n8nの活用事例

広告配信基盤のDSPでは異常検知アラートが月に十数件〜数十件届き、その多くは自動で復旧するのに毎回10分〜1時間の調査が要った。

深夜や土日の対応が担当者の健康と日中の業務を圧迫していた。

1. GitHubのIssueにai-investigateラベルを付けAIが調査する流れを組む
2. 読み取り専用のサービスアカウントを切り書き込みを封じる
3. 過去につまずいた点をプロンプトに書き調査の取り違えを防ぐ
4. 特定できたときは管理画面のリンクも出させる
5. n8nでSlackのメンションからIssue起票とラベル付けを自動にする

アラートで起きたあとはSlackにメンションして10分タイマーで仮眠し、戻ってきた調査結果を読んで判断するだけになった。

過去事例を参照した対応方針も出るようになり、これまで調査に入りづらかった若手も仮説の検証から参加し始めた。

資産運用の担当者はCRMへの入力だけで毎日1〜2時間を取られていた。

運用チームも別の管理画面への打ち直しに毎日2〜3時間かかっていた。

1. 自社サービスにClaudeのOpus 4.5とHaiku 4.5を組み込む
2. 面談の記録を1回の依頼で読ませ書き起こしの誤りを直す
3. 要点のメモを作らせ件名や担当者入りのやることリストを起こす
4. 本人の書き方に合わせた顧客向けメールの下書きも作らせる
5. 担当者がメモとメールに目を通して送るかどうかを決める

開発に入ってから数日で本番の運用に乗った。

担当者1人あたり週5時間以上が浮き、受け持てる顧客も100人から200人以上へ増やせると見込む。

対象になる会社がポルトガルとスペインとイタリアで300万社を超え、どこから当たるべきか絞りきれなかった。

データを補う道具も兆しを見る道具もばらばらで、費用がかさむうえに抜けと精度の低さが残った。

1. 毎月300万社を通して買う兆しを調べた
2. 兆しの出た会社だけ人事や財務や社長を特定した
3. メールアドレスや携帯番号やLinkedInの直近の投稿まで埋めた
4. 強い兆しが出たときだけHubSpotへ送った
5. メールや提案資料に加え手紙や専用ページでも追いかけた

月に200件を超える商談が増え、チームが出せる量は5倍になった。

Vodafone UKは毎月膨大な数のイベントと数千件のアラートを人手で捌いていた。

規制への対応で監視する対象とデータの保存期間が増えるため人手が足りなくなる見込みだった。

1. 監視とSOARの処理をワークフローに組み替えた
2. メール送信など共通部分をモジュールに切り出した
3. 切り出した部品を他のチームでも使い回す
4. 環境を分けて作って試して本番へ出す流れを整えた
5. 重要なデータの流れを5分ごとに確認しチケットを起こす

2024年8月から33本のワークフローを動かし5,000人日を削減した。

£2.2Mの費用を抑え2025年も月におよそ£300kの削減が続いている。

決済が止まった問い合わせを二次サポートが手作業で処理していた。

管理画面に入って取引を解除して返信するまでに時間がかかり対応が遅れていた。

1. 各部署の担当者を集め2か月ほど実務で試した。
2. 決済停止の連絡でn8nが管理画面へログインする。
3. 該当の取引を探し規制上の状態まで確かめた。
4. Notionのチケットを更新して顧客へ返信を送る。
5. エラー時の退避も同じ流れに組み込んだ。

1つの市場で決済サポートの対応の70%を自動化した。

1件あたり10〜15分かかっていた処理が約70秒になり週616時間分の作業が減った。

医療分野の厳しい決まりに合わせる必要があり、利用者が本人かどうかを調べる作業に数週間から数か月かかっていた。

社内のAI担当エンジニアは製品側の開発で手いっぱいで、他の部署が自分で自動化を組めなかった。

1. 社内向けの環境を用意し教材でn8nの使い方を広げた
2. エンジニアチームが2日で調査ワークフローを組んだ
3. 怪しい動きを見つけるとボットがデータを突き合わせる
4. AIエージェントが要約し監査用レポートに残す
5. 人の追加調査が要るかをその場で振り分ける

