AI査定の精度はどこまで信用できる？マンション・戸建て・土地で違う理由と、仲介会社の向き合い方

AI査定の精度は「物件種別」で大きく変わる

AI査定の精度は、一律に高い・低いではなく、物件の種別で大きく変わります。傾向を一言でいえばマンションは比較的得意、戸建てはばらつきが出やすく、土地は最も苦手です。これは各サービスの優劣の前にある構造的な話で、国土交通省の報告書も「マンションなど単一用途のアセットについては既に自動査定システムが登場しているが、更地の最有効使用を判定した上で、その判断に応じた市場を分析、査定するシステムは登場していない」と整理しています（国土交通省、2019年）。

仲介の現場では、お客様がAI査定サイトの数字を持って相談に来る場面が当たり前になりました。そのとき問われるのは「AIの数字を否定する」ことでも「鵜呑みにする」ことでもなく、なぜその数字がそうなるのかを種別ごとに説明できることです。本記事では、精度が種別で違う3つの構造的理由を一次情報で整理し、査定面談での説明の仕方と業務での使い方まで落とし込みます。

AI査定の「精度」は何で決まるのか

AI査定（AVM＝自動評価モデル）の中身は、過去の取引事例と物件属性の関係を学習した推定モデルです。国土交通省の報告書は、英国の業界団体RICSの資料を引いて、AVMが「価格推定モデルと地域データ、誤差関数から成り立っており、対象不動産の基礎情報を入れると自動で価格が表示される仕組み」だと紹介しています（国土交通省、2019年）。注目したいのは構成要素に「誤差関数」が入っていることです。設計の時点で「推定には誤差がある」ことが織り込まれており、誤差の大きさを管理しながら使う道具——それがAI査定の正体です。

では誤差の大きさは何で決まるのか。同じ報告書は「学習データの種類や量、解析の仕組みによって査定額に差が生じる」と明記しています。つまり精度を左右する最大の変数は、アルゴリズムの賢さ以前に学習データの量と質です。そしてこのデータ環境が、物件種別によってまったく違います。ここが本記事の核心です。

種別で精度が違う3つの構造的理由

理由①：使えるデータの量と公開状況が種別で非対称

国が整備する不動産取引価格情報（取引当事者へのアンケートに基づく匿名データ）は、2025年3月末時点で累計約547万件あります。内訳を見ると、宅地（土地）約187万件・宅地（土地と建物）約200万件・中古マンション等約89万件です（国土交通省、2026年6月時点）。件数だけなら土地が多いように見えますが、実務で効くのは「成約価格」の公開範囲です。レインズの成約データを一般向けに公開する成約価格情報（レインズ・マーケット・インフォメーション）の対象はマンションと戸建住宅のみで、土地は対象外です（国土交通省、2012年リニューアル発表・2026年6月時点）。

さらにマンションには「同じ建物の中に類似事例が積み上がる」という決定的な追い風があります。同一棟内の過去成約は、立地・構造・管理状態が共通で、違いは階数・向き・面積くらいに絞られます。AIにとってこれほど学習しやすい環境はありません。戸建てと土地にはこの「同じ建物」が存在しないため、類似事例の質が一段落ちます。

理由②：戸建て・土地は「個別的要因」の数が多い

不動産鑑定評価基準は、価格を個別に形成する「個別的要因」として、住宅地だけでも地勢・日照・間口・奥行・形状・接面街路との関係・嫌悪施設との接近・土壌汚染・公法上の規制など16項目を挙げています（国土交通省・不動産鑑定評価基準、2014年改正）。戸建てはここに築年・構造・設備・施工品質といった建物側の要因が重なります。つまり戸建て・土地の価格は「数値化されてデータベースに載っている属性」の外側にある要因に左右されやすい構造です。

マンションが自動査定に向くのは、この個別的要因の多くが「棟」の単位で共通化されるからです。国の公的統計である不動産価格指数の作成方法を見ると、この差がそのまま設計に表れています。マンションの品質調整は専有面積・階数・築年・向きといった少数の規格的な変数で行われる一方、戸建ては土地と建物の両方の変数を要します（国土交通省・不動産価格指数の作成方法、2020年）。統計の専門家が作る公的指数ですら種別で扱いを変えている——AI査定の精度が種別で違うのは、いわば当然の帰結です。

理由③：土地は「何に使うか」の判断が価格を決める

土地の査定が最も難しい理由は、データ不足だけではありません。同じ更地でも、戸建て用地として売るのか、アパート用地として売るのか、駐車場として貸すのかで価値が変わります。不動産鑑定の言葉でいう「最有効使用」の判断です。国土交通省の報告書はこの点をそのまま挙げて「更地の最有効使用を判定した上で、その判断に応じた市場を分析、査定するシステムは登場していない」と述べています（国土交通省、2019年）。過去の類似事例をいくら学習しても、「この土地は何に使うのが最も価値が高いか」という未来に向けた判断は、事例の延長線上にはないのです。

