弁護士・税理士・司法書士・弁理士・社会保険労務士——士業の業務は、依頼者の機微情報を扱うことが前提です。生成AIの便利さは分かっていても、「依頼者の情報をクラウドに送ってよいのか」という一点で導入をためらっている事務所は少なくありません。ローカルLLMなら、データが物理的に事務所の外へ出ない構成でこの問題を回避できます。事務所の机に置ける機材の実測データを基に、現実的な構成を整理します。
結論
- 士業の守秘義務は法定義務であり（弁護士法23条・税理士法38条など）、クラウドAIへの依頼者情報の入力は慎重な検討が必要な領域です。各士業団体からもAI利用に関するガイドライン・注意喚起が出始めています。
- 議事録・相談メモの要約、書面ドラフト、論点整理といった文書中心のタスクは、事務所内で完結するローカルLLMで実用になります。
- 機材は静音・省電力のMac mini級から始められます（当サイト実測: 4Bモデルで29.3 tok/s ≒ 日本語約53字/秒）。
- ツール呼び出しを伴うエージェント化はモデル選定が決定的です。当サイトの実測では、日本語で確実にツールを呼べるモデルは限られます（後述）。
なぜ士業にローカルAIが向くか
- 守秘義務が法律で定められている: 弁護士法23条・税理士法38条をはじめ、各士業法に守秘義務の規定があります。クラウドAIに依頼者情報を入力する場合、保存場所・学習利用の有無・規約変更などの確認と説明が必要になります（根拠: 税理士法38条とAI入力の解説 / 弁護士のAI活用と守秘義務）。
- 業界団体がAI利用の指針づくりを進めている: 日本弁理士会は2025年4月に弁理士業務AI利活用ガイドラインを公表し、日弁連法務研究財団も生成AI利活用の実践講座を開くなど、「使わない」から「どう安全に使うか」へ議論が移っています。
- 説明が単純になる: ローカル運用なら、依頼者への説明が「AIは事務所内の機材で動いており、データは外部に送信していません」で完結します。
クラウドAI運用
依頼者情報 → 外部サーバーへ送信 → クラウドで生成
- ・依頼者の機微情報が事務所の外のサーバーに渡る
- ・保存場所・学習利用の有無は事業者の規約次第
- ・規約変更や国外保存など、確認・説明すべき前提が多い
ローカルAI運用（本記事の構成）
依頼者情報 → 事務所内の機材で生成が完結
- ・データが物理的に事務所の外へ出ない
- ・保存・削除を自分の機材の中で管理できる
- ・依頼者への説明が「外部に送信しない」で済む
ローカルでも端末の盗難・バックアップ先の管理など情報管理そのものは必要（本記事「導入時の注意点」参照）。
事務所の机の上で動く — 実測データ
ローカルLLMは大げさなサーバーがなくても動きます。当サイトがMac mini M4（16GB）で実測した生成速度は次の通りです（検証DB収録・Q4量子化）。
- Qwen3.5 4B: 29.3 tok/s（日本語約53字/秒・400字の回答に約8秒）
- LFM2.5 8B（MoE）: 80.2 tok/s（軽量MoEの効き）
書面ドラフトや要約の「待ち時間」として十分実用の範囲です。静音・省電力（SoC実測10〜13W前後）なので、執務室の机上に置いても気になりません。より大型のモデル（32Bクラス）を使いたい場合はGPUワークステーション級が必要になります（A6000実測: Qwen2.5 32Bで30.6 tok/s）。所内複数人での共用は社内AIサーバーの立て方、手元の機材で何が動くかは動くか診断で確認できます。
具体的な使いどころ
機微情報を含まない定型作業から始め、徐々に範囲を広げるのが定石です（根拠: 上記レガシィ記事の整理）。
- 相談メモ・議事録の要約: 面談の録音を文字起こしし（whisper.cpp等・これもローカルで完結）、要点を整理する。
- 書面・回答書のドラフト: 論点を箇条書きで与え、たたき台を生成する。最終判断・確認は必ず資格者が行います。
- 論点整理・チェックリスト生成: 相談内容から確認すべき事項を洗い出す下準備。
- 所内資料への質問応答（RAG）: 過去の書式・所内ナレッジを検索して答えさせる構成。仕組みはローカルAIに事実を教える方法で解説しています。
法律・税務の話題を「断らない」か — 過剰拒否の実測
法律・税務の相談内容には、紛争・刑事・税務調査など「AIが念のため回答を拒みそうな」話題が含まれます。当サイトの過剰拒否ベンチでは、法律・医療を含む正当な質問に対し7モデル中6モデルが拒否ゼロでした。「正当な質問なのに断られる」というクラウドAIでありがちなストレスは、ローカルLLMでは起きにくいというのが実測の答えです。
エージェント化するなら — モデル選定が決定的
「判例・資料を検索 → 要約 → 書面案を生成」のようなツール呼び出しを伴うエージェント化を考える場合は注意が必要です。当サイトの日本語エージェント信頼性ベンチの実測では、日本語で確実にツールを呼べるのはQwen系がほぼ一択でした。素のLlama系は日本語の引数を壊し（同ベンチ記事で詳述）、国産の日本語特化モデルはそもそもツールを呼ばない・ツール非対応が大半です（国産モデルの実測記事で詳述）。モデルごとの実用度はエージェント実用度インデックスにまとめています。
導入時の注意点
- 本記事は技術解説であり、法的助言ではありません。守秘義務・個人情報保護法・各士業団体の規程への適合は、所属団体のガイドラインと専門家の判断で確認してください。
- 生成結果の検証は資格者の責任です: LLMは存在しない条文・判例をもっともらしく生成することがあります（ハルシネーション）。根拠の確認を業務フローに組み込んでください。対策の考え方はグラウンディングの解説へ。
- ローカルでも情報管理は必要です: 端末の盗難・廃棄時のデータ消去・バックアップ先の管理など、機材そのものの管理は従来どおり求められます。モデルファイルの安全性は安全に使うで解説しています。
精度等について
- 本記事の実測値は汎用ベンチ（生成速度・日本語ファンクションコール・過剰拒否）の引用であり、士業の実文書での精度検証ではありません。契約書・申告書等の実務文書での品質は、各事務所の文書で試した上で判断してください。
- 「約53字/秒」等の体感換算は当サイト実測のトークン比率（日本語≈1.8字/トークン）によります。
- 法令・ガイドラインに関する記述は一般的な整理であり、法的助言ではありません。
バーチカルAI全体の考え方はバーチカルAIにローカルAIをどう組み込むか、業界特化チューニングの実例は14BモデルのQLoRA実例をどうぞ。他業種の実装例も順次追加しています。
この機材を入手する
- Mac mini M4：Amazonで見る広告・Amazon／楽天で見る広告・楽天／Apple公式で見る広告・公式
実売価格は変動するため、最新の価格はリンク先で確認してください。