「次のデータセンター用地はどこか」――この情報を誰よりも早く掴んだ人間が、不動産市場で圧倒的な優位に立てる。2026年現在、国内DCバブルは加速しており、千歳・熊本・大阪北港に続く第二波の用地探しが始まっている。しかし、DC事業者は候補地を公表しない。情報は常に「非対称」だ。この非対称を埋める武器がAI×不動産データ分析である。本記事では、電力容量・送電線ルート・相続登記という3つのデータをAIでクロス分析し、DC候補地を「3〜6ヶ月先読み」する具体的な手法を完全解説する。

なぜ今、DC用地情報が「最強の副業ネタ」なのか

データセンターの建設ラッシュは2026年以降も続く。AIの学習・推論に必要な電力消費は年率30%以上で拡大しており、国内DCの床面積は2030年までに現在の2.5倍に達するという試算がある。この需要を支えるのが「用地」だ。

問題は、DC用地に適した土地が絶対的に少ないという点にある。DCは電力・冷却水・通信回線・耐震性・広大な敷地という5つの条件を同時に満たす土地でなければならない。この条件を満たす場所は全国に限られており、候補地情報は「知っている人だけが知っている」極めて非公開の情報だ。

ここに副業のチャンスがある。DC事業者・不動産デベロッパー・電力会社・ゼネコン各社は、常に候補地情報を求めている。「この土地がDCに使える」という情報を先に持っていれば、それは月数十万円の情報提供料や、仲介手数料・成功報酬につながる。そして、AIを使えば個人でも大手コンサルと互角の情報収集ができる時代が来ている。

データセンターが建てられる土地の条件3つ

DC用地を先読みするには、まずどんな土地が選ばれるかを理解する必要がある。条件は大きく3つに集約される。

条件①：電力の「質と量」が確保できる

DCは電力の大量消費施設だ。大規模DCでは100MW（メガワット）超の電力が必要になる。これは中規模市の電力消費量に匹敵する。重要なのは電力の「量」だけではなく「質」だ。停電頻度・電圧変動・系統の安定性が問われる。

日本が世界のDC誘致で優位に立てる最大の理由が「電力品質」だ。日本の停電率は年間平均20分以下と、米国（約70分）・中国（約2〜3時間）を大幅に上回る。この信頼性が、金融・医療・自動運転データを扱うミッションクリティカルなDCの誘致につながる。

したがって、DC用地の第一条件は「大容量変電所から近い」ことだ。具体的には154kV以上の特別高圧変電所から半径5km以内が目安になる。この条件を満たす土地の分布をAIで地図化することが、先読みの第一歩になる。

条件②：送電線の「引込み可能性」がある

変電所が近くても、送電線の引込みができなければDCは建設できない。電力会社の送電網には空き容量（「接続可能量」）があり、この空き容量が大きい地域ほどDC立地に有利だ。

送電線の空き容量情報は、各電力会社が「接続可能量マップ」として公開している。東京電力・関西電力・九州電力等のサイトで確認できるが、データがPDFや非機械可読形式で公開されているため、人手での整理が極めて困難だ。ここでAIの出番となる。PDFをClaudeに読み込ませてデータ化し、GIS（地理情報システム）と組み合わせると、「どのエリアに送電線を引きやすいか」が一目でわかる地図が完成する。

条件③：土地の「取得可能性」が高い

電力条件が揃っていても、土地が取得できなければ意味がない。DCに適した広大な平坦地は、農地・工場跡地・旧公共施設跡地等に多い。これらの土地が「今売りに出せる状態か」を事前に調べることが重要だ。

特に注目すべきが「相続登記の状況」だ。2024年4月から相続登記が義務化されたことで、長年放置されていた土地の所有者情報が整理され始めている。相続登記が完了している土地は売買・交渉がしやすい。一方、未登記や共有名義の土地は取得に時間がかかる。国土交通省の地籍調査データや法務局の登記情報から、「相続登記が最近完了した広大な土地」を抽出することで、DC用地候補を絞り込める。

