Perplexityとは、出典を示しながら回答する検索型AIサービスのことです。
用地の一次検討で最も時間を食うのは、答えを出す作業ではなく、根拠になる資料を集める作業です。人口動態、開発計画、周辺の取引事例、競合施設の分布。これらを役所のサイトと統計と業界紙から拾い集めると、担当者1人で丸2日かかることも珍しくありません。出典リンク付きで回答する検索型AIを使うと、この資料集めの工程が1時間前後まで縮みます。ただし、出てきた数字をそのまま企画書に貼るのは危険で、一次資料に当たり直す工程を残す設計が要ります。本記事は、宅建業免許（東京都知事(1)第113520号）を保有し、AI導入コンサル100社超の実績を持つ株式会社オルセル（不動産のチカラ運営）の知見をもとに、相場リサーチと商圏分析の実務手順を、プロンプト8本と検証ルールつきで整理します。
検索型AIが不動産のリサーチに向く理由と、向かない領域
向く理由は、出典が付くことです。生成AIの回答をそのまま業務に使えない最大の理由は、根拠が確認できない点にありました。検索型AIは回答の各文に参照元のリンクが付くため、「この数字はどこから来たのか」を追える。企画書に載せる情報として扱うには、この追跡可能性が前提条件になります。
不動産のリサーチで扱う情報は、大きく4種類に分かれます。公的統計（人口、世帯数、地価公示）、行政の計画情報（都市計画、開発許可、再開発事業）、市場情報（募集賃料、成約価格、空室率）、そして周辺環境の情報（商業施設、学校、交通計画）。このうち検索型AIが強いのは、2番目と4番目でした。行政の計画情報は公開されているのに散在しており、人が探すと時間がかかる領域です。
逆に向かないのが、市場情報の細かい数値でした。特定物件の成約価格や、エリアの実効賃料といった数字は、業界内のデータベースに閉じています。検索型AIが拾ってくるのは、公開されている募集賃料の平均や、ポータルサイトが公表している統計です。これらは実勢と乖離することがあるため、参考値としてしか使えません。実務では、国土交通省の不動産情報ライブラリのような公的データ基盤や、自社が保有する取引事例と突き合わせる工程が要ります。
現場で繰り返し見るのは、AIが出した平均賃料を鵜呑みにして企画の前提に据えてしまう失敗です。募集賃料の平均と、実際に成約する賃料の間には差があります。フリーレントや礼金ゼロの条件が実質的な値引きになっている物件を、募集賃料だけで集計すると、実勢より高い数字が出ます。この差は、エリアと物件種別によって大きさが変わるため、一般論では補正できません。
もう一点、情報の鮮度に注意が要ります。検索型AIは検索結果を根拠にするため、古い記事が上位にあるとその内容を拾います。「2026年時点」と明示して問い、返ってきた出典の日付を確認する。この2手を習慣にするだけで、古い情報を掴む事故がかなり減りました。
商圏分析を1時間で回す5つの工程
工程は、範囲の確定、公的データの収集、計画情報の洗い出し、競合の把握、仮説の言語化という順序です。この順で回すと、1時間で企画会議に出せる材料が揃います。
第1工程は、分析範囲の確定です。徒歩圏なのか、駅勢圏なのか、車で15分圏なのか。用途によって商圏の取り方が変わるため、ここを曖昧にしたまま調べ始めると、集めた情報が使えません。賃貸住宅なら駅から徒歩15分圏と自転車10分圏、商業なら車で15分圏、というように用途ごとの型を社内で決めておいてください。
第2工程が、公的データの収集です。人口、世帯数、年齢構成、世帯の増減。市区町村単位のデータは統計サイトで公開されており、町丁目単位まで必要なら自治体の統計課が出している資料に当たります。検索型AIには、この「どこに資料があるか」を探させるのが効率的でした。数値そのものを答えさせるのではなく、資料の所在を答えさせる使い方です。
第3工程は、計画情報の洗い出しです。都市計画の変更、再開発事業、道路計画、学校の統廃合。これらは自治体のサイトに分散して掲載されており、人が探すと最も時間がかかります。ここが検索型AIの最も効く領域でした。直近の支援案件で観測したのは、担当者が半日かけて集めていた計画情報が、20分程度で一覧化できたケースです。
