2019年 たくさんの方に読まれた人気記事ランキング TOP 10
広告運用に18年以上携わり、2008年からキーワードマーケティングに在籍している小島です。
AI の進歩は凄まじいですよね。生活への浸透も進む一方、仕事での AI 利用は一部「ガチ勢」を除き、あまり進んでいないのではないでしょうか。
便利なのは分かっていても、ブラックボックス感やセキュリティ面の不安はぬぐえません。広告運用でも「AI で業務を効率化したいけれど、クライアントの成果データを外部の AI サービスに入力してよいのか」と迷う場面があります。
キーワードマーケティングは、ISO 27001認証を取得・運用するなど、情報セキュリティを重視しています。LLM を活用して業務の効率や質を高めたい一方、情報流出は避けたい。このジレンマを解決できないかと、手元の PC だけで動く「ローカル LLM」を実際に試してみました。非エンジニアの、いち運用担当者の体験記です。
今回私がローカル LLM を試した理由は、次の3つです。
実データをもとに作成した模擬データを、Mac 1台のローカル LLM に分析させてみました。ざっくりの手応えは以下の通りです。
| ローカル LLM にやってもらったこと | 結果 |
|---|---|
| 分析の実行時間 | 約4分(252.59秒) |
| CPA 悪化の要因分析 | 悪くなったタイミングや、その原因仮説のいくつかはできた |
| 改善施策の提案 | 叩き台としては有用。ただし運用担当者の確認が必要 |
| 外部 AI へのデータ送信 | ローカル処理では原則不要 |
今までローカル LLM は「軽い下書き用」だと思っていましたが、広告成果の要因分析や仮説立案の一部までできたのは予想以上でした。もちろん万能ではないものの、十分満足できる結果です。
特に大きかったのは、データを一切 PC の外に出さずに分析がおこなえたことです。医療系など、機密性の高い情報を扱うクライアントを担当する運用者には、大きなメリットだと感じます。
なお、ローカル LLM の使い道は成果分析だけではありません。例えば、未公開の販促情報や商品資料をもとに広告文の見出し・説明文を作成したり、広告レポート集計用のコード作成やエラー修正について壁打ちしたりすることもできます。
今回は成果分析をメインに検証し、ほかの用途については活用例として簡単に紹介します。
ローカル LLM とは、ChatGPT のような AI を自分の PC の中だけで動かす仕組みです。見た目や使い方はChatGPTなどとほとんど変わらず、チャット画面に質問を入力すれば答えが返ってきます。

クラウドAI(Claude・ChatGPT・Gemini)は入力した内容が提供事業者のサーバーに送られて処理されます。一方、ローカル LLM は処理が自分のPCの中で完結します。そのため、医療系などの機密性が高い成果データや、未公開の新商品情報も扱いやすくなります。
| 項目 | ローカル LLM | クラウド AI |
|---|---|---|
| 処理場所 | 自分のPC | 事業者のサーバー |
| データ送信 | ローカル処理なら不要 | 原則行われる |
| 手軽さ | 導入に一手間かかる | すぐ使える |
今回は、普段仕事で使っている MacBook Pro でそのまま検証できました。AIを動かすソフトも、AIモデル(AIの本体)も無料で手に入ります。
| 項目 | 今回の検証環境 | 費用 |
|---|---|---|
| PC | MacBook Pro (M5・統合メモリ32GB) | 411,800円 (2026年9月末現在) |
| ソフト | LM Studio | ローカル利用は無料 |
| モデル | Gemma 4 26B A4B | 無料で取得可能 |
| その他 | 電気代・保守・設定の手間 |
これから専用の PC を購入するなら、M5 Pro チップと48GB のメモリーを搭載した Mac mini もおすすめです。
他のアプリをたくさん起動していると処理が遅くなったり、大量のデータを読み込ませると止まったりすることもあります。Gemma 4は画像も読み込めるマルチモーダルなので、ついついいろいろと試したくなりますが、メモリーの制約を考えながら使う必要があります。
ローカル LLM を動かすうえで一番大事なのは、メモリーの容量と、データをやり取りする速さ(帯域幅)です。
MacはCPUとGPUで同じメモリーを共有する「ユニファイドメモリー」という仕組みを採用しています。Windows PCでは大容量のメモリーを積んだグラフィックボードが別途必要になる場合もありますが、Macならその必要がないため、構成によっては費用を抑えられます。

また、今回使ったGemma 4 26B A4Bは、回答を作るときにモデルの一部だけを動かす仕組みなので、比較的高速に動きます。ただし、動かすのは一部でも、モデル全体をメモリーに読み込む必要はあります。
そこで役立つのが「量子化」です。量子化とは、モデルが扱う数値の精度を少し落として、必要なメモリーを減らす技術のことです。Google公表値では、モデルの読み込みに必要なメモリーは約14.4GBが目安で、実際には処理内容に応じて追加のメモリーも必要です。32GBのMacで快適に動いたのは、この量子化のおかげです。
ここからは、実際にどのような方法で検証したのかを紹介します。
今回は広告成果が悪化したケースを想定した模擬データを用意し、ローカル LLM とクラウドAI(Claude・ChatGPT・Gemini)に同じデータと同じプロンプトを渡して比べました。
結論から言うと、成果悪化の切り分けはできたものの、原因を突き止めるためにどのような分析をすればいいかのアドバイスには差がありました。
今回の比較には、実際の広告データをもとに作成した「模擬データ」を使用しました。理由は2つあります。1つは、実際の広告データをむやみにクラウドAIへ送信したくなかったこと。もう1つは、AIが成果の悪化した時期や、その原因に気づけるかを試すため、意図的に条件を設定したかったことです。
具体的には、予算削減によってコンバージョンにつながりやすい主要キーワードの広告表示が減り、成果が悪化した状況を想定しています。合格ラインは、原因を調べるのに必要な追加データとして「変更履歴」と「検索語句レポート」の両方を挙げられるかどうかです。
また模擬データや検証の詳細については以下の通りです。
| 模擬データに組み込んだ内容 | Excelで週別・広告グループ別に集計した5週間分の実績 (表示回数・クリック・CTR・平均CPC・費用・CV・CVR・実績CPA・目標CPA) |
| 確認したこと |
|
| ひっかけ | 「30クリックでCVが0件」「300クリックでCVが0件」といったケースも入れ、判断に必要な情報が足りないことを指摘できるかも見ています |
なお、検証で実際に使用したプロンプトは、以下の通りです。「[集計済みデータを貼り付け]」の部分を自分のデータに差し替えれば、そのまま使えます。
あなたは検索広告の運用担当者です。以下はExcelで集計・計算した広告グループ別、週別の広告実績です。
【目的】CPAが悪化している広告グループについて、数値上の変化を分析し、次に確認すべき事項と改善施策の候補を整理してください。
【条件】入力表の集計値を使用/データにない数値や事実を作らない/確認できた事実と仮説を明確に区別/原因を特定できない場合はその旨と必要な追加データを説明/CV数が少ない場合は不確実性に注意/予算変更やキーワード除外を断定しない
【出力】1.確認できた問題 2.要因の仮説 3.検証に必要な追加データ 4.次に検討する施策(各指摘に根拠の広告グループ名と数値を併記)
【広告実績】[集計済みデータを貼り付け]
ローカル LLM とクラウド AI(Claude・ChatGPT・Gemini)の分析結果を比較すると、CPA 悪化要因の把握については、いずれも合格でした。一方、不足情報の指摘や処理時間には違いが見られました。
| 評価項目 | ローカル LLM | クラウド AI |
|---|---|---|
| CPA悪化要因の分析 | 合格 | 合格 |
| 不足情報の指摘 | 不合格 | 一部不合格 |
| 分析・施策整理の時間 | 4分強 | 平均2分強 |
CPA が悪化した時期や、数値上の要因が CPC の上昇なのか、CVR の低下なのかについては、ローカル LLM とクラウド AI のいずれも把握できていました。
意外だったのは、データを作成した私自身も気づかなかった「コンバージョン計測やサイト表示に問題が発生していないか」という可能性を、クラウド AI の一つが指摘したことです。
一方で、Google のクラウド AI である Gemini は「変更履歴」に対して全く触れておらず、ローカル LLM は Gemini 同様、「検索語句」については情報が必要と言ってきましたが、「変更履歴」については触れていませんでした。
小島
さすがに処理時間はローカル LLM のほうが長く、4分強かかりました。実際に業務に使用する場合には、もう少し課題を分解した上で依頼した方が良いのかもしれません。それでも、Mac 1台で最後まで分析できた点には手応えを感じました。
そもそも、広告運用で AI を利用するメリットは何でしょうか。ここではエージェント化はあえて外して、通常のチャット形式での利用を前提としてお話しします。
AI が完璧でないように、人間も完璧ではありません。ただ、「三人寄れば文殊の知恵」という言葉があるように、違う視点からの「気づき」を与えてくれる点が AI を使う上での一番のメリットだと感じています。

