【2026年6月最新】AI（人工知能）の種類を5つの軸で完全分類｜機械学習・深層学習・生成AIの違いと経営での選び方
aikanri-admin
この記事の内容
- 01そもそもAI（人工知能）とは何か？ — OECD定義で整理
- 02【軸1】タスク範囲で分類 — ANI・AGI・ASI
- 03【軸2】学習方法で分類 — 教師あり・教師なし・強化学習
- 04【軸3】入出力で分類 — 識別・予測・対話・生成・最適化
- 05【軸4】データ型で分類 — テキスト・画像・音声・動画・表形式
- 06【軸5】実行環境で分類 — クラウド・オンプレ・エッジ
- 07技術スタック全体像 — 機械学習・深層学習・生成AIの包含関係
- 08AIにできること・できないこと — 経営者が知るべき限界
- 09目的別AIの選び方 — 3ステップ判断フロー
- 10経営に効くAIはどれか？ — 生成AIエージェントという回答
- FAQよくある質問
「AI」「機械学習」「深層学習」「生成AI」——ニュースで毎日のように目にするこれらの言葉。しかし、それぞれ何が違うのか、自社にはどれが必要なのかを正確に説明できる経営者はまだ少数派です。
AI（人工知能）は1つの技術ではありません。目的・学習方法・扱うデータ・実行環境によって何十種類にも分かれます。そして、種類を間違えると「高額な投資をしたのに成果が出ない」という典型的な失敗パターンに陥ります。
この記事では、OECDの最新定義を起点に、AIの全体像を5つの軸で体系的に分類します。技術者向けの難解な分類ではなく、「経営判断に必要な粒度」に絞って解説するので、エンジニアでなくても最後まで読み通せます。
代表菅澤
AI鬼管理山崎
01 DEFINITION そもそもAI（人工知能）とは何か？ — OECD定義で整理 「AIとは何か」の答えは、国際的に決まっている
AI（Artificial Intelligence：人工知能）の定義は、実は国際的に合意されたものがあります。2024年にOECD（経済協力開発機構）が改訂した定義がそれです。
📚 用語解説
AI（Artificial Intelligence）：機械ベースのシステムであり、明示的または暗示的な目的のために、受け取った入力から予測・推薦・意思決定などの出力を生成するもの。物理的・デジタルな環境に影響を与える能力を持つ。——OECD（2024年改訂版）
このOECD定義のポイントは3つあります。
代表菅澤
では、このAIという大きな枠組みの中に、どのような種類があるのか。ここから5つの軸で分解していきます。
02 AXIS 1: TASK SCOPE 【軸1】タスク範囲で分類 — ANI・AGI・ASI 今使えるAIと「未来のAI」の違い
AI分類の第一の軸は、「どこまで広い範囲のタスクをこなせるか」です。タスク範囲で分けると、AIは大きく3つに分かれます。
📚 用語解説
ANI（Artificial Narrow Intelligence）：特化型人工知能。特定のタスク（翻訳、画像認識、チャット応答など）を高精度でこなすが、その範囲を超えた作業はできないAI。2026年現在、世の中のすべてのAIはこのANIに分類されます。
| 種類 | 範囲 | 具体例 | 実現状況 |
|---|---|---|---|
| ANI（特化型AI） | 1つのタスクに特化 | ChatGPT、Claude、画像認識AI、将棋AI | 実用化済み（現在はすべてこれ） |
| AGI（汎用AI） | 人間と同等のあらゆるタスク | 未知の課題にも自律対応できるAI | 未実現（2030年前後の予測あり） |
| ASI（超知能） | 人間の全能力を超越 | 科学的発見を自律的に行えるAI | 理論段階（実現時期は不明） |
重要なのは、2026年5月時点で実用されているAIは、すべてANI（特化型AI）に分類されるという事実です。ChatGPTもClaudeも、どれだけ「賢い」と感じても分類上は特化型です。
AI鬼管理山崎
📚 用語解説
AGI（Artificial General Intelligence）：汎用人工知能。特定タスクに限定されず、あらゆる知的作業を人間と同等以上のレベルで遂行できるAI。OpenAIやAnthropic、Google DeepMindが開発を目指している段階で、2026年時点では実現していません。
経営者にとっての実務的な意味は明確です。「AGI待ち」は意味がない。今あるANI（特化型AI）を正しく選んで使い倒すことが最大のリターンを生む——これがこの軸から得られる結論です。
