ブログ

「補助金を取りたい」——中小企業・士業・コンサルから毎月のように相談を受ける。しかし、ほとんどの人が気づいていないことがある。補助金は公募が始まった時点ではすでに遅い、ということだ。

本当に有利なポジションは、公募前から予算のテーマを知っていること。そして、その情報を必要としている人に届けるビジネスが、今静かに成立しつつある。

経産省の審議会PDFに「次の補助金」が書いてある

経済産業省は月に数回、各種審議会・研究会の資料を公開している。これらのPDFには、省内で検討中の施策・予算の骨格が記されている。補助金の公募が始まる3〜6ヶ月前に、すでにテーマと規模感が読み取れる状態になっているのだ。

例えば「省エネ設備導入支援」の補助金が公募される前には、産業構造審議会の省エネ小委員会で「中小製造業の省エネ投資加速」という議題が必ず登場している。GX（グリーントランスフォーメーション）関連補助金の場合も同様だ。

AIで毎日監視する仕組みを作る

この情報を手作業で取得するのは大変だが、AIを活用すれば自動化できる。概念的なフローは以下の通りだ。

1. 経産省サイトの審議会ページを定期クロール：新しいPDFが公開されたら自動取得する
2. AIでPDFを要約・分類：補助金・支援策・予算に関する記述を抽出する
3. キーワードアラート：「公募」「補助率」「上限額」などのシグナルワードが出たら通知
4. 会員向けニュースレターとして配信：中小企業・税理士・中小企業診断士に届ける

これを64GBのハイスペックマシンにローカルLLMを組み合わせて動かせば、月次の情報処理コストはほぼゼロになる。

会員制ニュースレターのビジネスモデル

このサービスのターゲットは「補助金情報を必要としているが、自分でウォッチする時間がない」プロフェッショナル層だ。具体的には次の3セグメントが想定できる。

• 中小製造業の経営者：設備投資の補助金情報が欲しい（月額5,000〜10,000円）
• 税理士・中小企業診断士：顧客への付加価値として活用（月額10,000〜30,000円）
• 補助金申請専門コンサル：差別化情報として仕入れる（月額30,000円〜）

会員10名で月5万円、50名で月25万円が成立する計算だ。この規模なら1人で十分に運営できる。

「公募前シグナル」に価値がある理由

補助金は公募が始まると同時に、コンサル・代行業者が大量に動き出す。情報が一般化した時点で、サービス単価は一気に下落する。だからこそ、「誰もまだ気づいていない段階の情報」に高い価値がある。

これはまさに「シャベルとジーンズ戦略」の応用だ。補助金を取りに行く企業（掘る人）に、情報というシャベルを売る。リスクは掘る側が取り、利益は道具を売る側が継続的に受け取る。

📒 具体的な情報収集フローと収益設計はnoteで公開

審議会PDFの読み方、AIを使った自動分析のフロー、ニュースレターの価格設計と顧客獲得戦略——これらの詳細設計図をnoteで公開しています。実際に動く仕組みの概念設計まで踏み込んだ内容です。

1848年、カリフォルニアで金が発見された。何万人もの人間が夢を抱いて西部に向かった。だが、本当に富を築いたのは金を掘った者たちではなかった。ツルハシを売った者、ジーンズを売った者だった。リーバイ・ストラウスは採掘に一切手を染めなかったにもかかわらず、ゴールドラッシュで最大の勝者になった。

今、AIゴールドラッシュが起きている。ChatGPT、Gemini、Claudeを使って「なにか副業できないか」と考えている人は多い。しかし、AIで稼ごうとする人が増えれば増えるほど、本当に儲かるポジションは「AIを使う側」ではなく「AIを使う人・企業に情報というシャベルを売る側」に移行していく。

なぜ「情報を売る」のか

投資家・企業・経営者は今、情報の非対称性に強烈な価値を感じている。「みんなが知っていること」はもはや価値がない。価値があるのは「まだ誰も気づいていない国策の先を読んだ情報」だ。

