※本記事にはアフィリエイト広告（PR）が含まれています。紹介しているサービスの選定は編集部の基準に基づいており、広告主から内容の指定は受けていません。

不動産仲介の営業担当向け：顧客の問い合わせ内容からAIが最適物件候補を提案するエージェントの作り方

不動産営業の物件マッチング業務：なぜ時間がかかるのか

不動産仲介会社の営業担当者にとって、顧客からの物件問い合わせに対して条件に合う物件を探し出し、提案文を添えて返答する業務は、日々の中心的な仕事のひとつです。しかし、この「物件マッチング」と呼ばれる作業は、見た目以上に多くの手順を踏む必要があります。

条件整理から提案送付までの現状フロー

一般的な中堅不動産仲介会社（従業員30〜80名規模）の営業担当を想定した場合、1件の問い合わせに対して次のような手順が発生します。

1. 顧客からの問い合わせを受信する（メール・ポータルサイト・電話）
2. 問い合わせ内容を読み込み、希望条件を頭の中で整理する（エリア・予算・間取り・駅距離・設備など）
3. 社内の物件管理システムやポータルサイトを開き、条件を手入力して検索する
4. 検索結果を1件ずつ確認しながら、条件に近い物件を5〜10件ほどピックアップする
5. 各物件の詳細を開き、顧客の要望と照合して優先順位を付ける
6. 提案メールの文面を作成し、物件情報やURLを整理して添付する
7. 必要に応じて先輩や上長に提案内容を相談する
8. 顧客に返答を送信する

繁忙期に起きるボトルネック

問い合わせが1日10件程度であれば、経験のある営業担当ならこなせる業務量です。しかし、引っ越しシーズンなどの繁忙期には1日20〜30件に増えることも珍しくありません。1件あたりの対応に仮に30分かかるとすると、20件で10時間分の作業が発生します。当然、すべてに即日対応することは難しくなり、返答が翌日・翌々日にずれ込むケースが増えます。

この遅延が問題になるのは、顧客が複数の仲介会社に同時に問い合わせていることが多いためです。返答が早い会社に顧客が流れてしまい、機会損失につながりやすい構造があります。

---

AIエージェントによる物件マッチング支援の全体設計

このエージェントが担う3つの役割

本記事で紹介するAIエージェントは、物件マッチング業務の中で特に時間がかかる3つの工程を支援します。

1. 条件抽出：顧客の問い合わせ文（自由記述テキスト）から、希望条件を構造化して取り出す
2. スコアリング：抽出した条件と物件データベースの各物件を照合し、条件適合度をスコアとして算出する
3. 提案コメント生成：スコア上位の物件について、「なぜこの物件がお客様に合うのか」を説明するコメント文を自動生成する

重要なのは、このエージェントが営業担当の「代替」ではなく「補助」として設計されている点です。最終的にどの物件を顧客に提案するかは、営業担当者が自身の経験と判断で決定します。AIが行うのは、膨大な物件の中から候補を絞り込む「初期スクリーニング」と、提案文のたたき台作成です。

エージェントの処理フロー概要

入力：顧客の問い合わせ文（テキスト）＋ 物件一覧データ（CSV形式）
  ↓
Stage 1：条件抽出 ─ 問い合わせ文から希望条件を構造化
  ↓
Stage 2：スコアリング ─ 各物件の条件適合度を数値化
  ↓
Stage 3：提案コメント生成 ─ 上位物件の推薦理由を文章化
  ↓
出力：条件一覧 ＋ スコア付き候補リスト ＋ 提案コメント ＋ 要確認事項

このフローの各段階で、LLM（大規模言語モデル）の自然言語処理能力を活用します。とりわけ、自由記述の問い合わせ文から条件を構造的に取り出す工程は、ルールベースのシステムでは対応が難しく、LLMの得意領域です。

