アパレルMD業務をClaude Codeで効率化｜想定モデル事例

MDの「Excelに溶ける一週間」を、想定モデルで観察したら見えてきたこと

正直に書きますが、私が初めて中堅アパレルブランドのMDチームに伴走した時、最初に驚いたのは「コア業務の9割が、Excelファイルの上で起きている」という光景でした。SKU別の売上ファイル、店舗別の在庫ファイル、消化率の推移ファイル、値引き計画のシミュレーション、SNS反応の集計、それぞれが別々のExcelやスプレッドシートに散在していて、MD責任者が毎週月曜の朝に手作業で結合して、火曜の週次会議までに「先週の振り返り」と「今週のアクション」を整理する。これがアパレルMDの標準的な一週間でした。

この光景を見て、「ここはClaude Codeが効くな」と直感したのですが、現場のMD責任者と話してみると、最初の反応は警戒一色でした。「数字をAIに任せて間違ったら、シーズン丸ごと吹き飛ぶ」「品揃え企画はバイヤーの感性で、AIに任せるものじゃない」「SNSの兆しなんて、AIがわかるわけがない」。どれも、現場の感覚として真っ当な反応です。

ただ、よく観察すると、MDの一週間の中でAIに任せていい工程と、絶対に人間が判断すべき工程は、はっきり線引きできるんです。「数字を集めて整える」「資料を整形する」「兆しを拾ってリスト化する」「コピーの初稿を量産する」これらはAIに任せていい。一方で「シーズンのテーマを決める」「予算を割く商品群を選ぶ」「店舗別に配分の重みづけを変える」「値引きのタイミングを判断する」これらは絶対にバイヤー・MD責任者・ディストリビューターの判断領域です。

本記事は、この線引きを前提に、Claude Codeをアパレル MDの「下ごしらえ係」として組み込む想定モデルケースを、データ・フレームワーク・実装プロンプトまで踏み込んで深掘りします。なお出てくる数字や削減率は、複数ブランドへのヒアリングと一般的なMD業務の所要時間から逆算した想定モデルケースであり、特定ブランドの実績ではありません。最終的なMD判断は必ず人間が行う前提で読み進めてください。

なぜアパレルMDは「Claude Code」と相性がいいのか — チャットUI型AIとの違い

アパレルMDにAIを使う、と聞いて多くの方が最初に思い浮かべるのは、ChatGPTやGeminiのようなチャットUIで「今週のSKU別ABC分析やって」と頼む使い方だと思います。これも一部の作業では有効ですが、MD業務の特性を考えると、チャットUIだけでは運用が回り切らない領域が複数あります。

具体的に何が違うかというと、Claude Codeは「ローカルファイルを直接読み書きできるエージェント」として動作します。これがMD業務に効くポイントです。たとえば、SKUマスタを sku_master.csv、店舗マスタを store_master.csv、週次売上を sales_2026wk20.csv として保存しておけば、毎週のチャットで「SKU 100行をコピペで貼り付けて、店舗 50行も貼って…」という作業がそもそも不要になります。Claude Codeに「今週の sales ファイルを sku_master と store_master でジョインして、店舗別の消化率を出して」と頼むだけで、必要なファイルを開いて結合してくれます。

もう一つの違いは、CLAUDE.mdというプロジェクト共通のルールファイルを自動で読み込んでくれることです。「うちのブランドはABCランクの境界線を消化率70%・40%で切る」「店舗別配分の重みは旗艦店2.0、路面店1.2、商業施設店1.0、アウトレット0.6を基準とする」「サスティナビリティの開示はGRIのGRI 416・417を参照する」といった、各ブランド固有のルールを一度書いておけば、別のMDメンバーがセッションを立ち上げても、出てくる分析の前提が揃います。これはチャットUIで毎回プロンプトを書き直す運用では再現しにくい品質です。

さらに、CSV・Markdown・JSON・Pythonコードを直接生成・編集できる点も、MD実務で効きます。SKU 5,000件の売上集計を pandasで処理する、店舗別の在庫を可視化するMatplotlibチャートを生成する、商品コピー300本をCSVに整形してECシステムに一括投入する。これらをClaude Codeに任せると、MD担当が「Excelで関数組み直し」「ピボットテーブル作り直し」「VLOOKUPでエラー」の往復から解放されます。

つまり、Claude Codeは「単発の質問に答えるAI」ではなく「MD業務に常駐するアナリスト」として運用する設計のツールです。だからこそアパレルブランドのようにルーティンが厚い現場に向いている、というのが想定モデルでの結論になります。

想定シナリオ:中堅アパレルブランド「Brand Y(仮)」のMDチーム

具体例があった方が読みやすいので、本記事では中堅アパレルブランド「Brand Y(仮称)」を想定モデルとして話を進めます。実在のブランドではなく、複数ブランドの事情を平均化した架空モデルです。

事業概要(想定)

• 業態:婦人服中心、メンズ・キッズ・雑貨も展開。価格帯はミドル(ワンピース1.2万〜2.5万、アウター3.0万〜6.0万)
• SKU数:春夏シーズン約4,500、秋冬シーズン約4,800。年間SKU約9,300。継続品(定番)が約20%、シーズン品が約80%
• 店舗数:直営店58店舗(旗艦店3、路面店12、商業施設店40、アウトレット3)。EC自社サイト1、ZOZOTOWN・楽天ファッション・Amazonファッションに出店
• 年商規模:120億円規模(うちEC比率約32%)
• MDチーム構成:MD責任者2名、バイヤー6名(レディース3・メンズ2・キッズ雑貨1)、プランナー3名、ディストリビューター(店舗別配分)4名、EC MD専任2名

導入前の悩み(想定モデル)

