結論：本記事では「契約書レビュー自動化」について、実践的な手順と注意点を体系的に解説します。
対象読者：本テーマに興味がある実務担当者・意思決定者。
読了後にできること：本記事の要点を踏まえて、自社や自分の状況に合わせた次のアクションを判断できます。
事例区分: 実装パターン解説 — 以下は複数の法務×AI開発プロジェクトの知見をもとに構成した実装パターンです。数値は記載の測定環境での試算値であり、実環境では契約書の複雑さや業界固有の条項により結果が異なります。
結論: Claude Codeを使えば、NDA・業務委託契約のリスク条項チェックを「PDF取り込み→条項分類→リスク判定→修正案生成」のパイプラインとして自動化できる。ただし最終判断は必ず弁護士が行う設計が必須。
この記事の要点:
- 契約書レビューの75%の工数（条項の読み込み・分類・定型チェック）をClaude Codeで自動化する具体的なコードとプロンプト
- リスク条項の検出精度：適合率87%・再現率91%（Claude Opus 4.6、テスト契約書50件での試算）
- 法務×AI開発で頻出する4つの失敗パターンと、実装前に知っておくべき回避策
対象読者: 法律事務所・企業法務部のエンジニア、リーガルテック開発者、法務DXを推進するPM
今日やること: 記事内のNDAチェックプロンプトをClaude Codeで実行し、手元の契約書テンプレートで動作を確認する
なぜ今、契約書レビューにClaude Codeなのか
「この契約書、来週までにレビューお願いします」——法務部門やパラリーガルなら、週に何度もこの依頼を受けているはずだ。
正直に言うと、自分がAI研修で法律事務所を支援したとき、最初に驚いたのは「レビュー待ち」の契約書の山だった。ある中堅事務所では、1人の弁護士が月に80〜120件の契約書をレビューしていて、そのうち7割はNDAや業務委託契約といった定型パターン。条項のチェックポイントは決まっているのに、毎回ゼロから読んでいた。
2026年、リーガルAIの市場は急速に動いている。Harveyは2026年3月に評価額110億ドル（約1.7兆円）で2億ドルを調達し、10万人以上の弁護士が利用している（CNBC, 2026-03-25）。Anthropic自身も2026年5月にClaude for Legalを拡張し、DocuSignやBoxとのMCPコネクタを発表した（TechCrunch, 2026-05-12）。FTI Consulting / Relativityの2026年レポートによれば、法務部門の87%が生成AIを活用しており、前年の44%から倍増している。
ではHarveyやLegalOnのようなSaaSではなく、なぜClaude Codeなのか。答えは「自社の審査基準をコードとしてバージョン管理できる」点にある。SaaSは即座に使える反面、自社固有のリスク判定ルール——たとえば「損害賠償上限が契約金額の3倍を超える場合はハイリスク」「競業避止が2年以上ならアラート」といった基準——を細かくカスタマイズするのが難しい。Claude Codeなら、これらのルールをCLAUDE.mdに書き、Gitでバージョン管理し、CIでテストを回せる。
この記事では、Claude Codeを使った契約書レビュー自動化の実装パターンを、コピペ可能なコードとプロンプトつきで解説する。リーガルテック開発や法務DXの参考にしてほしい。
なお、AIエージェントを活用した業務自動化の基本概念については、製造業の生産管理データ自動化事例でも詳しく解説している。
契約書レビュー業務の構造——どこが自動化できるのか
レビュー業務の5ステップ
契約書レビューを分解すると、以下の5ステップになる：
- 取り込み: PDF/Wordファイルを受領し、テキストを抽出する
- 条項分類: 各条項を「秘密保持」「損害賠償」「契約期間」「解除条件」「競業避止」等のカテゴリに分類する
- リスク判定: 自社の審査基準に照らして、各条項のリスクレベルを判定する
- 修正案生成: ハイリスク条項に対する修正案（カウンタードラフト）を生成する
- 最終確認: 弁護士が修正案を確認し、クライアントに回答する
このうちステップ1〜4が自動化の対象だ。ステップ5の最終判断は、弁護士資格を持つ人間が必ず行う。これはリーガルテックの大原則であり、AIの出力を「参考情報」として位置づける設計が不可欠になる。
工数の内訳（試算）
中堅法律事務所（弁護士5〜15名規模）での典型的な工数配分を試算すると：
| ステップ | 手動での所要時間 | 自動化後の所要時間 | 削減率 |
|---|---|---|---|
| PDF取り込み・テキスト抽出 | 10分 | 1分 | 90% |
| 条項分類 | 30分 | 3分 | 90% |
| リスク判定 | 45分 | 5分 | 89% |
| 修正案生成 | 40分 | 8分 | 80% |
| 最終確認（弁護士） | 20分 | 20分 | 0% |
| 合計 | 145分 | 37分 | 約75% |
試算条件: NDA（10ページ程度）、Claude Opus 4.6、CLAUDE.mdに審査基準20項目を定義済み。2026年5月時点のClaude Code最新版で測定。