AIで候補地を特定する具体的な手順

3つの条件を踏まえた上で、AIを使って候補地を特定する手順を解説する。

ステップ1：変電所位置データをAIで地図化する

電力広域的運営推進機関（OCCTO）や各電力会社のウェブサイトから、特別高圧変電所（154kV・275kV）の位置情報を収集する。データがPDF・Excelで公開されている場合はClaudeに読み込ませてCSV化する。このCSVをGoogle Maps APIやGeoPandasと組み合わせて地図上にプロットする。

次に、各変電所から半径5kmの円を描く。この円が重なり合うエリアは電力アクセスが極めて良好な地域だ。2026年時点で特に注目すべきエリアは、北海道南部（苫小牧〜千歳周辺）・福岡県北部（筑豊〜北九州）・茨城県南部（つくば〜土浦）の3地域だ。これらは地熱・風力・太陽光等の再生可能エネルギー送電網と重なっており、GX政策との親和性も高い。

ステップ2：送電線空き容量マップをスクレイピング・整理する

各電力会社が公開する「接続可能量マップ」を取得する。東京電力の場合は「系統アクセス業務マニュアル」内に記載がある。このデータをn8nで定期取得して変化を監視するワークフローを構築すると、「空き容量が急増したエリア」を自動検知できる。空き容量が増えるということは、既存の電力需要家が撤退した（工場閉鎖・施設廃止等）ことを意味する場合が多く、その周辺に大型施設（DC等）の誘致余地が生まれているシグナルになる。

ClaudeのコードインタープリタでPDFを解析し、エリア別の空き容量を数値化する。このデータを先ほどの変電所マップと重ね合わせると「電力条件が二重に揃うエリア」が浮かび上がる。

ステップ3：相続登記データで「取得可能な土地」を絞り込む

法務局の「登記情報提供サービス」（登記ねっと）や国土交通省の「不動産情報ライブラリ」を使い、候補エリア内の土地の登記情報を取得する。注目すべきは以下の条件を持つ土地だ。

• 2022年以降に相続登記が完了している（相続登記義務化を先取りして整理された土地）
• 面積が3,000㎡以上（DC建設に必要な最低限の面積）
• 地目が「雑種地」または「工業専用地域」（農地転用の手続きが不要）
• 過去5年間で価格変動が小さい（急騰前の未注目地）

これらの条件をClaudeに与えて絞り込むプロンプトは以下のようになる：「以下の不動産データリストから、DC立地に適した土地を抽出してください。条件は①面積3000㎡以上②地目：雑種地または工業地③変電所から5km以内④2022年以降に相続登記完了⑤過去5年の地価変動率が±5%以内。各土地についてDC適合スコアを1〜10で採点し、上位10件を表で出力してください」。

ステップ4：クロス分析で「DC候補地スコア」を算出する

変電所距離・送電線空き容量・登記状況・地目・面積・地形（平坦度）・自然災害リスク（洪水・土砂崩れ）の7要素をスコアリングし、候補地ランキングを作成する。Claudeに各データを読み込ませ「総合DCスコア」を算出させると、候補地の優先順位が明確になる。このスコアリングシートをGoogleスプレッドシートで管理し、月次で更新する仕組みを作れば、常に最新の候補地マップを維持できる。

「情報卸」という収益化モデルの全体像

DC用地情報をどう収益化するかが、この副業の核心だ。主な収益化ルートは3つある。

ルート①：DC事業者への情報提供

国内外のDC事業者（さくらインターネット・IDC Frontier・Equinix等）は常に用地情報を求めている。コーポレートサイトの「パートナー・情報提供」窓口や、LinkedInでの直接アプローチが有効だ。「DC適合スコア上位5件の候補地リポート」を作成し、無料サンプルとして提供してから有料契約につなげる。月額顧問料の相場は5〜30万円だ。

ルート②：不動産仲介会社への情報卸

DC用地に特化した不動産仲介は、一般仲介より手数料が高い。DC事業者が用地を取得した際の仲介手数料は数百万〜数千万円になる。自分は情報提供役（フィンダー）として動き、実際の仲介は宅建業者に委ねる形であれば宅建免許は不要だ。「情報提供料として成功報酬の10〜20%」を受け取る契約が一般的だ。

