カテゴリー: AI副業

「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

「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

「この数字、ChatGPTに入れていいの？」という不安
AIを使い始めてからずっと、心のどこかに引っかかりがあった。

契約書の条件、クライアントの財務データ、提案書の核心部分——これらをクラウドのAIに貼り付けるたびに、「本当にこれでいいのか」と思っていた。

OpenAIもAnthropicも、企業向けプランではデータを学習に使わないと明言している。それは知っている。でも、どこか釈然としない感覚が残る。コンサルタントとして、クライアントの情報を守る責任がある立場としては、なおさらだ。

そこで行き着いたのがローカルAIだった。

ローカルAIとは何か
一言で言えば、インターネットに接続せず、自分のPC上だけでAIを動かす仕組みだ。

データは一切外に出ない。クラウドサービスへの送信もない。電気代と自分のPCさえあれば、追加費用ゼロで動き続ける。

数年前まではこれを実現するには専門知識と高性能サーバーが必要だった。しかし2024〜2025年にかけて、Ollamaというツールの登場で状況が一変した。ターミナルに3行打つだけで、個人のノートPCでAIが動く時代になった。

32GBメモリのノートPCで十分動く
私が使っているのはDell Latitude 5310。先日32GBにメモリを換装したばかりの機種だ。

この構成で問題なく動くモデルがある。Qwen2.5 14Bだ。

Alibaba（アリババ）が開発した大規模言語モデルで、日本語の精度が高く、文書作成・分析・要約をこなせる。ファイルサイズは約9GB。32GBのRAMがあれば、ブラウザやNotionと同時に起動しても余裕がある。

セットアップは驚くほど簡単だ。

# Ollamaをollama.aiからインストール後
ollama pull qwen2.5:14b
ollama run qwen2.5:14b

これだけで動く。ブラウザUIが欲しければOpen WebUIというツールを追加すれば、ChatGPTと同じ感覚で使える。

実際に経営業務に使ってみた
私は不動産×投資×コンサルティングの会社を経営している。

ローカルAIを導入して最初に試したのは提案書のドラフト生成だった。

クライアントの財務状況、不動産ポートフォリオの詳細、投資方針——これらを含む情報をQwen2.5に投げて、提案書の骨子を作らせた。今まではこの作業、クラウドAIには入れられないと思っていたので手作業でやっていた部分だ。

結果は想定以上だった。叩き台として十分な精度の文章が出てきた。あとは自分でブラッシュアップするだけ。作業時間が体感で40～50%短縮された。

次に試したのは契約書のリスク分析だ。「この条項で問題になりそうな点を指摘してほしい」という形で投げると、チェックリスト形式で返ってくる。法的な最終判断は弁護士に委ねるにしても、事前のスクリーニングとしては十分使える。

Claude・Gamma・ローカルAIの使い分け
今の私のAI活用は3層構造になっている。

ローカルAI（Qwen2.5）が担うのは、機密情報を含む文書の処理だ。提案書・契約書・財務データ分析はすべてここで完結させる。外部に一切出さない。

Gammaは、できあがった内容をスライドや提案資料として見栄えよく整える作業に使う。クライアントに見せるアウトプットの「見た目」を整えるためのツールだ。

Claude（クラウド版）は、戦略的な判断・設計・複雑な思考が必要な場面に使う。会社全体の設計や、ブログ記事の構成を考える場面などだ。

この3つを使い分けることで、機密リスクを下げながら生産性を最大化できる。

向いている人・向いていない人
ローカルAIが向いているのは：
– 社内の機密情報をAIで処理したいが、クラウドに上げることをためらっている人
– 士業・コンサル・経営者など、守秘義務が重い職種の人
– 月額のAPI費用を抑えたい人
– 「自分でインフラを持つ」ことに価値を感じる人

逆に向いていないのは：

• PCの性能が低い人（8GB RAM以下では厳しい）
• セットアップに時間をかけたくない人（とはいえ30分で完了するが）
• クラウドAIの最新モデルと同等の精度を求める人（現状、差はある）

まとめ：「自分でAIを持つ」という選択肢
2026年現在、AIは使うものから「持つもの」になりつつある。

クラウドサービスに依存し続けることも一つの選択だ。しかし機密情報を扱う立場であれば、ローカルAIという選択肢を知っておく価値は十分にある。

30分のセットアップで、外に一切出ないAI環境が手に入る。投資対効果で考えれば、これほどコスパのいいインフラ投資はなかなかない。

---

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