「AGIが来たら導入する」は最大の機会損失パターンです。ANIでも、正しいタスクに正しく適用すれば業務時間を90%以上削減できます。弊社の営業部門がその実例です（週20時間→2時間）。
「強いAI」「弱いAI」という分類がネット上にありますが、これはANI/AGIの旧称であり、学術的にはすでに推奨されていない表現です。正式にはANI/AGI/ASIの3段階で理解してください。
03 AXIS 2: LEARNING METHOD 【軸2】学習方法で分類 — 教師あり・教師なし・強化学習 AIがデータから「学ぶ」3つの方法
第2の軸は、「AIがどうやってデータから学習するか」です。学習方法は大きく3つに分かれ、それぞれ得意なタスクが異なります。
3-1. 教師あり学習（Supervised Learning）
📚 用語解説
教師あり学習（Supervised Learning）：「正解ラベル付きのデータ」を大量に与えて、入力と正解の関係パターンを学ばせる手法。たとえば「この画像は猫」「この画像は犬」と正解付きの画像を1万枚見せることで、新しい画像が猫か犬かを判別できるようになります。
教師あり学習は、AIの学習方法のなかで最も直感的でわかりやすい手法です。「お手本（正解データ）を見せて覚えさせる」という、人間の教育と同じ発想です。
ビジネスでの活用例は多岐にわたります。
3-2. 教師なし学習（Unsupervised Learning）
📚 用語解説
教師なし学習（Unsupervised Learning）：正解ラベルなしのデータから、AI自身がパターンやグループを発見する手法。「この顧客群は似た購買行動をしている」といったクラスタリング（グループ化）が代表例です。
教師あり学習との最大の違いは、「正解を与えなくてもよい」点です。人間では気づけない隠れたパターンをデータから自動抽出するため、「何を探すべきかわからない」場面で威力を発揮します。
| 観点 | 教師あり学習 | 教師なし学習 |
|---|---|---|
| 正解データ | 必要（大量のラベル付きデータ） | 不要 |
| 用途 | 分類・予測（答えが明確な問題） | クラスタリング・異常検知（パターン発見） |
| 経営での例え | 「過去の成功例を見せて真似させる」 | 「ノーヒントで市場の隠れたセグメントを見つけさせる」 |
| コスト | 正解データ作成に人件費がかかる | データさえあれば始められる |
3-3. 強化学習（Reinforcement Learning）
📚 用語解説
強化学習（Reinforcement Learning）：AI（エージェント）が環境内で試行錯誤し、「報酬」を最大化する行動を学ぶ手法。囲碁AI「AlphaGo」が代表例で、自分自身との対局を何百万回と繰り返して最強の打ち方を編み出しました。
強化学習は、「正解がわからないが、良い結果と悪い結果はわかる」という場面で使われます。将棋・囲碁のようなゲームAIだけでなく、ビジネスでも活用が広がっています。
代表菅澤
📚 用語解説
RLHF（Reinforcement Learning from Human Feedback）：人間のフィードバックによる強化学習。AIの回答を人間が評価し、その評価を「報酬」として強化学習を行う手法。GPT-4、Claude、Geminiなど主要な大規模言語モデルで採用されており、AIの回答品質を飛躍的に向上させた技術です。
（正解あり・予測向き）
（正解なし・発見向き）
（報酬ベース・最適化向き）
04 AXIS 3: INPUT / OUTPUT 【軸3】入出力で分類 — 識別・予測・対話・生成・最適化 AIが「何を受け取り、何を出すか」で分ける
第3の軸は、「AIが何を入力として受け取り、何を出力するか」です。この軸が、実はビジネスでのAI選定に最も直結します。なぜなら、「自社の業務で何をインプットし、何をアウトプットしたいか」が明確になれば、必要なAIの種類が自動的に決まるからです。
| 機能 | 入力例 | 出力例 | ビジネス用途 |
|---|---|---|---|
| 識別（Recognition） | 画像・音声・テキスト | 分類ラベル（猫/犬、正常/異常） | 外観検査、不正検知、感情分析 |
| 予測（Prediction） | 過去のデータ（時系列） | 未来の数値・確率 | 需要予測、離職予測、株価予測 |