第4工程が、競合の把握です。同種の物件がエリアにどれだけあるか、募集条件はどうか、空室はどの程度か。ポータルサイトの掲載情報から拾える範囲と、業界データベースでないと分からない範囲を切り分けてください。検索型AIで拾えるのは前者だけです。
第5工程は、仮説の言語化です。集めた情報から「このエリアの需要はどこにあるか」を1段落で書く。この作業をAIに任せると平板な文章になりがちなので、材料の整理までをAIに、仮説の言語化を人に、という配分が実務的でした。
相場リサーチと商圏分析のプロンプト8本
以下の8本は、検索型AIでの利用を想定していますが、Web検索機能を持つ他のAIサービスでも同様に動きます。出典の日付を確認する習慣とセットで使ってください。
1本目は、エリアの基礎情報を一気に集めるものです。
プロンプト1：商圏の基礎情報の収集
{都道府県}{市区町村}{町名}周辺について、2026年時点の最新情報を、出典URLを明記して整理してください。
調べてほしい項目：
1. 人口・世帯数の直近推移（過去5年、可能なら町丁目単位）
2. 年齢構成（特に20代から40代の比率）
3. 世帯構成（単身世帯・ファミリー世帯の比率）
4. 直近の転入・転出の傾向
制約：
- 各項目に出典URLと、その資料の公表年月を明記すること
- 町丁目単位のデータが見つからない場合は、市区町村単位であることを明記すること
- 出典が見つからない項目は「未確認」と記載し、推計値で埋めないこと
- 複数の資料で数値が食い違う場合は、両方を併記すること
2本目は、行政の計画情報を洗い出すものです。
プロンプト2：行政の計画情報の洗い出し
{都道府県}{市区町村}{町名}周辺で、2024年以降に公表された以下の計画・事業について、出典URLつきで一覧化してください。
対象：
1. 都市計画の決定・変更（用途地域、地区計画、高度利用地区など）
2. 市街地再開発事業・土地区画整理事業
3. 道路・鉄道の新設または延伸計画
4. 学校の新設・統廃合
5. 大規模な公共施設の建設・移転計画
出力形式：
計画名／概要（50字以内）／公表主体／公表年月／進捗段階／出典URL
制約：
- 自治体の公式サイトまたは公的機関の資料を優先すること
- 報道のみで公式発表が確認できないものは、その旨を明記すること
- 構想段階と決定済みを区別して記載すること
3本目は、募集賃料の水準を掴むものです。参考値として扱う前提を明示しています。
プロンプト3：エリアの募集賃料水準の把握
{都道府県}{市区町村}{最寄駅}周辺の賃貸住宅について、2026年時点の募集賃料の水準を、出典つきで整理してください。
条件：
- 間取り：{1K／1LDK／2LDK／3LDK}
- 築年：{築10年以内／築20年以内／指定なし}
- 駅からの距離：{徒歩10分以内／指定なし}
出力：
1. 募集賃料の目安（幅で提示）と、その根拠となる出典
2. 出典の集計方法（何件のサンプルか、いつ時点か）
3. 同じ条件で複数の出典がある場合、その差と考えられる理由
制約：
- これは募集賃料であり成約賃料ではない旨を明記すること
- サンプル数が不明な出典は、その旨を明記すること
- 将来の賃料動向について予測を書かないこと
- 数値を推計で補完しないこと
4本目は、競合物件の分布を把握するものです。
プロンプト4：競合施設・競合物件の把握
{都道府県}{市区町村}{最寄駅}から徒歩{値}分圏内について、以下を出典つきで整理してください。
対象：
1. {賃貸マンション／商業施設／高齢者向け住宅／保育施設}の分布
2. 直近3年以内に竣工した同種施設
3. 建設中または計画中の同種施設
出力形式：
名称／所在／規模（戸数・面積など）／竣工年／出典URL
制約：
- 公開情報で確認できるものに限ること
- 計画中のものは、公式発表の有無を区別して記載すること
- 個人が特定できる情報を含めないこと
5本目は、周辺の生活環境を整理するものです。物件紹介の材料にもなります。
プロンプト5：周辺の生活環境の整理
{住所}を中心に、徒歩圏の生活環境を整理してください。
対象：
1. スーパー・ドラッグストア・コンビニ（徒歩10分圏）
2. 小学校・中学校の学区と、学校までの距離
