住宅は買うor借りる？ChatGPTのカスタムGPTで判定（仙台2LDK・20年居住の実例つき）

「住宅を一括購入 vs 賃貸の比較」するための構成情報

スクショにちょくちょく出ていましたが、実はサンプルのカスタムGPTより先に作っていた「住宅一括購入 vs 賃貸」カスタムGPTの構成情報です。

「指示」はスクロールしないと全文が見えないため、以下にコピペします。難しいことを書いているように見えますが、中身はChatGPTと相談しながら作っています。ただし、GPTsの「作成する」タブは使っていません。今回のシミュレーション内容はやや複雑で、「作成する」を使って一回で適切な構成を設定することは難しく、通常のチャットモードで何度も依頼、出力、課題洗い出し、修正のサイクルを回して仕上げました。

# 役割（Role）
あなたは “住宅を一括購入すべきか、賃貸で済むべきかを定量的に判断するプロフェッショナル” です。ユーザーから最小限の質問だけを受け、国内事情に即した「購入 vs 賃貸」の比較を実行します。

# ミッション（Mission）
ユーザーからの 4つの入力 — {エリア}, {物件タイプ/規模/築年帯}, {居住年数X}, {運用クラス} — だけを基に、以下を行います。
(1) Webブラウジングで直近5〜10年の実データ・相場（CPI、賃料指数、分譲中古価格、取得/引越しコスト、管理費/修繕積立金、固定資産税、保険、更新料、仲介慣行など）を取得する。
(2) 取得したデータを用いて、購入/賃貸の具体パラメータ（取得/賃貸初期費用、維持費、更新タイミング、売却コスト、投資の期待リターン・税・為替 など）を自動推定する。
(3) 次を計算・提示する：
    ① X年後の「実質・税引後」の最終資産（購入 vs 賃貸）
    ② 一括購入と同価値になる「初期月額ブレークイーブン賃料 Y」
    ③ 主要前提値の表と、簡易感度分析（賃料改定率±1%、期待リターン±1%、売却コスト±1pt、修繕負担±20%）
モンテカルロを用いる場合は P10 / Median / P90 を併記し、決定論モードでは代表値を提示する。

# 基本ルール（Ground Rules）
- **ユーザー入力**：不足している場合は上記4項目のみを尋ねる。それ以外は原則質問しない（本質的に必要な場合のみ最小限で確認）。
- **資本同等性**： 「物件の一括購入価格 ≒ 賃貸案の初期運用元本」として扱う。物件価格は指定エリア/面積/築年帯の中央値近傍を市場データから推定して設定する。
- **日本の慣行を反映**：購入側は「仲介、登記・印紙、不動産取得税（近似）、管理費/修繕積立金、固定資産税・都市計画税、火災/地震保険、駐車場」を、賃貸側は「敷/礼/仲介、保証会社、保険、更新料、退去時原状回復の相場観」を考慮する。
- **実質ベース**：明示がない限り、金額はインフレ調整後（実質円）で統一する。
- **投資側の扱い**：現実的なネットリターン（信託報酬・課税控除後）を用いる。分配金はデフォルト再投資。外貨比率が高い運用クラスを選んだ場合は、JPYの為替リスク（原則アンヘッジ）を前提に含める。
- **ブレークイーブン Y**：二分探索で解く。定義は median{資産_賃貸(Y) − 資産_購入} = 0。感度トグル時のYの変化も示す。
- **ワンショット**：この回答中で完結させる。非同期の後追い作業や時間予告は行わない。
- **コード出力禁止**：コードやノートブックは出力しない。計算が重い場合は結果要約とテーブルに集約する。
- **出典の明示**：参照した統計・指数・相場ベンチマークはブラウズ結果に基づき要所を引用・出典表示する。
- **トーン**：簡潔・日本基準・数値優先。ユーザーのタイムゾーンは Asia/Tokyo とする。

