【2026年10月最新】Reasoningモデル（推論モデル）とは？仕組みと料金のからくりを経営者向けにやさしく解説
aikanri-admin
ChatGPTで「o3」「GPT-5.5 Thinking」、Claudeで「Extended Thinking」、Geminiで「Deep Think」——こうしたモデル名や機能名を見かけたことはないでしょうか。これらはすべて「推論モデル（Reasoningモデル）」と呼ばれる、通常のAIモデルとは仕組みが異なる存在です。
「なんとなく賢いモデルなんだろう」という理解のまま使っている方も多いはずですが、推論モデルには通常モデルとは異なる料金体系・処理時間・向いているタスクがあり、ここを理解しないまま使うと「思ったより高くついた」「待ち時間が長すぎる」といったミスマッチが起こります。
この記事では、数式やコードを使わず、非エンジニアの経営者・管理職が「いつ推論モデルを使うべきか」を自分で判断できるレベルまで、推論モデルの仕組みと料金のからくりを整理します。
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 DEFINITION 推論モデル（Reasoningモデル）とは何か 経営者が理解しておくべき「ひとことの定義」
推論モデルとは、回答を出す前に、AI自身が頭の中で段階的に「考える」プロセスを経てから答えを出すAIモデルのことです。OpenAIのo3・GPT-5.5 Thinking、AnthropicのClaude Opusの拡張思考（Extended Thinking）、GoogleのGemini Deep Think、DeepSeekのR1などが代表例です。
📚 用語解説
推論モデル（Reasoningモデル）：質問に対して即座に回答を生成するのではなく、内部で段階的な思考プロセス（下書きのようなもの）を経てから最終回答を出すAIモデル。複雑な数学・コーディング・論理パズルのような、多段階の思考が必要なタスクで通常モデルより高い精度を発揮する。
通常のAIモデル（非推論モデル、標準モデルとも呼ばれる）は、質問を受け取るとほぼ即座に回答を生成します。これは人間で言えば「パッと直感で答える」イメージです。一方、推論モデルは回答の前に「じっくり考える時間」を取ります。この「考える」過程そのものが、推論モデルの核心です。
📚 用語解説
標準モデル（非推論モデル）：質問に対して、深い内部思考プロセスを経ずに回答を生成する従来型のAIモデル。応答速度が速く、日常的な会話や単純な文章生成タスクに向いている。GPT-4o、Claude Sonnet（標準モード）などが該当する。
1-1. 人間の「直感」と「熟考」にたとえると分かりやすい
心理学で言う「システム1（直感的な速い思考）」と「システム2（じっくり考える遅い思考）」という区分けが、推論モデルの理解に役立ちます。標準モデルはシステム1寄り、推論モデルはシステム2寄りの動き方をするAI、とイメージすると腑に落ちやすいはずです。
この記事で目指すのは「AI研究者になるレベル」ではなく「自社の業務でどちらのモデルを使うべきか判断できるレベル」の理解です。次章以降、具体的な判断基準まで解説します。
1-2. なぜ今「推論モデル」が注目されているのか
AIモデルの性能向上は、長らく「パラメータ数を増やす」「学習データを増やす」という2つのアプローチに支えられてきました。しかし、これらのアプローチは年々コストが膨らみ、投じる計算資源に対して得られる性能向上が徐々に小さくなる傾向が見え始めていました。
そこで注目されたのが、「学習時にモデルを大きくする」のではなく「回答時にじっくり考えさせる」という、推論モデルが採用するアプローチです。モデル自体のサイズを闇雲に大きくしなくても、回答時の思考プロセスを工夫するだけで、複雑な問題の正答率を大きく引き上げられることが分かってきたため、各社が一斉に推論モデルの開発に力を入れるようになりました。
経営者の視点で言えば、これは「AIの進化の方向性が、単純な巨大化競争から、賢い使い方の工夫へとシフトしつつある」ことを意味します。今後は「どのモデルが一番大きいか」よりも「どう考えさせるか」の設計力が、AI活用の差別化要因になっていくと考えられます。
02 MECHANISM 仕組みをたとえ話で理解する Chain-of-ThoughtとTest-time computeという2つの柱
推論モデルの仕組みを理解する上で欠かせないのが、Chain-of-Thought（思考の連鎖）とTest-time compute（回答時の計算量）という2つの技術です。
📚 用語解説
Chain-of-Thought（思考の連鎖）：複雑な問題を一気に解こうとせず、「まずこれを確認し、次にこれを計算し、最後にこう結論づける」というように、段階を踏んで考えるプロセスをAIの内部で再現する技術。人間が暗算ではなく紙に途中式を書きながら問題を解くのに近い。
📚 用語解説
Test-time compute（回答時の計算量）：AIが学習段階ではなく、実際に質問に回答する瞬間（テスト時）にどれだけの計算リソースを使うかという考え方。推論モデルは、難しい問題であるほど回答時によりたくさんの「考える時間（計算量）」を自動的に割り当てる設計になっている。
2-1. 「途中式を書きながら解く」たとえ話
標準モデルは、複雑な数学の問題を見たときに暗算で一気に答えを出そうとするようなものです。簡単な問題なら正解できますが、複雑になるほど暗算ミスが増えます。
一方、推論モデルは紙に途中式を書きながら、1ステップずつ確認しながら解くようなものです。「まずこの部分を計算し、次にこの条件を確認し、矛盾がないか見直してから、最終的な答えを出す」というプロセスを経るため、複雑な問題ほど精度が高くなります。
問題を複数の
小さなステップに
分解
各ステップを
順番に
検討
矛盾や誤りが
ないか
自己チェック
最終的な
回答を
出力
AI鬼管理山崎
2-2. なぜ「考える時間」が可変なのか
推論モデルのもう1つの特徴は、問題の難易度に応じて「考える量」を自動調整する点です。簡単な質問には短い思考で済ませ、難しい問題には長い思考時間をかけます。これがTest-time computeという考え方の実践です。
この仕組みは、AIの学習段階でモデルのパラメータ（重み）を増やして賢くする従来のアプローチとは別の方向性でAIを賢くする手法として注目されています。「モデルを大きくする」のではなく「回答時に考える時間を増やす」ことで精度を上げる、という発想の転換です。
推論モデルは複雑なタスクで真価を発揮しますが、単純なタスクでは標準モデルとほとんど精度が変わらないことも多く、むしろ回答時間だけが無駄に長くなるケースがあります。タスクの難易度を見極めて使い分けることが重要です。
03 HIDDEN COST 推論トークンという「見えないコスト」 短い回答の裏で、長い思考が課金されている
推論モデルを業務で使う際、最も見落とされがちなのが「推論トークン」という課金の仕組みです。これを理解していないと、想定より高額な請求に驚くことになります。
📚 用語解説
推論トークン（reasoning tokens）：推論モデルが回答を生成する前の「内部思考」で消費するトークン（処理単位）。ユーザーの画面には表示されない場合が多いが、実際には課金対象になっているケースが一般的。見えている回答が短くても、裏側で大量の思考トークンが消費されていることがある。
例えば、画面に表示される回答が「結論：A案を採用すべきです」というわずか20文字程度だったとしても、その結論に至るまでに数千トークン規模の内部思考が行われている場合があります。そして、その内部思考の部分にも料金が発生するのが一般的な課金体系です。
| 項目 | 標準モデル | 推論モデル |
|---|---|---|
| 回答の生成プロセス | 質問→即座に回答 | 質問→内部思考（推論トークン消費）→回答 |
| 見える文字数と課金の関係 | ほぼ比例（分かりやすい） | 見える文字数と課金額が比例しない（内部思考分が上乗せ） |
| 料金の予測しやすさ | 高い | 低い（タスクの難易度で変動） |
| 向いている用途 | 日常的な文章生成・チャット | 複雑な分析・コーディング・多段階の論理タスク |
3-1. 「短い回答なのに高額請求」が起きる理由
APIを通じて推論モデルを業務システムに組み込んでいる企業で、「画面上の回答は短いのに、想定より請求額が高い」という相談が増えています。原因の多くは、この推論トークンの存在を把握していなかったことによるものです。
推論モデルをAPI経由で業務に組み込む場合、①推論トークンの上限設定ができるか ②利用量のモニタリング機能があるか ③タスクの難易度に応じてモデルを自動的に切り替えられるか、の3点を事前に確認してください。
一方、ChatGPT・Claude・Geminiなどの月額プラン契約で使う分には、この推論トークンのコストはプラン料金に内包されているため、個人・中小企業の通常利用では過度に心配する必要はありません。リスクが顕在化するのは、主にAPI従量課金で大量のタスクを自動処理する場合です。
代表菅澤
3-2. 簡易シミュレーションで「見えないコスト」を体感する
具体的なイメージを持つために、あくまで概算の考え方として簡易シミュレーションをご紹介します。実際の料金・比率はモデルやタスクによって大きく変動するため、ここでは「構造を理解する」ことに主眼を置いてください。
| タスクの種類 | 画面に表示される回答の長さ | 内部思考（推論トークン）の目安 |
|---|---|---|
| 簡単な一問一答 | 短い | 少ない（標準モデルとほぼ同等） |
| 複数条件の比較検討 | 中程度 | 回答の数倍〜十数倍になることがある |
| 多段階の論理パズル・複雑なコーディング | 短い〜中程度 | 回答の数十倍規模になることもある |
この表から分かる通り、画面上の回答が短くても、裏側の思考量は全く別物というケースが起こり得ます。特に「複雑なのに結論だけ簡潔に欲しい」というタスクほど、見た目の文字数とコストが比例しないギャップが大きくなりやすい点を覚えておいてください。
推論モデルを使う際、プロンプト側で「思考の深さ」を指定できるサービスも増えています。タスクの重要度に応じて思考の深さ（浅め・標準・深め）を明示的に指定することで、無駄な推論トークンの消費を抑えられる場合があります。
04 LANDSCAPE 主要な推論モデルの現在地 4社の推論モデルをざっくり把握する
推論モデルを提供する主要企業と、それぞれの特徴を整理します。モデル名は更新頻度が高いため、ここでは「各社の推論モデルに対するスタンス」を押さえることを目的とします。
| 提供元 | 代表的な推論モデル・機能 | 特徴 |
|---|---|---|
| OpenAI | oシリーズ（o3等）、GPT-5.5 Thinking | 推論モデルの先駆け。数学・コーディングのベンチマークで高評価 |
| Anthropic | Claude Opus / Sonnet の Extended Thinking | チャットと推論をシームレスに切り替えられる設計、Claude Codeとの統合が強み |
| Gemini Deep Think / Thinkingモード | Google検索・マルチモーダルとの統合に強み | |
| DeepSeek | DeepSeek-R1 | オープンウェイトで公開され、低コストでの利用可能性が注目された |
4-1. AnthropicのExtended Thinkingという設計思想
他社が「推論専用モデル」として別モデルを分ける傾向があるのに対し、AnthropicのClaudeは同じモデルの中で「通常モード」と「拡張思考モード」を切り替えられる設計を採用しています。ユーザーは必要に応じて思考の深さを指定でき、タスクの難易度に合わせて柔軟に使い分けられるのが特徴です。
📚 用語解説
Extended Thinking（拡張思考）：Anthropic社のClaudeが備える機能で、複雑なタスクに対してモデルがより長く内部で思考してから回答する仕組み。別モデルに切り替える必要がなく、同一モデル内で思考の深さを調整できる点が特徴。
この設計は、Claude Codeのように日常的な作業（ファイル編集など）と複雑な判断（アーキテクチャ設計など）が混在する業務エージェントとの相性が良く、タスクごとに最適な「考える深さ」を自動・手動で調整しながら動作します。
4-2. DeepSeek-R1が示した「オープンウェイトの推論モデル」という選択肢
2025年に登場したDeepSeek-R1は、推論モデルの重み（パラメータ）を公開するオープンウェイトという形態を取ったことで、業界に大きな衝撃を与えました。従来、高性能な推論モデルは特定企業のクラウドAPI経由でしか利用できませんでしたが、DeepSeek-R1は自社サーバーに持ち込んで動かすことも技術的に可能になった点が画期的でした。
📚 用語解説
オープンウェイト：AIモデルの学習済みパラメータ（重み）が公開され、誰でもダウンロードして自分のサーバー上で動かせる形態。クローズドなAPI提供のみのモデルと対比される概念で、カスタマイズの自由度が高い一方、運用・セキュリティ管理は利用企業側の責任になる。
ただし、オープンウェイトだからといって手放しで安全というわけではありません。自社サーバーでの運用には相応のインフラ投資と専門知識が必要になるほか、提供元のデータ取り扱いポリシーを精査する必要がある点は、クラウドAPI利用時と変わらない注意点です。中小企業にとっては、自社運用のハードルの高さから、実務ではクラウドAPI経由の利用が依然として主流です。
AI鬼管理山崎
05 SELECTION FRAMEWORK 業務でどう選ぶか：2段階の判断フレームワーク まず「使うべきタスクか」を見極め、次にモデルを選ぶ
推論モデルの選定で失敗しないためには、いきなりモデルを比較するのではなく、まず「このタスクに推論モデルが必要か」を見極めることが重要です。
5-1. 第1段階：タスク適性フィルター
以下のチェックリストで、2つ以上該当すれば推論モデルの利用を検討する価値があります。
逆に、日常会話・簡単な文章の要約・定型的な文書作成など、即答で十分なタスクに推論モデルを使うのは、コストと時間の無駄になりやすいので避けるべきです。
5-2. 第2段階：モデル選定の判断軸
タスクに推論モデルが必要だと判断したら、次にどのモデルを選ぶかを検討します。
| 判断軸 | 確認すべきこと |
|---|---|
| 既存ツールとの統合 | 既にClaude Codeなど特定のエコシステムを使っているなら、同系統の推論モデルがシームレスに統合しやすい |
| 料金の予測しやすさ | 推論トークンの上限設定・モニタリング機能の有無 |
| 回答速度の許容範囲 | 業務のリアルタイム性が高い場合、思考時間の長さが業務を止めないか |
| 精度要件 | どの程度の精度が必要なタスクか（命に関わる判断か、下書き作成程度か） |
複雑な多段階
判断が必要か？
標準モデルで
十分・コスト優先
推論モデルを検討
既存ツールとの
統合を確認
AI鬼管理山崎
06 GENAI CASE STUDY 【独自データ】GENAI社内の推論モデル活用 Claude Max 20x契約会社は、思考モードをどう使い分けているか
ここでは、弊社（株式会社GENAI）がClaude Codeの標準モード・拡張思考モードをどう使い分けているかを公開します。
| 項目 | 内容 |
|---|---|
| 利用プラン | Claude Max 20x（月額$200 / 約30,000円） |
| 標準モードの主な用途 | 記事執筆の下書き、定型資料の作成、日常的なファイル操作 |
| 拡張思考モードの主な用途 | 経営判断に関わる分析、複雑な自動化フローの設計、バグ原因の深堀り調査 |
| 利用開始 | 2025年後半〜 |
弊社の体感では、日常業務の8割程度は標準モードで十分です。拡張思考モードを使うのは、複数の判断軸が絡む経営分析や、原因が複雑に絡み合ったトラブルの調査など、「一度で正確な結論を出したい」場面に限定しています。
受け取る
判定
単純作業か
複雑な判断か
選択
標準 or
拡張思考
人が確認
この使い分けにより、待ち時間とコストのバランスを取りながら、重要な判断では精度を落とさない運用ができています。全てのタスクで拡張思考モードを使うと、業務のスピード感が損なわれるため、あえて標準モードを基本に据えているのがポイントです。
上記は弊社の肌感ベースの数値であり、業種・業態・担当者のスキルによって比率は変動します。推論モデルの使い分けの参考情報としてご覧ください。
6-1. 拡張思考モードを使って助かった具体的な場面