1. 週次MD会議の準備が重い:毎週月曜にバイヤー・ディストリビューター・店舗運営が集まる週次会議の資料(SKU別売上ランキング、店舗別消化率、トレンド変化、来週のアクション)を、MD責任者と各バイヤーが手作業で作成。1人あたり週4〜6時間。チーム全体で週30〜40時間が会議準備に消えている
2. SKU別ABC分析の更新が手作業:SKU 4,500を週次でABC分析する作業を、Excelで担当者が手作業更新。基準が担当ごとに微妙にぶれて、後で集計が合わない
3. 店舗別配分の判断が属人化:ディストリビューター4名が、それぞれ独自のExcelで配分シミュレーションをしている。同じ商品でも担当によって配分結果が異なる。新人ディストリビューターの育成に半年以上かかる
4. SNS・口コミの兆しを取りこぼす:Instagram、TikTok、ZOZOTOWN口コミ、楽天レビューに「次に来そうな兆し」がたくさんあるのに、誰も体系的に拾っていない。たまにバイヤーが気づいて社内Slackに投げる程度
5. 商品コピーの整形がEC MDを圧迫:春夏SKU 4,500のうち、ECに掲載するのが約3,500SKU。それぞれに自社サイト用・ZOZO用・楽天用と3媒体分のコピーを書く必要があり、EC MD 2名が月に150〜200時間をコピー整形に費やしている
6. サスティナビリティ開示の補助資料作成が膨大:GRI Standards、ISSB、SSBJの動向に合わせた開示資料・社内資料の作成で、サスティナビリティ担当が四半期に40〜60時間を「資料の下書きと整形」に使っている

このどれもが「MD担当者の能力の問題」ではなく、「並べ替えと整形に時間が取られすぎている」問題です。Claude Codeをここに差し込みます。

Claude Codeをアパレル MDに差し込む6つのポイント

差し込みポイントを工程順に整理すると、次のようになります。各ポイントごとに、後の章でコピペ可能なプロンプト・スクリプトを示します。

1. 週次MD会議の事前資料生成 — sales / inventory / store_master / sku_master の各CSVから、週次サマリーを自動生成する
2. SKU別ABC分析と「死筋・売れ筋」自動分類 — 消化率・前年比・回転率・粗利率を組み合わせて、SKUを9象限に自動分類する
3. 店舗別在庫最適化のシミュレーション — 店舗特性(立地・客層・坪数)・直近の販売傾向・在庫水位から、最適な配分案を3パターン提示する
4. SNS・口コミトレンドの兆し抽出 — Instagram投稿、ZOZOTOWN口コミ、楽天レビューのテキストから、来季の兆しキーワードを抽出してリスト化する
5. 商品コピーの媒体別量産 — 1SKUの素材・色・サイズ・特徴から、自社EC用・ZOZO用・楽天用・SNS用のコピーを自動生成する
6. サスティナビリティ開示の下書き補助 — GRI・ISSB・SSBJの開示要求項目を整理し、社内データから一次ドラフトを生成する

注意:6つすべてで、最終判断は人間が行います。Claude Codeはあくまで「下ごしらえ係」「整形係」に徹してもらう設計です。

差し込みポイント1:週次MD会議の事前資料生成

アパレル MDの一週間は、月曜の週次会議を中心に回ります。週次会議では「先週何が売れて何が売れなかったか」「今週どこに在庫を寄せるか」「値引きをいつ開始するか」「次の追加発注をどうするか」を決めます。この会議の事前資料を、Claude Codeで自動生成する想定です。

準備するファイル構造

brand_y_md/
├── CLAUDE.md                # ブランド共通ルール(後述)
├── data/
│   ├── sku_master.csv       # SKUマスタ
│   ├── store_master.csv     # 店舗マスタ
│   ├── sales_2026wk20.csv   # 週次売上
│   ├── inventory_2026wk20.csv  # 週次在庫
│   └── archives/            # 過去週次データ
├── prompts/
│   ├── weekly_summary.md    # 週次サマリープロンプト
│   ├── abc_analysis.md      # ABC分析プロンプト
│   └── ...
├── outputs/
│   ├── weekly_meeting/      # 週次会議資料の出力先
│   ├── trend_briefs/        # トレンド兆し抽出の出力先
│   └── ...
└── brand_guides/
    ├── md_rules.md          # MD運用ルール
    ├── sustainability.md    # サスティナビリティ方針
    └── ...

CLAUDE.mdの中身は、おおむね次のようなものを置いておきます。これだけ書いておけば、以降のセッションで「うちのブランドのABCランクは…」「店舗別重みは…」を毎回説明する必要がなくなります。

# Brand Y - MD運用ルール (CLAUDE.md)

## ブランド前提
- 業態:婦人服中心、メンズ・キッズ・雑貨も展開
- 価格帯:ミドル(ワンピース1.2万〜2.5万、アウター3.0万〜6.0万)
- 店舗:直営58店舗(旗艦3/路面12/商業施設40/アウトレット3) + EC
- シーズン:春夏(2-7月)、秋冬(8-1月)。SKUは年間9,300前後

## ABCランクの定義(消化率ベース、毎週金曜終業時点)
- A: 消化率70%以上、回転率2.5以上
- B: 消化率40-70%、回転率1.5-2.5
- C: 消化率40%未満、回転率1.5未満

## 店舗別配分の基準ウェイト(初期値)
- 旗艦店:2.0
- 路面店:1.2
- 商業施設店:1.0
- アウトレット:0.6
- (季節・天候・周辺イベントで±0.2の調整可)

## 値引きの初動タイミング目安
- シーズンイン後8週目時点で消化率40%未満のSKU → 値引き候補
- 12週目時点で消化率55%未満 → 値引き必須
- 投入時の上代に対して、初動値引きは20%、2nd値引きは35%、最終50%が標準

## 出力の前提
- すべての分析はCSV+短いマークダウンレポートで返す
- 数字の前提となるソースファイルを必ずファイル名で明記する
- 推測ではなく実データに基づくこと。データが不足する場合は「不明」と返す
- 最終MD判断は人間が行うため、機械が「結論を断定する」表現は避ける

