Who（誰が）
介護保険システムベンダーや自治体向けSIer、特養運営法人グループなど、既存の自治体・介護施設向け顧客基盤を持つ企業が主な買い手候補となる
対象とする社会課題：特別養護老人ホームの待機者実態が自治体ごとにバラバラに管理され、需給ミスマッチが放置されている
社会の役に立ち、しっかり儲かる。その両立が、この計画には数字で示されています。
特養の待機者名簿は、今も職員が紙とExcelを突き合わせて年に一度手作業で名寄せしている。同じ人が複数施設に申込んでいても気づかれず、要介護度4の独居高齢者と要介護度2の待機者が同じ「待機者」として並ぶ。本当に緊急度の高い人を、担当職員の勘と善意だけに頼らず見つけられる仕組みが必要だと考えた。
※ この4つの数字は、見せるために作った数字ではありません。「事業計画」タブの10年計画とまったく同じ計算から出しています。EXIT（売却）時の手取りだけは「もし売れたら」の試算で、約束できる金額ではありません。
10年の事業計画も、創業融資850万円の申請資料も、システムの要件定義書も、最初の90日の段取りも——ぜんぶこのページにあります。足りないものはAIチャットが伴走しながらその場で作り、システム開発・専門家・投資家への橋渡しまで、このサイトの中で進められます。「やりたい」と思ったその日から、始められる状態です。
ボタンを押すとAIチャットが開き、このショーケースの内容を読み込んだ状態で素案を作成します。事業計画書から自治体向け提案資料、開発の要件定義まで、迷わず次の一歩に進めます。
※ ボタンを押すと確認のポップアップが出ます。「はい」を選ぶとAIチャットが新しいタブで開き、 この事業の内容を踏まえた作成指示が自動で送られます（あなたが文章を打ち込む必要はありません）。 どのボタンを出すかは事業の性質でAIが出し分けます。生成にはAIチケットを使用します。
あなたの経歴とこの事業のフィットをAIが診断します。活きる強み、足りないもの、 共同創業者に求める人物像まで示します。
無料会員登録して診断する登録済みの経歴をもとに、この事業とのフィットを診断します。経歴・スキルの内容はAI相談・AIチャットの回答にも反映されるため、最新の内容に更新しておくとより精緻なアウトプットが得られます。
💡 このショーケースをお気に入り登録すると、あなたのAIチャットがお気に入り登録した事業の情報を学習し、より賢く、具体的な提案ができるようになります。
※ AIによる参考意見です。合否や成否を保証するものではありません。経歴・スキルの登録内容は、この診断やAI相談・AIチャットの回答精度にも影響します。
自治体の高齢福祉課職員が、各施設からFAXやExcelで届く特養入所申込書をそのままアップロードすると、AI-OCRが氏名・要介護度・住所を読み取り、表記ゆれを正規化して複数施設への重複申込を自動で名寄せします。
職員は緊急度スコアでランキングされたダッシュボードを見て、要介護度4〜5の独居高齢者など本当に優先すべき人を一目で把握でき、チャット画面に『来年度、要介護4以上で独居の待機者は何人か』と聞けば即座に集計結果が返ってきます。月20時間かかっていた手作業の名寄せ・集計が2時間程度に圧縮され、議会説明用の統計資料も自動で作成できるようになります。
全国の特養待機者は厚労省調査で約27万人とされるが、この数字は各自治体・各施設からの紙やExcelの個別申込台帳を年1回程度手集計したもので、重複申込や取り下げ未反映が多く実態を反映していない。
例えば人口30万人規模の市では、担当職員2〜3名が数十施設からの申込リストをFAXやメールで受け取り、氏名・要介護度・緊急度をExcelに手入力して名寄せしているが、同一人物が複数施設に申込んでいるケースの名寄せ漏れが常態化している。結果として、要介護度4〜5で在宅介護が限界に近い高齢者と、要介護度2で比較的余裕のある待機者が同じ「待機者」として扱われ、施設側も自治体側も真に緊急度の高い人を優先的に把握できない。担当職員は本来業務(給付管理や相談支援)の合間にこの集計作業を行っており、年に1回の静的な集計では地域ごとの偏在(郊外は空きがあるが都市部は数年待ち等)も可視化されない。国の「地域包括ケア」政策も、精度の低い待機者データの上に施策を組み立てざるを得ない状況が続いている。
①AI-OCR/NLPが手書き・PDF申込書から氏名・住所・要介護度等を抽出し表記ゆれを正規化して名寄せする、②勾配ブースティング系の予測モデルが世帯状況や要介護度等から緊急度スコアと将来需給ギャップを算出する、③対話型LLMアシスタントが職員の自然言語での問い合わせにSQL相当の集計処理を裏側で実行し即座に回答する、④最適化アルゴリズムが空床と待機者の組み合わせをマッチングスコア順に提示し職員の意思決定を支援する。
