AIテキストマイニングとは？従来の分析との違いと無料で試せるツール5選

AIテキストマイニングとは、自然言語処理や機械学習の技術を使って、大量の文章データから有益な傾向や洞察を自動で抽出する分析手法です。

顧客アンケートの自由記述欄や、日々の問い合わせメールの山を前にして途方に暮れていませんか。一つひとつ目を通す作業は骨が折れます。人の手で分類すると時間ばかりかかり、担当者の主観で結果が偏る悩みもつきまといます。

そうした膨大な文章を短時間で仕分けし、全体像を数字や図で把握できるようにする技術がAIテキストマイニングです。

テキストマイニングとは、大量の文章から頻出語・感情・話題の傾向を取り出す分析です。

かつては専門の研究者や大規模な分析部門だけの技術でした。今ではブラウザで動く無料ツールや生成AIの普及により、誰でも手元のパソコンで高度な分析を走らせることができます。分析手法の基礎から実践的な進め方まで、順を追って整理します。

---

AIテキストマイニングとは？大量の文章から意味を抽出する分析技術

AIテキストマイニングは、人間が日常的に読み書きする言葉をコンピュータで処理し、規則性や感情の動きをあぶり出す仕組みです。

日常業務の中で、文章データは日々蓄積されます。商品のレビュー、社員向けの意識調査アンケート、サポート窓口に寄せられる要望など、形式の定まっていない文章が該当します。これらは「非構造化データ」と呼ばれます。

数字のように平均値を計算したり、グラフ化したりすることがそのままではできません。AIテキストマイニングは、文章を単語単位に分解し、出現回数や言葉同士のつながりを計算して、数値データへと変換します。

全体像の把握が目的です。個々の文章を細かく読む前に、大枠としてどのような意見が多いのかを鳥瞰できます。

分析の第一歩として、文章の中の品詞を識別する形態素解析が行われます。名詞、動詞、形容詞などを切り分け、どの言葉が何回登場したかを集計します。

さらに、特定の単語がどの単語と一緒に使われているかを計算する共起ネットワーク分析や、文章全体が好意的か批判的かを判定する感情分析へと進みます。手作業では見落としがちな隠れたパターンを、客観的なデータとしてあぶり出せる点が大きな強みです。

---

従来のテキストマイニングとAI分析は何が違う？

従来のテキストマイニングと近年の生成AIを用いた分析では、文章を処理するアプローチと文脈の理解力に決定的な差があります。

両者の違いを理解せずにツールを選ぶと、期待した分析結果が得られません。従来の手法は、あらかじめ用意された辞書データをもとに単語を切り分ける形態素解析が中心です。単語の出現頻度を数えたり、一緒に現れる言葉を結びつけたりする処理は得意としています。

文脈や皮肉、ニュアンスを汲み取る作業は苦手です。例えば「思っていたより悪くない」という文章があった場合、辞書ベースの処理では「悪くない」の中に「悪」というネガティブワードを検出してしまい、誤った感情判定を下すケースが珍しくありません。

最新の生成AIを活用したテキストマイニングは、文章全体の意味やつながりを把握した上で分析を進めます。

文脈に応じたニュアンスを正確に読み取り、書き手の意図に合わせた柔軟な要約や分類が可能です。事前定義されていない新しい造語や業界用語に対しても、前後の文脈から意味を推測して処理できます。

次の表は、従来型ツールと生成AI型ツールの主要な項目を比較したものです。

つまり、全体の傾向を統計的に厳密に把握したい場合は従来型、顧客の生々しい本音や課題を文脈ごと深掘りしたい場合は生成AI型が向いています。

単語の出現率をレポートで客観的に示したい場面では、従来型の集計が重宝します。一方で、アンケートの不満点から具体的な改善アクションを導き出したい場面では、生成AIの文脈読解力が圧倒的に有利です。

両者を競合させるのではなく、目的に応じて使い分ける発想が求められます。

---

無料で試せるAIテキストマイニングツールおすすめ5選

文章分析を始めるにあたり、高額な専用ソフトをいきなり契約する必要はありません。無料で高機能なツールが揃っています。

手元にあるアンケート結果や文章データをすぐに投入できる、代表的な無料ツールを5つ厳選しました。それぞれ得意分野や操作感が異なります。用途に合ったものを選んでください。

各ツールの料金や無料枠の条件は、2026年10月時点の公式情報に基づいています。

1. ユーザーローカル AIテキストマイニング

株式会社ユーザーローカルがブラウザ上で提供している無料のテキストマイニングツールです。

登録不要でWebサイト上の入力欄にテキストを貼り付けるだけで、瞬時に分析結果が出力されます。単語の出現頻度を視覚化したワードクラウドや、言葉同士の相関関係を示す共起ネットワーク、さらには文章ごとの感情マップまで自動生成されます。

ユーザーローカル公式サイトの案内によると、無料プランでは1回あたりに入力できる文字数に上限が設定されているものの、ブラウザ完結で手軽に可視化図画を作成できる仕様です（2026年10月時点）。

分析画面の美しさに定評があります。社内プレゼン資料やレポートにそのまま貼り付けられるクオリティの図が数秒で手に入ります。

初めてテキストマイニングに触れる方には、操作のわかりやすさの面で一択と言える完成度です。2つの文章を比較して差異を際立たせる機能も備わっており、施策の前後の変化を追う作業にも向いています。

2. KH Coder

立命館大学の樋口耕一氏が開発した、無償で利用できるオープンソースの計量テキスト分析ソフトウェアです。

学術研究や公的機関の調査でも広く使われており、信頼性と客観性の高さは折り紙付きです。WindowsやMacにインストールして動作させるため、ネットワークを介さず完全オフラインで分析を完結できます。

機密情報や個人情報を含むデータを外部サーバーへ送りたくない現場では、破格の安心感を提供してくれます。

形態素解析エンジンとしてChaSenやMeCabと連携し、単語の頻度集計はもちろん、対応分析、多次元尺度構成法、階層的クラスター分析など、本格的な統計処理が可能です。

設定項目が多く専門用語も並ぶため、使いこなすには一定の学習が必要です。手軽さよりも分析の再現性や学術的な厳密さを最優先したいプロジェクトに適しています。

3. ChatGPT

OpenAIが開発した対話型生成AIです。高度な自然言語理解により、非定型なテキストマイニングで抜群の威力を発揮します。

無料プランでも最新世代のモデルが利用可能であり、アンケートの自由記述テキストをそのまま投げ込むだけで、文脈を考慮した分類や要約を瞬時にこなします。単語の出現回数を数えるだけにとどまらず、「この意見の根本にある不満の原因は何か」といった推論を含む分析が可能です。

業務効率化の足がかりとして活用する企業も増えています。具体的なプロンプトの作成方法や日常業務への落とし込みについては、ChatGPTで業務効率化する活用方法12個｜コピペ用プロンプト付きでも詳しく解説しています。

CSVファイルをそのまま読み込ませて表形式で集計させたり、ネガティブ要因だけを抽出して重要度順に並べ替えさせたりする作業が極めてスムーズです。定型ツールでは拾いきれない顧客のニュアンスを分析したいときに重宝します。

4. Claude

Anthropic社が提供する生成AIで、長文の読み込み能力と自然な日本語処理に定評があります。

無料プランでも最新のHaiku 5.5やSonnet 5.5といった高性能モデルが選択でき、数十万文字に及ぶ大量のアンケート回答を一括で読み込ませて分析させることが可能です。指示に対する忠実度が高く、指定したフォーマット通りに正確に分類結果を出力してくれます。

論理的で落ち着いた文体での整理が得意です。感情分析においても、極端な誇張を排した客観的な要約レポートを生成してくれます。

複雑な指示文を与えても意図を取り違えにくいため、精密なカテゴリ分類やトピック抽出を行いたい用途において手放せません。

5. Google Gemini

Googleが提供する生成AIであり、膨大なコンテキストウィンドウを活かしたデータ処理が強みです。

Googleアカウントがあれば誰でも無料で利用できます。最新のGemini 3.8 Flashをはじめとする軽量・高速なモデルが組み込まれており、膨大なテキストデータを素早く読み込んで要約を作成します。

表形式データの整理や、指定した評価軸に基づいた点数付けなど、システマチックなテキストマイニング作業をテンポよくこなせます。

長文の読み込み耐性が高いため、年間の問い合わせログや大規模アンケートの全件分析といった負荷のかかる作業でもエラーを起こしにくい点が地味に便利です。Googleドライブやスプレッドシートとの連携を見据えた運用にも適しています。

