MERとは、査定額と実際の賃料の誤差率の中央値のことです。
AI家賃査定の比較検討でつまずく理由は、各社が出す精度の数字が同じ土俵で測られていないことにあります。あるサービスはMER2.46%、別のサービスは東京都23区で5.45%と公表していますが、対象エリアも物件条件も測定時点も違うため、この2つを並べて優劣を語ることはできません。精度の数字を読む順序を先に持っておくと、商談の見え方が変わります。本記事は、宅建業免許（東京都知事(1)第113520号）を保有し、AI導入支援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）が解説します。
賃貸管理会社にとって家賃査定は、募集賃料の決定、オーナーへの提案、更新時の賃料改定という3つの場面で使う業務です。この記事では、MERという指標の読み方、主要サービスが公表している数値と前提条件、AIが不得意な物件タイプ、そして査定結果を実務に落とすためのプロンプト5本までを整理します。査定システムを買うかどうかの前に、自社の物件でどこまで使えるかを見立てられる状態を作ることが狙いです。
精度の数字は、どの条件下で測ったものか
まず押さえるべきは、AI家賃査定の精度指標として使われるMER（Median Error Rate、誤差率中央値）の意味です。査定額と実際の成約賃料の差を賃料で割った誤差率を出し、その中央値を取ったものがMERです。MERが5%であれば、全物件の半数が誤差5%以内で推定できているという読み方になります。平均ではなく中央値を使うのは、極端に外れた物件に引きずられないためです。
ここで重要なのは、MERは「対象を絞るほど良くなる」性質を持つことです。エリアを都心に限り、築年数を新しめに限り、マンションのみに絞れば、比較事例が潤沢な物件だけが残るため数値は下がります。逆に地方の築古アパートまで含めれば数値は悪化します。つまりMERの大小は、精度の優劣ではなく測定条件の違いを表している場合があるということです。
具体的に見ていきます。スマサテは公式サイトで、MER2.46%を達成していると説明しています。同社の説明では他社の賃料査定システムが5%前後であるのに対して高い水準にあるとし、約200万件の物件データをもとに開発したと記載されています。査定の考え方は、所在地・物件タイプ・構造・間取り・築年数・専有面積・駅徒歩分数・向き・階数から基準賃料を出し、角部屋や最上階といった部屋の位置、エアコンや浴室乾燥機などの設備で加算減算する構造です。
一方、SRE AI Partnersの不動産賃料推定エンジンは、東京都23区の1980年以降築マンションでMER5.45%、1979年以前築を含めると5.61%、1都3県では5.74%と5.82%という数値を公表しています。誤差5%以内に収まる物件の割合は23区で46.73%、誤差10%以内が74.62%、誤差20%以内が94.52%です。ただし同社は、これが2016年9月6日時点の推定精度であることを明記しています。エンジン自体は週1回の頻度で推定賃料と推定精度を更新し、アルゴリズムの改善も継続しているとされているため、公表値と現在の実力には差がある可能性があります。
このエンジンは、ソニーグループのR&Dが持つ機械学習技術と、SREホールディングスおよびSRE AI Partnersの賃貸物件査定の知識を組み合わせて開発されました。特筆すべきは、売買価格推定のアルゴリズムを流用せず、賃料特有のノウハウをプロパティ・マネジメントの担当者にヒアリングして新たに作った点です。売買価格と賃料は動く要因が違うため、この設計判断は理にかなっています。売買側の査定精度をどう見るかは売買仲介のAI査定と相場精度で別途扱いました。
数字を並べたうえで実務者に伝えたいのは、MERの比較よりも「自社の物件がその測定範囲に入っているか」を確認するほうが先だということです。23区のマンションを中心に扱う会社と、地方都市の木造アパートを中心に扱う会社では、同じサービスでも体感精度がまったく違います。
自社基準のMERは、特別なツールがなくても算出できます。過去1年に成約した物件を50件から100件ほど抜き出し、募集開始時点の条件で査定システムに入力して、出てきた査定額と実際の成約賃料を並べます。各物件について、査定額と成約賃料の差から符号を外した値を成約賃料で割り、誤差率を求めます。その中央値を取れば自社のMERです。50件あれば傾向はつかめますし、物件タイプ別に分けて出せば、どのセグメントで信用できるかが見えます。この作業に半日かければ、営業資料に書かれた数字より信頼できる判断材料が手に入ります。