これら4つのAI機能が「入力→分析→対話→提案」の一連の業務フローを自動化する。
自治体の高齢福祉課職員が既存の申込書(紙・PDF・Excel)をそのままアップロードすると、AI-OCRと自然言語処理が氏名の表記ゆれ(旧字体・ひらがな/カタカナ)や住所を正規化し、施設をまたいだ重複申込者を自動で名寄せする。
名寄せ後、要介護度・世帯状況(独居/同居)・在宅サービス利用状況・申込日からなる特徴量をもとに機械学習モデルが「緊急度スコア」を算出し、ダッシュボード上で待機者を緊急度順にランキング表示する。職員はチャット型AIアシスタントに「来年度、要介護4以上で独居の待機者はどの地区に何人いるか」等と自然言語で質問でき、AIが集計・グラフ化して即答する。さらに需要予測エンジンが過去の入退所データと人口動態(75歳以上人口の推計)から3〜5年先の施設別・地区別の需給ギャップを予測し、施設整備計画や特養新設の優先地域を自動で提案する。施設側の空床情報もAPI連携で取り込み、緊急度の高い待機者と空床のマッチング候補を自動生成し、職員が最終承認するだけの運用に変える。
| 職員2名の月20時間手集計作業にかかる人件費(残業代相当、人口30万人規模市の例) | 年額約168万円(時給3,500円×40時間×12ヶ月の想定) |
| 名寄せ漏れによる重複入所案内・苦情対応の再調整コスト | 年額30万〜50万円程度の想定(職員の再確認・お詫び対応工数含む) |
| 空床発生から入所案内までのリードタイム長期化による施設側の介護報酬損失(自治体連携施設分) | 施設1床あたり年額30万〜60万円程度の想定(空床期間2〜3週間×複数回) |
| 年1回の厚労省調査提出に伴う臨時集計・外部委託または残業対応費 | 年額20万〜40万円程度の想定 |
| 自治体向けSaaS月額プラン(人口30万人以上) | 月額25万円(年額300万円) |
| 初期導入・データ移行費(既存申込台帳のOCR化・名寄せ初期投入) | 一時金100万円程度 |
| 特養施設向け空床連携オプション(施設単位) | 月額2万円(年額24万円/施設) |
この事業をやっている人のある1日、1年後・3年後・10年後の姿、向いている人・向いていない人、よくある質問……
あなたと事業の詳細は無料会員限定です。
時間軸別に、各チャネルの具体施策と、それをAIでどうプロンプティングして実現するかをセットで。
上記の施策をもとに、広告物の作成業者（マーケ会社）への紹介をご希望の場合はこちらからエントリーできます。
マーケ会社の紹介を希望する※ 紹介のお申し込み窓口はマイページの「業者・士業・投資家の紹介」に一本化しています。AIチャットが内容をヒアリングし、具体的な段階になったら運営が個別におつなぎします。
この事業に必要なアプリを作るための仕様です。下のボタンでWordに書き出せば、そのまま開発会社への相談・見積の依頼に使えます。
※ このボタンは、このページに載っている内容をそのままWordファイルに書き出します（AIは使いません。すぐ保存できます）。 ページの上のほうにある「ほしい資料を、その場でAIがつくります」の要件定義書のボタンは、AIチャットがあなたのご要望を聞きながら、そのつど書き起こすものです。 すでにある内容をそのまま渡したいときはこちら、作りたい範囲や条件を相談しながら仕上げたいときはAIチャットをお使いください。
人口30万人規模の市でも担当職員2〜3名が数十施設分の申込リストを手入力・手集計しており、同一人物の複数施設申込が名寄せ漏れとなって待機者数の実態が正確に把握できていない。
年1回の静的集計のため、要介護度4〜5で在宅介護が限界の高齢者と比較的余裕のある要介護度2の待機者が同じ『待機者』として扱われ、真に緊急度の高い人を優先できない。担当職員は給付管理や相談支援など本来業務の合間に集計作業を行っており、業務負荷が高いまま精度の低いデータの上に施策が組み立てられている状態が続いている。
MVP部分(OCR取込・名寄せ・緊急度スコアリング・ダッシュボード)は要件と検収基準を明確に定義できるため請負契約が向くが、OCR精度95%達成は自治体ごとの申込書フォーマットの差異に依存するため、精度チューニング工程は準委任で進める方が現実的である。
Phase2以降のチャットアシスタントや需給予測モデルは自治体からのフィードバックを受けて仕様を調整する前提のため準委任契約とし、2〜4週間スプリントでの受入基準合意を都度行うこと。発注時はOCR精度・名寄せ精度(重複検出率95%以上)を検収条件に明記し、再委託先を含む要配慮個人情報の取扱い体制を契約書に必須項目として盛り込む必要がある。
