【2026年8月最新】国産LLM8選を徹底比較｜tsuzumi・PLaMoの特徴と開発事例、失敗しない選び方
aikanri-admin
「国産LLMって結局ChatGPTやClaudeと何が違うの？」「日本企業が作ったAIモデルって実際どこまで使えるの？」——この記事にたどり着いたあなたは、おそらくそんな疑問を持っているはずです。
NTTのtsuzumi、Preferred NetworksのPLaMo、ストックマークのStockmark-13bなど、日本企業・研究機関が開発した大規模言語モデル（LLM）は、この数年で一気に選択肢が増えました。「日本語に強い」「セキュリティ要件に合わせやすい」といった触れ込みで語られることが多いですが、実際に業務にどう活かせるのかは意外と整理されていません。
この記事では、代表的な国産LLM8選の特徴と開発事例を横並びで比較したうえで、「結局、自社の業務で使うならどう選べばいいのか」という実務目線の判断基準まで、弊社（株式会社GENAI）がClaude Codeを全社運用している実データを交えて解説します。
代表菅澤
AI鬼管理山崎
この記事を最後まで読むと、次の6つが明確になります。
01 WHAT IS DOMESTIC LLM 国産LLMとは？なぜ今あらためて注目されるのか 海外LLM一強の状況から「選択肢としての国産LLM」へ
国産LLMとは、日本の企業・大学・研究機関が独自に開発した大規模言語モデルの総称です。ChatGPT（OpenAI）やClaude（Anthropic）、Gemini（Google）といった海外発のLLMが市場を席巻するなかで、「日本語の表現・文脈をより正確に扱える」「自社サーバーに置いて運用できる」といった強みを打ち出して開発が進められてきました。
📚 用語解説
LLM（大規模言語モデル）：Large Language Modelの略。大量の文章データを学習し、人間のような自然な文章の生成・要約・翻訳・対話などをこなすAIモデルの総称。ChatGPTやClaudeの「頭脳」にあたる部分がLLMです。
国産LLMが注目される背景には、大きく3つの事情があります。1つ目は日本語特有の言い回しやニュアンスの再現性。海外LLMは英語圏のデータを中心に学習されているため、日本語の敬語・業界用語・行間を読む表現でズレが生じることがあります。2つ目はデータの取り扱い（セキュリティ・国内法対応）。金融・行政・医療など機密性の高い業界では、データを海外のサーバーに送りたくないという要件が根強くあります。3つ目は技術の国産化・安全保障の観点で、AI基盤技術を海外企業に依存し続けることへの危機感です。
📚 用語解説
パラメータ数：LLMの内部にある「学習によって調整される数値」の総数。一般的にパラメータ数が多いほど表現力・推論力が高くなる傾向がありますが、その分計算コストも増えます。「7B」は70億（7 Billion）パラメータという意味で、モデルの規模を表す代表的な指標です。
ただし注意したいのは、「国産＝日本語が一番得意」と単純に言い切れるわけではない点です。近年のClaudeやGPTシリーズは多言語学習が大幅に強化されており、日本語の文章生成・翻訳・要約の精度は年々向上しています。国産LLMの優位性は「特定用途への最適化」や「運用環境の自由度」にある、というのが実態に近い理解です。
「国産LLMのどれが優秀か」だけでなく、「そもそも自社の業務にLLM単体を導入するべきか、それともエージェント型ツール（Claude Codeなど）で業務ごと任せるべきか」という視点も併せて読み進めてください。第5章で詳しく整理します。
02 TOP 8 MODELS 国産LLM8選を徹底比較 開発元・特徴・パラメータ規模を横並びで整理する
ここでは、日本企業・研究機関が開発した代表的な国産LLM8つを、開発元・特徴・主な用途で比較します。いずれも公開時点で話題になったモデルですが、商用ライセンスの条件や提供形態（API提供／オープンソース公開／研究用限定など）はモデルごとに異なるため、導入検討時は必ず最新の利用規約を確認してください。
| モデル | 開発元 | 規模の目安 | 特徴 |
|---|---|---|---|
| tsuzumi | NTT | 軽量版・標準版の2種展開 | 少ない計算資源でも動作する軽量設計、対話・要約に強み |
