AIは不動産仲介をどこまで代替できるのか――成約率では見えない人間の価値を検証する

AIは、まず仕事の中にある「検索する」「比較する」「文章にする」「予測する」といった工程を置き換え始めています。2026年の米国NARの資料でも、AI利用者の主な用途は物件説明文、SNS投稿、メール・フォローアップなどです。日本でもLIFULLは生成AIの社内活用による業務時間削減を公表しています。

しかし、ここから「AIで不動産仲介の成約率が上がる」「人間の担当者が不要になる」と結論することはできません。今回確認した公開研究では、日本の住宅売買仲介を対象に、生成AIの導入によって問い合わせから成約に至る確率や契約後の満足度がどれだけ因果的に変化したかを、無作為化実験や十分な比較群を用いて明らかにした研究は確認できませんでした。

さらに重要なのは、人間にしかできない仕事は何か、と先に決めることではありません。そもそも人間の仲介担当者が取引結果へどれだけ追加的な価値を与えているのかが、十分に測られていないからです。売れやすい物件と購入意欲の高い顧客を担当する営業Aと、複雑な売却事情や資金制約を抱える案件を担当する営業Bを、単純な成約率だけで比較することはできません。不動産仲介担当者の経験と売却成果の関連を示す大規模研究もありますが、案件配分や顧客とのマッチを考える必要があります。

本記事の仮説は、AIは標準化可能な情報処理の費用を大きく下げるが、案件固有の事情を把握し、不確実性や利害を整理し、顧客自身が理解して決められる状態をつくることには、2026年時点で人間が追加的価値を持つ可能性があるというものです。ただし、それを人間らしさという言葉で済ませず、成約率、説明理解度、苦情、後悔、成約日数などを使って実際に検証できる問題として考えます。

AIは不動産仲介の何を代替できるのか

AIの代替可能性は「不動産営業」という職種単位ではなく、取引工程ごとに大きく異なります。2026年時点で自動化しやすいのは、大量情報の検索・整理、定型的な比較、文書の下書き、問い合わせの一次対応、顧客履歴の要約、価格推定の補助などです。NARの2026年資料でも、実務上のAI利用は物件説明文、SNS、メール、マーケットサマリー、文書要約などに集中しています。

一方、現地でしか確認できない状態、複雑な権利・契約リスク、売主と買主の異なる利害、住宅ローンや家族事情を踏まえた条件変更などは、人的確認が必要となってきます。

工程AI自動化可能性人的確認主な限界
物件検索・条件照合高い例外案件では必要データにない希望や優先順位
物件説明・メール下書き高い原則必要誤情報、誇張、最新性
顧客履歴の要約高い個人情報管理が重要入力情報の漏えい・誤要約
価格査定補助中～高外れ値・特殊物件ほど重要データ不足、地域差、モデル誤差
現地確認低～中高い管理状態、騒音、臭気等の非構造化情報
交渉中程度高い逐次変化する利害・非公開事情
意思決定支援中程度高い正解が一つとは限らない
契約・重要事項説明作成支援は可能法令上重要資格者・事業者の義務をAIに移せない

日本では重要事項説明のオンライン化・書面電子化は認められていますが、国土交通省のマニュアルは宅建業法35条に基づく重要事項説明を宅地建物取引士が行う制度を前提としており、IT重説を対面説明と同様に扱っています。したがってAIが説明文を作れることと、AI単独で宅建士の法定役割を代替できることは別問題となります。

同様に、顧客の収入、借入状況、家族構成、売却理由、会話履歴などを外部の生成AIへ投入する場合には、便利さだけで判断できません。個人情報保護委員会は、個人情報を含むプロンプトが利用目的の範囲内かを確認し、本人同意なく個人データを投入する場合には、サービス提供者が応答生成以外、例えば機械学習に利用しないこと等を確認するよう注意喚起しています。

つまり2026年の現実的な境界は、AIか人間かではなく、AIが情報処理を行い、人間が例外、責任、判断を扱う工程をどう再設計するかにあります。

生成AIは成約率・顧客満足度・営業生産性を改善するのか

ここではまず「成約率」の分母を固定しなければなりません。「問い合わせ件数に対する契約件数」「有効見込み顧客に対する契約件数」「内見件数に対する契約件数」「媒介契約に対する売買契約件数」は別の指標です。AI導入企業が成約率が上がったと公表しても、分母が変われば比較できません。

