Ollama でローカル実行すれば、本当にデータは一切外部に送信されないのですか？例外はありますか？

ローカル推論は確かにマシン上で完結し、Ollama は公式に「プロンプトや応答を収集・保存・アクセスしない」と明言しています。ただし、デフォルトでデバイス情報、IPアドレス、アプリバージョン、リクエスト数などのテレメトリデータを収集します。高度なプライバシーが求められる環境では、OLLAMA_NO_CLOUD=1 環境変数の設定、または server.json でのテレメトリ無効化が必要です。また、ollama run でクラウドモデル（例：openai:gpt-4o）を実行した場合、データはそのクラウドプロバイダーに送信されます。これはローカル実行ではありません。

法律事務所や医療機関のように、データの機密性が極めて高い組織には、どのローカル AI ソリューションが適していますか？

音声認識には Ghost Pepper（macOS + Apple Silicon 限定、ディスクに一切書き込まない設計）を推奨します。テキスト処理には Jan（ChatGPT に最も近い操作感で非技術者でも使える）または LM Studio（高度な機能が必要な場合）が適しています。IT サポート体制がある組織では Ollama で社内 API を構築することも検討できます。重要なのは、すべてのツールでテレメトリを無効化し、クラウドモデルではなくローカルモデルのみを使用していることを確認することです。

MacBook M4 16GB でローカル AI は動きますか？速度は遅くないですか？

動きます。MacBook M4 16GB の LLM 利用可能メモリは約 12-13GB で、Llama 3.1 8B クラスのモデルが 25-45 tok/s で動作します。日常業務（文書要約、コーディング支援、翻訳）には十分なスピードです。33B 以上のモデルには M4 Pro 48GB 以上が必要です。CPU のみの環境（GPU アクセラレーションなし）では 3-6 tok/s で、バッチ処理にしか使えません。

会社で ChatGPT を使って顧客データを処理しています。法的リスクはありますか？

潜在的なリスクがあります。台湾の個人情報保護法（PDPA）Article 27 は、企業に対して個人データへの「適切な安全措置」を求めており、顧客や従業員のデータをクラウド AI に送信して処理するシナリオはこれに該当します。2025年11月の法改正後、最高罰則は NT$1,500万（約7,000万円）です。どのクラウド AI ツールが個人データを処理しているかを直ちに棚卸しし、データの機密度を評価した上で、機密データについてはローカル AI への移行を検討することを推奨します。

ローカル AI ツール完全選定ガイド 2026：Ollama・LM Studio・Jan の選び方＋台湾個人情報保護法の解説

企業が ChatGPT で顧客の契約書、従業員データ、議事録を処理している。これらはすべてクラウドに送信されています。台湾の個人情報保護法が 2025 年 11 月に改正され、最高罰則は NT$1,500 万に引き上げられました。多くの企業が「AI 法規が来てから対応する」と待っていますが、罰則のある法律はすでに施行されています。

このガイドでは「あなたがどんなユーザーか」を出発点に、最適なローカル AI ツールの選び方、ハードウェアが足りるかの確認方法、そして法的に今すぐ何をすべきかを解説します。

TL;DR

3つのツールは3種類のユーザー向け：Jan（非技術者、ローカル版 ChatGPT）、LM Studio（準技術者、パーソナル AI ワークステーション）、Ollama（エンジニア、API インフラ）。間違ったツールを選ぶことがつまずきの主因
MacBook M4 16GB で Llama 3.1 8B が 25-45 tok/s で動作し、日常業務に十分
台湾 PDPA Article 27「適切な安全措置」はクラウド AI へのデータ送信シナリオをすでにカバーしており、違反時の最高罰則は NT$1,500 万。AI 基本法には現時点で執行可能な義務はなく、施行規則は最短でも 2 年後
ローカル AI ＝物理的隔離（自分で検証可能）、クラウドエンタープライズ＝契約上の約束（ベンダーを信頼）。プライバシーモデルが根本的に異なる
月間 30 万コール以上でローカル導入コストがクラウドの約 1/5〜1/6 に（業界レポートによる）。それ以下の規模ではクラウドの方がコスト効率が良い