| CyberAgentLM2 | サイバーエージェント | 数十億パラメータ級 | 日本語ウェブテキストを中心に学習、商用利用を意識した公開 |
| Stockmark-13b | ストックマーク | 130億パラメータ級 | ビジネス文書・ニュース記事中心の学習、業務文書生成に強み |
| Weblab-10B | 東京大学 松尾研究室 | 100億パラメータ級 | 日英両対応、研究用途での公開が中心 |
| Japanese StableLM | Stability AI Japan | 数十億パラメータ級 | 日本語特化のオープンモデル、Base/指示応答チューニング版を展開 |
| PLaMo | Preferred Networks (PFN) | 130億パラメータ級 | 日英バイリンガル対応、独自の学習基盤で開発 |
| rinna 日本語LLMシリーズ | rinna株式会社 | 複数バリエーション | 対話AI「りんな」で知られる企業。研究者・開発者向けに複数モデルを公開 |
| LHTM-2 | オルツ | 非公開（GPT-3級と言われる規模） | 個人の思考パターンを再現する「パーソナルAI」向けに開発 |
📚 用語解説
ファインチューニング：事前学習済みのLLMに対して、特定の業務・業界のデータを追加学習させ、用途に特化させる調整作業のこと。国産LLMの多くは「ベースモデル＋業界特化のファインチューニング版」という形で展開されています。
2-1. tsuzumi（NTT）：軽量設計で「動かしやすさ」を追求
NTTが開発したtsuzumiは、パラメータ数を抑えた軽量版と、より高精度な標準版の2種類を展開しているのが特徴です。軽量なモデルは計算資源が少なくても動かせるため、オンプレミス環境やエッジデバイスでの活用を想定した設計になっています。対話・要約・文書生成といった業務利用を意識したチューニングがされており、コールセンター向けの応答支援などでの活用が想定されています。
2-2. CyberAgentLM2（サイバーエージェント）：商用利用を意識した公開モデル
サイバーエージェントが公開したCyberAgentLM2は、日本語のウェブテキストを中心に学習されたモデルです。同社は以前から「OpenCALM」シリーズなど日本語LLMの公開に積極的で、CyberAgentLM2はその後継にあたります。商用利用を前提としたライセンス設計がされている点も特徴の一つです。
2-3. Stockmark-13b（ストックマーク）：ビジネス文書に強い
ストックマークが開発したStockmark-13bは、130億パラメータ級のモデルで、特許文書・ニュース記事・ビジネス文書といった実務に近いデータを中心に学習されています。業界特化型のAIプロダクトを提供してきた同社らしく、「業務で使う日本語」に強いのが特徴です。
2-4. Weblab-10B（東京大学松尾研究室）：研究発の日英対応モデル
東京大学松尾豊研究室が公開したWeblab-10Bは、日本語と英語の両方に対応した100億パラメータ級のモデルです。研究目的での公開が中心となっており、商用利用を検討する場合はライセンス条件を個別に確認する必要があります。
2-5. Japanese StableLM（Stability AI Japan）：オープンな日本語特化モデル
画像生成AI「Stable Diffusion」で知られるStability AIの日本法人が開発したJapanese StableLMは、日本語に特化したオープンモデルです。ベースモデルに加えて、指示応答（instruction tuning）版も公開されており、開発者がカスタマイズしやすい設計になっています。
2-6. PLaMo（Preferred Networks）：日英バイリンガルの独自基盤モデル
深層学習分野で高い技術力を持つPreferred Networks（PFN）が開発したPLaMoは、130億パラメータ級の日英バイリンガルモデルです。同社が持つ独自の学習基盤・計算資源を活かして開発されており、オープンソースとして公開されているバージョンもあります。
2-7. rinna 日本語LLMシリーズ（rinna株式会社）：対話AIのパイオニア
対話型AIキャラクター「りんな」で知られるrinna株式会社は、日本語LLMの分野でも早くから取り組んでおり、研究者・開発者向けに複数の日本語モデルを公開してきました。対話・自然言語理解の分野での知見の蓄積が強みです。