今回確認した範囲で最も重要なのは、住宅売買仲介そのものについて、生成AI導入が成約率を因果的に何％変えたかを示す強い公開研究が不足していることです。米国NARの2026年資料ではAIの日常利用や肯定的な自己評価が報告されていますが、これはAI利用群と非利用群を無作為化した成約実験ではありません。

日本のLIFULLは、2023年10月～2024年9月について、従業員649人のアンケートを基に82％が生成AIで業務効率化できたと回答し、年間41,820時間相当の「業務時間創出」を公表しました。ただしこれはLIFULL社内の自己申告を含む企業調査であり、住宅売買仲介担当者の成約率に対する第三者検証済み因果効果ではありません。

直接証拠と参考証拠を分けると、現状は次のようになります。

研究・調査対象国・業務AI用途方法規模成果指標報告効果因果解釈上の限界
NAR REALTORS® Technology Report 2026米国・不動産営業文章、メール、要約等会員調査未確認利用状況・自己評価AIの日常利用23％、55％が事業に肯定的影響と回答成約率の実験ではなく自己申告。選択バイアスあり
LIFULL生成AI社内調査日本・不動産情報企業文章、分析、顧客対応等社内アンケート649人業務時間41,820時間相当の時間創出を公表仲介成約の因果研究ではない。企業自己調査
Brynjolfsson, Li, Raymond米国・顧客サポート会話支援AI段階導入の実データ分析5,172人1時間当たり解決件数平均15％増不動産ではない。企業・職務特性の外的妥当性に限界
Fang et al. 2026オンライン小売顧客対応、商品マッチ、広告等大規模ランダム化フィールド実験数百万人規模売上・CV・返品・評価ワークフローにより検出不能～16.3％の売上増小売であり住宅仲介ではない。プレプリント

Brynjolfssonらの査読済みQJE論文では、生成AI支援によって顧客サポート担当者の処理件数が平均15％増え、経験の浅い・低技能層で改善が大きかった一方、最上位の熟練者では速度の改善が小さく、品質指標の一部がわずかに低下しました。この結果はAIが新人の能力差を縮める仮説を支持しますが、不動産仲介でも同じ15％と考えてはいけません。

2026年のオンライン小売の大規模フィールド実験では、生成AIの売上効果は用途によってゼロと区別できないものから16.3％まで大きく異なり、正の効果の主経路は客単価よりコンバージョンでした。これはAI導入という一語で平均効果を語れないことを示します。

顧客満足度についてはさらに慎重であるべきです。契約した顧客だけに満足しましたかと尋ねれば、途中で離脱した顧客、提案を断った顧客、強い不満を持って契約しなかった顧客が観測されません。対応満足、提案適合性、説明理解度、信頼、推奨意向、納得感、苦情、契約後の後悔を分け、成約・未成約の双方を追跡する必要があります。

営業生産性についても、「メール作成が10分短くなった」と「1人当たりの粗利益が増えた」は別です。AIで浮いた時間が追加商談へ移せるのか、AI出力の確認・訂正に何分かかるのか、品質事故が増えないかまで含めて初めて生産性と呼べます。

顧客はなぜAIより人間の提案を選ぶことがあるのか

「AIの方が正確なら、合理的な顧客はAIを選ぶはずだ」という推論は、実証研究と一致しません。ただし逆に人はAIを嫌うと一般化することもできません。

Dietvorstらの実験は、人がアルゴリズムの誤りを一度見ると、人間の予測者よりアルゴリズムへの信頼を急速に失い、アルゴリズムの平均性能が高くても利用を避ける場合があることを示しました。一方、Logg、Minson、Mooreは複数の実験で、人々が同等の助言であれば人間よりアルゴリズムの助言を強く採用するアルゴリズム選好も観測しています。

したがって、不動産で問うべきなのは人間かAIかという属性ではなく、提案精度を確認できるか、根拠を理解できるか、訂正できるか、誰が責任を負うか、顧客が最終判断を保持できるかです。2026年のDecision Analysisの研究でも、人間介在型システムだから自動的に助言が利用されるわけではなく、明示的な精度情報が助言利用に重要であることが示されています。