計測の際に注意したいのが、成約賃料そのものの扱いです。フリーレント1か月付きで成約した物件を、表面賃料のままカウントすると実質賃料とずれます。実質賃料で見るか表面賃料で見るかを社内で先に決め、途中で変えないでください。ここが揺れると、月ごとの数字が比較できなくなります。
AIが不得意な物件を先に把握しておく
結論を先に書くと、査定システムの導入判断は「得意な物件でどれだけ精度が出るか」より「不得意な物件が自社ポートフォリオの何割を占めるか」で決まります。ここを見誤ると、導入後に「結局手で査定している」という状態になります。
スマサテは公式サイトで、査定精度が下がるケースと査定できない物件タイプを明示しています。精度が下がるのは、専有面積130㎡以上の広い物件、賃料50万円以上の高額物件、周辺の類似物件が極めて少ないエリアです。査定対象外となるのは、一戸建ての賃貸、テラスハウスやタウンハウス、専有面積5㎡未満または220㎡超の物件、築61年以上の物件です。これらは従来どおり手動での査定が必要になります。
こうした制約条件を公開している点はむしろ評価すべきところで、比較検討の際は各社に同じ粒度で確認することをおすすめします。確認すべきは4項目です。対象となる物件タイプ、対応する築年数の上限、専有面積の上下限、そしてエリアのカバー範囲。この4つが自社の管理物件と重ならない部分が、手作業として残ります。
現場感覚として、地方都市で木造アパートや戸建て賃貸を多く扱う管理会社では、AI査定でカバーできる比率が5割を下回ることも珍しくありません。それでも導入価値がないわけではなく、カバーできる5割の査定時間が減れば、残り5割に人の判断を厚く配分できます。全物件を機械化する前提で導入すると失望しますが、業務配分の組み替えとして見れば効果は出ます。
もうひとつ実務で効くのが、推定の信頼度表示です。SREのエンジンは信頼度を5段階の星で示し、推定賃料帯として70%の確率で賃貸に出されると推定した価格帯を提示します。信頼度が高いと価格帯の幅が狭くなり、低いと広がる仕組みです。この幅の情報は、オーナーとの会話で非常に使えます。単一の金額だけを示すと交渉が数字の押し合いになりますが、幅と信頼度を示せば「なぜこの幅なのか」という説明に会話が移ります。近隣の類似事例が少ないから幅が広い、という説明は納得を得やすい理屈です。
査定の裏付けとなる事例データの扱いも比較軸になります。レインズや自社の成約データをどこまで突き合わせられるかで、査定結果の説明力が変わります。この観点はレインズのAI分析で物件データを活かすでも触れました。
法的な位置づけも押さえておきます。AIによる賃料査定は、不動産鑑定士が行う不動産鑑定評価とは別のものです。査定結果は募集賃料を検討するための参考値であり、最終的な判断は宅地建物取引士をはじめとする人が行います。オーナーへの提示時に「AIが算出した参考値であること」を明示しないまま断定的に伝えると、宅建業法上の説明のあり方として問題になり得ます。AI利用時の線引きは宅建業法とAI利用のグレーゾーンにまとめました。
査定結果を実務に落とす手順とプロンプト5本
ここからは、査定システムの結果を業務に接続するための手順です。専用システムを導入していない会社でも、汎用の生成AIで検証工程と説明文の作成は組めます。2026年8月時点の主要モデルは、OpenAIのGPT-5.6系、AnthropicのClaude Opus 5とSonnet 5、GoogleのGemini 3.1 Proと3.6 Flashです。いずれも表形式のデータを読ませて比較する用途に耐えます。
流れは4段階です。査定結果の妥当性検証、オーナー向け説明文の作成、募集条件の複数パターン比較、そして改定提案への展開。以下のプロンプトはこの順に並べています。
最初は検証です。AIの出した数字をそのまま使わず、近隣事例と突き合わせる工程を挟みます。
プロンプト1：AI家賃査定結果の妥当性検証
以下のAI査定結果と近隣の募集事例を突き合わせ、査定額の妥当性を検証してください。
AI査定結果：