2-8. LHTM-2（オルツ）：個人の思考を再現する「パーソナルAI」向け
オルツが開発したLHTM-2は、個人の話し方や思考パターンを学習して再現する「P.A.I.（パーソナルAI）」の実現を目指したモデルです。一般的な業務用LLMとは異なり、個人化された対話体験に主眼を置いている点がユニークです。
03 PROS & CONS 国産LLMのメリット・デメリット 「日本語に強い」の実態と、見落とされがちな運用コスト
国産LLMを検討する際によく挙げられるメリットは、大きく3つに整理できます。一方で、実際に導入・運用する段階になると見落とされがちなデメリットもあります。ここでは両面を整理します。
| 観点 | メリット | デメリット |
|---|---|---|
| 日本語対応 | 日本語特有の言い回し・敬語・業界用語に強いモデルがある | モデルによって精度差が大きく、海外LLMとの差が縮まりつつある |
| データ・セキュリティ | オンプレミス運用で機密データを外部に出さずに済む選択肢がある | 自社でサーバー・GPUを用意し運用体制を構築する負担が発生する |
| ライセンス・コスト | オープンソース公開のモデルは初期費用0円から試せる | 商用利用条件の確認・法務チェックに手間がかかる場合がある |
| エコシステム | 国内企業のサポート・導入支援を受けやすい場合がある | ChatGPTやClaudeほどの周辺ツール・拡張機能の蓄積がまだ薄い |
| 業務実行力 | 業界特化のファインチューニング版があるモデルも存在する | チャット・生成にとどまり、ファイル操作や複数ステップの自動実行はできないものが多い |
📚 用語解説
オンプレミス：自社が保有するサーバー・設備の上でシステムを稼働させる運用形態のこと。クラウドサービスにデータを預けず、自社内で完結させたい場合に選ばれます。国産LLMの一部は、このオンプレミス運用を前提に設計されています。
とりわけ見落とされがちなのが、「オンプレミスで動かす」＝「運用が楽になる」ではないという点です。モデルをダウンロードして自社サーバーで動かすには、GPUなどの計算資源の確保、モデルの更新・再学習、セキュリティパッチの適用といった継続的な運用作業が必要になります。「無料で使えるオープンソースモデル」の実態が「専任のインフラエンジニアが必要なシステム」になるケースは珍しくありません。
「日本語に強そう」というイメージだけで導入を決めると、実際の運用フェーズで「誰が保守するのか」「継続的な学習更新は誰が担うのか」という問題に直面しがちです。社内にAI基盤を運用できる人材がいない場合は、モデル単体の導入よりも、運用まで含めたサービス・ツールの活用を検討する方が現実的です。
04 DOMESTIC vs GLOBAL 国産LLM vs グローバルLLM（Claude）どちらを選ぶべきか 「モデルの性能」ではなく「何をしたいか」で選ぶ
国産LLMとClaude・ChatGPTのようなグローバルLLMを比較するとき、多くの人が「どちらが賢いか」という性能軸で考えがちです。しかし実務では、「何を目的に使うか」で選ぶべきツールが変わるというのが実態に近い結論です。
📚 用語解説
コンテキストウィンドウ：AIが一度に処理できる文章の長さの上限。数字が大きいほど、長い文書や複数ファイルを一気に読ませられます。Claudeの上位プランでは20万トークン（日本語で約15万字相当）を超えるコンテキストウィンドウが提供されており、契約書や社内マニュアルなど大量の文書を一括処理する用途に向いています。
4-1. 日本語の精度・表現力で選ぶなら
特定業界の専門用語や独特の言い回しに特化してファインチューニングされた国産LLM（Stockmark-13bなど）は、その領域に限れば汎用モデルより高い精度を出すケースがあります。一方でClaudeは幅広い分野の日本語データで学習されており、汎用的な文章作成・要約・翻訳では十分な精度を持ちながら、業種を問わず使える柔軟性があります。
4-2. エコシステム・周辺ツールの充実度で選ぶなら
ClaudeはClaude Codeというターミナル／デスクトップ上で動くエージェント型ツールを筆頭に、ファイル操作・複数ステップの自動実行・外部サービス連携（MCP）といった周辺機能が充実しています。国産LLMの多くは「文章を生成するAPI」としての提供が中心で、業務プロセス全体を自動化するようなエージェント機能は基本的に含まれていません。