| 区分 | 想定利用者 |
|---|---|
| プライマリ | 自治体高齢福祉課の担当職員(名寄せ確認・緊急度スコア確認・入所調整・レポート作成を行う) |
| セカンダリ | 特養施設の入所担当者(空床情報登録・マッチング候補確認)、自治体管理職・議会対応部署(統計データ閲覧) |
| 管理 | 自社カスタマーサクセス担当・システム管理者(自治体ごとのアカウント発行・権限設定・モデル精度モニタリング・OCR誤読の是正対応) |
| 機能 | 入力 / 処理 / 出力 |
|---|---|
| AI-OCR申込書読取 | 紙・PDF申込書画像→AI-OCRで氏名・住所・要介護度等を抽出→構造化データを出力 |
| 表記ゆれ正規化・名寄せ | 抽出済み氏名住所→NLPで旧字体/ひらがな等を正規化→同一人物候補を突合し名寄せ済み台帳を生成 |
| 緊急度スコア算出 | 要介護度・世帯状況・在宅サービス利用状況→勾配ブースティングモデルで演算→緊急度スコアとランキングを出力 |
| 需給ギャップ予測 | 過去入退所実績と75歳以上人口推計→予測モデルで演算→地区別3〜5年先の需給ギャップ予測値を出力 |
| 対話型AIアシスタント | 職員の自然言語質問→LLMがSQL相当の集計処理を実行→グラフ付き回答文を即時返答 |
| 空床マッチング提案 | 緊急度スコアと施設空床情報→最適化アルゴリズムでスコアリング→マッチング候補リストを提示 |
| 緊急度ダッシュボード表示 | 名寄せ・スコア済みデータ→地図/表形式に集計処理→緊急度順ランキング画面を表示 |
| 施設空床情報API連携 | 特養施設の空床情報→API経由で自動取得→マッチングエンジン用データベースに反映 |
| 議会・住民説明用レポート自動生成 | 待機者統計データ→テンプレートに自動集計・整形→PDF/Excelレポートを出力 |
| 職員最終承認フロー | AI提示の名寄せ結果・マッチング候補→職員が画面上で確認操作→承認/却下ステータスを記録 |
| 広域データ分析レポート出力 | 複数自治体の匿名化統計データ→集計・分析処理→都道府県・国向け政策支援レポートを生成 |
| テーブル | 主要カラム |
|---|---|
municipalities | id, name, prefecture_code, population, plan_type |
users | id, municipality_id, name, role, email, last_login_at |
applicants | id, name_raw, name_normalized, kana, birth_date, address_normalized, care_level, household_type, status |
applications | id, applicant_id, facility_id, application_date, withdrawal_flag, source_document_id |
facilities | id, municipality_id, name, capacity, current_vacancy, address, api_endpoint |
urgency_scores | id, applicant_id, score, score_breakdown, model_version, calculated_at |
matching_proposals | id, applicant_id, facility_id, matching_score, status, approved_by, approved_at |
demand_forecasts | id, municipality_id, district, forecast_year, care_level, projected_gap |
| # | 画面 |
|---|---|
| 1 | ログイン画面 |
| 2 | 申込書アップロード画面 |
| 3 | 名寄せ結果確認画面 |
| 4 | 緊急度ランキング画面 |
| 5 | チャットアシスタント画面 |
| 6 | マッチング承認画面 |
| 7 | 需給予測レポート画面 |
| # | 技術（採用理由） |
|---|---|
| 1 | AWS Textract(帳票OCRの読み取り精度と実績が高い) |
| 2 | GiNZA/spaCy(日本語氏名住所の表記ゆれ正規化に対応) |