自動化の境界線——何をやらないか
重要なのは「やらないこと」を明確にすることだ。以下は自動化の対象外とすべき領域：
- M&A関連契約: 表明保証・補償条項の解釈は高度な法的判断が必要
- 金融規制対応契約: バーゼルIII/IV、金商法準拠の判定は専門知識が必須
- クロスボーダー契約: 準拠法・裁判管轄の判定は複数法域の知識が必要
- 紛争中の契約: 訴訟戦略に関わる判断はAIに委ねてはならない
対象を「NDA」「業務委託契約」「秘密保持契約」「基本取引契約」の4タイプに絞ることで、精度と実用性のバランスが取れる。
実装アーキテクチャ——Claude Code × 契約書レビューの全体像
システム構成
Claude Codeを中核に据えた契約書レビューパイプラインの構成は以下の通り：
# 動作環境:
# - OS: Ubuntu 22.04 LTS / macOS 14+
# - Claude Code: v2.1.x（Claude Max/Teamプラン）
# - Node.js: 18.x以上
# - Python: 3.10以上（PDF処理用）
# - モデル: Claude Opus 4.6（1Mコンテキスト）
# ディレクトリ構成
contract-review/
├── CLAUDE.md # 審査基準・ルール定義
├── contracts/ # レビュー対象の契約書PDF
│ ├── incoming/ # 未処理
│ ├── reviewed/ # レビュー済み
│ └── templates/ # 自社テンプレート
├── rules/
│ ├── nda_checklist.md # NDA審査チェックリスト
│ ├── service_agreement.md # 業務委託契約チェックリスト
│ └── risk_matrix.json # リスク判定マトリックス
├── scripts/
│ ├── extract_text.py # PDF→テキスト変換
│ ├── anonymize.py # 固有名詞マスク処理
│ └── report_gen.py # レビュー結果レポート生成
├── reports/ # 出力されたレビューレポート
└── tests/
└── test_contracts/ # 精度検証用テスト契約書
CLAUDE.mdの設計——審査基準をコードとして管理する
Claude Codeの最大の特徴は、プロジェクトルートのCLAUDE.mdにルールを書けば、そのルールに従ってエージェントが動く点だ。契約書レビューでは、ここに自社の審査基準を定義する。
# CLAUDE.md の記述例（契約書レビュー用）
# 動作環境: Claude Code v2.1.x + Claude Opus 4.6
cat <<'EOF' > CLAUDE.md
# 契約書レビュー審査基準
## 対象契約タイプ
- NDA（秘密保持契約）
- 業務委託契約
- 基本取引契約
- 秘密保持に関する覚書
## リスク判定基準
### HIGH リスク（必ず弁護士確認）
- 損害賠償上限が契約金額の3倍超、または上限なし
- 競業避止期間が2年超
- 準拠法が日本法以外
- 知的財産権の包括譲渡条項
- 無制限の秘密保持期間
- 一方的な契約解除権（相手方のみ）
### MEDIUM リスク（要検討）
- 損害賠償上限が契約金額の1〜3倍
- 競業避止期間が1〜2年
- 自動更新条項（解約通知期間30日未満）
- 秘密保持期間が5年超
### LOW リスク（定型通り）
- 上記に該当しない条項
## 出力フォーマット
- 各条項ごとにリスクレベル（HIGH/MEDIUM/LOW）を判定
- HIGHリスクには修正案を必ず付与
- 出力はMarkdown形式、テーブルで一覧化
- 最終行に「本レビューはAIによる参考情報です。法的助言ではありません。」を必ず付記
EOF
このCLAUDE.mdをGitで管理することで、審査基準の変更履歴を追跡でき、複数の弁護士間でレビュー基準を統一できる。これがSaaS型リーガルAIにはない、Claude Codeならではの強みだ。
MCP連携の可能性
Anthropicは2026年5月にClaude for Legalを拡張し、DocuSignやBoxとのMCPコネクタを発表している（TechCrunch, 2026-05-12）。将来的にはClaude CodeからMCP経由でドキュメント管理システムに直接アクセスし、契約書の取得からレビュー結果の格納まで一気通貫で自動化できる可能性がある。
実装Step 1——PDF取り込みと前処理
テキスト抽出スクリプト
契約書PDFからテキストを抽出するPythonスクリプト。Claude Codeのターミナルから直接実行できる。
# 動作環境: Python 3.10+, pymupdf 1.24+
# インストール: pip install pymupdf
# scripts/extract_text.py
cat <<'PYEOF' > scripts/extract_text.py
import fitz # PyMuPDF
import sys
import json
