Azure AI Foundryとは？主要機能・料金から具体的な活用事例まで徹底解説

Microsoft Foundry（旧Azure AI Foundry、さらに前身は Azure AI Studio）は、マイクロソフトが提供するAI開発プラットフォームです。Microsoft Learnの公式ページでは、AIエージェント・モデル・アプリを構築するためのプラットフォームで、トレーシング、モニタリング、評価などのエンタープライズ向け機能を備えると説明されています。

公式の料金ページは、Foundryの料金をモデル、Agent Service、Foundry Toolsなど製品ごとに案内しており、ポータル自体の利用料については明記していません。入力データは、公式のデータプライバシーのページで、他の顧客やモデル提供元に提供されず、許可なく基盤モデルの学習に使われないと説明されています（対象範囲の詳細はFAQを参照してください）。

Microsoft Foundryとは？次世代AI開発プラットフォームの概要

Microsoft Foundryは、マイクロソフトがクラウド基盤「Microsoft Azure」上で提供する、生成AIアプリケーションおよびAIエージェントの設計・構築・運用を一元化する開発プラットフォームです。企業内の開発者、データサイエンティスト、IT管理者が共通のワークスペースを利用し、大規模言語モデル（LLM）の選定からカスタマイズ、本番環境へのデプロイ、稼働後の監視までを単一の環境で完結できます。

企業システムにAIを組み込む際、従来はモデルのAPI連携、社内データベースの接続、セキュリティ設定などを個別のツールで管理する必要がありました。Microsoft Foundryはこれらのプロセスを統合し、プロトタイプの検証から大規模な商用運用への移行を共通の基盤上で進める仕組みを提供します。

マイクロソフトが提供する統合されたAI開発環境

Microsoft Foundryは、ブラウザから操作できるWebポータルと、コードベースの開発環境（SDKおよびCLI）の双方を提供し、開発手法に応じた柔軟なアクセスを可能にしています。従来は個別に契約・構成していたAzure上のAI関連サービスが1つのインターフェースに集約されており、開発チームがインフラの複雑な初期構築に時間を割くことなくAIの実装と精度向上に集中できる環境が整えられています。

プラットフォーム内では、主に以下の要素が統合されて機能します。

この統合環境により、開発者はWebポータル上でモデルの挙動をテストしたうえで、コードエディタでアプリケーションの実装を進められます。なお、「ハブ」の下に「プロジェクト」を置く2階層の構成は旧来のハブ型プロジェクトのもので、新しいFoundryプロジェクトでの管理方法は今回公式で確認していません。以下のガバナンスに関する記述は、プロジェクトの種別によって異なる可能性があります。

旧Azure AI Studioからの進化とリブランディングの背景

Microsoft Foundryは、「Azure AI Studio」から2024年11月に「Azure AI Foundry」へ改称され、さらに2025年11月に「Microsoft Foundry」へ改称されました（改称時期は第三者の調査会社Directions on Microsoftの記事による。Microsoft Learnのブランド表には「Azure AI Studio / Azure AI Foundry → Microsoft Foundry」と記載があり、改称日はLearnの当該ページにはありません）。あわせて、旧Azure AI Servicesは「Foundry Tools」へ改称されたとするMicrosoft 365管理センターの通知（AZ526132）もあります。

改称の理由を述べた公式の説明は確認できていません。Learnの公式ページは、Microsoft Foundryがエージェント・モデル・ツールを1つの管理単位に統合し、トレーシング、モニタリング、評価、エンタープライズ向けの構成機能を備えると説明しています。名称の変遷は以下のとおりです。

従来のハブ型プロジェクトは、公式によると「Foundry (classic)」ポータルで利用できますが、新規の投資は新しいFoundryプロジェクトに集中するとされています。既存の資産を移行する手順や影響は、公式の移行ガイドで確認してください。

Microsoft Foundryが備える5つの主要機能

Microsoft Foundryは、生成AIアプリケーションの企画、モデルの選定、プロトタイプの構築、テスト、本番環境へのデプロイ、そして運用後の監視までを一貫して実行できるプラットフォームです。ここでは、開発プロジェクトの各工程を支える5つの主要機能について具体的に解説します。