| 対話（Dialogue） | ユーザーの質問文 | 回答文 | カスタマーサポート、社内FAQ |
| 生成（Generation） | プロンプト（指示文） | テキスト・画像・コード・音声 | 記事作成、画像生成、コード生成 |
| 最適化（Optimization） | 制約条件・目的関数 | 最適な組み合わせ・スケジュール | シフト最適化、配送ルート、広告配信 |
AI鬼管理山崎
4-1. 識別型AIと生成型AIの違い — 経営者が特に押さえるべきポイント
AIの入出力分類で、特に重要なのが「識別型AI」と「生成型AI」の違いです。この2つは根本的に異なるアプローチで動いています。
📚 用語解説
識別型AI（Discriminative AI）：入力データを分析し、「何であるか」を判別するAI。画像認識・スパム判定・不正検知など。既存のパターンを「見分ける」ことが得意。
📚 用語解説
生成型AI（Generative AI）：入力（プロンプト）から新しいコンテンツを「作り出す」AI。テキスト生成・画像生成・コード生成など。ChatGPTやClaudeはこの生成型AIに該当します。2022年末からの爆発的な普及で最も注目されている分野です。
| 観点 | 識別型AI | 生成型AI |
|---|---|---|
| やること | 「これは何か」を判別する | 「新しいもの」を作り出す |
| 例え | 美術鑑定士（本物か偽物かを見分ける） | 画家（新しい作品を生み出す） |
| ビジネス例 | 不良品検出、メール分類、顔認証 | 記事執筆、コード生成、企画書作成 |
| 2026年の注目度 | 安定稼働中（成熟期） | 急成長中（ChatGPT、Claude等） |
代表菅澤
4-2. マルチモーダルAI — 複数の入出力を扱えるAI
近年急速に進化しているのが、複数のデータ型を同時に扱える「マルチモーダルAI」です。
📚 用語解説
マルチモーダルAI：複数の情報形態（テキスト・画像・音声・動画など）を同時に理解し、処理できるAI。GPT-4o、Claude 3.5 Sonnet、Gemini 1.5などが代表例。テキストで質問しながら画像を見せる、動画を入力してテキストで要約させるなど、人間の「五感」に近い処理が可能になりつつあります。
経営視点で言えば、マルチモーダルAIの登場により「テキストしか扱えない」「画像しか扱えない」というAIの制限が急速に解消されているということです。議事録の音声・ホワイトボードの画像・チャットのテキストをまとめて処理できるAIは、もう現実のものです。
05 AXIS 4: DATA TYPE 【軸4】データ型で分類 — テキスト・画像・音声・動画・表形式 AIが処理する「原材料」で分ける
第4の軸は、「AIが処理するデータの種類」です。データの型によって、使うべきAI技術・必要な計算リソース・導入の難易度が大きく変わります。
| データ型 | 代表的なAI技術 | ビジネス活用例 | 導入難易度 |
|---|---|---|---|
| テキスト | LLM（大規模言語モデル） | 記事生成・要約・翻訳・コード生成 | 低（APIで即利用可） |
| 画像 | CNN / 拡散モデル | 外観検査・画像生成・OCR | 中（精度にデータ量が必要） |
| 音声 | ASR / TTS | 音声認識・議事録自動生成・音声合成 | 中（ノイズ環境で精度変動） |
| 動画 | 時系列CNN / ViT | 監視カメラ解析・動画生成 | 高（計算コスト大） |
| 表形式（数値） | 勾配ブースティング / 回帰 | 売上予測・与信審査・在庫最適化 | 低〜中（構造化データで扱いやすい） |
| 時系列 | LSTM / Transformer | 需要予測・機器故障予知・株価分析 | 中（データの前処理が重要） |
📚 用語解説
LLM（Large Language Model）：大規模言語モデル。膨大なテキストデータで事前学習された言語AIの基盤モデル。GPT-4o、Claude 3.5 Sonnet、Gemini 1.5、Llama 3などが代表例。テキストの生成・理解・推論を高精度で行えます。
AI鬼管理山崎
5-1. 構造化データと非構造化データ
データ型を理解するうえで重要な概念が、「構造化データ」と「非構造化データ」の区別です。
📚 用語解説
構造化データ：Excelの表のように、行と列が定義されたデータ。売上額・顧客ID・日付など。従来の機械学習が得意な領域。
📚 用語解説