---

Before/After：手作業での物件選定とAI支援後のフロー比較

物件マッチング業務がAIエージェント導入前後でどのように変わるかを、表形式で比較します。

項目	Before（導入前）	After（導入後）
条件整理	問い合わせ文を読み、担当者が頭の中で整理	AIが条件を構造化リストとして出力
物件検索	管理システムで条件を手入力し、検索結果を1件ずつ確認	AIがデータ全件を一括照合し、スコア付きで絞り込み
優先順位付け	担当者が経験に基づいて判断（属人的）	AIがスコアで候補を並び替え、担当者が最終調整
提案文作成	各物件の特徴を確認しながら手書き	AIがたたき台を生成し、担当者が修正・加筆
作業手順	8ステップ（受信〜送信）	6ステップ（AIによる中間工程の圧縮）
関与する人員	担当者1名が全工程を担当	担当者は確認・最終判断に集中
発生しやすい問題	物件の見落とし、提案の偏り、レスポンス遅延	AIの条件誤解、スコアの偏り（要確認）
工数目安（条件付き）	1件あたり20〜40分程度（仮定）	1件あたり10〜20分程度（仮定、確認・調整含む）

注記：上記の比較は、管理物件数500〜2,000件規模の中堅不動産仲介会社を一般的な例として想定しています。実際の効果は物件データの整備状況、問い合わせ内容の複雑さ、担当者のITリテラシーなどによって大きく異なります。工数の数値はあくまで仮定に基づく参考値です。

---

処理フロー詳細：問い合わせ解析から候補リスト生成までの3段階

ここでは、AIエージェントの内部処理を3つのステージに分解して説明します。

Stage 1：条件抽出 ─ 自由記述から構造化データへ

顧客の問い合わせは「渋谷区か目黒区で、予算は月12万円くらい、1LDK以上で駅から10分以内がいいです。オートロック付きだと助かります」のような自由記述テキストで届きます。

このステージでは、LLMがテキストを解析し、以下のような構造化データに変換します。

• エリア：渋谷区、目黒区
• 予算上限：月額12万円
• 間取り：1LDK以上
• 駅距離：徒歩10分以内
• 設備条件：オートロック
• その他特記：なし
• 明示されていない条件：築年数、階数、ペット可否（確認推奨）

最後の「明示されていない条件」の抽出がポイントです。顧客が書き忘れている可能性のある条件を提示することで、営業担当が追加ヒアリングすべき項目を把握できます。

Stage 2：スコアリング ─ 条件適合度の数値化

抽出した条件と物件一覧データを照合し、各物件に対してスコアを算出します。スコアリングの基本ロジックは以下の通りです。

• 必須条件（エリア・予算）：合致しない場合は候補から除外
• 重要条件（間取り・駅距離）：完全一致で3点、部分一致で1点、不一致で0点
• 希望条件（設備・築年数等）：一致で2点、不一致で0点
• 重み付け：顧客が特に重視している条件には係数1.5倍を適用

たとえば、予算内・エリア一致の物件が20件あった場合、残りの条件でスコアリングし、上位5件を候補として出力します。

Stage 3：提案コメント生成 ─ 推薦理由の言語化

スコア上位の物件について、「なぜこの物件がお客様の条件に合うか」を説明するコメントを生成します。

このコメントは営業担当が顧客へ送るメールのたたき台として利用できる形式で出力します。単にスペックを羅列するのではなく、顧客の希望と物件の特徴を結びつける文章にすることで、提案メール作成の工数を削減できます。

---

実装プロンプト完全公開：条件抽出・スコアリング・提案コメント生成

以下のプロンプトをそのままコピーして、ChatGPTやClaude等の一般的なLLMサービスに貼り付けて試すことができます。[変数名]の部分を自社の情報に置き換えてから使用してください。自環境での動作確認を行ったうえで業務に適用することをお勧めします。

物件マッチングエージェントプロンプト（全文）

# 役割定義（Role）
あなたは不動産仲介業務に特化した物件マッチング支援エージェントです。
[会社名]の営業担当者が、顧客からの問い合わせに対して最適な物件候補を
効率的に提案できるよう、条件抽出・スコアリング・提案コメント生成の
3段階の処理を担当します。

あなたの出力は「最終提案」ではなく「営業担当者が判断するための材料」です。
営業担当者の経験と知識を補完する役割に徹してください。

# 入力仕様（Input）
以下の情報を受け取ります：

1. 顧客問い合わせ文（テキスト）※必須
   - 顧客がメールやフォームで送信した問い合わせの原文
   - 自由記述形式（構造化されていなくてよい）

2. 物件一覧データ（CSV形式またはテキスト一覧）※必須
   - 各物件の情報（物件名、所在地、最寄駅、駅徒歩分、間取り、
     面積、賃料/価格、築年数、階数、設備、備考など）
   - ヘッダー行を含むこと

