社内で実際に運用している LLM API を使った業務自動化の構成を5つ紹介する。いずれも数十行で書けて、ROI が分かりやすいものに絞った。
1. 議事録要約（Whisper + Claude）
録音ファイルを Whisper で文字起こしし、Claude に要約させる構成。会議の「決定事項」と「アクション」を分けて出力させるのがコツ。
from anthropic import Anthropic
client = Anthropic()
msg = client.messages.create(
model="claude-sonnet-4-5",
max_tokens=2000,
messages=[{"role": "user", "content": f'''
以下の議事録を要約せよ。形式は JSON。
- decisions: 決定事項の配列
- actions: {{owner, task, due}} の配列
- risks: 懸念点の配列
議事録:
{transcript}
'''}]
)
2. メール下書き生成
Gmail API で未返信スレッドを取得し、過去のやり取りを文脈として渡して返信案を生成する。送信は必ず人間が確認 する運用で事故を防ぐ。
3. コードレビュー補助
GitHub Actions で PR の差分を取得し、Claude に一次レビューを書かせてコメントする。規約違反と明らかなバグだけに絞ると精度が高い。
- name: AI Review
run: |
git diff origin/main...HEAD > diff.txt
python review.py diff.txt
指示プロンプトには「明確なバグ以外は指摘しない」と書くのが重要。雑な指摘を潰せる。
4. CS 問い合わせの一次分類
問い合わせ本文を渡し、カテゴリ・緊急度・担当チームを JSON で返させる。後段のルーティングに接続する。temperature=0 にして出力を安定させる。
categories = ["請求", "不具合", "機能要望", "その他"]
prompt = f"問い合わせを {categories} から選び JSON で返せ:\n{inquiry}"
5. 定例レポートの下書き
Notion や BigQuery から数値を取得し、Claude に週次レポートのドラフトを書かせる。数値は必ずコード側で取得し、LLM に計算させない のが鉄則。計算は決定論的処理で行い、LLM は文章生成だけに使う。
運用で効いた設計原則
- 出力は JSON 固定にして後続処理を楽にする
- LLM に事実を作らせない（計算・取得は通常コードで）
- 人間の承認ステップを1箇所残す
- コストと遅延は Sonnet / GPT-4o mini クラスで十分なケースが多い
地味だが、この5つで月あたりの手作業時間はかなり削れる。派手な AI 活用より、こういう継ぎ目のない自動化のほうが実益が大きい。