次の表は、ご紹介した5つのツールの特徴や利用形態を一覧にまとめたものです。

つまり、視覚的な図画を急ぎで作りたいならユーザーローカル、外部送信厳禁の厳密な集計ならKH Coder、文脈重視の柔軟な抽出なら生成AIを選ぶのが確実です。

---

形態素解析型とLLM（大規模言語モデル）型の違いを徹底比較

テキストマイニングのアプローチは、形態素解析を中心とする従来型と、LLMによる生成AI型で根本的な思想が異なります。

形態素解析型は、文章を最小の言語単位に分解して辞書と突き合わせる決定論的な仕組みです。入力に対して出力が100%固定されます。何百回実行しても、形態素解析エンジンのバージョンと辞書が変わらなければ集計結果は1文字もブレません。

この再現性の高さは、学術論文の作成や公的な報告書の作成において必須の要素となります。一方で、文脈を理解しないため、多義語の判別や係り受けの複雑な文を正確に処理できない弱点があります。

LLM型は、膨大な事前学習データをもとに単語や文脈の確率的な関係性を処理する仕組みです。

文章全体の意味の流れを読み解き、「このユーザーは褒めているように見えて実は皮肉を言っている」といった高度な判断を下せます。指示文（プロンプト）次第で、感情スコアの算出から改善要望のグルーピングまで自由自在に対応できます。

生成AIを活用した文章処理の精度を上げるには、指示の設計が鍵を握ります。プロンプト作成の基礎知識を深めたい方は、コンテキストエンジニアリングとは？プロンプトとの違いと5つの実践テクニックをあわせて確認してください。

客観的な集計データと文脈の解釈、どちらを重視するかでツールの選択は分かれます。

客観的な集計結果が求められる場面でLLMの要約だけを提出すると、「なぜその結論になったのか」という数値的根拠を問われて窮地に陥ります。逆も同様です。単語のランキング表だけを役員に見せても、「それで顧客は何を求めているのか」という示唆が伝わりません。

形態素解析で全体の出現頻度や全体構造を押さえ、LLMで各クラスターの背景にある心理を深掘りする組み合わせこそが、現代のテキストマイニングにおける最適解です。

---

アンケートの自由記述を分析する5つの手順

アンケートの自由記述欄をテキストマイニングにかける際は、準備から解釈まで正しい手順を踏む必要があります。

当てずっぽうにツールへ文章を流し込んでも、有益な示唆は得られません。ノイズだらけの分析結果を眺めて時間を無駄にしないために、標準的な5つのステップを着実に進めてください。

ステップ1: データの収集と目的の明確化

分析を始める前に、何を明らかにしたいのかという目的を定めます。

「何か面白い発見がないか」という曖昧な姿勢で作業に入ると、分析結果の解釈で必ず迷走します。新商品の不満点を特定したいのか、サポート対応の解約要因を突き止めたいのか、焦点を絞り込んでください。

分析対象となるテキストデータをCSVやテキストファイル形式で一箇所にまとめます。この際、回答者の属性情報（年齢、利用プラン、利用期間など）と回答テキストを紐づけておくと、後から属性別のクロス集計が可能になります。

ステップ2: クリーニングと前処理（ノイズ除去）

集めた文章データには、分析の邪魔になるノイズが大量に含まれています。

前処理を丁寧に行うかどうかで、分析の精度は大きく変わります。「特になし」「なし」「あああ」といった無意味な回答を除外してください。HTMLタグや不要な改行、全角半角の表記揺れ（「ＡＩ」と「AI」、「サーバー」と「サーバ」など）を正規化します。

氏名、電話番号、メールアドレスなどの個人情報が紛れ込んでいないかも入念に確認します。見つかった場合はマスキング処理を施します。

ステップ3: 全体傾向の把握（頻出語と共起の抽出）

前処理を終えたデータをツールに投入し、まずはマクロな視点から全体像を把握します。

ユーザーローカルなどのツールを使い、ワードクラウドや頻出単語リストを作成してください。回答全体でどんな名詞や形容詞が多く使われているかを観察します。

「接続詞」や「助詞」など、意味を持たないストップワードが上位に来ている場合は除外設定を行います。共起ネットワーク図を描画し、どの言葉とどの言葉がセットで語られているかの相関関係を確認します。

