警備業の報告書作成・隊員配置をClaude Codeで自動化する実装パターン

事例出典：想定シナリオ（モデルケース）
本記事は、複数業界での導入支援経験をもとに構成した想定モデルケースです。登場する会社・数値はすべて仮想のモデルであり、実在企業の実測値ではありません。効果の数値はすべて「試算」です。

警備業は今、構造的な人手不足の渦中にあります。警察庁「令和6年における警備業の概況」によると、警備業者数は10,811業者、警備員数は58万7,848人（いずれも令和6年12月末時点）。業者数は過去最多を更新し続ける一方で、現場の隊員採用は年々厳しくなっています。

そんな中で意外と見落とされがちなのが、現場ではなく「事務所側」の業務負荷なんです。隊員がチャットや紙で送ってくる現場報告の清書、契約先ごとにフォーマットが違う警備報告書・月次報告書の作成、そして隊員の資格・教育期限を睨みながらの配置表づくり。管制担当者が日中の半分をこうした書類仕事に費やしている会社は珍しくありません。

本記事では、施設警備と機械警備を手がける従業員150名規模の警備会社（想定モデル）を題材に、Claude Codeでこの事務負荷をどう圧縮するか、実装レベルで解説します。同じ「現場報告の自動化」パターンは清掃業の点検報告の自動化事例でも扱っていますが、警備業は「法定教育の期限管理」と「誤報分析」という業界固有の論点が加わる点が特徴です。

導入前の状況：チャットと紙に散らばる現場報告

想定モデルの警備会社A社（仮）の業務フローはこうです。

• 施設警備：20施設に常駐。隊員は巡回のたびにビジネスチャットへ自由文で報告（「2F東側 非常口施錠確認 異常なし」「B1 駐車場に不審な段ボール→撤去済み」など）
• 機械警備：契約先300件。センサー発報はアラートログ（CSV）として管制システムに蓄積。大半は小動物・強風・施錠忘れによる誤報
• 報告書作成：管制担当2名が、チャット報告を毎日Excelに転記し、契約先ごとのWordテンプレに貼り直して警備報告書を作成。月次では契約先ごとに発報件数・対応記録を集計した月次報告書を手作業で組む
• 配置管理：隊員の保有資格（施設警備業務検定・交通誘導警備業務検定など）と現任教育の受講状況をExcel名簿で管理。配置表は主任が経験と勘で作成

ボトルネックは明確でした。チャット報告の転記・清書に1件あたり平均45分（表記ゆれの解読と貼り直し込み）、月次報告書は1契約先あたり約4時間。そして年度替わりには、現任教育（警備業法施行規則第38条により年度ごと10時間以上）の受講漏れがないかを名簿と突合する作業が発生します。教育義務は警備業法上の要請なので、ここの抜け漏れは業務改善以前のコンプライアンス問題になります。

Claude Codeに任せた4つの役割

A社モデルでは、Claude Codeに次の4つを担当させる設計にしました。

1. 現場報告の構造化 — チャットのエクスポート（テキスト）を読み込み、日時・現場コード・報告種別・本文要約をJSONに正規化。表記ゆれ（「異常なし／異状なし／特になし」）を吸収
2. 警備報告書・月次報告書のドラフト生成 — 構造化JSONから、契約先ごとのテンプレートに沿ったHTML/Markdownドラフトを生成。管制担当は「書く」から「確認して直す」に役割を変更
3. アラートログの誤報分析 — 機械警備のCSVログを集計し、現場×時間帯×センサー種別の誤報傾向をレポート化。「毎週金曜夜に発報する現場は搬入口の施錠忘れが原因」といった仮説出しまで
4. 配置表×資格・教育期限の突合チェック — 配置表ドラフトと隊員名簿（匿名化済み）を突合し、「検定資格が必要な現場に無資格者が入っていないか」「現任教育の未受講者が残っていないか」を機械的に検査

実装スタックとリポジトリ構成

特別なインフラは使いません。管理部門のPC1台で完結する構成です。

• Claude Code（CLI。ターミナルから claude で起動）
• Python 3.12（CSV前処理・帳票出力。Claude Codeに書かせる）
• 既存資産：チャットのエクスポートtxt、管制システムのアラートCSV、Excel名簿（CSV化して使用）

keibi-ops/
├── CLAUDE.md              # 業務ルール・用語集・出力規約
├── inbox/                 # チャットエクスポート・アラートCSVの投入口
├── data/
│   ├── sites.csv          # 現場マスタ（現場コード・契約種別・必要資格）
│   └── guards_masked.csv  # 隊員マスタ（隊員IDのみ。氏名なし）
├── templates/             # 契約先別の報告書テンプレート
├── reports/               # 生成された報告書ドラフト
└── scripts/               # Claude Codeが生成・保守するPython