あなたが使っているツールは、あなた向けに作られていない

この記事で最も重要なポイントです。

開発者コミュニティでは Ollama、LM Studio、Jan はほぼ常に機能で横並び比較されます。しかし、この 3 つは機能の優劣で並んでいるのではなく、まったく異なるオーディエンスに向けたツールです。

	Jan	LM Studio	Ollama
ターゲット	非技術者	準技術者	エンジニア
主なインターフェース	GUI（ChatGPT 風）	GUI + SDK + CLI	CLI + API
コアユースケース	日常会話、文書要約	モデル検証、高度なワークフロー	アプリ統合、バッチ処理
一言で言うと	ローカル版 ChatGPT	パーソナル AI ワークステーション	開発者の AI インフラ

エンジニアでもないのに Ollama を使っているなら、「最強のツール」を使っているのではなく、「あなた向けに設計されていないツール」を使っているのです。それが多くの人がつまずく本当の原因です。

Jan：非技術者のためのローカル版 ChatGPT

Jan（最新版 v0.7.9、2026年3月23日）は、3 つの中で ChatGPT に最も近い使用感を持つツールです。モデルはクリック操作でダウンロード、直感的なチャットインターフェース、GitHub 42.7k スターを獲得しています。

公式のポジショニングは明確です：「Personal Intelligence that answers only to you.」ローカルモデルのデータはコンピュータから一切外部に出ません。

いくつかのポイントを挙げます。

ハードウェア要件：AVX2 CPU 必須、RAM 8GB 最低（16GB 推奨）、GPU アクセラレーションには 6GB 以上の VRAM が必要です。Ollama や LM Studio より入門のハードルがやや低めです。

独自モデル：Jan Nano 32k と Jan V3 が初回インストール時に選択可能で、別途モデルを探す必要がありません。

Cloud Integration の罠：Jan は OpenAI、Claude、Gemini などのクラウドサービスへの接続をサポートしていますが、この機能は手動で有効にする必要があります。Jan 内で OpenAI や Claude を選択すると、データはコンピュータを離れてその企業に送信されます。これはもうローカル AI ではありません。プライバシーのために Jan を選んだのであれば、必ず「Local Models」のみを選択し、クラウドサービスには接続しないようにしましょう。

MCP 統合：Jan は MCP プロトコルをサポートし、ツール機能の拡張が可能です。

最適な対象：事務職、非技術系マネージャー、「ChatGPT のような操作だがデータは社外に出さない」を求める方。

LM Studio：準技術者のためのパーソナル AI ワークステーション

LM Studio（最新版 0.4.12、2026年4月17日）は Jan と Ollama の中間に位置します。非エンジニアにも十分直感的な GUI を持ちながら、JavaScript/Python SDK と lms CLI で自動化にも対応しています。

主な特長は以下の通りです。

個人・商用利用ともに無料：社内利用に有料プランは不要です。予算制約のあるチームにとって大きなメリットです。

デュアルエンジン対応：GGUF（llama.cpp）と Apple MLX モデルの両方に対応しています。Apple Silicon では MLX エンジンが明らかに高速な推論を実現します。

LM Link（v0.4.7 で導入）：リモートの LM Studio インスタンスに Tailscale のエンドツーエンド暗号化で接続可能です。データは自分で設定したリモートマシンに流れ、LM Studio のサーバーには送られません。オフィス内で AI 計算リソースを共有したい小規模チームに有用です。

最適な対象：さまざまなモデルを試したい技術好奇心の強いユーザー、安定した GUI が必要な準技術系開発者、ステークホルダーに「デモ可能なローカル AI」を見せたい方。

Jan vs LM Studio の判断基準：チャットインターフェースだけで十分なら Jan を選びましょう。異なるモデルのテスト、API エンドポイント、簡単なスクリプトによる自動化が必要なら LM Studio が適しています。

Ollama：エンジニアの AI インフラストラクチャ

Ollama は現在 GitHub 169k スターを持ち、ローカル AI 分野で最も広く採用されている開発者ツールです。一般ユーザー向けのツールではなく、ローカルでモデルを実行し API で呼び出すためのインフラストラクチャです。

最大の売りは OpenAI 互換 API エンドポイントです。既存の OpenAI SDK の base_url を localhost:11434 に向けるだけで、他のコードを変更する必要がありません。Llama 3.3、Qwen 2.5、DeepSeek-R1、Gemma 4 を含む 200 以上のモデルに対応しています。