| 3 | LightGBM(勾配ブースティングで緊急度スコアを高速算出) |
| 4 | Azure OpenAI Service(対話型LLMアシスタントと自治体調達要件に適合) |
| 5 | PostgreSQL(要配慮個人情報の履歴管理と正規化に適合) |
| 6 | Elasticsearch(表記ゆれ名寄せの類似検索処理に利用) |
| 7 | AWS(ISMAP登録済で自治体セキュリティ要件を満たす) |
| 区分 | 要件 |
|---|---|
| 可用性 | 可用性: SaaS基盤の月間稼働率99.5%以上を維持し、計画停止は事前1週間告知の夜間帯に限定する |
| 性能 | 性能: OCR処理は申込書1枚あたり平均10秒以内、名寄せ重複検出率は1年目末までに95%以上を達成する |
| セキュリティ | セキュリティ: 要配慮個人情報を含むため通信・保存データをAES-256で暗号化しISMAP準拠インフラで運用する |
| アクセス制御 | アクセス制御: 職員ごとにロールベースアクセス権限を設定し、操作ログを5年間保存し監査可能とする |
| 運用 | 運用: 障害発生時は検知から30分以内に一次対応を開始し、4時間以内の復旧を目標とする |
| 拡張性 | 拡張性: 自治体数130団体・年間データ量増加に対しオートスケール構成で応答遅延を2秒以内に維持する |
| 段階 | まず何を作るか | 概算費用 |
|---|---|---|
| ①手動検証 | 1〜数自治体から実際の申込台帳（匿名化済み）を借り、人手でExcel上の名寄せと緊急度の並び替えを行い、AI化した場合の効果とルール化できる判定基準を洗い出す。 | 人件費と自治体訪問の交通費のみで、外部発注は行わない水準 |
| ②最小システム | 既製のOCR・NLP APIを組み合わせて名寄せ処理を試作し、緊急度スコアはルールベースの簡易版で算出、Excel出力までを1自治体でパイロット運用して精度を検証する。 | AI利用料（API従量課金）とごく小規模な外注費で数週間〜1か月分の水準 |
| ③本開発 | 自社の予測モデル・チャット型アシスタント・空床マッチング機能を含む正式なダッシュボードを構築し、ISMAP等のセキュリティ要件に対応した本番インフラを整備する。 | エンジニア複数名分の人件費とクラウド・認証取得費を含む、外注であれば数か月分の開発費相当 |
上記の要件定義書をもとに、システムベンダー（開発会社）への紹介をご希望の場合はこちらからエントリーできます。
システムベンダーの紹介を希望する※ 紹介のお申し込み窓口はマイページの「業者・士業・投資家の紹介」に一本化しています。AIチャットが内容をヒアリングし、具体的な段階になったら運営が個別におつなぎします。
10年の収支と資金の集め方、財務、KPI、資本政策、そして図解付きのフル事業計画書・AI実装仕様書……
事業計画の詳細は無料会員限定です。
市場の前提（ボトムアップ試算）とTAM/SAM/SOMの規模感……
市場規模の詳細は無料会員限定です。
競合となるサービス・企業と、この事業ならではの差別化ポイント……
競合企業の詳細は無料会員限定です。
対応が必要な許認可・法規制と、確認すべき相手先・想定調整期間……
関連法令・許認可の詳細は無料会員限定です。
手を挙げたその日から動けるように、完了条件つきで並べています。
| 誰に会うか | なぜ会うか | 接触の仕方 |
|---|---|---|
| 人口30万人規模の市の高齢福祉課長・介護保険担当係長 | 現場の名寄せ作業実態とパイロット導入意向を直接確認するため | 自治体HPの組織連絡先へアポ依頼、または地方自治情報化推進フェアで名刺交換 |
| 元自治体福祉課職員(ドメインエキスパート候補) | 要介護認定業務・待機者調整の実務フローと制度運用の勘所を把握するため | 介護報酬改定セミナーや自治体OB向け人材紹介会社経由で紹介依頼 |
| 介護保険システムベンダー(ワイズマン等)の自治体営業責任者 | 販売代理店提携と既存システムとのデータ連携仕様を確認するため | 同社の代理店募集窓口またはCEATEC等の展示会ブースで接触 |
| ISMAP認証取得支援コンサルティング会社の担当者 | 自治体向けSaaSに必須のセキュリティ認証取得の要件と期間を確認するため | デジタル庁ISMAP登録支援業者リストから複数社に問い合わせ |
| 全国老人福祉施設協議会(全国老施協)事務局の政策担当者 | 施設側の空床情報連携ニーズと業界団体としての導入後押しを得るため | 全国老施協の広報部門経由で協業相談のアポイントを申し込む |