ローカル LLM なら、それを手元の PC の中で完結できる点も心強いところです。外部へのデータ送信を避けられるため、必要なルールや契約を確認したうえで、実際のデータを使った壁打ちにも活用できます。
もちろん、ローカル LLM である故の限界もあります。メモリーの制限から、コンテクスト長を長く取れないので、チャットが長くなるとどうしても動きが遅くなったり、回答精度が落ちたりします。もっとメモリーを積んだ PC を使用するか、こまめにチャットを切り替えたりするなどの工夫が必要になります。
小島
LM Studioのインストールと設定は、普通のアプリをインストールするのと同じ感覚でできます。手順は大きく2つだけです。
まず、ブラウザで公式サイト(lmstudio.ai)を開きます。サイトは、あなたが今使っているパソコンの OS(Mac か Windows か)を自動で判別してくれるので、画面中央の「Download LM Studio Bionic」ボタンを押すだけで、自分の環境に合ったファイルがダウンロードされます。

ダウンロードが終わったら、ダウンロードしたファイルを開いてインストールします。
Mac の場合はダウンロードしたファイルを開き、表示された LM Studio のアイコンを「Applications(アプリケーション)」フォルダにドラッグ&ドロップするだけです。
Windows の場合はダウンロードしたファイルをダブルクリックし、画面の指示に沿って進めれば完了します。あとは、普段アプリを起動するのと同じように LM Studio を開けば OK です。

開いたら、「Get Started」をクリックすると、以下のような画面になります。

私の環境の場合、「Updating LLM catalog」と出たまま、この画面が表示され続けましたので、右上の「Skip」をクリックして先に進めました。
次の画面で、「Continue to LM Studio」をクリックします。次に表示される画面で、おすすめ情報やメッセージが出ますが「×」で消して大丈夫です。

LM Studio を開いたら、左メニューの一番下の虫眼鏡アイコンをクリックし、表示された画面上部の検索窓に「Gemma 4 26B A4B」と入力します。

いくつかの候補が並びます。「gemma-4-26b-a4b-qat」と表示されているモデルを選択し、「Download」をクリックします。

名前の「qat」は、先ほど紹介した「量子化」を前提に作られたモデルであることを表しています。軽くしてあるぶん、PCで動かしやすいモデルです。
ファイルは15GB以上あるので、ダウンロードには少し時間がかかります。完了するまで待ちましょう。
「Download Completed」のメッセージを消して、「Use in New Chat」をクリックすると、新しいチャットが始まります。

問題なくチャットを開始できれば良いのですが、稀にモデルの読み込みに失敗する場合があります。そのようなときは下部にある「Pick a model」をクリックしてメニューを表示させた上で、「Gemma 4 26B A4B QAT」を選びます。表示された画面で「Load Model」をクリックします。

これでほとんどの場合は クラウドの LLM 同様の画面が表示されますが、さらにエラーが出る場合には、そのエラーメッセージを ChatGPT や Claude に入れて解決方法を教えてもらいましょう。

