GitHub CopilotでローカルAIとクラウドAIをハイブリッドで使う3つの判断軸：Microsoft×Qwen3.8-27B

Microsoftが、手元のGPUで動くQwen3.8-27BをGitHub Copilotから使う構成を示しました。
使うたびの費用を抑えられ、データも端末の外へ出さずに済みます。
ただし振り分けは自動ではなく人が選び、精度と操作権限の確認が欠かせません。

2026年11月5日、Microsoftが「AlibabaのQwen3.8-27Bを手元のGPUで動かし、GitHub Copilotから使う構成」を発表しました。

パソコンの中でローカルのAIを動かす仕組みで、実行にはFoundry Localを使います。

ローカルのモデルを選ぶ道は、2025年からありました。今回新しいのは、コーディングと長い作業に重点を置いたモデルと、NVIDIA向けの最適化が組み合わさったことです。

では、これでGitHub Copilotは、ローカルAIとクラウドAIのハイブリッドになるのか。答えは、使える。ただし振り分けるのは自動ではなく人です。どこまで手元に任せるかを決める軸は、費用・任せられるレベル・情報の管理の3つです。

今回の発表：新しいのは接続ではなく組み合わせ

モデルを作って重みを公開するAlibaba、PCで動かす基盤とCopilotへの接続を担うMicrosoft、Qwen3.8-27Bが動く手元のPCの3者の役割分担を示す図

まず役割分担です。モデルを作ったのはAlibabaで、重みは公開されています。MicrosoftはPCで速く動かす実行基盤と、Copilotへの接続を担当します。Microsoftが新しいモデルを作ったわけではありません。

前史もあります。Foundry Localはプレビュー版の公開を経て、2025年9月には開発ツールのCopilotとつなぐ方法が紹介されました。2026年4月には一般提供です。

接続そのものは新しくなく、そこに新しいモデルとNVIDIA向けの最適化が加わったのが、今回の中身です。

条件も見ておきます。モデルを圧縮した容量は、約18GBです。

扱える長さはGPUのメモリで決まります。24GBで最大64K、32GB以上で最大262Kトークンとされています。必要な部品の一部は、別に導入します。

Microsoftは速度の比較も出しました。ただしこれは自社による生成速度の報告で、課題を終えるまでの総時間や解決率は示されていません。MacやNVIDIA以外のGPUへの対応は、今後の予定です。

ハイブリッドの仕組み：切り替えは人が選ぶ

GitHub Copilotの利用者が手元のモデルとクラウドのモデルを作業ごとに選ぶ切り替えを示し、自動の振り分けは対象外であることを表す図

仕組みは単純です。GitHub Copilotのアプリに、Foundry Localの接続先を登録します。すると、Qwen3.8-27Bを選べるようになります。実際に、設定画面でQwen3.8-27Bを登録した様子です。

GitHub Copilotの設定画面でFoundry Local経由のQwen3.8-27Bを登録した様子のスクリーンショット

注意したいのは、自動の振り分けです。Copilotには、タスクの複雑さなどを見てモデルを自動で選ぶ機能があります。ところが、手元の機械に入れてモデル選択に追加したモデルは、その対象から外れています。手元で動かすモデルと、クラウドのモデルは、作業ごとに人が選ぶ形になります。

この接続は、自分で接続先を設定する方式にあたります。推論の要求はGitHubのCopilot用の窓口を通らず、指定した先へ直接送られます。Copilot側の課金は発生しません。ただしクラウドのモデルをつなげば、その提供元の料金は別にかかります。

接続先はFoundry Localだけではありません。GitHubの資料は、LM StudioとOllamaも挙げています。違いは、次のとおりです。

Foundry Local：NVIDIA向けの最適化が強み
LM Studio：2025年7月から職場利用も無料。企業向けのプランもある
Ollama：クラウド機能を切る、ローカル専用の動作モードがある

Microsoftは、併用の形も示しています。日常のコーディングや限定した作業はローカルで処理し、複雑な推論はクラウドに任せる、というものです。ローカルモデルは、高度なクラウドモデルより推論能力が限られる場合がある、とも書いています。

判断軸1：費用

使うたびに料金がかかるクラウドと、トークン料金はないが電力・導入と更新の手間・確認する時間がかかる手元のPCを天秤で比べた図

いちばんの利点は、使うたびにかかる費用がなくなることです。端末の中で推論すれば、トークンごとの費用はかかりません。Copilot側の課金もありません。従量課金のトークン費用が積み上がりやすい今、ここは大きな魅力です。