3. 顧客属性情報（テキスト）※任意
   - 家族構成、職業、通勤先、年齢層などの補足情報
   - 提供されない場合は考慮しない

4. 重視条件の優先度指定（テキスト）※任意
   - 営業担当者が把握している顧客の重視ポイント
   - 例：「予算重視」「エリアは絶対条件」「設備にこだわりあり」
   - 提供されない場合はデフォルトの優先度（予算＞エリア＞間取り＞駅距離＞設備）を適用

# 処理手順（Process）
以下の3段階で処理を行ってください：

## Stage 1：条件抽出（問い合わせ文の構造化）

Step 1：顧客の問い合わせ文を読み込み、以下のカテゴリに分類して抽出する
  - エリア（都道府県・市区町村・沿線・駅名）
  - 予算（上限金額、管理費込み/別の区別）
  - 間取り（希望タイプ、最低条件）
  - 駅距離（徒歩何分以内）
  - 面積（最低平米数）
  - 築年数（上限）
  - 階数（希望階数、1階不可等）
  - 設備条件（オートロック、宅配ボックス、独立洗面台、ペット可など）
  - その他特記事項（日当たり、角部屋、リノベ済み等）

Step 2：問い合わせ文に明示されていないが、[物件種別]において
  一般的に重要とされる条件をリストアップし、
  「確認推奨項目」として出力する

Step 3：曖昧な表現（「駅近がいい」「手頃な価格」等）がある場合は、
  [エリア名]の相場を考慮した解釈案を併記する
  （例：「『駅近』→ 徒歩7分以内と解釈。確認推奨」）

## Stage 2：スコアリング（条件適合度の数値化）

Step 4：物件一覧データの各物件について、以下の基準でスコアを算出する

  【除外判定】（1つでも該当すれば候補から除外）
  - 予算を10%以上超過している物件
  - 指定エリア外の物件（エリアが明示されている場合）

  【スコアリング基準】（各項目の配点）
  - 予算適合度（配点：5点）
    5点：予算の80%以下 ／ 3点：予算の80〜100% ／ 1点：予算の100〜110%
  - エリア適合度（配点：4点）
    4点：希望エリア内 ／ 2点：隣接エリア ／ 0点：エリア外
  - 間取り適合度（配点：3点）
    3点：希望通り ／ 1点：1ランク差 ／ 0点：2ランク以上差
  - 駅距離適合度（配点：3点）
    3点：希望以内 ／ 1点：希望＋5分以内 ／ 0点：それ以上
  - 設備適合度（配点：2点×該当設備数）
    2点：設備あり ／ 0点：設備なし
  - 築年数適合度（配点：2点）
    2点：希望以内 ／ 1点：希望＋5年以内 ／ 0点：それ以上

Step 5：[重視条件]が指定されている場合、該当カテゴリのスコアに
  係数1.5倍を適用する

Step 6：合計スコアの高い順に物件を並び替え、上位[候補件数]件を
  候補として選出する

## Stage 3：提案コメント生成

Step 7：候補物件ごとに、以下の構成で提案コメントを生成する
  - 物件の概要（1行）
  - 顧客の条件との適合ポイント（2〜3行）
  - 注意点や確認すべき事項（1行）
  - [提案トーン]に合わせた文体で記述する

Step 8：候補全体を俯瞰し、「条件にぴったりの物件」「条件は少しずれるが
  魅力的な物件」「条件重視で堅実な物件」等のカテゴリ分けを行う

# 出力形式（Output）
以下の4つのブロックに分けて出力してください：

【ブロック1：抽出された顧客条件】
各条件をカテゴリ別に箇条書きで出力。
曖昧な表現があった場合は「（解釈：〇〇と仮定）」を付記。
確認推奨項目も併記。

【ブロック2：候補物件リスト（上位[候補件数]件）】
| 順位 | 物件名 | 所在地 | 賃料/価格 | 間取り | 駅距離 | スコア | カテゴリ |
の表形式で出力。