ルート③：地主・土地オーナーへのDC転用提案

条件を満たす土地のオーナーに「あなたの土地はDCに使える可能性がある」と提案するアプローチも有効だ。農地・工場跡地を持つ地主は、固定資産税の負担や管理コストに悩んでいることが多い。DC事業者と地主の橋渡しをすることで、両者から報酬を得る「ダブルフィー」モデルが成立する。初期アプローチは市区町村の農業委員会・商工会議所での人脈形成か、noteやXでのDC情報発信による集客が効果的だ。

実際の動き方：情報収集→提案→成功報酬の流れ

最初の1ヶ月は環境構築と情報収集に集中する。n8nで変電所データ・送電線空き容量・登記変動の自動取得ワークフローを構築する。2週間程度で基本的な仕組みは動き出す。

2ヶ月目から、候補地リポートの作成・発信を始める。noteやXで「今週の注目DC候補エリア」として発信することで、DC関係者・不動産業者・投資家の目に触れるようになる。フォロワー1,000人程度で初の有料情報提供依頼が来るケースが多い。

3ヶ月目以降、顧問契約または成功報酬型の案件を受け始める。月1件の成功案件で50〜200万円の報酬が狙える。年間3〜4件成立すれば年収換算で200〜800万円の副収入になる。本業（不動産コンサルや建設業）の専門知識をそのまま活かせるため、他の副業と比べて参入優位性が高い。

よくある失敗と回避策

失敗①：電力条件だけで判断して用地提案する
電力が引けても、騒音規制・防火地域の指定・地盤の問題でDCが建てられないケースがある。必ず都市計画法・建築基準法の制限を確認し、「建設可能か」まで含めて調査してから提案する。

失敗②：DC事業者との直接交渉で宅建業法に触れる
「売買の媒介」に該当する行為（買主と売主の間に入って報酬を得る）には宅建免許が必要だ。情報提供（フィンダー業務）に留め、実際の売買交渉は宅建業者に委ねることを徹底する。

失敗③：古いデータで候補地を判断する
送電線空き容量や登記情報は毎月変わる。3ヶ月以上前のデータを使った提案は信頼性が低い。必ずn8nで自動更新の仕組みを作り、常に最新データで判断する。

データセンター用地に限らず、過疎地の空き家・農地の公開データを副業に使う考え方は地方創生×AI副業｜過疎地の空き家・農地データで「情報格差」を収益化する完全ガイド2026にまとめています。

まとめ：先読みした人間だけが勝てる理由

DC用地先読みの優位性は「情報の非対称性」にある。大手コンサルや不動産業者が気づく前に、AIを使って候補地を特定できれば、個人でも高単価の情報提供ビジネスが成立する。電力・送電線・相続登記という3つのデータは全てオープンデータだ。ただし、それを組み合わせて意味のある分析に変える能力は、まだ多くの人が持っていない。

AIはその「組み合わせと解釈」を個人に与えてくれる。不動産×AI×政策を掛け合わせたとき、最も大きなレバレッジが効く領域の一つがDC用地情報だ。2026年の今、この波に乗れる人間の数はまだ少ない。先読みした人間だけが、次の不動産バブルの恩恵を最大化できる。

AIがブラウザの外に出てきた。

2026年1月、Anthropicが「Cowork mode」をリリースした。Claude Desktopアプリの中で動く、デスクトップ型のAIエージェント。チャットで指示すると、PCのファイルを読んで、書いて、Excelを作って、PDFを処理して、ブラウザも操作する。

正直に言うと、最初は半信半疑だった。ChatGPTもGeminiも「エージェント」を謳っているし、僕自身すでにn8n×Claude APIで業務自動化の仕組みを組んでいた。「また新しい名前がついただけでしょ」と。

でも1ヶ月触り倒して、考えが変わった。Coworkは「チャットの延長」ではなく、「仕事の引き取り手」だった。個人事業主として毎月やっていた領収書整理・請求書作成・議事録処理という三大面倒事が、本当に消えた。