ここで住宅取引の「不安」を非合理な感情として扱うべきではありません。住宅は高額で、契約後の修正が容易ではなく、物件の欠点や将来価格、周辺環境について完全な情報を得ることも難しいため、「誤った場合に相談できる人がいるか」「異議を述べられるか」は意思決定の制度設計そのものだからです。

同時に、人間なら利益相反がないわけでもありません。LevittとSyversonの研究が示したように、仲介者は依頼者より市場情報を多く持つ一方、自身の時間や報酬と依頼者の最適な売却価格が完全には一致しない可能性があります。AIを客観的、人間を誠実と二分するより、それぞれのインセンティブを可視化する方が重要です。

医療の意思決定支援研究が参考になるのはこの点です。Cochraneレビューでは意思決定支援により知識や価値観と選択の一致が改善しましたが、意思決定後悔は有意には減っていません。さらにLVAD治療を対象とした米国のランダム化段階導入試験では、共同意思決定支援によって知識と価値観・選択の一致が改善する一方、実際の治療実施率は対照群79.9％に対し介入群53.9％でした。つまり、意思決定支援の質を高めればサービス利用率が必ず上がるとは限りません。

もちろん医療と不動産は危険性、制度、緊急性が異なります。それでも、成約を増やす支援と、顧客が理解して自分に合った判断をする支援は別の成果であるという比較は有用です。

不動産価格のAI査定はどこまで信頼できるのか

まず、生成AIと価格予測モデルを分ける必要があります。大規模言語モデルが査定理由を文章で説明することと、取引データを用いた統計・機械学習モデルが価格を予測することは別の機能です。

査定精度を見る代表的な指標には、誤差の絶対額を平均するMAE、より大きな誤差を重く扱うRMSE、実価格に対する誤差割合を測るMAPEやその中央値があります。ここで重要なのは平均値だけではありません。地域、価格帯、築年数、物件種別、取引量別に誤差分布を見る必要があります。

2026年にJournal of Real Estate Finance and Economicsで公表されたオスロの164,619件のマンション取引を用いる研究では、25％をアウト・オブ・サンプル評価に使い、XGBoost、比較事例法、線形モデル等を組み合わせたスタッキングモデルの中央値絶対パーセント誤差は5.17％、XGBoost単独は5.24％でした。高度な複合化による改善は小さく、計算コストとのトレードオフも指摘されています。

しかし、別の市場に移すと性能は変わります。2026年9月公表のGreater Sydney研究では、ランダムフォレストが全体として最も高精度でしたが、取引量が多く価格のばらつきが小さいサブマーケットほどAVM精度が良く、地理的に孤立した地域等では一部モデルの性能が低下しました。平均精度の高さは、個々の地方物件や特殊物件の正確さを保証しません。

Zillow自身もZestimateについて、MLS、公的記録、物件属性、周辺市場情報を利用し、市場に出ている住宅では売出価格や市場活動も入力に含めると説明しています。また、改修履歴等がデータに反映されていなければ推定へ反映できないと明記しています。そのため「市場公開前の査定」と「売出価格を既に知った後の推定」の精度を同じ条件として比較することは適切ではありません。

人間による評価も無誤差ではありません。BoginとShuiの米国研究では、農村部の鑑定評価の25％超が契約価格を5％以上上回っており、機械学習を代替評価手段として検討しています。これはAIなら公平という証拠ではなく、人間とAIの双方を同じ外部基準で検証する必要があることを示します。

説明可能性にも四段階があります。「価格を予測できる」「どの特徴量が予測に寄与したか説明できる」「顧客がその説明を理解できる」「査定額について責任ある判断ができる」は別です。特徴量への寄与度は、例えば駅距離を1分短くすれば価格が必ずこの額だけ上がるという因果効果を意味しません。

米国ではAVMについて、住宅担保融資の一定の用途を対象に、推定値への高い信頼性、データ操作防止、利益相反回避、無作為サンプルによる検査、差別禁止法遵守等を求める品質管理規則が2025年10月1日に発効しました。これは住宅ローンの担保評価等を対象とする米国規制であり、日本の一般的な仲介AI査定に直接適用される制度ではありません。 

