Claudeの活用事例

分析はGoogle スプレッドシートとAIで書いたSQLの寄せ集めで、指標の定義が人ごとに違っていた。

会社が伸びて問い合わせが増え、1人のアナリストが作るのを全員が待つ状態になっていた。

1. 社内に散らばる指標の定義と決まりを1か所に集めた
2. 列の名前と意味の対応表を作った
3. テーブルのつなぎ方の指示文をエージェントに読ませた
4. SlackやClaudeから同じデータに質問できるようにした
5. 何度も出る質問を手順として作り足した

Hexで自分でデータを見る社員が全社の5%から75%に増えた。

利用者の44%はSlack経由で使い、エージェントとのやり取りは55,000件を超えた。

経営陣が見る数字も1つのダッシュボードにまとまった。

繁忙期は10を超える市場で大量のキャンペーンを同時に動かし、数字をExcelにまとめてグラフや資料を作るのに何時間も何日もかかっていた。

配信前の変数やフッターや言語の確認も1件あたり1時間かかり、作業が詰まっていた。

1. 社内で使っていたClaudeからBrazeのMCPサーバーにつなぐ
2. APIの識別子でキャンペーンとCanvasのデータを呼び出す
3. 市場をまたいだ成績を集めてレポートまで作る
4. 毎週のメール到達の要約をSlackへ流す
5. 配信前のリンクを貼って変数や言語の間違いを一覧で返す

成績レポートを作る時間は2日から20分になり、99%減った。

配信前のキャンペーン確認は1件1時間から5分になり、人の目が見落としがちな細部も拾えるようになった。

社内のデータが別々の置き場に散らばり集計しにくかった。

担当者が1人しかおらず手術で抜けた間に作られたダッシュボードは中身の正しさも見られる範囲も管理できていなかった。

1. Salesforceのデータから大事なテーブルだけに絞った
2. 要る列だけを残し列ごとに平易な説明を書き足した
3. テーブルをワークブックにまとめMCPサーバー経由でClaudeにつないだ
4. 聞き方の型とデータのつながりを書いた専用skillを全員に入れた
5. 研修を開き相談用のSlackチャンネルも用意した

始めてから営業や事業側からの問い合わせが250%伸びた。

99.9%が答えを返し中央値63ミリ秒で結果が出るので誰でも数字を取りに行けるようになった。

営業まわりのAIが Cursor・Figma・Claude・ChatGPT などに散らばり、年間で数百万ドル規模の費用になっていた。

どの部門も費用に見合う成果を説明できず、使っているツールごとにAIが増えて無駄が重なっていた。

1. 社内の各システムにGleanをつないで索引にまとめた
2. 開く頻度や更新など80超の手がかりで索引を毎日保つ
3. 問い合わせは元データでなく索引へ投げる形に変えた
4. 試験のうちに40を超えるエージェントを作った
5. 500問のRFP回答は下書きを任せ人は仕上げに回る

索引済みのデータへ問う形にしたことでトークンの効率が30〜35%上がった。

数か月かかっていた顧客ごとの営業計画は、最初の成果物が1日で出るようになった。

AIを使った開発を試しから本番の案件まで広げる段階で社員のスキルが追いつかなかった。

社内の研修や外部の教材はあったが、役割ごとに段階を踏む道筋がなかった。

1. ソフトウェアエンジニアを対象にUdemy Businessで研修を始めた。
2. UdemyのSkills Mappingで役割別の学習コースを組んだ。
3. 入り口のLevel0をAIの基礎として1,235人に必須にした。
4. Level1から3は役割ごとに学ぶ深さを上げた。
5. 進み具合は管理者別のダッシュボードに自動で出した。

Level0は88%が修了し、社員の62%が毎日の仕事でAIを使うようになった。

新規の開発案件では45〜55%の効率改善が出た。

2024年半ばに社内のAI環境を整えるとき、ひとつのベンダーに絞るとツールの進歩に追いつけない心配があった。

試作を作るには専門のツールが要り、デザイン出身でない社員は考えを形にしにくかった。

1. Claude for Workを社内に並べたAIツールの一つとして配る
2. 社員が試して覚える時間を会社として確保した
3. デザイナーは画面写真を渡しテンプレートの中身を埋めさせる
4. PMはProjects機能にデザインの方針をためて出力を揃える
5. Slackに成功例を出し合う場を作り学習用の教材も用意した