【ブロック3：各物件の提案コメント】
候補物件ごとに、Step 7で定めた構成の提案コメントを出力。

【ブロック4：営業担当への申し送り事項】
- 顧客への確認推奨事項（明示されていない条件など）
- スコアリングで僅差だった物件の情報
- 条件を少し緩和した場合に浮上する有望物件の情報（あれば）

# 品質基準（Quality）
出力前に以下を自己チェックしてください：
□ 顧客の問い合わせ文に記載された条件をすべて抽出できているか
□ 除外判定の基準が正しく適用されているか
□ スコアリングの配点と計算に矛盾がないか
□ 候補物件が[候補件数]件出力されているか（該当物件が少ない場合はその旨を明記）
□ 提案コメントが顧客の条件と物件の特徴を結びつけた内容になっているか
□ 提案コメントの文体が[提案トーン]に沿っているか
□ 物件データに記載されていない情報を推測で補っていないか

# 制約事項（Constraints）
- 物件データに記載されていない情報（例：日当たり、騒音状況等）は
  推測で補わず、「確認が必要です：[項目名]」と記載すること
- 物件の価値判断（「お買い得」「割高」等）は行わないこと
  （営業担当者の判断に委ねる）
- 法的事項（重要事項説明に関わる内容等）には言及しないこと
- スコアはあくまで条件の一致度を示す参考値であり、
  物件の品質や投資価値を保証するものではないことを明記すること
- 最終出力は必ず営業担当者が確認・調整してから顧客に提示すること

# カスタマイズ変数
[会社名]：自社の不動産仲介会社名に置き換えてください
[エリア名]：主に扱うエリア名に置き換えてください（例：東京都23区、大阪市内）
[物件種別]：賃貸／売買／事業用のいずれかに置き換えてください
[重視条件]：予算重視／エリア重視／設備重視など、デフォルトの優先順位を指定してください
[提案トーン]：丁寧／カジュアル／ビジネスライクのいずれかに置き換えてください
[候補件数]：出力する候補物件の件数を指定してください（推奨：5件）

# 使用例（Example）

## 入力例

【顧客問い合わせ文】
「はじめまして。現在転職を機に引っ越しを考えています。
勤務先が品川駅になるので、品川区か大田区あたりで探しています。
予算は管理費込みで月11万円くらいまでで、1Kか1DKを希望です。
駅から歩いて8分以内だと嬉しいです。2階以上でオートロックが
あるところがいいです。築年数はあまり気にしません。」

【物件一覧データ（一部抜粋）】
物件名,所在地,最寄駅,駅徒歩,間取り,面積,賃料,管理費,築年数,階数,設備
グランメゾン大井,品川区大井3丁目,大井町駅,6分,1DK,28平米,98000,5000,12年,3階,オートロック/宅配ボックス
リブレ蒲田,大田区蒲田5丁目,蒲田駅,4分,1K,22平米,82000,3000,8年,5階,オートロック
パークサイド青物横丁,品川区南品川4丁目,青物横丁駅,7分,1K,25平米,105000,5000,5年,4階,オートロック/独立洗面台
ステージ大森,大田区山王2丁目,大森駅,10分,1DK,30平米,95000,5000,15年,2階,宅配ボックス
コーポ旗の台,品川区旗の台2丁目,旗の台駅,3分,1K,20平米,78000,3000,22年,6階,オートロック

## 期待される出力例

【ブロック1：抽出された顧客条件】
- エリア：品川区、大田区
- 予算：月額11万円以内（管理費込み）
- 間取り：1Kまたは1DK
- 駅距離：徒歩8分以内
- 階数：2階以上
- 設備：オートロック
- 築年数：指定なし
- その他：転職に伴う引っ越し、勤務先は品川駅
- 確認推奨項目：入居希望時期、ペット可否、バス・トイレ別の希望

【ブロック2：候補物件リスト】
| 順位 | 物件名 | 所在地 | 賃料+管理費 | 間取り | 駅距離 | スコア | カテゴリ |
|---|---|---|---|---|---|---|---|
| 1 | グランメゾン大井 | 品川区大井3丁目 | 103,000円 | 1DK | 6分 | 19点 | 条件にぴったり |
| 2 | パークサイド青物横丁 | 品川区南品川4丁目 | 110,000円 | 1K | 7分 | 17点 | 条件にぴったり |
| 3 | リブレ蒲田 | 大田区蒲田5丁目 | 85,000円 | 1K | 4分 | 16点 | 条件重視で堅実 |
| 4 | コーポ旗の台 | 品川区旗の台2丁目 | 81,000円 | 1K | 3分 | 14点 | 条件重視で堅実 |