非構造化データ：自由形式のテキスト・画像・音声・動画など、表形式に収まらないデータ。企業内データの約80%が非構造化データとされており、深層学習・LLMの登場で初めて本格的にAI処理が可能になりました。
深層学習（ディープラーニング）の最大の功績は、非構造化データをAIで処理可能にしたことです。従来の機械学習では、画像やテキストを直接扱うことが困難でした。深層学習の登場により、企業が持つ膨大な「言語化されていないデータ」が活用可能になったのです。
（非構造化データ）
AI処理が可能に
そのまま分析
（文脈理解+生成）
06 AXIS 5: DEPLOYMENT 【軸5】実行環境で分類 — クラウド・オンプレ・エッジ AIを「どこで動かすか」で分ける
第5の軸は、「AIをどこで動かすか」です。同じAIモデルでも、実行環境によってコスト・速度・セキュリティが大きく変わります。
| 実行環境 | 特徴 | メリット | デメリット | ビジネス例 |
|---|---|---|---|---|
| クラウド | 外部サーバーで実行 | 初期投資ゼロ・最新モデル利用可 | データが外部に出る・通信遅延 | ChatGPT API・Claude API・Azure AI |
| オンプレミス | 自社サーバーで実行 | データを外に出さない・カスタマイズ自在 | 高額なGPU投資・運用負荷 | 金融機関・医療機関のAI |
| エッジ | 端末（PC・スマホ・IoT）で実行 | 超低遅延・オフライン動作 | モデルサイズに制限・性能はクラウドに劣る | スマホの顔認証・工場のリアルタイム検品 |
📚 用語解説
エッジAI：クラウドにデータを送らず、端末（PC・スマホ・カメラ・センサーなど）の上で直接AIを実行する方式。通信不要で超低遅延、プライバシーに強い。Apple Intelligenceのオンデバイス処理やMicrosoftのWindows AI Foundryがこの方向に進んでいます。
代表菅澤
6-1. 基盤モデル vs. 個別モデル
実行環境と合わせて理解すべきなのが、「基盤モデル（Foundation Model）」と「個別モデル」の違いです。
📚 用語解説
基盤モデル（Foundation Model）：大規模データで事前学習された汎用AIモデル。GPT-4、Claude 3.5 Sonnet、Gemini 1.5などが該当。1つのモデルで翻訳・要約・コード生成・質問応答など多様なタスクをこなせるため、「基盤＝土台」と呼ばれます。
2020年以前は、タスクごとに専用のAIモデルを構築するのが常識でした。しかし基盤モデルの登場により、1つのモデルで数十種類のタスクをこなせる時代になりました。経営者にとっては、「AIの種類が多すぎて選べない」問題が大幅に軽減されたということです。
タスク毎に個別モデル
（GPT-3, 2020）
（翻訳・要約・生成）
（Claude Code, 2025）
中小企業がAIを導入する場合、クラウド＋基盤モデル（LLM API）が最もコストパフォーマンスが高い組み合わせです。自社でGPUを持つ必要も、個別モデルを構築する必要もありません。
07 TECH STACK 技術スタック全体像 — 機械学習・深層学習・生成AIの包含関係 「AI」「ML」「DL」「生成AI」は入れ子構造
AIの種類を5つの軸で見てきましたが、ここで全体像を整理しましょう。AI・機械学習・深層学習・生成AIは「入れ子構造」（マトリョーシカのような関係）になっています。
大きい方から順に並べると、こうなります。
全体
データから学習
ニューラルネット
コンテンツ生成
言語+行動
📚 用語解説
機械学習（Machine Learning）：データからパターンを自動的に学習するAI技術の総称。教師あり学習・教師なし学習・強化学習の3手法を含みます。プログラマーがルールを書くのではなく、データから規則性をAI自身が発見するのが特徴です。
📚 用語解説
深層学習（Deep Learning / ディープラーニング）：機械学習の一手法で、人間の脳の構造を模した「ニューラルネットワーク」を何十層〜何百層にも重ねた（＝深い）手法。画像認識・音声認識・自然言語処理で革命的な精度向上をもたらしました。2012年のAlexNet（画像認識で人間超え）が転換点です。
AI鬼管理山崎
7-1. 生成AIの主要サブタイプ
生成AIの中にも、さらに複数のサブタイプがあります。
| サブタイプ | 生成するもの | 代表的なモデル/サービス | 仕組み |
|---|---|---|---|