## サスティナビリティ
- 参照標準:GRI Standards、ISSB(IFRS S1/S2)、SSBJ草案
- 開示対象データ:CO2排出量(Scope 1/2/3)、廃棄量、リサイクル率、サプライヤー監査結果
- 詳細は brand_guides/sustainability.md を参照

実装手順1:週次サマリープロンプト

月曜朝、MD責任者が次のプロンプトを Claude Code に渡すと、火曜の週次会議で使う資料の8割が自動で生成されます。

あなたはBrand YのMD責任者を支える「下ごしらえアナリスト」です。
CLAUDE.mdの前提に必ず従ってください。

以下を生成してください。

1. data/sales_2026wk20.csv と data/inventory_2026wk20.csv を読み込む
2. sku_master.csvとjoinし、カテゴリ別(レディース/メンズ/キッズ/雑貨)
   およびアイテム別(ワンピース/トップス/ボトムス/アウター/雑貨)で
   売上・前年比・在庫水位・消化率を集計
3. 以下4つのアラートを抽出:
   (a) 売れすぎ警報:消化率90%超で在庫1週分未満のSKU
   (b) 死筋警報:投入8週経過・消化率40%未満のSKU
   (c) 急上昇警報:前週比200%超のSKU
   (d) 失速警報:過去3週で売上が30%以上落ちたSKU
4. 結果を outputs/weekly_meeting/2026wk20_summary.md に保存
5. 同時に2026wk20_alerts.csv を保存(列:sku_id, alert_type, current_kpi, recommended_action_draft)
6. レポート末尾に「人間判断が必要な論点」セクションを設け、
   3〜5項目を会議の議題候補として列挙する

このプロンプト1本で、MD責任者1名で6時間かかっていた週次会議事前準備が、Claude Code実行 + 人間レビュー30分の合計1時間程度に圧縮されます(想定例)。週30〜40時間の会議準備が、週10時間前後に減る試算です。

大事なのは、最後の「人間判断が必要な論点」セクションです。Claude Codeに「結論を出させない」「議題候補を出させる」設計にすると、会議の質を保ったまま準備時間だけ削れます。バイヤー・ディストリビューターは資料を読むことに時間を使うのではなく、議論することに時間を使えるようになります。

差し込みポイント2:SKU別ABC分析と9象限分類

アパレル MDのコア指標であるABC分析を、Claude Codeで毎週自動更新します。単純なABCだけでなく、消化率×回転率の二軸で9象限に分類することで、SKUのライフサイクル管理を高度化できます。

9象限分類の考え方

	回転率 高(2.5+)	回転率 中(1.5-2.5)	回転率 低(-1.5)
消化率 高(70%+)	① 看板SKU(追加発注検討)	② 堅実売れ筋(継続)	③ 高単価長期売り(維持)
消化率 中(40-70%)	④ 後伸び期待(店舗配分見直し)	⑤ 標準帯(現状維持)	⑥ 緩慢消化(値引き準備)
消化率 低(-40%)	⑦ 初動失敗(店舗集約)	⑧ 厳しい(値引き必至)	⑨ 死筋(早期見切り)

実装手順2:9象限分類プロンプト

data/sales_2026wk20.csv と data/inventory_2026wk20.csv、
data/sku_master.csv を結合し、各SKUに対して以下を算出してください。

- 消化率 = (累計販売数 / 投入数) * 100
- 週次回転率 = (週次販売数 / 期初在庫数)
- 投入経過週数 = (現在週 - 投入週)

CLAUDE.mdの境界値に従って、各SKUを9象限のいずれかに分類し、
outputs/weekly_meeting/2026wk20_9quadrant.csv に出力してください。

列:sku_id, sku_name, category, price, weeks_since_launch,
   shokahi_pct, kaiten, quadrant, action_draft

action_draft は CLAUDE.md の値引きタイミング目安と組み合わせ、
象限ごとに以下のアクション候補を提示してください。

- 象限①:追加発注検討
- 象限②③:現状維持
- 象限④:店舗別配分の再評価(旗艦・路面に寄せる案を併記)
- 象限⑤:継続
- 象限⑥:8週時点で消化率55%以下なら2週後に値引き準備開始
- 象限⑦:消化好調店舗への集約候補
- 象限⑧:値引き必至。1st値引き(-20%)を提案
- 象限⑨:早期見切り(2nd値引き-35%もしくは見切り処分)

ただし、これらはあくまで draft であり、
最終判断はバイヤー・MD責任者が行うことを末尾に明記してください。

9象限分類が定着すると、週次MD会議での議論が「象限⑦の集約候補は本当に集約していいか」「象限⑥のうち何を値引きから外すか」のように、具体的な象限ベースで進みます。バイヤーごとに「これはAランク」「これはBランク」と感覚で言い合う時間が減って、議論の生産性が上がります。

差し込みポイント3:店舗別在庫配分のシミュレーション

店舗別配分は、アパレルMD業務の中でも特に属人化しやすい領域です。「あの店舗は今このカテゴリが伸びている」「先月は天候で動かなかった」「来週イベントがあるから多めに」といった、ディストリビューターの暗黙知が判断を支えています。

Claude Codeでこの暗黙知を完全に代替するのは不可能ですし、すべきでもありません。ただし、配分の「初動案」を3パターン用意するだけで、ディストリビューターの判断時間は大幅に短縮できます。

実装手順3:配分シミュレーションプロンプト

data/sku_master.csv、data/store_master.csv、
data/sales_2026wk20.csv、data/inventory_2026wk20.csv を読み込み、
以下のSKUに対して店舗別配分の初動案を3パターン作成してください。

対象SKU: SKU_ID = 'AW26-OUT-CHESTERCOAT-NAVY-38'
新規投入数: 240枚

3パターン:
A. 標準配分:CLAUDE.mdの初期ウェイトに従う(旗艦2.0/路面1.2/商業1.0/アウトレット0.6)
B. 旗艦寄せ:旗艦店を2.5に上げ、アウトレットを0.4に下げる
   (新作で旗艦集客を狙う案)
C. 商業重点:商業施設店を1.4に上げ、路面を1.0に下げる
   (店舗別過去同カテゴリ売上で実績ある商業店に寄せる案)

