公開情報によれば、Med-Gemini、Harvey、BloombergGPTの後継群、コード特化モデルなど、垂直ドメインに最適化されたLLMが2026年時点で実運用フェーズに入っている。汎用モデルが強くなる中、特化型の価値はどこにあるのか。構造的に考える。
医療分野ではGoogleのMed-Geminiが代表例だ。公開情報によれば、医師試験相当のベンチや放射線画像理解で汎用Geminiを上回るスコアを示している。臨床現場での採用は規制・責任・ワークフロー統合の問題が主であり、モデル性能単体では決まらない。ここでの勝ち筋は「ベンチでの差」ではなく、「院内システム統合と監査可能性」だ。
法務分野のHarveyは、Allen & Overyなど大手ファーム採用を足場に、契約ドラフティング・レビュー・判例検索にフォーカスする。汎用GPT-5でも同種タスクは可能だが、Harveyの強みは（a）判例・法令データへの構造化アクセス、（b）ファーム固有ナレッジのオンボーディング、（c）監査ログとコンプラ設計——というインテグレーション層にある。モデルそのものは土台で、周辺がプロダクトだ。
金融ではBloombergGPT的アプローチの後継として、自社データで継続事前学習した特化モデルをプロプライエタリに運用する動きが続く。公開情報によれば、時系列・数値推論・規制文書の混在文脈では、汎用モデルをそのまま使うより、数値トークナイザ改修と継続学習を経た特化モデルが堅い、とする報告がある。ただし運用コストは非自明で、汎用+RAGの構成で十分なケースも多い。
コード特化は事情がやや異なる。GPT-5 CodexやClaude Opus 4.7のような汎用フラッグシップがコード性能で最先端を維持しており、「汎用が特化を飲み込む」代表領域になっている。ここでは独立した特化モデルより、汎用モデル+IDEハーネス（Cursor、Windsurf）の組み合わせが勝っている。
垂直が勝つ条件を整理すると三つに集約できる。第一にデータ優位性——汎用モデルが触れないコーパスを自社が持つ。第二に規制・ワークフロー摩擦——統合と監査が価値を生む領域。第三に評価軸の特殊性——一般ベンチで測れない成功基準がある。これらが揃わない領域では、汎用+RAG+軽いファインチューニングが合理的だ。2026年は「特化か汎用か」ではなく、「どの層で特化するか」を設計する年になる。