【ブロック3：各物件の提案コメント】

■ 1位：グランメゾン大井（スコア：19点）
品川区大井エリアの1DK物件です。管理費込み103,000円でご予算内に収まります。
大井町駅から徒歩6分で通勤にも便利な立地です。オートロック・宅配ボックス
完備で、セキュリティ面でもご希望に沿っています。
確認事項：日当たり・周辺環境の現地確認をお勧めします。

（以下省略）

【ブロック4：営業担当への申し送り事項】
- 入居希望時期が未確認です。転職時期に合わせた確認をお勧めします。
- ステージ大森（大田区山王）は駅徒歩10分のため除外しましたが、
  駅距離の条件を「10分以内」に緩和すると候補に浮上します（賃料+管理費100,000円、1DK30平米）。

（この出力は参考例です。実際の出力は入力内容やLLMの応答により異なります）

プロンプトのカスタマイズ方法

上記プロンプトの[変数名]部分を自社の情報に置き換えるだけで、基本的な動作が可能です。たとえば、売買仲介がメインの会社であれば[物件種別]を「売買」に変更し、スコアリング基準の「賃料」を「販売価格」に読み替えてください。

また、エリアの相場感や地域特性に応じて、Stage 1の曖昧表現の解釈基準を調整することをお勧めします。都心と郊外では「駅近」の感覚が異なるため、[エリア名]に具体的な地域名を入れておくと、LLMの解釈精度が上がる傾向があります。

---

物件データの準備方法とカスタマイズガイド

物件データのCSV形式

AIエージェントに入力する物件データは、以下のようなCSV形式で用意します。既存の物件管理システムからエクスポートできるケースが多いため、まずは自社システムの出力機能を確認してください。

物件名,所在地,最寄駅,駅徒歩(分),間取り,面積(平米),賃料(円),管理費(円),築年数(年),階数,設備,備考
サンプルマンションA,○○区△△1丁目,□□駅,5,1LDK,35,120000,8000,10,3階,オートロック/宅配ボックス/独立洗面台,ペット可
サンプルマンションB,○○区△△2丁目,□□駅,8,2DK,40,95000,5000,18,2階,宅配ボックス,角部屋

データ準備で気をつけるポイント

• 列名の統一：「家賃」「賃料」「月額」など、同じ項目を異なる名前で管理していると、AIの解析精度が下がります。列名を統一してからエクスポートしてください
• 設備欄のフォーマット：複数の設備を1つのセルにまとめる場合は、「/」や「,」で区切ると、AIが個別に認識しやすくなります
• データ件数の目安：一般的なLLMの入力トークン制限を考慮すると、1回の入力で処理できる物件データは100〜300件程度です。物件数がそれを超える場合は、エリアや価格帯で事前にフィルタリングしてから入力することをお勧めします
• 個人情報の除外：物件オーナーの氏名、連絡先など、LLMに入力すべきでない情報は事前に列ごと削除してください

自社向けカスタマイズのヒント

プロンプト内のスコアリング配点は、自社の営業方針に合わせて調整できます。たとえば、高級物件を扱う会社であれば設備の配点を引き上げ、学生向け物件がメインの会社であれば予算の配点をさらに高くする、といった調整が考えられます。

まずはデフォルト設定で数件試してみて、出力結果を見ながら配点を調整していく方法をお勧めします。

---

注意点と限界：AIスコアリングを過信しないためのガードレール

向いているケース

• 管理物件数が多く（目安として数百件以上）、手作業での全件確認が困難な場合
• 問い合わせの件数が多く、初期スクリーニングの高速化が求められる場合
• 顧客の希望条件がテキストで明確に記載されている問い合わせ
• 賃貸物件のように、条件がスペック（賃料・間取り・面積等）で比較しやすい場合