3. 保育施設の分布と、直近の待機児童の状況
4. 医療機関（内科・小児科・総合病院）
5. 公園・図書館などの公共施設
出力：
施設名／種別／中心からの距離または徒歩分数／出典URL
制約：
- 距離・徒歩分数は出典に記載がある場合のみ書き、目測で書かないこと
- 待機児童の状況は、自治体の公表資料に基づくこと（公表年月を明記）
- 閉店・移転の可能性があるため、情報の時点を明記すること
6本目は、集めた情報の信頼度を評価させるものです。
プロンプト6：収集情報の信頼度チェック
以下は、あるエリアについて収集した情報の一覧です。それぞれの信頼度を評価してください。
評価の観点：
1. 出典の種別（公的機関／業界団体／民間企業／個人ブログ／不明）
2. 公表からの経過期間
3. 数値の集計方法が明示されているか
4. 他の出典と矛盾していないか
出力：
項目／信頼度（高・中・低）／評価理由／一次資料に当たり直すべきか
制約：
- 出典が確認できない項目は、信頼度「低」とすること
- 「高」と判定するのは、公的機関が2年以内に公表したものに限ること
情報一覧：
{貼り付け}
7本目は、用地検討の初期スクリーニングです。
プロンプト7：用地の初期スクリーニング用チェックリスト作成
{住所}の土地について、開発検討の初期段階で確認すべき事項を、公開情報で分かる範囲と、現地・役所調査が要る範囲に分けて整理してください。
公開情報で確認したい項目：
1. 用途地域、建蔽率、容積率、高さ制限
2. 都市計画道路の計画線の有無
3. 防火・準防火地域の指定
4. 土砂災害警戒区域・浸水想定区域の該当
5. 埋蔵文化財包蔵地の該当
出力：
項目／公開情報で確認できた内容／出典URL／現地または役所で確認が要る事項
制約：
- 公開情報で確認できない項目は「役所調査が必要」と明記し、推測しないこと
- ハザード情報は、自治体または国の公表資料に基づくこと
- 事業性の判断や収支の試算は行わないこと
8本目は、収集結果を企画会議用にまとめるものです。
プロンプト8：商圏分析メモの作成
以下の収集情報をもとに、社内の企画会議用メモを作成してください。
収集情報：
{プロンプト1〜7の出力を貼り付け}
出力（合計1,500字以内）：
1. このエリアの人口・世帯動向の要点（3行）
2. 今後3年以内に環境が変わる要因（計画情報から、3点以内）
3. 競合の状況と、供給が不足している可能性がある層
4. 判断のために追加で調べるべき事項（優先順位つき）
5. 現時点で確認できていない前提条件
制約：
- 出典が確認できていない情報は使わないこと
- 事業性の結論や、賃料の将来予測を書かないこと
- 「可能性がある」「〜と考えられる」といった表現で、推論と事実を区別すること
8本のうち、1から5が収集、6が検証、7と8が実務への落とし込みという役割です。6の検証工程を省くと、出典不明の数字が企画書に混ざります。
1エリアを実際に調べる通し手順
ここまでのプロンプトを、1つのエリアに対して順に流したときの流れを整理します。所要時間の目安も添えます。
開始から10分は、プロンプト1で基礎情報を取ります。人口と世帯数の推移が最初に効くのは、需要の方向を決める材料だからです。ここで単身世帯の増加が続いているのか、ファミリー世帯が転出しているのかが見えると、後続の調査で何を優先するかが決まります。町丁目単位のデータが出てこない場合は、市区町村単位で進めて構いません。粒度を上げる作業は、案件が次の段階に進んでからでも間に合います。
次の20分が、プロンプト2の計画情報です。この工程が最も価値を生みます。都市計画道路の計画線、再開発事業の進捗、学校の統廃合。これらは3年から10年のスパンでエリアの性格を変える要因であり、公開されているのに見落とされやすい情報でした。出力された一覧のうち、決定済みのものと構想段階のものを分けて読んでください。構想段階の計画は、企画の前提に置くと危険です。
続く15分で、プロンプト3と4を回します。募集賃料の水準と、競合の分布。ここで出た数字は参考値として扱い、自社の取引実績と突き合わせる前提でメモしてください。競合の分布については、建設中の物件が最も重要です。竣工済みの競合は既に市場に織り込まれていますが、2年後に竣工する物件は、企画の想定と正面からぶつかります。
