「誤字だけ直したいのに、社外秘だからChatGPTに貼れない」——そんな文面ほど、手作業の確認に戻りがちです。ChatGPTやClaudeを業務で使う私も、顧客情報が混じる文章は、まず外へ出してよいかを切り分けます。
結論から言うと、誤字・てにをは・冗長なら手元で実用、込み入った文脈の仕上げはクラウドが上——MacのOllamaで自分の文章を校正させた率直な感触です。本記事は校正の実力と指示の出し方、そしてクラウドとの使い分けに絞って整理します。
すでにOllamaなどでローカルLLMを動かせる前提で読み進めてください。インストールやモデル選びがまだの方は、先に親記事のLLM ローカルの基礎を、Mac 選びで迷う方はローカルLLM 向け Mac の選び方も参考になります。
結論と実力｜誤字・冗長は手元で実用、文脈仕上げはクラウドが上
📖 用語：ローカルLLM＝自分のPCで動かすLLM（「クラウドAI＝レンタカー、ローカルLLM＝自家用車」）／クラウドAI＝ChatGPT / Claude / Gemini などサーバー側で動くAI。
結論を3行でまとめます。
- 誤字脱字・てにをは・冗長表現の言い換えなら、ローカルLLMでも手元で十分使えました。
- 込み入った文脈の整合や、長い文章全体の一貫性は、クラウドAI（ChatGPT / Claude）に分があります。
- 最大の価値は精度ではなく、社外秘や個人情報を含む文章を、外部に出さず手元で直せることです。
この記事は「校正にどう使うか」に集中します。Ollamaの入れ方・必要なPC・モデル選びといった土台は、親記事のLLM ローカルの基礎へ。小説づくりはローカルLLMで小説を書く話が近いです。
立ち位置を正直に書くと、ローカルLLMでの校正は自分のPCで試した範囲、ChatGPTやClaudeでの校正は業務で日常的に使っています。本記事は「手元で試して分かったこと」と「公式情報で確かめたこと」を分けて書きます。「ローカルがクラウドと同じ精度」とは申し上げません。
そもそもローカルLLMで文章校正はできるのか
📖 用語：文章校正＝誤字脱字・てにをは・冗長・トーンなどを直す作業（本記事では「AIに直させる」意味）／ハルシネーション＝AIがもっともらしく事実でないことを書く現象（校正では「直っていないのに直したと言う」形で出る）。
「できるか・できないか」ではなく、得意な校正と苦手な校正があるのが正直な答えです。手元の文章（このブログの下書きと自分宛のメモ）で試した結果は次のとおりです。
| 得意・苦手 | 具体例 | |
|---|---|---|
| 誤字脱字の検出 | ◎ | 「実装す」「使つて」など明らかな打ち間違いは拾えた |
| てにをは | ◎ | 「作成して送付した」→「作成し送付しました」が安定 |
| 冗長表現の言い換え | ◎ | 「〜することができます」→「〜できます」がよく出た |
| 専門文脈の整合 | △ | 前段で定義した語を後ろで取り違える取りこぼし |
| 長文全体の一貫性 | △ | 数千字をまとめて渡すと後半が雑になる |
| 過剰修正 | △ | 直さなくていい固有名詞を「誤字では」と指摘 |
ローカルLLMでも「直っていないのに直したと言い切る」ハルシネーションは起きます。だからこそ後述の現実解のとおり最後は人が目で確かめる前提で使います。「絶対にクラウド並み」とは言えませんが、誤字や冗長を手早く見つける一次校正としては十分役に立ちました。
ローカルで校正する動機｜プライバシー・オフライン・無料の実態
📖 用語：PII＝氏名・住所・連絡先など個人が特定できる情報／オフライン＝ネット未接続でも動くこと（ローカルLLMはネット不要）／インフラ＝ここではローカルLLMを動かすPCそのものや電力。
ローカルで校正する一番の理由は、精度ではなく「外部に出さずに直せること」です。動機は3つ──社外秘・個人情報を手元で完結できること（最大の動機）、オフラインでも動くこと、課金が止まっても動き続けること。
外部送信しない＝手元で完結することの安心感
