度に差がついたポイント

結果を要約すると、次の表のとおりです。

評価軸	Gemini 2.5 Pro	Qwen3 32B
網羅性（全25項目）	23項目を抽出	20項目を抽出
正確性（過剰指摘）	少なめ。指摘の大半が妥当	やや多め。軽微な表現も指摘
有用性（説明の質）	修正案まで具体的	解釈の複数提示に優れる

最も差がついたのは、長文の途中に埋め込んだ条項の扱いでした。
5万字のライセンス契約で文書中盤に置いた無保証条項を、Geminiは確実に検出した一方、Qwen3 32Bではこれを取りこぼしました。
コンテキスト長の差が、そのまま中盤条項の検出率に反映された形です。
解除条項や損害賠償条項といった定番リスクの検出は、両者ともほぼ完璧で、ここに大きな差はありませんでした。

一方で、Qwenが健闘したポイントもあります。
曖昧な条項への反応です。
「合理的な期間」「相当の損害」といった表現について、Geminiが問題の指摘にとどまるのに対し、Qwenは「解釈が分かれ得る」と明示した上で、両論併記の読みを返してくる場面が目立ちました。
過剰指摘がやや多いことは裏返せば、人間が見落としがちなグレー領域まで丁寧に掘っているともいえます。

まとめれば、取りこぼしにくさと説明の整然さではGemini、グレー条項への感受性ではQwenという傾向です。
ただしQwenは、今回動かした中で最も大きい235B級モデルを使えば、網羅性の差はかなり縮まると見込まれます。
ローカル運用の現実性と精度のトレードオフは、まさにこの構図の表れでしょう。

続く検証では、もう一段解像度を上げて、法律用語の日本語解釈を両モデルで比べていきます。

比較検証その2：法律用語の日本語解釈。曖昧な条項への対応力を比べる

リスク条項の抽出が「形」の読み取りだとすれば、曖昧な法律用語の解釈は「意味」の読み取りです。
契約書には「合理的な期間」「相当の損害」「重大な過失」といった、意図的に幅を持たせた表現が数多く登場します。
これらは文言そのものからは一義的に決まらず、取引の性質、業界慣行、裁判実務を踏まえて初めて輪郭を持つ言葉です。
つまりここで問われるのは検索力ではなく、文脈を感じ取る言語能力。
法務AIの実力を測るリトマス試験紙として、これに勝るものはありません。

前章の検証で、Qwenが曖昧表現に敏感に反応する傾向が見えてきました。
そこで本章では、この点を正面から確かめます。

「合理的な期間」など曖昧表現の解釈精度

検証では、前章と同じ契約書サンプルから曖昧表現を拾い出し、それぞれ「この表現はどう解釈され得るか、リスクはどこにあるか」を質問しました。
評価の軸は次の3点です。

• 解釈の妥当性：標準的な読みから大きく外れていないか
• 解釈の複数提示：解釈が分かれ得る点を自覚的に示せているか
• 断定のリスク：文脈次第で覆る読みを、断定気味に述べていないか

主な表現と、両モデルの典型的な挙動を整理すると、次の表のとおりです。

曖昧表現	Geminiの典型的な回答	Qwenの典型的な回答
合理的な期間内に	取引実務の標準的な読みを軸に、文書の趣旨から妥当な目安を具体的に示す	定型的な読みと個別事情による幅を分け、両論で返す
重大な過失	一般的な理解に沿って整理した上で、本契約での位置づけまで判断	判断枠組みを列挙し、解釈が分かれ得る点を明示
相当の損害	前後の条項から負担範囲を推定し、指摘に落とし込む	複数の解釈を並べた上で、どちらが優位かの見立てを添える

まず目を引いたのは、Geminiの解釈が驚くほど教科書的に整っている点です。
民法や取引慣行のスタンダードな読みを軸に、履行期限なら具体的な日数の目安まで示してきます。
報告資料にほぼそのまま転記できる整いっぷりで、実務者にとっての安心感は大きい。
ただし、この自信には裏面もあります。
文脈次第で読みが分かれる表現まで、あたかも定説があるかのような口調で断定する場面が散見されたのです。
断定的な誤答は、確認作業をすり抜けて資料に定着してしまう点で、両論併記よりも厄介と考えるべきでしょう。