# 出力フォーマット（Output Format）
0) **内部パラメータ一覧（テーブル）**：このシミュレーションで実際に用いた全ての前提・変数・係数・相場・分布（例：インフレ率系列、家賃改定率、物件価格推定、取得/維持/売却コスト、保険・税、投資期待リターン/ボラ/税率、為替前提、相関、モンテカルロ設定、割引率 など）を、名称・値（または分布/レンジ）・出典・適用年/条件の列で一覧化する。
1) **前提まとめ**テーブル（主要推定値の要約）
2) **結果**：購入/賃貸それぞれの X年後資産（実質・税引後）— P10 / Median / P90（決定論モード時は代表値）
3) **ブレークイーブン初期家賃 Y**
4) **感度（±）のひと目サマリー**（賃料改定率±1%、期待リターン±1%、売却コスト±1pt、修繕±20% ほか必要に応じて）
5) **出典**（直近5〜10年データの主要リンク：統計、相場、指数）

# 開始時に不足していたら最小限だけ質問（Minimal questions）
- エリア（市区/駅・徒歩目安）
- タイプ/規模/築年帯（例：分譲マンション 2LDK 55–70㎡ 築15–25年）
- 居住年数 X（例：20年）
- 運用クラス（a 全世界株, b S&P500, c TOPIX, d 60/40）

カスタムGPTの実行結果

以下は「会話のきっかけ」から選択した『エリア＝仙台駅・徒歩10分、タイプ／間取り／築年数＝分譲マンション・2LDK・築20年前後、居住年数＝20年、運用クラス＝S&P500のみ』の結果です。

ChatGPTの出力結果

思考時間6分超と内部で行っている処理が複雑なため、3回実行して2回はエラーで途中停止しました。依頼自体はシンプルですが、内部で何段もの情報収集、推論、コーディングを行っています。ちょっと長いですが、下記は内部処理の様子です。シンプルに1回で推論する場合に比べて数十倍の計算リソースを使っていると思います。

余談ですが、この手のシミュレーションに必須の「Thinkingモード」をガッツリ使うにはChatGPTの有償版が必要で、殆どの方はまだ無償版を使っているはずです。AI市場はバブルと言われていますが、多くの方々がThinkingモードを使い始めると、必要な処理能力が爆発的に増加し、さらにそこに画像、動画系の生成AI、大規模行動モデルの処理などが加わると、処理能力は数百～数千倍に膨らむと思います。私個人は、AIインフラ需要に関してはまだバブルとは思いません。

とはいえ、バブルを判断する上で、下記の点は注意を払う必要があると考えています。

• リーダーに対してそこまで競争力があるように見えず、近いうちに市場から退場する可能性があるAI企業に数十兆円、数兆円の価格が付いているように見える
• AI×利用目的のサービスがタケノコのように出てきて、高バリュエーションを付けては、それに見合った業績を上げられず消える（これが増えるとドットコムバブルと似てくる）
• 推論用GPUのコスト削減、省エネ化、サイズダウンなどで処理需要＝市場需要とならない
• 需要があっても供給が追い付かない。チップの処理能力向上には限界があり、電力供給問題もある

とはいえ、これは私の感想レベルで、ChatGPTに聞いた中期予測は下記のとおりです。私の肌感覚とだいぶ違うので、この辺りは根拠となる論文を読んでみようかなと思っています。今後の投資行動にも影響するので。

短く答えると――2030年前後に必要な“GPU計算能力（供給フロップス）”は、2024–25年比でおおむね 6〜10倍 が標準レンジ。保守的には 3〜5倍、強気シナリオなら 15〜20倍 まで見ます。

さて、余談はこの辺にして、ChatGPTの出力結果を見ていきます。

実行結果のチェック

AIへの期待値を現実的に：人とAIの得手不得手を並べて考える

ChatGPTを含む大規模言語モデルの誤り（いわゆるハルシネーション）を理由に、「使い物にならない」と評価する向きがあります。ただ、Thinkingモードのように段階的に情報収集・分析・要約を行う前提のタスクでは、従来型の評価軸だけでは実態を捉えきれない場面も増えてきました。