from pathlib import Path
def extract_contract_text(pdf_path: str) -> dict:
"""契約書PDFからテキストを抽出し、ページ単位で構造化する"""
doc = fitz.open(pdf_path)
pages = []
for i, page in enumerate(doc):
text = page.get_text()
pages.append({
"page_number": i + 1,
"text": text.strip(),
"char_count": len(text.strip())
})
doc.close()
return {
"file_name": Path(pdf_path).name,
"total_pages": len(pages),
"total_chars": sum(p["char_count"] for p in pages),
"pages": pages
}
if __name__ == "__main__":
if len(sys.argv) < 2:
print("Usage: python extract_text.py ", file=sys.stderr)
sys.exit(1)
result = extract_contract_text(sys.argv[1])
print(json.dumps(result, ensure_ascii=False, indent=2))
PYEOF
# 実行例
python scripts/extract_text.py contracts/incoming/nda_sample.pdf
> contracts/incoming/nda_sample.json
固有名詞マスク処理
契約書には企業名・個人名・住所といった機密情報が含まれる。Claude Codeに渡す前に、これらをマスクする前処理が重要だ。
# 動作環境: Python 3.10+
# 固有名詞を [PARTY_A], [PARTY_B], [ADDRESS] 等に置換
# scripts/anonymize.py の核心部分
cat <<'PYEOF' > scripts/anonymize.py
import re
import json
import sys
def anonymize_contract(text: str, party_map: dict) -> str:
"""契約書テキストの固有名詞をマスクする
party_map例: {"株式会社ABC": "PARTY_A", "田中太郎": "PERSON_A"}
"""
anonymized = text
replacement_log = []
for original, placeholder in party_map.items():
count = anonymized.count(original)
if count > 0:
anonymized = anonymized.replace(original, f"[{placeholder}]")
replacement_log.append({
"original_length": len(original),
"placeholder": placeholder,
"occurrences": count
})
return anonymized, replacement_log
if __name__ == "__main__":
# party_map.json: {"株式会社ABC": "PARTY_A", ...}
with open(sys.argv[1]) as f:
text = f.read()
with open(sys.argv[2]) as f:
party_map = json.load(f)
result, log = anonymize_contract(text, party_map)
print(result)
print(json.dumps(log, ensure_ascii=False), file=sys.stderr)
PYEOF
マスク処理を入れることで、Claude Codeに渡すデータから個人情報を除去できる。Anthropicの利用規約上、APIで送信されたデータはモデル学習に使用されないが、多層防御の観点から前処理でのマスクを推奨する。
実装Step 2——条項分類とリスク判定
Claude Codeでのレビュー実行
前処理済みの契約書テキストをClaude Codeに渡し、CLAUDE.mdの審査基準に従ってレビューを実行する。ポイントは「1回のプロンプトで全工程を実行しない」こと。条項分類→リスク判定→修正案生成を分離することで、各ステップの精度を検証しやすくなる。
# 動作環境: Claude Code v2.1.x, Claude Opus 4.6
# プロジェクトルートで実行（CLAUDE.mdが読み込まれる前提）
# Step 2-1: 条項分類
# Claude Codeのプロンプト（ターミナルで直接入力）
claude "contracts/incoming/nda_sample_anonymized.txt を読み込んで、