ステップ4: カテゴリ分類と文脈の深掘り

全体の傾向を把握したら、LLMを活用して文章を具体的なテーマや課題ごとに分類します。

ChatGPTやClaudeに前処理済みのテキストを読み込ませ、あらかじめ設定した分類軸（「機能」「価格」「サポート」「使いやすさ」など）に従って自動でラベリングさせます。各カテゴリに含まれる意見の割合を算出し、ネガティブな意見が集中している領域を特定します。

なぜその不満が生じているのか、具体的な背景や文脈をLLMに対話形式で質問しながら深掘りしていきます。

ステップ5: レポート作成とアクションへの落とし込み

分析から得られた洞察を、実際の業務改善や意思決定につなげるための資料にまとめます。

分析作業そのものが自己目的化してはいけません。抽出された課題に対して、「誰が」「いつまでに」「何を改善するのか」というアクションプランまで落とし込むことがゴールです。

意思決定者を納得させるには、数字と具体例の両方を提示する必要があります。全体の25%が価格設定に不満を持っているという「定量データ」に加えて、代表的な自由記述の引用という「定性データ」を添えて報告書を構成します。

---

顧客の声（VoC）を分類・可視化する実践プロンプト

生成AIを使ってテキストマイニングを行う際は、AIへの指示文（プロンプト）の設計が成果物の質を左右します。

漠然と「このアンケートを分析して」と指示しても、当たり障りのない一般的な要約しか返ってきません。AIに明確な役割を与え、出力形式を厳密に指定することで、即戦力となる分析データが得られます。

そのままコピーして利用できる実用的なプロンプトの構成例を提示します。

# 命令
あなたは高度なデータ分析スキルを持つリサーチャーです。
提供する顧客アンケートの自由記述テキストを分析し、指定のフォーマットで出力してください。

# 分析目的
サービスに対する顧客の潜在的な不満要因と、改善要望を特定すること。

# 処理手順
1. 各回答を読み込み、「操作性」「料金」「機能」「サポート」「その他」の5つのカテゴリに分類してください。
2. 各回答の感情を「ポジティブ」「中立」「ネガティブ」の3段階で判定してください。
3. 特に「ネガティブ」と判定された意見について、共通する具体的な原因を3点抽出してください。
4. 顧客満足度を向上させるための具体的な改善アクションを提案してください。

# 出力フォーマット
## 1. カテゴリ別集計
（Markdownの表形式で、カテゴリ名、件数、割合、代表的な意見を記載）

## 2. 感情分析結果
（ポジティブ、中立、ネガティブの割合を記載）

## 3. 主要な不満要因
- 原因1: （詳細説明）
- 原因2: （詳細説明）
- 原因3: （詳細説明）

## 4. 改善提案
- アクション1: （具体的な実行策）
- アクション2: （具体的な実行策）

# 分析対象テキスト
[ここにアンケートの自由記述テキストを貼り付け]

このプロンプトを実行すると、定性的な長文データが整然とした表と箇条書きに再構成されます。

出力されたカテゴリ別の件数をもとにグラフを作成すれば、報告資料の作成時間を大幅に短縮できます。分類の基準が曖昧だと感じた場合は、「『遅い』『重い』という表現は操作性に含めてください」といったルールを追加して調整してください。

プロンプトの記述精度を高める工夫は、マーケティングや業務自動化全般に応用できます。文章作成の補助としてAIを取り入れたい方は、AIライティングツールおすすめ10選比較ポイントとSEO記事への活用法 (2026年版)も参考にしてください。

---

個人情報や機密データを扱う際のセキュリティ対策

テキストマイニングを実施する上で、最も警戒すべきリスクが情報漏えいです。

顧客アンケートや問い合わせログには、氏名、電話番号、住所、クレジットカード情報などの個人情報（PII）が意図せず書き込まれているケースが頻発します。社内の業務日報や議事録には、未公開の新製品情報や取引先の機密事項が含まれています。

安全性を担保するための防護策を講じないまま外部ツールへデータを送信する行為は、深刻なセキュリティインシデントにつながりかねません。

対策の基本は、分析対象のデータをツールへ渡す前に徹底的な匿名化（マスキング）を実施することです。

氏名や電話番号、メールアドレスに該当する文字列を正規表現などで抽出し、「[氏名]」「[連絡先]」といった代替文字列に置換します。社内システムのアカウントIDや注文番号なども、個人を特定する鍵になり得るため削除またはハッシュ化します。

オープンソースツールのKH Coderのように、ローカル環境で完結するソフトウェアを使用すれば、外部ネットワークへのデータ流出リスクを物理的に遮断できます。

クラウド型ツールや生成AIサービスを利用する場合は、利用規約のセキュリティ条項を必ず確認してください。

入力したプロンプトやデータがAIの学習データとして再利用される設定になっていないかを確かめる必要があります。OpenAIやAnthropicなどの主要サービスでは、管理画面から学習利用をオプトアウト（除外）する設定や、API経由での利用時には学習を行わない規約が用意されています。

無料アカウントのデフォルト状態では入力内容が学習に利用される場合があるため、企業利用の際は必ず学習除外の確証を得てからデータを投入してください。

---

無料ツールで分析する際の文字数制限と注意点

無料のAIテキストマイニングツールは手軽で魅力的な選択肢ですが、無制限に使えるわけではありません。

ツールごとに設定された制限事項を正しく把握しておかないと、分析の途中で作業がストップしたり、重要なデータが欠落したりするトラブルに見舞われます。

特に注意すべきなのが、1回あたりに入力できる文字数やトークン数の上限です。

Webブラウザ上で動作するユーザーローカルのAIテキストマイニングでは、一度に処理できるテキストの文字数に上限が設けられています。数千件規模の大規模なアンケートデータをそのまま流し込もうとすると、エラーが発生するか、上限を超えた部分が切り捨てられてしまいます。

データを年代別や商品カテゴリ別に分割して投入し、後から結果を合算するなどの工夫が求められます。

生成AIツールを利用する場合も、コンテキストウィンドウ（一度に読み込める情報量の上限）に配慮が必要です。

無料枠のChatGPTやClaudeでも一般的なアンケート数十件から数百件程度なら余裕を持って処理できますが、数万件に及ぶログデータを一括で読み込ませると制限に達します。長文を一気に処理させようとすると、途中のデータを読み飛ばすハルシネーション（もっともらしい嘘）を引き起こすリスクが高まります。

適切なデータサイズに小分けして処理させる分割処理の運用を心がけてください。

---

分析結果を業務改善や意思決定につなげるコツ

テキストマイニングで美しいグラフや詳細な分類表を作成しても、それ自体は価値を生み出しません。

現場で最もよくある失敗が、「ワードクラウドを作って満足して終わり」というパターンです。分析結果は、現状の課題を特定し、次のアクションを起こすための材料に過ぎません。

組織の意思決定を動かすためには、テキストマイニングの結果を「課題の深刻度」と「改善の難易度」のマトリクスに再配置する視点が欠かせません。

単語の出現頻度が高い項目が、必ずしも最優先で解決すべき課題とは限りません。

例えば、「UIの色が気に入らない」という意見が100件あったとしても、解約理由の直結度が低ければ優先度は下がります。逆に「決済時にエラーで画面が固まる」という意見がわずか10件であっても、機会損失に直結するなら最優先で対処すべき重大インシデントです。

出現頻度という「量」の指標に、売上影響度や離脱リスクという「質」の重み付けを掛け合わせて優先順位を判断してください。

次の表は、分析目的とおすすめの分析手法、および活用すべきツールを整理したものです。

つまり、報告先が求める情報に合わせて指標とツールを使い分け、課題解決への道筋を具体的に示す構成が肝要です。

---

AI PICKS編集部の判定

AIテキストマイニングツールは、用途とセキュリティ要件で選ぶのが最も合理的です。

社外秘のアンケートを安全に処理したいなら、オフライン動作するKH Coder一択です。学習コストはかかりますが、情報漏えいリスクをゼロに抑えて統計的な裏付けを得られる価値は揺るぎません。

手軽にプレゼン資料を作りたい場面では、ユーザーローカルの瞬発力が圧倒的です。登録なしで数秒で共起ネットワーク図を出力できる手軽さは、他のツールの追随を許しません。

アンケートの自由記述から顧客の真意をあぶり出す目的なら、生成AIの活用がベストな選択肢です。

ClaudeやChatGPTに前処理したテキストを読ませて分類させる手法は、従来の形態素解析だけでは見えなかった文脈上の不満を的確に言語化してくれます。

単一のツールに固執せず、可視化にはユーザーローカル、深掘りには生成AIというように、役割を分担させて組み合わせる運用が極めて現実的です。

---

よくある質問（FAQ）

Q. テキストマイニングとデータマイニングの違いは何ですか？

扱うデータの形式が異なります。データマイニングは、売上データやアクセスログなど、数値で整えられた構造化データを対象にパターンや相関を分析します。テキストマイニングは、アンケートの自由記述やSNSの投稿など、定型化されていない文章データ（非構造化データ）を対象に言葉の傾向や感情を分析します。

