アノテーション代行とは？費用相場と依頼先の選び方、品質を落とさない発注のコツを解説

AIモデルの精度が想定に届かない。原因を調べていくと、多くの場合たどり着くのは学習データの品質です。ラベルの付け方が担当者ごとにぶれている、判断に迷うデータが適当に処理されている、といった状態が精度の上限を決めてしまいます。

アノテーション作業は単純に見えて、実際には膨大な工数がかかります。数万件のデータに人手でラベルを付ける作業を社内で抱えると、開発担当者がモデルの検証に使える時間が消えていきます。

そこで選択肢になるのがアノテーション代行です。ただし、安い委託先を選べば解決する話ではありません。発注側が仕様を決めきれていなければ、外注しても品質のばらつきはそのまま残ります。

本記事では、代行に依頼できる作業の範囲、費用が決まる仕組みと相場の目安、依頼先4タイプの選び分け、そして品質を落とさないために発注側が準備すべきことを順に整理します。契約と法令面の確認事項もあわせて解説します。

確認したいポイント	結論	詳細
アノテーション代行とは？	教師データ作成を外部に委託すること	ラベル付けだけでなく、仕様設計、作業者教育、検品まで含めて任せられる場合が多い。
費用はどう決まる？	単価×件数に管理費と検品費が加わる	手法・難易度・専門性・品質水準の4要素で単価が動く。管理費は契約額の1〜2割が目安。
依頼先はどう選ぶ？	機密性・コスト・専門性の優先順で決まる	国内オンサイト、オフショア、クラウドソーシング、ツール型で得意領域が異なる。
外注しても失敗する原因は？	発注側の仕様が固まっていない	判断基準が曖昧なまま渡すと、作業者ごとに解釈が分かれ品質がばらつく。

この記事でわかること

• アノテーション代行に依頼できる作業の範囲と、内製が続かない理由
• 費用が決まる仕組みと、手法別の単価の目安・見積もりで確認する項目
• 依頼先4タイプの特徴と、機密性やコストに応じた選び分け
• 品質を落とさないために発注側が準備する5つのこと
• 個人情報や成果物の権利など、契約前に押さえる法令上の確認事項

AI開発やデータ整備の進め方を、支援内容とあわせて資料にまとめています。 ＞＞ 資料請求はこちら

アノテーション代行とは教師データ作成を外部に委託すること

費用や依頼先の話に入る前に、この作業が何で、どこまでを外部に任せられるのかを整理しておきます。範囲の認識がずれたまま見積もりを取ると、比較ができません。

ここではアノテーションの役割、代行に含まれる作業、そして内製が続かなくなる理由を順に見ていきます。

アノテーションはAIの正解を人が定義する作業

アノテーションとは、AIに学習させるデータに、人が正解となるラベルや属性情報を付ける作業です。画像に写っている対象を四角い枠で囲んで「歩行者」と付ける、文章に「クレーム」「問い合わせ」といった分類を付ける、といった作業がこれにあたります。

こうして作られたデータを教師データと呼び、機械学習モデルはこれをもとに判断の基準を学びます。

モデルの精度は、教師データの品質を超えられません。アルゴリズムをいくら調整しても、そもそも正解が誤っていたり、基準がぶれていたりすれば、その分だけ精度の上限が下がります。

代行に依頼できる作業の範囲

代行と聞くとラベル付け作業だけを想像しがちですが、実際に任せられる範囲はもう少し広くなります。

• アノテーション仕様の設計支援：どの粒度で何を付けるかの検討
• ツールの選定と作業環境の構築
• 作業者の教育と、判断基準のすり合わせ
• ラベル付け作業そのもの
• 検品と品質評価、不良データの差し戻し
• データの収集や前処理（対応可否は委託先による）

どこまでを依頼範囲に含めるかで、見積もり金額は大きく変わります。仕様設計と検品を自社で行うのか、まとめて任せるのかを先に決めておくと、複数社の比較が成立します。

内製が続かなくなる3つの理由

最初は社内で始めたものの、途中で外注に切り替える判断をする企業は少なくありません。理由は大きく3つに整理できます。

1つ目は工数です。数万件規模になると、片手間の作業では終わりません。エンジニアがラベル付けに時間を取られ、モデルの改善が止まります。

2つ目は品質のばらつきです。担当者が複数いると、判断に迷うデータの扱いが分かれます。基準を文書化し、教育し、検品する仕組みまで自前で作る負担は小さくありません。

3つ目は継続性です。モデルの改善はデータを追加しながら繰り返す作業であり、一度作って終わりではありません。その都度リソースを確保できる体制が社内にないと、改善が止まります。

外注で得られる効果と、判断を誤ったときの損失

外注の効果は工数の削減だけではありません。一方で、選び方を誤ると費用をかけたのに使えないデータが納品される事態も起こります。

ここでは得られる効果と、失敗した場合の損失を対にして整理します。

立ち上げが早くなり、検証のサイクルが回る

社内で体制を組む場合、作業者の確保、ツールの選定、教育に数週間から数か月かかります。代行会社はこの体制をすでに持っているため、仕様が固まっていれば短期間で着手できます。

AI開発では、早く小さく試して結果を見る進め方が効きます。データ作成の立ち上げが遅いと、その検証自体が始まりません。

品質のばらつきが減り、精度の上限が上がる

経験のある代行会社は、複数人が同じデータにラベルを付けて一致率を確認する、専任の検品担当を置くといった品質管理の仕組みを持っています。

こうした仕組みは、社内で一から作ると相応の工数がかかります。外注の価値は人手の代替ではなく、品質を保つ仕組みごと利用できる点にあります。

開発担当者が本来の業務に戻れる

ラベル付けから解放されると、エンジニアはモデルの設計、評価、改善に時間を使えます。人件費の観点でも、専門職の時間を単純作業に充てるのは効率が悪い配分です。

ただし、発注側が完全に手を離せるわけではありません。仕様の決定と最終的な品質判断は、モデルを作る側にしかできない仕事として残ります。

安さだけで選んだ場合に起きること

単価の安さで委託先を決めると、次のような形で費用が戻ってきます。

• 検品してみるとラベルの誤りが多く、社内で修正することになる
• 基準の解釈が分かれ、データセット全体に一貫性がない
• 再作業を依頼しても、仕様の解釈違いを理由に追加費用が発生する
• 納品されたデータで学習しても精度が上がらず、原因の切り分けに時間を取られる

修正に社内工数がかかった時点で、外注した意味は薄れます。単価ではなく、検品体制と品質基準を比較の軸にしてください。

どこまでを外部に任せ、どこを社内に残すべきか。現状を伺ったうえで整理をお手伝いします。 ＞＞ 相談予約はこちら

費用相場と価格が決まる仕組み

アノテーションの費用は、単純な一律料金では決まりません。同じ画像1枚でも、何を付けるかによって工数が数倍変わるためです。

ここでは価格の構成、手法別の目安、単価を動かす要素、そして見積もり時の確認項目を整理します。

費用は「単価×件数」だけでは決まらない

見積書に現れる費目は、大きく次のように分かれます。作業単価に件数を掛けた金額だけを見て比較すると、後から差が出ます。

• 作業費：単価×件数。データの種類と手法で決まる
• 検品・品質保証費：二重付与や監査を行う場合に加算される
• プロジェクト管理費：進行管理や仕様調整の費用。契約額の1〜2割が目安
• ツール利用費：専用ツールを使う場合の期間課金
• 環境構築費：セキュリティ要件に応じた作業環境の準備費

作業費とQA費は件数に比例し、管理費とツール費は期間と体制で決まります。この違いを理解しておくと、件数を増やしたときの費用の伸び方を予測できます。

手法別の単価の目安

市場で公開されている参考値をまとめると、おおよそ次の水準になります。あくまで目安であり、実際の金額は要件によって大きく変動します。

手法	単価の目安	変動する条件
画像分類	1件あたり数円〜	分類の選択肢数、判断の難しさ
バウンディングボックス（矩形）	対象物1つあたり10円前後	1枚あたりの対象物数、対象物の大きさ
ポリゴン（多角形）	対象物1つあたり20〜50円程度	頂点数、形状の複雑さ
セグメンテーション	画像1枚あたり100〜300円程度	対象物の数と輪郭の複雑さ
テキスト分類・タグ付け	1文あたり数十円〜	文章量、専門知識の要否
音声書き起こし	1分あたり数百円〜	話者数、音質、整文の有無

矩形から多角形に変えるだけで単価が数倍になるのは、値付けの問題ではなく作業量の問題です。セグメンテーションでは、対象物が多く形状が複雑な画像で1枚1,000円を超えることもあります。

3D点群データや動画のように、データ量と仕様の複雑さが同時に増える種別では、作業単価に加えて処理環境の費用も見込んでおく必要があります。

単価を左右する4つの要素

同じ手法でも金額が変わる理由は、次の4点に整理できます。

1つ目はデータ種別です。テキストの分類は、画像のセグメンテーションより一般に低単価になります。

2つ目は作業難易度です。対象物の数が読めない、遮蔽が多い、動画で対象が速く動くといった条件は工数を押し上げます。

3つ目は専門領域です。医療画像、法務文書、設備の異常判定など、資格や業務知識が必要な領域では作業者の確保自体が難しくなります。

4つ目は品質水準です。2名以上が同じデータにラベルを付けて一致を確認する方式や、第三者による監査を入れる場合、その分が単価に上乗せされます。必要な精度に応じて選ぶ項目であり、高ければよいものではありません。