- 物件概要：{所在地・構造・築年数・間取り・専有面積・駅徒歩}
- 査定賃料：{金額}
- 信頼度・推定幅：{値}
近隣募集事例（5件）：
{事例ごとに 賃料 / 専有面積 / 築年数 / 駅徒歩 / 設備}
検証観点：
1. 坪単価または㎡単価で査定額と事例を並べ、乖離の大きい事例を指摘
2. 築年数・駅徒歩の差が単価差として妥当な範囲か
3. 事例に含まれる設備差で説明できる金額差はいくらか
4. 査定額が事例レンジの外側にある場合、その理由の候補を3つ
出力：単価比較の整理 → 乖離の指摘 → 妥当と判断できるか、要再検討か
注記：本検証は参考であり、最終判断は担当者が行う旨を末尾に記載すること
次にオーナー向けの説明です。数字だけを渡すと交渉になり、根拠を渡すと相談になります。
プロンプト2：オーナー向け査定根拠の説明文作成
以下の査定結果をもとに、オーナー向けの説明文を作成してください。
査定情報：
- 現行賃料：{金額} / 査定賃料：{金額} / 推定幅：{下限〜上限}
- 根拠となる近隣事例：{3件の概要}
- 物件の強み：{列挙} / 弱み：{列挙}
- 直近の反響数と内見数：{値}
条件：
1. 600字以内、専門用語には括弧で補足
2. 査定額は「参考値」であり、最終決定はオーナーと協議のうえ行う旨を明記
3. 断定的な将来予測（今後上がる、下がる）は書かない
4. 幅がある理由を1段落で説明する
5. 賃料以外の選択肢（設備更新、初期費用条件の調整）を2つ提示
出力：説明文本文のみ
賃料そのものを動かす前に、条件の組み合わせを比べる工程が入ると、提案の幅が広がります。
プロンプト3：募集条件の複数パターン比較
以下の条件で、募集パターンを3案作成し、年間収支で比較してください。
前提：
- 現行賃料：{金額} / 想定空室期間：{か月}
- 管理費・共益費：{金額} / 想定される募集経費：{金額}
- 検討中の条件：{フリーレント〇か月 / 賃料〇円下げ / 設備追加〇円}
条件：
1. 各案について、初年度と2年目以降の年間収入を算出
2. 空室期間の想定を案ごとに変え、その根拠を1行で
3. 設備追加案は初期投資の回収期間も算出
4. 数値の前提をすべて末尾に列挙
5. 推奨案を1つ挙げ、その理由を3行で
出力：3案の年間収支 → 前提条件 → 推奨案と理由
自社物件のうち、AI査定が効かない部分を先に切り分けておくと、運用が回ります。
プロンプト4：AI査定の対象外物件の事前判定
以下の管理物件リストを、AI査定の適用可否で3分類してください。
物件リスト：{物件ごとに 種別 / 構造 / 築年数 / 専有面積 / 賃料帯 / エリア}
判定基準：
- 適用可：マンション・アパートで築{60}年以内、専有面積{5}〜{130}㎡、賃料{50}万円未満
- 精度注意：上記のうち、周辺に類似事例が少ないエリア、または面積・賃料が上限付近
- 対象外：戸建て賃貸、テラスハウス、面積が上下限を外れる物件、築{61}年以上
出力：3分類ごとの件数と物件名 → 各分類の運用方針を2行ずつ →
「精度注意」に該当する物件で、追加で確認すべき情報を3点
更新時の改定提案は、根拠の組み立てが結果を左右します。
プロンプト5：賃料改定提案のドラフト作成
更新時期を迎える物件について、賃料改定の検討資料を作成してください。
入力：
- 現行賃料と契約開始時期：{値}
- 現在のAI査定賃料と推定幅：{値}
- 同一建物内の直近成約事例：{件数と賃料}
- 入居者の入居期間と支払い状況：{値}
- 建物の修繕履歴と今後の予定：{値}
条件：
1. 据え置き、増額、減額の3案について、それぞれのメリットとリスクを整理
2. 増額案では、退去リスクと再募集コストを金額で試算
3. 借地借家法上、賃料増減額請求には協議が前提となる点に触れる
4. 断定的な表現を避け、判断材料の提示にとどめる
5. オーナーに確認すべき事項を3点
出力：3案の比較 → 試算 → 確認事項
注記：法的な取り扱いは弁護士への確認を前提とする旨を明記すること
よくあるつまずきと回避策
第一のつまずきは、公表MERの数字だけでサービスを選んでしまうことです。前述のとおり測定条件が違うため、数字の小ささは自社での使いやすさを表しません。商談では「自社の管理物件と条件の近い100件で試算させてほしい」と依頼し、実際の成約賃料と突き合わせて自社基準のMERを出してください。これができないサービスは、比較の土俵に乗せる前に一段割り引いて考えるのが妥当です。