Q. 完全無料で使えるツールだけで業務の分析は間に合いますか？

小規模から中規模の分析であれば、無料ツールだけで十分に実務レベルの成果を出せます。ユーザーローカルで全体のワードクラウドを作成し、抽出した課題をChatGPTなどの無料枠で深掘りする手順を踏めば、コストをかけずに有益な示唆を得られます。数万件以上のデータを日常的に自動連携して監視したい場合は、有料のエンタープライズ製品を検討する価値が出てきます。

Q. 分析に必要なテキストのデータ量はどれくらいですか？

目的によって必要なデータ量は異なります。統計的な信頼性を持った共起ネットワークや頻出語分析を行うには、最低でも数百件から数千件の回答が欲しいところです。一方で、生成AIを用いた課題抽出やアイデアの発掘であれば、数十件程度の自由記述であっても十分に有益な洞察を引き出せます。

Q. 日本語のテキストマイニングは英語と比べて難しいですか？

日本語は単語同士がスペースで区切られていないため、英語に比べて形態素解析の難易度が高くなります。文脈によって品詞や意味が変わる言葉も多く、辞書の登録精度が分析結果を大きく左右します。近年は形態素解析エンジンの進化や大規模言語モデルの登場により、日本語特有の表記揺れやニュアンスも高精度に処理できるようになっています。

Q. 個人情報の流出を防ぐにはどのような点に気をつければよいですか？

分析ツールへデータを投入する前に、氏名や電話番号などの個人を特定できる情報を機械的または手動でマスキングしてください。外部のクラウド型AIツールを使用する場合は、入力データがモデルの学習に利用されない設定（オプトアウト）になっていることを必ず利用規約で確認してください。厳格な管理が求められる機密データは、ネットワークから隔離された環境で動作するオフラインツールの利用を推奨します。

---

あわせて見たいツール・カテゴリ

AIテキストマイニングと関連する領域のツールや、データ活用を加速させるカテゴリ記事をピックアップしました。目的に合わせてご活用ください。

• AIデータ分析ツール一覧: データ処理や自動可視化を得意とするAIツールをまとめて確認できます。
• AIリサーチツール一覧: 市場調査や学術論文の調査を効率化したい方におすすめのツール群です。
• AIマーケティングツール一覧: 顧客の声（VoC）の分析から施策の立案までを支援するツールを網羅しています。
• AIカスタマーサポートツール一覧: 問い合わせ履歴の分析や自動応答に役立つソリューションを比較できます。
• AI生産性向上ツール一覧: 日常のドキュメント整理や情報収集の時間を大幅に削る最新ツールを特集しています。
• ChatGPTの詳細と使い方: 自由記述アンケートの文脈分析や要約に役立つ対話型AIの基本仕様を解説しています。
• Claudeの詳細と特徴: 長文データの読み込みや論理的な分類に強いAIアシスタントの性能を整理しています。

アンケートの分析からさらに踏み込んで、文章生成やリライトの効率を底上げしたい方は、Copy.ai代替12選｜GTM化で離れる人のライティング乗り換え先 (2026年版)をあわせて読むと作業の幅が一段と広がります。

---

参考にした一次情報

記事の事実関係は、次の公式ページで確認しています。仕様や料金は変わることがあるため、最新の内容は各ページで確かめてください。

• GitHub「ko-ichi-h/khcoder」（公式）：KH Coderはテキストマイニング用のソフトウェアで、GPL-2.0ライセンスで公開されています（2026年10月確認）
• KH Coder「更新履歴」（公式）：KH Coder 3は形態素解析にChaSenかMeCabを使い、対応分析や階層的クラスター分析もできます（2026年10月確認）
• ChatGPT トップページ（公式）：ChatGPTは無料で登録でき、ログインするとファイルのアップロードや画像生成が使えます（2026年10月確認）
• Anthropic「プランと料金」（公式）：Freeプランで使えるのはSonnetとHaikuで、Opusは使えません。コンテキストは最大100万です（2026年10月確認）
• Anthropic「消費者規約の更新」（公式）：Free・Pro・Maxはデータを学習に使うかを設定で選べます。APIなど商用規約のサービスは対象外です（2026年10月確認）