Claudeのアカウントを求める声が用意できる数を上回るほど広がった。

社員の65%がAIを毎日またはよく使って生産性を上げていると答えた。

客が増えるにつれ書類を扱う手作業が積み上がっていた。

問い合わせの量も増え文書の仕分けや翻訳や下書きに時間を取られて対応が詰まっていた。

1. AWS Bedrock経由でClaudeを社内15以上のアプリへ組み込んだ。
2. 客向けの案内役が5言語で24時間いつでも答える。
3. 毎日数千件の会話を要約して傾向をまとめる。
4. チャージバックでは資料を訳し判断の案まで出す。
5. 紙の申立書を種類ごとに分けて担当チームへ回す。

対象にした業務で最大70%が自動で回るようになり手作業は最大50%減った。

新しい仕組みは着想から最初の評価まで1〜2週間で立ち上がる。

社員が知りたいことを聞くたびに専用のダッシュボードを作る必要があった。

技術の分からない人はデータへ自分でたどり着けなかった。

1. Claudeを複数の専門エージェントの司令塔に据えた
2. 社員の質問からClaudeが動かすエージェントを決める
3. 計算と商品マスタと地域マスタを別々のエージェントに任せた
4. Claudeが各エージェントの結果をまとめ答えと図にする
5. 利用者の権限を確かめながら社内データ基盤へ問い合わせる

会話で聞ける分析の正答率が90%から99%へ上がった。

社内のAI基盤は1日15,000人・月44,000人が使い月250万件のメッセージが行き来している。

APIを作った後のテストや文書や仕様の更新がばらばらの手作業で残り、変更のたびに中身がずれていた。

自社の調べでは開発者の69%がAPI関連の作業に週10時間を超えて使っていた。

1. 開発とコーディングの課題で複数のモデルを比べた
2. Agent Modeの既定にClaude Opus 4.6を選ぶ
3. Amazon Bedrock経由で数時間でつないだ
4. コレクションやテストやGit履歴を読ませる
5. エンドポイント指定でテスト作成と仕様更新まで任せる

自社の見積もりでは開発者1人あたり年間で最大1,150時間を削れる。

10人のチームなら年間で100万ドル近い費用の削減にあたる。

一人ずつにAIが付いても、確認のやり取りや日程合わせで仕事が止まる場面は減らなかった。

部署ごとにボットが散らばって何をしているか見えない状態も起きていた。

1. AI Teammatesの頭脳にClaudeを選んだ
2. 全体をまとめる上位のエージェントにClaudeを置いた
3. 下のエージェントは速さと考える力で使い分けた
4. Agent Skillsで文書編集機能の開発期間を縮めた
5. AIにアカウントを持たせコメントで呼び出した

キャンペーンの企画書は何日もやり取りしていたものが15分で確認できる下書きに変わった。

動いた内容はすべてタスクの履歴に残る。

規制の厳しい金融の現場で、複数の言語の文章を正しく素早く作る必要があった。

外部の代理店に頼る部分も大きく、費用がかさんでいた。

1. 複数のAIを試して比べClaude for Workを選んだ
2. 12月から4月まで段階を分けて広げる
3. 研修は管理職から先に受けてもらう
4. マーケは各言語の文章作成と翻訳に使う
5. アナリストはSQL作成と決まったデータ処理を自動化する

一部の使い方で生産性が100%上がり、分析チームは週70時間を浮かせた。

投資は3か月かからずに回収できた。

開発ツールにAIを組み込みたかったが、どのモデルがコードの作業に向くか分からなかった。

1. 複数のモデルを比べAmazon Bedrock経由のClaudeを選んだ
2. エディタ内のコード生成と文書生成に組み込んだ
3. 社内の基準で品質を測った
4. コーディングエージェントのJunieで難しい作業をClaudeに任せた
5. 計画を開発者が承認したあとコードを書きテストまで走らせた