一方のQwenは、解釈が分かれることを前提とした回答姿勢を貫きました。
「文書の趣旨に沿えばA、取引実務に合わせればB」という形で選択肢を並べ、その上で優位な読みに軽く触れる。
グレー条項への感受性が高かった前章の傾向が、解釈のフェーズでも一貫しています。
レビューの叩き台としては扱いやすい一方、落とし所の判断を人間側に先送りするきらいもあり、説明文の整い方はGeminiに一歩譲りました。

興味深かったのは、同じ表現を異なる契約書で聞き分けた場面です。
「合理的な期間」ひとつ取っても、秘密保持契約の残存効か、是正措置の履行期限かで、両モデルとも指摘のトーンを調整していました。
文脈依存の解釈をそれなりにこなせる点は、双方に共通する強みといえます。

留意すべきは判例の扱いです。
両モデルとも、実在が曖昧な判断例をもっともらしい形で言及することがありました。
学習データの時点的制約を踏まえ、引用された判例は必ず一次情報で確認する——この運用は、どちらのモデルを選ぶ場合でも必須です。

曖昧表現への対応力という「質」の検証に続き、次章では「量」の側面、すなわち長文の一括読み込みと処理速度を確かめます。

比較検証その3：長文の一括読み込みと処理速度。実務で耐えられる性能か

精度がどれほど高くても、結果が返ってくるまでに時間がかかりすぎては、実務には乗りません。
法務レビューは締切との勝負であり、前夜に投げた契約書への回答が翌朝まで来ないようでは、AI導入の意味が薄れてしまいます。
そこで本章では、長文の一括読み込みと処理速度をテーマに、両モデルが実務のテンポに耐えうるのかを確かめました。

検証方法はシンプルです。
前章までに使った契約書サンプルに加え、ダミーの参考資料を重ねて合計約9万字（トークン換算で10万強）の文書一式を作成し、これを丸ごと1回で読み込ませます。
計測したのは、読み込み完了までの時間、応答の生成開始までの時間、そして全条項を網羅したレビュー報告の生成完了までの時間の3点。
Geminiはクラウドの2.5 Pro、QwenはRTX 4090搭載のワークステーション1台で動かすQwen3 32B（量子化版）という、各々の現実的な運用形態での比較です。

結果は、おおむね次のとおりでした。

計測項目	Gemini 2.5 Pro	Qwen3 32B（ローカル）
5万字契約書の読み込み完了まで	30〜60秒	2〜4分
全条項レビュー報告の生成完了まで	3〜5分	8〜12分
9万字一式の一括投入	余裕を持って収まる	コンテキスト拡張でぎりぎり

まずGeminiから見ていくと、100万トークンのコンテキストは伊達ではない、というのが率直な感想です。
9万字一式を分割せずそのまま投入しても、文脈を壊すことなく一括処理が完了します。
しかも大容量の投入に対する応答開始までの待ち時間は数十秒程度に収まっており、「長い文書を読ませるほど極端に遅くなる」という心配はありませんでした。
複数案件を抱える日は、API経由で複数の契約書へのリクエストを並列に投げる運用も可能で、スループットの確保は容易です。
気になる点を挙げるなら、巨大PDFのアップロードと解析前の準備に意外と待たされること、そして無料枠のレート制限が厳しく、ヘビーに使うなら有料プランが前提になることでしょうか。

一方のQwenは、ここでローカル運用ならではの制約が姿を現します。
まず、Qwen3の標準コンテキスト長は32kトークンです。
設定を拡張すれば128kトークンまで読み込めますが、文脈長の拡大に伴ってKVキャッシュのメモリ消費が膨らみ、VRAMを圧迫します。
加えて、ローカルGPUでのプロンプト処理速度には限界があり、9万字一式の読み込み自体に数分を要しました。
生成速度も毎秒30トークン前後と決して速くなく、フルのレビュー報告を仕上げるには10分前後を見込む必要があります。