この記事では、その実体験を具体的に書く。

Cowork modeとは何か — Claude Codeとの関係から

まず整理しておきたいのが、Coworkの立ち位置だ。

Anthropicには「Claude Code」というエンジニア向けのCLIツールがある。ターミナルからコーディングタスクを丸投げできる強力なツールで、エージェント的に自律動作する。Coworkは、このClaude Codeのエージェント基盤をそのまま活かして、「コーディング以外の知的労働」に広げたものだ。

つまり技術的にはClaude Codeの兄弟。でもユーザー体験はまるで違う。ターミナルではなくClaude Desktopアプリの中で動き、操作はすべて自然言語。コードを書く必要はない。

ここが重要なポイントで、ChatGPTやGeminiも「エージェント機能」を持っているが、2026年4月時点でPCのローカルファイルに直接アクセスできるのはCoworkだけだ。ChatGPTのデスクトップアプリはブラウザ操作はできるが、ローカルフォルダの読み書きはできない。Geminiはそもそもデスクトップエージェントがない（Google Workspace内の連携は強いが）。

この「ローカルファイルへの直接アクセス」が、個人事業主にとっては決定的に効く。なぜなら、僕たちの仕事は結局のところ「PCの中のファイルをいじること」だからだ。

実例①：領収書PDFをフォルダごと投げて仕訳Excelを生成

毎月の経理処理。以前はこうだった。

1. ダウンロードフォルダに溜まった領収書PDFを開く
2. 1枚ずつ日付・金額・勘定科目を読み取る
3. Excelの仕訳帳に手入力
4. 月末に税理士に送付

これに毎月2〜3時間かかっていた。

Coworkでやったこと：ダウンロードフォルダを選択して、「この中の領収書PDFを全部読んで、日付・支払先・金額・勘定科目を抽出して、仕訳帳フォーマットのExcelにまとめて」と指示しただけ。

3分で完了した。

もちろん完璧ではない。勘定科目の判定は8割程度の精度で、「通信費」と「消耗品費」の境界が曖昧なものは自分で直す必要がある。でも「ゼロから入力」と「8割できたものを確認」は、体感で全く違う作業だ。

ポイントは、これをやるのにコードが1行も要らなかったこと。n8nでの自動化は強力だが、フロー構築に数時間かかる。Coworkは「日本語で頼むだけ」で動く。

実例②：議事録テキストからQA抽出→Word納品まで

コンサルの仕事で定期的に発生するのが、クライアントとの会議後の議事録処理だ。

文字起こしツールから出力されたテキストを整形して、質疑応答を抽出して、Wordに起こして納品する。地味だが、1回30分〜1時間はかかる。

Coworkにやらせたプロセスはこうだ。

「このテキストファイルを読んで、質疑応答（Q&A）を抽出して、整形されたWord文書として保存して」

Coworkは文字起こしテキストの中から、質問と回答のペアを文脈から判定して抽出し、Wordのフォーマットに整えて.docxファイルとして出力した。所要時間は約2分。

しかもCoworkはSkillsと連動できるので、「QA抽出→Word化」というパターンをSkillとして登録しておけば、次回から「/qa」と打つだけで同じ品質のアウトプットが出る。属人化の排除、つまり「僕がやっても、AIがやっても同じ品質」が実現した。

実例③：クライアントごとのフォルダ自動セットアップ

新規案件が始まるたびに、フォルダ構造を作る。提案書フォルダ、議事録フォルダ、成果物フォルダ、テンプレートの配置。毎回同じ作業なのに、毎回15分くらいかかる。

Coworkに「新規案件フォルダを作って。テンプレートは前回と同じ構成で」と頼めば、フォルダ構造の作成からテンプレートファイルの配置まで一気にやってくれる。

これも、n8n等でワークフロー化はできる。でもCoworkの強みは「例外に対応できる」ことだ。「今回はワークショップ案件だからワークショップ用のテンプレートも追加して」と言えば、その場で判断して構成を変えてくれる。定型と非定型の間を自然言語で埋められるのは、エージェントならではだ。