肝は CLAUDE.md です。警備業は用語の揺れが激しい（「発報／発砲（誤変換）」「立哨／立初」など）ので、用語集と変換ルールを最初に固めておくと出力が安定します。

# CLAUDE.md（抜粋）
## このリポジトリの目的
警備現場報告の構造化・報告書ドラフト生成・誤報分析を行う。

## 絶対ルール
- 隊員は必ず隊員ID（G001形式）で扱う。氏名・住所・電話番号は出力しない
- 現場は現場コード（S001形式）で扱う。契約先の実名は出力しない
- 報告書ドラフトの末尾に必ず「※本書はドラフトです。承認前に管制責任者の確認が必要」と入れる
- 判断に迷う報告（不審者・事故・盗難の可能性）は要約せず原文のまま
  「要人間確認」フラグを付けて別ファイルに退避する

## 用語の正規化
- 異常なし / 異状なし / 特異なし / 特になし → 「異常なし」
- 発報 / 発砲（誤変換） / センサー反応 → 「発報」
- 立哨 / 立初（誤変換） → 「立哨」

実装の核心：報告の構造化から報告書生成まで

Step 1：自由文の現場報告をJSONへ

まずはチャットエクスポートの構造化です。Claude Codeにそのまま投げます。

inbox/chat_20260706.txt を読み、1件ずつ次のJSONに構造化して
reports/structured/20260706.json に保存してください。

{ "reported_at": "ISO8601", "site_code": "S0xx",
  "guard_id": "G0xx", "type": "巡回|立哨|発報対応|引継",
  "summary": "40字以内", "abnormal": true/false,
  "needs_human_review": true/false }

ルール:
- CLAUDE.mdの用語正規化を適用する
- 現場名の表記ゆれは data/sites.csv と突合して site_code に解決する
- 不審者・事故・盗難に触れる報告は summary を作らず原文保持、
  needs_human_review を true にする
- 解決できない報告はスキップせず unresolved.json に分けて理由を書く
- 不足している情報があれば、最初に質問してから作業を開始してください

ポイントは最後の2行です。「解決できないものを黙って捨てない」「不明点は最初に聞く」を明示すると、静かなデータ欠損が激減します。実運用では、Claude Codeがこの処理用のPythonスクリプトを書いて scripts/ に保存し、2回目以降はスクリプト実行になるため、処理は数秒で終わるようになります。

Step 2：契約先別テンプレートへの流し込み

reports/structured/20260706.json のうち site_code=S012 の報告を、
templates/S012.md のフォーマットに流し込んで
警備報告書ドラフトを reports/draft/S012_20260706.md に生成してください。

ルール:
- 時系列順。abnormal=true の項目は「特記事項」に昇格させる
- needs_human_review=true の項目はドラフトに含めず、
  冒頭に「未処理の要確認報告が n 件あります」と警告を出す
- 仮定した点は必ず"仮定"と明記してください

Step 3：月次報告書の一括生成

reports/structured/2026-06/*.json を集計し、契約先S001〜S020について
月次報告書ドラフトを一括生成してください。
含める内容: 巡回実施回数、発報件数と対応内訳、特記事項一覧、前月比。
数字と固有名詞は、根拠（集計元ファイルと計算式）を添えてください。

「根拠を添えて」の一行が効きます。生成された月次報告書の各数字に (structured/2026-06/*.json の type=発報対応 を count) のような注記が付くため、管制責任者のレビューが「数字の再計算」から「根拠の妥当性確認」に変わり、確認時間が体感で半分以下になります。

機械警備アラートログの誤報分析

機械警備のログ分析は、警備業ならではの旨味がある領域です。300契約先分のアラートCSV（発報日時・現場・センサー種別・対応結果）を渡して、こう指示します。

inbox/alerts_2026H1.csv を分析してください。
1. 現場×センサー種別×時間帯ごとの発報件数と、対応結果が
   「誤報」だった比率を集計する
2. 誤報率が80%を超える組み合わせを「誤報常連」として抽出する
3. 誤報常連ごとに、考えられる原因仮説を挙げる。ただし仮説は
   仮説と明記し、断定しない
4. 結果を reports/analysis/false_alarm_2026H1.md にまとめる