比較表——マンション・戸建て・土地のAI査定適性

3つの理由を種別ごとに整理すると、次のようになります。査定面談で頭に置いておく早見表としてお使いください。

注意してほしいのは、この表が「土地のAI査定は使えない」という意味ではないことです。適性が低い種別ほど、AIの数字は「参考の出発点」に寄り、人の判断の比重が増す——その配分が種別で変わる、と読むのが正確です。なお、巷では「マンションは誤差±数％、戸建ては±1〜2割」といった具体的な数値も見かけますが、こうした数値に公的・学術的な裏付けは確認できません。本記事が数値でなく構造で説明しているのはそのためです。

種別ごとの査定面談トーク——構造をそのまま説明に変える

3つの理由は、そのまま査定面談の説明トークに変換できます。種別ごとに「AIの数字をどう位置づけて話すか」の例を示します。

マンションの場合——数字を活かして信頼を取る

「マンションはAI査定が比較的得意な種別です。同じ建物内の成約事例が積み上がっているためで、この数字は相場の目安として参考になります。ただ、AIには室内の状態・眺望・管理組合の修繕状況が見えていません。実査でそこを補正すると、適正な売出価格はもう少し具体的に絞れます」——AIの数字を肯定したうえで、実査の付加価値を示す流れです。AIが得意な種別だからこそ、数字を否定すると不自然になります。乗るほうが信頼につながります。

戸建ての場合——「幅」で考える提案に切り替える

「戸建ては建物の造りやリフォーム歴で価格が大きく動くため、AI査定はばらつきが出やすい種別です。鑑定の世界では土地だけで16項目の個別的要因があるとされていて、戸建てはそこに建物の要因が重なります。AIの数字は幅の中心と捉えて、建物の状態を見てから上下の根拠をご説明します」——点の数字を幅に変換し、実査の必然性を構造で示します。

土地の場合——「使い方の判断」を主役に据える

「土地はAI査定が最も苦手とする種別です。国の報告書でも、土地の使い方（最有効使用）を判断して査定するシステムは登場していないと整理されています。この土地は戸建て用地として売るか、事業用として売るかで価値が変わりますので、そこからご一緒に検討させてください」——AIの限界を国の資料で裏づけながら、提案の主導権を自然に自社へ引き取る形です。

AI査定を業務に組み込む3つの場面

説明だけでなく、自社の業務でも種別の構造に沿って使い分けると、AI査定は時短の道具になります。

①机上査定の一次値出し。マンションの査定依頼は、AIで相場の幅を即座に出し、担当者は補正と根拠づくりに時間を使う配分にします。依頼から一次回答までの時間が縮まるほど、お客様の関心が高いうちに次の接点を作れます。

②反響対応の即答力。「うちはいくらで売れる？」という問い合わせに、その場で「相場の幅＋幅の理由」を返せると商談が前に進みます。種別ごとの得意・不得意を知っている担当者は、幅の広さ自体を説明材料にできます。

③価格見直しの提案。売出から時間が経った物件の価格調整は切り出しにくい話題ですが、AIの推定値と成約事例を添えると、感情論ではなくデータの話として進められます。値下げ提案にこそ第三者的な数字が効きます。

共通する原則はひとつ、AIの数字は「結論」ではなく「会話の出発点」に置くことです。これは賃料査定でも同じ構図で、賃貸管理での使い方は関連記事で扱っています。

AI査定サービスを見極めるチェックポイント

自社でAI査定ツールを導入する場合の見極めも、精度の構造から導けます。確認すべきは次の4点です。

• 学習データの種類と量：成約データか募集データか、対象エリアの事例密度はどうか。精度は学習データで決まる、が大原則です。
• 対応している物件種別：マンション特化か、戸建て・土地まで対応か。土地対応をうたう場合は、どんなロジックで補っているかの説明を求めます。
• 幅と根拠の表示：点の数字だけでなく、価格帯（幅）と根拠になった類似事例を表示できるか。AVMの設計思想は誤差込みの推定であり、幅を見せないツールは設計として一段落ちます。
• 査定書への落とし込み：出力をそのままお客様向けの査定書・提案資料に使えるか。現場の時短に直結する部分です。

「AIだから正確」という売り文句より、「何のデータで、どの種別を、どんな幅で出すのか」を語れるサービスかどうか。本記事の構造を知っていれば、商談で聞くべき質問は自然に決まります。

サイトごとに査定額が違うのはなぜか

お客様からよく出る疑問が「サイトによって査定額が数百万円違う。どれが正しいのか」です。答えは先ほどの国土交通省の報告書にあります。「学習データの種類や量、解析の仕組みによって査定額に差が生じる」——つまり各サービスは別々のデータで別々のモデルを動かしており、違う答えが出るのは故障ではなく仕様です（国土交通省、2019年）。米国のZillow社が全米約1億1,000万件の登録住宅の価格を毎日更新できるのは、網羅的な物件データベースが背景にあるからで、逆にいえばデータ基盤の厚みがそのまま推定の安定性を決めます（国土交通省の報告書より、2019年）。