クラウドAIで校正すると、その文章は一度ネットの向こうへ届きます。多くのサービスは入力を学習に使わない設定を用意していますが、人事ドラフト・契約書の下書き・顧客名やメールアドレス入りの文面など「そもそも外に出したくない文面」は確かに存在します。
営業を7年やっていたころ、お客様の名前や取引の中身が載った資料は置き場所を選んで扱っていました。その感覚を持ち込めば、「この文面は手元から出さずに直したい」場面があるのは自然です。ローカルLLMなら、文章はあなたのPCの中だけで処理され、ネットの向こうへは届きません。
ただし手元で完結するからといって何でも自由ではなく、会社の文書なら社内規程や情シスの確認が必要なことがあります（業務利用の注意で後述）。
オフライン・課金停止に強い
ローカルLLMはネット未接続でも動きます。社内ネットの制約が厳しい環境や、移動中で電波が不安定なときに校正できるのは地味に助かりました。課金面も、いったん動く環境を作れば月々の利用料という意味では止まりません（この「無料」の正体は次節で整理します）。
「無料」の実態——ソフトは無料、コストはインフラ側にある
「ローカルLLMなら無料で校正できる」はおおむね正しいのですが、無料の意味がクラウドの無料枠とは違う点だけ押さえると損をしません。OllamaやモデルはOSSとして配布され、ダウンロード料金はかかりません。ただ、動かすPC・電力・最初のセットアップの時間というコストは残ります。費用が消えるのではなく、クラウドの「月いくら」から手元のPCという「インフラ側」に移っているだけ、という見方が近いです。
「課金画面を気にせず何度でも校正をやり直せる」気軽さはローカルならではでした。ただしそれは「すでにそこそこ動くPCを持っている」前提あってこそで、新しくPCを用意するなら購入費まで含めて考えるのが現実的です。必要なPCの話はLLM ローカルの基礎に整理しています。
校正プロンプトの型｜4観点に分けて渡し、出力の形を先に指定する
📖 用語：プロンプト＝AIへの指示文／出力フォーマット指定＝「修正後の文だけ出して」など答えの形を先に指定する小ワザ。
校正の精度は指示の出し方でけっこう変わります。効いたのは、観点を一度に全部やらせず1つずつ分けて渡すことでした。一度に「全部きれいに直して」と頼むと何をどう直したか分かりにくく、勝手に文意まで変えられることがあります。誤字脱字・てにをは・冗長表現・トーンの4観点に分けて渡すと、指摘が追いやすくなりました。
一度に全部やらせず観点を分ける
4観点を分けて渡す指示文の例です。ローカルでもクラウドでも考え方は同じです。
# 観点1：誤字脱字だけを見てほしいとき
次の文章について、誤字・脱字・変換ミスだけを指摘してください。
文意は変えず、指摘箇所と修正案だけを箇条書きで挙げてください。
【文章】
（ここに自分の文章を貼る）# 観点3：冗長表現だけを縮めてほしいとき
次の文章で、冗長な言い回しだけを簡潔に言い換えてください。
意味は保ったまま、変更前→変更後の形で並べてください。
新しい情報の追加や、文意の変更はしないでください。
【文章】
（ここに自分の文章を貼る）最初は「校正して」とだけ渡していましたが、「冗長表現だけ」と絞ったほうが出力がぶれず追いやすいと感じました。
出力フォーマットを先に指定する
もう一つの小ワザは、答えの形を先に指定することです。「修正後の文章だけ出して」「変更点を箇条書きで」と先に伝えると、余計な前置きが減り、結果を本文に反映しやすくなります。
次の文章のてにをはを整えてください。
出力は「修正後の全文」だけにしてください。解説や前置きは不要です。
【文章】
（ここに自分の文章を貼る）業務で議事録や資料をAIに整形してもらうときと同じで、「アクション / 決定事項 / 課題に分けて」のように形を先に渡すと、構造のそろった結果が返ってきます。
校正に向くモデルの系統（選び方はリンク先へ）
📖 用語：量子化＝モデルを軽くして手元のPCで動かしやすくする圧縮技術（詳しくは親記事へ）。
日本語の文章でよく名前が挙がるのは Llama 系の日本語特化モデル（Llama-3-ELYZA-JP など）や、Swallow、Gemma、Qwen といった系統です。ただ私は校正という一つの用途でこれらを横並びに比較し込んだわけではないので、「校正にはこれが絶対」とは言いません。モデルの選び方・必要なスペック・量子化はLLM ローカルの基礎に、Ollama の操作でつまずく方はOllama の使い方が近いです。