| LLM（大規模言語モデル） | テキスト | GPT-4o / Claude 3.5 / Gemini 1.5 | Transformerベースの言語モデル |
| 画像生成AI | 画像 | Midjourney / DALL-E 3 / Stable Diffusion | 拡散モデル（Diffusion Model） |
| 音声AI（ASR/TTS） | 音声⇔テキスト | Whisper / ElevenLabs / Otter.ai | 音声認識+音声合成 |
| 動画生成AI | 動画 | Sora / Runway Gen-3 / Veo 2 | 拡散モデル+時系列処理 |
| マルチモーダルAI | 複数形式 | GPT-4o / Claude 3.5 Sonnet / Gemini 1.5 | 複数モダリティの統合処理 |
| AIエージェント | テキスト+行動 | Claude Code / Devin / GitHub Copilot | LLM+ツール操作+自律実行 |
代表菅澤
08 STRENGTHS & LIMITS AIにできること・できないこと — 経営者が知るべき限界 万能ではないAIの「得意・不得意」
AIの種類を理解したうえで、次に押さえるべきは「AIにできること」と「AIにできないこと」の境界線です。ここを曖昧にしたままAIを導入すると、期待外れに終わります。
8-1. AIが得意なこと（2026年時点）
8-2. AIが苦手なこと（2026年時点）
これらを理解せずにAIを導入すると、「使えない」という評価になりがちです。AIの限界は、種類の選定ミスではなく、AIそのものの構造的制約です。
AI鬼管理山崎
AIに任せてよいのは「間違っても修正可能な作業」です。記事の下書き・データ集計・メール返信案の作成は任せて大丈夫。一方、顧客への最終回答・法的文書・財務報告は、必ず人間が最終確認してください。
09 HOW TO CHOOSE 目的別AIの選び方 — 3ステップ判断フロー 「うちの会社にはどのAIが必要？」を3分で判断する
AIの種類を理解したら、次は「自社にどのAIが必要か」を判断するフェーズです。以下の3ステップで、最適なAIの種類が絞り込めます。
ステップ1: 目的を明確にする
まず、AIで何を達成したいのかを1文で言語化してください。
ステップ2: 入力と出力のデータ型を決める
目的が決まったら、「何を入れて何を出したいか」を明確にします。
（コスト?品質?スピード?）
（テキスト?画像?数値?）
（分類?予測値?テキスト?）
ステップ3: 実行環境とコストを評価する
最後に、セキュリティ要件・予算・運用体制に基づいて実行環境を選びます。
| 要件 | 最適な選択 | 目安コスト |
|---|---|---|
| データを外に出せない | オンプレミス or エッジAI | 数百万円〜（GPU+運用） |
| 初期コストを抑えたい | クラウドAPI（Claude / GPT） | 月数千円〜3万円程度 |
| 超低遅延が必要（リアルタイム処理） | エッジAI | 端末費用+組み込み開発費 |
| まず試したい | クラウドAPI＋無料枠 | 無料〜月数千円 |
代表菅澤
10 THE ANSWER 経営に効くAIはどれか？ — 生成AIエージェントという回答 5つの軸を踏まえた「経営者の最適解」
ここまでAIを5つの軸で分類してきました。最後に、「結局、経営者にとって最も効果的なAIはどれか」をまとめます。
結論から言えば、2026年時点で中小企業の経営に最もインパクトを与えるAIの種類は、「生成AI × エージェント × クラウド」の組み合わせです。5つの軸で整理すると、以下のようになります。
この条件をすべて満たし、かつ「AIエージェント」として自律的に業務を遂行できるのが、Anthropic社のClaude Codeです。
10-1. Claude Codeが「経営向きAI」である理由
Claude Codeは、単なるチャットボットではありません。ファイルの読み書き・コマンド実行・Web検索・テスト実施を自律的に行える「AIエージェント」です。
| 業務 | AI導入前（人間のみ） | Claude Code導入後 | 削減率 |
|---|---|---|---|
| 営業（リスト作成〜フォロー） | 週20時間 | 週2時間 | 90%削減 |
| 広告運用（出稿〜レポート） | 週10時間 | 週1時間 | 90%削減 |