各条項を以下のカテゴリに分類してください：
1. 秘密保持義務
2. 秘密情報の定義・範囲
3. 秘密保持期間
4. 損害賠償
5. 契約期間・更新
6. 解除条件
7. 競業避止
8. 知的財産権
9. 準拠法・管轄
10. その他
出力形式:
| 条項番号 | カテゴリ | 該当テキスト（冒頭50字） |
結果を reports/nda_sample_classification.md に保存してください。"
リスク判定の実行
# Step 2-2: リスク判定（CLAUDE.mdの基準を参照して判定）
claude "reports/nda_sample_classification.md の分類結果を読み込み、
CLAUDE.mdに定義されたリスク判定基準に従って各条項のリスクレベルを判定してください。
出力形式:
| 条項番号 | カテゴリ | リスク | 判定理由 |
|----------|----------|--------|----------|
HIGHリスクの条項には、修正案（カウンタードラフト）を日本語で生成してください。
修正案は法的に有効な表現で、かつ甲乙双方にとって公平な内容にしてください。
結果を reports/nda_sample_risk_assessment.md に保存してください。
最終行に '本レビューはAIによる参考情報です。法的助言ではありません。' を必ず付記すること。"
精度ベンチマーク（試算）
以下は、50件のテスト契約書（NDA 30件、業務委託契約 20件）に対して、弁護士2名の手動レビュー結果を正解データとした精度試算の結果だ。
| 指標 | NDA | 業務委託契約 | 全体 |
|---|---|---|---|
| 適合率（Precision） | 89% | 84% | 87% |
| 再現率（Recall） | 93% | 88% | 91% |
| F1スコア | 0.91 | 0.86 | 0.89 |
測定環境: Claude Opus 4.6（2026年5月時点）、CLAUDE.mdに審査基準20項目を定義、テスト契約書は日本法準拠のNDA/業務委託契約、弁護士2名の合議結果を正解データとして使用。契約書1件あたりの平均ページ数はNDA 6ページ、業務委託契約 12ページ。
NDAは条項パターンが限定的なため精度が高く、業務委託契約は条項のバリエーションが多いためやや精度が下がる傾向がある。
実装Step 3——レビュー結果のレポート生成
構造化レポートの自動生成
リスク判定結果をもとに、弁護士が最終確認しやすい構造化レポートを生成する。
# 動作環境: Python 3.10+
# scripts/report_gen.py（レビュー結果をHTML形式で出力）
cat <<'PYEOF' > scripts/report_gen.py
import json
import sys
from datetime import datetime
def generate_review_report(assessment_path: str, output_path: str):
"""リスク判定結果からHTMLレポートを生成する"""
with open(assessment_path) as f:
assessment = f.read()
report_html = f"""
契約書レビューレポート
契約書レビューレポート
生成日時: {datetime.now().strftime('%Y-%m-%d %H:%M')}
レビューエンジン: Claude Opus 4.6 via Claude Code
{assessment}
免責事項: 本レポートはAIによる参考情報であり、法的助言ではありません。
最終的な判断は必ず弁護士にご確認ください。
"""
with open(output_path, 'w') as f:
f.write(report_html)
print(f"Report generated: {output_path}")
if __name__ == "__main__":
generate_review_report(sys.argv[1], sys.argv[2])
PYEOF
CIパイプラインへの組み込み
レビューの一連の流れをシェルスクリプトにまとめ、GitHub Actionsで自動実行することも可能だ。契約書がリポジトリにプッシュされたタイミングで自動レビューが走り、結果がPull Requestのコメントとして通知される構成にすれば、レビュー待ちのボトルネックを解消できる。
実装スタック詳細
技術構成
| コンポーネント | 技術 | 役割 |
|---|---|---|
| AIエージェント | Claude Code v2.1.x + Claude Opus 4.6 | 条項分類・リスク判定・修正案生成 |
| PDF処理 | PyMuPDF (fitz) 1.24+ | テキスト抽出・ページ構造化 |
| 匿名化 | Python標準ライブラリ | 固有名詞マスク |
| レポート生成 | Python + HTML/CSS | 構造化レビューレポート |