Claude in Chromeとの連携 — 調査と成果物がつながる

Coworkの真価は、単独で使うより「Claude in Chrome」と組み合わせたときに出る。

Claude in ChromeはChromeの拡張機能で、ブラウザの中で動くAIエージェントだ。Webページを読み、クリックし、フォームを埋め、複数タブをまたいで情報を集めてくれる。

僕がやっているのはこういう使い方だ。まずClaude in Chromeで競合調査。クライアントの業界の主要プレイヤーのWebサイトを巡回して、サービス内容・価格・差別化ポイントを収集する。その情報がCoworkに渡り、Coworkが整形されたExcelやPowerPointとして出力する。

「ブラウザで集めて、デスクトップで仕上げる」。この2段構えが、2026年のClaude活用の型になりつつある。

使ってみてわかった「やらせてはいけないこと」

正直に書く。Coworkは万能ではない。

セッション記憶がない。新しい会話を始めると、前の会話の内容は忘れる。「先週やったあの作業の続き」と言っても通じない。SkillsやMCPで文脈を渡す工夫が必要だ。

アプリを閉じると止まる。Coworkが作業中にPCがスリープに入ると、タスクは中断される。スケジュール実行も、Claudeアプリが起動していないと動かない。

使用量の消費が大きい。Coworkはファイルを読み、計画を立て、複数ステップを実行するため、通常のチャットよりトークン消費が多い。Max 20xプランでも、1日に重い作業を10セッション回すと枠が気になってくる。

機密データには注意が必要。ファイルの中身をClaudeに読ませることになるので、NDA案件では使わない判断をしている。Research Preview段階という前提を忘れないこと。

プロンプトインジェクションのリスク。外部から受け取ったファイルをそのまま処理させると、ファイル内に仕込まれた悪意ある指示にCoworkが従ってしまう可能性がゼロではない。信頼できるファイルだけを渡す、という運用ルールは守るべきだ。

n8n自動化との使い分け

以前紹介したn8n×Claude API連携と、Coworkは競合しない。むしろ補完関係にある。

n8n（API自動化）が向いているもの：毎日同じ条件で実行する定型処理。トリガーベースの完全自動化。24時間サーバーで動かしたい処理。

Cowork（デスクトップエージェント）が向いているもの：「今この場で」やってほしい非定型タスク。判断が必要な半自動処理。ファイルの中身を見て対応を変える柔軟な作業。設定なしで自然言語で頼める即時性。

整理すると、「繰り返す」ならn8n、「今やる」ならCowork。この使い分けが、僕の中では固まってきた。

まとめ — 事務作業を「任せる」という選択肢

Cowork modeで変わったのは、作業時間だけじゃない。

「これはAIに任せられるか？」という問いが、仕事のデフォルトになった。以前は「自分でやるか、外注するか」の2択だった。そこに「AIに任せる」が3番目の選択肢として入ってきた。しかも外注と違って、待ち時間は3分で、コストは月額の範囲内で、やり直しも何度でもできる。

個人事業主にとって、事務作業は「やらなきゃいけないけど、売上にならない」仕事だ。それが消えるわけではないが、「自分の時間」から「Claudeの時間」に移管された。浮いた時間でクライアントワークに集中できる。これが月3万円（Max 20x）の本当の価値だと思っている。

まずは個人情報や機密情報を含まないサンプルで、任せたい事務作業を一つ選んで試してみてください。出力を自分で確認しながら、必要な情報と判断する箇所、仕上がりの条件を整理していきましょう。任せる範囲は、その結果を見てから決められます。

もちろんCoworkはまだResearch Preview段階だし、セッション記憶やセキュリティ面は改善の余地がある。完璧なツールではない。でも「個人事業主が一人で回す仕事」のうち、事務処理のレイヤーを担ってくれる存在としては、2026年4月時点で最も実用的な選択肢だと感じている。

次回は、Coworkの裏側で動いている「Claude Skills」について書く。業務知識をテンプレート化して再現性を上げる話。

daichi
コンサルタント × 個人事業主。Claude Max 20x契約中。AIを「使う」のではなく「一緒に働く」を模索中。

コンサルの仕事は”属人化の塊”だ。

クライアントの課題を聞いて、構造化して、打ち手に落とす。毎回ゼロから考えているように見えて、実は頭の中で同じフレームワーク、同じ段取り、同じ品質基準が回っている。でもそれは自分の頭の中にしかない。だから再現できないし、人に渡せない。

