16GBのMac mini M4でGoogle「Gemma 4」は社労士業務の実用に耐えられるか？

はじめに――社労士が「ローカルAI」に期待する理由

社会保険労務士の業務でも、AIを活用できる場面はかなり増えてきました。

就業規則のチェック、文章の作成、顧問先への案内文、データ整理など、うまく使えばかなりの時間短縮が期待できます。

一方で、社労士業務でAIを利用するときに、どうしても気になるのが個人情報や顧客企業の機密情報の取扱いです。

たとえば、

• 従業員の氏名や賃金が入った資料

• タイムカード

• 労働条件通知書

• 顧問先の未公開の就業規則

• 労務トラブルに関する相談資料

などは、そのままクラウド型AIに読み込ませることには慎重にならざるを得ません。

そこで以前から気になっていたのが、自分のパソコンの中だけでAIを動かす「ローカルLLM」です。

今回、購入したばかりのMac mini M4・メモリ16GBに、Googleの「Gemma 4 12B（QAT版）」を導入してみました。

目指したのは、

「インターネットに頼らず、Macの中でAI処理を完結させ、ChatGPTのような画面で使える環境」

です。

ただし、環境を作れたからといって、それがそのまま仕事で使えるとは限りません。

今回の本当の目的は、

を実際に試してみることです。

今回は、そのための導入方法と、今後試してみたい業務を整理しておきます。

1．まずはOllamaを使ってGemma 4をMacで動かす

最初に必要になるのが、Macの中でAIモデルを動かすためのソフトです。

今回はOllamaを利用しました。

Ollamaは、GemmaなどのLLMを自分のパソコン上で比較的簡単に動かすためのソフトです。

Ollamaをインストールする

まず、Ollamaの公式サイトからMac版をダウンロードします。

Ollama公式サイト
https://ollama.com/

Mac版をダウンロードして、通常のMacアプリと同じようにインストールします。

起動すると、MacのメニューバーにOllamaのアイコンが表示されます。

これで、AIを動かすための「エンジン」の準備は完了です。

2．16GB Mac mini M4では「QAT版」を使う

次に、実際にAIモデルをMacへ入れます。

今回選んだのは、

Gemma 4 12BのQAT版

です。

ターミナルを開いて、次の1行を入力します。

ollama run gemma4:12b-it-qat

Enterキーを押すと、初回はモデルのダウンロードが始まります。

ダウンロードが完了すると、そのままターミナル上でGemma 4と会話できるようになります。

なぜQAT版なのか

今回のMac mini M4は、ユニファイドメモリ16GBです。

12Bクラス、つまり約120億パラメータ規模のAIを動かすには、それほど余裕のあるメモリ容量ではありません。

そこで重要になるのが4ビット量子化です。

本来はもっと大きなデータ量を必要とするAIモデルを、4ビット程度に圧縮して動かすことで、必要なメモリ量を大幅に減らします。

今回使うQAT版は、こうした低ビット環境で利用することを意識して調整されたモデルです。

通常の4ビット量子化モデルよりも、圧縮による性能低下を抑えることが期待できます。

つまり、

「16GBという限られたメモリで、できるだけGemma 4 12B本来の性能を残して使う」

という点で、今回のMac miniには相性が良さそうだと考えました。

3．Chatboxを使ってChatGPTのような画面にする

OllamaだけでもGemma 4を使うことはできます。

しかし、その場合は基本的にターミナルの黒い画面でやり取りすることになります。

短い質問なら問題ありませんが、社労士業務では長文を貼り付けたり、回答をコピーしたり、何度も修正したりすることが多くなります。

そこで、GUIとしてChatboxを使うことにしました。

Chatboxを使うと、ChatGPTに近い感覚でローカルAIを操作できます。

Chatboxの設定

Chatboxの公式サイトからMac版をダウンロードします。

Chatbox公式サイト
https://chatboxai.app/ja

インストール後、設定画面を開き、AIモデルの接続先としてOllamaを指定します。

設定する内容は、おおむね次のようになります。

• モデルプロバイダー：Ollama

• 使用モデル：gemma4:12b-it-qat

モデルが一覧に表示されない場合は、モデルIDを直接入力します。

これで、

• 左側に過去のチャット

• 右側にAIとの会話画面

という、ChatGPTに近い操作環境になります。

毎回ターミナルを操作する必要がなくなり、かなり使いやすくなります。

