3人会社でAI経営OS(CFO/COO/CMO/CEO)を作った話｜構築ログ徹底分析

Posted at 2026-08-04

はじめに：月商250万円、社員3人の会社が抱えていた「経営の穴」

2026年8月現在、私が代表を務める会社は社員3人、月商およそ250万円という規模で動いています。ここまで読んで「小さい会社の話か」と思うかもしれませんが、規模が小さいからこそ経営管理の穴は致命的です。財務、営業進捗、マーケティング分析、意思決定——本来なら部門ごとに人を置くべき業務を、実質1人(私)が兼任していました。

請求書の消込、freeeの仕訳確認、GA4のトラフィック分析、クライアント案件の進捗管理。どれも「重要だが緊急ではない」タスクの塊で、気づけば経営判断そのものに使う時間がほとんど残っていませんでした。

この記事では、私がClaude Codeをベースに構築した「AI経営OS」——CFO・COO・CMO・CEOという4つの役割をAIエージェントに割り当てる仕組み——について、設計思想、実際のコード、つまずいたポイント、そして数ヶ月運用してみた実感をデータ分析的な視点も交えて徹底分析していきます。SESやフリーランスの働き方に触れる話も後半に少し入れますが、メインはあくまでAI/開発の実務ネタです。

AI経営OSとは何か——「役職」をエージェントに割り当てる発想

一般的なAI活用は「ChatGPTに議事録をまとめてもらう」「Claudeにコードを書いてもらう」といった単発タスクの委任です。しかし経営管理は単発タスクの集合ではなく、継続的な「役割」そのものです。そこで発想を変えて、CFO/COO/CMO/CEOという役職ごとにClaude Codeの「スキル(Skill)」を割り当て、それぞれが担当領域のデータソースに接続して定型業務と分析を回す構成にしました。

大まかな役割分担は以下の通りです。

役職	接続先データソース	主な業務
CFO	freee API	仕訳取得、PL生成、未決済管理、キャッシュフロー予測
COO	タスク管理・案件管理DB	進捗管理、クライアント管理、営業パイプライン
CMO	GA4 / Google Search Console / Google Ads / SNS	トラフィック分析、広告効果測定、SEOデータ分析
CEO	上記3エージェントの出力	経営ダッシュボードへの統合、意思決定支援

ポイントは、CEOエージェントが自分でデータを取りに行くのではなく、CFO/COO/CMOがそれぞれ整えたレポートを「報告として受け取り、統合する」という構造にしたことです。人間の組織における報告ラインをそのままAIエージェントの呼び出し構造に写し取ったイメージです。

構築の全体アーキテクチャ

実装はClaude Codeのスキル機構(.claude/skills/配下にディレクトリを作り、SKILL.mdにfrontmatterで説明を書く形式)を使っています。イメージとしては次のような構成です。

.claude/skills/
  cfo/SKILL.md      # freee連携、PL生成、仕訳計上
  coo/SKILL.md       # タスク・クライアント・営業パイプライン管理
  cmo/SKILL.md       # GA4/GSC/Ads統合マーケティング分析
  ceo/SKILL.md       # 各部門報告の統合ダッシュボード

SKILL.mdのfrontmatterはこんな感じです(CFOの例を簡略化)。

---
name: cfo
description: CFO(最高財務責任者)。freee連携で財務データ取得・PL生成・仕訳計上・未決済管理・キャッシュフロー予測を実行
---

# CFOエージェント指示
1. freee APIから直近の仕訳データを取得する
2. 未決済の請求書・支払いをリストアップする
3. PLドラフトを生成し、異常値(前月比±30%以上)にフラグを立てる
4. 生成した数値は必ず「ドラフト」であることを明示し、人間の確認前に確定処理をしない

重要なのは最後の1行です。AIに数値を「生成」させることと「確定させる」ことは全く別の権限レベルだと考えて、必ず人間承認のステップを挟むようにしています。これは後述するつまずきの反省でもあります。

CEOエージェント側は、cron定期実行(macOS環境なので実際にはPM2で常駐プロセスを管理)によって週次で各エージェントを呼び出し、出力を統合してダッシュボードのMarkdownを生成する構成にしています。

# 週次実行イメージ(概念コード)
claude --skill cfo   > reports/cfo_weekly.md
claude --skill coo   > reports/coo_weekly.md
claude --skill cmo   > reports/cmo_weekly.md
claude --skill ceo --input reports/*.md > dashboard.md

つまずいたポイントを徹底分析する

実際に運用を始めてから、想定していなかった問題にいくつも当たりました。ここは「やってみた」記事として一番価値があると思うので具体的に書きます。

1. API利用コストの管理を甘く見た

AI経営OSは複数のAPI(freee、Google系API、Claude API相当のCLI呼び出し)を組み合わせるため、想定より呼び出し回数が増えやすい構造です。特に「デバッグのために何度も再実行する」というエンジニアの習性が、そのままAPIコールの増加に直結します。対策として、開発中はコストが固定的な契約プラン経由のCLIツールに寄せ、従量課金APIの直接叩きは新規に増やさないというルールを社内で明文化しました。地味ですが、これがないと請求書を見て初めて気づく事故になります。