優秀な不動産営業担当者を成約率だけで評価してよいのか

ここが本記事の中心です。答えは、そのままでは評価できません。

説明用の仮想例を考えます。営業担当者Aは価格競争力の高い物件と、住宅ローンの事前審査を通過し購入意欲も高い顧客を担当しています。営業担当者Bは売却事情が複雑で、築古、資金条件が厳しく、希望条件も多い顧客を多く担当しています。Aの成約率が60％、Bが30％だったとしても、それだけではAの能力がBの2倍だとはいえません。

結果には、物件価格、立地、築年数、状態、需給、市場金利、購入予算、住宅ローン、売主事情、広告露出、問い合わせ経路、会社ブランド、店舗、案件配分、チーム支援などが同時に影響します。営業担当者自身が案件を選べるなら、優秀な担当者ほど有望案件を取れるという逆方向の因果も生じます。

実際、Review of Financial Studiesに掲載された2024年の研究は、約850万件の住宅リスティングを分析し、経験の浅い仲介担当者の物件は売却確率が低く、その差は住宅市場低迷期に大きいと報告しています。これは仲介担当者の異質性が重要である証拠ですが、「経験年数＝能力」や「経験だけが原因」と解釈することはできません。

そこで教育経済学の「付加価値」の考え方が役に立ちます。教師の最終成績を見るだけでなく、生徒の事前成績などから予測される成果との差を見るように、不動産でもこの案件は通常どの程度の成約確率だったかを先に予測し、その予測を上回った部分を担当者の潜在的な付加価値として調べます。Chetty、Friedman、Rockoffらの教師付加価値研究は、過去の学力等を調整した教師効果推定のバイアスを、教師の入れ替わりを利用して検証しました。

ただし不動産では最良の担当者という考え方自体が危うい可能性があります。教育研究でも教師とクラス構成のマッチ効果が確認され、教師のランキングが担当する生徒構成によって変わり得ます。不動産でも、初回購入者に強い担当者、相続売却に強い担当者、価格交渉に強い担当者、複雑なローン案件に強い担当者が存在するなら、一つの順位表では本当の能力を表せません。

したがって、測る能力も複数に分けるべきです。市場・物件知識、顧客希望の把握、価格・リスク説明、交渉、法令遵守、応答速度、意思決定支援、AI・データ活用などです。ただし、それらを100点満点で単純合算すれば真の営業力になるわけではありません。説明力が重要な案件と、交渉力が重要な案件では重みが違うからです。

成果も成約率だけでは不十分です。「案件難易度調整後の成約」「成約までの日数」「売主にとっての価格」「買主にとっての価格・条件」「説明理解度」「納得感」「契約後苦情」「解除・キャンセル」「再紹介」などを分ける必要があります。売主にとって高値が望ましいことと、買主にとって安値が望ましいことも同じKPIにはできません。

因果推論で最も重要な問いは、

「同じ顧客、同じ物件、同じ市場環境で、別の担当者またはAIが対応していたら結果はどうなったか」

です。しかし同じ案件をAとBの両方に同時に担当させ、二つの世界を観測することはできません。これが反実仮想の問題です。無作為化や統計調整は、その見えない比較対象を集団平均として近似する手段です。

方法分かること主な前提主な限界
回帰・階層モデル観測可能な案件条件を調整した担当者差重要な交絡を十分観測未観測の購入意欲や案件配分を除けない
案件ランダム割り当て担当者による平均因果効果割当てが本当に無作為専門分野、勤務状況、顧客希望との衝突
AI利用RCTAI支援の平均効果AI利用ルールが明確未使用・越境利用、学習効果、店舗間波及
段階導入の差の差導入前後の相対変化導入がなければ平行トレンド導入店舗の選択、予期行動、時期別効果
担当者付加価値モデル案件難易度調整後の担当者間差配分・事前条件を適切に扱う測定誤差、年次変動、マッチ効果

現実的な企業実験では、問い合わせ発生時点を母集団の入口にし、成約した顧客だけを残さないことが重要です。案件単位では流入経路、問い合わせ日時、希望価格、資金条件、事前購入意欲、希望地域、紹介物件、内見、提示条件、住宅ローン結果、成約・離脱理由を記録します。担当者単位では経験、担当件数、得意領域、勤務負荷を持ち、AIについてはどの機能をいつ使い、どの出力を採用・修正したかまでログ化します。

主要評価項目は、例えば問い合わせから一定期間内の成約率を一つに事前指定し、同時に説明理解度、意思決定納得度、苦情、キャンセル等を副次指標として測ります。店舗ごとに好きな指標を後から選べば、都合のよい結果だけを拾う危険があるからです。

担当者評価への利用はさらに慎重であるべきです。推定値には信頼区間を付け、数件の差で順位を断定せず、低評価スコアだけで自動的な人事不利益を決めない設計が望まれます。個人情報保護委員会が示す生成AIへの個人情報入力上の注意も踏まえ、顧客データの研究利用目的、外部提供、AI学習利用の有無を事前に整理する必要があります。

この設計が実現すれば、初めて「AIは人間のどこを置き換えたのか」を正確に問えます。例えば新人＋AIが熟練者のみと同等になるのか、熟練者＋AIがさらに伸びるのか、複雑案件だけ人的介入の効果が大きいのかを比較できます。他業種では経験の浅い担当者ほどAIの恩恵が大きい研究がありますが、不動産で同じ異質性が生じるかは未検証です。 

AI導入で不動産仲介会社の利益はどう変わるのか

AI導入で最初に減りやすいのは、問い合わせ文作成、情報整理、広告文、顧客履歴要約、比較資料作成などの作業時間です。しかし、時間短縮をそのまま利益として計上することはできません。

企業利益の変化は概念的に、

増分売上総利益 ＋ 実際に削減可能な費用 － AI利用料・データ整備・監査・確認・教育・事故対応等の追加費用

で考える必要があります。

例えば担当者が月10時間節約しても、人員数や残業が変わらず追加成約もなければ、会計上の費用削減はほぼ発生しない場合があります。その時間を追加顧客への対応、案件品質の改善、離脱防止へ再配置して初めて経済価値になります。LIFULLが公表した時間創出はAIが業務時間を減らし得る実例ですが、それ自体が仲介利益の増加率を証明するものではありません。

収益側では、日本の売買仲介報酬には上限があります。2024年7月1日以降の現行ルールでは、通常の売買媒介について依頼者一方から受けられる税込上限は、価格200万円以下部分5.5％、200万円超400万円以下部分4.4％、400万円超部分3.3％です。価格1,000万円なら上限39.6万円となります。また800万円以下の低廉な空家等には、一方の依頼者から最大33万円（税込）までとする特例があります。これはあくまで上限であり、実際の報酬額を必ずその額にする規定ではありません。

したがってAIが事務費を下げても、手数料価格競争によってその一部が顧客へ還元されれば、会社の利益率は必ずしも上がりません。反対に、市場全体の住宅取引件数が増えなくても、応答速度やサービス品質が上がった会社へ顧客が移れば個社のシェアは増えます。この場合、個社の成功と業界全体の取引増加も別です。

AI自体が誰でも購入できる標準技術になれば、AIを導入したという事実は競争優位になりにくくなります。差が出やすいのは、案件データの品質、顧客獲得、地域情報、AIをどこで人に戻すかという業務設計、法令確認、エラー監査、そして導入効果を継続測定する能力です。

人間とAIの役割分担はどう変化するのか

2026年時点で最も現実的なのは人間をAIに置き換えるより、人間の仕事の構成を変えるシナリオです。

標準案件では、AIが検索、比較、要約、初期提案、文書下書きを行い、担当者が検証して顧客へ提示する。複雑案件では、人間が先に事情を把握し、AIを分析・整理の道具として使う。定型問い合わせではAI中心とし、顧客が異議や不安を示したときに人間へエスカレーションする、といった設計です。

その際、人的介入があれば安心とも限りません。人間介在型システムに対する研究でも、単に人間が入っているというラベルより、実際の精度情報を示すことが助言利用に重要でした。したがって、AI＋人間という組み合わせ自体を売り文句にするより、誤りをどう検知し、どの案件を人的レビューへ送るのかを明確にする方が重要です。

AI査定なら、一つの価格だけでなく予測範囲、利用データ、モデルが苦手とする物件条件を示す。顧客提案なら、AIが選んだ候補に加えなぜ除外されたかを人が確認できるようにする。生成文なら、物件データとの突合を行う。AI導入を品質管理の問題として扱う発想は、米国のAVM規則がランダムサンプル検査やデータ操作防止、差別禁止法遵守を要求していることとも方向性が一致します。

AI利用の労働需要への効果も単純な人員削減ではありません。AIが下書き業務を減らすほど、人間に残る仕事は例外案件、説明、交渉、監査、意思決定支援へ偏ります。その結果、必要人数が減る企業もあれば、一人当たりの担当件数を増やす企業、サービス水準を上げる企業もあり得ます。どの方向へ進むかはAI性能だけでなく、顧客獲得量と会社の競争戦略に依存します。

不動産仲介で最後に評価すべき価値とは何か

今回の調査から明確に言えるのは、AIが不動産仲介のかなりの情報処理工程を自動化できる一方、生成AIが日本の住宅売買仲介の成約率、顧客満足度、営業利益をどれだけ因果的に改善するかについては、公開された強い実証証拠がまだ不足しているということです。

価格査定では、機械学習モデルが高い平均精度を示す研究が既に存在します。しかし精度は地域や取引量で変わり、特殊物件の個別誤差を平均精度から判断することはできません。

人間の価値についても同様です。経験の浅い仲介担当者で売却確率が低いという大規模証拠はありますが、人間が生み出した因果的な付加価値を完全に識別したものではありません。むしろ次の研究課題は、売れやすい案件を多く与えられた担当者ではなく、同じ難易度ならどれだけ成果を変えたかを測定することです。

この視点を採用すると、AIに奪われない能力を探すこと自体が少し違って見えます。AIが再現できないと信じられていた交渉や個別提案も将来高度化する可能性があります。逆に、AIでは測りにくいからというだけで人間の価値が証明されたわけでもありません。

最後に残る評価軸は、成約件数だけではありません。

成約したという結果だけでは、その取引が顧客にとって良い意思決定だったかは分からない。では、不動産仲介の本当の成果を何で測るべきなのか。

AIによってこの問いが消えるのではなく、むしろ測定可能な経営課題として前面に出てくることが、本調査から導ける最も重要な結論です。

よくある疑問Q&A

Q. AIで不動産仲介の仕事はなくなりますか？

全面代替を支持する実証証拠はありません。検索、要約、文章作成、比較、査定支援などは代替が進みますが、例外処理、交渉、法令上の役割、責任を伴う説明などは別に評価する必要があります。2026年のNAR資料でも現状の利用は主として個別業務の支援です。 

Q. AIで不動産会社の成約率は上がりますか？

可能性はありますが、日本の住宅売買仲介で何％上がると因果的に示した公開研究は今回確認できませんでした。他業種の大規模ランダム化実験ではコンバージョン改善が確認されていますが、その効果量を不動産へ転用することはできません。 

Q. AI査定は人間より正確ですか？

一律には言えません。大規模な標準物件では機械学習が強い場合がありますが、地域・取引量・データ品質によって誤差が変わります。人間の鑑定にもバイアスが確認された研究があります。 

Q. AIがあれば宅地建物取引士は不要になりますか？

現在の制度ではそうではありません。IT重説や書面電子化は「オンライン化」であって、法令上の宅建士の役割を無資格AIへ移す制度ではありません。 

Q. 不動産営業担当者の能力は数値化できますか？

部分的には可能ですが、単純な成約率では不十分です。案件難易度、顧客属性、市況、店舗、流入経路等を調整した上で、複数の成果指標を用いる必要があります。教育経済学の付加価値評価は有用な設計上の参考になります。 

Q. AI導入によって仲介手数料は安くなりますか？

必ずしも下がりません。AIが費用を下げても、価格へ還元するか利益として残すかは競争環境と企業戦略によります。

Q. 人間の担当者を選ぶ意味はありますか？

案件固有事情の確認、交渉、説明、例外処理を重視する場合は価値を持ち得ます。ただし人間だから良いとは限りません。担当者の能力差と利益相反の双方が存在し得るため、会社は人間の支援効果自体も測定すべきです。

