家賃を下げる前に試すAI空室対策7ステップ｜反響分析・募集改善を自動化する実務手順

月額家賃8万円の部屋が30日空けば、単純計算で8万円相当の家賃機会を失います。

しかし、反響が悪い理由を確認せず、家賃だけを下げるのは危険です。原因が写真、掲載条件、返信速度にあるなら、値下げによって収益性が下がっても、入居が決まるとは限りません。

AIを使った空室対策の目的は、募集文を自動生成することだけではありません。

反響データを集める
→ 募集ファネルの詰まりを見つける
→ 改善案を作る
→ 人が承認する
→ 募集内容へ反映する
→ KPIで効果を検証する

この改善サイクルを毎週、同じ基準で回し続けることが目的です。

この記事では、現在募集中の1室を対象に、初心者がAI空室対策を始める7ステップを解説します。具体的なKPI、AIへの指示文、失敗時の停止条件、Hiroの自動運用ログまで紹介します。

本記事は一般的な情報提供を目的としています。空室解消、家賃収入、投資成果を保証するものではありません。募集条件、広告表示、契約、個人情報、税務に関する判断は、管理会社、宅地建物取引業者、税理士などの専門家へ確認してください。

AIによる空室対策で、できること・できないこと

AIは、空室を直接解消する魔法の道具ではありません。得意なのは、情報整理、原因候補の分類、比較、文案作成です。

一方、募集媒体からのデータ取得、定時実行、通知、承認済みデータの登録には、API、RPA、ノーコードツールなどを組み合わせます。

AIが出すのは、あくまで「検証すべき仮説」です。現地の臭い、騒音、日照、共用部の状態などは、データだけでは判断できません。

完全自動化を目指す場合も、人間の責任をなくすのではなく、人が承認する条件を先に決める必要があります。

空室対策でAIを使うべき3つの理由

1. 募集ファネルの詰まりを早く発見できる

空室の原因を「家賃が高い」の一言で片づけると、不要な値下げにつながります。

見るべきなのは、入居希望者が契約へ進むまでの募集ファネルです。

広告閲覧 → 問い合わせ → 内見 → 申込 → 契約

例えば、次のように原因候補を分けられます。

AIに数値と仲介会社のコメントをまとめて渡せば、毎週同じ基準で原因候補を整理できます。

ただし、ファネルの数字だけで原因を断定することはできません。「内見後に離脱している」という事実と、「共用部の印象が悪いのではないか」という仮説は分けて記録してください。

2. 確認済みの事実から訴求案を増やせる

同じ物件でも、入居希望者が重視するポイントは異なります。

• 在宅勤務者：作業スペース、通信環境
• 子育て世帯：収納、間取り、周辺環境
• 単身者：駅距離、防犯設備、宅配ボックス
• 高齢者：段差、エレベーター、医療機関へのアクセス

ただし、AIが自然に書いた文章が正しいとは限りません。

物件台帳で確認できた情報だけをAIへ渡し、「未確認情報を追加しない」と明示します。駅徒歩、方角、設備、費用などは、公開前に必ず原資料と照合してください。

また、想定読者に合わせて訴求を変えることと、特定の属性を不当に排除することは別です。広告表現や入居条件に問題がないか、管理会社や専門家にも確認します。

3. 改善作業を止めずに運用できる

手作業だけの空室対策は、本業や繁忙期の影響で止まりがちです。

次の処理を自動化すれば、担当者が毎日画面を確認しなくても改善を継続できます。

• 反響データの取得
• 前週との差分計算
• 仲介会社コメントの分類
• 週次レポートの作成
• 広告文案の作成
• 承認依頼の通知
• 変更履歴の保存
• 異常時の停止と通知

目標は「何でもAIに任せること」ではなく、正常な定型処理だけを無人化することです。

全国の空き家統計を、自分の物件の需要と混同しない

総務省統計局の「令和5年住宅・土地統計調査」の確報集計では、2023年10月1日時点の空き家は900万2千戸、空き家率は13.8％でした。このうち「賃貸用の空き家」は443万6千戸です。総務省統計局「令和5年住宅・土地統計調査 住宅及び世帯に関する基本集計」

ただし、この全国統計だけから、特定地域の賃貸需要や個別物件の募集難易度は判断できません。

実務では、次の条件をそろえた競合物件を確認します。

• 最寄り駅と徒歩時間
• 専有面積と間取り
• 築年数
• 階数と方角
• 建物構造
• 設備
• 家賃と管理費
• 敷金、礼金、保証料などの初期費用
• 掲載開始日
• 募集終了を確認した日

全国統計は市場全体の傾向を把握する資料です。個別物件を判断するには、地域別の反響データと条件の近い競合物件との比較が必要です。

Hiroの実行ログから分かる「無人運用の条件」

本サイトのHiro運用環境では、AIによる記事生成、品質検査、Markdown保存、Git反映、公開処理を連続させています。

2026年7月23日に、各サイトの content/posts 内にあるMarkdownファイルをPowerShellで再集計しました。

$dirs = @(
  "sites/ai-tech/content/posts",
  "sites/business/content/posts",
  "sites/real-estate/content/posts"
)

foreach ($dir in $dirs) {
  $count = (Get-ChildItem -LiteralPath $dir -File -Filter "*.md").Count
  Write-Output "$dir`t$count"
}

集計結果は次のとおりです。

これは公開済みページ数、検索エンジンへの登録数、売上件数ではありません。リポジトリ内に存在する投稿Markdownファイルの数です。

同日、次の品質テストも再実行しました。

python -m pytest tests/test_slop_guard.py -q

結果は次のとおりです。

..                                                                       [100%]
2 passed

テスト内容は、次の2点です。

1. 固有の実行記録、画像、手順、注意点を含む記事が品質検査を通る
2. 「AIは重要」「効率化できる」といった一般論だけの記事が拒否される

この結果は、AIによる空室対策の効果や収益を証明するものではありません。確認できたのは、記事品質を機械的に判定する処理が、その時点のローカル環境で動作したことだけです。

一方、この運用から空室対策へ転用できる考え方があります。

それは、処理の成功条件だけでなく、公開してはいけない条件も自動判定することです。

空室対策では、次のような品質ゲートに置き換えられます。

• 未確認の設備が含まれていたら公開しない
• 家賃や初期費用の変更は承認まで反映しない
• 募集状態を確認できない物件は更新しない
• データが欠損した週は分析結果を確定しない
• 個人情報が残っていたら外部AIへ送らない
• 実行結果と変更内容をログへ残せない場合は自動更新しない

「成功したときに動く仕組み」に加えて、「失敗したときに止まる仕組み」を設計することが、Hiro運用から得た実務上の教訓です。

AI空室対策を始める7ステップ

ステップ1. 現在募集中の1室に絞る

最初から全物件を対象にすると、地域、間取り、募集時期の違いが混ざり、施策の効果を判断しにくくなります。

まずは、次の条件を満たす1室を選びます。

• 募集開始日が分かる
• 家賃と初期費用を記録できる
• 問い合わせ数を取得できる
• 内見数と申込数を追跡できる
• 条件の近い競合物件がある
• 募集内容を変更した日を記録できる

広告閲覧数を取得できない場合は、仲介会社からの紹介件数、問い合わせ数、内見数から始めても構いません。

ステップ2. 改善前の基準値を記録する

AI導入前の数字がなければ、施策後の変化を評価できません。

最低限、次の項目を1行ずつ記録します。

物件ID
募集開始日
募集賃料
管理費
敷金・礼金
その他の初期費用
広告閲覧数
問い合わせ数
内見数
申込数
申込辞退数
契約数
初回応答時間
仲介会社のコメント
写真枚数
写真更新日
募集内容の変更履歴

個人を識別できる氏名、電話番号、メールアドレスなどは、この分析表へ入れないでください。物件IDや集計値だけで分析できる形にします。

比較期間もそろえます。例えば、施策前14日と施策後14日を比較します。

ただし、曜日、繁忙期、掲載媒体、広告出稿量が違えば、単純比較はできません。条件が異なる場合は、結果を「参考値」として扱います。

ステップ3. 募集ファネルのKPIを計算する

次の式で、どの段階に問題があるかを確認します。

問い合わせ率 ＝ 問い合わせ数 ÷ 広告閲覧数
内見化率     ＝ 内見数 ÷ 問い合わせ数
申込率       ＝ 申込数 ÷ 内見数
契約率       ＝ 契約数 ÷ 申込数

