Ollamaとは？使い方・対応モデル・料金・必要スペック・LM Studioとの違いを解説【2026年最新】

Ollama（オラマ）は、Gemma 4・Qwen・DeepSeek・gpt-oss といったオープンウェイトLLMを、自分のPC上で「1コマンド」で動かすためのオープンソース実行ツールです。 本体はMITライセンスで完全無料、データを外部に送らずオフラインで動作し、2026年7月9日にはシリーズBで6,500万ドルを調達、月間約890万人の開発者に使われるまでに成長しています。

この記事でわかること

• Ollamaの正体と、ChatGPTのようなクラウドAIとの根本的な違い
• 2026年7月時点の最新動向（6,500万ドル調達・890万MAU・最新版v0.32.0）
• 料金プラン（ローカルは無料／Ollama Cloudは$0・$20・$100の3段階）
• 動かすのに必要なVRAM・メモリの目安（7B〜70Bの早見表）
• インストールから ollama run、API連携、ollama launch までの使い方
• 見落とされがちな重大脆弱性（CVE-2026-7482）と、その対策チェックリスト
• LM Studio・llama.cpp・vLLM との選び分け

Ollamaとは：ローカルでLLMを動かすための「LLM版Docker」

出典: Ollama公式サイト

Ollamaは、オープンウェイトのLLMをローカル環境またはOllama Cloud上で実行するランタイム兼CLIツールです。位置づけとしては 「LLMにとってのDocker」 にあたり、ollama pull でモデルを取得し、ollama run で即座に対話を開始できます。

「LLM版Docker」という比喩は的外れではありません。創業者2人はDocker Desktopの原型となったKitematicを作った人物であり、「複雑な環境構築を1コマンドに畳み込む」というDockerの思想を、そのままLLMに持ち込んだのがOllamaです。

Ollamaが掲げる3つの原則

公式ブログでは、Ollamaのコンセプトが次の3点で説明されています。

1. Ownership（所有） — モデルを自分で持ち、自分のマシンで動かす
2. Affordability（低コスト） — トークン従量課金が発生しない
3. Privacy（プライバシー） — ローカル実行のためデータが外部に出ない

創業者はこれを 「AIにとってのパーソナルコンピュータの瞬間（the personal computer moment for AI）」 と表現しています。メインフレーム（＝巨大クラウドAI）から、個人が所有するPC（＝ローカルLLM）へ、という構図です。

ChatGPT・Claudeなどクラウド型AIとの違い

そもそも生成AI全体の仕組みや種類を先に押さえたい場合は、生成AIとは？仕組み・できること・活用事例 を読むと、Ollamaの立ち位置が理解しやすくなります。

2026年7月の最新動向：6,500万ドル調達・890万MAU・Fortune 500の85%

出典: ollama/ollama — GitHub

Ollamaは2026年7月9日、シリーズBで6,500万ドル（約100億円規模）の資金調達を発表しました。

注目すべきは 890万人規模のユーザーをたった14人で支えている点と、Fortune 500の85%に浸透している点です。「個人の実験ツール」ではなく、すでに大企業の開発現場に入り込んでいることを示しています。また公式ブログによれば、Ollama Cloudのトークン処理量は毎月2倍以上のペースで増加しているとのことです。

なお、一部メディアが今回のラウンドを「シリーズA」と報じていますが、公式およびTechCrunchの報道ではシリーズBです（シリーズAは1,500万ドル）。評価額・売上高は公表されていません。

最新版 v0.32.0（2026年7月11日）のポイント

• ollama とだけ打つと対話型エージェントが起動する「Chat, Code, & Work」体験に刷新
• Codex App連携の表記を "ChatGPT" にリネーム
• 直前のバージョン群では、Apple SiliconのMLXエンジンが大幅強化（Gemma 4はマルチトークン予測により、コーディングエージェント利用時に最大約90%高速化）