調査にかかる時間は数週間から30分ほどになり、手作業の97%がなくなった。

年3600時間のエンジニアの時間が浮く見込みで、今は200人以上の社員がn8nを使っている。

不動産の担当者は電話や一斉メールや手打ちのSMSといった追客に毎日長い時間を取られていた。

米国の10DLCやCAN SPAMの決まりを守りながら顧客名簿の全員へ案内を出すには何日もかかり専任のアシスタントを雇えば年5万ドルほどの負担になっていた。

1. ZapierとTwilioとMailchimpから自社で持てるn8nへ移した
2. 顧客ごとに専用のプロジェクトを作りデータを完全に分けた
3. 話した内容をElevenLabsが指示に変えてn8nへ渡す
4. 名簿を照会して受信同意と法令の条件を確かめた
5. 文面を一人ずつ作り分けてSMSやMailgunから送った

何日もかかっていた一斉連絡が音声で頼むだけで終わるようになった。

メール500通とSMS500件を手で送っていた作業が約60秒で全員に届く形になった。

生命保険の見積もりはパソコンで専用サイトに入り長い入力をこなす必要があり数分かかっていた。

商品の決まりや手数料を知りたいときも営業支援の担当へ連絡して半日待つことがあった。

1. 代理店がWhatsAppで文章か音声か写真を送る
2. 生成AIが一文を読み取り見積に必要な項目へ直す
3. n8nが認証とAPI呼び出しとセッション管理をつなぐ
4. 約40秒で試算結果とPDFが戻る
5. 音声は文字起こしし手書きメモの写真も読み取る

見積もりにかかる時間が5分から約40秒になり、約85パーセント短くなった。

1日に1,000人を超える代理店が使うようになった。

ChatGPTなどを早くから使っていたものの、AIの価値がそれぞれのツールの中で閉じていた。

数多くのSaaSや日々の業務にAIをつなぐ方法が無く専用ツールの費用も重かった。

1. n8nを試したうえでEnterprise版へ移った
2. SlackにAIアシスタントを置き法務や請求書の質問に答えさせる
3. 他システムのデータをAIで分析し結果を別システムへ戻す
4. n8nのAPIとAirtableで全ワークフローを見張り承認の関門を設けた
5. 30分の社内研修と隔週の全社会での実演で作り手を増やす

9か月で10万ポンドを超える費用を減らした。

半年の時点で75本だったワークフローは200本近くまで増えた。

50ページを超える入札の書類から要件を拾うだけで何時間もかかっていた。

提案の下書きは複数の担当者が何週間もかけて作るうえ案件に気づくのが遅れて準備を急ぐこともあった。

1. 自社のサーバーにn8nを置き社内用の画面を作った
2. 書類を上げるとWebhookでワークフローが動く
3. 書類を項目ごとに分け要件の言い回しを抜き出した
4. 社内の参考資料と合わせて下書きを作った
5. 下書きはTeamsへ送り人が仕上げた

以前は複数人で約2週間かかっていた提案の80%の下書きが約25分で出るようになった。

要件の抜き出しも15〜20分で終わり既存ツール2つをやめて年約30,000ドルの費用が減った。

病欠の連絡やリモート勤務の申請はメールを人が読み、カレンダー登録や事務との調整まで手作業だった。

プロジェクトの情報もConfluenceの中に散らばり、答えを出すのに時間がかかっていた。

1. 病欠メールの中身をn8nのAIで判定する
2. カレンダー登録と事務への連絡まで自動で流す
3. 社内ルールとカレンダーを照らし可否を返す
4. OpenWebUIとナレッジの保管先をn8nでつないだ
5. 今の仕事の流れをそのままなぞって作った

直近30日で1,282回動いて失敗は12回にとどまり、26時間分の作業を減らした。

事務の手が要っていた仕事は数秒で終わるようになった。

顧客の不動産会社では、WhatsAppに届いた内容をZoho CRMや物件の一覧表へ人が手で写していた。

1件は数分でも回数が多く担当者の時間を奪っていた。

1. WhatsAppの番号をTwilio経由でつなぎn8nが受け取る
2. 文字か音声かを判定し音声は翻訳と文字起こしをする
3. 中身から見込み客の話か物件の話かを振り分ける
4. 見込み客はZoho CRMへ新規作成かメモ追記をする
5. 物件はGoogle Sheetsへ書き込みリンクを返して人が確かめる

数分かかっていた事務作業が約10〜20秒になり、作業時間は97%減った。

週に約1日分の時間が浮き、物件の受託から売却までの日数も62日から44日に短くなった。

ZapierやMakeで一部の作業は自動にしていたができることが限られていた。

税に関わる会社なので自社サーバーで動かせて権限も細かく決められる仕組みが必要だった。

1. n8nを自社のサーバーに置いて自動化の土台にした。
2. 市場調査や人事の手続きなど部署ごとの流れをワークフローにした。
3. 請求書の処理やデータの補強をAIエージェントに任せた。
4. MCPサーバーを用意しOpen WebUIから呼び出せるようにした。
5. 役割ごとの権限とバージョン管理を入れた。