もうひとつ、お客様に伝える価値があるのは査定額と売却力の関係です。一括査定・AI査定サイトの多くは、利用者を提携不動産会社へつなぐ送客が収益源という事業構造をとっています（一般的なビジネスモデルとしての整理です）。ここで大事なのは特定のサイトの良し悪しではなく、「画面に出る査定額」と「実際に売り切る力」は別物だという原則です。査定額は推定値であり、売却の成否は販売活動・価格戦略・交渉で決まります。「高い数字を出したサイト（会社）が高く売ってくれる会社」ではない——この一点を丁寧に説明できるだけで、面談の質が変わります。

仲介会社の向き合い方——否定せず、構造で説明する

では、お客様が「AIサイトでは○○万円と出た」と持ち込んできたとき、どう応じるか。やってはいけないのは「あんなものは当てになりません」という全否定です。お客様はその数字を信じたくて持ってきています。否定は会話を閉じます。

推奨する型は「肯定→構造の説明→自社査定の根拠」の3段です。まず「AI査定は過去の事例を学習した推定で、相場の出発点としては有用です」と肯定する。次に本記事の構造——種別による得意・不得意、学習データの差で額がばらつくこと——を1〜2分で説明する。マンションなら「AIが得意な種別なので、この数字は比較的参考になります。そのうえで室内の状態と眺望は数字に入っていないので、そこを実査で補正します」。土地なら「土地はAIが最も苦手とする種別です。この土地を何に使えるかの判断で価値が変わるためで、国の報告書もその限界を指摘しています」。最後に、自社の査定書で類似事例と補正の根拠を見せる。AIの数字を敵にせず、自社の専門性を際立たせる引き立て役に変える流れです。

社内業務でも使いどころは同じ発想で決まります。マンションの机上査定の一次値出しはAIに任せて時短し、戸建ては「AIの幅＋実査の補正」をセットで提示し、土地は最初から人の判断を主役に置く。種別で配分を変える運用が、精度の構造に沿った合理的な設計です。査定書づくりの実務テンプレートや、AI査定サイトと共存する反響対応の設計は、関連記事で詳しく扱っています。

この精度差は、これから縮むのか

最後に、種別による精度差が今後どうなるかの見通しです。結論をいえば、マンションと戸建ての差は徐々に縮み、土地の壁は当面残ると見るのが妥当です。

縮む方向の材料は、国のデータ整備です。2024年4月に運用が始まった不動産情報ライブラリは、価格・防災・都市計画などのオープンデータを一元化し、API提供も行っています（国土交通省、2024年）。2022年策定の不動産IDルールも、物件単位でデータをつなぐ基盤として整備が進んでいます。学習に使える属性データが増えるほど、戸建ての「数値化されていない個別的要因」は少しずつデータの内側に取り込まれていきます。精度は学習データで決まる以上、データ整備の進展はそのまま精度の底上げに効きます。

一方で、土地の「最有効使用の判断」はデータ整備では解けない種類の問題です。これは過去の事例をいくら集めても答えが出ない、用途の可能性を構想する仕事だからです。AIの進歩で変わる部分と、構造的に人に残る部分——この区別を持っておくと、「AIが進化すれば査定は全部自動になる」という雑な見立てにも、「AIは使えない」という雑な否定にも流されずに済みます。仲介会社にとっての実務的な含意はシンプルで、人に残る部分（用途の構想・現地の補正・売却戦略）こそが、これからの査定業務の付加価値の置きどころだということです。

まとめ

AI査定の精度は物件種別で構造的に異なります。マンションは類似事例の蓄積と規格性で自動査定に向き、戸建ては個別的要因の重ね掛けでばらつきが出やすく、土地は成約データの公開が薄いうえに最有効使用の判断が必要なため、システム化自体が進んでいません（国土交通省、2019年）。サイトごとに額が違うのは学習データとモデルの差による仕様であり、査定額の高さと売却力は別物です。仲介会社の取るべき姿勢は、AIの数字の否定でも鵜呑みでもなく、種別ごとの得意・不得意を構造で説明し、人の補正と組み合わせて使うこと。お客様がAI査定を持ち込む時代は、説明できる会社にとってはむしろ、専門性を示す機会が増えた時代です。

関連記事

• 「不動産AI査定」とは？人間が計算するのと何が違うのか、その仕組みと最新活用術記事を読む›
• AI査定サイト時代の不動産仲介会社の戦い方｜HowMa・スマイスターと共存する査定オペレーション設計記事を読む›
• 不動産仲介会社の「査定書作成」をAIで効率化する｜机上査定から訪問査定までの実務テンプレート記事を読む›
• AI賃料査定の仕組みとは？何のデータでどう算出しているのか｜賃貸管理・仲介での使い方と精度の限界記事を読む›
• 売買仲介×AI｜査定〜広告〜内見〜契約〜引渡しまでの業務別チェックリスト記事を読む›

よくある質問