各パターンで、店舗別の配分枚数表を生成してください。
列:store_id, store_name, store_type, weight, allocated_qty, rationale

「rationale」列には、その店舗にこの枚数を配る根拠を1〜2文で書いてください。
過去同カテゴリ(アウター・ネイビー系・38サイズ)の店舗別実績を、
data/archives/ にある過去シーズンファイルから引いて根拠化してください。

3パターン比較表(リスク・期待効果・売り切り見込み)も末尾に添付してください。
最終決定はディストリビューター・MD責任者が行うため、断定表現は避けてください。

このプロンプトの出力をディストリビューターがレビューし、「Bパターンを基本に、店舗XYZだけ修正」と微調整するワークフローが、想定モデルでは現実的です。1SKUあたり配分検討に30〜40分かかっていた作業が、10〜15分に圧縮できる試算です(想定例)。

新人ディストリビューターの育成にも効きます。3パターン+rationaleを見ることで、ベテランの判断ロジックを言語化された形で学べるので、半年かかっていた育成期間が、3〜4ヶ月に短縮できる可能性があります。

差し込みポイント4:SNS・口コミトレンドの兆し抽出

アパレル MDで「次のトレンドの兆し」を拾う作業は、これまで属人的でした。Instagramでフォロワーが多いMD責任者が「最近こういう投稿が増えてる」とSlackに投げる、たまにバイヤーが店頭で「お客さんがこういう質問する」と気づく、という散発的な情報源に頼っていました。

Claude Codeを使うと、この「兆し収集」を週次ルーティン化できます。前提として、SNSデータの取得はAPI・スクレイピング・社内ツール経由など、自社で正規に取得した範囲のテキストデータを使います。各プラットフォームの利用規約を順守し、許諾外のスクレイピングは行わない前提で運用してください。

実装手順4:兆し抽出プロンプト

data/sns/instagram_2026wk20.csv、
data/reviews/zozo_reviews_2026wk20.csv、
data/reviews/rakuten_reviews_2026wk20.csv を読み込み、
以下の兆しを抽出してください。

入力データの前提:
- instagram_2026wk20.csv: 自社で正規取得した、Brand Y関連ハッシュタグ
  または公式アカウントへのメンションを含む投稿のテキストデータ
- zozo_reviews_2026wk20.csv: 自社商品のZOZOTOWN口コミテキスト
- rakuten_reviews_2026wk20.csv: 自社商品の楽天レビューテキスト

抽出する観点:
1. 急上昇キーワード:前週比で言及が1.5倍以上増えた名詞・形容詞
2. 不満ポイント:口コミに繰り返し出る「サイズ感」「色の見え方」
   「素材感」のネガティブ表現
3. ポジティブ評価:お客さん独自の言葉で語られる魅力ポイント
   (商品ページに転用できそうな表現)
4. 着回し情報:「○○と合わせた」という他アイテムとのコーディネート言及
5. 来季への示唆:「次もこういうのが欲しい」という購買意向のサイン

出力:outputs/trend_briefs/2026wk20_signals.md
- 観点ごとにセクション分け
- 各兆しに「該当口コミ数」「代表的な発言の抜粋(3〜5件、原文ママ)」を添付
- 商品名・SKU IDが特定できる場合は併記

注意:
- 個人が特定できる情報・ユーザー名はマスキング
- ヘイト・差別的表現は記録対象外、抽出しない
- 兆しの妥当性判断は最終的にMDチームが行うため、
  AIが「これは確実な兆し」と断言する表現は避ける

このプロンプトを週次で回すだけで、これまで散発的に拾われていた「兆し」が、毎週月曜の週次MD会議に「signals.md」として持ち込まれるようになります。MD会議で「先週の兆し3つ」を眺めながら、「これは継続観察」「これは即座に追加発注」「これは来季企画に取り込む」と仕分けする時間が、年間で見れば数百の意思決定を生みます。

ただし注意点として、SNSの兆しは「ノイズ8:シグナル2」の世界です。Claude Codeが拾った兆しを全部信じると、ノイズに振り回されます。MD責任者・ベテランバイヤーの「これは本物の兆し」「これはノイズ」を見極める目が、引き続き重要です。

差し込みポイント5:商品コピーの媒体別量産

春夏SKU 4,500のうち3,500SKUにEC媒体ごとのコピーを書く作業は、EC MD 2名にとって毎月100〜200時間の固定費でした。Claude Codeで「商品コピーの一次ドラフト」を媒体別に量産することで、EC MDは「整形」から「最終チェックと差し替え」に役割を変えられます。

実装手順5:商品コピー量産プロンプト

data/sku_master_extended.csv を読み込んでください。
このCSVには以下の列が含まれています:
- sku_id, sku_name, category, item_type
- material, color_name, color_code, sizes
- price_jpy, sustainability_tags(綿100%/オーガニックコットン/再生素材等)
- feature_tags(ストレッチ/防シワ/ウォッシャブル等)
- season, brief_description(バイヤー記入の素案、50字以内)

以下4媒体向けに、各SKUのコピーを生成してください。

[A] 自社EC用 (200〜250字)
- 商品の特徴・着用シーン・コーディネート提案を中心に
- 文末は「です・ます」調
- 「絶対に」「最高の」など断定的すぎる表現は避ける
- ブランド固有の禁止表現は brand_guides/ng_words.md に従う

[B] ZOZOTOWN用 (120〜150字)
- 検索流入を意識し、素材名・カテゴリ名・色名を冒頭に
- 着丈・サイズ感の客観情報を後半に
- 「コーデ」「着回し」など実用的なキーワードを織り込む

[C] 楽天用 (100〜130字)
- 楽天特有の慣習に合わせ、特徴を箇条書き的に
- 「【素材】コットン100%」のように属性を明示
- セール訴求は別途運用なので、ここでは商品本体の魅力に絞る