見積もりで確認する項目

複数社から見積もりを取る際は、次の点をそろえて依頼すると比較できる形になります。

• 依頼範囲（仕様設計・作業・検品のどこまでか）
• 品質基準（一致率や誤り率の目標値）
• 検品の方法と、不良が出た場合の再作業の扱い
• 納品形式とデータの受け渡し方法
• 仕様変更が発生した場合の費用の考え方
• 最低発注量と、追加発注時の単価

特に再作業の扱いは、契約前に文書で確認してください。品質基準が数値で決まっていないと、どちらの責任かの判断ができなくなります。

依頼先のタイプと選び分け

アノテーション代行を提供する事業者は、作業体制によっていくつかのタイプに分かれます。得意な領域とコスト構造が異なるため、案件の性質に応じて選びます。

ここでは代表的な4タイプの特徴を整理します。

国内オンサイト型｜機密性の高いデータ向け

国内の管理された環境に作業者を集め、社内で作業を完結させる形態です。物理的に隔離された作業室、端末の制御、持ち出しの禁止といった対策を取れます。

医療データ、個人が特定できる映像、未公開の製品情報などを扱う場合の選択肢になります。

単価は他のタイプより高くなりますが、情報漏えいが起きた場合の損失と比べて判断すべき項目です。セキュリティ要件が厳しい案件では、実質的にこの選択肢に絞られます。

オフショア型｜大量データをコスト効率よく処理する

海外の拠点に専属チームを置いて作業する形態です。人件費の差により、同じ品質でも単価を抑えられます。

大量のデータを扱う案件や、継続的にデータを追加していく開発と相性がよい形態です。

確認すべきは、日本語で仕様を伝えられる体制があるかどうかです。プロジェクト管理者が日本人であるか、仕様の解釈を確認する窓口があるかで、手戻りの量が変わります。

クラウドソーシング型｜単純作業を短期間で大量にさばく

プラットフォームを通じて不特定多数の作業者に発注する形態です。作業者の数を短期間で確保でき、単価も低く抑えられます。

判断基準が明確で、専門知識を必要としない作業に向いています。逆に、迷いが生じる作業では品質のばらつきが大きくなります。

機密データには適しません。誰が作業したかを特定しにくく、作業環境も管理できないためです。

ツール・プラットフォーム型｜内製と外注を組み合わせる

アノテーション用のツールやプラットフォームを提供し、作業リソースもあわせて選べる形態です。自社の担当者と外部の作業者が同じ環境で作業できます。

仕様を細かく制御したい場合や、判断が難しいデータだけ社内で処理したい場合に適しています。データが手元の環境に残るため、資産として蓄積しやすい形でもあります。

一方で、進行管理と品質管理は自社が担うことになります。丸ごと任せたい場合には向きません。

4タイプの比較

判断材料として整理すると次のようになります。

タイプ	強み	向いている案件
国内オンサイト型	セキュリティ、専門領域への対応	機密データ、医療・金融など規制のある領域
オフショア型	コスト効率、大量処理	件数が多い、継続的にデータを追加する
クラウドソーシング型	スピード、低単価	判断基準が明確な単純作業、公開データ
ツール型	仕様の制御、データの内製化	内外の作業を併用する、資産化したい

選定の順序は、まず機密性の要件で候補を絞り、その中でコストと専門性を比べる形が確実です。コストから入ると、後からセキュリティ要件で選び直すことになります。

AI開発の要件整理からデータ整備まで、上流工程を伴走して支援しています。 ＞＞ 相談予約はこちら

品質を落とさないために発注側が準備する5つのこと

アノテーション代行で最も多い失敗は、委託先の技量ではなく、発注側の準備不足に起因します。基準が決まっていないものは、誰が作業しても揃いません。

ここでは、発注前と発注後に押さえておく5点を挙げます。

準備1｜アノテーション仕様書を先に作る

何を対象とし、どのラベルを付け、どこまでを含めるかを文書にします。「車」というラベル1つでも、トラックを含むのか、画像の端で半分しか写っていない車を対象にするのかで結果が変わります。