不動産デベロッパー、J-REIT、コンサルを経験してきた立場から見ると、日本の政策は意外なほどシグナルを事前に発している。経産省の審議会、規制委員会の審査書類、特許データベース、系統空き容量マップ——これらを64GBのハイスペックマシンとAIで統合分析すれば、「まだ誰も手を出していない市場」が見えてくる。

4つのデータ・ベンダー型マネタイズプラン

① 次世代データセンター立地の先読み

経産省が推進する次世代データセンターの立地は、送電網の空き容量・地価・再開発計画の3軸で予測できる。「まだ動いていない土地」を特定して、不動産投資家や自治体コンサルに売るモデル。月額顧問料または成功報酬型で単価が高い。

② 原子力マッチング情報

原子力規制委員会の審査資料は公開されている。再稼働プロセスで必要になる部品・技術の需要は、審査書類を読めば数年先まで見通せる。この情報を原子力関連メーカーや商社に届けるビジネス。

③ ニッチ専門家の転職マッチング

地熱エンジニア、放射線管理士、パワー半導体設計者——こうした人材は一般の求人サイトには出てこない。論文・特許・GitHubのデータをAIでクロールして「人材マップ」を作り、ヘッドハンティングに使う。競合ゼロのニッチ市場だ。

④ 補助金の公募前シグナルを読む

経産省の審議会資料には「次の補助金の骨格」が載っている。公募が始まる3〜6ヶ月前に予算テーマが判明するのだ。この情報を会員制ニュースレターとして中小企業・士業に提供するモデルが月額5,000〜3万円で成立する。

シャベルとジーンズ戦略の本質

共通するのは、自分がリスクを取って「掘る」のではなく、掘る人（投資家・企業・経営者）に情報という道具を売るポジションを取ることだ。需要は国策が作り、供給は自分のAIと専門知識が担う。競合が入ってこない参入障壁は「分析眼と情報源の組み合わせ」にある。

AIがコモディティ化した今、重要なのはAIを使う技術ではない。「何のデータを、誰のために、どう分析するか」という設計力だ。

📒 詳細設計図はnoteで公開中

4つのプランそれぞれの具体的な情報収集フロー・収益モデル・顧客ターゲットをnoteで詳しく解説しています。「原子力マッチング×ニッチ転職の掛け合わせ」「データセンター立地の統合分析法」など、実録ベースの設計書を公開中。

経済産業省のウェブサイトには、毎週複数のPDFが静かにアップロードされている。審議会の議事録、産業政策の中間報告、エネルギー基本計画の改訂草稿。これらは記者発表を経ずにひっそり公開されることも多く、市場が気づく前に「次の予算が動く場所」を読み解ける。

私はこれを「国策の先読み」と呼んでいる。大手デベロッパー時代に覚えた「都市計画決定の先にある土地評価」の読み方が、AI時代に一段上のレイヤーで再現できるようになった。

なぜ公開情報に価値があるのか

インサイダー情報に頼らなくても、公開情報の時間差だけで十分なアルファが取れる。理由は単純で、読むのに時間がかかるからだ。

経産省の「総合資源エネルギー調査会」の議事録は1回分で100ページを超えることがある。国土交通省の「国土形成計画」関連資料は数百ページに及ぶ。これを人間が全部読むのは現実的でない。だからこそ、AIがバッチ処理で一括解析できる環境を持つ人間だけが、情報の先読みポジションに立てる。

Pythonクローラーの概念設計

仕組みは難しくない。以下の3ステップが基本構成だ。

Step 1：更新検知
各省庁のサイトマップXMLまたは「新着情報」ページのHTMLをcronで定期取得し、前回との差分からPDFリンクを抽出する。requests＋BeautifulSoup4で実装できる。

Step 2：PDF取得と前処理
差分検出されたPDFをダウンロードし、pdfplumberまたはpymupdfでテキスト抽出。日本語OCRが必要な場合はtesseractを噛ませる。64GBのRAMがあるため、数百件のPDFを並列処理してもスワップなしで動く。

Step 3：ローカルLLMで構造化要約
抽出テキストをローカルの70Bモデルに渡し、「予算規模・対象地域・関連産業・スケジュール感」の4軸で構造化出力させる。出力はJSONで保存し、日次レポートとして自動生成する。