多くの社員が使うようになり月におよそ150,000回動いている。

月400時間の削減につながりAIの試作は1回の実行で最大1時間を減らした。

顧客ごとに人事システムや給与計算の仕組みがばらばらで、大口の顧客が来るたびに製品本体へ個別のコードを書いていた。

連携ができあがるまで顧客を受け入れられず請求も始められなかった。

1. 顧客ごとの連携処理をn8nのワークフローに作り直した
2. ワークフローを自社のREST API経由でつなぐ
3. 顧客名のフォルダへ分けて置く
4. 近い作りのものを複製して中身を書き換える
5. エラー処理とログは社内で決めた形を使い回す

新しい顧客を動かすまでの期間が2〜3か月から数日になった。

製品本体のコードから個別の処理が消えて不具合も大きく減った。

人事の規程や入社手続きの資料が増え休暇の調べ方や書類の申請方法を社員が何度も人事へ聞いていた。

人事は少人数の体制で同じ質問への対応が積み上がっていた。

1. 無償のコミュニティ版で試しBusinessプランへ切り替えた
2. Confluenceの人事文書をn8nで取り込み埋め込みに変換した
3. 埋め込みをAzure上のベクトルデータベースに置いた
4. n8n側に検索役と回答役のエージェントを組んだ
5. OpenAIの仕様に合わせたAPIを自作しTeamsからも使えるようにした

繰り返し寄せられる人事への問い合わせが50%以上減った。

同じ内容に答え直していた時間も50%以上減り人事は他の仕事に手を回せるようになった。

53,000人を超える社員が働く中でアカウントのロックが月に約800件起きていた。

IT部門が本人確認と復旧を担うため平均35分かかり、その間は当人の仕事が止まっていた。

1. 復旧を許可する人を本人の直属の上司に変えた
2. 上司の承認でOktaとJiraとGoogleへ指示が飛ぶ
3. アカウントが自動で戻る形にした
4. この流れをn8nのワークフローにまとめた
5. IT部門は仕組みの管理だけを持つ

ロックされたままの時間が平均35分から20分に減り、全社で月200時間分が減った。

効果を見てアカウントの停止手続きやソフトのライセンス割り当ても自動にする動きが広がった。

PhotoshopやCanvaでの手作業と自前で作ったツールの保守に人手がかかっていた。

新しい連携を足すたびにPythonが書ける開発者を雇う必要があり費用もかさんだ。

1. SEO分析のワークフローで順位と直す箇所を洗い出した
2. ShopifyやWooCommerceの商品を取り込み説明文を書き直した
3. Veo3でAIアバターを作り商品の画像と動画を用意した
4. 出来上がった文章と画像をショップとSNSへ送り返した
5. 請求書の処理や顧客のオンボーディングもn8nで動かした

開発者でなくても画面上でワークフローを組めるようになり、自社サーバーに置いたまま顧客のデータを扱えるようになった。

EC最適化ツールのMaatoは6割をn8nで動かしている。

約10万点ある商品の中から担当者が手で候補を探し提案用のPowerPointを1件ずつ作っていた。

1件に数時間かかり年50件しか提案を出せなかった。

1. チャットのエージェントが商品の種類・単価・テーマ・顧客名を聞き取る
2. 確定するとn8nのワークフローが動きCRMと過去の提案も参照する
3. GPTとコードのノードがSQLを組み立て約10万点から候補を絞る
4. 選んだ商品画像をNano Bananaへ渡しテーマに合わせた画像を作る
5. Googleスライドのひな形を複製し価格と説明と画像を差し込む

提案書を作る時間が数時間から数分に減った。

年50件が限界だった提案の数は10倍近くまで増えた。

上場企業の子会社として重い規制対応を負っており、10人ほどのチームの時間の約70％がそこに消えていた。

顧客の情報はメールで届いて手でAMLソフトに打ち込む形だったため、リスク区分の更新を忘れるといった抜けが起きていた。

1. n8nを自社サーバーに置き使える範囲を絞った
2. Webフォームの回答で見込み客を選り分ける
3. Slackで承認すると情報がAMLソフトへ渡る
4. リスクの区分ごとに決めた間隔で再確認の案内を送る
5. パスポートと氏名の照合はAIが確信度つきで知らせる