[D] Instagram用 (50〜80字 + ハッシュタグ5〜8個)
- 主要訴求1点 + コーディネートの動詞(合わせる、羽織る、効く 等)
- ハッシュタグは #BrandY #商品カテゴリ + 季節 + 着用シーン

出力:outputs/copy/copy_2026ss_batch1.csv
列:sku_id, ec_copy, zozo_copy, rakuten_copy, instagram_copy,
   hashtags, qc_flags

qc_flags列には、AI出力での懸念点(禁止表現候補/曖昧表現/
誇張可能性)を「該当あり/なし」で出力してください。

最終チェックは必ずEC MDが行ってから掲載してください。

このプロンプトで生成された4媒体×3,500SKU = 1.4万件の一次ドラフトを、EC MDが目視チェックして媒体管理画面に投入するワークフローに変えると、月150〜200時間のコピー整形業務が、月50〜70時間の最終チェック業務に圧縮されます(想定例)。

注意点として、AIが生成したコピーをそのまま入稿してはいけません。特に「ストレッチが効いていて」「驚きの軽さ」のような事実主張に近い表現は、実態と乖離するとお客さんを誤認させます。素材試験データ・社内品質基準を裏取りした上で、最終判断はEC MD・バイヤーが行う前提です。

また景品表示法・薬機法の観点もあります。「最高の保温性」「業界最薄」のような優良誤認・有利誤認のリスクがある表現は、AI出力でも避けるルールをCLAUDE.mdに明記しておきます。

差し込みポイント6:サスティナビリティ開示の下書き補助

2024年以降、アパレル業界でもサスティナビリティ開示の重要性が増しています。GRI Standards(国際的なサスティナビリティ報告基準)、ISSB(国際サステナビリティ基準審議会)のIFRS S1/S2、日本のSSBJ(サステナビリティ基準委員会)の動向に合わせて、ブランド規模が大きくなるほど開示対応の負担が増えています。

Claude Codeをこの領域で使う場合は、最終的な開示文書の責任は必ずサスティナビリティ担当・経営層が負う前提で、「下書き作成」と「データ集計の整形」に役割を絞ります。

実装手順6:サスティナビリティ開示ドラフトプロンプト

brand_guides/sustainability.md を必ず参照してください。
そこには Brand Y が参照する開示基準(GRI Standards / ISSB IFRS S1・S2
/ SSBJ草案)と、自社の重要課題(マテリアリティ)の優先順位が
記載されています。

以下のデータを読み込み、年次サスティナビリティレポートの
「製品・サプライチェーン」セクションの一次ドラフトを生成してください。

入力:
- data/sustainability/co2_emissions_fy2025.csv (Scope 1/2/3)
- data/sustainability/material_usage_fy2025.csv (素材別使用量)
- data/sustainability/supplier_audit_fy2025.csv (サプライヤー監査結果)
- data/sustainability/circular_index_fy2025.csv (再生素材比率・回収量)

生成内容:
1. 「素材調達のサスティナビリティ」セクション
   - オーガニックコットン、リサイクルポリエステルなど
     認証素材の使用比率(GRI 301-2 リサイクル材料使用)
   - 数値は実データのみ。データなしの項目は「データ未集計」と明記
2. 「サプライヤー監査と人権」セクション
   - 監査実施工場数、改善要請件数、是正完了件数
     (GRI 414 サプライヤー社会評価)
3. 「気候関連リスクの考え方」セクション
   - ISSB IFRS S2 が要求する物理的リスク・移行リスクの
     考え方を簡潔に紹介(数値開示なし、定性的記述に留める)

出力形式:Markdown形式で outputs/sustainability/fy2025_draft.md

注意事項:
- 数値は必ず入力CSVから引用し、引用元ファイル名を脚注に明記
- 推測・補間は一切しない
- 「業界ベストプラクティス」「業界水準を上回る」のような
  比較断定表現は避ける(独自調査の根拠が必要)
- 最終公表前にサスティナビリティ担当・法務・経営層の
  承認が必要であることを冒頭に明記

このプロンプトで生成された一次ドラフトを、サスティナビリティ担当が「主張の根拠」「数値の正確性」「経営層メッセージとの整合性」の観点でレビューしていくと、四半期40〜60時間の「資料の下書きと整形」が、20〜30時間の「ドラフトレビューと推敲」に置き換わる試算です(想定例)。

サスティナビリティ開示は、グリーンウォッシング(実態以上の環境配慮アピール)が大きなリスクです。AIが生成したドラフトに、根拠の弱い「業界トップクラス」「環境負荷を大幅削減」のような表現が紛れ込まないか、必ず人間が逐語チェックしてください。最終責任は人間が負う前提を社内で徹底することが、AI活用の前提条件です。

週次運用パイプラインを1つにまとめる

ここまで6つの差し込みポイントを別々に説明しましたが、実運用ではこれらを「週次パイプライン」として1本化することを推奨しています。MD責任者が月曜朝に1本のコマンドを叩くと、6つの工程が順に走る構造です。

# 月曜朝 9:00 のルーティン (想定)
$ claude code run prompts/weekly_pipeline.md

# weekly_pipeline.md の中身イメージ
1. 週次サマリー生成 (実装手順1)
2. 9象限分類 (実装手順2)
3. 値引き候補SKUに対する配分シミュレーション (実装手順3)
4. SNS・口コミからの兆し抽出 (実装手順4)
5. 来週投入SKUに対するコピー量産 (実装手順5)
   ※サスティナビリティ開示は四半期次のため毎週は含めない

出力先:
- outputs/weekly_meeting/2026wk20_summary.md
- outputs/weekly_meeting/2026wk20_9quadrant.csv
- outputs/weekly_meeting/2026wk20_allocation_AW26-OUT-CHESTERCOAT.md
- outputs/trend_briefs/2026wk20_signals.md
- outputs/copy/copy_2026ss_batch1.csv

