投稿者: daichi_admin

「大手コンサルのDC適地調査レポートは数百万円する。個人では太刀打ちできない」──そう思っている人に、現実を伝えたい。

64GBメモリを積んだローカルAIマシン1台と、完全無料の公開データを組み合わせれば、大手コンサル5人×1ヶ月分の作業を、数時間で再現できる時代になった。

個人の3つの優位性

① 処理の網羅性（64GB）

大手コンサルのチームでも、人手で行う調査には物理的な限界がある。対象エリアの絞り込み、調査対象の優先順位付け──どこかで「人の判断」が入り、抜け漏れが生じる。

64GB以上のRAMを積んだローカルマシンでは、数千件の変電所データ、数万件の地価データ、数百件の自治体議事録を、同時に処理することができる。人間が「まあここは関係ないだろう」と判断して切り捨てる情報を、AIは全件処理する。この網羅性が、「誰も見ていない穴場」の発見につながる。

② 秘匿性（ローカルAI）

クラウドAI（ChatGPTや一般的なSaaSサービス）で機密性の高い調査を行うと、入力したデータが学習に使われる可能性がある。不動産案件の情報、候補地の住所、クライアントの意図──これらをクラウドに流すことはリスクだ。

ローカルAI（LlamaやMistralベースのモデルをローカル実行）なら、データは自分のマシンの外に出ない。エンドクライアントへの守秘義務を果たしながら、AI解析の恩恵を受けられる。

③ スピード

大手コンサルがレポート納品に1ヶ月かける理由の多くは、社内レビューや承認プロセス、クライアントとの定例MTGだ。調査作業そのものにかかる時間は、それほど長くない。

個人であれば、この非効率な「余白」がない。データを集め、AIに解析させ、レポートをまとめる一連の作業を、週末2日間で完結させることも不可能ではない。

無料データソースの揃え方

OCCTO（電力広域的運営推進機関）

「系統情報公開システム」から、全国の変電所・送電線の接続可能容量と系統増強計画PDFをダウンロードできる。これが電力インフラ分析の基盤データになる。

経産省・国土交通省の公開資料

電力インフラ投資計画、工業団地開発方針、物流・インフラ整備の各種白書。特に「電力需給検証報告書」は年次で公開されており、エリア別の電力需要予測が読み取れる。

REINS・地価公示データ

国土交通省の地価公示データは、地点・年次単位でCSV形式でダウンロードできる。OCCTO系統データと地価データを座標情報で紐づければ、「受電可能エリアの地価マップ」が生成できる。

自治体議事録・都市計画資料

市町村の都市計画審議会議事録や、開発許可に関する公告は、各自治体ウェブサイトや国土数値情報から収集できる。規制リスクのスクリーニングに使う。

3つの評価指標

これらのデータを組み合わせて、各候補地を以下の3指標でスコアリングする：

1. Grid Capacity Score（系統容量スコア）：現在の接続可能容量＋将来増強計画のタイムライン評価。高圧受電が今後2年以内に可能になる見通しがあれば高スコア。
2. Land Profitability Score（土地収益性スコア）：現在地価と、DC用途が可能になった場合の推定地価の乖離率。未評価度合いが高いほど高スコア。
3. Regulatory Risk Score（規制リスクスコア）：用途地域、農地・森林規制、文化財・環境規制の有無。クリアできるほど高スコア。

この3指標の複合スコアが高い候補地が、「グリッド・ハンター」の狙い目だ。

誰に売るのか

作成したDC適地レポートの売り先は複数ある。デベロッパーのDC開発担当部門、外資系DCオペレーターの日本法人、物流企業のCRE（企業不動産）担当、J-REITのアクイジション担当。これらの組織は常に「候補地情報」を求めている。

一件あたり数十万〜数百万円のコンサルフィーは、個人ベースでも現実的な水準だ。

---

📌 具体的な実装手順はnoteで全公開

AIプロンプト設計の具体例、スコアリングの計算式、実際のレポート構成例と売り先リスト──
→ グリッド・ハンター完全マニュアル（¥1,980）／DCインフラ・インテリジェンス3フェーズ設計書（¥1,980）

「補助金を申請したいけど、どれが対象かわからない」——そう言って諦める中小企業が、全国に無数に存在している。

逆に言えば、「あなたの会社はこの補助金の対象です」と教えてあげるだけで、年収1,000万円を狙えるビジネスが成立する。大手デベロッパー・J-REIT・コンサルタントとしてのキャリアを経て64GBのAI要塞を構築した筆者が、その泥臭いラストワンマイルを公開する。