4-3. 非エンジニアでも使えるか
国産LLMの多くはAPIやモデルファイルとしての提供が中心で、実際に業務で使うには開発者がシステムに組み込む工程が必要です。対してClaude・Claude Codeはチャット形式・デスクトップアプリとして提供されており、非エンジニアでも「メールの返信下書きを作って」といった日本語の指示だけで使い始められます。
代表菅澤
05 HOW TO USE AT WORK 【独自】国産LLMを「業務」で活かすには？ API直利用とClaude Codeの使い分けを整理する
ここからは、この記事の独自パートです。「国産LLMを業務に導入する」と一口に言っても、実際の導入方法は大きく2パターンに分かれます。①モデル・APIを自社システムに組み込む方法と、②Claude Codeのようなエージェント型ツールで業務ごと自動化する方法です。
やりたい業務を
1つ決める
（例: 議事録要約）
API組込み or
エージェント型
どちらで実現するか判断
小さく試して
効果検証
（精度・工数）
効果が出れば
他業務にも
横展開
5-1. 「モデル・API組み込み」が向いているケース
自社サービスにAI機能を組み込みたい、機密データを外部クラウドに出せない、といった要件がある場合は、国産LLMのAPIやオープンソースモデルを自社システムに組み込む方法が向いています。ただしこの方法は、開発者によるシステム構築・継続的な保守運用が前提になる点を忘れてはいけません。
5-2. 「エージェント型ツール」が向いているケース
一方、「経営者や現場担当者が、自分の業務を効率化したい」という目的であれば、Claude Codeのようなエージェント型ツールの方が圧倒的に早く成果が出ます。チャットで指示するだけでファイル操作・資料作成・複数ステップの処理までこなしてくれるため、システム開発の工程を挟まずに、その日から業務に使えるのが最大の違いです。
| 比較軸 | 国産LLM（API/モデル組込み） | Claude Code（エージェント型） |
|---|---|---|
| 導入までの期間 | システム設計・開発が必要（数週間〜数ヶ月） | インストール・契約のみ（即日〜数日） |
| 必要なスキル | エンジニアによる実装・運用スキルが必須 | 日本語での指示だけで利用可能 |
| できること | 文章生成・要約・分類などAPI呼び出し単位の処理 | ファイル操作・複数ステップの自動実行・業務プロセスの自動化 |
| 向いている用途 | 自社サービスへの機能組み込み、機密データのオンプレミス処理 | 日常業務の効率化、資料作成、議事録、営業・経理・広告の自動化 |
AI鬼管理山崎
06 GENAI CASE STUDY 【独自データ】GENAI社内のClaude Code実運用 Max 20xプラン契約会社が、何にどれだけClaude Codeを使っているか
ここでは、弊社（株式会社GENAI）で実際にClaude Codeを運用している状況を、数値と事例ベースで公開します。国産LLMのAPIを個別に組み込む代わりに、エージェント型のClaude Codeを全社導入した場合、どの程度まで業務が変わるのかの参考情報としてご覧ください。
| 項目 | 内容 |
|---|---|
| 契約プラン | Claude Max 20x（月$200 / 約30,000円） |
| 利用開始 | 2025年後半〜 |
| 利用部署 | 経営・営業・広告・開発・経理・秘書業務・個人業務まで全社 |
| 主な利用モデル | Sonnet系（日常業務） / Opus系（複雑な判断が必要なとき） |
弊社では「全ての業務を何かしらClaude Codeに絡ませる」という方針で運用しており、単一の用途に特化させているわけではありません。結果として、以下のような業務領域で幅広く削減効果が出ています（いずれも肌感ベースの概算数値です）。
| 業務領域 | 主な用途 | 概算削減時間 |
|---|---|---|
| 営業 | 提案書・見積・顧客別資料の自動生成 | 週20時間 → 週2時間 |
| 広告運用 | 週次レポート・CPA分析・配信内容調整 | 週10時間 → 週1時間 |
