TL;DR
複数事業を同時運用する際、ボトルネックの判定から対応エージェントの生成、実行まで自動化するシステム「Meta-Builder」をClaudeで実装できます。このアーキテクチャにより、意思決定が自動化され、優先度の調整が週単位で自動追従するようになります。
はじめに：複数事業運用での意思決定のボトルネック
複数事業を同時運用していると、毎週ボトルネックが変わります。今週は集客、来週は技術負債、その次はマーケティング、という具合です。
従来のアプローチだと、以下のループが人間の手作業になっていました。
- メトリクスとシグナルを確認
- 「今週のボトルネックは何か」を判断
- そのボトルネックに対応するエージェント指示を書き直す
- 実行する
この意思決定ループ自体が、経営リソースの消費になっていたのです。
この記事では、この判定と指示生成を自動化する「Meta-Builder」の実装パターンを紹介します。
ボトルネック判定の3層設計
Meta-Builderの核は、判定ロジックの多層化です。単純な「数値が閾値を超えたら〇〇」という設計では、季節要因や事業フェーズで精度がぶれます。
レイヤー1：定量的シグナル
売上成長率、顧客獲得コスト、ユーザー流失率などのメトリクスを収集します。ここで重要なのは「絶対値」ではなく「相対的な変化」を見ることです。
// 過去4週のトレンドに対する今週の変化を計算
function calculateRelativeChange(currentWeek, pastFourWeeks) {
const average = pastFourWeeks.reduce((a, b) => a + b, 0) / 4;
return ((currentWeek - average) / average) * 100;
}
const metrics = {
sales_growth_rate: calculateRelativeChange(
currentWeek.sales,
pastFourWeeks.sales
),
cac_trend: calculateRelativeChange(
currentWeek.cac,
pastFourWeeks.cac
),
churn_rate: calculateRelativeChange(
currentWeek.churn,
pastFourWeeks.churn
)
};
レイヤー2：定性的シグナル
メトリクスに出ない問題をキャッチします。SlackのメッセージやGitHubのIssueから、ブロッカーに値するキーワードや感情を自動抽出します。
async function extractQualitativeSignals(slackMessages, githubIssues) {
const message = await client.messages.create({
model: "claude-opus-4-7",
max_tokens: 1024,
system: `Extract bottleneck indicators from team communication.
Return JSON with: {
signal: string,
severity: 1-10,
evidence: string,
category: "technical" | "people" | "process"
}`,
messages: [
{
role: "user",
content: `Slack: ${JSON.stringify(slackMessages)}
GitHub Issues: ${JSON.stringify(githubIssues)}
What are the implicit blockers?`
}
]
});
return JSON.parse(message.content[0].text);
}
レイヤー3：ドメイン知識による重み付け
「配信本数が減った」と「バグ報告が増えた」は、事業フェーズによって重要度が異なります。これは人間が決めるべき部分ですが、テーブル化して判定ロジックに組み込みます。
{
"growth_phase": {
"scale": 1.5,
"quality": 0.8,
"retention": 1.2
},
"stable_phase": {
"scale": 0.8,
"quality": 1.5,
"retention": 1.3
},
"maintenance_phase": {
"scale": 0.5,
"quality": 1.0,
"retention": 1.8
}
}
実装ステップ1：判定エージェントの実装
定量的・定性的シグナルをまとめて、ボトルネック判定を実行するエージェントを実装します。
const Anthropic = require("@anthropic-ai/sdk");
const client = new Anthropic();
async function detectBottleneck(businessData, signals, weightingTable) {
const prompt = `
You are a bottleneck detection system for multi-business operations.
Analyze the following data comprehensively.
Quantitative Metrics: ${JSON.stringify(businessData.metrics)}
Qualitative Signals: ${JSON.stringify(signals)}
Business Phase: ${businessData.phase}
Weighting Table: ${JSON.stringify(weightingTable[businessData.phase])}
Output JSON with:
{
"bottleneck": "marketing" | "engineering" | "product" | "operations",
"severity": 1-10,
"confidence": 0-100,
"key_signals": [string, ...],
"reasoning": string,
"recommended_action": string
}
`;
const message = await client.messages.create({
model: "claude-opus-4-7",
max_tokens: 1024,
messages: [
{
role: "user",
content: prompt
}
]
});
return JSON.parse(message.content[0].text);
}
実装ステップ2：エージェント生成テンプレートの設計
判定結果が出たら、そのボトルネック向けのエージェント指示を自動組み立てします。ここで大事なのは、コンテキスト情報を構造化して注入することです。
function generateAgentPrompt(bottleneck, businessContext) {
const basePrompt = `
Business: ${businessContext.name}
Phase: ${businessContext.phase}
Current Status: ${JSON.stringify(businessContext.metrics)}
Constraints: ${businessContext.constraints.join(", ")}
Success Metrics: ${businessContext.successMetrics.join(", ")}
`;
const rolePrompts = {
marketing: `
Role: Marketing Strategist for ${businessContext.name}
Bottleneck: ${bottleneck.reasoning}
Task: Generate 3 actionable marketing experiments for the next 2 weeks.
Each experiment must satisfy:
- Executable without additional headcount
- Budget: $${businessContext.marketingBudget}
- Measurable result within 2 weeks
- Specific channel or audience target
Format:
1. Experiment name
2. Success metric & target
3. Weekly timeline
4. Resource requirement
5. Risk assessment
`,
engineering: `
Role: Technical Lead for ${businessContext.name}
Current Bottleneck: ${bottleneck.reasoning}
Tech Stack: ${businessContext.techStack.join(", ")}
Team Size: ${businessContext.teamSize}
Task: Create a prioritized technical improvement plan.
Prioritize by: impact on ${bottleneck.recommended_action}
Timeline: This week (5 days)
For each item:
- Specific PR/task description
- Estimated effort (hours)
- Expected impact
- Risk mitigation
`,
product: `
Role: Product Manager for ${businessContext.name}
Bottleneck: ${bottleneck.reasoning}
Recent User Feedback: ${businessContext.userFeedback}
Task: Design a focused product improvement plan.
Focus: Solving the identified bottleneck
Timeline: 2 weeks
Deliverable:
- Current state analysis (why the bottleneck exists)
- Root cause (user behavior, technical limitation, market gap)
- Solution option (prioritized by feasibility)
- Implementation roadmap
`
};
return basePrompt + rolePrompts[bottleneck.bottleneck];
}
実装ステップ3：自動検証と反復
生成したエージェント指示を実行し、その出力を自動評価して実行可能性を判定します。
async function executeAndEvaluate(agentPrompt, businessContext) {
// Step 1: エージェント実行
const agentOutput = await client.messages.create({
model: "claude-opus-4-7",
max_tokens: 2000,
messages: [
{
role: "user",
content: agentPrompt
}
]
});
const solution = agentOutput.content[0].text;
// Step 2: 出力の検証
const evaluation = await client.messages.create({
model: "claude-opus-4-7",
max_tokens: 512,
system: `Evaluate solution feasibility.
Assess:
1. Is this immediately executable? (Yes/No)
2. Actionability score (1-10)
3. Realistic assumptions? (List any risky assumptions)
4. Resource requirements match constraints? (Yes/No)
5. Recommended adjustments?
Output JSON: {
executable: boolean,
score: number,
risks: [string],
adjustments: [string]
}`,
messages: [
{
role: "user",
content: `Solution:\n${solution}\n\nBusiness Context:\n${JSON.stringify(businessContext)}`
}
]
});
const evaluationResult = JSON.parse(evaluation.content[0].text);
// Step 3: 検証に基づいた判断
if (!evaluationResult.executable || evaluationResult.score < 6) {
console.log("Solution requires refinement. Adjustments:", evaluationResult.adjustments);
// フィードバックを含めて再実行
return await executeAndEvaluate(
agentPrompt + "\n\nFeedback from evaluation:\n" + JSON.stringify(evaluationResult.adjustments),
businessContext
);
}
return {
solution: solution,
evaluation: evaluationResult,
status: "approved"
};
}
実装ステップ4：定期実行の設定
Claude APIの定期実行機能を使って、毎日決まった時刻にMeta-Builderを動作させます。
// 定期実行用エントリーポイント
async function dailyMetaBuilderRoutine() {
try {
// 1. メトリクス収集（外部API・DB等から）
const businessData = await fetchBusinessMetrics();
// 2. シグナル抽出
const signals = await extractQualitativeSignals(
await fetchSlackMessages(),
await fetchGitHubIssues()
);
// 3. ボトルネック判定
const bottleneck = await detectBottleneck(
businessData,
signals,
weightingTable
);
// 4. エージェント生成
const prompt = generateAgentPrompt(bottleneck, businessData.context);
// 5. 実行と検証
const result = await executeAndEvaluate(prompt, businessData.context);
// 6. 結果を記録・通知
await saveResult({
date: new Date(),
bottleneck: bottleneck,
solution: result.solution,
evaluation: result.evaluation
});
return result;
} catch (error) {
console.error("Meta-Builder routine failed:", error);
throw error;
}
}
つまづきポイント
1. フィードバックループの無視
エージェント生成後に「出力が本当に実行可能か」という検証ステップを入れることが重須です。スキップすると、抽象的で使い物にならない指示が生成されます。
2. メトリクスデータの鮮度
判定用の数値が1週間古いデータだと、判定精度が大きく落ちます。毎日更新される情報源を決めておく必要があります。
3. コンテキスト情報の過不足
「ボトルネックに対応するエージェント」は、事業の基本情報（ターゲット層、現在の月次売上、制約条件）を持たない状態では動きません。テンプレートに組み込むコンテキスト粒度を事前に設計しておきましょう。
4. レイヤー3の重み付けテーブルの硬直化
事業フェーズが急速に変わる場合、重み付けテーブルが陳腐化します。3ヶ月ごとのレビューを仕組みに入れておくことをお勧めします。
まとめ
Meta-Builderの導入により、複数事業の優先順位調整が自動化されます。判定とエージェント生成を分離し、各層に適切な粒度の判定ロジックを配置することで、安定した意思決定システムが実現できます。
実装のポイント：
- 定量的シグナル: 相対的な変化を見る
- 定性的シグナル: Claude APIで自動抽出
- ドメイン知識: テーブル化して参照
- エージェント生成: テンプレート＋コンテキスト注入
- 検証: 常に実行可能性を確認
このアーキテクチャにより、意思決定が自動化され、エンジニアの脳リソースがボトルネック解決に集中できるようになります。
さらに詳しい実装手順はnoteで公開中
この記事では実装の概要を紹介しました。実装の完全手順・プロンプト全文・複数事業での運用ノウハウは以下のnoteで公開しています。