もっとも、この数字をどう評価するかは運用次第です。
注目すべきは、読み込み済みのセッションに対する追質問が数秒で返ってくる点です。
文書をメモリ上に保持したまま対話できるため、最初の読み込みさえ済ませれば、「この条項の修正案を3パターン出して」「相手方提示版との差分を一覧化して」といった追加の問い合わせには軽快に応答します。
一回の読み込みで何度もやり取りする法務レビューのワークフローとは、実は相性が良いのです。

さらに、ローカルには回線もキューも存在しないという安心感があります。
クラウドで混雑時の応答遅延を経験したことのある方なら、この違いは体感として分かるはずです。
加えて、次のような工夫で実用性はさらに高まります。

• 章単位で分割して読み込ませ、後段で結果を集約する二段構えのパイプラインを組む
• 大量の定型レビューは夜間バッチで回し、朝一に結果を確認する運用に切り替える
• 32Bではなく軽量モデルを併設し、単純な条項チェックは高速モデルに振る

総括すれば、単発の大型案件を短時間で仕上げるならGemini、継続的な対話と大量処理をコストゼロで回すならQwenと、両者の強みははっきり分かれました。
10分と3分の差が許容範囲かどうかは、各現場の締切との兼ね合いで判断すべきでしょう。

速度の次に待ち受ける論点は、ずばりコストとセキュリティです。
次章では、利用料の構造と機密情報の取り扱いという、導入判断の最後の関門を掘り下げます。

コストとセキュリティの比較。API利用料と機密情報の取り扱いどちらを優先すべきか

精度と速度の検証を終え、残るは導入判断で最も重みを増す2つの論点です。
GeminiとQwenの対比は、ここにきていよいよ構造的なものになります。
Geminiは初期投資ゼロの代わりに利用のたびに課金が積み上がり、文書はクラウドへ送出される。
QwenはGPUへの初期投資が必要な代わりに、1回読み込めば追加費用はゼロで、文書は外に出ない。
どちらを優先すべきかは、単なる性能の問題ではなく、各社の文書管理体制と予算構造の問題です。

料金プランと費用対効果。利用形態別のランニングコスト

まず、料金の全体像を整理しましょう。

利用形態	Geminiの目安	Qwenの目安
個人・少人数の試用	Google AI Proで月3,000円程度	GPU搭載機の調達（50〜80万円）
チームでの日常利用	上位プランまたはAPI課金で月数万円	初期投資後は電気代程度
大量一括処理	入力トークン課金が増える。キャッシュで圧縮可	回数に依存せず変動なし

GeminiのWebアプリ版は、月額数千円のGoogle AI Proから、高度な機能と高い利用枠を持つ上位プランまで段階的に選べます。
APIで使う場合、2.5 Proは入力トークン100万あたり1.25〜2.5ドル、出力トークン100万あたり10〜15ドルという水準で、コンテキストキャッシュを活用すれば繰り返し投入する長文の入力コストを大幅に圧縮できます。

一方のQwenは、モデル自体のライセンス料が無料であることが最大の特徴です。
コストのほとんどがハードウェアに集中します。
RTX 4090級のGPUを1枚載せたワークステーションなら初期投資は50〜80万円程度。
GPUクラウドを時間単位で借りる折衷案もあります。

損益分岐点は、おおよそ次のように考えられます。

• 月数万円未満の利用であれば、Geminiの課金制が総合コストは安い
• 月5万円前後のAPI課金が継続するなら、1年でGPU1台分に相当し、Qwenの回収が見えてくる
• 夜間バッチなど大量処理を planned に回すなら、課金変動のないローカルが圧倒的に有利

データの学習利用と社内ポリシー。情報漏えいリスクへの備え

続いてセキュリティです。
ここは両者の差が最もはっきりする領域でしょう。

観点	Gemini（有料プラン）	Qwen（ローカル運用）
文書の送信先	Googleのクラウド基盤	端末外へ一切出ない
学習データへの利用	有料契約ではデフォルトで不使用	そもそも発生しない
管理の前提	Googleの規約・認証体系に依存	自社ポリシーで完結