| ブログ記事 | SEO記事執筆・リライト・内部リンク最適化 | 1本8時間 → 1本1時間 |
| 経理 | 請求書チェック・経費仕訳・Freee連携 | 月40時間 → 月5時間 |
| 秘書業務 | 日報生成・議事録・スケジュール調整 | 日2時間 → 日15分 |
| 個人業務 | メール下書き・雑務タスク整理 | 日1時間 → 日10分 |
上記は弊社の肌感ベースの概算数値であり、業種・業態・担当者のスキルによって削減時間は変動します。「完全自動化」ではなく、人間のレビュー・微調整を伴う前提での参考情報としてご覧ください。
1業務だけ
試しに任せる
（例: 議事録作成）
効果検証
時間・精度を
数値化
横展開
同種業務に
拡大適用
全社運用
業務プロセスに
組み込み
参考までに、弊社の実感値としてはClaude Max 20xプラン（月額約30,000円）を契約し、営業・経理・広告レポートなど複数業務を回すことで、1名分の月間業務量（概算160時間相当）を分担して捌けている肌感です。時給換算で考えると、月3万円の投資は即座にペイする水準だと感じています。
代表菅澤
07 COMMON MISTAKES 国産LLM導入でよくある失敗と対策 「日本語に強そう」だけで決めると起きること
弊社の導入支援の現場でも、国産LLM・海外LLMを問わず、AI導入でつまずくパターンにはある程度の共通点があります。ここでは代表的な3つの失敗パターンと、その対策を整理します。
📚 用語解説
ベンチマーク：AIモデルの性能を測るための標準テスト・評価指標のこと。「日本語ベンチマークで高スコア」という表現がよく使われますが、ベンチマークのスコアと実業務での使い勝手が必ずしも一致しない点には注意が必要です。
7-1. 【失敗1】ベンチマークのスコアだけでモデルを選ぶ
「日本語ベンチマークで高スコア」という理由だけでモデルを選ぶと、実際の自社業務（専門用語・独自フォーマットの文書など）では期待した精度が出ないケースがあります。ベンチマークはあくまで参考指標とし、自社の実データで試してから判断することが重要です。
7-2. 【失敗2】運用体制を考えずにオンプレミス導入を決める
「オープンソースで無料だから」という理由だけでオンプレミス運用を決めてしまい、後から「継続的なメンテナンスができる人材がいない」と気づくケースは少なくありません。導入前に「誰が運用するのか」を具体的に決めておく必要があります。
7-3. 【失敗3】「AI導入」を目的化してしまう
国産LLMであれグローバルLLMであれ、AIの導入自体がゴールになってしまい、「結局何に使うのか」が曖昧なまま予算だけ確保してしまうケースもよく見られます。削減したい業務・時間を先に具体化してから、ツールを選ぶ順序を徹底することが失敗回避の近道です。
モデル選定に時間をかけすぎるより、まずは1つの業務でClaude Codeを1ヶ月試してみて、効果を数値で確認してから、国産LLMの組み込みが本当に必要かどうかを判断するのが現実的な進め方です。
08 QUICK GUIDE 目的別おすすめの選び方早見表 「結局どれを選べばいいか」を1枚で決める
ここまでの情報を1枚にまとめた早見表です。自分の状況に一番近い行を探してください。
| あなたの状況 | おすすめの方向性 | 理由 |
|---|---|---|
| 機密データを外部に一切出せない業界規制がある | 国産LLMのオンプレミス運用を検討 | データ主権・国内法対応の要件を満たしやすい |
| 特定業界の専門文書（特許・ビジネス文書等）を扱う | 業界特化型の国産LLM（Stockmark-13b等） | ファインチューニングにより専門領域の精度が出やすい |
| 自社サービスにAI機能を組み込みたい（開発者がいる） | 国産LLM／グローバルLLMのAPIを比較検討 | 開発リソースがある前提で、精度とコストで選定 |
| 日常業務（資料作成・議事録・営業事務等）を効率化したい | Claude Code | 非エンジニアでも即日使える、実行力とエコシステムが充実 |
| 複数業務（営業・経理・広告など）を並列で自動化したい経営者 | Claude Code（Max 20x等） | 弊社GENAIもこの用途で運用、投資回収が早い |