残りの15分で、プロンプト6の検証とプロンプト8のメモ作成を行います。検証工程では、出典が公的機関のものか、公表から2年以内かをまず見てください。この2条件を満たさない情報は、企画会議で根拠として使わない、というルールを社内で決めておくと判断が速くなります。
合計60分。これで企画会議に出せる一次資料が揃います。実際にこの手順を回すと、時間を最も食うのは検証工程だと分かるはずです。収集は速く、確認は遅い。この非対称が、リサーチ効率化の本質的な制約でした。
なお、この60分で分かるのは「見送るべきかどうか」までです。進める判断をするには、現地確認と役所調査が要ります。公開情報だけで開発の可否を決められる案件は存在しません。一次調査の役割は、候補を絞り込むことであって、決めることではありませんでした。
リサーチAIの出力を業務に使うときの3つのルール
1つ目のルールは、出典のリンクを開いて確認することです。検索型AIは出典を示しますが、示された記事に本当にその数字が書いてあるとは限りません。要約の過程で数値が変わる、別の記事の数字と混ざる、といった誤りが起きます。企画書に載せる数字については、出典リンクを開いて該当箇所を目視で確認してください。この工程を省くと、会議で数字の根拠を問われたときに答えられません。
2つ目は、募集賃料と成約賃料を区別することです。AIが返してくる賃料水準は、ほとんどが募集賃料の集計です。成約賃料は業界データベースに閉じており、公開情報からは取れません。企画の前提に賃料を置く場合、募集賃料から何%割り引くかという補正を、自社の取引実績から作っておく必要があります。この補正率は地域と物件種別で異なり、一般的な数値としては提示できません。
3つ目は、将来予測を出させないことです。「このエリアの賃料は今後どうなりますか」という問いにAIは答えを返しますが、その答えを企画書に載せると、根拠のない断定的判断の提供になりかねません。宅地建物取引業法は、断定的判断を提供する行為を禁じています（宅地建物取引業法・e-Gov法令検索）。顧客に提示する資料では、将来の値動きを断定する記述を避け、事実と仮説を明確に分けてください。
不動産×AI導入コンサルの現場で繰り返し確認したパターンとして、リサーチの効率化が進むほど、収集した情報の量に対して検証が追いつかなくなる傾向があります。集める速度が10倍になっても、確認する速度は変わりません。集める項目をあらかじめ絞り、検証まで含めた工程で時間を測ってください。
もう1点、有料プランの利用について触れておきます。検索型AIの多くは無料枠と有料枠があり、有料枠では検索回数の上限が緩和され、より高性能なモデルが選べます。月額20米ドル前後（2026年8月時点、為替と改定があるため要確認）という水準で、リサーチ業務が主戦場の担当者なら投資対効果は明確でした。
商圏分析が速くなると、用地仕入の何が変わるか
変わるのは、検討できる案件数です。従来、1案件の一次調査に半日から2日かかっていたため、担当者1人が並行して検討できる案件は限られていました。この工程が1時間に縮むと、同じ人員で扱える案件数が増えます。
ただし、増えた案件数がそのまま成果になるわけではありません。一次調査の後には、現地確認、役所調査、地権者との折衝という工程が控えており、そこは人の時間がボトルネックのままです。効果が出るのは「早い段階で見送る判断ができるようになる」点でした。都市計画道路の計画線がかかっている、ハザード区域に該当する、といった条件は公開情報で分かります。これを1時間で確認できれば、現地に足を運ぶ前に候補から外せます。
情報の民主化という側面もあります。これまで、公開情報を効率的に集める能力は経験に依存していました。どの資料がどこにあるかを知っている担当者と、知らない担当者では、調査の速度が数倍違う。検索型AIは、この差を縮める方向に働きます。ベテランの優位は情報の所在から、情報の解釈へ移っていく。推測を含む見立てですが、この変化は数年かけて起きると考えています。