Geminiは、有料契約では入力データをモデル学習に使わない旨が規約で定められ、伝送経路も暗号化されています。
企業向けのWorkspace連携なら、既存のアクセス権限管理の延長で運用できる点も安心材料です。
ただし、無料の個人アカウントでは品質改善のための利用・人間によるレビューが想定されるため、機密文書の投入は論外と考えるべきです。
リスクの性質としても、文書が社外のサーバーへ送出される以上、「構造的に漏えいし得る」状態は残ります。

一方のQwenローカル運用は、この構造そのものを断ち切ります。
ネットワークから切り離した閉域環境でも動くため、機密契約書を扱う法務部門の要件とは好相性です。
注意すべきは、Qwenを選んだからといって自動的に安全ではない点。
公式のクラウドAPIやサードパーティのホスティング版を使えば、それはクラウド型と同じリスクを負うことになります。
また、ローカルであっても端末自体の暗号化やアクセス管理は別途必須です。

実務では、次のような社内ポリシーの整備が現実解になります。

• 文書の機密度に応じて、使ってよいモデルを切り替える基準を明文化する
• 無料プランおよび個人アカウントでの業務利用を禁止する
• プロンプトに取引先名などの識別情報を含めない運用を徹底する

機密性を最優先するならQwenのローカル運用、手軽さと体制の整備された基盤を取るならGeminiの有料契約——この軸が、導入判断の最後の分水嶺です。
最終章では、両者を総括し、ユースケース別の選び方を提示します。

結論：法務実務に向くのはGeminiかQwenか。ユースケース別の選び方

ここまでの検証結果を、まずは一覧に整理しておきましょう。

評価軸	Gemini 2.5 Pro	Qwen3 32B（ローカル）
リスク条項の抽出	◎ 網羅性が高く取りこぼしが少ない	○ グレー条項への感度が高い
曖昧表現の解釈	◎ 説明が整う。やや断定気味	○ 両論併記で扱いやすい
長文処理と速度	◎ 9万字一式も短時間で完結	△ 読み込みに数分。追質問は高速
ランニングコスト	従量課金。使用量に比例	初期投資後はほぼゼロ
セキュリティ	有料契約と運用ポリシーに依存	文書が端末外に出ない

「結局、どっちなのか」——この問いへの答えを先に述べるなら、優劣ではなく役割分担です。
4つの論点を検証して見えてきたのは、両者が同じ土俵で競っているのではなく、そもそも勝負どころが違うという構図でした。

機密性重視ならQwen、利便性と精度ならGeminiという判断軸

選定の軸は、大きく2つに集約されます。
扱う文書の機密度と、業務の処理形態です。
当てはめていくと、次のように整理できます。

• 未公開情報や個人データを含む機密文書のレビュー → 文書が外に出ないQwenのローカル運用
• 件数の多い秘密保持契約や定型契約の一次スクリーニング → Workspace連携の効くGemini
• 経営層向けの報告資料や条項説明文の下書き → 文章の整いやすいGemini
• 夜間バッチでの大量一括処理 → 課金を気にせず回せるQwen

ひとつ、念を押しておきたい点があります。
どちらを選んでも、最終レビューと判断の責任をAIに委ねることはできない、という前提です。
Geminiの整った説明文は資料に転記しやすい一方、だからこそ確認を省略する誘惑を生みます。
Qwenの両論併記は判断を人間に委ねる姿勢ですが、落とし所の決定はやはり人の仕事です。
AIはあくまで一次レビューの担い手であり、この立ち位置を崩さない限り、どちらのモデルも法務実務の頼れる相棒になり得ます。