分母が0の場合は、0％ではなく「算出不能」と記録します。0％と算出不能では、取るべき対応が異なるためです。

例として、14日間の実績が次の状態だったとします。

広告閲覧：500
問い合わせ：5
内見：3
申込：0

計算結果は次のとおりです。

問い合わせ率：1.0％
内見化率：60％
申込率：0％

この数字だけで原因は断定できませんが、少なくとも「内見予約」よりも、「問い合わせ前」と「内見後」を優先して調べるべきだと分かります。

問い合わせ率が低い場合は、検索結果での見え方、1枚目の写真、総支払額、競合との差を確認します。申込率が低い場合は、内見者の辞退理由、室内状態、共用部、騒音、広告との不一致を調べます。

ステップ4. 競合物件と総支払額を比較する

「相場家賃」と「実際に決まりやすい条件」は同じではありません。

掲載中の家賃は、まだ契約が成立していない募集価格です。また、家賃が低く見えても、管理費、保証料、鍵交換費用などが高い場合があります。

競合比較表には、次の項目を入れます。

比較対象は、立地、面積、築年数などが近い3～10件を目安にします。条件が大きく異なる物件を同じ表へ入れても、判断材料にはなりません。

掲載終了した物件についても、成約したとは限りません。募集停止、条件変更、媒体変更の可能性があるため、「掲載終了＝成約」と断定しないでください。

ステップ5. AIに原因候補と改善案を出させる

AIには、数字、競合比較、現在の広告文、匿名化した仲介会社のコメントを渡します。

初心者は次の指示文から始められます。

あなたは賃貸募集の分析担当です。
以下に記載した物件データだけを根拠に分析してください。

出力項目：
1. 確認できる事実
2. 募集ファネル上の詰まり
3. 根拠となる数値
4. 原因候補
5. 原因を確認するために必要な追加調査
6. 低費用で元に戻しやすい施策
7. 家賃・初期費用・工事など、人間の承認が必要な施策
8. 断定できない点
9. 公開前に事実確認が必要な表現

禁止事項：
- 未確認の設備、交通、方角、周辺施設を追加しない
- 数字から確認できない因果関係を断定しない
- 入居希望者の属性を理由に不当な選別を提案しない
- 個人を識別できる情報を出力しない

継続運用では、出力をJSONにすると処理しやすくなります。

{
  "bottleneck": "内見後",
  "evidence": ["内見3件、申込0件"],
  "hypotheses": ["室内状態", "競合との設備差"],
  "missing_data": ["内見者の辞退理由"],
  "recommended_action": "仲介会社へ辞退理由を確認",
  "approval_required": false,
  "confidence": "low"
}

confidence を追加し、データが少ない場合は low と出力させます。ただし、AIが示す確信度は統計的な正しさを保証する値ではありません。人が調査の優先順位を決めるための補助情報として扱います。

ステップ6. 低費用で元に戻しやすい施策を1つ試す

施策は、費用、可逆性、測定可能性の3軸で並べます。

原則として、1回の評価期間に変更する主要施策は1種類に絞ります。

写真、家賃、初期費用、広告文を同時に変えると、どの施策が結果へ影響したのか分かりません。複数の変更が避けられない場合は、すべての変更日時を記録し、特定施策の効果だと断定しないでください。

ステップ7. 週次レポートと停止条件を設定する

毎週、同じ曜日、同じ集計期間で次の内容を出力します。

対象期間
広告閲覧数
問い合わせ数
内見数
申込数
契約数
各ファネル率
前期間との差
実施した施策
施策の反映日時
データ欠損
追加調査
次の提案
要承認事項

例えば、週次レポートを次のように記録します。

対象期間：7月6日～7月19日
広告閲覧数：500
問い合わせ数：5
内見数：3
申込数：0
問い合わせ率：1.0％
内見化率：60％
申込率：0％
実施施策：1枚目の写真を室内写真へ変更
反映日時：7月5日 10:30
データ欠損：なし
追加調査：内見3件の辞退理由
次の提案：辞退理由を確認するまで家賃変更を保留
要承認事項：なし