| バージョン管理 | Git | 審査基準・コードの変更履歴 |
| CI/CD | GitHub Actions（任意） | 自動レビュー実行 |
コスト試算
Claude MaxプランまたはTeamプランの場合、月額固定費内でClaude Codeを使い放題（レートリミットあり）。従量課金のAPI利用と比較すると、月に50件以上の契約書をレビューする場合はMaxプランのほうがコスト効率が良い。
段階的導入ロードマップ
Phase 1: PoC（1〜2ヶ月）
NDAに限定して自動レビューの精度を検証する。テスト契約書10〜20件で適合率・再現率を測定し、弁護士のフィードバックをCLAUDE.mdに反映する。この段階では「AIのレビュー結果を弁護士が確認する」ワークフローを確立することが目標。
Phase 2: 対象拡大（3〜4ヶ月）
業務委託契約・基本取引契約に対象を拡大する。契約タイプごとにチェックリスト（rules/配下のMarkdownファイル）を追加し、リスク判定マトリックスを拡張する。この段階でCIパイプラインへの組み込みを開始する。
Phase 3: 高度化（5〜8ヶ月）
過去のレビュー結果を蓄積し、頻出するリスクパターンのデータベースを構築する。Claude CodeのMCP連携でドキュメント管理システム（Box、SharePoint等）と接続し、契約書の取得からレビュー結果の格納まで自動化する。
定量結果（試算）
導入前後の比較
| 指標 | 導入前 | 導入後（試算） | 改善率 |
|---|---|---|---|
| NDA 1件あたりのレビュー時間 | 145分 | 37分 | 75%削減 |
| 月間レビュー処理件数（弁護士1名） | 80件 | 200件（試算） | 2.5倍 |
| リスク条項の見落とし率 | 8%（試算） | 2%（試算） | 75%改善 |
| レビュー結果の納品リードタイム | 3営業日 | 1営業日（試算） | 67%短縮 |
試算条件: NDA（10ページ程度）を対象。Claude Opus 4.6、CLAUDE.mdに審査基準20項目定義。弁護士1名+エンジニア1名の2人体制。2026年5月時点の試算であり、契約書の複雑さにより結果は変動する。
ROI試算
弁護士の時間単価を1万5,000円/時間と仮定した場合：
- 月間削減時間: (145分 – 37分) × 80件 ÷ 60 = 144時間/月
- 月間コスト削減効果: 144時間 × 1.5万円 = 216万円/月（試算）
- Claude Maxプラン: 月額約3万円
- ROI: 初月から72倍（試算）
この試算は弁護士の時間が完全に他の業務（クライアント対応、M&A案件等のより付加価値の高い業務）に振り替えられる前提。実際の効果は事務所の案件構成により異なる。
よくある失敗パターンと回避策
失敗1: 全契約タイプを一度に自動化しようとする
❌ 失敗パターン: 「NDAも業務委託もM&Aも全部Claude Codeでレビューする」と欲張り、CLAUDE.mdの審査基準が100項目超に膨張。精度が全体的に低下し、弁護士が「全件手動で再チェック」する羽目になる。
⭕ 回避策: NDAから始める。NDAは条項パターンが限定的（秘密保持期間、対象情報の定義、損害賠償上限の3点がほぼ全て）で、精度検証がしやすい。Phase 1でNDAの精度を90%以上に安定させてから対象を広げる。
失敗2: 匿名化処理をスキップして生の契約書を投入する
❌ 失敗パターン: 「Anthropicは学習に使わないから大丈夫」と匿名化をスキップ。社名・個人名・住所がそのまま渡され、社内セキュリティ監査で問題になる。
⭕ 回避策: 多層防御の原則に従い、必ず前処理で固有名詞をマスクする。上記のanonymize.pyのように、party_mapで管理すればマスク→復元も容易。コンプライアンス部門への説明資料としても、前処理の存在が重要になる。
失敗3: AIの出力を弁護士レビューなしでクライアントに送付する
❌ 失敗パターン: 「AIのレビュー精度が90%超なら、弁護士の確認は不要では」と判断し、AI生成の修正案をそのままクライアントに回答。法的に無効な表現が含まれていて信頼を失う。
⭕ 回避策: レビューレポートの全ページに「本レビューはAIによる参考情報です。法的助言ではありません。」を自動挿入する。弁護士の最終確認ステップをワークフローから外さない。これはリーガルテックの大原則であり、Harveyなどの先行サービスも同じ設計を採用している。
失敗4: CLAUDE.mdの審査基準を更新せずに放置する
❌ 失敗パターン: 初期設定のCLAUDE.mdを半年間更新しない。法改正（改正個人情報保護法、インボイス制度等）への対応が遅れ、古い基準でレビューが続く。
⭕ 回避策: CLAUDE.mdをGit管理し、月次でレビュー基準の棚卸しを行う。法改正情報はClaude CodeのWebSearch機能やMCP連携で自動収集し、CLAUDE.mdの更新をPull Requestベースで運用する。変更履歴が残るため、「いつ、誰が、何の基準を変更したか」を追跡できる。
適用余地のある業界・規模
横展開の可能性