| まずAIを試したい・比較検討の初期段階 | Claude（Pro等）＋国産LLMの無料枠を併用 | 両方を小さく試してから本格導入を判断できる |
09 CONCLUSION まとめ ── 国産LLMは「選択肢」、業務実行力はClaude Code 性能比較の前に「何をしたいか」を決めることが最も重要
この記事では、代表的な国産LLM8選（tsuzumi・CyberAgentLM2・Stockmark-13b・Weblab-10B・Japanese StableLM・PLaMo・rinna日本語LLM・LHTM-2）の特徴と開発事例、メリット・デメリット、グローバルLLMとの使い分け、弊社GENAIの実運用事例までを整理しました。最後にポイントを振り返ります。
最も重要なメッセージをお伝えします。「どの国産LLMが優秀か」という問いの前に、「自社の何を、誰が、どう実行するのか」を決める方が先です。モデル単体の性能比較に時間をかけるより、実際に業務で動かしてみて、削減できた時間を数字で確認する方が、圧倒的に速く答えが出ます。
代表菅澤
国産LLMを含めた「自社に合うAI選び」を、AI鬼管理が一緒に整理します
モデル単体の性能比較で止まらず、実際に業務でどこまで削減できるか。
弊社の実運用ノウハウをベースに、個別に導入設計のご相談を承ります。
AI鬼管理山崎
NEXT STEP
この記事の内容を、あなたのビジネスで
実践してみませんか？
よくある質問
Q. 国産LLMとClaudeやChatGPT、結局どちらが日本語の精度が高いですか？
A. 特定業界に特化してファインチューニングされた国産LLMは、その領域に限れば高い精度を出すケースがあります。ただし汎用的な日本語の生成・要約・翻訳の精度では、近年のClaudeも十分実用レベルにあり、幅広い業務で使える柔軟性という点では大きな差はなくなってきています。
Q. 国産LLMは無料で使えますか？
A. モデルによって異なります。オープンソースとして公開されているモデル（PLaMoの一部バージョンなど）はダウンロード自体は無料ですが、実際に動かすには自社でサーバー・GPUなどの計算資源を用意する必要があり、運用コストが発生します。API提供されているモデルは従量課金制のものが一般的です。
Q. 国産LLMをオンプレミスで運用するのは難しいですか？
A. モデルのダウンロード自体は難しくありませんが、継続的な運用（セキュリティパッチ・モデル更新・障害対応）には専門知識が必要です。社内にAI基盤を運用できるエンジニアがいない場合は、運用負担を過小評価しないよう注意が必要です。
Q. Claude Codeは国産LLMの代わりになりますか？
A. 完全な代替ではなく、目的によって使い分けるべきものです。「機密データを外部に出せない」「自社サービスに組み込みたい」という要件なら国産LLMのオンプレミス運用が候補になります。「日々の業務を効率化したい」という実務目的なら、導入の速さと実行力でClaude Codeが向いています。
Q. 非エンジニアでも国産LLMは使えますか？
A. 多くの国産LLMはAPIやモデルファイルとしての提供が中心で、業務で使うには開発者によるシステム組み込みが必要になります。非エンジニアが日本語の指示だけですぐ使い始めたい場合は、チャット形式・デスクトップアプリとして提供されているClaude Codeの方が導入しやすいのが実情です。
Q. 国産LLMの商用利用はできますか？
A. モデルによって条件が異なります。商用利用を前提に公開されているモデルもあれば、研究用途に限定されているモデルもあるため、導入前に必ず最新のライセンス条件を確認してください。条件は更新されることがあるため、公式発表元の情報を都度チェックすることをお勧めします。
Q. 国産LLMとClaude Codeを併用することはできますか？
A. 可能です。例えば「機密性の高い一部データ処理は国産LLMのオンプレミス環境で行い、日常的な資料作成・議事録・営業事務などはClaude Codeで効率化する」といった使い分けは、多くの企業で現実的な選択肢になります。用途ごとに最適なツールを選ぶことが全体のコスト効率を高めます。
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
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