向いていないケース

• 物件数が少ない場合（数十件程度）：手作業で十分対応でき、AIを挟むことでかえって手間が増える可能性があります
• 条件が曖昧・感覚的な問い合わせ：「おしゃれな雰囲気の部屋」「センスの良い物件」など、スペックで測れない条件が主体の場合、スコアリングの精度が下がります
• 投資用物件・事業用物件：利回り計算や法規制の確認など、スペック比較だけでは不十分な物件種別では、このエージェントだけでは対応が難しくなります
• 物件データの整備が不十分な場合：CSVに欠損値が多い、設備情報が未入力などの場合、スコアリング結果の信頼性が低下します

よくある失敗パターンと対処法

失敗パターン	原因	対処法
スコア上位なのに顧客に合わない物件が出る	スペック上は条件一致だが、立地環境や物件の雰囲気が合わない	営業担当が現地知識で最終フィルタリングする運用を徹底する
良い物件なのにスコアが低く埋もれる	顧客が重視していない条件で減点されている	重み付け（[重視条件]）を調整する、またはスコア下位の物件も目を通す
条件抽出で重要な条件が漏れる	問い合わせ文の表現が間接的で、AIが拾えない	問い合わせ受領後に条件確認のヒアリングを挟むフローにする
データ量が多すぎてLLMが処理しきれない	入力トークン制限を超えている	事前にエリア・価格帯でフィルタリングしてからAIに渡す

運用上のガードレール（推奨ルール）

1. AIの出力は「たたき台」として扱う：スコアリング結果をそのまま顧客に提示せず、営業担当が必ず確認・調整する
2. 定期的なスコアリング精度の振り返り：AIが提案した物件と実際に成約した物件を照合し、スコアリング基準の改善に活かす
3. 顧客への開示方針を決めておく：「AIで候補を絞り込んでいます」と開示するかどうかを、社内で事前に方針を統一しておくことをお勧めします

---

---

AIスキルをさらに深めたい方へ

実務でAIエージェントを活用するには、プロンプト設計の型を体系的に学ぶことが近道だ。UdemyではAI・ChatGPT活用の実務向け講座が豊富に揃っている。

---

📊 経費・請求・会計もAIでまとめて自動化するなら
経費精算・請求書・確定申告をクラウドで一元管理できる「freee」も、業務全体のDX化に役立ちます。
[→ freeeの無料トライアルを試す]（freeeアフィリエイトリンク）

→ UdemyのAI活用講座を見てみる

まとめ：営業の「目利き」をAIで補強する考え方

本記事では、不動産仲介の営業担当者が日常的に行っている物件マッチング業務を、AIエージェントで支援する方法を紹介しました。

ポイントを整理します。

• 物件マッチング業務には「条件抽出」「物件検索・比較」「提案文作成」という3つの工程があり、それぞれにAIを活用できる
• AIは営業担当の「代替」ではなく、初期スクリーニングと提案文のたたき台作成を行う「補助」として位置づける
• スコアリングはあくまで条件の一致度を数値化したものであり、物件の良し悪しを判定するものではない
• 最終的な提案判断は、現地知識や顧客との関係性を踏まえた営業担当の「目利き」に委ねる

AIが得意なのは、大量のデータから条件に合うものを高速に絞り込む処理です。一方で、「この物件は日当たりが良くて、このお客様なら気に入りそうだ」といった経験に基づく判断は、営業担当にしかできません。両者を組み合わせることで、対応スピードと提案品質の両立を目指す考え方です。

今すぐできること：

1. 自社の物件管理システムから物件データをCSV形式でエクスポートしてみる
2. 直近の問い合わせメール1件を使って、本記事のプロンプトをLLMに貼り付けて試す
3. 出力結果を確認し、スコアリング基準や提案コメントのトーンを自社向けに調整する

まずは1件の問い合わせで試してみて、AIの出力がどの程度実用的かを体感してみてください。そこから運用ルールや配点の調整を進めていくのが、無理のない導入ステップです。

---

本記事で紹介したプロンプトは参考情報です。実際の業務適用前に、自環境での動作確認と、内容の適切性確認を必ず行ってください。物件データには個人情報が含まれる場合があります。LLMサービスに入力するデータの取り扱いについては、自社のセキュリティポリシーおよび利用するサービスの利用規約を確認してください。