人間レビュー → MD会議準備完了

このパイプラインを毎週月曜に走らせると、これまで週30〜40時間かかっていたMD会議準備が、Claude Code実行 + 人間レビューの合計12〜15時間程度に圧縮されます(想定例)。バイヤー・ディストリビューターは、整形作業ではなく「議論と意思決定」に時間を使えるようになります。

MD責任者・バイヤー・ディストリビューターの「役割の変化」

Claude Codeを導入すると、MDチームの各役割が少しずつ変わります。これも想定モデルベースですが、現場のヒアリングで共通して聞かれた声を整理しておきます。

MD責任者の役割変化

従来のMD責任者は、週次会議の資料準備に5〜7時間、月次予算と消化進捗の管理に10時間、シーズン企画の取りまとめに月20時間、と「並べ替えと整形」に多くの時間を割いていました。

Claude Code導入後は、これらが大幅に圧縮され、MD責任者は「シーズン戦略の決定」「ブランドポジショニングの調整」「クロスファンクショナルの調整(マーケ・店舗運営・サプライチェーン)」といった、上流の意思決定に時間を再投資できます。所要時間でいうと、シーズンあたりの戦略策定に使える時間が現状比1.5〜2倍に増える計算です(想定例)。

同時に、新しい責任が生まれます。それは「CLAUDE.mdとプロンプトの統治」です。チーム全員が同じプロンプトを使う前提なので、その品質と更新責任を、MD責任者またはMD責任者が指名する運用担当が負うことになります。

バイヤーの役割変化

バイヤーは「市場と展示会で買い付けて、企画する」が本業です。Claude Code導入後も、買い付けと企画の最終判断はバイヤーが行います。むしろ「下ごしらえに使える時間が減った分、企画に深く向き合える」というのが、想定モデルでのバイヤーの実感です。

具体的には、過去シーズンの結果分析(これまでExcelで丸1日かかっていた)が数時間に圧縮されるので、次シーズンの企画に「過去の数字を踏まえた根拠」が乗りやすくなります。「感性と勘」だけだった企画判断に、「9象限分類で見たときに、象限⑥(緩慢消化)から脱したカテゴリ」のような数字根拠が加わります。

ディストリビューターの役割変化

ディストリビューターは、配分業務の負担が3〜4割減ります(想定例)。空いた時間は、「店舗別の特性把握」「異常値店舗の現地視察」「店長との対話による定性情報収集」など、現場との接続を深める活動に再配分する想定です。

新人ディストリビューターの育成期間も短縮できます。3パターン配分案を見ながら学ぶことで、ベテランの暗黙知が「言語化された判断ロジック」として可視化されるからです。

EC MDの役割変化

EC MD 2名のコピー整形時間が、月150〜200時間 → 月50〜70時間に圧縮されることで、残った時間を「個別商品ページのA/Bテスト」「カテゴリページの導線改善」「クロスセル・アップセルの実装」など、コンバージョン率改善の本業に再配分できます。月100時間前後の余剰時間で、EC粗利率を1〜2ポイント引き上げる施策が打てる試算です(想定例)。

効果指標(想定モデルケース)

ここまでの実装が「Brand Y」で3〜6ヶ月稼働した想定で、効果指標を試算してみます。すべて想定モデルケースで、実数値ではない点に注意してください。実数値はブランド規模・SKU数・店舗数・既存運用の成熟度で大きく変動します。

指標	導入前	導入後(想定)	削減率(想定)
週次MD会議の事前資料作成(チーム合算)	週30〜40時間	週10〜15時間	約60〜65%
SKU別ABC分析の更新	週8〜10時間	週2時間	約75〜80%
店舗別配分1SKUあたり検討時間	30〜40分	10〜15分	約60〜65%
SNS・口コミ兆し抽出(週次)	属人的・不定期	毎週ルーティン化	(質の向上)
商品コピー整形(月次)	月150〜200時間	月50〜70時間	約65〜70%
サスティナビリティ開示資料(四半期)	四半期40〜60時間	四半期20〜30時間	約50%
ディストリビューター育成期間	6ヶ月	3〜4ヶ月	約40〜50%
MD責任者がシーズン戦略に使える時間	月10〜15時間	月20〜30時間	(逆に1.5〜2倍に増)

これらの数字は、複数ブランドのヒアリングと一般的なMD業務の所要時間から積み上げた想定モデルケースであり、すべてのアパレルブランドで同じ効果が出るわけではありません。SKU数・店舗数・既存システム・MDチームのリテラシーで、効果は大きく上下します。導入前にPoC期間(2〜3ヶ月)を設けて、自社で実数値を測ることを強く推奨します。

【要注意】よくある失敗パターン4つ

ここからは、想定モデルケース・実運用ヒアリングから抽出した「これをやると確実に失敗する」パターンを4つ紹介します。導入前に必ず読んでください。

失敗1:Claude Codeに「MD判断そのもの」をさせてしまう

❌ 悪い運用:Claude Codeが出した「象限⑨ SKU:見切り処分」をそのまま実行する。後から「あれは見切るには早すぎた」「あの商品はZOZOで急に伸びる兆しがあったのに、見落とした」と気づくが、すでに値引き処分済みで挽回不能。

⭕ 良い運用:Claude Codeは「下ごしらえ係」と「整形係」に徹してもらう。最終的なSKU判断、値引き判断、配分判断は、必ずバイヤー・MD責任者・ディストリビューターが人間として行う。AI出力には必ず「人間判断が必要な論点」セクションを設け、議論の起点として使う。

これは特にデータドリブンに馴染んでいる若手MDに伝わりにくいポイントです。AIに任せ切ろうとすると失敗するので、「AIは時間を作る道具、判断するのは自分たち」というスタンスを最初から共有してください。

失敗2:CLAUDE.mdを「最初に書いて終わり」にする

❌ 悪い運用:CLAUDE.mdを導入時に書いた後、半年間ノーメンテで運用する。シーズンを跨いで価格帯やSKU構成が変わったのに、CLAUDE.mdの「ABCランク境界」「店舗別重み」が古いまま。AIの出力が現実と微妙にずれて、現場が「やっぱりAIは使えない」と判断する。