この実装パターンは、契約書に限らず「定型的な文書を基準に照らしてチェックする」業務全般に応用できる。
- 特許事務所: 明細書ドラフトのクレーム範囲チェック
- 税理士事務所: 税務申告書の数値整合性検証
- 社会保険労務士事務所: 就業規則の法令準拠チェック
- 監査法人: 財務諸表の注記事項レビュー
いずれも「チェックリストが明文化できる」「最終判断は有資格者が行う」という2条件を満たす業務であれば、同じアーキテクチャ（CLAUDE.md + 前処理スクリプト + Claude Code）を適用できる。
なお、金融業界でのClaude Code活用については銀行コンプライアンス審査の書類処理を85%削減した実装事例、物流業界については物流配車の最適化でルート工数55%削減した事例も参考にしてほしい。
まとめ: 今日から始める3つのアクション
- 今日やること: 上記のCLAUDE.md設計例をコピーし、手元のNDAテンプレート1件でClaude Codeのレビューを試す。30分で動作確認できる
- 今週中: テスト契約書5件でリスク判定の精度を測定し、弁護士のフィードバックをCLAUDE.mdに反映する
- 今月中: 匿名化スクリプトを整備し、本番契約書でのPoC運用を開始する
次回予告: 次の記事では、Claude Codeを使った「特許明細書のクレーム分析自動化」の実装パターンを紹介する予定です。
参考・出典
- Legal AI startup Harvey valued at $11 billion in funding round — CNBC（参照日: 2026-05-14）
- The AI legal services industry is heating up — Anthropic is getting in on the action — TechCrunch（参照日: 2026-05-14）
- How legal teams put Claude to work — Anthropic（参照日: 2026-05-14）
- Claude Code | Anthropic’s agentic coding system — Anthropic（参照日: 2026-05-14）
- SoftBank-backed LegalOn lands $50M to streamline legal workflows with AI — TechCrunch（参照日: 2026-05-14）
- Claude Code overview — Claude Code Docs（参照日: 2026-05-14）
著者: 佐藤傑（さとう・すぐる）
株式会社Uravation代表取締役。X（@SuguruKun_ai）フォロワー約10万人。
100社以上の企業向けAI研修・導入支援。著書『AIエージェント仕事術』（SBクリエイティブ）。
SoftBank IT連載7回執筆、NewsPicks最大1,125ピックス。
ご質問・ご相談は お問い合わせフォーム からお気軽にどうぞ。
最終確認日：2026年5月19日
契約書レビュー自動化｜Claude Code×法務の実装事例とは
Claude Codeによる業務自動化とは、既存のコード、ログ、業務データ、手順書をもとに、Claude Codeで実装・検証・改善を進める開発ワークフローです。この記事のテーマである「契約書レビュー自動化｜Claude Code×法務の実装事例」も、AIの出力をそのまま正解にするのではなく、人が確認する前提で使うことで実務に落とし込みやすくなります。 この記事では、Claude Codeを使った契約書レビュー自動化の実装パターン。条項チェック・リスク抽出・修正提案の具体的コードと、法務×AI開発で陥りやすい失敗パターンの回避策を解説。という観点を中心に整理しています。
まず結論
まず結論として、AIは作業を速くする道具ですが、事実確認、個人情報・機密情報の扱い、外部公開前の確認は人が担うべきです。小さな業務から始め、確認手順を残すことで、記事内の手順を現場で再現しやすくなります。
比較・整理表
| 観点 | AIで軽くできること | 人が確認すること |
|---|---|---|
| 要件整理 | 業務フロー、入力、出力、制約を文章化する | 個人情報、契約情報、権限範囲を確認する |
| 実装 | スクリプト、テスト、連携処理を作る | 本番データで直接試さない |
| 運用 | ログ、失敗時の通知、再実行手順を整える | 人が確認するレビュー境界を残す |
実務で使う手順
- 対象業務と成果物を1つに絞ります。
- 入力してよい情報と入力してはいけない情報を分けます。
- AIの下書きを作り、事実・日付・数字・固有名詞を確認します。
- 公開または社内共有の前に、担当者が最終確認します。
- 使ったプロンプトと修正点を残し、次回のテンプレートに反映します。
公式ソース
FAQ
Claude Codeの事例をそのまま自社に使えますか？
業務データ、権限、既存システムが異なるため、要件と安全確認を自社向けに調整します。
本番導入前に何を確認しますか？
テストデータでの再現性、ログ、権限、失敗時の戻し方、担当者のレビュー手順を確認します。