第二は、査定結果をオーナーに単一の数字として提示してしまうことです。幅と信頼度を伴わない数字は、後から実際の成約賃料がずれたときに信頼を損ないます。推定幅を出せるサービスであれば幅ごと示し、幅が出せないサービスなら近隣事例のレンジを添えてください。数字の精度そのものより、幅を説明できるかどうかが現場の信頼を左右します。
第三は、AI査定を賃料改定の根拠として一方的に持ち出すことです。賃料の増減額は借地借家法に基づく協議事項であり、システムの算出値がそのまま正当性を持つわけではありません。改定交渉の材料としては、近隣相場の推移、建物の修繕状況、入居者の支払い実績など複数の要素と併せて組み立てるのが実務です。この点は法務の確認を前提に進めてください。
第四は、査定の入力条件をいい加減に入れてしまうことです。設備の有無、部屋の位置、階数といった加算減算要素は、金額に直接効きます。自動連携がない場合は入力の手間が発生しますが、ここを省くと査定精度以前の問題で数字が狂います。入力項目の標準化を先に済ませておくのが定石です。直近の支援案件で観測したのは、担当者ごとに設備の入力粒度が違い、同じ建物の別部屋で査定額が1万円以上ずれていたケースでした。
第五は、季節性を織り込まずに査定額を評価してしまうことです。賃貸の成約は1月から3月に集中し、夏場は動きが鈍ります。閑散期に査定額どおりで募集して決まらなかったからといって、査定が外れたと判断するのは早計です。査定システムが参照する成約事例には繁忙期のデータが多く含まれるため、閑散期の募集では条件面での調整が必要になる場面があります。査定額の当否は、同じ時期に成約した事例と比べて判断してください。
費用と工数、そして測る指標
費用の構造を整理します。専用の賃料査定システムは、月額固定制のものと従量制のものがあり、無料で使い始められるプランを用意しているサービスもあります。公表価格が出ていない製品も多いため、複数社から見積もりを取って比較するのが現実的です。汎用の生成AIで検証と説明文の作成だけを担わせる場合は、月額20米ドル前後の個人向けプランで足ります。
工数の見立てとしては、導入初月に管理物件の分類作業が発生します。100戸規模なら数時間、1,000戸規模なら数日を見ておくのが現場感覚に近い水準です。この分類が済むと、以降は査定のたびに対象外物件を判断する手間が消えます。
測る指標は3つに絞ると運用しやすくなります。査定1件あたりの所要時間、募集開始から成約までの平均日数、そして募集賃料と成約賃料の乖離率です。3つ目は査定精度の実測値そのもので、半年ほど蓄積すれば自社基準のMERが出せます。この数字を持っている管理会社は、システム更新の交渉でも有利に立てます。
オーナー向けの提案品質という観点では、査定書の作成時間も測る価値があります。手作業で近隣事例を集めて資料化していた会社では、1件あたり40分から60分かかっていたものが、システム導入後に10分程度まで下がった例があります。管理戸数1,000戸規模で月に30件の査定書を作るなら、月15時間前後の削減になる計算です。数字は業務の組み方で変わるため、導入前の所要時間を2週間だけ実測してから比べてください。
投資判断の考え方も整理しておきます。査定システムの費用対効果は、削減時間の人件費換算だけで測ると小さく見えます。実際に効くのは、空室期間の短縮です。募集賃料の設定が適正化されて空室期間が平均で0.5か月短くなれば、賃料8万円の物件100戸で年間400万円の収入差になります。この効果はオーナーの収益に直結するため、管理受託の競争力としても働きます。システム費用の何倍で回収できるかは、この空室期間の指標で見るのが実務的です。
家賃の入金管理や督促まで含めた運用全体の設計は賃貸管理のAI家賃回収・督促で扱っています。査定から入金までを一本の業務として見ると、改善の順番が見えやすくなります。
この領域で3年後に効いてくるもの
査定エンジンの精度競争は、いずれ横並びに近づくと見ています。理由は、参照するデータの多くが業界共通のポータル掲載情報と成約事例であり、モデル側の技術も汎用化が進んでいるためです。差がつくのは、エンジンの外側にあります。