⭕ 良い運用:CLAUDE.mdは「四半期ごとに必ず見直す」運用ルールを最初に決める。シーズンの切り替わり、価格戦略の変更、店舗の出退店、新たな媒体追加など、運用環境が変わるたびに更新する。更新責任者をMD責任者または運用担当に明確に割り当てる。変更履歴をGit等で管理する。

CLAUDE.mdは「ブランドの運用知識を集約した正本」として育てていくものです。これを止めると、AI運用の質も止まります。

失敗3:SNS・口コミ兆し抽出を「事実」として扱ってしまう

❌ 悪い運用:Claude Codeが「今週のInstagram投稿で『くすみピンク』が前週比3倍に増えた」と報告したのを根拠に、即座にくすみピンクのアウター50枚を追加発注。実際はインフルエンサー1人の投稿がバズっただけのノイズで、追加発注分が売れ残る。

⭕ 良い運用:SNS・口コミの兆しは「仮説」として扱い、必ず複数情報源で裏取りする。Instagram、TikTok、ZOZOTOWN口コミ、楽天レビュー、検索トレンド、店頭のお客さんの声、店長のヒアリングなど、3〜5の情報源で同じ兆しが見えたときに初めて「兆しあり」と判断する。それでも追加発注は段階的に(50枚 → 結果見て150枚 → 結果見て300枚)行う。

AI生成のシグナルは「議論の起点」であって「結論」ではありません。MD責任者・ベテランバイヤーの目利きが、最終判断を担保します。

失敗4:商品コピーをAI生成のまま入稿してしまう

❌ 悪い運用:Claude Codeが生成した3,500SKU × 4媒体のコピー1.4万件を、EC MDが目視せずそのままECシステムに一括投入。後日、「最高の保温性」と書いた製品の保温性試験データが社内に存在しなかった、「ストレッチ素材」と書いた商品が実は伸縮率が低かった、といった事実誤認が見つかる。景品表示法・消費者保護法上のリスクが顕在化する。

⭕ 良い運用:AI生成コピーは必ずEC MDが目視チェックする。チェック項目は「事実主張(素材・性能・サイズ感)の正確性」「景品表示法・薬機法・著作権の観点」「ブランドの禁止表現リスト(brand_guides/ng_words.md)との照合」の3点。チェック済みのみが入稿される運用フローを徹底する。

EC MDの目視作業は「すべての一次ドラフトを書く」から「AI下書きをチェックする」に変わります。総作業時間は減りますが、「最終責任は人間」の原則は維持されます。

段階的導入のロードマップ(想定モデル)

Phase 1(1〜2ヶ月):個人ユース検証

まずはMD責任者1名、バイヤー1名、ディストリビューター1名、EC MD 1名の少人数チームで、自分の担当領域にClaude Codeを差し込んで効果検証します。CLAUDE.mdの初期版、brand_guides/の整備、6つの差し込みポイントのうち優先2〜3個(週次サマリー、9象限分類、商品コピー量産あたり)に絞って実装。「これは効く」「これは効かない」を実数値で仕分け。

Phase 2(3〜5ヶ月):チーム展開と運用ルール固定

Phase 1で効果が出た領域を、MDチーム全員に展開。月次の振り返り会議でCLAUDE.mdとプロンプトテンプレを磨き込む。店舗別配分シミュレーション、SNS兆し抽出、サスティナビリティ開示など、追加の差し込みポイントを順次組み込む。失敗パターンをチームで共有し、新人にも運用ルールを伝える運用マニュアルを整備。

Phase 3(6〜12ヶ月):他部署への横展開と上流提案

MDチーム内の運用が安定したら、上流のサプライチェーン管理(生産計画・OEM工場との発注調整)、下流の店舗運営(店舗別KPI分析・販売員教育素材)、横の機能(マーケティング・CRM・カスタマーサポート)に横展開。さらに、経営会議の事前資料(週次・月次の経営KPIサマリー)にも応用範囲を広げる。

各Phaseのゴールは「効率化数値」ではなく「現場が安心して使えている状態」です。数値だけを追いかけてチーム全員のスキル習熟が追いつかないと、半年後に運用が崩れます。

適用余地のある業界・規模

本記事はアパレルブランドのMD業務を題材にしましたが、同じ実装パターンは隣接する業界でも応用できます。

• 雑貨・生活用品ブランド:SKU構成・店舗別配分の考え方がアパレルに近い。インテリア、化粧品、スポーツ用品の小売チェーン
• スーパー・ドラッグストア・コンビニのカテゴリーマネジメント部門:POSデータ分析、店舗別配分、棚割の判断に応用可
• 百貨店のMD部門:複数ブランドを統合管理する立場で、ブランド横断の品揃え評価、催事・フェア企画に応用可
• EC専業ブランド(D2C):店舗運用がない分シンプルだが、SKU別ABC、商品コピー量産、SNS兆し抽出の領域はそのまま転用可
• ファッション系商社・OEMメーカー:取引先ブランド別の発注予測、生産計画、サプライヤー監査の整形業務に応用可
• サスティナビリティ開示が必要なすべての消費財業界:GRI/ISSB/SSBJ参照の開示ドラフト生成は、アパレル以外でも有効

規模感としては、SKU 500以上・店舗20以上・年商30億円規模からが、Claude Code導入の費用対効果が見えやすい想定です。これより小規模でも「商品コピー量産」「SNS兆し抽出」など個別領域だけ部分導入する形で十分効果が出ます。

Claude Code導入にあたっての社内合意の作り方

アパレル MDのような業務にClaude Codeを入れるとき、技術的なハードル以上に大きいのが「社内合意」のハードルです。データ部門、IT部門、法務、サスティナビリティ担当、経営層、それぞれが懸念点を持っています。想定モデルケースで聞かれた典型的な懸念と、対処方針を整理しておきます。