Ollamaでできること：機能一覧

Ollamaは「モデルを動かすだけ」のツールではありません。既存の開発ツールにそのまま差し込めるAPI互換性が最大の実用価値です。

実務で最もインパクトが大きいのは OpenAI互換API です。すでにOpenAI SDKで書かれた社内ツールがあるなら、ベースURLを http://localhost:11434/v1 に差し替えるだけで、コードを書き換えずにローカルモデルへ切り替えられます。

対応モデル一覧（2026年7月時点）

公式ライブラリ（ollama.com/search）で人気の高いモデルは以下の通りです。Pull数は2026年7月時点のスナップショットで、常に変動します。

Ollamaは OpenAI・NVIDIA・Meta・Google・IBM とのパートナーシップを公表しており、主要モデルの公開直後に対応するケースが増えています。

用途別のモデル選び

公式は「コーディングツールを使う場合は最低64,000トークンのコンテキスト長を推奨」と明記しています。コンテキストが短いモデルをコーディングエージェントに繋ぐと、実用に耐えません。

最多DLの Gemma 4 については Gemma 4の使い方・性能比較・モデルサイズ解説、Qwen系については Qwen 3.7 Maxとは で詳しく解説しています。日本語での精度を重視するなら 国産LLM 7選 徹底比較 も参考になります。

Ollamaの料金：ローカル実行は完全無料

Ollama本体（ローカル実行）は完全無料で、トークン課金は一切ありません。 以下の料金表は、大型モデルをクラウドで動かす「Ollama Cloud」のプランです。

課金の仕組みで押さえるべき3点

1. 課金基準はトークン数ではなくGPU時間 — 一般的なAPIと発想が異なります
2. 上限リセットは2階層 — 5時間ごと（セッション上限）と7日ごと（週次上限）
3. モデルごとに「使用レベル1〜4」 — 重いモデルほど枠を早く消費します

なお Teamプランは2026年7月時点で "Coming soon" であり、まだ提供されていません。 SSOやアクセス制御が必須の組織は、現時点では自前で認証基盤を用意する必要があります。

「無料」の隠れコスト

ローカル実行に課金はありませんが、コストがゼロになるわけではありません。

• 電気代: 日本の一般的な家庭用料金で、1日2時間の利用なら月300〜500円程度、年間5,000円前後が目安（※これは公式値ではなく試算です）
• ハードウェア初期投資: 実質的な最大コスト。快適に動かすにはGPU・メモリへの投資が必要

つまり Ollamaの本当のコストは「最初にどんなマシンを買うか」で決まります。

必要スペック：VRAM早見表

Ollama公式は明確な最低動作要件を公開していません。 以下は第三者の実測・試算に基づく一般的な目安です。

押さえるべき3つの原則

• 概算式: 必要メモリ(GB) ≒ パラメータ数(B) × 2（FP16の場合）
• Q4量子化で約72%削減できる — Ollamaのデフォルトは多くの場合 Q4_K_M で、品質とサイズのバランスが最良とされます
• GPUがない場合、モデル全体がシステムRAMにロードされる — つまりRAM容量が、動かせるモデルサイズを直接決めます

手持ちマシン別の現実的な目安

70B以上を本気でローカル運用したい場合は、NVIDIA RTX Sparkとは（128GB統合メモリ・120Bローカル実行） のような専用ハードウェアも選択肢に入ります。

Ollamaの使い方：インストールから実行まで

Step 1. インストール

公式サイト（ollama.com）から、macOS / Windows / Linux 向けのインストーラをダウンロードします。Linuxはワンライナーのスクリプト、コンテナ環境なら公式Dockerイメージも利用できます。