多段で情報を集め、分析し、簡易シミュレーションや結果整理まで短時間で回す ─ こうした処理は、人間が同じ時間・工数の制約下で安定して再現するのは容易ではありません。一方でAIは、文書化された情報にアクセスできる範囲に限れば、短時間で広範な材料を俯瞰し、一定水準のアウトプットに到達できるケースが少なくありません。

もちろん、AIの出力は常に検証が必要で、最新性・文脈理解・ 暗黙知・安全性が重要な領域では、人の関与が欠かせません。Thinkingモードでも誤りや取りこぼしは起こり得ますし、課題が複雑すぎると処理が終わらない課題も残ります。だからこそ、正確性・網羅性・スピード・コスト・再現性といった複数の軸で、人とAIの役割分担を設計するのが現実的だと考えます。

要するに、「AIは完璧であるべき」という期待よりも、限られた時間と情報でどこまで前進できるかという観点で評価するほうが実務には適しています。人は範囲設定や意思決定・価値判断に強みがあり、AIは情報展開と試行回数で支援できる。こうした前提に立つと、AIの誤りそのものよりも、検証プロセスと責任の持ち方をどう設計するかがより重要になっていく、というのが本稿の主張です。

何をどこまで検証すべきか

Thinkingモードの結果を「網羅的に」点検することが現実的か、そして意味があるかは、求める正確性・リスク・時間/コストのバランスで決まります。LLMの出力には誤りが含まれ得るという前提に立ちつつ、適正な検証レベルを設計します。

ビジネスで高い正確性が求められる場合

• 基準データと突合：正解データや評価指標があるなら、出力を必ず突き合わせて検証します。
• 中間成果物のチェック：処理が長い場合は、ステップごとに中間結果を出力させ、各ポイントで確認します。
• ログと再現性：前提・参照資料・プロンプト・中間生成物のログを残し、再現性を確保します。
• 負荷感：長尺ワークフローの全数検証は、案件によっては数週間〜数か月、費用も数百万円〜数千万円規模になることがあります。相応に手間のかかる取り組みだと捉えるのが妥当です。

個人利用や試作段階の現実的な進め方

すべてを自力で追いかけて検証するのは非現実的です。リスクに比例した最小限の確認に絞ります。

• ピンポイント確認：明らかに気になる箇所を特定し、そこだけ追加質問して主要論点から外れていないか確認。
• 軽い検算：可能であれば単位・桁・境界値（極端な入力）など、致命傷になりやすい部分だけ素早くチェック。（元データを辿り、計算式を確認して検算するのは多大な工数がかかり、お勧めしません）
• 自己検査の指示：同じモデルに対し、「前提の抜け・典型的な落とし穴・検算ポイント」を挙げさせ、必要なら再実行させます。例えば、コーディングタスクでエラーが出た場合、エラーメッセージをそのまま渡すだけで、原因特定と修正提案まで到達できることが多いです。
• クロスチェック：現時点では万能ではありませんが、将来的に（あるいは必要に応じて）Gemini や Claude など別モデルでの相互評価を使うのも一案です。「元の指示」と「ChatGPTの結果」をセットで提示し、論点の抜けや計算の妥当性を比較させます。ただ、直近ではChatGPTの算術シミュレーションは頭一つ抜きん出ている印象で、今回の結果をクロスチェックできるモデルは無いと思います。

今回チェックした箇所

以下は、ChatGPTの出力の抜粋ですが、全体的に賃貸の方が不利になりすぎているように感じます。地方で築20年→40年になると、もっと資産価値が落ちるイメージがあります。そもそも、9.2万円／月だと3000万円の年リターン率3.7％程度で、トリニティスタディによると、取り崩しても資産がほとんど減らない比率です。流石に15万円／月（年率6％）を取り崩すと資産が減るのは分かりますが、諸費用を考えても、もう少しブレークイーブンは上にある気がします。一括購入がやや有利に設定されているか、賃貸が不利に設定されている可能性を感じます。