限界と使い分け｜最終確認は人間・機密はローカル/仕上げはクラウド
📖 用語：過剰修正＝直す必要のない箇所まで「直したほうがいい」と指摘すること／一次校正＝清書する前の最初のざっとした見直し。
ローカルLLMの校正にははっきりした限界があり、知っておくほうが安心して使えます。手元で見つけた限界は主に4つです。
- 誤検出：正しい表現を「誤りでは」と指摘してくる。
- 過剰修正：直さなくていい固有名詞や言い回しまで書き換えてくる。
- 文脈の取り違え：前後のつながりを読み違えて、文意を変えてしまう。
- ハルシネーション：「直しました」と言いながら、実は直っていない。
実際、あえて崩した語尾を「整えました」と勝手に直され、トーンが変わったことがありました。これは校正というより書き換えです。回避策は3つ──観点を分けて渡す、長文は短く区切って渡す、そして最後は必ず人が目で確認すること。AIの校正は一次チェックで、指摘の採否は書き手が判断し、重要な文書（契約・公開資料など）は専門の校正・校閲に回す余地を残すのが安全です。「100%正しく直る」とは考えないほうが、かえって使いやすくなります。
クラウド校正（ChatGPT / Claude）との使い分け
両方を触ってみて、機密性と文脈の込み入り具合で使い分けるのが現実的でした。ざっくり言うと、外に出せない文面の一次校正はローカル、文脈が込み入った最終仕上げはクラウド。下の表は公開スペックの寄せ集めではなく、手元で触った体感が中心です。
| 観点 | ローカルLLM（手元で校正） | クラウドAI（ChatGPT / Claude） |
|---|---|---|
| 機密性 | ◎ 外部に出さず手元で完結 | △ 文章が一度ネットへ届く |
| 文脈理解（体感） | △ 込み入った文脈は取りこぼしあり | ◎ 込み入った文脈にも比較的強い |
| 長文の一貫性（体感） | △ 後半が雑になりやすい | ◯ 長めでも崩れにくい |
| オフライン | ◎ ネット不要で動く | × ネット必須 |
| コスト | ソフトは無料、PC・電力はかかる | 無料枠超えは従量 or サブスク |
この表はあくまで手元での体感で、使うモデルや文章の種類によって変わります。「どちらが絶対に上」ではなく、出せない文面はローカル、込み入った仕上げはクラウドと役割を分けるのがしっくりきました。クラウド側ツールの使い方はClaude の使い方やChatGPT の始め方に書いています。
業務・実務で使うときの注意
📖 用語：情シス＝情報システム部門。社内のITやセキュリティのルールを管理する部署。
業務本番でローカルLLMを校正に組み込んで運用しているわけではないので、ここは手元の検証と一般的に言われていることを合わせて整理します。外せない注意が3つあります。
- 機密文書でも社内規程や情シスの確認は必要：「手元で完結するから何でもOK」ではなく、会社のPCで何を動かしてよいかは組織ごとにルールがある。導入前に確認を。
- 校正結果を鵜呑みにしない：前述のとおり誤検出も過剰修正も起きる。指摘の採否は最後は人が決める。
- 既存の校正・校閲フローと併用する：AI校正は置き換えではなく前段の一次チェック。重要度の高い文書は法務や校閲など専門の担当に委ねる余地を残す。
校正という用途で、どんな場面に効くか
📖 用語：清書＝下書きを整えて、提出・公開できる形に仕上げること。
誤字や冗長表現を直すだけなら、この無料記事のプロンプトで足ります。一方、創作では校正の前に「設定→初稿→ダメ出し→リテイク」をつなぐ必要があります。その全工程を見たい方には、第1話の実測記録と失敗テイク、プロンプト30本を収録した¥980のガイドがあり、環境構築の章までは note で無料試し読みできます（価格・内容の最新情報は note でご確認ください）。
校正での使い方は2つです。
- 自分の下書きを一次校正する：ブログやメモを「冗長表現だけ」「誤字だけ」と観点を分け、納得できる指摘だけ反映する。