仕様書には、ラベルの定義、対象に含める条件、対象外とする条件、そして具体例を入れます。文章だけでなく、実際の画像やテキストに正解例を付けた見本を添えてください。

この作業自体を委託先に支援してもらう選択肢もあります。ただし最終的な判断は、モデルを作る側が行う必要があります。

準備2｜判断に迷う例をあらかじめ集める

実データを100件ほど自分でラベル付けしてみると、迷う場面が必ず出てきます。この迷いこそが、作業者ごとのばらつきを生む箇所です。

遮蔽されている対象、境界が曖昧な領域、複数の解釈ができるテキスト。こうした事例を集めて、それぞれの扱いを仕様書に明記します。

想定できなかったケースは作業中にも出てきます。質問を受け付けて回答を仕様書に追記する流れを、最初から組み込んでおきます。

準備3｜品質指標を数値で決める

「高品質でお願いします」では検収の基準になりません。何をもって合格とするかを数値で決めます。

使われる指標には、抽出した標本の誤り率、複数人が同じデータに付けたラベルの一致率などがあります。目標値は用途から逆算して決めてください。要求が高いほど費用も上がるため、必要以上の水準は避けます。

基準を満たさなかった場合の再作業の範囲と費用負担も、あわせて決めておきます。

準備4｜少量のトライアルで検証する

全量を一括で発注する前に、100件から500件程度の試行を依頼します。ここで仕様の穴と、委託先との認識のずれが見つかります。

トライアルの結果は、納品されたデータを自分で確認します。誤りの傾向を見れば、仕様書のどこが伝わっていないかが分かります。

可能であれば、この段階のデータで実際にモデルを学習させてみます。精度の傾向が見えれば、本発注の判断材料になります。

準備5｜フィードバックの流れを作る

発注後も、定期的に納品分を確認し、誤りの傾向を委託先に返します。まとめて最後に指摘すると、修正量が膨らみます。

週次で一定量を抽出して確認する、質問への回答を24時間以内に返す、といった運用を決めておきます。回答が遅れると作業が止まるか、独自の解釈で進んでしまいます。

契約・セキュリティ・法令で押さえる4つの点

アノテーションで扱うデータには、個人が写った映像、顧客の問い合わせ内容、社外秘の図面といった情報が含まれることがあります。作業内容が単純でも、法令上の責任は軽くなりません。

ここでは契約前に確認しておく4点を挙げます。

個人情報を含む場合の委託元の責任

個人データの取扱いを外部に委託する場合、個人情報保護法上、委託元には委託先に対して必要かつ適切な監督を行う義務があります。委託したからといって責任が移るわけではありません。

安全管理措置の内容や監督の考え方は、個人情報保護委員会が法令や指針として公開しています。自社のデータが該当するかを判断する際の一次情報になります。

顔が写った画像、音声、氏名を含むテキストは、想定より広く個人情報に該当し得ます。匿名化や加工で対象から外せるかを、発注前に検討してください。

データと成果物の権利関係を決める

提供したデータ、作成された教師データ、そこから学習したモデルについて、誰がどこまで利用できるのかを契約で定めます。ここが曖昧だと、後から二次利用の可否でもめます。

経済産業省は「AI・データの利用に関する契約ガイドライン」を公開しており、データの提供や利用に関する契約の論点と条項例が整理されています。契約書を作る際の参照先として使えます。

特に確認したいのが、委託先が作業データを自社の実績や学習に使えるかどうかです。制限が必要な場合は、契約に明記しておきます。

再委託と作業環境を確認する

委託先がさらに別の事業者へ再委託していないかを確認します。再委託を認める場合も、事前承諾を必要とする条項を入れておきます。

認証の取得状況だけでなく、実際の作業環境まで踏み込んで確認してください。在宅作業を認めているか、私物端末を使っていないか、作業室に持ち込み制限があるかで、実質的なリスクは大きく変わります。

契約形態と検収基準をそろえる

成果物の完成に対して対価を払う請負契約か、作業の遂行に対して払う準委任契約かを決めます。品質基準が数値で定まっているなら請負、仕様を調整しながら進めるなら準委任が馴染みます。