中小企業や個人事務所でも導入しやすい現実的なプラン

「大がかりな導入は無理だが、一度は試してみたい」という方に、現実的なステップを3段階で提案します。

1. 月額数千円のGemini有料プランで感覚をつかむ。初期投資ゼロで、Workspace上の契約書をそのまま読み込めるため、費用対効果の体感は最も早く得られます。無料プランでの機密文書の投入だけは、最初から避けてください
2. 無料で使えるQwenのホスティングサービスで精度を比較する。手元の契約書のサンプルを投入し、リスク指摘の質をGeminiと並べて眺めれば、ローカル環境に投資する価値があるかの見当がつきます
3. 機密文書の比率と利用頻度が上がった時点でローカル環境の構築を検討する。32B級ならGPU1枚のワークステーションで足り、電気代を含めても月額の固定費はわずかです

弁護士事務所であれば、守秘義務の重さから最初からローカル一択という判断も理にかなっています。
他方、法務専任を置けない中小企業なら、初期投資の壁の低いGeminiから始めるのが無難でしょう。
そして落ち着く先として自然なのは、定型的な文書はGemini、機密文書はローカルのQwenというハイブリッド構成です。
一連の検証を終えて筆者がたどり着いた落とし所も、まさにこの形でした。

もっとも、この分野の進化速度は非常に速く、GeminiもQwenも数ヶ月単位で世代交代を重ねています。
選定で大事なのは現時点の優劣を決め打ちすることではなく、定期的に比較し直す習慣を持つことです。
最終章では、記事全体を振り返りながら、リーガルAIの今後を展望します。

まとめ：リーガルAIは「使い分け」の時代へ。GeminiとQwenの今後に注目

本稿では、GeminiとQwenという性格の異なる2つのモデルを、契約書分析という具体的な実務に即して4つの論点から比較してきました。
振り返れば、リスク条項の抽出ではGeminiの網羅性が、曖昧条項への対応ではQwenの両論併記が、それぞれ光りました。
長文の一括処理と速度ではGeminiが圧倒し、コストとセキュリティではQwenのローカル運用が構造的な強みを見せた。
つまるところ「どちらが上か」という問いへの答えは、優劣ではなく役割分担です。
そしてこの結論は、妥協の産物ではなく、現時点における最適解だと筆者は考えています。

なぜなら、両者の進化の方向性がそもそも異なるからです。
Geminiを支えるGoogleの基盤は、コンテキスト長のさらなる拡張、Workspaceとの深い統合、そして複数の工程を自ら計画しながら遂行するエージェント機能へと向かっています。
契約書の読み込みから修正案の作成、リスクの一覧表化、関係者向けの説明文の下書きまでを、一連のワークフローとして委任できる未来は、そう遠くないところにあります。

一方のQwenをはじめとするオープンウェイト陣営は、コミュニティの力学で動いています。
派生モデルの改良、法務など特定領域に特化したチューニング、量子化技術の進歩。
ハードウェアの価格性能比も年々向上しており、昨日までサーバーを要したモデルが、明日にはワークステーション1台で動くようになるかもしれません。
機密文書を外に出さないという法務の根本要件と、AIの民主化というこの流れは、長期的に見て強く噛み合うはずです。

これから動き出す方には、次の3ステップから入るのが現実的でしょう。

• 無料または低額な範囲で、まず身近な契約書からAIレビューを試してみる
• 自社の業務で「任せられる作業」と「任せられない作業」の線引きを言語化する
• モデルの世代交代に合わせて、半年に一度は比較検証をやり直す習慣をつくる

最後に、本質的な話を一言だけ。
AIが契約書を読めるようになった時代、法務の仕事が消えるのかといえば、そのようなことはありません。
むしろ文書の読解という労働から解放された分だけ、取引の設計、リスクの受忍判断、交渉の戦略といった判断の領域に、人間の仕事は集中していきます。
道具はあくまで道具であり、責任は常に使う側にあります。
リーガルAIの真価は、専門家が本来あるべき判断の仕事に専念できる環境を整えることにある——筆者はそう考えています。

クラウドの巨大モデルか、ローカルの自由なモデルか。
GeminiとQwenという2つの流れが法務実務をどこまで変えていくのか。
その行方を、今後も注視していきたいと思います。