Q. 不動産会社はAI導入効果をどう測定すべきですか？

まず主指標を事前に決め、可能なら担当者・店舗を無作為化してAI利用群と比較群をつくります。成約率だけでなく、作業時間、顧客理解度、満足度、キャンセル、苦情、粗利益を同時に追跡し、AI利用ログも保存することが重要です。

参考

国土交通省｜宅地建物取引業法関係・宅地建物取引業者が受けることができる報酬の額｜改正告示2024年6月21日、施行2024年7月1日｜仲介報酬上限の現行告示を確認
URL：https://www.mlit.go.jp/totikensangyo/const/1_6_bt_000266.html

国土交通省｜＜消費者の皆様向け＞不動産取引に関するお知らせ｜2024年制度改正反映｜通常の売買仲介報酬と800万円以下の低廉な空家等の特例を確認
URL：https://www.mlit.go.jp/totikensangyo/const/1_6_bf_000013.html

e-Gov法令検索｜宅地建物取引業法｜現行法令を2026年10月22日確認｜重要事項説明、報酬規制等の法的根拠を確認
URL：https://laws.e-gov.go.jp/document?lawid=327AC1000000176_20250401_506AC0000000053

国土交通省｜ITを活用した重要事項説明及び書面の電子化について｜制度改正2022年5月18日｜IT重説・書面電子化の制度的位置づけを確認
URL：https://www.mlit.go.jp/totikensangyo/const/sosei_const_tk3_000092.html

国土交通省｜重要事項説明書等の電磁的方法による提供及びITを活用した重要事項説明実施マニュアル｜現行版を2026年10月22日確認｜IT重説が35条重要事項説明と同様に扱われること、宅建士・宅建業者の役割を確認
URL：https://www.mlit.go.jp/totikensangyo/const/content/001853617.pdf

個人情報保護委員会｜生成AIサービスの利用に関する注意喚起等について｜2023年6月2日｜個人情報を含むプロンプト、利用目的、機械学習への利用確認について確認
URL：https://www.ppc.go.jp/news/careful_information/230602_AI_utilize_alert/

総務省・経済産業省｜AI事業者ガイドライン 第1.2版｜2026年3月31日｜2026年10月時点の現行版を確認
URL：https://www.meti.go.jp/shingikai/mono_info_service/ai_shakai_jisso/20260331_report.html

国土交通省｜不動産情報ライブラリ API操作説明 XPT001｜確認日2026年10月22日｜取引価格は2005年第3四半期以降、成約価格は2021年第1四半期以降の提供範囲を確認
URL：https://www.reinfolib.mlit.go.jp/help/apiManual/xpt001/

公益財団法人東日本不動産流通機構｜不動産市場動向（統計）｜随時更新、2026年10月13日更新資料まで確認｜月例マーケットウォッチ等の一般公開統計の範囲を確認
URL：https://www.reins.or.jp/library/

Federal Housing Finance Agency｜Quality Control Standards for Automated Valuation Models｜2024年8月7日公表、2025年10月1日発効｜米国AVM品質管理規則の適用対象・品質管理要件を確認
URL：https://www.fhfa.gov/regulation/federal-register/final-rule/quality-control-standards-for-automated-valuation-models

Zillow｜What is a Zestimate?｜確認日2026年10月22日｜Zestimateの入力データ、市場公開物件では売出価格等を使用すること、鑑定評価ではないことを確認
URL：https://www.zillow.com/zestimate/

Brynjolfsson, Erik; Li, Danielle; Raymond, Lindsey｜Generative AI at Work｜The Quarterly Journal of Economics｜2025年2月4日オンライン公表｜5,172人の顧客サポート担当者、平均15％の生産性改善と異質性を確認
URL：https://academic.oup.com/qje/article/140/2/889/7990658

Fang, Lu et al.｜Generative AI and Sales Productivity: Field Experiments in Online Retail｜2026年6月1日版｜オンライン小売の大規模ランダム化フィールド実験、用途別に売上効果が異なることを確認
URL：https://arxiv.org/html/2510.12049v5