中小企業が「自分が補助金対象」と気づいていないという現実

日本には約330万社の中小企業が存在する。毎年、経産省・中小企業庁・NEDO・環境省などが数百本の補助金・助成金を公募しているにもかかわらず、その大半は「知らなかった」「手続きが難しそう」という理由で申請されないまま締め切りを迎える。

なぜか。答えは単純だ。補助金の公募要領は読みにくく、自社の事業との接点を見出す作業に時間がかかりすぎるからだ。社長は本業で精一杯で、補助金担当者を置く余裕がない。顧問の税理士や社労士は補助金の採択率まで責任を負わない。

この構造的な情報格差が、AIを使ったマッチングビジネスの巨大な余白を生んでいる。

特定重要物資補助金という巨大な鉱脈

近年、経産省が特に力を入れているのが「特定重要物資」に関する補助金群だ。半導体、蓄電池、先端電子部品、永久磁石、工作機械・産業用ロボット、航空機部品——これらは経済安全保障推進法のもとで国が「サプライチェーンを国内に取り戻す」ために巨額の補助金を投入している分野である。

1件あたりの補助金額は数千万円〜数十億円規模に達するケースもある。しかも採択率は、公募要領を正確に読み解いて適切に申請した案件では意外に高い。問題は、「自社の技術・製品が特定重要物資のサプライチェーンに組み込まれている」と自覚している中小企業が極めて少ないことだ。

自動車の電動化に伴い、自社の精密切削加工技術が蓄電池モジュールの製造工程で使われていても、社長がそれを「補助金対象」と結びつけられない——そういう会社が地方には山ほどある。

「この会社の特許ならこの補助金が通る」をAIで抽出する

ここでAIが威力を発揮する。具体的な発想はシンプルだ。

• INPUT①： 経産省・NEDOの最新公募要領PDF（対象技術・事業要件・採択基準）
• INPUT②： J-PlatPat（特許情報プラットフォーム）から抽出した中小企業の特許データ
• INPUT③： 帝国データバンク・J-Net21等の企業情報（業種・売上規模・設備投資履歴）

これらをLLMに渡し、「公募要領の採択基準と最も親和性が高い特許・技術を持つ企業」を出力させる。単なるキーワードマッチングではなく、補助金の審査官が評価するロジック（事業の必要性・波及効果・実現可能性）をAIに学習させた上でスコアリングするのがポイントだ。

出力されたリストの上位企業に対し、「貴社の〇〇技術は、現在公募中の経産省□□補助金の採択要件に合致する可能性が高い」と連絡する。この一言が、アポイントの取得率を劇的に上げる。

収益モデル：着手金30〜50万円＋成功報酬10〜15%

収益構造はシンプルだ。

• 着手金： 申請書類作成・スキーム設計費として30〜50万円
• 成功報酬： 採択された補助金額の10〜15%

例えば、補助金額5,000万円の案件が1件採択されれば、成功報酬だけで500〜750万円になる。年間2〜3件を継続的に受託できれば、着手金と合わせて年収1,000万円超えは現実的な数字だ。

重要なのは「採択されなかった場合のリスクをAIによる事前スクリーニングで下げる」ことだ。勝ち目の低い案件に時間を使わない。AIで相性スコアが高い組み合わせだけに絞ることで、採択率を上げ、自分の稼働時間あたりの生産性を最大化する。

また、補助金申請は一度関係が築けるとリピートが取りやすい。「次の公募が出たら真っ先に連絡してほしい」という顧客が増えれば、フロービジネスからストックビジネスへの転換が見えてくる。

ラストワンマイルは「誰の財布か」を見極めること

どれだけ精度の高いマッチングができても、最終的に「誰が金を払うのか」が曖昧だと1円にもならない。補助金マッチングにおける財布の持ち主は明確だ。「採択されれば事業が加速する」と確信している中小企業の経営者だ。

だからこそ、最初のアプローチは「AIデータ活用」でも「補助金コンサル」でもなく、「あなたの技術は補助金対象です」という一言に尽きる。財布を開いてもらうトリガーは、自社への具体的な利益提示だ。

AIは武器ではなく、ラストワンマイルを歩くための地図だ。その地図の描き方を、実際のデータベース・プロンプト設計・営業トークまで含めて体系化したのが次のnote記事になる。

---

▼ 実践編はnoteで公開中

実際に使う公開データベース（J-Net21・J-PlatPat・経産省電子申請）の具体的な使い方、AIプロンプトの設計、中小企業への営業トーク設計まで——完全設計書としてnoteにまとめた。

👉 「補助金マッチング完全設計書｜AIで経産省PDFと企業特許を突合して成功報酬1000万を取りにいく手順」（¥1,980）

「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