ローカル LLMは便利ですが、PC内で動かしているからといって、すべてが安全・正確というわけではありません。実務で利用する際には、次の4点に注意が必要です。
ローカル LLM に限った話ではありませんが、数値の計算そのものは LLM に任せない方がよいでしょう。
LLM は文章を扱うのが得意な反面、大量の数字を正確に集計するのは苦手で、もっともらしい間違いを返すことがあります。そこで、集計や CPA の計算は Excel に任せ、LLM には「この数字から何が読み取れるのか」、「次に何を確認すべきか」を考えてもらうようにしましょう。
今回の検証では、データの集計もローカルの Excel でやり、すべて手元の PC 内で完結させました。しかし、Google のスプレッドシートなど、クラウドサービスを利用した場合、その時点で厳密には外部にデータが送信されています。この点は理解しておく必要があります。
また、PC の紛失・盗難などに備え、端末自体のセキュリティ対策も欠かせません。
ローカル LLM の推論自体は PC 内で完結しますが、Web 検索などの外部連携機能を利用する場合は注意が必要です。
たとえば、LLM が Web 検索を実行すると、検索キーワードが外部の検索サービスに送信されます。そこにクライアント名や固有の数値が含まれていれば、その情報が外部に出てしまうことになります。機密データを扱う分析作業では、この機能をオフにしておくのが安全です。
ローカル LLM だからと油断せず、利用前に次の3点を確認しましょう。
ローカルで処理するとはいえ、データを PC に複製・保存すること自体が認められているとは限りません。社内ルールや広告主との契約を事前に確認し、許可された範囲で利用することが大切です。
ChatGPT や Claude などのクラウド AI にも、入力データを AI の学習に使用しない法人向けプランや API サービスがあります。個人向けプランでも、設定によって学習への利用を停止できる場合があります。
ただし、「学習に使われないこと」と「外部の事業者にデータを送ってよいこと」は別問題です。契約や社内ルールによっては、外部への送信自体が認められない場合もあります。
ローカル LLM の価値はクラウドより無条件に安全なことではなく、データを外部に送らずに処理できる環境を作れる点にあります。
広告主の個人情報を外部の AI サービスに入力する場合、個人情報保護法への対応が必要です。ただし、「海外のAIサービスに入力したら違法」というわけではありません。
海外サーバーの利用と、外国にある第三者への個人データの提供は、法律上の扱いが異なります。また、入力データがAIの学習に使われるかどうかも、別に確認すべき事項です。データの内容やサービスの利用条件によって、必要な対応は変わります。

医療分野では、いわゆる「3省2ガイドライン」も参考になります。ただし、主に医療機関や医療情報システム・サービスの提供事業者を対象としたもので、広告運用会社のすべての業務に一律に適用されるわけではありません。
ローカル LLM なら、データを外部に送らずに処理できる環境を構築できます。ただし、データの保存・利用については、法令や契約、社内ルールの確認が必要です。
※本記事は一般的な情報提供を目的としており、個別案件への法的助言ではありません。実際の判断にあたっては、最新の公式情報や専門家の見解をご確認ください。
※ 参考資料
・個人情報保護委員会
・厚生労働省「医療情報システムの安全管理に関するガイドライン」
個人的に、AI 登場後の世界の変化には驚きと怖さの連続の日々です。
バイブコーディングでは「こんなの欲しいな」と思ったアプリを簡単に作成できるし、サーバー周りの込み入った質問に対しても一発で回答してくれたりします。
昔、仕事でプログラミングを少ししていたのですが、飽き性な私は「こんな作業やってられない」とその世界からは距離を置いていました。しかし、一番面倒に感じていたコードを書く作業がここまで省力化できるような世界になるとは、興奮以外の何物でもありません。

一方で、利便性の向上はセキュリティの脆弱化と紙一重です。簡単にいろいろなことができる反面、そのプロセスがブラックボックス化しやすく、気づかないうちにリスクを抱えてしまう可能性もあります。
私は以前、小規模なサーバーを構築した経験もあるのですが、当時の知識が今になって役に立っていると感じます。セキュリティ面で「ここは気をつけた方がよさそうだ」という勘所が、何となく分かるためです。
これからの広告運用担当者には、こうした技術的なリテラシーがますます求められると思います。便利なツールを積極的に活用するだけでなく、その仕組みやセキュリティについても理解を深めていく必要があります。
勉強すべきことは山積みです。個人的にも過去のやり方を全て捨てる覚悟で自分をアップデートしていかないといけない局面に入っていると感じています。
小島
お困りごとはまずはご相談ください。広告に限らず、認知やPRなど幅広い施策提案が可能です。
コンバージョン数やCPAといった広告の目標達成はもちろんですが、中長期的な事業成長を目的としたマーケティング施策もご支援しています。年商数千万円規模から10億円規模へ、業績向上をご支援した事例もございます。まずはお気軽にご相談ください。
メールアドレスをご登録いただきますと、ブログの更新情報などをお届けいたします。
「わかりにくいこと」を「わかりやすく」をモットーに、すべての記事を実際に広告運用に関わるメンバー自身が執筆しています。ぜひ無料のメールマガジンに登録して更新情報を見逃さないようにしてください!