Apple Silicon アクセラレーション：バージョン 0.19 から MLX バックエンドを搭載し、Apple Silicon 上のデコード速度が約 93% 向上しました。MacBook でのローカル推論が「辛うじて使える」から「本番利用可能」なレベルに変わりました。

繁体字中国語モデル：台湾政府が推進する TAIDE v2.0（Llama 3.1 ベース）を Ollama で直接実行できます：ollama run willh/taide-lx-7b-chat-4bit。繁体字中国語を大量に処理するビジネスであれば、TAIDE と汎用モデルの差を検証する価値があります。

テレメトリに関する重要な注意点：Ollama のローカル推論は確かにマシン上で完結し、公式に「プロンプトや応答を収集、保存、アクセスしない」と明言しています。ただし、デバイス情報、IP アドレス、アプリバージョン、リクエスト数などのテレメトリデータはデフォルトで収集されます。高度なプライバシーが求められる環境（法律、医療）では、追加の設定が必要です。

# 方法 1：環境変数（推奨）
export OLLAMA_NO_CLOUD=1

# 方法 2：設定ファイル（~/.ollama/server.json に追加）
# { "disable_ollama_cloud": true }

コスト経済学：GSS 叡揚の業界分析によると、月間 30 万コール以上の場合（Llama 3.1 8B クラスのローカルモデルと GPT-4o mini クラスのクラウド API を比較）、ローカル導入コスト（約 NT$30,000/月、約14万円）はクラウド API コスト（約 NT$150,000〜180,000/月、約70〜84万円）の約 1/5〜1/6 になります。ただし、比較対象が GPT-4o などの上位モデルであればコスト差はさらに大きく、Claude Haiku などの軽量モデルであれば差は縮まります。初期ハードウェア投資（Mac Mini M4 Pro 48GB 約 NT$55,000、約25万円）の回収には 2〜3 ヶ月かかります。少量利用ではクラウドの方がコスト効率が良い選択です。

Ghost Pepper：法律事務所・医療機関向けローカル音声認識

Ghost Pepper は非常に的を絞ったツールです。100% ローカルの音声認識（STT、TTS ではありません）で、高感度シナリオ専用に設計されています。

2026 年 4 月の公開後、Hacker News で 467 upvotes（2026年4月15日時点）、Product Hunt で 185 upvotes を獲得しました。MIT License で完全無料です。

プライバシー設計について特に説明しておきたい点があります。文字起こしはディスクに一切書き込まれず、デバッグログは RAM 上にのみ存在します。コンピュータが物理的に持ち去られたとしても、ストレージ上に会議の痕跡は一切残りません。法律事務所のクライアント相談録音や、医療機関の患者との会話記録にとって、この設計上の違いは根本的に重要です。

プラットフォーム制限は明確です：macOS 14.0（Sonoma）以上 + Apple Silicon（M1 以上）限定です。Windows 版もLinux 版もありません。Windows 環境の組織には、現時点ではこのツールは選択肢になりません。

モデル：WhisperKit による音声認識に加え、ローカル LLM で文字起こしの整理（余分な言葉の除去、フォーマット整形）を行います。

エンタープライズ導入：MDM 経由の PPPC payloads をサポートしており、IT 部門が一台ずつ設定することなく大規模展開が可能です。

Ghost Pepper が使用する Qwen3-ASR モデルは Qwen3 シリーズと同じ系譜であり、このモデルファミリーに興味があれば参考にしてください。

MacBook で足りるのか？ハードウェアの現実チェック

多くの人がローカル AI にはハイエンド GPU が必要だと思っています。実際には、2026 年の参入障壁は想像以上に低くなっています。

利用可能メモリの計算式：（合計 RAM × 0.75）− 3.5 GB = LLM 利用可能メモリ

この計算式を手元のデバイスに当てはめてみましょう。

デバイス	LLM 利用可能メモリ	動作するモデル	速度
MacBook M4 16GB	約 12-13 GB	Llama 3.1 8B、TAIDE 7B	25-45 tok/s ¹
MacBook M4 Pro 48GB	約 32 GB	33B 快適、70B 量子化で可能	30-50 tok/s
Mac Mini M4 Pro 48GB	約 32 GB	同上（企業推奨構成、約 NT$55,000）	30-50 tok/s
Windows + RTX 3060 12GB	12 GB VRAM	8B モデル	40+ tok/s
CPU のみ（GPU なし）	RAM 依存	8B モデル可能	3-6 tok/s（バッチのみ）

反直感的な事実：M3 Pro のメモリ帯域幅（150 GB/s）は M2 Pro（200 GB/s）より低いです。M2 Pro から M3 Pro へのアップグレードでは、AI 推論が実際に遅くなります。Apple Silicon の AI 性能は世代ごとに単純に向上するわけではありません。

¹ 速度データはサードパーティのテスト結果（出典：localaimaster.com、Apple 公式データではありません）。Q4_K_M 量子化版を使用しており、Q8 量子化では約 25-35 tok/s です。

M4 16GB は実用的な出発点です。手元に MacBook があれば、新しいハードウェアを購入せずに実験を始められます。

台湾の個人情報保護法はすでに施行済み：あなたが待っている AI 法規はまだ来ていない

このセクションは、多くの企業の IT 担当者やコンプライアンス担当者にとって最も重要な内容かもしれません。

現状：多くの台湾企業が「AI 法規が来てから対応する」と、ローカル AI への移行を先延ばしにしています。ここに重大なタイムラインの誤解があります。

すでに施行済み：個人情報保護法（PDPA）は 2025 年 11 月 11 日に改正案が公布され、個人情報保護委員会（PDPC）が設立準備中です。Article 27 は企業に対して個人データへの「適切な安全措置」を求めており、この規定は「顧客や従業員のデータをクラウド AI に送信して処理する」シナリオをすでにカバーしています。

Jones Day および K&L Gates の法律分析によると、改正後の主な変更点は以下の通りです。

最高罰則：NT$1,500 万（約7,000万円）（主管機関が期限付き改善通知を発出し、期限経過後も未改善の場合に適用。一般的な違反はより低い金額から始まります）
通報義務：違反発生時はデータ主体と PDPC への速やかな通報が義務付けられ、遅延は許されません
PDPC 設立：統一的な監督機関として、従来の複数省庁による分散管理体制を一元化

まだ施行されていないもの：人工智慧基本法（AI Basic Act、2026 年 1 月 14 日可決）は 7 つの原則（プライバシー、データ最小化、説明責任など）を定めていますが、現時点では具体的な執行可能義務はありません。施行規則の整備には最短でも 2 年かかる見通しです。

よくある誤解：「台湾の AI 法規が施行」というメディアの見出しにより、多くの企業が AI 基本法にすでに強制力があると勘違いしています。法律分析では「企業は現時点で 7 原則の趣旨を理解するだけでよい」と明確にされており、具体的なアクション要件はありません。実際に罰則があるのは改正済みの PDPA です。

GDPR は適用されますか？ 台湾企業が台湾の顧客のみにサービスを提供している場合、GDPR の管轄外です。EU 居住者にサービスを提供する場合にのみ、GDPR の要件を別途考慮する必要があります。

ローカル AI のコンプライアンス上の優位性：PDPA Article 27 のコンプライアンス監査に際して、ローカル AI は技術的手段で「適切な安全措置」を証明できます（例：ネットワークパケット監視によりデータが外部送信されていないことを実証）。これはクラウドベンダーの契約上の約束に依存するよりも、監査を通過しやすい方法です。

ローカル AI vs クラウドエンタープライズ AI：根本的に異なる 2 つのプライバシーモデル

「クラウドのエンタープライズ AI もデータで訓練しないと言っている。ローカル AI と何が違うのか？」最もよく聞かれる質問です。

違いは「誰かがデータを見るかどうか」ではありません。リスクモデルの違いです。

ローカル AI（例：Ollama）：プロンプト、応答、モデルとのやり取りが物理的にコンピュータから出ることができません。Ollama の公式声明：「We do not collect, store, transmit, or have access to your prompts, responses, model interactions, or other content you process locally.」パケット監視ツールで自分自身で検証可能です。

クラウドエンタープライズ（例：ElevenLabs Zero Retention Mode）：データは揮発性 RAM で処理後、即座に削除されます。SOC 2 Type II、ISO 27001 認証済みです。しかしこれは契約上の約束であり、ベンダーを信頼する必要があります。さらに、Zero Retention Mode はエンタープライズ版限定で、Starter/Creator/Pro プランにはありません。