ただし、ゼロになるわけではありません。24GB以上のメモリを持つNVIDIA製GPUに加えて、電力がかかります。導入と更新の手間もあります。さらに、精度が下がれば、出力を確認して直す時間が増えます。今回の発表には、こうした採算の試算は出てきません。

だから比べる単位は、トークン単価ではなく、電力や確認の手間まで含めた、仕事1件あたりの総費用です。GPUをすでに持っていて、使う頻度が高いほど、ローカルが有利になります。使う回数が少ないなら、クラウドのままのほうが安く済みます。

見立てとしては、GPUを買い足す前に、公式の条件を満たす社内の高性能なPCで試すのが堅実でしょう。

判断軸2：任せられるレベル

小さな修正・定型の書き換え・テストの追加は手元のモデルで試し、設計の判断や広い範囲の変更はクラウドの強いモデルに任せる線引きを示す図

ローカルのAIは、かなり賢くなりました。それでも、クラウドの最先端のAIと比べれば、まだレベルの差があります。どこまで任せられるかは、人が見極める必要があります。

速さと、正しく終えることは別です。モデルカード自身が、応答を速くしても、分析不足や再試行が増えれば、作業全体の時間とトークンが増えると注意しています。

開発元の自社評価では、前の版からの伸びが示されています。ターミナル操作の評価は約63から73へ、実際の課題を直す評価は約54から62へ上がりました。ただしこれは開発元自身の評価で、比較表の評価条件も揃ってはいません。

だから、速度の数字を、そのまま仕事の完了速度と読まないことが大切です。

実際に試した様子も載せます。手元のPCはGPUのメモリが16GBで、公式の条件の24GBに届きません。Foundry Localでは読み込みが終わらなかったので、代わりに別の実行ソフトと、圧縮を強めた別形式のQwen3.8-27Bを動かし、Copilotにつなぎました。公式の構成とは別物です。

最初は、Copilotが送る入力が上限を超え、エラーになりました。

Copilotが送る入力がローカルモデルの上限を超えてエラーになった画面のスクリーンショット

上限を広げると、「17+25」に「42」と答えました。画面上の応答は、約100秒かかりました。

上限を広げたあと、17+25の問いにローカルのQwen3.8-27Bが42と答えた画面のスクリーンショット

単一のHTMLの電卓も作らせました。ところが、生成物の簡易テストでは、7+5が5になるなど、計算が正しくありませんでした。ローカルのAIは動いても、出力の確認は欠かせません。

クラウド側で仕様を書き、ローカルのQwenに実装を任せる流れも試しました。判定の関数が返り、11通りのテストにすべて合格しました。

クラウド側で書いた仕様をもとにローカルのQwenが実装した判定関数と、11通りのテストがすべて合格した結果のスクリーンショット

ただし、Copilotの自動の振り分けではなく、別のツールから手元のAPIを呼んだ実験です。この11通りだけで、ほかの依頼への精度は保証できません。

見立てとしては、小さな修正、定型の書き換え、テストの追加はローカルで試す価値があります。設計の判断や、広い範囲にまたがる変更は、クラウドの強いモデルに任せるほうが手戻りは少ないでしょう。その線引きと、出力の確認は、人にしかできない仕事です。

判断軸3：情報の管理

データの行き先は手元で完結して外へ送られない一方、操作の権限はローカルサンドボックスが既定で無効という別の問題であることを並べた図

情報の管理では、2つのことを分けて考えます。データの行き先と、操作の権限です。

まずデータの行き先です。手元のモデルを自分で接続先を設定する方式で選べば、推論の要求はGitHubのCopilot用の窓口を通らず、指定した先へ届きます。Microsoftも、Foundry Localの入力と出力は端末の外へ出ないと説明しています。手元で動かすので、データが外へ送られない。これが最大の安心です。

クラウドのAIでも、入力を学習に使わない設定が選べるサービスは増えています。使いやすくなったとはいえ、契約や設定の確認は要ります。本当にデータをAIに読ませたくない場合は、ローカルならそのハードルがぐんと下がります。日本の個人情報保護委員会が2025年2月に出した情報提供も、DeepSeekのサービスを使ったときのデータ保存が対象で、自社の端末で重みを動かす構成とは別の話です。ただし、モデルと実行基盤の供給元や更新経路は、審査の対象に入れるべきです。

次に操作の権限です。推論先を手元にしても、削除や認証情報の利用が自動で制限されるわけではありません。Copilotのローカルサンドボックスは、既定では無効です。有効にするまで、シェルコマンドは利用者本人と同じ権限で動きます。推論先の設定と、操作の権限の設計は別の仕事です。