Step 2. モデルを実行する

# モデルのダウンロードから対話開始まで、これだけ
ollama run gemma4

# モデルの取得だけ先に済ませる
ollama pull qwen3-coder

# 導入済みモデルの一覧
ollama list

初回実行時にモデル（数GB〜数十GB）がダウンロードされ、2回目以降はローカルから即座に起動します。

Step 3. APIとして使う

Ollamaは起動時に http://localhost:11434 でREST APIを自動的に立ち上げます。OpenAI互換なので、既存のOpenAI SDKコードのベースURLを差し替えるだけで動きます。

from openai import OpenAI

client = OpenAI(
    base_url="http://localhost:11434/v1",  # ここを向けるだけ
    api_key="ollama",                       # 任意の文字列でOK
)

response = client.chat.completions.create(
    model="gemma4",
    messages=[{"role": "user", "content": "社内規程を要約して"}],
)

公式のPython / JavaScript ライブラリも提供されています。

Step 4. コーディングエージェントに繋ぐ（ollama launch）

Ollamaの最新機能で、実務インパクトが最も大きいのが ollama launch です。環境変数や設定ファイルをいじらずに、コーディングエージェントをローカルモデルへ接続して起動できます。

# Claude Code をローカルモデルで起動
ollama launch claude

# モデルを指定して起動
ollama launch claude --model glm-4.7-flash

対応エージェントは Claude Code / Codex / OpenCode / Droid。内部で ANTHROPIC_AUTH_TOKEN ANTHROPIC_BASE_URL などを自動設定してくれます。

⚠️ トレードオフ: 「Claude Codeを完全無料・完全プライベートで動かせる」構成として注目されていますが、ローカルモデルの品質はClaude Opus / Sonnet には及びません。 「無料になるが性能は落ちる」という前提で使うべきです。機密コードを外に出せない案件、あるいはオフライン環境での作業には有効です。

コミュニティでの推奨は、RAM 16〜32GBなら qwen2.5-coder:7b、RAM 32GB以上なら devstral-small-2（24B）や qwen3-coder:30b あたりです。

Claude Code そのものの実力や他エージェントとの違いは OpenClaw vs Claude Code 徹底比較、コーディングツール全体の選び方は AIコーディングツール おすすめ9選 で整理しています。

Ollama vs LM Studio：2026年版の比較

出典: LM Studio公式サイト

ローカルLLMツールの二大巨頭がOllamaとLM Studioです。ただし2026年1月にLM Studioがヘッドレスサーバーモード「llmster」を投入したことで、「LM Studio＝GUI専用」という従来の比較前提は崩れています。 最新の比較は以下の通りです。

結局どちらを選ぶべきか

現実的な最適解は「併用」です。 多くの開発者が LM Studioでモデルを探索・お試し → 気に入ったモデルをOllamaで開発に組み込む という使い分けをしています。両者は排他ではなく補完関係にあります。

llama.cpp・vLLM・Jan との位置づけ：カテゴリを間違えないこと

ローカルLLMツール選びで最もよくある失敗が「カテゴリの取り違え」です。

⚠️ 最重要の原則

コンシューマ・ランタイム（Ollama / LM Studio / Jan）は「1マシン1ユーザー」に最適化されています。サーバー・ランタイム（vLLM / LocalAI）は「共有ハードで多人数同時利用」に最適化されています。

このカテゴリを間違えるのが、ローカルLLM導入における最大の失敗パターンです。

• Ollamaを本番のマルチテナント配信に使ってはいけません。 vLLMはPagedAttentionとcontinuous batchingにより、Ollamaの約16〜20倍の同時スループットを出します。メモリ断片化も50%以上削減されます
• 逆に、vLLMをノートPCの実験用に使うのも最悪の選択です。 vLLMはLinux + NVIDIA/AMD GPU が前提で、Windowsネイティブ非対応（WSL2が必要）です

「社内の30人が同時に使う社内AIチャット」をOllama 1台で捌こうとすると、まず間違いなく詰まります。 その用途はvLLMの領域です。Ollamaは「開発者一人ひとりの手元」で真価を発揮するツールだと理解してください。

セキュリティ：Ollamaは安全か？

「ローカルだからデータが漏れない＝安全」は、Ollamaに関しては半分しか正しくありません。

⚠️ CVE-2026-7482「Bleeding Llama」（CVSS 9.1・Critical）

対策は明快です。最新版（v0.32.0）へアップデートしてください。 最低でも 0.17.1 以降が必須です。古いバージョンを放置しているOllamaサーバーは、APIキーや会話履歴を抜かれるリスクを抱えています。

⚠️ インターネットに露出したOllamaサーバー（約17.5万台）

• インターネット全体のスキャンで、約175,000台の露出したOllamaサーバーが確認されています（その多くは意図しない公開）
• デフォルトポート 11434 が固定のため、Shodanのような検索エンジンで自動探索が容易です（Ciscoがケーススタディを公開）
• 中国のCNVDも、設定不備による不正アクセス脆弱性（CNVD-2025-04094）として登録しています

露出すると、第三者が 推論APIを自由に叩く／導入済みモデルを列挙する／GPUリソースを消費してコストを転嫁する／長時間推論でDoSを起こす／内部情報を探る といった行為が可能になります。

⚠️ REST APIには認証機構がない

これは脆弱性というより設計上の前提ですが、極めて重要です。OllamaのREST APIにはネイティブの認証がありません。 「localhostからしか叩かれない」という前提で設計されているため、外部に公開する場合は自分で認証を用意する必要があります。

対策チェックリスト（6項目）

1. ✅ 最新版へアップデートする（最低 0.17.1 以降、推奨は最新の v0.32.0）
2. ✅ OLLAMA_HOST を 0.0.0.0 にしない — デフォルトのlocalhostバインドを維持する
3. ✅ 11434ポートをファイアウォールで閉じる — インターネットに晒さない
4. ✅ 共有が必要なら、認証プロキシ／APIゲートウェイを前段に置く（APIに認証機構がないため）
5. ✅ 自組織のIPが露出していないかShodan等で監査する
6. ✅ 信頼できないGGUFモデルファイルを読み込ませない — Bleeding Llamaの攻撃経路がこれ

⚠️ Ollama Cloudを使うと「ローカルだから安全」は崩れる

見落とされがちですが重要です。Cloud Models（:cloud 付きモデル）を使った瞬間、プロンプトと応答はOllamaのサーバーに送信されます。 リモートの信頼境界を越えるため、「ローカルだから外に出ない」という説明はCloudには当てはまりません。

Ollamaは公式に「クラウドはデータを保持しない（does not retain your data）。プロンプト・応答をログ保存も学習利用もしない」と表明しています。Cloudのリージョンは米国・欧州・シンガポールです。

ただし、技術者コミュニティからは「保持しない＝マシンから出ない、ではない」という指摘もあります。また、専用のプライバシーポリシー詳細ページは現時点で確認できず、契約上の保証範囲は未確認です。機密性の高いデータを扱う場合は、ローカルモデルのみを使う運用に限定するのが安全です。

生成AI全般のセキュリティ設計は 生成AIのセキュリティリスクと対策、コーディング用途に絞ったリスクは AIコーディングのセキュリティリスク で詳しく解説しています。機密データを外に出せない組織のローカル実行事例としては、ガバメントAI「源内」 の考え方も参考になります。

ライセンスと商用利用：「MITだから何でも自由」は誤解

❌「Ollamaが MIT だから、そこで落としたモデルも MIT」は誤りです

Ollamaがオープンソース（MIT）なのは、あくまで実行ツールの部分だけです。ollama pull で取得するモデルには、それぞれ作成者が定めた別のライセンスが適用されます。完全にオープンなもの、商用利用を制限するもの、特定用途を禁止するものが混在しています。

具体例：Meta Llama系
ロイヤリティフリーで利用・改変・再配布が可能ですが、月間アクティブユーザーが7億人を超えるサービスの場合、Metaに別途の商用ライセンス申請が必要で、Metaが承認/拒否を判断します。（Llamaシリーズの詳細は Meta Llama 4 Scoutとは を参照）