さらに、異常時には自動処理を止めます。

即時停止する条件

• 台帳と募集媒体の家賃が一致しない
• 成約済みか募集中か判定できない
• AIが未確認の設備や周辺施設を記載した
• 個人情報の匿名化に失敗した
• 承認されていない家賃・初期費用変更が含まれる
• ログを保存できない
• 募集媒体への反映結果を確認できない

警告して人が確認する条件

• データ取得が2回連続で失敗した
• 問い合わせ数が通常範囲から急増・急減した
• 競合物件を十分に取得できなかった
• AIの原因候補に根拠となる数字がない
• 同一顧客へ重複返信する可能性がある

初期設定では、異常を検知したまま処理を続けず、安全側に停止させます。

空室対策で追うべきKPI

空室による機会損失は、簡易的には次の式で試算できます。

空室期間の家賃機会損失
＝ 月額賃料 ÷ 30 × 空室日数

30日は比較を簡単にするための仮定です。実際の損益、契約、会計処理とは分けてください。

AI導入の効果は、次の式で評価します。

月間効果
＝ 空室期間短縮による家賃相当額
＋ 削減作業時間 × 時間単価
－ AI・連携・保守費用
－ 値引き・広告・設備などの施策費用

家賃相当額は利益ではありません。ローン、税金、管理費、修繕費などを差し引いて判断します。

また、AI導入後に空室期間が短くなっても、それだけでAIの効果とは断定できません。繁忙期、競合減少、物件改修など、同時期に起きた別の要因も記録してください。

専門家目線で確認したい3つのリスク

1. AIが作った広告文の事実確認

「駅徒歩5分」「南向き」「高速インターネット無料」などは、印象表現ではなく、確認が必要な物件情報です。

AIの文章は読みやすくても、内容の正確性は保証されません。公開前に、物件台帳、図面、契約書、現地写真と照合してください。

不動産広告では、存在しない物件、実際には取引できない物件、取引する意思のない物件の表示が、おとり広告として規制されています。ガイドラインでは、契約済みと判明した物件は速やかに削除し、情報更新の期間を最長でも2週間とする考え方も示されています。不動産公正取引協議会連合会「おとり広告ガイドライン」

自動化する場合は、募集状態を定期確認し、「確認できなければ掲載を継続しない」という停止条件を設けます。

2. 問い合わせ情報の個人情報対策

問い合わせ履歴には、氏名、電話番号、メールアドレス、勤務先、年収、家族構成などが含まれる可能性があります。

外部AIへ送る前に、次を確認します。

• 氏名や連絡先を削除または置換したか
• 個人情報を送る必要が本当にあるか
• 入力内容が機械学習へ利用されるか
• データの保存期間はどれくらいか
• 保存先の国・地域はどこか
• 削除方法が用意されているか
• 管理会社との契約上、外部送信が許可されているか
• 利用目的の範囲内で取り扱っているか

個人情報保護委員会は、個人情報を含むプロンプトについて、利用目的の範囲内かを確認することや、提供事業者が個人データを機械学習へ利用しないことなどを十分に確認するよう注意喚起しています。また、利用規約やプライバシーポリシーを確認し、入力内容を踏まえて利用を判断するよう求めています。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」