Oxford Academic / Review of Financial Studies｜Heterogeneous Real Estate Agents and the Housing Cycle｜2024年｜約850万件の住宅リスティングと仲介担当者経験・売却確率の関係を確認
URL：https://academic.oup.com/rfs/article-abstract/37/11/3431/7745820

Levitt, Steven D.; Syverson, Chad｜Market Distortions When Agents Are Better Informed: The Value of Information in Real Estate Transactions｜The Review of Economics and Statistics, 2008｜仲介担当者自身の物件と顧客物件の売却価格・期間差を確認
URL：https://www.nber.org/papers/w11053

Springer Nature / Journal of Real Estate Finance and Economics｜Comparing Housing Valuation Techniques and Stacked Generalization: Exploiting Explainable AI｜2026年掲載｜164,619件のオスロ取引、MdAPE 5.17％等を確認
URL：https://link.springer.com/article/10.1007/s11146-025-10030-x

Bogin, Alexander N.; Shui, Jessica｜Appraisal Accuracy and Automated Valuation Models in Rural Areas｜Journal of Real Estate Finance and Economics, 2020｜農村部の鑑定評価バイアスとAVM検討を確認
URL：https://link.springer.com/article/10.1007/s11146-019-09712-0

Lee, Hojun et al.｜Geographical variations in AVM accuracy: comparing statistical and machine learning models in Greater Sydney｜Journal of Housing and the Built Environment｜2026年9月8日｜地域特性とAVM精度の異質性を確認
URL：https://link.springer.com/article/10.1007/s10901-026-10353-y

Chetty, Raj; Friedman, John N.; Rockoff, Jonah E.｜Measuring the Impacts of Teachers I: Evaluating Bias in Teacher Value-Added Estimates｜American Economic Review, 2014／NBER版｜教師付加価値推定とバイアス検証の考え方を確認
URL：https://www.nber.org/papers/w19423

Aucejo, Esteban et al.｜Teacher Effectiveness and Classroom Composition: Understanding Match Effects in the Classroom｜The Economic Journal｜2022年7月27日｜教師とクラス構成のマッチ効果を確認
URL：https://academic.oup.com/ej/article/132/648/3047/6650669

Cochrane｜Patient decision aids to help people who are facing decisions about health treatment or screening｜2024年1月29日｜209件、107,698人のRCTレビュー、知識・参加・価値整合性・後悔を確認
URL：https://www.cochrane.org/evidence/CD001431_patient-decision-aids-help-people-who-are-facing-decisions-about-health-treatment-or-screening

JAMA Internal Medicine｜Effectiveness of an Intervention Supporting Shared Decision Making for Destination Therapy Left Ventricular Assist Device｜2018年｜248人、6施設の段階導入ランダム化試験で意思決定品質と治療選択を確認
URL：https://jamanetwork.com/journals/jamainternalmedicine/fullarticle/2673302

Dietvorst, Berkeley J.; Simmons, Joseph P.; Massey, Cade｜Algorithm Aversion: People Erroneously Avoid Algorithms After Seeing Them Err｜Journal of Experimental Psychology: General, 2015｜アルゴリズム忌避の実験結果を確認
URL：https://pubmed.ncbi.nlm.nih.gov/25401381/

Logg, Jennifer M.; Minson, Julia A.; Moore, Don A.｜Algorithm Appreciation: People Prefer Algorithmic to Human Judgment｜Organizational Behavior and Human Decision Processes, 2019｜アルゴリズム選好の実験結果を確認
URL：https://www.hbs.edu/faculty/Pages/item.aspx?num=52499

National Association of REALTORS®｜REALTORS® Technology Report／The Tech Real Estate Agents Rely on Most in 2026｜2026年｜AI利用用途・利用状況を確認
URL：https://www.nar.realtor/research-and-statistics/research-reports/realtors-technology-report
URL：https://www.nar.realtor/news/real-estate-news/technology/the-tech-real-estate-agents-rely-on-most-in-2026

株式会社LIFULL｜LIFULL、生成AIの社内活用を推進し、年間で約42,000時間の業務時間を創出｜2024年10月29日｜649人の社内アンケート、41,820時間の公表値と用途を確認
URL：https://lifull.com/news/39363/ 

コメント

タイトルとURLをコピーしました