社内のベンチマークでドキュメント生成が19%良くなり、利用者が指示するリファクタリングの成功率は59%上がった。

タスクの完了成功率は53%以上になった。

案件の情報が大量の表計算ファイルに散らばり、全体の状況がつかめなかった。

経営の確認会議のたびに資料づくりへ長い時間を取られていた。

1. ClickUpを1つの作業場にして進み具合を集めた
2. ClickUp Brainを全社で入れ依頼の受付とタスク確認に使った
3. 営業は見込み客の調査と提案資料づくりに使った
4. ChatGPTとGeminiとClaudeを中から切り替えて呼び出した
5. Salesforceとつなぎ顧客の声を案件の流れへ渡した

スライド資料を作る運用をやめ、経営陣はその場の数字が出るダッシュボードで状況を見るようになった。

会議前の準備にかかっていた長い時間も無くなった。

1.7兆ドルの資産を運用するため毎日大量の調査資料や市場データや規制文書を読み込む必要があった。

投資分析に耐える精度がありながら技術に詳しくない担当者でも扱えるAIが見つからず9,000社分のESG分析も負担になっていた。

1. 複数のLLMを人が採点する形で比べた
2. 拡張思考を使うClaude Sonnet 4.5を選んだ
3. 2週間の試験導入から始め役割ごとの研修を用意した
4. 50人をAIアンバサダーに育て使い方を社内で共有させた
5. 分析担当にClaude Codeを渡し小さな道具を作らせた

社内調査ではAIを使う業務で週の時間の20%以上が浮いた。

2か月で600人以上が日常的に使う状態になり運用や法令対応の部門でも文書作成が自動化された。

チームも道具もばらばらで誰が何をいつまでにやるのかが分かりにくくなっていた。

生成AIで仕事の進め方を変えたかったが倫理や透明性の考え方が合う提供元を選ぶ必要があった。

1. 自社のWork GraphにClaudeをつないだ
2. 提供元の先行利用枠で一緒に検証しながら組み込んだ
3. 自動処理と4つのSmart機能を画面の中に置いた
4. 進捗報告の下書きや要約を出し最後は人が直す形にした
5. ベータ版の枠で独自の流れや先回りの通知も試している

数年かかると見ていた機能を少人数のチームが数週間で出せるようになった。

15万社を超える利用者側でも目標がはっきりし経営層の判断にかかる時間が減った。

手を動かす作業が多く時間が足りなかった。

数千のサービスが絡むコードの把握に時間がかかり、顧客担当は個別の案内を主要な顧客にしか作れなかった。

1. Claude CodeをMCPで社内のサービスや仕組みにつなぐ
2. 移行や修正の作業をClaude Codeに任せる
3. 実際の業務の課題で比較テストし手直しが少ないものを選ぶ
4. プロジェクト機能に前提の情報と指示をためて記事や案内を作らせる
5. 出てきたものは担当者が確かめて直す

マーケティングはWeb制作とコンテンツ作りで最大40%の生産性向上になった。

複雑な技術の切り分けは3〜5日から1時間未満に縮み、新しく入った人も早く本番へコードを出せるようになった。

ブログ担当向けに手順書やプロンプトの型をまとめた社内の案内サイトを作りたかった。

社内の文書があちこちに散らばっていて、普通に進めると数週間かかる仕事だった。

1. Loomで操作の様子を録画する
2. その書き起こしをClaudeに渡す
3. スキルが書き起こしを手順書に整え動画のリンクもつなぐ
4. 参照する資料はパソコンのフォルダに置き直接読ませる
5. 作ったサイトを社内限定の公開にする

最初の版は約3時間で仕上がった。

その後の更新はLoomを録る時間だけで済むようになった。

開発の速度が上がって新機能が次々出る一方で、150人を超える顧客対応の担当者が売り方を覚えるのに3〜6か月かかっていた。

実際の販売店を相手に初めての商談を練習させるわけにもいかなかった。

1. 社内の通話記録15万件とSalesforceのデータをClaudeに読ませた
2. 難しい会話の型を取り出し練習用エージェントを作った
3. 新商品ごとに練習と認定の流れを用意した
4. 複雑な設計はOpusが担い決まった処理は軽いモデルに任せた
5. 月次レビュー資料はClaudeが下書きし担当者が直す

新商品に慣れるまでの期間は3〜6か月から平均1か月に縮んだ。

月次レビューの準備も3〜4時間から約30分になり、サポート案件は20%多く対応できるようになった。

以前はMonday.comを使っていたが、3つの開発チームとデザインや商談の動きを同じ画面で見きれなかった。

進み具合は人が聞いて回り、SOWや変更依頼はそれぞれ別の場所にたまっていた。

1. 仕事の役割ごとにClickUpのスペースを分けた
2. 案件の中身を全部ClickUpへ集めた
3. ダッシュボードで手の空きと詰まりを見えるようにした
4. ClaudeをMCPでClickUpにつなぎ状態を読み取らせた
5. SOWと顧客への報告と見積もりを作らせ担当者が確認する

30件以上の案件を1つのワークスペースで回せるようになった。

Slackで状況を聞いて回る手間がなくなり、文書づくりの部分はClaudeが毎日の支えになっている。

支払いが失敗した理由を1件調べるだけでも、カードの状態や口座情報や残高や取引を順に確かめる必要があった。

欧州2000万人の利用者を従来の窓口ではさばききれず、後続の自動処理に渡すJSONが一つ崩れるだけで流れが止まる状態だった。

1. 複数のモデルをA/Bテストで比べてClaudeを選んだ
2. 社内のLLMルーターに載せ数日で組み込んだ
3. 支払い失敗や異議申し立ての確認順をClaudeに決めさせた
4. 領収書などの書類を画像認識で読み取り本人確認も自動で通した
5. 後続の処理に渡す構造化データもClaudeに作らせた

自動で解決できる問い合わせの割合が8%上がり、全体の8割超に届いた。

新しく入った開発者が使えるコードを出すまでの時間は40時間から16時間になり、口座開設も5分で終わるようになった。

Shopifyで売上データを深く見るにはShopifyQLを覚える必要があった。

店を始めたばかりの人ほどそこで止まり数字をもとにした判断へ進めなかった。

1. 商売の相談役になるSidekickをClaudeで組み立てる
2. 管理画面から話しかけられるようにする
3. 話し言葉の質問をShopifyQLのクエリへ置き換える
4. 1回のやりとりで複数のツールを順番にも並列にも呼び出す
5. Claude Sonnet 4.5をGoogle Cloud上で動かす

以前は技術の知識が要った分析が会話だけでできるようになった。

新しく始めた事業者が最初の売上に届くまでが数週間から数日へ縮まった。

たまったデータから答えを出すにはSQLの知識と手間が要った。

依頼がデータ部門に積み上がり現場は分析結果を何日も待たされていた。

1. 複数のモデルを比べてClaudeを選ぶ
2. ClaudeをCortex Analystに組み込んだ
3. 普通の言葉の質問をClaudeがSQLに書き換える
4. Claudeをセキュリティ境界の中で動かした
5. SQLやPythonやREST APIから呼び出す

社内の基準で測ると複雑なtext-to-SQLで90%を超える精度が出た。

10,000社を超える企業が自然言語でデータを引けるようになった。

拠点のデータがばらばらで、技術者は不具合が起きてから動くしかなかった。

修理の38%が事後対応になり停止時間が費用を押し上げていた。

1. Claudeを組み込んだ現場向けアシスタントを使う
2. 設備図面とセンサーの値を読み込ませる
3. 機器の画像と稼働データから壊れる前の兆候を拾う
4. MCPで古い設備ともつなぎデータを一つにまとめた
5. 最終の判断と作業は現場の技術者が行う

停止時間が減って生産量が上がった。

通常運用に乗れば、この1拠点だけで年840万ポンドの削減になると見込んでいる。

世界最大級のセキュリティ会社として厳しい安全基準を保ちながら開発を速める必要があった。

後工程でバグが見つかると費用も信用も失う点が悩みだった。

1. ソフトが世に出るまでの流れを全部書き出した
2. 開発者の時間がどこに消えているかを調べる
3. 時間の30〜35%を占める初期の開発にAIを入れると決めた
4. コード補完とIDE内チャットでモデルを使い分けた
5. CI/CDで変数名の見直しやテスト生成をAIに任せた

機能開発の速度が20〜30%上がり新しい開発者が戦力になるまでの期間が数か月から数週間に縮まった。

試験導入では製品を知らない若手が統合作業を70%速く終えた。

何百ものモデルを別々の仕組みで動かしていて、部門ごとの分断が進み無駄なコストがかかっていた。

新しいモデルを一つ出すまでに3週間かかっていた。

1. 古いAIの仕組みをDataRobotへ寄せた
2. 予測のAIと生成AIを一つの基盤でまとめて扱う
3. 用意されたアルゴリズムから候補を選び精度を比べる
4. APIでAWS BedrockのTitanやClaude 3とつないだ
5. 説明が付く形のモデルにして委員会が可否を判断する

新しいモデルを出すまでの期間が3週間から平均21時間になり、開発の時間は82%減った。

計算の力は8〜10倍になり、多くのモデルで80%を超える精度が出せるようになった。

3年以上続けた音声配信が本当に誰かの役に立っているのか確信が持てなかった。

案件や広告を受けない方針のまま収益が伸びるのかも分からなかった。

1. Claudeに専用プロジェクトを1つ用意する
2. 配信の文字起こしとブログ記事を入れる
3. 参考資料と自分の考え方もまとめて置く
4. 過去のやり取りを全部読んだうえで検証を頼む
5. 問いは役立つかと収益になるかの2つに絞る

役に立っている相手と収益になる相手がズレているという答えが返ってきた。

伸びない原因は方針ではなく、検索される題材でないことと支払い先への導線が弱いことだと示され、条件のままの天井として年間10〜30万円という試算も出た。

4年前に自分で作った日報の仕組みは数量や時間の欄は問題なかったが、自由記述の表記ゆれや誤字で過去の記録が検索に引っかからなかった。

トラブルの処置や次の直への申し送りといった大事な情報が、残っているのに使えない状態になっていた。

1. 日報のテキストをClaudeのAPIに渡し決めた形に構造化させる
2. 表記ゆれの名寄せと日付や単位の統一をさせる
3. 記入漏れや矛盾は品質の指摘として出させる
4. 未記入は計算で埋めずnullにするよう指示文で禁じる
5. 整えたデータを複数日まとめて渡し繰り返しやずれを探させる

OCRの崩れや全角半角の混在を含む架空の日報14枚で試したところ、外径が一方向に増えているのに公差の記載がない点や、トラブル欄に記載があるのに時間が0.0hになっている矛盾を出せた。

申し送りの懸念が扱われず同じ損失が再び起きていることも見つかり、費用は1枚の正規化が約10円、14枚の横断分析が約30円だった。

バッチ処理の途中でレート制限のエラーが続き、とりあえず待って再実行するという場当たりの対処をしていた。

その結果リトライが重なって制限をさらに食いつぶす悪循環になっていた。

1. 例外を文字列でなくクラスで捕まえ、429と529を分岐させた
2. 生のレスポンスから制限種別と待ち時間のヘッダーを常時確認した
3. リトライはPython SDKの自動リトライ回数に任せ外側では書かない
4. 自前で組む場合はSDK側の回数を0にして役割を一つにまとめる
5. 残トークン数のヘッダーで同時実行数を絞り入力トークンを事前に数える

外側のリトライを重ねた状態では1回の処理が最大9回のリクエストに膨らんでいたが、役割を分けて解消した。

エラーをただ待って潰すのをやめてヘッダーを読むようにしたことで、バッチの安定性が目に見えて変わった。

副業で受けた開発案件に時間がかかりすぎ、報酬に対して実質の時給が下がっていた。

ツールを1つに絞ると得意でない工程で手が止まる。

1. 案件を4タイプに分けて使うツールを先に決める
2. 既存コードの修正はGitHub Copilotの補完提案をそのまま試す
3. 小規模サイトはCursorで骨組みだけ手書きし残りを生成させる
4. 中規模アプリはClaudeに画面構成とAPI設計とDB設計を出させる
5. 要望があいまいな案件はClaudeで機能候補と優先順位を整理する

ポートフォリオサイト制作は8時間で終わり、所要時間が60%削減された。

中規模アプリ開発は約120時間で、所要時間が40%削減された。

ProプランでClaudeとClaude Codeを毎日使っていたが、5時間や1週間ごとの上限に当たって作業が止まる場面が増えていた。

1. CLAUDE.mdとrulesを必要最小限に削る
2. そのプロジェクトに要るskillsやmcpだけ読み込ませる
3. 対象ファイルのパスと参照元を先に渡し変更後の姿まで書く
4. 単純な調査はサブエージェントに任せ判断を本体に残さない
5. 話題が変わったら新セッションに移り区切りで/compactする

人が既に知っている情報を先に渡し、本当に探索が要る部分だけをClaudeに任せる形にしたことで、体感できるほどトークンの持ちが変わった。

context-modeはフックが有効な環境で最大約98%のトークン削減が見込めるとされる。

予測の分析は進んでいたが、それを使った実行は手作業のままだった。

配信先を一つずつ組み立てたり地域ごとの文面をコピペしたりする手間が大きく、テンプレートの書式を扱えない担当者はキャンペーンを作れなかった。

1. AWSの支援プログラムで技術者と組み3日間で試作を作った
2. Amazon Bedrock上でClaude Sonnet 4.5を動かした
3. 意図の判定・文脈・文面作成の3エージェントをつないだ
4. ブランドの決まりは過去のキャンペーンから学ばせた
5. チェックを生成の途中に入れ各段階を人が承認する

3年間で約429%のROIと4か月での投資回収を見込む試算がまとまった。

テンプレートのコードを書かずに会話だけでキャンペーンを作れる形ができた。

電子請求書発行システム「楽楽明細」の新オプションを、実装に使える期間が1か月弱という条件で12機能ぶん作る必要があった。

要求仕様書は例外系や受け入れ条件が足りず、そのままAIに渡せる粒度ではなかった。

1. 決めた仕様をClaudeでプロトタイプ化し40社に見せて機能を約30%削った
2. 要件をEARS形式で1アクション単位に分け例外パスも書いた
3. kiro（cc-sdd）でspec化しエージェントに読ませた
4. Codexを主軸にgit worktreeで機能ごとに複数セッションを同時に走らせた
5. 一次レビューをGitHub CopilotとClaude Codeで出し人が二次で確認した

4月7日の開発決定から5月末リリースと実質2か月未満で出せた一方、12機能を1本のプルリクにまとめたため変更ファイルは700超、サーバーサイドのレビューは全量確認に5営業日かかった。

実装方針を決めきらなかったため同じ指摘を機能の数だけ受けた。

既製の基板4枚をつないだ6キーのマクロパッドは動いたが、もっと薄く小さくするには専用基板が要った。

自分は基板設計の専門ではなく、手作業でゼロから起こすのが難しかった。

1. EasyEDA ProのAPIにJavaScriptを投げAIから基板を操作する
2. 回路図と配置を作らせトークン切れでClaudeからGrokへ交代する
3. 部品41個・パッド214個・配線120本を突き合わせる監査を書かせる
4. オートルータが動かないため自前のグリッド探索ルータを書かせる
5. Codexに引き継ぎコストに曲がり回数とビアを入れる修正をさせる

Claudeのグリッドルータが引いた722本・105ビアの基板は、Codexの書き直しで151本・33ビアになった。

探索時間はCPUで6分半・実時間10分かかるが、打ち切りを入れて実用の範囲に収めた。

デザインから開発への受け渡しで手戻りが起き、出来上がったものが最初の狙いと食い違っていた。

プロトタイプを作るにはコードを書く必要があり、試せる案の数が限られていた。

1. Figma Makeの生成部分にClaudeを組み込んだ
2. 作りたいものを文章で書くか画面を貼り付ける
3. Claudeが指示と画面から動くコードを起こす
4. Figma Sitesでは動きを言葉で頼むとコードが足される
5. 実験用の設定で新しいモデルをすぐ試せるようにした

コードを書かずに数分で動くプロトタイプやアプリが作れるようになった。

あるプロダクトマネージャーは30時間かけてReactを覚えて作ったサイトのコードを1日で書き直し、前からほしかった機能も足した。

コードレビュー待ちで数時間から数日が過ぎ、直しては見てもらう往復が開発を止めていた。

初期に試したAIは存在しないバグを自信ありげに指摘してしまい使い物にならなかった。

1. バグを含む500件のプルリクエストでモデルを比べた
2. コードの読み取りに強かったClaudeを選んだ
3. 解析を細かい工程に分け工程ごとにClaudeが担当する
4. 投票と推論の連鎖と自己批評で質の高い指摘だけ届ける
5. 問題が見つかると修正案を自動で作り1回で取り込める

プルリクエストへの反応は1時間から90秒になり40倍速くなった。

AIの指摘には96%が良い評価を付け、67%が実際のコード修正につながった。

3,000人を超える各分野の専門家と150年分の文献を持ちながら、その知識を利用者が引き出せる形にできていなかった。

誤った助言を出すリスクが大きく、精度の基準は高いまま保つ必要があった。

1. Amazon Bedrock経由でClaudeを製品に組み込む
2. 税務と法務の分析用にRAGの仕組みを作る
3. 自社の文献と専門家の内容を検索し回答の材料にした
4. 速い処理はHaiku込み入った分析はSonnetと使い分けた
5. 出力が正しいかは各分野の専門家が確かめる

契約書や税務の資料を扱う専門家が、論点を複数の側面から見た分析を短時間で受け取れるようになった。

導入した事務所からは作業時間が半分になるという声が出ている。

AIを使った攻撃は毎秒数千の要求を出す速さで動き、人のSOCチームでは追いつけなかった。

数千社ぶんのばらばらな環境で、全ての兆候を上級アナリスト並みの深さで調べるのは無理があった。

1. 自社基盤でClaude Opus 4.6をAgent SDKから動かす
2. 検知した出来事と各種のログをエージェントに渡す
3. 複数のサブエージェントが役割を分けて調べる
4. 1件あたり平均44回ツールを呼び記録を突き合わせる
5. 重大な判定は上級アナリストが必ず確認する

12か月で12万件を超える自動調査を回し、顧客あたりの確認された攻撃の検知が41%増えた一方でアラート全体は11%減った。

暗号化される前にランサムウェアを封じ込めた割合は99.96%で、1件の調査にかかる時間は平均6分になった。

顧客の開発者向けチームが同じような文書の質問への対応に追われていた。

コードの変更に文書が追いつかず、古いAPIの例が何週間も残ることがあった。

1. 複数のAIを比べ回答率と取り込み率でClaudeを選ぶ
2. 20万トークンの文脈へ文書一式をまとめて渡す
3. 質問には実際のAPIの定義を取りに行かせて答えさせる
4. コード倉庫を見張らせずれがあればプルリクを作る
5. Claude Codeで機能追加やテスト作成を進め人が直す

文書への質問の67%が人の手を介さずに解決し、1人あたりのコード量は3〜4倍になった。

要望から公開までは3〜4週間から1〜2週間に縮まり、顧客の継続率は15%改善した。

RFPの回答づくりや記事の作成など同じような作業に時間を取られていた。

自社製品にはAPIでClaudeを組み込んでいたが社内の仕事には広がっていなかった。

1. 社内向けにClaude for Workを配った。
2. 営業はRFPの回答案を作らせ案件ごとに直す。
3. マーケは記事と翻訳の下書きを任せた。
4. 開発者に小さなツールやスクリプトを書かせた。
5. SSOで誰が使えるかをまとめて管理した。

社内アンケートでは98%が満足または非常に満足と答え生産性は25〜50%上がった。

RFPの回答と文章づくりの時間が大きく減り難しい仕事に手を挙げる人が増えた。

大手企業が中心のフィールドセールスから、より広い市場へ営業を広げる必要があった。

提案書づくりやデータ集計といった決まった作業に時間を取られていた。

1. 月1日はAIだけで仕事をする「AIデー」を設けた
2. 社内のAI資格と支援金を用意し営業部門の全員がAIを使う状態をつくった
3. 提案書の作成やデータ集計と議事録づくりをAIに任せた
4. 約1,400万件の企業データベースSalesNowをMCPでClaudeとつないだ
5. Salesforceのデータも重ね部署や役職まで絞ってアプローチした

営業の残業はほぼなくなり、システム開発の生産性は半年で約5倍になった。

翌年にはアプローチから返信対応までの自動化も進める。