はじめに：現場の「APIないです」に絶望するな

SIerや受託開発の現場で、こんな会話をしたことはありませんか？

クライアント: 「受注業務を自動化（DX）したいんです！」
エンジニア: 「承知しました。基幹システムのAPI仕様書をいただけますか？」
クライアント: 「API……？うちは毎日、取引先からメールでExcelが送られてくるだけですが……」

ここで「APIがないと連携できません」「RPAでやるしかないですね（高額）」と答えるのが、普通のエンジニアです。

しかし、我々「実装屋」の回答は一つです。

「大丈夫です。そのExcel、AI（LLM）を使って無理やりAPI化しましょう」

今回は、セル結合や表記揺れだらけの「謎Excel」を、n8nとOpenAI API (GPT-4o) を使って綺麗なJSONに整形し、データベース（KintoneやSupabase）に格納する 「泥臭い実装術」 を共有します。

敵を知る：今回のラスボス「謎Excel」

今回相手にするのは、人間が見るためだけに作られた、システム連携を拒絶するExcelファイルです。

問題	具体例
セル結合	商品カテゴリが見出しとして結合されている
表記揺れ	「(株)」「株式会社」「㈱」が混在
謎の余白	印刷レイアウトのためにA列が空いている
備考の自由記述	「※大至急！」「午前中着で」などが手入力

これをPython（pandas）や従来のプログラムでパースしようとすると、例外処理の嵐で死にます。

そこで、「構造化のプロ」であるLLMの出番です。

アーキテクチャ：n8nが「接着剤」になる

サーバーレスで構築します。n8nをハブにすることで、メール受信からデータ保存までをノーコード（ローコード）で完結させます。

コスト見積もり（月1,000件処理の場合）:

n8n Cloud: ¥2,500/月（セルフホストなら無料）
OpenAI API: ¥3,000-5,000/月（GPT-4o使用）
合計: ¥5,500-7,500/月（RPAツールの1/10以下）

実装ステップ

1. メール監視と添付ファイル取得

n8nの Gmail Trigger ノードを使います。

設定	値
Filter	Subject Contains `【注文書】`
Download Attachments	`true`

これで、メールが届いた瞬間にワークフローが起動し、Excelファイルがバイナリデータとしてn8n内に取り込まれます。

2. Excelを「LLMが読める形」にする

ここがポイントです。ExcelバイナリをそのままLLMには投げられません。

n8nの Spreadsheet File ノードを使って、一度「生のデータ（配列）」として読み込みます。
その後、データを軽量化するために、必要なカラムだけを抽出したCSVテキストや、マークダウンの表形式に変換します。

// Code NodeでCSV→Markdownテーブルに整形
const rows = $input.all()[0].json.data;
const headers = Object.keys(rows[0]);

// 最初の20行のみ抽出（トークン節約）
const limitedRows = rows.slice(0, 20);

const mdTable = [
  `| ${headers.join(' | ')} |`,
  `| ${headers.map(() => '---').join(' | ')} |`,
  ...limitedRows.map(row => `| ${headers.map(h => row[h] || '').join(' | ')} |`)
].join('\n');

return [{ json: { markdown_table: mdTable, total_rows: rows.length } }];

3. LLMによる「構造化と正規化」

ここが本記事のハイライトです。
OpenAI Chat Model ノードを使い、ぐちゃぐちゃのテキストデータを「理想的なJSON」に変換させます。

プロンプト例:

あなたは優秀なデータ入力オペレーターです。
以下のテキストデータは、フォーマットが崩れた注文書のExcelから抽出したものです。
これを以下のJSONスキーマに従って構造化し、JSONのみを出力してください。

【ルール】
1. セル結合されている「カテゴリ」は、下位の商品行にも適用すること
2. 会社名の「(株)」「㈱」などは「株式会社」に統一すること
3. 数量が「1ケース」「2箱」などの場合、数値のみ（1, 2）を抽出し、unitに単位を入れること
4. 「備考」にある配送希望時間は `delivery_time` フィールドに入れること
5. 「※大至急」などの表現は urgency: "high" として抽出すること
6. 日付はISO 8601形式（YYYY-MM-DD）に統一すること

【出力JSONスキーマ】
```json
[
  {
    "order_id": "受注番号（なければnull）",
    "customer_name": "正規化された会社名",
    "order_date": "YYYY-MM-DD",
    "items": [
      {
        "category": "カテゴリ名",
        "product_name": "商品名",
        "quantity": 数値,
        "unit": "単位",
        "price": 単価（数値）
      }
    ],
    "delivery_time": "配送希望時間",
    "urgency": "high/normal/low",
    "note": "その他特記事項"
  }
]

JSONモードの活用:
OpenAIノードの設定で、**Response Formatを JSON Object** に必ず設定しましょう。

{ "type": "json_object" }

これがないと、AIが気を利かせて「はい、データを整形しました！」という余計な挨拶文を入れてしまい、後続のノードでパースエラーになります。

温度（Temperature）の設定:
事実抽出なので、創造性は不要です。temperature: 0.1 程度に抑え、再現性を高めます。

出力例:

{
  "order_date": "2026-02-18",
  "customer": {
    "name": "株式会社プロドウガ",
    "contact": "山本様"
  },
  "items": [
    {
      "category": "文具",
      "name": "A4コピー用紙",
      "qty": 10,
      "unit": "箱",
      "unit_price": 2500
    },
    {
      "category": "文具", 
      "name": "ボールペン（黒）",
      "qty": 100,
      "unit": "本",
      "unit_price": 100
    }
  ],
  "delivery": {
    "date": "2026-02-20",
    "time": "AM",
    "urgency": "high"
  },
  "note": "20日午前中までに必着"
}

GPT-4oであれば、人間が「なんとなく」で理解しているセル結合や文脈を、驚くほどの精度で解釈してくれます。
正規表現で3日かかる処理が、プロンプト3行で終わります。

4. データベースへの格納

LLMから返ってきたのは、美しいJSONデータです。
あとは HTTP Request ノード（Kintone REST API）や Kintone ノードを使って、DBにぶち込むだけです。

Kintoneへの登録例:

// HTTP Requestノードの設定
// Method: POST
// URL: https://{{kintone_domain}}[.cybozu.com/k/v1/record.json](https://.cybozu.com/k/v1/record.json)
// Headers:
//   X-Cybozu-API-Token: {{token}}
//   Content-Type: application/json

// Body (JSON):
{
  "app": 123, // アプリID
  "record": {
    "order_date": { "value": "{{ $json.order_date }}" },
    "company_name": { "value": "{{ $json.customer.name }}" },
    "total_amount": { "value": {{ $json.items.reduce((a,b)=>a+b.qty*b.unit_price, 0) }} },
    "delivery_date": { "value": "{{ $json.delivery.date }}" },
    "raw_json": { "value": JSON.stringify({{ $json }}) } // 元データも保存
  }
}

これで、「メールで届くExcel」が「API経由のデータ」と同等の品質になりました。

現場で役立つ「泥臭い」テクニック

PII（個人情報）のマスキング

LLMに顧客データを投げる際、セキュリティが懸念される場合があります。
対策: LLMに投げる前に、n8n内の Code ノードで個人情報をハッシュ化・マスキングします。

// マスキング処理
const data = $input.first().json;

// 電話番号、メールアドレスを正規表現で検出して置換
const maskedText = data.markdown_table
  .replace(/\d{2,4}-\d{2,4}-\d{4}/g, '[PHONE]')  // 電話番号
  .replace(/[\w.-]+@[\w.-]+\.\w+/g, '[EMAIL]'); // メール

// 住所も模糊化（例：東京都渋谷区→東京都[MASK]）
const maskedText2 = maskedText.replace(/(...市|...区).*/, '$1[MASK]');

return [{ 
  json: { 
    masked_data: maskedText2,
    original_length: data.markdown_table.length
  } 
}];

ポイント:

LLMには「構造化」だけを依頼する
返ってきたJSONに対して、後からn8nで本物の個人情報をマージし直す

これなら、OpenAI側に個人情報は渡りません。GDPR・個人情報保護法対応が可能です。

エラーハンドリングと「人間の目」

LLMも万能ではありません。複雑なExcelや手書き文字が入ったファイルは失敗する可能性があります。

推奨フロー:

閾値の設定:

// Ifノードの条件
{
  "conditions": [
    {
      "value": "{{ $json.items.length }}",
      "operation": "gt", // greater than
      "compare": 0
    },
    {
      "value": "{{ $json.customer.name }}",
      "operation": "isNotEmpty"
    }
  ]
}

必須フィールドが欠けている場合は、人間の確認待ち（Human-in-the-loop）に回します。

コスト最適化（PL脳）

GPT-4o-miniでも構造化は十分可能です。精度が必要な場合のみGPT-4oを使い分けます。

月間件数	モデル	概算コスト（月額）
1,000件	GPT-4o-mini	¥1,500 - 2,000
1,000件	GPT-4o	¥5,000 - 8,000

節約テク: Excelの行数が多い場合、1リクエスト100行程度に分割して並列処理すると、速度とコストのバランスが良くなります。

まとめ：DXの入口は「泥」の中にある

「最新のAPIがないから無理」と言うのは簡単です。
しかし、中小企業の現場には、APIなんてありません。あるのはExcelとメールとFAXだけです。

レガシーな入口（Excel/Mail）と、モダンな出口（DB/Dashboard）を、技術（n8n/LLM）で繋ぐこと。
これこそが、我々エンジニアが提供できる本当の「DX」ではないでしょうか。

もし「謎Excel」との戦いに疲れている方がいれば、ぜひこの構成を試してみてください。世界が変わります。

🔗 参考リンク

n8n Documentation

OpenAI API Reference

Kintone REST API

著者：@YushiYamamoto
株式会社プロドウガ代表 / フルスタックエンジニア。
「技術的負債は返せるなら背負え」がモットー。n8nとTypeScriptを駆使して、泥臭くも止まらない業務自動化システムを構築しています。