A社モデルの試算では、発報の約7割が誤報という前提を置いています（機械警備では珍しくない比率です）。誤報常連の現場が特定できると、「センサー位置の調整提案」「契約先への施錠運用の改善依頼」という能動的な提案につながり、これは単なる事務削減ではなく契約継続率に効く打ち手になります。ここで注意したいのは、Claude Codeが出すのはあくまで相関ベースの仮説だという点です。現地確認なしに原因と断定して契約先に報告するのはNGです。

隊員配置表と教育期限の突合チェック

警備業法対応で最も価値が出たのがここです。警備員には新任教育20時間以上、その後も年度ごとに現任教育10時間以上が義務付けられています（警備業法施行規則第38条）。また検定合格警備員の配置が求められる現場もあります。人力のExcel管理では、年度末に「受講漏れが見つかって配置を組み直す」事態が起きがちです。

data/guards_masked.csv（隊員ID・保有資格・現任教育の最終受講日）と
reports/shift/shift_202608.csv（8月の配置表ドラフト）を突合し、
次を検査してください。
1. sites.csv で必要資格が定義されている現場に、
   その資格を持たない隊員が配置されていないか
2. 今年度の現任教育が未受講の隊員を列挙し、
   8月の配置負荷が低い週を「受講候補週」として提案する
3. 結果はNG一覧→警告一覧→提案の順で
   reports/check/shift_202608_check.md に出力する

これで配置表の検査が「主任の記憶頼み」から「機械検査＋人間の最終判断」に変わります。誤解のないように書いておくと、教育義務や書類備付けの責任はあくまで警備業者自身にあり、AIは検査の補助です。最終確認は警備員指導教育責任者・管理者が行う運用を崩さないでください。

段階的導入のロードマップ

Phase 1（1〜2ヶ月）：現場報告の構造化と、契約先2〜3件分の警備報告書ドラフト生成だけに絞る。CLAUDE.mdの用語集を育てる期間。並走レビュー（人間の従来作業とAIドラフトの突合）で精度を確認する。

Phase 2（3〜4ヶ月）：全契約先の報告書と月次報告書へ横展開。アラートログの誤報分析を四半期レポートとして開始。管制担当の役割を「作成者」から「承認者」へ移行する。

Phase 3（5〜8ヶ月）：配置表×資格・教育期限の突合チェックを月次運用に組み込み。誤報分析をもとにした契約先への改善提案をサービスメニュー化する。

想定効果（試算）

以下はA社モデル（隊員150名・施設警備20現場・機械警備300契約先・管制担当2名）における試算値です。実在企業の実測値ではありません。

指標	導入前（想定）	導入後（試算）	改善（試算）
現場報告の清書・転記	45分/件	10分/件（確認のみ）	-78%
月次報告書の作成	4時間/契約先	1時間/契約先	-75%
誤報傾向の集計	月8時間（手集計）	月1時間（レビューのみ）	-88%
配置表の資格・教育チェック	年度末に集中作業	月次の機械検査に平準化	受講漏れの早期検知

効果はプロンプト単体ではなく、用語集の整備・命名規則の統一・並走レビュー期間の設定という運用の仕組み化とセットで初めて成立する数字である点に注意してください。

【要注意】よくある失敗パターンと回避策

失敗1：隊員名簿と契約先情報をそのまま投げる

❌ 氏名・住所入りの名簿CSVや、警備対象施設の詳細図面をそのまま読み込ませる
⭕ 隊員ID・現場コードに置換したマスキング済みデータだけを扱う。警備計画の機微部分は対象外と最初に決める

なぜ重要か：警備業は契約先の防犯情報という機微データを預かる業種です。マスキング設計を後回しにすると、途中で全部作り直しになります。所属組織の情報管理規程と契約先との守秘義務条項の確認が先です。

失敗2：自由文報告を前処理なしで集計させる

❌ 表記ゆれだらけのチャットログを直接「月次で集計して」と指示する
⭕ 構造化（JSON化）→集計の2段階に分け、用語正規化はCLAUDE.mdに固定する

なