【2026年9月最新】Teachable Machineとは？無料でノーコードAIを作る使い方と業務活用の限界
aikanri-admin
「Teachable Machineという無料ツールで、プログラミングなしでAIが作れるらしい」——そう聞いて興味を持ったものの、「結局何ができて、業務にどこまで使えるのか」が分からず、この記事にたどり着いた方も多いのではないでしょうか。
Teachable Machineは、Googleが無料公開しているノーコードの機械学習ツールです。画像・音声・ポーズ（姿勢）の3種類のデータを使い、専門知識がなくてもブラウザ上で分類AIモデルを作れることが最大の特徴です。ロゴ判定や表情判定といったデモ的な使い方が広く紹介されており、「AIを民主化するツール」として一定の知名度があります。
この記事では、Teachable Machineの基本情報・具体的な使い方・できることを手順付きで整理したうえで、「分類はできるが、業務プロセス全体は代行できない」というノーコード分類AIの構造的な限界、そして2026年現在、経営者が本当に必要としている「業務を丸ごと任せられるAI」との違いまで、弊社（株式会社GENAI）の実運用データを交えて解説していきます。
代表菅澤
AI鬼管理山崎
この記事を最後まで読むと、次の7つが明確になります。
01 WHAT IS TEACHABLE MACHINE Teachable Machineとは？基本情報と登場の背景 Googleが無料公開する、ノーコードの機械学習体験ツール
Teachable Machine（ティーチャブルマシン）は、Google が無料で提供しているブラウザベースの機械学習ツールです。プログラミングの知識がなくても、画像・音声・ポーズ（姿勢）のいずれかのデータを使って、独自の分類AIモデルを作成できます。
| 項目 | 内容 |
|---|---|
| 提供元 | Google（Google Creative Lab） |
| 料金 | 無料（Googleアカウントがあれば利用可能） |
| 対応データ | 画像 / 音声 / ポーズ（姿勢）の3種類 |
| 必要スキル | プログラミング知識は不要（ノーコード） |
| エクスポート形式 | TensorFlow.js / TensorFlow / TensorFlow Lite |
| 主な用途 | 教育現場でのAI学習、簡易的な分類AIのプロトタイプ検証 |
📚 用語解説
ノーコードAI：プログラミングのコードを一切書かずに、AIモデルの作成・学習・利用ができるツールやサービスの総称。専門的な開発知識がなくても、GUI（画面上の操作）だけでAIを扱えることが特徴です。Teachable Machineはノーコード画像分類AIの代表例の一つです。
1-1. なぜGoogleは無料でこのツールを公開しているのか
Teachable Machineは、Google Creative Labという実験的プロジェクトを扱う部門が、「AIを誰でも体験できるものにする」という教育目的で公開しているツールです。営利目的の商用サービスというより、機械学習の入門・啓蒙のための無料教材という位置づけに近いといえます。
この背景から分かる通り、Teachable Machineは「本格的な業務用AIシステムを構築するツール」ではなく、「AIがどうやって物事を分類するのかを、体験を通じて理解するための入り口」として設計されています。この前提を理解しておくことが、後述する限界を正しく捉えるうえで重要です。
Teachable Machineは「AIモデルの試作品を素早く作れる実験ツール」であり、「業務システムとして継続運用する製品」ではありません。教育・デモ・アイデア検証には非常に優れていますが、これを本番の業務フローに組み込むには、別途エンジニアによる開発工程が必要になります。
AI鬼管理山崎
02 HOW TO USE Teachable Machineの使い方【5ステップ】 画像分類AIモデルを作るまでの具体的な手順
ここでは、Teachable Machineで実際に画像分類AIモデルを作るまでの流れを、5つのステップに分けて解説します。プログラミングの知識は一切不要で、ブラウザとGoogleアカウントさえあればすぐに試せます。
2-1. ステップ1：公式サイトにアクセスする
まず、Teachable Machineの公式サイト（teachablemachine.withgoogle.com）にアクセスし、「Get Started（使ってみる）」をクリックします。ログインは必須ではありませんが、Googleアカウントでログインしておくと、作成したプロジェクトをクラウド上に保存できます。
2-2. ステップ2：3種類のプロジェクトから目的にあったものを選択する
Teachable Machineでは、次の3種類のプロジェクトタイプから選択します。
| プロジェクトタイプ | 入力データ | 主な用途例 |
|---|---|---|
| 画像プロジェクト | Webカメラの映像 / アップロード画像 | ロゴ判定、表情判定、製品の良品・不良品の見分け |
| 音声プロジェクト | マイクからの音声 | 特定の音（拍手、呼びかけ語）の検出 |
| ポーズプロジェクト | Webカメラで撮影した人の姿勢 | 運動フォームの判定、ジェスチャー認識 |
📚 用語解説
画像分類：入力された画像を、あらかじめ用意した複数のカテゴリ（クラス）のどれに当てはまるかをAIが判定すること。「これは犬の画像」「これは猫の画像」のように振り分ける処理を指します。Teachable Machineの画像プロジェクトは、この画像分類のモデルをノーコードで作る機能です。
2-3. ステップ3：クラス（分類したいグループ）ごとに学習データを登録する
プロジェクトを選んだら、「Class 1」「Class 2」のように分類したいグループ（クラス）を設定し、それぞれのクラスに該当する画像や音声をドラッグ&ドロップでアップロードします。Webカメラでその場で撮影してデータを追加することも可能です。
Teachable Machineに限らず、機械学習モデルの精度は学習データの量と質に大きく依存します。各クラスの画像枚数が極端に少なかったり、背景や角度が偏っていたりすると、実際の判定精度は大きく落ちます。デモとして試す分には数枚でも動きますが、実用レベルを目指すなら各クラス数十〜数百枚の多様なデータが望ましいとされています。
2-4. ステップ4：モデルをトレーニングする
学習データを登録したら、「Train Model（モデルをトレーニングする）」ボタンをクリックします。ブラウザ上で機械学習の計算が実行され、データ量にもよりますが数十秒〜数分程度でモデルが完成します。
📚 用語解説
機械学習（トレーニング）：AIに大量のデータを読み込ませ、データの中にあるパターンや規則性を自動的に学習させるプロセス。人間が「これは犬、これは猫」とルールを1つずつプログラムするのではなく、大量の実例からAI自身に判定の基準を見つけさせる点が従来のプログラミングとの大きな違いです。
2-5. ステップ5：判定結果を確認・エクスポートする
トレーニングが完了すると、画面右側のプレビューエリアでリアルタイムに判定結果を確認できます。Webカメラに何かをかざすと、各クラスに該当する確率がパーセンテージで表示されます。満足のいく精度が出たら、TensorFlow.js等の形式でモデルをエクスポートし、Webサイトやアプリに組み込むことも技術的には可能です。
アクセス
Get Startedをクリック
選択
画像/音声/ポーズ
登録
クラスごとに画像追加
実行
数十秒〜数分
エクスポート
精度チェック
代表菅澤
03 CAPABILITIES Teachable Machineでできること・活用例 教育・デモ用途を中心とした具体的な使いどころ
Teachable Machineは、次のような「あるものを、決められたカテゴリに振り分ける」タイプのタスクに向いています。
これらはいずれも、「入力を受け取り、あらかじめ決めたいくつかのカテゴリのどれに当てはまるかを判定する」という単一の分類タスクです。Teachable Machineが得意とするのは、まさにこの領域です。
3-1. 教育・研修での活用が最も向いている
Teachable Machineが最も真価を発揮するのは、「AIとはどういうものかを、手を動かして体感してもらう」教育・研修の場面です。座学で「機械学習とは学習データからパターンを見つけ出す技術です」と説明するより、実際に自分で画像を集めてモデルを作らせた方が、はるかに理解が深まります。
📚 用語解説
ニューラルネットワーク：人間の脳の神経細胞（ニューロン）のつながり方を模した数学的な構造。Teachable Machineの裏側では、このニューラルネットワークが画像や音声のパターンを学習し、分類の判定を行っています。仕組みの詳細を理解する必要はありませんが、「データの特徴を層状に処理して判定する仕組み」という程度のイメージを持っておくと十分です。
3-2. 簡易的なプロトタイプ検証には有効
「この分類タスクは、そもそもAIで解決できそうか」を検証する初期段階のプロトタイプとしても有効です。本格的なシステム開発に着手する前に、Teachable Machineで手早く試作し、判定精度の見込みを確認するという使い方は、実務でも一定の合理性があります。
Teachable Machineで作ったモデルをそのまま本番の業務システムとして使うのではなく、「このアイデアはAIで実現できそうか」を数時間で検証するための足がかりとして使うのが最も実用的です。検証がうまくいったら、そこから先は本格的な開発・運用体制を別途検討する、という二段構えが現実的です。
04 LIMITATIONS ノーコード分類AIとしての限界 「動くAI」と「業務で使えるAI」の間にある3つの壁
Teachable Machineは優れた入門ツールですが、実際に経営者や管理職の立場で「この技術を自社の業務に使えないか」と考えたとき、必ずぶつかる限界があります。ここでは3つの壁を整理します。
4-1. 【壁1】「分類する」以上のことはできない
Teachable Machineでできるのは、あくまで「入力を、決められたカテゴリに振り分ける」という分類タスクだけです。分類した後に「不良品と判定されたら担当者にメールで通知する」「良品と判定された商品の在庫データを自動更新する」といった、分類の先にある一連の業務処理までは行ってくれません。
実際の業務では「判定する」こと自体が目的ではなく、判定結果を受けて「誰かに連絡する」「データを更新する」「次の作業に回す」といった後続の処理までが一連の業務プロセスです。Teachable Machineはこの一連の流れのうち、最初の「判定」の部分しか担えません。
4-2. 【壁2】エクスポート後は結局エンジニアの開発工程が必要
Teachable Machineで作ったモデルをWebサイトやアプリに組み込むには、TensorFlow.js形式でエクスポートしたモデルを、実際のシステムにプログラムで統合する作業が必要です。これは「ノーコードで完結する」という当初のイメージとは裏腹に、結局エンジニアによる開発工程が必要になることを意味します。
つまり、Teachable Machine単体で完結するのは「モデルを作る」ところまでで、「業務システムとして動かす」ためには、非エンジニアの手を離れて専門的な開発フェーズに入る必要があるのです。
4-3. 【壁3】文章・書類・複数ステップの業務プロセスは扱えない
多くの企業が本当に自動化したいのは、「画像を分類する」ような単発のタスクよりも、「メールを読んで内容を判断し、返信を作成し、必要ならCRMに記録する」といった、複数ステップにまたがる文章ベースの業務プロセスです。Teachable Machineは画像・音声・ポーズの分類に特化しており、こうした文章処理や複数ステップの業務代行にはそもそも設計上対応していません。
| 求めていること | Teachable Machineでできるか |
|---|---|
| 画像を2〜3カテゴリに分類したい | ◯ できる |
| 分類結果をもとに自動で次のアクションを起こしたい | × 別途開発が必要 |
| メールや書類など文章ベースの業務を処理したい | × 対象外（分類専用ツール） |
| 複数ステップの業務プロセスを丸ごと任せたい | × 非対応 |
代表菅澤
AI鬼管理山崎
05 TOOL COMPARISON ノーコードAIツール徹底比較 Teachable Machineと他のノーコード/エージェント型AIの違い
ここからは、Teachable Machineと同じ「ノーコード」を掲げる他のAIツール、そして分類の枠を超えた「業務を自律的に実行するエージェント型AI」との違いを整理していきます。
📚 用語解説
エージェント型AI：人間が1回1回細かく指示しなくても、与えられた目的に向かって複数のステップを自分で計画し、実行まで行うAI。「この画像を分類して」のような単発のタスクではなく、「請求書データを整理して、経理システムに入力して、担当者に確認メールを送って」といった一連の業務を通しで任せられる点が、分類特化型AIとの決定的な違いです。
| ツール | 得意領域 | ノーコードで完結するか | 業務プロセス代行 |
|---|---|---|---|
| Teachable Machine（Google） | 画像・音声・ポーズの分類 | モデル作成まではYes / 業務組み込みはNo | × 非対応 |
| Google AutoML等の商用AutoMLツール | より高精度な分類・予測モデル構築 | 一部Yes（有料・環境構築要） | × 非対応 |
| RPAツール（画面操作の自動記録型） | 定型的な画面操作の自動再現 | Yes | ◯ 定型作業のみ限定的に対応 |
| Claude Code（Anthropic） | 文章処理・ファイル操作・複数ステップの業務遂行 | Yes（自然言語で指示するだけ） | ◯ 幅広く対応 |
5-1. 「分類」と「業務代行」は別物という前提
ここで重要なのは、Teachable MachineとClaude Codeを優劣で比較すること自体があまり意味を持たないという点です。両者は解決しようとしている課題のレイヤーが違います。Teachable Machineは「特定の分類タスクの精度」を追求するツールであり、Claude Codeは「複数ステップにまたがる業務プロセス全体をこなす」ことを目的としたエージェント型AIです。
「Teachable Machine vs Claude Code」ではなく、「単発の分類タスクで十分な業務か」「複数ステップの業務プロセスそのものを代行してほしいのか」という自社の課題の性質で判断すべきです。
AI鬼管理山崎
5-2. Claude Codeとは何か【簡潔に】
Claude Codeは、Anthropic社が提供する自然言語で指示するだけで、ファイルの読み書き・情報整理・複数ステップの作業を自律的に実行できるAIエージェントです。ターミナルやプログラミングの知識がなくても、「この資料を整理して」「このデータをチェックして表にまとめて」といった日本語の指示だけで、複数の工程にまたがる作業を任せられます。
📚 用語解説
Claude Code：Anthropic社が開発するAIエージェント。チャットで質問に答えるだけでなく、ファイルを実際に読み書きし、複数の作業ステップを自分で計画・実行できる点が従来のチャットAIとの違いです。経営者・非エンジニアでも、日本語の指示だけで業務プロセスの自動化に活用できます。
Claude Codeも万能ではありません。指示内容が曖昧な場合は誤った判断をすることがあり、重要な業務では人間による最終確認（レビュー）の工程を残すことが前提になります。「完全に無人化できる」という誤解は避けるべきです。
06 GENAI CASE STUDY 【独自データ】GENAI社内のClaude Code実運用 分類AIの先にある「業務を丸ごと任せる」という使い方の実例
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、数値ベースで公開します。Teachable Machineが示した「AIを誰でも触れるものにする」という理念の先に、業務がどこまで自動化されうるかの一つの実例です。
| 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 |
| 業務領域 | 主な用途 | 概算削減時間（肌感） |
|---|---|---|
| 営業 | 提案書・見積・顧客別資料の自動生成 | 週20h → 週2h |
| 広告運用 | 週次レポート・CPA分析・配信内容調整 | 週10h → 週1h |
| ブログ記事 | SEO記事執筆・リライト・内部リンク最適化 | 1本8h → 1本1h |
| 経理 | 請求書チェック・経費仕訳・Freee連携 | 月40h → 月5h |
| 秘書業務 | 日報生成・議事録・スケジュール調整 | 日2h → 日15分 |
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削減時間は変動します。あくまで「Claude Codeをどこまで使い倒せるか」の参考情報としてご覧ください。
この数値を単純合算すると、月間160時間（1名分のフルタイム業務量）に近い業務がClaude Codeで分担されている計算になります。これらの業務はいずれも、「画像を分類する」単発タスクではなく、資料作成・分析・文章作成・データ処理といった複数ステップの組み合わせです。Teachable Machineのような分類特化型ツールでは、そもそもカバーできない領域だといえます。
代表菅澤
AI鬼管理山崎
07 WHAT EXECUTIVES REALLY NEED 【独自】経営者が本当に必要としているAIとは 「分類の民主化」の次に来る「業務代行の民主化」
Teachable Machineが体現した「AIを誰でも触れるものにする」という思想は非常に重要です。しかし、実際に経営の現場でAI活用の相談を受ける立場から見ると、多くの経営者が本当に求めているのは、「AIモデルを自作すること」ではなく「面倒な業務そのものから解放されること」だと感じます。
7-1. 「AIを作る」から「AIに任せる」への視点の転換
Teachable Machineは「AIを作る」体験を提供するツールです。一方、Claude Codeのようなエージェント型AIは「AIに業務を任せる」体験を提供します。この違いは些細なようで、経営判断としては決定的です。自社でAIモデルを作って運用・保守する体制を持つコストと、自然言語で指示するだけで業務を代行してもらうコストを比較すると、大半の中小企業にとっては後者の方が現実的です。
7-2. 分類AIとエージェント型AIの進化の流れ
Teachable Machineに代表される「ノーコード分類AI」のブームから数年を経て、AI活用の主戦場は明確に移り変わっています。
Teachable Machine等
「AIを作る」体験
ChatGPT/Claude
「質問に答える」
Claude Code
「業務を代行する」
📚 用語解説
スループット：一定時間内にどれだけの業務量を処理できるかを表す指標。個々の判定精度（正確さ）だけでなく、「どれだけの業務を、どれだけ速く回せるか」という全体の処理能力を指します。経営視点では、分類精度の細かな向上よりも、このスループットの改善がインパクトを持つ場面が多くあります。
Teachable Machineは、この進化の起点にある「AIを誰でも触れるものにした」という意味で歴史的な価値がありますが、2026年現在、経営者が業務効率化のために選ぶべき選択肢は、分類特化型のツールよりも、複数ステップの業務プロセスを丸ごと任せられるエージェント型AIへとシフトしています。
7-3. 非エンジニアがエージェント型AIを使いこなす3つのコツ
「Teachable Machineは触ったことがあるが、Claude Codeのようなエージェント型AIはハードルが高そう」と感じる方に向けて、弊社の導入支援経験から見えてきたコツを3つ紹介します。
7-3-1. 【コツ1】仕組みの理解より先に、1つの業務を任せてみる
Teachable Machineで学習データを集めてモデルを作るのと同じように、エージェント型AIも「習うより慣れよ」の側面が強いツールです。仕組みを完全に理解しようとするより、まず1つの雑務を任せてみる方が理解が圧倒的に早まります。
「雑で、繰り返しが多く、毎週やっている」業務が最適です。議事録の要約、メールの下書き、経費データの整理などが典型例です。判定の正確さより、まず「業務が代行された」という感覚を掴むことを優先しましょう。
7-3-2. 【コツ2】最終確認の工程は必ず残す
Teachable Machineの分類精度がデータの質に依存するのと同様に、エージェント型AIの出力も完璧ではありません。重要な業務では、AIの成果物を人間が最終確認するレビュー工程を必ず残すことが、安全にAIを活用するための前提条件です。
7-3-3. 【コツ3】「分類」ではなく「プロセス」で業務を捉え直す
Teachable Machineを触った経験がある方は、つい「この業務は画像分類でどうにかならないか」という発想になりがちです。エージェント型AIを活用する際は、「この業務は、どんな一連のステップで構成されているか」という視点に切り替えることが、活用の幅を大きく広げるコツです。
代表菅澤
08 QUICK GUIDE 目的別・今使うべきAIの早見表 あなたの目的に合わせた選択肢を整理
ここまでの内容を踏まえた、目的別のおすすめの整理です。自分の状況に一番近い行を確認してください。
| あなたの状況 | おすすめ | 理由 |
|---|---|---|
| AIの仕組みを体験・教育目的で知りたい | Teachable Machine | 無料でブラウザ完結、教育・デモに最適 |
| 特定の画像・音を分類する仕組みを試作したい | Teachable Machine（プロトタイプ検証として） | 数時間でアイデアの実現可能性を検証できる |
| 分類したモデルを本番システムに組み込みたい | Teachable Machine + 別途エンジニアの開発工程 | ノーコードで完結しない領域のため |
| 文章作成・要約・資料作成を手伝ってほしい | ChatGPT / Claude どちらでも可 | 基本的なチャット機能で対応可能 |