第一が、自社データの蓄積です。募集賃料と成約賃料の差、内見数と成約率、値下げに至った経緯といった自社固有のデータは、どのサービスも持っていません。これを構造化して溜めた管理会社は、外部エンジンの査定値を自社の実績で補正できるようになります。補正できる会社とできない会社では、オーナーへの説明力が変わります。
第二が、査定結果の使い先です。査定を募集賃料の決定だけに使っている会社と、更新時の改定判断、修繕投資の意思決定、オーナーへの定期報告にまで使っている会社では、同じシステムから引き出す価値が数倍違います。査定システムを「賃料を出す道具」として買うか「意思決定の入力」として買うかで、3年後の差が開きます。
補足すると、査定エンジンが参照できるデータの範囲も変わりつつあります。国が進める不動産IDの整備が進めば、同じ物件を指す識別子が業界横断で共通化され、成約事例の名寄せ精度が上がります。名寄せが正確になるほど、類似事例の抽出が安定し、査定の幅は狭まる方向に動きます。この基盤整備は個社の努力では動かせない部分なので、制度の進み具合を追っておく価値があります。
第三が、説明の設計です。生成AI検索が普及するなかで、オーナー自身がAIに賃料相場を尋ねる場面は今後増えます。管理会社が示す数字と、オーナーが自分で調べた数字が食い違ったとき、幅と根拠を説明できるかどうかが問われます。数字を出すことより、数字のぶれ幅を説明できることのほうが、これからの競争力になるという見方です。
よくある質問
MERが低いサービスを選べばよいですか
いいえ、MERの数値だけでは選べません。MERは測定対象のエリア、物件タイプ、築年数、測定時点によって大きく変わるため、条件が異なる数値を並べて比較することに意味がありません。自社の管理物件に近い条件で試算してもらい、実際の成約賃料と突き合わせた結果で判断してください。
AI査定の結果をそのまま募集賃料にしてよいですか
推奨しません。AI査定は募集賃料を検討するための参考値であり、不動産鑑定士が行う鑑定評価とは性質が異なります。物件固有の事情、繁忙期か閑散期か、競合物件の動きといった要素を加味したうえで、担当者が最終判断してください。
戸建て賃貸も査定できますか
サービスによります。マンション・アパートを対象とし、戸建て賃貸やテラスハウスを対象外としているサービスがあります。戸建ての比率が高い管理会社は、契約前に対応範囲を確認してください。対象外の物件は従来どおりの手動査定が必要になります。
無料で試せるサービスはありますか
あります。無料プランや無料トライアルを用意しているサービスが存在します。まず自社物件を10件ほど入力し、実際の成約賃料と比べてみるのが実践的な検証方法です。この段階なら費用をかけずに精度の実感がつかめます。
地方の物件でも使えますか
エリアによります。査定は周辺の類似事例を参照する仕組みのため、類似物件が極めて少ないエリアでは精度が下がる傾向があります。地方でも都市部であれば実用範囲に入ることが多く、過疎地域では手動査定が残ると考えておくのが現実的です。
オーナーに査定根拠をどう説明すればよいですか
金額の単独提示ではなく、推定幅と近隣事例をセットで示すのが有効です。幅が広い場合は「近隣の類似事例が少ないため幅が出ている」と説明できます。AIの算出値である旨と、最終判断は協議のうえ決める旨を添えてください。
賃料改定の交渉材料として使えますか
補助材料としては使えますが、単独の根拠にはなりません。賃料の増減額は借地借家法に基づく協議事項であり、近隣相場の推移、建物の状況、契約条件など複数の要素を総合して判断されます。交渉の進め方は弁護士への確認を前提に組み立ててください。
参考文献
- スマサテ｜スマサテをお使いになる前に（査定の仕組みと精度）
- SRE AI Partners｜不動産賃料推定エンジン
- SRE AI Partners｜SRE AI賃料査定 CLOUD
- 全国賃貸住宅新聞｜スマサテ、AI賃料査定 月間10万件
著者：齋藤竹紘（株式会社オルセル 編集長／宅建業免許 東京都知事(1)第113520号／AI導入支援100社超／EC支援19年5,000社超のノウハウを不動産×AIに横展開）
※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 / 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）