実務では、外部AIへ送る前に、氏名などを削除するだけでなく、自由記述から個人を特定できないかも確認してください。

3. 入居審査をAIだけで決めない

入居審査には、センシティブな情報や差別につながり得る判断が含まれます。

AIは、必要書類の不足確認や処理状況の整理には使えますが、学習データの偏りを検証できない状態で、承認・拒否を自動決定させるべきではありません。

審査条件、説明責任、異議申立ての手順を定め、人が最終判断する運用にします。AIが出した判定理由を人が説明できない場合も、自動判定へ進めないでください。

よくある失敗と具体的な対策

失敗1. 反響を調べずに家賃を下げる

問題：写真や返信速度が原因でも、価格だけを変更してしまう。

対策：募集ファネルを計算し、詰まりのある段階を特定してから施策を決める。値下げ前には、年間収支への影響も試算する。

失敗2. AIの文章をそのまま掲載する

問題：存在しない設備や未確認の周辺情報が混入する。

対策：設備、駅距離、方角、費用を物件台帳と照合する。未確認項目が1つでもあれば公開しない。

失敗3. 短期間の数字で成功と判断する

問題：問い合わせが1件増えただけで、施策が効いたと断定する。

対策：件数と率の両方を確認する。標本が少ない場合は「傾向」として扱い、複数期間で再確認する。

失敗4. 複数の施策を同時に変更する

問題：何が結果へ影響したのか分からなくなる。

対策：原則として1施策ずつ試す。変更前の画面、変更内容、実施日時、承認者をログへ残す。

失敗5. 問い合わせ数だけを見る

問題：契約につながらない問い合わせが増えても、成功したように見える。

対策：内見化率、申込率、契約率まで追跡する。辞退理由も「費用」「現地印象」「競合」「審査」などに分類する。

失敗6. 自動化を放置と考える

問題：API停止、媒体仕様変更、認証切れ、AIモデル更新を検知できない。

対策：正常時は無人で動かし、取得失敗、誤掲載、認証切れなどの例外時だけ通知する。月1回は、停止条件、連携先の仕様、ログを人が点検する。

AI空室対策が向かないケースと限界

次の場合は、AI分析よりも現地確認や専門家の判断を優先します。

• 臭い、騒音、日照など、現地でなければ判断できない
• 漏水、カビ、設備故障などの問題がある
• 大規模修繕や用途変更が必要
• 契約条件や法的責任をめぐる争いがある
• 比較できる周辺物件が極端に少ない
• 反響データを取得できない
• 入居審査でセンシティブな情報を扱う
• 問い合わせや内見が少なく、施策を統計的に評価できない

「データが少なくてもAIなら正解を出せる」という考え方には注意が必要です。AIは不足データを補って事実を作るものではありません。

情報が足りなければ、「判断できない」と出力し、追加調査項目を示すことが適切です。

また、地域に需要がない、物件に重大な欠陥がある、募集条件が市場から大きく外れている場合、広告文の改善だけでは解決できません。

今日から始める空室対策チェックリスト

最初の1週間は、次の順番で進めます。

1. 現在募集中の1室を選ぶ
2. 募集開始日、家賃、初期費用を記録する
3. 閲覧、問い合わせ、内見、申込、契約の件数を集める
4. 条件の近い競合物件を3件以上比較する
5. AIに「事実・原因候補・不足情報」を分けて分析させる
6. 低費用で元に戻しやすい施策を1つ選ぶ
7. 公開前に物件台帳と照合する
8. 変更内容、実施日時、承認者を記録する
9. 同じ期間、同じKPIで変化を確認する
10. データ欠損や誤情報を検知したら自動処理を止める

最初から家賃変更や大規模リフォームを自動化する必要はありません。

まずは、週次集計、仲介会社コメントの分類、広告文の下書き、承認依頼までを自動化します。そこで安定性を確認してから、承認済みの低リスク処理だけを自動実行へ移してください。

まとめ：AI空室対策の価値は「改善を止めない仕組み」にある

AIを使った空室対策の価値は、派手な広告文を作ることではなく、次の流れを継続できることにあります。

データ取得
→ 原因候補の整理
→ 施策の提案
→ 人による承認
→ 反映
→ KPI測定
→ 異常時の停止

この一連の流れを記録可能な仕組みにします。

AIは需要そのものを作れません。現地の欠陥を修理することも、経営責任を引き受けることもできません。

一方、毎週の集計、比較、文案作成、異常検知を自動化すれば、人は家賃、工事、契約といった重要な判断へ時間を使えます。

今日の読後アクションは、募集中の1室について「閲覧数、問い合わせ数、内見数、申込数」を1枚の表へ並べることです。

数字がそろったら、最も詰まっている段階を1つ選び、低費用で元に戻せる施策から検証してください。

本気で自動化・不労所得を構築したい方へ

「AIに質問して終わる使い方」から進み、データ収集、判断、承認、実行、収益計測までつながる仕組みを作りたい方へ。

自動化・不労所得の実践マニュアルでは、AI、ノーコード、Python、クラウド運用を組み合わせ、手作業を減らしながら収益導線を育てる方法を紹介しています。

成果を保証する教材ではありません。しかし、毎回同じ作業を手作業で繰り返す状態と、検証済みの仕組みが継続して動く状態では、時間の使い方が変わります。

まずは1室、1業務、1つのKPIから自動化を始めてください。

▶ 自動化・不労所得の実践マニュアル一覧を見る