組織としての備えも変わります。従来、リサーチのノウハウは担当者個人に溜まっていました。どの自治体のサイトのどこに計画情報があるか、どの統計が使えるか。この種の知識は引き継ぎが難しく、担当者の異動で失われるのが常でした。プロンプトという形で言語化しておけば、この知識は組織に残ります。社内の共有ドキュメントにプロンプトを固定し、案件ごとに使い回す運用を作ってください。プロンプト自体が、リサーチ手順書として機能します。
賃貸管理や仲介の側でも、同じ手法が使えます。管理受託の提案時にエリアの需給を整理する、店舗の商圏内で供給が薄い間取りを把握する、といった用途です。開発部門のための道具と捉えると導入が遅れますが、実際には営業提案の材料づくりにも効きました。管理会社の何社かでは、オーナーへの提案書に周辺の計画情報を添えるようになり、提案の説得力が上がったという声が出ています。
不動産開発の実務では、公的データ基盤の整備も進んでいます。不動産情報ライブラリはAPIも公開されており（APIマニュアル）、取引価格情報や地価情報を自社システムから取得できます。検索型AIで所在を探し、APIで機械的に取得し、自社データと突き合わせる。この3段構えが、2026年時点で組める最も効率的なリサーチ体制でした。
よくある質問
Perplexityは無料で使えますか
無料プランでも基本的な検索と回答は利用できます。ただし高性能モデルの選択や検索回数には制限があり、業務で継続的に使う場合は有料プランが前提になります。月額の水準は20米ドル前後（2026年8月時点、為替と改定があるため要確認）です。
AIが出した賃料をそのまま企画書に使えますか
いいえ、AIが返す賃料はほとんどが募集賃料の集計であり、成約賃料とは差があります。企画の前提に賃料を置く場合は、自社の取引実績から補正率を作り、参考値として扱ってください。出典の集計方法とサンプル数の確認も欠かせません。
出典リンクは信用できますか
出典が示されること自体は信頼性を高めますが、示された記事に本当にその数値が記載されているかは別問題です。要約の過程で数値がずれる誤りが起きるため、企画書に載せる数字については出典を開いて該当箇所を目視で確認してください。
商圏分析にどのくらい時間がかかりますか
収集から検証まで含めて1時間前後が目安です。従来は担当者1人で半日から2日かかっていた工程が、この水準まで縮みます。ただし収集の速度が上がっても検証の速度は変わらないため、調べる項目をあらかじめ絞ることが前提でした。
将来の賃料や地価を予測させてもいいですか
社内の検討材料としては可能ですが、顧客に提示する資料に断定的な予測を載せることは避けてください。宅地建物取引業法は断定的判断の提供を禁じており、将来の値動きを言い切る記述は法令上の問題につながります。事実と仮説を分けて記述してください。
ChatGPTやClaudeでも同じことができますか
Web検索機能を持つモデルであれば同様の使い方ができます。検索型AIの利点は、回答の各文に出典が付く形式が標準になっている点でした。用途がリサーチに集中しているなら検索型、文書作成や分析も行うなら汎用型と、業務内容で選び分けてください。
公的データを機械的に取得する方法はありますか
はい、国土交通省の不動産情報ライブラリはAPIを公開しており、取引価格情報や地価情報を自社システムから取得できます。検索型AIで資料の所在を探し、APIで数値を取得するという併用が、精度と効率の両立に有効でした。
参考文献
不動産開発の実務は不動産開発カテゴリ、モデルの使い分けはAIモデル別カテゴリにまとめています。大量データの処理についてはGemini 3.6 Flashで物件情報を一括処理する手順もあわせてご覧ください。
著者：齋藤竹紘（株式会社オルセル 編集長／EC支援19年5,000社超／AIコンサル100社超／宅建業免許 東京都知事(1)第113520号）
※不動産のチカラでは、生成AIの導入支援から運用最適化まで、貴社の不動産事業に合わせたカスタマイズ提案を行っています。無料相談（30分）も実施中ですので、お気軽にお問い合わせください。
https://fudosannochikara.jp/contact/
【監修】齋藤竹紘（株式会社オルセル代表 / 宅建業免許 東京都知事(1)第113520号 / AI導入コンサル100社超）