検収の基準は、準備3で決めた品質指標とそろえてください。契約書の基準と実際の確認方法が違うと、検収の場で議論が起こります。

AI開発の体制づくりや委託先の見極め方について、資料でご確認いただけます。 ＞＞ 資料請求はこちら

失敗しやすい4つのパターン

アノテーション代行がうまくいかなかった事例には、繰り返し現れる型があります。着手前に知っておけば避けられるものばかりです。

ここでは4つのパターンと対処を挙げます。

仕様が曖昧なまま発注する

最も多い失敗です。ラベルの一覧だけを渡し、判断基準は「常識的に」と伝える。この状態では、作業者の解釈がそのまま結果になります。

曖昧さは委託先では解消できません。自分でラベル付けしてみて迷った箇所を、すべて仕様書に落としてから発注してください。

全量を一括で発注する

数万件をまとめて発注し、納品されてから誤りに気づく。修正が必要になっても、全量を作り直す時間も費用もありません。

必ず試行を挟み、仕様が機能することを確認してから本発注に進みます。まとめて発注すると単価は下がりますが、やり直しの費用と比べれば安い保険です。

検品を委託先任せにする

委託先の検品体制を信頼するのは前提として、発注側も抽出確認は行います。仕様の解釈が合っているかは、仕様を作った側にしか判定できません。

委託先の検品は「仕様どおりか」を見る作業であり、「仕様が正しいか」は見ていません。この2つは別の確認です。

精度が出ない原因をデータだけに求める

モデルの精度が上がらないとき、データ品質が原因のこともあれば、データ量の不足、偏り、モデル設計の問題のこともあります。

アノテーションを作り直す前に、どこがボトルネックかを切り分けてください。誤りの多いデータを除外して学習し直す、データの分布を確認するといった検証で、原因の見当がつきます。

生成AIと組み合わせて工数を下げる

近年は、アノテーション作業の一部をAIに任せ、人が確認と修正を行う進め方が広がっています。全量を人手で処理する前提を見直すと、費用と期間の両方を圧縮できます。

ここでは3つの使い方と、任せてはいけない範囲を整理します。

一次ラベルをAIに付けさせて人が修正する

既存のモデルや生成AIに、まず候補となるラベルを付けさせます。人の作業は、ゼロから付ける作業から、出てきた結果を確認して直す作業に変わります。

確認と修正は、ゼロから付けるより短時間で終わります。対象が明確な画像分類や、定型的なテキスト分類で効果が出やすい方法です。

ただし、AIの誤りに引きずられて人の確認が甘くなる傾向があります。抽出して精度を測る仕組みは、この方式でも必要です。

判断が割れたデータだけ人に回す

AIが高い確信度で判定できたデータはそのまま採用し、確信度の低いデータだけを人の確認に回す方法です。人手をかける対象を絞り込めます。

この方式では、確信度のしきい値をどこに置くかが設計項目になります。少量のデータで、しきい値ごとの誤り率を確認してから決めます。

仕様書の作成と点検に使う

仕様書の草案作成にも使えます。ラベルの定義と数件の例を渡し、判断に迷いそうなケースを列挙させると、自分では気づかなかった観点が出てきます。

書き上げた仕様書を渡して、「定義が曖昧な項目を指摘する」「相互に矛盾する記述を挙げる」といった点検を依頼する使い方も有効です。

AIに任せてはいけない範囲

正解の定義そのものは人が決めます。何を対象とし、どこで線を引くかは、そのAIを何に使うかによって決まる判断であり、業務を理解している人にしか決められません。

最終的な品質判定も同様です。AIが付けたラベルをAIが検品する構成にすると、誤りの傾向が同じ方向に偏り、検出できなくなります。

また、データを外部サービスに入力してよいかは、契約と社内規程で事前に確認が必要です。入力内容が学習に使われない契約かどうかもあわせて確認してください。

業務でのAI活用を広く整理した内容は、業務効率化アイデア55選｜部門別30＋AI15＋明日から3つで成果を出す方法でも紹介しています。他のコラム記事はネクストスケールのブログ一覧からご覧いただけます。

まとめ

アノテーション代行は、教師データの作成を外部に委託する仕組みです。依頼できる範囲は作業そのものだけでなく、仕様設計、作業者教育、検品まで及びます。

費用は作業費、検品費、管理費、ツール費で構成され、手法によって単価は大きく変わります。矩形から多角形に変えるだけで数倍になるのは、作業量が実際に増えるためです。

依頼先は、国内オンサイト、オフショア、クラウドソーシング、ツール型の4タイプに整理できます。選定は機密性の要件で候補を絞り、そのうえでコストと専門性を比べる順序が確実です。

そして成否を分けるのは、発注側の準備です。仕様書を作り、迷う例を集め、品質指標を数値で決め、少量で試行し、フィードバックの流れを作る。この5点が整っていれば、委託先の力を引き出せます。

個人情報の取扱い、データと成果物の権利、再委託の可否は、契約前に確認してください。作業が単純でも、法令上の責任は発注側に残ります。

AI開発のどこから着手し、どこを外部に任せるべきか。現状を伺ったうえで、具体的な進め方をご提案します。 ＞＞ 相談予約はこちら