• データ部門の懸念:「業務システムから抽出したCSVを Claude Code が読み書きしていいのか」→ 対処:データ抽出範囲を明文化し、PII(個人情報)を含まない加工済みデータのみを Claude Code に渡す運用ルールをデータ部門と合意
• IT部門の懸念:「ローカルにCSVを置いて作業するセキュリティ」→ 対処:作業端末はBitLocker/FileVault等のディスク暗号化必須、社外持ち出し禁止、Claude Code利用は会社支給端末のみ、利用者は限定的に明示
• 法務の懸念:「AIに渡したデータの取り扱い」→ 対処:Anthropic公式のデータ取り扱いポリシーを確認。必要に応じてEnterprise契約・ゼロデータ保持(ZDR)の検討。社内ガイドラインを策定し、機密度に応じてAI使用可否を分類
• サスティナビリティ担当の懸念:「AI生成の開示文書を公表していいのか」→ 対処:AI生成は「ドラフト」までの位置づけと明確化。最終公表は必ずサスティナビリティ担当・法務・経営層のレビュー後
• 経営層の懸念:「投資対効果が見えるのか」→ 対処:Phase 1のPoC期間で、現状業務工数と導入後工数を実測し、投資回収シミュレーションを四半期単位で報告

これらの懸念は、Claude Code導入の前に「合意の場」を設けて議論しておくと、後で「聞いてない」が出にくくなります。MD責任者またはDX推進担当が、関係部門との合意形成をPhase 0(導入準備期)として位置づけることを推奨します。

関連する Uravation のClaude Code事例

本記事と関連する、隣接領域のClaude Code事例も参考にしてください。実装パターンの応用やフレームワークの共通点が多くあります。

• EC事業者の需要予測と在庫最適化をClaude Codeで実装した想定モデル事例 — ECに特化した需要予測・在庫管理の実装手順
• EC商品説明文のAI生成でCV改善を狙う想定モデル事例 — 商品コピー量産の実装の細部とコンバージョン改善の論点
• 小売店舗の店舗巡回レポートをClaude Codeで整形した想定モデル事例 — 店舗別運用との接続パターン

著者プロフィール

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・導入支援に従事。著書『AIエージェント仕事術』(SBクリエイティブ)。SoftBank ビジネス+IT連載7回執筆。アパレル・小売業界へのClaude Code導入支援、AI研修、MD・EC・店舗運営チームへの伴走実績多数。

3つのアクションCTA

1. 無料Claude Code個別相談を予約:アパレルブランドのMD業務にClaude Codeを差し込む具体的な設計、Phase 1のPoC範囲設計、社内合意形成のロードマップなど、自社の状況に合わせた個別相談を30分で行います。お問い合わせはこちら
2. Claude Code個別指導の受講:MD責任者・バイヤー・EC MD向けに、Claude Code 1ヶ月集中個別指導を提供しています。CLAUDE.md設計、プロンプト設計、データパイプライン構築、社内展開までを伴走します
3. 関連記事を読む:本記事の冒頭に紹介した3つの関連事例(EC需要予測・商品説明文AI生成・店舗巡回レポート)で、隣接領域の実装パターンを学ぶ

次回予告:「アパレルブランドのCRM・購買履歴分析をClaude Codeで深掘りした想定モデル事例」を予定しています。LTV(顧客生涯価値)分析、リテンション施策、ロイヤルティプログラム設計の領域に踏み込みます。

参考出典

• Anthropic 公式ドキュメント「Claude Code Overview」(https://docs.claude.com/)— Claude Code の基本機能・ファイル操作・CLAUDE.md の活用ガイド
• GRI(Global Reporting Initiative)「GRI Standards」(https://www.globalreporting.org/standards/)— サスティナビリティ報告の国際的標準。本記事で参照したGRI 301(原材料)、GRI 414(サプライヤー社会評価)等
• IFRS Foundation「ISSB(International Sustainability Standards Board)IFRS S1/S2」(https://www.ifrs.org/)— サスティナビリティ・気候関連開示の国際基準
• サステナビリティ基準委員会(SSBJ)公式サイト(https://www.ssb-j.jp/)— 日本国内のサスティナビリティ開示基準の策定動向
• 消費者庁「景品表示法」(https://www.caa.go.jp/policies/policy/representation/)— 商品コピー作成時に必ず確認すべき景品表示法の原則(優良誤認・有利誤認)
• 経済産業省「繊維産業の現状と政策課題」(https://www.meti.go.jp/policy/mono_info_service/mono/fiber/)— 国内アパレル産業の現状と環境配慮型ビジネスへの移行方針

本記事の数値・事例は想定モデルケースです。実際の導入効果はブランド・SKU構成・店舗数・既存運用の成熟度で大きく変動します。最終的なMD判断は必ずバイヤー・MD責任者・ディストリビューター等の人間が行う前提で、Claude Codeは「下ごしらえ係」「整形係」としてご活用ください。

最後に強調しておきたいのは、AI導入の本丸は「ツール選定」ではなく「業務設計の見直し」だという点です。Claude Codeを入れる過程で、自社のMD業務がどこに時間を使っていて、どこに人間判断の本質があるのかが言語化されます。この副次効果こそが、長期的なMD業務の高度化につながります。ツール導入を「業務棚卸しの良い機会」と捉えて、半年〜1年の中期視点で取り組まれることを推奨します。アパレル業界はシーズン制でPDCAサイクルが半年〜1年と長いので、焦って急ぐより、丁寧に運用基盤を整える方が結果的に早く成果に到達します。

関連記事（自動）

• ▸ 【2026年最新】美容室サロンのClaude Code活用｜予約・顧客管理自動化
• ▸ 【2026年最新】EC向けSEO記事をClaude Codeで量産する設計図
• ▸ 小売チェーンの店舗巡回レポートをClaude Codeで自動生成した実装事例
• ▸ 【2026年最新】EC需要予測をClaude Codeで実装｜在庫最適化5手順
• ▸ EC問い合わせ自動化をClaude Codeで実装｜対応時間65%短縮の5手順