64GBだからできる数百件一括解析

32GBマシンで同じことをしようとすると、モデルのロード・アンロードが頻発してバッチ処理が現実的な速度に収まらない。64GBあるからこそ、モデルをメモリに常駐させたまま、PDFのテキストを次々に流し込める。

実績として、直近では原子力規制委員会が公表した「新規制基準適合性審査」関連の議事録50件（総計3,200ページ超）を一夜でバッチ処理した。出力されたレポートから「次の審査通過候補サイトと周辺送電線の強化計画」が浮かび上がった。この結果を基に不動産×エネルギーインフラの相関を見始めたのが、次の記事につながる。

AI秘書が拾う「着金地点のシグナル」

国策予算が動くとき、その前に必ず「審議会での議論の収束」「関係省庁の連名文書」「地方自治体との協定締結」という3つのフェーズがある。この3つが揃った案件は、半年〜1年後に予算として具現化する確率が高い。

AIが毎日自動でチェックし、このパターンを検出したときだけ通知する仕組みを作れば、24時間のうち23時間は別の仕事をしながら「国策アンテナ」を立て続けられる。これが私の言う「AI副業」の本質だ。労働集約ではなく、システムが働く構造を作ること。

📝 2026年後半の「着金地点」の具体的な結論は、noteの有料レポートで公開しています。

半導体・原子力・エネルギー政策の交差点から、AIが導き出した「次に予算が動く地域」を実名の政策名・資料名とともに解説。クローラーが拾った生データも一部公開しています。

👉 note「国策先読みAIレポート｜経産省データから読む2026年後半の着金地点」を読む

2024年末から2025年にかけて、生成AIバブルが弾けたと騒がれた。NVIDIAの株価が半値になり、「AIブームは終わった」という記事がSNSを席巻した。そのタイミングで私はHP Z2 Tower G4を中古市場で拾い、64GBにアップグレードした。

なぜ最新のRTX搭載ゲーミングPCではないのか。なぜクラウドでもないのか。大手デベロッパー、J-REIT、コンサルとキャリアを積んできた人間として、「道具を選ぶ目」は現場で叩き込まれた。今回はその選択の理由を実録として残す。

なぜ中古Z2 Tower G4なのか

HP Z2 Tower G4はXeonではなくCore iシリーズを積んだエントリーワークステーション。法人向けに大量調達されたため、リース落ちの中古市場に2〜4万円台で大量に流通している。

重要なのはECC非対応だがECCなしDDR4スロットが4本という構成だ。32GB×2で64GBに到達できる。消費電力は最大250W程度で、24時間稼働させても月の電気代は2,000円台に収まる。

対してゲーミングPCは確かにGPUが速い。しかしLLMのローカル推論において、私が使うユースケースの大半は「CPUオフロード＋大容量RAM」で処理する長文解析だ。GPUのVRAM 8GBよりも、システムRAM 64GBの方が圧倒的に価値が高い。

32GBと64GBの処理の壁

llama.cppで70Bモデルをq4_K_Mで動かす場合、量子化後のモデルサイズは約38〜40GBになる。32GBのシステムではモデルが乗り切らず、スワップが発生して実用速度を下回る。

64GBあれば70Bモデルをメモリに完全展開した上で、OSとPythonプロセスに残り20GB強を確保できる。実測で1秒あたり3〜5トークンの生成速度が安定して出る。遅いと感じるかもしれないが、PDFバッチ処理やレポート自動生成のような非同期タスクではこれで十分だ。

経産省の経済白書1冊（600〜800ページ相当）を複数並行で要約させるとき、32GBと64GBの差は「できるかできないか」のラインになる。

拡張性と信頼性

Z2 Tower G4のもう一つの強みは拡張性だ。PCIe x16スロットが1本あり、将来的にGPU（RTX 3060 12GBなど）を追加することでVRAM活用の推論にも対応できる。今はRAMファーストで使い、GPUは後付けで十分だと判断した。

法人向けワークステーションは設計寿命が長い。コンシューマーゲーミングPCと異なり、マザーボードの品質基準が厳しく、24時間通電での連続稼働を想定した熱設計になっている。実際に私の機体は導入から半年以上、一度も予期しないシャットダウンを起こしていない。

AIパニック相場で「AIはオワコン」と処分された法人リース落ちのワークステーションが、今も静かに政策PDFを解析し続けている。市場の熱狂と正反対のタイミングで道具を拾う。これは不動産でも同じロジックだと気づいたとき、自分の経歴が初めて「副業」に直結した瞬間だった。

📝 この64GB要塞で動く4エージェント構成の全設計図は、noteで公開しています。

情報収集・長文解析・データ統合・OSの4分割でどうメモリを配分し、どのモデルを組み合わせるか。実際の設定ファイルレベルで解説しています。

👉 note「複数収入の設計書｜不動産×コンサル×副業」マガジンを読む

「何でもやってる人」ではなく、「全部重なっている」という話
XやブログでAI副業の発信をしている人は山ほどいる。「副業で月入りを増やしたい」というテーマはもはや青天井だ。

その中で自分が発信を続けているのは、単純に「この掛け合わせを持っている人がほとんどいない」と思っているからだ。

大手デベロッパーで不動産事業に関わり、J-REITの現場で利回りの仕組みを見て、コンサルタントとして転職し、不動産物件を実際に保有している。その上でAIを使って会社経営をしながら副業収入を並行している。

この掛け合わせで発信できる人は、知る限り日本に数人しかいない。

キャリアの流れを正直に書く
新卒で大手デベロッパーに入社した。当時は「安定した大企業」という意識はほとんどなかった。単純に不動産業界で働きたかった。

その後、J-REITの運用会社に移り、「投資家満足」を第一とする立場から不動産を見る目が育った。

アセットが生み出すキャッシュフローの構造、リスクの評価方法、利回りの引き方——これらを「大きな資金を動かす投資家サイド」から学んだ。これはデベロッパー側にいるだけでは得られない視点だった。

そしてコンサルタントへの転職を機に、不動産事業者や中小企業オーナーと経営に関わる中で、「経営における意思決定の質」を上げることの重要性を痛感した。

そこに「今ちょうどいい」のが、AIだった。

AIを経営に使うということの実態
「AIを経営に使う」と言うと、何か大きなシステム導入を想像する人が多いが、実際にやっていることはシンプルだ。

たとえば今日もこんな使い方をした。

朝のブリーフィング: Claudeが当日のタスク優先度を整理し、アラートをSlackに送る。朝イチでスマホを確認するだけで、その日が始められる。

提案書作成: Notionにクライアント情報を入れると、最初の構成をAIが吐き出す。最終判断は自分だが、スタートの時間が大幅に短縮された。

KPI確認: 各チャネルの数字を集計し、分析・改善提案までAIが行う。修正するのは自分、考えるのは自分。最初に「数字を見る」作業がなくなった。

ローカルAIで機密処理: 外に出したくない情報はローカルAIで処理する。契約書・財動データ・提案書の骨子はPCの中だけで完結する。

ブログで発信する理由
正直に言うと、これだけのバックグラウンドを持ってAI副業を実践している人の発信は少ない。

「副業でAIを使う方法」だけなら山ほどある。でも「不動産の現場を知った上で、実際に会社経営に使い、さらに自分の副業収入にも経営術を応用している人」の発信は、数が極端に少ない。

それが自分の発信の理由だ。「頑張らなくていい差別化」で発信を続けている。

これからの発信方針
このブログでは主に3つのテーマを扱っていく。

一つは「不動産・投資の実践」だ。月次キャッシュフローの実数値、投資判断の思考回路、現場感を書く。

二つ目は「AIを使った経営・副業の実践」だ。ローカルAIを導入したような、実際の試行錯誤も含めたリアルな記録を残す。

三つ目は「転職・キャリア設計」だ。大手デベからコンサルへの転職、その判断軸、失敗したことややって良かったことを正直に書く。

薄い記事は一切書かない。その代わり、己の実践から導かれたことだけを書く。

▶ noteで続きを読む → https://note.com/daichi9567