業務で使う前に、必ず該当モデルのライセンス条項を読んでください。 「Ollamaで動くから自由に商用利用できる」という理解は危険です。

Ollamaの弱み・できないこと

こんな人におすすめ

おすすめしない人

よくある質問（FAQ）

Q. Ollamaは本当に無料ですか？
ローカル実行は完全無料で、トークン課金もありません。有料になるのは、大型モデルをクラウドで動かす Ollama Cloud（Pro $20/月、Max $100/月）を使う場合だけです。ただし電気代とハードウェア代という「見えないコスト」はかかります。

Q. インターネット接続なしで使えますか？
ローカルモデルなら使えます。ただしモデルの初回ダウンロード時のみ接続が必要です。一度取得すれば、以降はオフラインで動作します。:cloud 付きのクラウドモデルは当然ネット接続が必要です。

Q. GPUがなくても動きますか？
動きます。ただしGPUがない場合、モデル全体がシステムRAMにロードされ、CPUで推論するため速度は大幅に落ちます。RAM容量が、動かせるモデルサイズの上限を決めます。

Q. Ollamaのデータは学習に使われますか？
ローカルモデルはそもそもデータが外に出ないため、学習利用はありえません。Ollama Cloudについては、公式が「プロンプト・応答をログ保存も学習利用もしない」と表明しています。ただし契約上の保証範囲は公開文書で確認できていないため、機密データはローカルモデルに限定する運用が安全です。

Q. 商用利用できますか？
Ollama本体（MIT）は商用利用可能です。ただしダウンロードするモデルは別ライセンスです。モデルごとに条項を確認してください。「Ollamaで動く＝商用OK」ではありません。

Q. Claude Code を Ollama で無料化できますか？
ollama launch claude で技術的には可能です。Ollamaは Anthropic互換API を持つため、Claude Codeの向き先をローカルモデルに変えられます。ただしローカルモデルの品質は Claude Opus / Sonnet に及びません。 「無料・プライベートになるが、性能は落ちる」というトレードオフを理解した上で使ってください。

Q. Ollamaは安全ですか？
バージョンと設定次第です。0.17.1より前のバージョンには CVSS 9.1 の重大な脆弱性（CVE-2026-7482「Bleeding Llama」）があり、APIキーや会話データが漏洩しうるため、必ず最新版へアップデートしてください。加えて、ポート11434をインターネットに露出させないことが必須です（世界で約17.5万台が意図せず露出しています）。

Q. LM Studio とどちらを選ぶべきですか？
GUIでモデルを探索・お試ししたいならLM Studio、スクリプト・エージェント・Docker・CIに組み込みたいならOllamaです。両者は補完関係にあるため、「LM Studioで探して、Ollamaで組み込む」という併用が現実的な最適解です。

まとめ

Ollamaは、オープンウェイトLLMを自分のPCで1コマンドで動かせる、MITライセンスの無料オープンソースツールです。2026年7月にシリーズBで6,500万ドルを調達し、月間約890万人の開発者、Fortune 500の85%に浸透するインフラへと成長しました。

• 料金: ローカル実行は完全無料。Ollama Cloudのみ $20 / $100 の有料プラン（Teamは未提供）
• スペック: 24GB VRAMあれば32B級が快適。GPUがなければRAM容量が上限を決める
• 最大の強み: OpenAI/Anthropic互換API と ollama launch による既存ツールへの組み込みやすさ、公式Dockerイメージ
• 最大の注意点: 必ず最新版（v0.32.0）へアップデートし、ポート11434を公開しない。CVE-2026-7482は深刻です
• 落とし穴: 「MIT＝モデルも自由」は誤り。モデルは個別ライセンス
• 使ってはいけない場面: 本番の多人数同時配信（それはvLLMの仕事）

「機密データを外に出さずにLLMを使いたい」「API課金を止めたい」というニーズに、現時点で最も手軽に応えるツールがOllamaです。まずは ollama run gemma4 から試してみてください。