Claude Skills（SKILL.md）を使い始めて、この問題が解けた。

Skillsとは、Claudeに「業務の手順書」を渡す仕組みだ。フォルダにSKILL.mdというファイルを置くだけで、Claudeがその手順を学習し、適切なタイミングで自動的に発動する。プロンプトを毎回書き直す必要がない。1回設計すれば、何度でも同じ品質で再現される。

この記事では、僕が実際に作って業務で回している5つのSkillを紹介しながら、「AIを使いこなす」とは何なのかを考える。

Skillsとは何か — Prompts・Projects・MCPとの違い

Claude周りには似た概念が多い。整理しておく。

Prompts（プロンプト）は一回限りの指示。「この議事録を要約して」と打つたびに、毎回同じ指示を書く必要がある。

Projects（プロジェクト）は背景知識の置き場。「うちのクライアントはこういう業界で、こういう課題を持っている」という文脈をClaudeに常時渡しておく。参照資料のようなもの。

MCP（Model Context Protocol）は外部ツールとの接続口。NotionやSlack、Gmailなど外部サービスにClaudeがアクセスするためのプロトコル。「何にアクセスできるか」を決める。

Skillsは「どうやるか」を教える。MCPが「接続」ならSkillsは「手順」。Projectsが「知識」ならSkillsは「技術」。一度書いたら自動で発動し、同じ品質を再現してくれる。

もっと端的に言えばこうだ。プロンプトは「今だけの指示」。Projectsは「ずっと覚えておいて」。MCPは「あのツールを使えるようにして」。Skillsは「このやり方で毎回やって」。

僕が作った5つの実用Skill

1. case-setup（案件立ち上げ）

新規案件が来たとき、「/case 〇〇社」と打つだけで以下が一気に動く。クライアント名のフォルダ構造を自動作成（提案書・議事録・成果物・参考資料）、テンプレートファイルを配置、企業の基礎情報をWeb検索してPEST分析の初稿を生成。以前は案件立ち上げのたびに15分かけてフォルダを作り、テンプレをコピーしていた。今は30秒。しかも初回リサーチまで付いてくる。

2. mtg-assistant（会議アシスタント）

「/mtg 〇〇社 定例」と打つと、会議前はアジェンダ案と関連資料の検索。会議後は議事録テキストからNext Actionの抽出と整理。会議の前後処理が半自動化された。ポイントは「会議名やクライアント名に言及するだけで発動する」ようにトリガーを設計したこと。わざわざスキル名を覚えなくても、「〇〇社の定例の準備して」と自然に言えば動く。

3. daily-briefing（朝のブリーフィング）

毎朝「/briefing」と打つと、今日のスケジュール確認、未読Slackの要約、重要メールの確認、タスクの優先順位提示が一括で出てくる。これはMCPサーバー（Googleカレンダー・Slack・Gmail）と組み合わせて初めて機能する。MCPが「情報への接続」を担い、Skillsが「何をどの順序で見せるか」を設計している。この2つの組み合わせが、いわば「AI秘書のOS」になっている。

4. knowledge-search（ナレッジ検索）

「前にやった〇〇の分析ってどんなアプローチだった？」と聞くと、過去の支援資料を横断検索して関連する知見を引き出してくれる。コンサルにとって過去事例の再利用は品質とスピードの源泉だ。でも普通のファイル検索では、自分がどういう名前でファイルを保存したか覚えていないと辿り着けない。Skillsに「業界名やテーマ名で聞かれたらトリガーする」と設計しておけば、曖昧な問いかけでも関連ナレッジが返ってくる。

5. meeting-qa-extract（QA抽出）

会議の文字起こしを投げて「/qa」と打つだけで、質疑応答を抽出し、整形されたWord文書として出力する。前回の記事でも触れたが、Cowork modeとSkillsの連携でこれが実現している。