多様な基盤モデルを探せるモデルカタログ

モデルカタログは、Microsoftや提携パートナー、オープンソースコミュニティなどが提供する多数のモデルを検索・比較・検証できる機能です。公式ページでは、Microsoft、OpenAI、Anthropic、Metaなどの「1万種類以上のモデル」にアクセスできると説明されています。開発者は、解決したい課題や推論速度、ライセンス条件などで要件に合うモデルを絞り込めます。

カタログ内の各モデルには、学習データの特性、対応言語、コンテキストウィンドウのサイズ、制限事項などを記載した「モデルカード」が用意されています。さらに、業界標準のベンチマークスコア（精度、推論レイテンシ、スループットなど）を同じ基準で横並び比較できるため、自社のユースケースに最適なモデルを客観的な指標に基づいて選定可能です。選定したモデルは、プレイグラウンド上で即座にプロンプトを入力して挙動をテストできます。

Azure OpenAI Serviceやオープンソースモデルの統合

モデルカタログには、商用の最先端モデルから特定用途に特化した軽量なオープンソースモデルまでが幅広く統合されており、単一のインターフェースからAPI経由で呼び出すことができます。提供されている主なモデルのカテゴリは以下の通りです。

モデルカタログの活用により、開発チームはプロバイダーごとに個別の契約や異なる認証基盤を構築する手間を省き、タスクの難易度に応じて大型モデルと小規模言語モデル（SLM）を柔軟に使い分けるアーキテクチャを設計できます。

プロンプトエンジニアリングとRAG構築機能

生成AIの出力精度を高める機能として、プロンプトの設計・管理を行う「Prompt Flow」と、外部データを参照させるRAG（検索拡張生成）の構築ツールが提供されてきました。ただし、Microsoftの通知（2026年4月27日付）によると、Prompt Flowは2027年4月20日にMicrosoft FoundryとAzure Machine Learningから廃止される予定で、後継は「Microsoft Agent Framework」とされています。新規に採用する場合は注意してください。

Prompt Flowは、LLM、プロンプト、Pythonコード、外部APIの呼び出しなどを視覚的なグラフとして連結し、処理のパイプラインを構築できるオーケストレーション機能です。開発者は複数のプロンプトバリアントを作成し、出力結果の違いを比較検証できます。

自社独自のデータをAIに参照させるRAGを構築する場合は、Azure AI Searchとの連携が候補になります。一般的なRAGの処理の流れは以下のとおりです（画面上のウィザードでどこまで自動化できるかは、今回公式で確認していません）。

データパイプラインの構築を効率化し、最新データを反映したグラウンディング（根拠に基づく回答生成）の仕組みを実装しやすくなります。

自律型AIを構築するエージェント開発機能

与えられた目標に対して自ら計画を立て、必要なツールを選択・実行する自律型AIを構築するための機能が「Foundry Agent Service」（旧Foundry Agent Service）です。公式ページには、ポータルまたはSDKで宣言型のプロンプトエージェントや音声ベースのプロンプトエージェントを作成できること、自分のコードを実行する「ホスト型エージェント」をデプロイできることが記載されています。なお、旧来の「Agents (classic)」は2027年3月31日に廃止予定とされています。

オーケストレーションの手段としては、Prompt Flowの廃止告知で「Microsoft Agent Framework」が案内されています。スレッド管理やリトライ処理の詳細、Semantic KernelやAutoGenとの統合状況は、今回公式で確認していません。

エージェントには、以下のような外部ツールやアクションを標準機能として組み込むことが可能です。

これにより、「データの抽出から分析、レポート作成、担当者への通知」といった一連の業務プロセスを自動完結させる仕組みを実装できます。

開発効率を最大化するSDKとVisual Studio Code連携

Webポータルだけでなく、専用のSDKとVisual Studio Code向けの拡張機能が提供されています。

Microsoft Learnの公式ページには、Foundryでの開発言語として「Python、C#、JavaScript、Java」が挙げられています。モデルを切り替える際のコード変更の範囲は、モデルやデプロイ方式によって異なる可能性があるため、移行前に動作を確認してください。