| ブログ記事制作 | 1本8時間 | 1本1時間 | 87.5%削減 |
| 経理（仕訳〜月次報告） | 月40時間 | 月5時間 | 87.5%削減 |
| 秘書業務（スケジュール〜議事録） | 日2時間 | 日15分 | 87.5%削減 |
代表菅澤
10-2. Claude Codeの位置づけ — AI分類のなかで
この記事で解説した5つの軸で、Claude Codeを分類すると以下の通りです。
（Claude Code）
Claude Codeは、AIの技術スタック全体の「頂点」に位置するAIエージェントです。5つの軸のすべてにおいて、経営者が最も効果を実感しやすい位置にあります。
AI鬼管理山崎
株式会社GENAIでは、Claude Codeの全社導入を支援する「AI鬼管理」サービスを提供しています。AIの種類選びから導入設計・運用定着まで、経営者に伴走するコンサルティングです。
11 FAQ よくある質問 AIの種類・分類に関する疑問をまとめて解決
Q1. ChatGPTは「汎用AI（AGI）」ではないのですか？
いいえ。ChatGPTは高機能なANI（特化型AI）に分類されます。テキスト処理において多くのタスクをこなせますが、未知の分野を自ら学習したり、物理世界で行動したりすることはできません。OpenAI社もChatGPTをAGIとは位置づけていません。
Q2. 「機械学習」と「生成AI」の関係は？
生成AIは機械学習の一部です。正確には「AI ⊃ 機械学習 ⊃ 深層学習 ⊃ 生成AI」という入れ子構造。生成AIはAIの全てではなく、機械学習という大きな枠組みの中の、深層学習のさらに一部です。
Q3. AGIはいつ実現しますか？
2026年5月時点では未実現です。OpenAI CEO サム・アルトマン氏は「数年以内」、Anthropic CEO ダリオ・アモデイ氏は「2026〜2027年に部分的到達の可能性」と発言していますが、国際的な合意はありません。経営判断としては「AGI待ち」ではなく、今あるANIを活用することが推奨されます。
Q4. AIエージェントと生成AIの違いは？
生成AIは「テキストや画像を生成する」だけですが、AIエージェントは生成AIにツール操作（ファイル読み書き・Web検索・コマンド実行）を追加したものです。ChatGPTが「話すだけの人」なら、Claude Codeは「話しながら手を動かして実際に仕事をする人」です。
Q5. 自社にAIを導入するなら、どの種類から始めるべき？
まずはクラウド型の生成AI（LLM）から始めてください。初期投資がほぼゼロで、テキスト中心の業務（記事作成・メール・要約・翻訳）に即効果が出ます。その次のステップとして、Claude CodeのようなAIエージェントで業務自動化の範囲を広げるのが、最もリスクの低い導入パスです。
代表菅澤
Claude Codeで業務自動化を90日で叩き込む
経営者向けの伴走型パーソナルトレーニング
Claude Code を業務に落とし込む
専門研修コース一覧
受講者本人の業務を題材に、「使いこなせる」状態になるまで伴走する研修プログラム。1対1特化型・ハンズオン・法人講座の3コースを展開中。業務特化・実装まで踏み込むタイプのClaude Code研修です。
研修コース一覧を見る →AI鬼管理へのお問い合わせ
この記事を読んで気になった方へ。
AI鬼管理の専門スタッフが、御社に最適な
業務自動化プランを無料でご提案します。
- AI業務自動化サービス「AI鬼管理」を運営 — Claude Code を活用し、経営者の業務を「AIエージェントに任せる仕組み」へ転換するパーソナルトレーニングを 伴走構築 で提供。日報・採用・問い合わせ対応・経費精算・議事録・データ集計・営業リスト等の定型業務を、AIに代行させる体制を経営者と一緒に作り込む
- Claude Code 実装ノウハウを 経営者・法人クライアント に直接指導。生成AIを「便利ツール」ではなく 「業務を任せる存在」 として運用する手法を体系化
- 「やらせ切る管理」メソッドの開発者。シンゲキ株式会社（2021年設立・鬼管理専門塾運営）にて累計3,000名以上の学習者を志望校合格に導いた管理メソッドを、AI × 経営者支援 に転用
- 著書『3カ月で志望大学に合格できる鬼管理』(幻冬舎)、『親の過干渉こそ、最強の大学受験対策である。』(講談社)
- メディア出演: REAL VALUE / カンニング竹山のイチバン研究所 / ええじゃないかBiz 他
- 明治大学政治経済学部卒