| チャネル（目標件数） | 声のかけ方 |
|---|---|
| 元自治体職員・知人経由の紹介 | 「特養待機者の名寄せ作業に困っている高齢福祉課の方をご存知ないですか」と知人・元同僚に直接聞き、担当者への紹介を依頼する。 |
| 介護保険システムベンダーとの共催セミナー | ワイズマンやNDソフトウェア等の営業担当に「既存顧客向けに待機者名寄せの無料デモ会を一緒にやりませんか」と持ちかける。 |
| 地方自治情報化推進フェア等の展示会 | ブースで「今の待機者集計、Excelの手入力ですよね」と具体的な業務名を挙げて話しかけ、パイロット導入の希望者を募る。 |
| 全国老人福祉施設協議会等の団体経由 | 施設団体の事務局に「空床マッチングの実証に協力してくれる特養と自治体を紹介してほしい」と依頼し、勉強会での紹介を打診する。 |
対応が必要な許認可・法規制の詳細は「関連法令」タブでご確認いただけます。着手前に必ずご確認ください。
制度名・金額・要件は年度ごとに変わるため、ここでは種別と公式の探し先だけを示します。必ず一次情報で最新の要件を確認してください。
| 種別 | 特徴 |
|---|---|
| 自己資金・身内からの出資 | 最初の検証（ヒアリング・試作）はここで賄えることが多い。 |
| 日本政策金融公庫の創業融資 | 実績のない創業期でも相談できる公的融資。事業計画書の提出が要る。 |
| 自治体の創業支援制度 | 市区町村・都道府県ごとに補助・利子補給・家賃補助などがある。要件と募集時期は年度で変わる。 |
| 国の中小企業向け補助金 | 設備・販路開拓・IT導入などの類型がある。公募期間が短いので、常設の情報源で追う。 |
| エンジェル投資家・ベンチャーキャピタル | 急成長を前提にする資金。社会課題型では投資家の性格を選ぶ必要がある。 |
| 確認先 | 何がわかるか |
|---|---|
| ミラサポplus（中小企業庁） | 補助金・支援制度の横断検索 |
| J-Net21（中小機構） | 支援策・創業手引きのデータベース |
| 地域の商工会議所・よろず支援拠点 | 無料の対面相談。申請書の書き方まで見てもらえる |
| 日本政策金融公庫の各支店 | 創業計画書の事前相談 |
| 制度 | 誰が使えるか | この事業でどう効くか |
|---|---|---|
| 日本政策金融公庫 新規開業資金（創業融資） | 法人設立から間もない代表者（自己資金を用意していること） | 運転資金の融資額は850万円の想定で、OCR・NLPエンジニアの人件費やクラウドインフラ費に充当できる。設備資金は別枠で申請可能。 |
| 小規模事業者持続化補助金 | 小規模事業者（創業直後の法人も対象になり得る） | 展示会（地方自治情報化推進フェア等）出展費やパンフレット・営業資料作成費の一部を補助対象にできる可能性がある。 |
| IT導入補助金 | ITツールを導入する中小企業・小規模事業者 | 自社の業務効率化（顧客管理・請求・セキュリティ対策ツール等）の導入費用に活用できる可能性がある（自社開発のSaaS本体は対象外の場合が多い点に注意）。 |
| 東京都創業助成事業 | 都内で創業予定・創業から一定期間内の中小企業者 | 賃借料・人件費・広告費など創業初期の運営経費の一部を助成対象にできる可能性があり、自己資金100万円を補う手段になる。 |
| SBIR制度（研究開発型スタートアップ支援のための指定補助金等） | 研究開発型のスタートアップ（各省庁の対象公募に応募する事業者） | AI-OCRや緊急度スコア算出モデルなどの研究開発要素を持つ機能開発について、対象公募があれば開発費の補助を検討できる。 |
会社設立の手続きや許認可の取得、契約書の整備など、弁護士・税理士・司法書士等の専門家への紹介をご希望の場合はこちらからエントリーできます。
専門家の紹介を希望する※ 紹介のお申し込み窓口はマイページの「業者・士業・投資家の紹介」に一本化しています。AIチャットが内容をヒアリングし、具体的な段階になったら運営が個別におつなぎします。
本文中の「※1」「※2」の番号は、ここに対応しています。番号を押すと、この欄に飛びます。
この事業が失敗するとしたら原因はどこから来るか、単価をその値段にした理由、最初の3か月で確かめること、必要な契約書と支払い条件、1人目の求人票、この事業の1週間……
実行の手引きの詳細は無料会員限定です。
介護・自治体DX分野で挑戦する仲間がコミュニティにいます。ひとりで抱え込まず、同じ課題を見ている人と話すところから始められます。
※ バッジは閲覧・お気に入りなどの自動集計にもとづく相対表示です。