Visual Studio Code向けには、「Foundry Toolkit for Visual Studio Code」がホスト型エージェントのサポートを含めて2026年4月にGAとなったと、Microsoft 365管理センターの通知（AZ560987）に記載されています（第三者の記事ではAI Toolkitという名称で紹介されており、両者の関係は要確認）。モデルのデプロイやCI/CD連携など、個別機能の詳細は今回公式で確認していません。

AIの品質と安全性を担保する評価および監視ツール

生成AIをビジネス環境で安全に稼働させるため、リリース前の「評価（Evaluation）」と、リリース後の「監視（Monitoring）」および「安全性の制御（Safety）」を担うツール群が統合されています。

開発段階の評価機能では、テスト用のデータセットを一括で流し込み、生成された回答の品質をAI自身が採点する「AI支援評価（LLM-as-a-judge）」を実行できます。また、不適切な入出力をブロックする「Azure AI Content Safety」が組み込まれており、企業のコンプライアンス基準に応じたガードレールを設定可能です。設定・計測できる主な項目は以下の通りです。

これらの機能により、定量的なデータに基づいてプロンプトやモデルの改善サイクルを回せます。なお、品質メトリクスの名称や、Azure MonitorおよびApplication Insightsとの連携の詳細は、今回公式で確認していません。

Microsoft Foundryの料金体系とコスト計算のポイント

Microsoft Foundryのコストは、「AIモデルの推論・学習にかかる費用」と「周辺インフラストラクチャの維持費用」の合算で決まります。事前に全体の料金構造を把握しておくことで、開発フェーズから本番運用への移行時における予算超過を防げます。

基本プラットフォーム利用料と従量課金制の仕組み

公式の料金ページは、Foundryの料金をモデル、Agent Service、Foundry Tools、Azure Machine Learningなど製品ごとに案内しており、ポータルの利用そのものに対する料金は明記していません。ハブ型プロジェクトの公式ページでも、ハブは複数のAzureサービスで構成され、それらのサービスの利用分が課金されると説明されています。課金は、実際に使ったモデルやエージェント、周辺リソースの分が基本と考えられます。

具体的な請求金額を見積もる際は、マイクロソフト公式のAzure 料金計算ツールを用いて、利用予定のリージョンや通貨単位に合わせたシミュレーションが可能です。

モデルのデプロイ方式による料金の違い

モデルカタログから選択したAIモデルを実環境に展開（デプロイ）する際、選択する提供方式によって課金単位が異なります。代表的なデプロイ方式の比較は以下の通りです。

標準デプロイ（Pay-as-you-go）の費用感

標準デプロイ（サーバーレスAPIおよびModel-as-a-Service）では、AIモデルに入力したプロンプトと、生成された回答の文字量（トークン数）に基づいて費用が算出されます。通常、1,000トークンまたは100万トークンあたりの単価がモデルごとに設定されており、モデルによっては入力トークンより出力トークンの単価が高く設定されています。

初期費用や最低利用期間の縛りがないため、小規模なテスト開発や、夜間・休日にアクセスが減る業務システムにおいてコストを最小限に抑えられます。一方で、長文のドキュメントを頻繁に読み込ませる処理や、画像・音声を含むマルチモーダル処理を行うとトークン消費量が急増するため、上限アラートの設定といった予算管理が必要です。モデル別の正確な単価はAzure OpenAI Service の料金ページで確認できます。

プロビジョンドスループット（PTU）の費用感

プロビジョンドスループット（PTU：Provisioned Throughput Units）は、一定量のモデル処理能力を専用枠として確保する契約形態です。公式ページによると、すべてのプロビジョンドのデプロイは、トークン消費量に関係なく、デプロイしたPTU数に応じた1時間あたりの単価で課金され、デプロイを作成してから削除するまで課金が続きます。1か月または1年のAzure Reservationsを購入すると割引が適用されますが、予約は容量を保証しません。デプロイを作成して容量を確認してから予約するよう案内されています。

公式ページでは、PTUのクォータは特定のモデルに紐づかず、対応するモデルに使い回せること、モデルごとに最小PTU数があること、リージョンの容量が不足しているとデプロイが失敗することも説明されています。応答速度については「モデルごとに定められたレイテンシ目標」とされています。初期の費用負担が大きくなるため、標準デプロイで実際のトラフィック量と必要な処理能力を測定したうえで検討するのが現実的です。

関連するAzureリソースのインフラストラクチャ費用

ハブ型プロジェクトの公式ページ（Foundry classic。新しいFoundryプロジェクトには当てはまらない旨の注記あり）によると、ハブを作成すると周辺のAzureリソースも作成され、モデルの利用料とは別に、以下のような費用が発生します。

公式ページには、コンピューティングインスタンスは停止状態でもP10ディスクの費用がかかり、インスタンスごとにロードバランサーが1日単位で課金されると記載されています（停止ではなく削除が必要）。また、ハブを削除しても、Container Registry、Blob Storage、Key Vault、Application Insightsは自動では削除されず、課金が続くため個別の削除が必要です。検証が終わったら、これらのリソースの整理を運用ルールにしてください。

Microsoft Foundryの具体的な活用事例とユースケース

Microsoft Foundryは、単一の大規模言語モデルを呼び出すだけの環境ではなく、検索システムや外部API、複数のAIモデルを組み合わせて実務システムを構築するためのプラットフォームです。以下では、よく検討されると考えられる3つの活用イメージを紹介します（公式の導入事例ではなく、一般的な構成例です）。

社内データを連携させた高度なナレッジ検索システム

社内に散在する就業規則、製品マニュアル、過去の稟議書や障害報告書などを統合し、従業員が自然言語で質問できるナレッジ検索システムは、よく検討されるユースケースです。汎用的なAIモデル単体では自社固有の非公開データについて回答できませんが、Microsoft FoundryでRAG（検索拡張生成）アーキテクチャを構築することで、社内の最新ドキュメントを根拠とした正確な回答生成が可能になります。

システム構築にあたっては、SharePointやAzure Blob Storageに格納されたPDF、Word、Excelなどの非構造化データを、Azure AI Searchと連携させてインデックス化（検索可能な状態へ変換）します。その際、キーワード一致による検索と、文脈の意味的な近さを測るベクトル検索を組み合わせた「ハイブリッド検索」および「セマンティックランカー」を適用することで、専門用語や社内略語が含まれる質問に対しても関連性の高い箇所を正確に抽出できます。

この仕組みにより、以下のような業務課題が解決されます。

顧客対応を自動化するマルチモーダルAIチャットボット

テキストだけでなく、画像や音声を同時に処理できるマルチモーダルモデル（GPT-4oなど）と音声認識・合成サービス（Azure AI Speech）を組み合わせることで、コンタクトセンターやECサイトの顧客窓口を高度化できます。従来のルールベースやテキスト限定のチャットボットでは対応しきれなかった複雑な問い合わせも、一次窓口で完結できるようになります。

たとえば、家電メーカーや住宅設備の保守サポート窓口において、顧客が故障箇所の写真やエラー表示のスマートフォン撮影画像をチャット画面にアップロードしたとします。AIは画像内の製品型番やランプの点滅状態、破損状況を視覚的に認識し、連携している製品データベースから該当する対処法を抽出して案内します。言葉で説明しづらい状況でも、画像を通じて即座に状況を把握できるため、顧客がオペレーターに繋がるまで待機する時間を削減できます。

また、電話窓口においては、顧客の発話をリアルタイムでテキスト化してAIが意図を解析し、オペレーターの画面に回答候補や関連マニュアルを自動表示する「オペレーター支援システム」として機能します。通話終了後には、対話全体の要約と問い合わせカテゴリの分類が自動で行われ、SalesforceやDynamics 365などのCRM（顧客関係管理）システムへそのまま記録されるため、オペレーターの後処理業務（アフターコールワーク）の負担が大幅に軽減されます。一般消費者向けに公開するシステムでは、不適切な発言やプロンプトインジェクション攻撃を防ぐため、入出力の両方にガードレールを適用して安全性を制御します。

複数システムを横断する業務自動化AIエージェント

質問に対して回答を返すだけでなく、AI自らが目標達成に必要な手順を計画し、外部の業務システムを操作してタスクを完遂する「AIエージェント」の構築も、Microsoft Foundryの主要なユースケースです。エージェント機能では、LLMを推論エンジンとして用い、事前に定義したAPIや関数（ツール）を状況に応じて自律的に呼び出します。

複数の社内システムをまたぐ定型業務において、人間が画面を切り替えながら手作業で行っていた転記や確認作業を、AIエージェントが一気通貫で代行します。具体的には、営業事務や調達部門における「受注および在庫手配プロセス」を以下のように自動化できます。

このように、Azure Logic AppsやAzure Functionsで構築された既存の業務コネクタをAIエージェントの「手足」として登録することで、多数のSaaSやオンプレミスデータベースと連携したアクション（連携できる範囲は構成により異なります）が実行可能になります。また、サプライチェーン調査のような複雑な業務では、「市場データを収集するエージェント」「社内コストを計算するエージェント」「レポートを執筆するエージェント」のように役割を分担させたマルチエージェントシステムを構築し、協調動作させることで高度な業務プロセスを自動化できます。なお、金額の大きい発注処理や社外への最終送信など、業務上のリスクが伴うステップには、必ず人間の承認を挟む（Human-in-the-Loop）制御を組み込むことで、実務における統制を維持したまま自動化を推進できます。

Microsoft Foundryを導入するメリット

生成AIを業務システムへ組み込む際、試験導入（PoC）の段階から全社的な本番運用へ移行する過程で、情報漏洩リスクの排除やインフラ運用の複雑化といった課題が生じます。Microsoft Foundryは、マイクロソフトのクラウド基盤と連携し、企業の情報システム部門が求める管理基準と、開発部門が求める迅速な構築環境を単一のプラットフォーム上で両立させます。

エンタープライズレベルのセキュリティとガバナンス

企業が独自の業務データや顧客情報をAIに処理させる場合、通信経路の秘匿化と厳格なアクセス制御が不可欠です。Microsoft Foundryは、既存のAzure環境で運用しているセキュリティポリシーやネットワーク構成をそのままAI開発環境へ適用できる設計になっています。

具体的には、Microsoft Learnのネットワーク構成ドキュメントで解説されている通り、Azure Private Linkや仮想ネットワーク（VNet）統合を用いることで、インターネット網を経由させずに社内システムとAIモデル間でデータを送受信できます。また、ID管理基盤であるMicrosoft Entra ID（旧Azure Active Directory）と連携し、ロールベースのアクセス制御（RBAC）によって開発者やプロジェクトごとに操作権限を細分化できるため、不要なデータアクセスや設定変更を防ぎます。

主なセキュリティ・ガバナンス機能と、それによって実現する運用管理の詳細は以下の通りです。

ガバナンスの仕組みとしては、旧来のハブ型プロジェクトでは、上位の「ハブ」でセキュリティ設定やネットワーク構成を定義し、下位の「プロジェクト」が設定を引き継ぐ構成が使われてきました。新しいFoundryプロジェクトでの具体的な管理の仕組みは、今回公式で確認していません。

インフラ管理の負担軽減と開発サイクルの高速化

独自のAIアプリケーションを構築する場合、通常であればモデルの選定ごとにGPUサーバーの調達、コンテナ環境の構築、APIエンドポイントの負荷分散設定などを個別に実施しなければなりません。Microsoft Foundryを導入することで、これらのインフラ構築や保守にかかる工数を大幅に削減できます。

開発サイクルの短縮に寄与する具体的な仕組みは以下の通りです。

ビジネス要件の変化や新しい基盤モデルの登場に伴い、利用するAIモデルを切り替える場面でもこの設計が機能します。各モデルが共通化されたAPI仕様やSDKを通じて提供されているため、既存のアプリケーション構造を大きく作り直すことなく接続先のモデルを変更し、精度や応答速度の比較検証へ即座に移行できる点が開発現場における実務上の利点です。インフラの調達や環境維持に割いていたエンジニアのリソースを、プロンプトの調整や業務ロジックの実装といった本来のアプリケーション開発業務へ集中させることができます。

よくある質問（FAQ）

Microsoft FoundryとCopilot Studioの違いは何ですか？

Microsoft FoundryとMicrosoft Copilot Studioの最大の違いは、開発対象の柔軟性とターゲットとする開発者のスキルセットにあります。Microsoft Copilot Studioは、ローコード・ノーコードで迅速にチャットボットやMicrosoft 365 Copilotの拡張機能を構築できるツールであり、主に業務部門の担当者や市民開発者向けに設計されています。一方、Microsoft Foundryはプロの開発者やデータサイエンティストを対象としており、SDKやAPIを駆使したフルコードでの高度なカスタマイズ、複数モデルのオーケストレーション、独自の評価パイプラインの構築に対応しています。

それぞれの特徴と用途の違いは以下の通りです。

なお、Copilot Studioの特徴や、両者を連携させる構成が可能かどうかは、今回公式ページで確認できていません（要確認）。上記の比較は一般的な整理としてご覧ください。

Microsoft Foundryに入力したデータはAIの学習に利用されますか？

Microsoftの公式データプライバシーのページ（2026年5月更新）には、「Models sold by Azure」（Azure OpenAIモデルを含む）について、プロンプト、出力、埋め込み、学習データは、他の顧客に提供されず、OpenAIなどの提供元にも提供されず、提供元のモデル改善に使われず、顧客の許可や指示なく生成AIの基盤モデルの学習に使われないと記載されています。

サードパーティモデル（MaaS）については、公式FAQに、モデルはMicrosoftが管理するインフラ上でホストされ、Microsoftがデータプロセッサーとして処理し、プロンプトと出力はモデル提供元と共有されず、Microsoftや提供元、第三者のモデルの学習にも使われないとあります。一方、MaaSでは、顧客の連絡先情報や取引情報（利用量を含む）がモデル提供元に共有される場合があると記載されています。また、Global Standardのデプロイでは、保存データは指定した地域に置かれますが、推論の処理は世界各地のAzureロケーションで行われる場合があります。

不正利用の監視については、自動レビューに加え、人間のレビュアーは、不正の疑いがあるとしてフラグが付けられたデータなどに限って参照するとされています。承認を受けた顧客は、申請により「modified abuse monitoring」（データの保存や人間によるレビューなし）を利用できますが、申請すれば誰でも無効化できるわけではなく、承認が必要です。保持期間（30日とする説明）は、今回確認したページには記載がなく、公式の不正利用監視のページで確認が必要です。

Microsoft Foundryはどのようなプログラミング言語に対応していますか？

Microsoft Learnの公式ページには、Foundryでの開発言語として、次の4つが挙げられています。

各言語のSDKの機能差（どの言語で最も多くの機能が提供されるか）は、今回公式で確認していません。また、LangChainやLlamaIndexなどの外部フレームワークとの互換性も一般に言われていますが、今回は公式での確認を行っていません。

無料枠やトライアル環境でMicrosoft Foundryを試すことは可能ですか？

Azureの無料アカウントには、公式ページで「$200のクレジットを30日以内にAzureサービスで使える」と案内されています。このクレジットでFoundryのモデルをデプロイして試せるか、使えるモデルやクォータに制限があるかは、今回公式で確認していません。

以前は、GitHubアカウントだけで無料で試せる「GitHub Models」が利用できましたが、公式ページによると、GitHub Modelsは2026年7月30日に終了し、プレイグラウンド、モデルカタログ、推論APIは利用できなくなりました。Foundry Modelsの利用料は、選んだデプロイタイプに応じてAzureサブスクリプションに課金され、支払い方法が有効なAzureアカウントが必要と案内されています。

オンプレミス環境のデータとMicrosoft Foundryを連携できますか？

自社のデータセンターや社内サーバー（オンプレミス環境）に保管されている機密データを、クラウド上のMicrosoft Foundryと安全に連携させる仕組みが複数用意されています。代表的な連携アプローチは以下の3つです。

以上は一般的な構成例で、各機能の対応状況は公式ドキュメントで確認してください。これらのネットワーク機能とデータ統合ツールを組み合わせることで、社外秘の顧客情報や財務データをパブリックインターネットに露出させることなく、社内システムに閉じたセキュアな経路でAIによる検索や業務自動化を実現できます。

まとめ

本記事では、マイクロソフトが提供する統合AI開発プラットフォーム「Microsoft Foundry」の機能や料金体系を解説しました。重要なポイントは以下の通りです。

エンタープライズ基準のセキュリティ環境下で、安全に開発を進められます。まずはAzureの無料アカウントを作成し、自社の課題解決に向けたAIのプロトタイプ構築を実践してみましょう。