	ローカル AI	クラウドエンタープライズ（Zero Retention）
プライバシーメカニズム	物理的隔離	契約上の約束
自分で検証可能？	はい（パケット監視）	いいえ（認証を信頼）
Article 27 コンプライアンス証拠	技術的証明	契約 + 認証書類
リスクの負担者	自分（制御可能）	ベンダー（制御不可能）

両モデルにそれぞれ適したユースケースがあります。すべてのデータにローカル AI レベルのプライバシーが必要なわけではありませんが、顧客の個人情報、医療記録、法律文書を扱う場合、「自己検証可能」と「ベンダーの約束」の違いが決定的になります。

判断フレームワーク：本当にローカル AI が必要ですか？

ローカル AI は万能薬ではありません。5 分で判断するための 3 つの質問です。

質問 1：データの機密性はどの程度ですか？

顧客の個人情報、医療記録、法律文書 → ローカル AI を強く推奨
社内事務文書、公開データの分析 → クラウドエンタープライズで十分
台湾の規制によりローカル処理が義務付けられるケース：金融業（金管会の越境データ制限）、医療（衛生福利部の医療記録規定）、国防、政府機関（2025年2月ガイドライン）

質問 2：月間コール数はどれくらいですか？

30 万回以上 → ローカル導入コスト約 NT$30,000/月で、クラウドの約 1/5〜1/6（GSS 叡揚の分析、Llama 3.1 8B と GPT-4o mini クラスの比較に基づく）
それ以下 → クラウドの方がコスト効率が良く、ハードウェア初期投資（Mac Mini M4 Pro 48GB 約 NT$55,000）の回収に 2〜3 ヶ月かかります

質問 3：IT 保守体制はありますか？

IT チームあり → Ollama + 社内 API が最適な構成
技術的好奇心のある個人 → LM Studio
完全な非技術者 → Jan（セットアップほぼゼロ）

3 つすべての回答が「不要」を示すなら、現時点ではクラウドエンタープライズ AI と適切な契約レビューで十分です。「プライバシー」のために、慣れないツールを無理に使う必要はありません。

リスク開示：ローカル AI のよくある誤解と落とし穴

「ローカル AI ＝データ送信が一切ない」という理解は、完全には正確ではありません。

Ollama テレメトリ：デフォルトで有効になっており、デバイス情報やリクエスト数を収集します。高度なプライバシーが求められる環境では、OLLAMA_NO_CLOUD=1 または --no-telemetry を必ず設定してください。

Jan Cloud Integration：Jan はクラウドモデル（OpenAI、Claude、Gemini）に対応しており、有効にすると「ローカル AI」ではなくなります。ローカルモデルのみを使用していることを確認しましょう。

LM Studio LM Link：opt-in のリモート接続機能です。データは自分が設定したリモートマシンに流れ、LM Studio のサーバーには送られません。ただし、設定ミスで想定外の場所にデータが送られる可能性があります。

Ollama の Cloud Model の罠：ollama run openai:gpt-4o は Ollama 内で動いているように見えますが、データは実際には OpenAI の API に送信されます。これはローカル実行ではありません。

導入前チェックリスト：

テレメトリが無効化されていることを確認
クラウドモデル統合が有効になっていないことを確認
ローカルモデルを実行していることを確認（クラウドモデルラッパーではなく）
パケット監視ツール（Little Snitch、Wireshark など）で予期しない外部接続がないことを検証

まとめ

非技術者であれば、Jan で 10 分でデータを送信しないプライベートな AI アシスタントが手に入ります。準技術者であれば、LM Studio がより多くのコントロールを提供します。エンジニアであれば、Ollama が API インフラです。

ハードウェアの壁は想像以上に低く、MacBook M4 16GB で始められます。

台湾の個人情報保護法は未来の話ではありません。PDPA Article 27 は現在すでに有効で、最高罰則は NT$1,500 万です。個人ユーザーは過度に心配する必要はありません。個人情報保護法は主に「企業が他人の個人データを処理する」シナリオを規制するものであり、自分のデータをローカル AI で処理することは法的リスクにはなりません。

「自分はどのタイプのユーザーか」という問いから始めましょう。5 分でツールが決まります。