- 外に出せない文面を直す：顧客名や個人情報を含む文章は手元で整え、機密に当たらない部分だけ必要に応じてクラウドへ回す。
どちらもAI校正は下ごしらえです。最後は自分の目で確かめます。
よくある質問
Q1: ローカルLLMで文章校正は実用になりますか？
A. 誤字脱字・てにをは・冗長表現の指摘なら、私の手元での検証では十分実用でした。一方で、込み入った文脈の整合や長い文章全体の最終仕上げは、クラウドAI（ChatGPT / Claude）のほうに分があります。「絶対にクラウド並み」とは言えませんが、一次校正としては手元で役に立ちます。
Q2: なぜクラウドAIでなくローカルで校正するのですか？
A. 最大の理由は、社外秘や個人情報を含む文章を、外部に出さずに手元で直せること（プライバシー）です。ネットの向こうへ文章を送らずに処理できます。加えて、オフラインで動くこと、月々の課金が止まっても使えることも利点です。
Q3: 文章校正はどう指示すればいいですか（プロンプト）？
A. 「誤字脱字 / てにをは / 冗長 / トーン」の4観点を、一度に全部ではなく分けて渡すと、指摘が追いやすくなります。さらに「修正後の文だけ出して」「変更点を箇条書きで」のように出力の形を先に指定すると、結果が安定して反映しやすくなります。
Q4: 校正に向くローカルLLMモデルはどれですか？
A. 「これが絶対」とは言えません。日本語では Llama-3-ELYZA-JP / Swallow / Gemma / Qwen などの系統が言及されます。私自身は校正という一つの用途で全モデルを比較し込んだわけではないので、モデル選び・スペックの詳細は親記事のLLM ローカルの基礎を起点にしてみてください。
Q5: 無料で文章校正できますか？
A. Ollamaやモデルそのものは無料で使えますが、動かすPC・電力・セットアップの時間というコストはインフラ側に残ります。クラウドの「無料枠」とは無料の意味が違う、と捉えておくと損をしません。
営業7年から現役の生成AIエンジニアになった私（aikun）が、Mac の Ollama で自分の文章を実際に校正させた手触りと、ChatGPT / Claude を業務で叩いている経験をもとに書いています。校正の最終確認は人間が行う前提で、参考にしていただければうれしいです。
出典
- Ollama 公式サイト（取得：2026-06-11）
- Ollama 公式 GitHub リポジトリ（取得：2026-06-11）
- Llama 公式サイト（Meta）（取得：2026-06-11）
- Gemma 公式（Google AI for Developers）（取得：2026-06-11）
関連記事
- LM Studio 使い方——ターミナル不要の GUI でローカル LLM を入れる→モデル管理→OpenAI 互換 API まで、Ollama との使い分けも整理
- LLM ローカルの基礎（親ハブ・構築/モデル選び/スペックはこちら）
- 日本語 ローカルLLM おすすめ — 兄弟スポーク。日本語モデルの用途別の選び方・ELYZA/Swallow/Qwen・Mac の最小構成
- Ollama の使い方
- ローカルLLMで小説を書く話
- AI 小説の書き方 — クラウド／小説特化／ローカルの3系統の選び方・プロンプトの型・著作権の注意を一望できる入り口
- Macでローカル画像生成は実用か（ComfyUI×FLUX） — 同じ Mac で「画像」も回す話。文章とは別系統の ComfyUI×FLUX を M1 Max で実測した実用ライン
- ローカルLLM 画像生成（Ollama で足りる範囲と ComfyUI が要る境界線） — 文章と同じ Ollama で「画像」も。macOS で1枚出せる範囲と、その先の線引き
- Macでローカル動画生成は実用か（Wan2.2 実測） — 同じ Mac で「動画」も。Wan2.2 を実機で実測し、量産できる現実ラインを切り分け
本記事の内容に誤りやお気づきの点があれば、send@bon-bon-tools.com までご連絡ください。