技術に詳しくない社員もn8nの画面からAMLソフトのメモ追加やリスク区分の変更ができるようになった。

顧客の確認と定期見直しが自動で回り、手作業だったころのボトルネックと入力漏れが減った。

AIの処理の途中に人の確認や判断を挟む仕組みが必要だった。

ただし自前でコードを書いて保守し続けるのは避けたかった。

1. LangChainのツールを比べて自由度の足りなさを確かめる
2. n8nを選びノード設定で認証情報とIDを選べるようにした
3. 人が担う作業を作業者向け画面へ配り事業者に割り当てる
4. 作業が終わると回答がn8nへ返るようにした
5. 画面で流れが見えるのでPMが自分で組んで試せるようにする

最初のワークフローは短い時間で動きだし、LangChain向けにPythonで書くより速く作れた。

400を超える人材の提供元へ作業を配れるようになった。

無料版のn8nを1つのアカウントで共有していたため、鍵の使い回しや作った人の分からないワークフローが増えていた。

実行の監視も弱く、3,000人規模へ広げられる状態ではなかった。

1. Enterprise版へ移り役割ごとに触れる範囲を分けた
2. 個人データを扱うIT部門は別インスタンスを立てた
3. チャットで動くボットをConfluenceとJiraのMCPにつないだ
4. 所属と自動化したい内容を書くと点数と組み方の図が返る
5. Claudeで下書きまで作りあえて完成形にしなかった

毎日60〜70件たまる契約のひも付けは1件2〜3分の手作業だったが、まとめて約20秒で終わるようになった。

別の一括修正では5人で2日分に相当する手間が減り、動いているワークフローは700件を超えた。

技術部門に約200チーム2,000人いても新しい取り組みは開発の順番待ちになっていた。

通知や日ごとの集計のような小さな自動化は後回しにされ技術職以外の部署は自分で手を出せなかった。

1. 開発責任者が手元でn8nを試し社内サーバーへ入れた
2. 記録の仕組みとSSOのため1か月ほどで法人向け契約へ切り替えた
3. 人事の研修チームと組んで10回ほどの講座を開いた
4. 技術チームごとに約200のプロジェクトへ分けた
5. 作った本人が運用も持つ決まりにした

1年たたずに利用者は1,000人を超え本番で動く処理は700になった。

売り手向けのチャットボットは300,000社のうち約10%へ提供が始まった。

裏側の処理をAWS Lambdaと自前のコードで組んでいたため中身が見えづらく壊れやすかった。

接続先を1つ増やすたびに作り直しになり、1年近く数種類のデータ元しかつなげなかった。

1. 利用者がBubbleの画面からデータ元をつなぐ形にした
2. n8nの司令塔役のエージェントが要求を受け取り連携処理を選ぶ
3. n8nがBubbleのAPIから認証情報と表の構造を取り出す
4. AIエージェントがSQLやAPIの問い合わせを作って実行する
5. 結果を整えてAWS S3へ保存しファイルとして返す

コネクタを1つ足す作業は約1週間から約1日半になった。

月20〜30時間の手間が減り、最大10分かかる処理も動かせるようになった。

作りたい仕組みの依頼が全部エンジニア部門に集まり、時差のある各地のチームの要望は翌営業日まで待ちになっていた。

アナリストのレポート作成にも毎回数時間かかっていた。

1. n8nを自社のサーバーで動かした
2. 社内の分析エンジンや外部APIや複数のLLMをつないだ
3. 定期処理とフォームやチャットの画面とLLMエージェントの三つに使う
4. モデルの呼び出しは全部n8nを通し切り替えられるようにした
5. 作った機能を部品として公開し他チームが組み合わせて使えるようにした

アナリストのレポート作成にかかる時間は大きく縮まり年間で2,000時間以上が空いた。

ワークフローの実行は473,000回を超え、POCの立ち上げも数か月かかっていたものが即日になった。

医師から届く指示書を看護師と医師が一件ずつ読み保険の適用や除外を手で確かめていた。

画像やPDFなど形式がばらばらで事前承認の発行まで数週間かかっていた。

1. 届いた指示書をn8nのワークフローへ渡す
2. Geminiのノードで中身を読み取らせる
3. 必要な項目を契約ごとの適用範囲や上限に当てはめる
4. 契約者情報を社内のデータベースとAPIから引く
5. 臨床チームは医学的な判断が要る所だけを見る

数週間かかっていた事前承認がほぼその場での発行に変わった。

全社で300件を超えるワークフローが動き3,000人の社員が自分で自動化を組むようになった。