| 複数ステップの業務プロセスを丸ごと任せたい | Claude Code | 自律型エージェントとしての完成度が高い |
| 本格的に業務全体を任せたい経営者 | Claude Max 20x | 弊社もこの構成で全社運用中 |
09 CONCLUSION まとめ ── Teachable Machineは入口、業務代行は次の一歩 「分類の体験」から「業務そのものの代行」へ
この記事では、Teachable Machineの基本情報・具体的な使い方・活用例を整理したうえで、ノーコード分類AIとしての限界、そして経営者が本当に必要としている「業務プロセスを丸ごと代行できるAI」との違いを、弊社GENAIの実運用データを交えて解説しました。最後にポイントを振り返ります。
Teachable Machineが示した「AIを誰でも触れるものにする」という思想は、6年余りを経て「AIが業務プロセスそのものを代行する」段階まで進化しました。この記事の内容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
「分類AIは分かったけど、結局何をどう任せればいいか」を一緒に設計します
Teachable Machineで体感した「AIができること」の先にある、業務プロセスそのものを任せるという使い方。
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
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. Teachable Machineは無料で使えますか？
A. はい、完全に無料で利用できます。Googleが教育・啓蒙目的で公開しているツールのため、利用料金や有料プランは存在しません。Googleアカウントでログインすれば、作成したプロジェクトをクラウド上に保存することも可能です。
Q. Teachable Machineでプログラミングの知識は必要ですか？
A. 不要です。学習データのアップロードからモデルのトレーニングまで、すべてブラウザ上の画面操作だけで完結します。ただし、作成したモデルを実際のWebサイトやアプリに組み込む段階では、TensorFlow.jsなどを扱うプログラミングの知識が必要になります。
Q. Teachable Machineで作ったAIモデルはそのまま業務に使えますか？
A. 単発の分類タスクの試作品としては使えますが、判定結果を受けて後続の処理（通知・データ更新など）まで自動化したい場合は、別途システム開発が必要です。ノーコードで完結するのは「モデルを作る」段階までで、業務システムへの統合には開発工程が伴います。
Q. Teachable MachineとClaude Codeは何が違いますか？
A. Teachable Machineは画像・音声・ポーズを決められたカテゴリに振り分ける「分類」に特化したツールです。一方Claude Codeは、文章の読み書きや複数ステップの作業を自然言語の指示だけで自律的に実行する「エージェント型AI」で、対応できる業務範囲が大きく異なります。
Q. 学習データは何枚くらい用意すればいいですか？
A. 動作確認だけなら数枚でも可能ですが、実用的な精度を目指す場合は各クラス数十〜数百枚程度の、角度や背景が異なる多様な画像を用意することが望ましいとされています。データが少ない、または偏っていると、実際の判定精度は大きく低下します。
Q. Teachable Machineは商用利用できますか？
A. 技術的には商用目的での利用も制限されていませんが、あくまで教育・実験用途を主眼にしたツールであるため、本番の業務システムとして継続運用する場合は、可用性やサポート体制の面で別途本格的な開発・運用基盤を検討することが推奨されます。
Q. 非エンジニアの経営者でもエージェント型AIを使いこなせますか？
A. はい。Claude Codeのようなエージェント型AIは、ターミナルやコードの知識がなくても、日本語の指示だけで操作できるように設計されています。まずは雑務のような小さな業務から任せてみて、効果を体感しながら適用範囲を広げていくのが実践的なアプローチです。
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／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