ピンポイント確認

「住戸価格ドリフトが0％」に設定されていたため、下記のプロンプトで経年劣化による資産価値減損が織り込まれていたか確認しました。

最初のシミュレーション結果について質問します。事実の確認だけで良く、内容を修正する必要はない。

- 一括購入のケースの資産が減少しているが、これは管理費、修繕積立金などの諸費用がほとんどの理由で、建物自体の資産価値減損は考慮していないのか。理由は、住戸価格ドリフトが0％に設定されているから。通常、築20年→40年になるとさすがに実質ベースでは価格が低下すると思うが、シミュレーションに織り込まれていたか？

ChatGPTの出力結果

ということで、やはり購入側の資産価値減損が織り込まれてはいませんでしたね。今回はやり直しはしませんでしたが、このように気になる点を確認しながら、シミュレーション前提を調整して再出力すると良い感じの最終結果が得られます。

自己検査

次に、以下のプロンプトで自己検査を指示しました。

ところで本シミュレーションで重要な変数を何か見落としていたり、計算をシンプルにするためにあえて無視したような項目はありますか？シミュレーション全体を見直し、改善点を探してください。

ChatGPTの出力結果

はい。結構な改善案が出ましたね。やや購入側が有利になっている印象があったので「上記を反映すれば最初の結果よりYはやや上方向（=購入優位は縮小）に動く可能性が高い」というのは肌感覚に合っています。

このあたりの改善点を吟味して指示に組み込むと、より正確なシミュレーションに近づくかもしれません。ただ、やみくもにシミュレーションを複雑にすると処理エラーが増えますし、しょせん、仮定の積み重ねではありますので、何をどこまでモデルに組み込むかは、トレードオフを考慮しながら個々人の判断に委ねる部分かと思います。

まとめ

• 本記事のゴール
  住宅の「一括購入 vs 賃貸」を、同じ手順・同じ物差しで誰でも再現できるようにすること。入力は4項目だけ（①エリア、②物件タイプ/規模/築年数、③居住年数、④運用クラス）で、相場取得→計算→結論までを自動化しました。
• 結果の読み方（超要点）
  1) 「20年後の最終資産」は実質・税引後で比較。
  2) 「ブレークイーブン家賃 Y」は、この初期家賃なら購入と賃貸が拮抗するという閾値。
  3) 感度表で「前提が少しズレたら結論がどちらへ・どの程度動くか」を示しました（家賃改定率、投資リターン、売却コスト、修繕負担など）。
• 結論は“前提次第”
  実例（仙台2LDK/20年）では購入優位でしたが、築年劣化の織り込み、固定資産税の細部（建物/土地・住宅用地特例）、管理組合の特別徴収、S&P500と為替、敷金返還・更新料などで結果は動きます。読者の皆さんの条件に合わせ、違和感のある前提を調整すると良いでしょう。
• 今すぐ試すための入力テンプレ
  エリア：＿＿＿＿（市区/駅・徒歩）
  タイプ/規模/築年帯：＿＿＿＿（例：分譲マンション 2LDK 60㎡ 築15–25年）
  居住年数：＿＿＿＿（例：20年）
  運用クラス：＿＿＿＿（a 全世界株 / b S&P500 / c TOPIX / d 60/40）
• 活用のコツ
  • まずは上の4行だけで実行 → ブレークイーブンYと感度を見る。
  • 必要に応じて駐車場・専有面積・管理/修繕の実額を追加入力。
  • 気になる前提は+1/−1の感度を使って“結論の揺れ幅”を確認。
  • 迷ったら「20年後の資産差」と「Yと実勢家賃の差」の2指標で判断。