4．ここからが本題――社労士業務で本当に使えるのか

環境を作ること自体は、それほど難しくありませんでした。

しかし、私が知りたいのは、

「Gemma 4が動いたかどうか」ではありません。

重要なのは、

「実際の社労士業務で使い物になるのか」

です。

そこで、これからいくつかの業務について実験してみようと思っています。

① 就業規則や各種規程のチェック

まず試したいのが、就業規則です。

たとえば、

• 「社員」と「従業員」が混在していないか

• 「する」「するものとする」など文体が統一されているか

• 条番号や引用条文がおかしくないか

• 同じ内容を別の条文でも規定していないか

• 難しい規程文を従業員向けに分かりやすく説明できるか

といったチェックです。

これは生成AIが比較的得意そうな分野です。

特に、法律判断そのものをAIに任せるのではなく、文章の整理や表現の統一に使うのであれば、かなり実用性があるのではないかと期待しています。

② 労働条件通知書の原案作成

次に試してみたいのが、労働条件通知書です。

たとえば、

「正社員、月給25万円、9時から18時、土日休み」

といった断片的な情報を入力し、それを整理して労働条件通知書の原案にしてもらいます。

実際の業務では、顧問先からきれいに整理された情報が届くとは限りません。

メールやメモ、電話で聞いた内容など、バラバラの情報を一度整理する作業が必要になります。

こうした「情報の整理役」としてローカルAIが使えるのであれば、かなり便利です。

もちろん、労働基準法上の明示事項などについては、最後は社労士自身が確認することが前提です。

③ タイムカード画像を読み取ってCSV化できるか

個人的に一番興味があるのが、これです。

タイムカードの画像を読み取らせて、出勤時刻・退勤時刻をデータ化できないか。

たとえば、

1. タイムカードをスキャン

2. AIに画像を読み取らせる

3. 日付・出勤時刻・退勤時刻を抽出

4. CSV形式のテキストに変換

5. Excelや給与計算用データへ利用

という流れです。

これがある程度正確にできるのであれば、給与計算業務の効率化につながる可能性があります。

ただし、この分野では1文字の読み間違いが給与計算結果に直接影響します。

たとえば、

「8:03」を「8:08」と読み間違えるだけでも問題です。

したがって、

AIに全部任せるのではなく、AIが読み取った結果を人間が照合する

という仕組みにしなければ、実務には使えないでしょう。

どの程度まで読み取り精度を上げられるのかは、これから実際に検証してみたいと思います。

④ 案内文やメールの下書き

これはかなり使いやすそうです。

たとえば法改正があったときに、

と指示する使い方です。

社労士として内容を確認したうえで、文章作成だけAIに手伝ってもらう。

この使い方であれば、ローカルAIでもかなり実用性が期待できそうです。

⑤ バラバラなデータを表形式に整理する

顧問先から届くデータは、必ずしもExcelできれいに整理されているとは限りません。

メール本文だったり、Wordだったり、単なる箇条書きだったりします。

そうした情報をAIに読み込ませて、

「氏名・入社日・職種・給与」の4項目に整理してください

と指示し、たとえば次のような形に整えてもらいます。

氏名：山田太郎
入社日：2026年4月1日
職種：営業職
給与：月額25万円

複数人いる場合には、この形式を人数分並べたり、Excelへ貼り付けやすいCSV形式に変換させたりすることも考えられます。

AIの「何かを新しく考えさせる能力」よりも、

「既にある情報を整理させる能力」

のほうが、社労士業務では安全に活用しやすいのではないかと考えています。

⑥ Excel関数やVBAの作成

もう一つ期待しているのが、Excel関係です。

たとえば、

• 残業時間の集計

• 深夜時間の抽出

• 休日労働時間の計算

• 年次有給休暇管理

• 複数シートからのデータ集約

などについて、

「こういうExcelを作りたい」

と日本語で説明し、関数やVBAのコードを作ってもらいます。

生成されたコードをそのまま信用することはできませんが、ゼロから自分で考えるよりもかなり時間を短縮できる可能性があります。

5．16GBのMac miniで使うためのルール

Gemma 4 12Bを動かせるとはいっても、Mac miniのメモリは16GBしかありません。

macOS自体もメモリを使いますし、Excel、Safari、メールなどを同時に開けば、その分だけAIが利用できるメモリは減ります。

そこで、当面は次のようなルールで使ってみることにしました。

① 長い資料を一度に入れない

数十ページ、数百ページの就業規則や資料を一度に読み込ませるのではなく、

章単位、数千文字単位に分けて処理する

ことにします。

たとえば、

• 第1章　総則

• 第2章　採用

• 第3章　服務規律

というように分割して処理します。

16GB環境では、何でも一度に処理させるのではなく、仕事を小分けにすることが重要だと思います。

② 顧問先や案件が変わったら新しいチャットを作る

AIとの会話が長くなるほど、それまでの会話内容も処理対象になります。

したがって、

A社の就業規則が終わったら、新規チャット。
B社の相談に移ったら、また新規チャット。

というように、案件単位でチャットを分けます。

これはメモリ負荷を軽減するだけでなく、顧問先ごとの情報を混在させないという意味でも重要だと思います。

③ 最新の法律をAIの「記憶」に頼らない

これは特に重要です。

ローカルLLMにはインターネット上の最新情報を自動で調べてもらうことはできません。

したがって、

といった質問を、そのまま信用する使い方は危険です。

それよりも、

厚生労働省の資料や最新の条文をこちらから与えて、その内容を整理させる

という使い方にします。

たとえば、

という使い方です。

このほうが、社労士業務でははるかに安全です。

④ 最後は必ず人間が確認する

当然ですが、AIの回答をそのまま顧問先へ送ることはしません。

特に、

• 日付

• 金額

• 労働時間

• 法律の条文

• 法改正の施行日

• タイムカードの時刻

などは必ず確認します。

ローカルAIだから正確になるわけではありません。

クラウドAIでもローカルAIでも、間違った回答をする可能性はあります。

したがって、私が考えているのは、

AIに仕事を任せるのではなく、AIに下作業をさせる

という使い方です。

6．ローカルAI最大のメリットは「性能」だけではない

ChatGPTの最新モデルと、Mac mini M4の16GBで動かす12BクラスのローカルAIを単純に比較すれば、できることには当然差があります。

それでもローカルAIには大きな魅力があります。

それが、

データをクラウドへ送らず、自分のMacの中でAI処理を行えること

です。

社労士の仕事では、顧問先の従業員情報や給与情報などを扱うことが珍しくありません。

こうした情報については、

多少AIの性能が低くても、ローカル環境で処理できること自体に価値がある

のではないかと思っています。

7．クラウドAIとローカルAIは「どちらか」ではない

今回Gemma 4を導入したからといって、ChatGPTを使わなくなるわけではありません。

むしろ、今後は使い分けになると思います。

たとえば、

ChatGPTなどのクラウドAI

• 最新情報の調査

• 複雑な問題の分析

• 高度な文章作成

• 幅広い情報収集

Mac mini上のローカルAI

• 顧客情報を含む文章の整理

• 就業規則の表記チェック

• 個人情報を含むデータ整形

• タイムカードなどの処理

• 定型文の作成

• Excel関数やVBA作成の補助

という使い分けです。

つまり、

「どちらのAIが優れているか」ではなく、「どの仕事をどちらに任せるか」

が重要になってくるのだと思います。

おわりに――16GB Mac mini M4はどこまで仕事に使えるのか

今回、Mac mini M4・メモリ16GBにGemma 4 12BのQAT版を導入し、Chatboxから利用できる環境を作りました。

とりあえず、

「16GBのMacでも、12BクラスのAIをローカルで動かす環境は作れる」

ところまでは確認できました。

しかし、本当の評価はここからです。

私が知りたいのはベンチマークの点数ではありません。

知りたいのは、

• 就業規則のチェックに使えるのか

• 労働条件通知書の原案を作れるのか

• タイムカードを正確に読み取れるのか

• Excel作業をどの程度効率化できるのか

• どの程度の文章量まで安定して処理できるのか

• ChatGPTと比べて、どの仕事なら任せられるのか

という、実際の仕事での使い勝手です。

16GBという限られた環境で、果たしてどこまでできるのか。

これから実際の社労士業務に少しずつ投入しながら検証していきたいと思います。

うまくいったことだけではなく、

「これは使えなかった」
「ここはChatGPTのほうが圧倒的に良かった」
「ここまでならローカルAIで十分だった」

という部分も含めて、今後また結果をまとめてみたいと思います。

今回が、いわば「16GB Mac mini M4＋ローカルAI実験」の第1回です。

—
免責と運営表示
本noteは川﨑個人の見解であり、所属先の公式見解・広告ではありません。記載は公開時点での一般情報と川﨑個人の実体験をもとに書いています。個別案件は事情により結論が変わりますので、具体的なご相談はお問い合わせください。