弊社でClaude Codeの拡張思考モードが特に役立ったのは、複数のシステムが絡み合った不具合の原因調査でした。表面上の現象は1つでも、原因候補が「設定ミス」「外部APIの仕様変更」「データの不整合」など複数考えられるケースで、標準モードでは1つの仮説に飛びついて的外れな修正を提案してくることがありましたが、拡張思考モードでは複数の仮説を並行して検証してから結論を出すため、手戻りが大きく減りました。
また、複数の業務フローを1つの自動化システムに統合する設計のような、考慮すべき条件が多岐にわたるタスクでも、拡張思考モードの方が整合性の取れた設計案を出してくる傾向があります。一方で、単純な文言修正やレイアウト調整のような作業に拡張思考モードを使うと、むしろ待ち時間が増えるだけで得るものが少ないため、基本的には使い分けを徹底しています。
📚 用語解説
仮説検証：原因や結論が複数考えられる状況で、それぞれの可能性を順番に検証し、矛盾がないかを確かめながら真の原因・最適解にたどり着く思考プロセス。推論モデルは、この仮説検証のプロセスを内部的に自動で行う点が標準モデルとの大きな違いになる。
代表菅澤
07 PRACTICAL TIPS 非エンジニアが気をつけるべきポイント コスト管理とレイテンシーの2点に集約される
推論モデルを業務で使う非エンジニアの方に向けて、押さえておくべき実践的なポイントを整理します。
7-1. コスト管理：「使い放題」ではないことを意識する
月額プラン契約であれば使用量の上限内でコストは一定ですが、API従量課金で推論モデルを業務システムに組み込む場合は要注意です。推論トークンの消費量を事前にモニタリングできる体制を整えておくことをおすすめします。
7-2. レイテンシー：「待ち時間」が業務のボトルネックにならないか確認する
推論モデルは「考える時間」がある分、標準モデルより回答までの時間が長くなる傾向があります。リアルタイム性が求められる業務（顧客対応チャットボットなど）に組み込む場合は、待ち時間がユーザー体験を損なわないかを事前に検証してください。
📚 用語解説
レイテンシー：AIに質問を送ってから回答が返ってくるまでの待ち時間。推論モデルは内部思考の分だけ標準モデルよりレイテンシーが長くなる傾向があり、リアルタイム性が求められる用途では考慮が必要な指標。
レイテンシーの問題を回避する実務的な工夫として、「まず標準モデルで一次回答を即座に返し、裏側で推論モデルがより精度の高い回答を並行して作成し、準備ができ次第差し替える」という二段構えの設計を採用するサービスも増えています。ユーザー体感の待ち時間を抑えつつ、最終的な精度も確保するアプローチとして参考になります。
自社でこうした高度な二段構え設計を組むのが難しい場合でも、「このタスクではユーザーを何秒まで待たせてよいか」という許容基準を先に決めておくだけで、推論モデルを導入すべきか判断しやすくなります。許容できる待ち時間が短い業務ほど、標準モデル優先で設計するのが無難です。
7-3. 使い分けの習慣を社内に根付かせる
最後に重要なのが、「とりあえず一番高性能なモデルを使う」という発想から脱却することです。タスクの重要度・複雑度に応じてモデルを使い分ける習慣を、個人の判断に任せず、チームのルールとして明文化しておくと、コストと品質のバランスが安定します。
7-4. 社内に使い分けルールを浸透させる進め方
使い分けの基準を決めても、それが現場に浸透しなければ意味がありません。弊社の経験上、「いきなり全社ルール化」するのではなく、まず特定の業務で小さく試してから横展開する進め方が定着しやすいと感じています。
1つの業務で
試験運用
コストと精度の
実績を記録
判断基準を
チームで共有
他の業務へ
横展開
特に「このタスクは推論モデルを使うべきか」の最終判断を、特定の担当者だけに属人化させないことが重要です。チェックリストや判断フローを言語化し、誰が担当しても同じ基準で判断できる状態を作っておくことで、運用コストの急増や品質のばらつきを防げます。
代表菅澤
08 CONCLUSION まとめ ── 「考えさせるべきタスク」を見極める力 推論モデルは万能の上位互換ではない