SKILL.mdの書き方 — 設計の勘所

SKILL.mdの構造はシンプルだ。YAMLフロントマター（メタ情報）とマークダウン本文（手順）の2部構成。重要なのは3つ。

①descriptionの精度。YAMLフロントマターのdescriptionが、Claudeがこのスキルを「いつ使うか」を判断する根拠になる。ここが曖昧だと、使いたいときに発動しない。逆に具体的に書きすぎると、想定外の場面で暴発する。「何をするスキルか」と「いつ使うべきか」の両方を明記するのがコツだ。

②トリガーの設計。「/case」のようなスラッシュコマンドで明示的に呼ぶパターンと、「案件立ち上げ」「新しいクライアント」のような自然言語で暗黙的に発動するパターンの両方を設計する。僕は「明示トリガー3つ + 暗黙トリガー5つ」くらいのバランスで書いている。

③手順の粒度。大枠だけ書いて細部はClaudeに任せるか、ステップバイステップで厳密に指定するか。僕の経験では、「判断基準」を書いて「手段」はClaudeに任せるのがベスト。たとえば「勘定科目は税理士基準で分類」とは書くが、「PDFのどのフィールドを読むか」までは書かない。

Skillを作ることで起きた副次効果 — 自分の思考の言語化

正直、いちばん価値があったのはSkill自体ではなく、Skillを書くプロセスだった。

案件立ち上げのSkillを書こうとしたとき、「自分はいつもどういう手順でやっていたんだっけ」を言語化する必要があった。すると「実はこの手順は不要だった」「ここの判断基準が曖昧だった」という気づきが大量に出てきた。

コンサルの仕事は「暗黙知の塊」で、先輩の背中を見て覚える世界だ。でもSkillを書く行為は、その暗黙知を強制的に形式知に変換する。結果として、自分の仕事の設計図が見えるようになった。

これは、AIを「使う」話ではない。AIに「教える」ために自分の仕事を棚卸しした結果、自分の仕事が整理された、という話だ。

チームに展開するときの注意点

Skillsは個人で使うだけでなく、チームで共有できる。同じSKILL.mdをチームメンバーのClaude環境に配置すれば、全員が同じ品質で業務を回せる。ただし注意点がある。

個人情報の取り扱い。Skillの中にクライアント名や具体的な契約条件を埋め込まないこと。Skillは「やり方」を定義するもので、「誰の案件か」は実行時に渡すべきだ。

権限の設計。Skillがファイルの読み書きやMCP経由で外部サービスにアクセスする場合、誰がどこまでの権限を持つのかを先に決めておく。特にSlackへの投稿やGoogleカレンダーへの書き込みなど、副作用のある操作は慎重に。

過度な自動化の誘惑。全部をSkill化したくなるが、「判断が毎回変わるもの」はスキルにしない方がいい。Skillは再現性が武器なので、再現性がないタスクを無理にSkill化すると、かえって品質が下がる。

まとめ — AIの使い方ではなく、仕事の設計図を書く時代

Skills systemの本質は、技術の話ではない。

「自分の仕事はどういう手順で、どういう判断基準で、どういう品質基準で回っているのか」を言語化し、外部化すること。それがSkillを書くという行為の正体だ。

プロンプトエンジニアリングが「AIへの上手な頼み方」だとすれば、Skills設計は「自分の仕事の設計図を書くこと」に近い。前者はAI側の話、後者は自分側の話。

2026年のClaude活用で最も重要なのは、モデルの性能でも、プロンプトの巧みさでもなく、「自分の仕事をどこまで構造化できるか」だと僕は思っている。構造化できた部分はSkillに任せ、構造化できない部分に自分の時間を集中させる。それがコンサルタントとしての僕とAIとの付き合い方だ。

まず、繰り返している仕事を一つ選び、何が必要で、どう判断し、どうなれば完了かを短く書き出してみてください。次に同じ仕事が来たとき、そのメモで再現できるか確かめます。Skillに任せる範囲は、その結果を見てから決めていきましょう。

daichi
コンサルタント × 個人事業主。Claude Max 20x契約中。仕事を「構造化して任せる」を実践中。