2. 財務データのハルシネーション対策

CFOエージェントに数値を生成させる際、freeeから取得した実データと、AIが「補完」してしまう推定値の境界が曖昧になる瞬間がありました。特にキャッシュフロー予測のような未来の数値は、AIが自然な文章として「それっぽい数字」を出しがちです。これに対しては、取得した実データと生成した予測値を出力フォーマット上で明確に分離し、予測値には必ず前提条件(何ヶ月分の平均を使ったか等)を添えるようにルールを固定しました。

3. 認証トークンの失効で全エージェントが止まった

無人実行の常駐プロセスが認証エラーで静かに停止していたことがあり、気づくまでに数日かかりました。これは「動いているはず」という思い込みが一番怖いという教訓で、以降は認証状態そのものを監視対象に組み込み、失効したら即座に検知する仕組みを最優先で用意しています。

3ヶ月運用してみたリアルな実感

数値を検証可能な形で示すのは難しいのですが(社内の生産性指標を厳密に統計処理しているわけではないため)、実感として変わったことを正直に書きます。

週次の財務チェックにかけていた時間が、ドラフト確認だけで済むようになり、ゼロから集計する手間がなくなった
案件の進捗が「聞かないとわからない」状態から、COOエージェントのレポートを見れば把握できる状態になった
マーケティングのデータ分析(GA4/GSCのクロス集計)を毎回手作業でやらなくなり、異常値への気づきが早くなった
一方で、AIの出力を「そのまま信じる」フェーズから「必ず人間が最終チェックする」フェーズへの切り替えは想像以上に重要で、ここを怠ると誤った経営判断につながるリスクがあると痛感した

「AI経営OSを導入したら売上が何%伸びた」というような検証不能な成果は書きません。実際に変わったのは、経営判断に使える時間の質と、データに基づいて意思決定する頻度だと感じています。

フリーランス・SES視点から見えたこと

このAI経営OSを構築する過程で、外部のフリーランスエンジニアに一部業務を依頼する機会もありました。その際に痛感したのが、フリーランスとの契約管理の重要性です。口頭ベースやメール確認だけで進めると後々のトラブルにつながりやすいため、フリーランス向けの契約書テンプレートを事前に整備し、業務範囲・検収条件・支払いサイトを明文化しておくことを徹底しました。COOエージェントの業務範囲にも、契約書のバージョン管理と更新タイミングの通知を組み込んでいます。

また、SES業界でエンジニアとして働く知人と話す中で、AI活用スキルを持つエンジニアの市場価値について話題になることがあります。SESで年収800万を目指すルートとしては、単価の高い技術スタック(クラウドインフラ、データ分析基盤、AI/LLM関連の実装経験)を早期に身につけ、客先常駐であっても提案・分析まで踏み込める立ち位置を取ることが重要だという話をよく耳にします。ただし具体的な単価相場や年収データは公的な調査データが手元にないため、この記事では推測を避け、一般論としてのみ触れておきます。フリーランスとして独立を検討するエンジニアにとっても、経営側の視点(財務・進捗・マーケティングをどう見ているか)を知ることは、案件選定や単価交渉の材料になるはずです。

データ分析の観点から見たAI経営OSの本質

最後に少し抽象度を上げて整理すると、AI経営OSの本質は「意思決定に必要なデータ分析のループを短くすること」に尽きると感じています。従来は、データ収集→集計→分析→判断というサイクルが週次や月次でしか回らなかったところを、エージェントが常時データソースに接続していることで、異常検知から判断までのリードタイムを詰められるようになりました。

3人という小さな組織だからこそ、この「経営管理の自動化」による時間創出は経営者自身の思考時間の確保に直結します。大企業のようにコーポレート部門を厚くできない小さな会社にとって、AI経営OSは「人を増やす代わりに役割を増やす」という選択肢になり得ると考えています。

まとめ

CFO/COO/CMO/CEOという役職単位でClaude Codeのスキルを分割し、報告ラインを模した構造にした
財務データの生成には必ず実データと推定値を分離し、人間承認のステップを残すことが事故防止の鍵だった
API従量課金の管理や認証失効の監視など、無人運用の地味な運用設計が一番のつまずきポイントだった
数値的な成果を過大に語ることは避けたいが、意思決定にかけられる時間の質は確実に変わった
フリーランスとの契約書テンプレート整備や、SESエンジニアの市場価値の話も、経営データ分析の延長線上にある

小さな会社でも、役割単位でAIエージェントを設計すれば経営の穴は埋められます。まずは自分の業務のうち「型がある繰り返し作業」を1つ選んで、それをエージェント化してみることをお勧めします。

AI駆動塾 — AIを使ったスモビジの作り方を学ぶ

Claude Code、OpenClaw、AI経営OSの実践ノウハウを毎週公開中。
月額¥4,980で過去記事すべて読み放題。

noteメンバーシップに参加する →

💼 フリーランスエンジニアの案件をお探しですか？

SES解体新書フリーランスDBでは、高単価案件を多数掲載中です。

✅ マージン率公開で透明な取引
✅ AI/クラウド/Web系の厳選案件
✅ 専任コーディネーターが単価交渉をサポート

▶ 無料でエンジニア登録する

You get articles that match your needs
You can efficiently read back useful information
You can use dark theme

What you can do with signing up