AI時代のPC選びは「5つの軸」で決まる — クラウドAIでも仕事は手元のPCで起きる
「AI用のPC」と聞くと、GPUの性能か、量販店の言うNPU搭載機を思い浮かべる人が多いはずです。どちらも半分だけ正しく、半分は的外れです。ChatGPTだけを使う人にGPUは要りません。一方で、Claude Codeのようなエージェントは、モデルがクラウドにあっても仕事の大半を手元のPCで実行します。この記事では、当サイトが推奨機を選ぶときに使っている5つの軸を、なぜその軸なのかから説明します。
前提: 「Webで動くAI」と「手元で動くAI」の境界は、ユーザーには見えない
ChatGPTはブラウザで使う。Stable Diffusionは自分のGPUで動く。ここまでは分かりやすい。問題はその中間です。Claude CodeやCodexは、モデルの推論こそAnthropicやOpenAIのサーバで行いますが、コードを書いたあとにビルドし、テストを回し、Dockerでデータベースを立ち上げ、ブラウザを開いて表示を確かめ、Gitにコミットする。この「手足」の部分は全部あなたのPCです。しかもエージェントは待ちません。人間なら順番にやる作業を、並列に、休まず実行します。
自動化ツール（n8n、Dify）をセルフホストすれば、ワークフローはPCが起きている間しか動きません。ブラウザ操作エージェントは、あなたのChromeを実際に動かします。文字起こしのWhisperは、GPUがあれば数分、なければ数十分。つまり「使うAI」と「させたい仕事」の組み合わせによって、PCに要るものが変わります。それを翻訳するのが5つの軸です。
軸1: 並列実行力（CPUコア数とメモリ）
エージェントを使う人にとって最も効く軸です。Claude Codeを1つ走らせるだけでも、エディタ、ターミナル、開発サーバ、ブラウザ、Docker Desktopが同時に立ち上がります。メモリ16GBのPCでは、この時点でスワップが始まります。サブエージェントを並列に起動する、複数のワークツリーで別の機能を同時に作らせる、といった使い方をすれば、メモリ32GBでも足りない場面が出てきます。
| 使い方 | CPU | メモリ |
|---|---|---|
| クラウドのチャットAIだけ | 4コアで十分 | 16GB |
| Claude Code / Cursor を1エージェント | 8コア | 32GB |
| 並列エージェント・Docker複数・モノレポ | 12〜16コア | 64GB |
| エージェント常時運用＋ローカルLLM | 16コア | 64〜128GB |
ここで大事なのは、GPUが一切登場しないことです。コーディングAIのためにゲーミングPCを買う人がいますが、そのGPUは使われません。同じ予算をメモリとCPUコアに回すほうが、体感は確実に上がります。
軸2: GPUメモリ / ユニファイドメモリ
画像生成、動画生成、ローカルLLM、文字起こし。手元でモデルを動かす用途では、GPUの「速さ」より先に「メモリ容量」が壁になります。モデルがVRAMに載らなければ、動かないか極端に遅くなるからです。GeForce RTX 4060 Tiの8GB版と16GB版は、ゲームでは大差なくてもAI用途では別物です。
| 用途 | GeForceのVRAM | Macのユニファイドメモリ |
|---|---|---|
| 8BクラスのローカルLLM・Whisper | 8GB | 16GB |
| SDXL画像生成・14B LLM | 12GB | 24GB |
| FLUX・27B MoE・gpt-oss-20b | 16GB | 32GB |
| 27〜32B dense LLM・動画生成入口 | 24GB | 48GB |
| 70B LLM・動画生成実用 | 32GB（70Bは不可） | 64〜128GB |
Apple SiliconのMacは、CPUとGPUが同じメモリを共有するため、メモリ64GBのMacなら約48GBをモデルに使えます。GeForceでは単体32GBが上限なので、70Bクラス以上のローカルLLMはMacかRyzen AI Max搭載機の領分です。逆に画像・動画生成はCUDA前提のツールが多く、GeForceが標準。MacかWindowsかはこの軸で決まります。
軸3: ストレージ（速度と容量）
地味に効きます。エージェント開発ではリポジトリ、node_modules、Dockerイメージ、ワークツリーの複製が積み上がり、512GBのSSDは半年で埋まります。ローカルLLMはモデル1本が5〜70GB。画像生成はチェックポイントとLoRAが数十GB。動画は素材と生成物で数TB。速度も重要で、モデルの読み込みやインデックス作成はNVMeとSATA SSDで数倍違います。目安は、開発なら1TB、ローカルAIなら2TB、動画なら4TBです。
軸4: 常時稼働性
自動タスクを回す人だけに関係し、しかし関係する人には決定的な軸です。定期実行のルーティン、監視ループ、夜間のバッチ、n8nのワークフロー。これらは「PCが起きている間だけ」動きます。ノートのフタを閉じれば止まる。Windows Updateの自動再起動で途切れる。停電で壊れる。
この用途の正解は、速いPCではなく「静かで、省電力で、スリープせず、置いておける箱」です。Mac mini（アイドル数W）、Ryzen搭載の静音ミニPC（アイドル10W台）、保守付きのワークステーション。加えて小型のUPSを添えると、停電1回でデータベースが壊れる事故を防げます。ゲーミングPCを24時間回すと電気代が月数千円単位で変わるので、常時稼働機は消費電力も選定基準です。
軸5: OS（macOS / Linux / Windows）
ツールによって「本流のOS」があります。Claude CodeやCodexなどターミナル中心のエージェントは、macOSとLinuxが素直で、WindowsではWSL2（Windows上のLinux環境）に入れるのが前提です。WSL2自体がメモリを数GB使い、設定ファイルで上限を調整する必要があります。逆に、Windowsの「Copilot+ PC」機能（リコール、ライブ字幕の翻訳）はWindows専用で、NPUが要ります。画像・動画生成はWindows/Linux＋GeForceが標準。開発者にMacが多いのは好みではなく、この軸の帰結です。
5軸で見ると「AIパソコン」の売り文句がどう見えるか
- 「NPU搭載でAIが速い」 → 5軸のどれにも効きません。NPUが効くのはWindows付属の一部機能だけ。詳しい解説
- 「最新GPU搭載でAIに最適」 → 軸2だけの話。VRAM容量を見ずに世代だけ見ても意味がない。RTX 3090（24GB・2020年）はRTX 5070（12GB・2025年）より大きなモデルを動かせます
- 「メモリ16GBで十分」 → クラウドAIだけなら正しい。エージェントを使うなら軸1で足りない
- 「ノートで全部できる」 → 軸4を満たせない。常時稼働は据え置きの仕事
組み合わせで要件が跳ねる例
5軸は足し算ではなく「各軸の最大値」で決まりますが、組み合わせによっては1つの軸が跳ね上がります。典型例を3つ挙げます。
- Claude Code＋自動化の常時運用: 単体ならメモリ32GBで足りるClaude Codeも、ルーティンとして常時回し、複数のワークフローと同居させると、軸1が64GBに、軸4が「必要」に跳ねます。結果として、ノートは選択肢から外れ、静音ミニPCかMac miniが正解になります
- 画像生成＋ローカルLLM: 画像生成はCUDA前提でGeForceが標準、ローカルLLMの大型モデルはMacが有利。両方をやりたい場合、1台で満たすならVRAM 24〜32GBのGeForce機（32Bクラスまで）になり、70B以上は諦めるか2台体制になります
- コーディングAI＋データ分析: どちらもGPU不要ですが、pandasがデータをメモリに展開する分、軸1のメモリが32GBから64GBへ上がります。CPUコア数も並列処理で効きます
当サイトのトップページでは、この合成を自動で行い、跳ねた軸を「手元のPCに要るもの」として表示します。自分の組み合わせでどの軸が効いているかを見てから機種を選んでください。
実際の選び方
当サイトのトップページでは、「使うAI」と「させたい仕事」を選ぶと、この5軸の必要量を合成して、要件を満たす構成の中から手頃な順に3台（ぴったり・余裕・別の形）を出します。同じ構成を複数の販売店で比べられるようにしてあり、要件を満たさない機種は出しません。クラウドAIだけを使う人には「買い替え不要」と表示します。