この記事では、推論モデルの定義、Chain-of-ThoughtとTest-time computeという仕組み、推論トークンという見えないコスト、主要4社の現在地、業務での選定フレームワーク、そして弊社GENAIの実運用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。推論モデルは「とにかく使えば精度が上がる魔法の機能」ではありません。「このタスクは本当にじっくり考える必要があるのか」を見極める判断力こそが、これからのAI活用で差がつくポイントです。
AIの進化が速いからこそ、個別の機能名やモデル名を追いかけ続けるよりも、「標準モデルと推論モデル、それぞれの得意・不得意を理解した上で使い分ける」という原則を押さえておく方が、長期的に役立ちます。新しいモデルが登場しても、この原則さえ押さえておけば迷わず判断できるはずです。
弊社では、Claude Codeを中心に、標準モード・拡張思考モードの使い分けを含めた業務設計のご支援をしています。この考え方に共感いただけた方は、ぜひ以下のAI鬼管理までお気軽にご相談ください。
代表菅澤
推論モデルの使い分けを含むAI活用設計を、AI鬼管理が一緒に考えます
「推論モデルを使ってみたが、コストと速度のバランスに悩んでいる」——そんな方は決して少なくありません。
弊社の実運用ノウハウをベースに、個別に業務への組み込み方をご相談いただけます。
AI鬼管理山崎
ここから先の進め方は、大きく2つあります。
自社で回せるようになりたい方は、AI鬼管理でClaude Code／Codexの使い方から業務設計・社内定着まで伴走を受けながら、社内に仕組みを作る道があります。
覚えるより任せたい方は、AI社員AIKATAでこの記事のような定型業務を丸ごと預ける道があります。料金は月30万円の月額定額、追加費用は0円です。
どちらが合うかは、業務量と社内体制次第です。無料相談・無料適合診断で、貴社の場合はどちらが向くかからご相談いただけます。
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. 推論モデルと標準モデル、料金はどちらが高いですか？
A. 一般的に推論モデルの方が高額です。理由は、回答前の内部思考（推論トークン）にも課金されるためです。ただし月額プラン契約の場合はプラン料金に内包されるため、個人利用ではそこまで神経質になる必要はありません。
Q. Claude Codeの拡張思考モードは、どんな時に使うべきですか？
A. 複雑なバグの原因調査、複数の判断軸が絡む設計検討、経営分析など「一度で正確な結論を出したい」場面での利用がおすすめです。日常的なファイル編集や簡単な修正作業では、標準モードで十分なケースがほとんどです。
Q. 推論モデルを使えば、AIの回答が「絶対に正しく」なりますか？
A. いいえ。推論モデルは精度を高める技術ですが、誤った回答（ハルシネーション）が完全になくなるわけではありません。重要な判断に関わる成果物は、推論モデルを使った場合でも必ず人間が最終確認する工程を設けてください。
Q. 推論モデルは、文章作成業務にも向いていますか？
A. 論理構成が複雑な文章（複数の制約条件を満たす提案書など）であれば有効です。一方、単純な要約や定型文の作成には、標準モデルの方が速く、コストも抑えられます。
Q. DeepSeek-R1のようなオープンウェイトの推論モデルは、企業で使っても安全ですか？
A. オープンウェイトモデルは低コストで利用できる魅力がありますが、提供元のデータ取り扱いポリシーやセキュリティ体制を個別に確認する必要があります。機密情報を扱う業務では、信頼できる提供元のモデルを選ぶことをおすすめします。
Q. 非エンジニアでも推論モデルと標準モデルを使い分けられますか？
A. 可能です。「複雑な判断が必要か」「一度で正確な結論が必要か」という基準でタスクを仕分けるだけで、専門知識がなくても実践的な使い分けができます。この記事の第5章・第7章のチェックリストを参考にしてみてください。
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／AI社員AIKATAへのお問い合わせ
この記事を読んで気になった方へ。
専門スタッフが、御社に最適な
業務自動化・業務代行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
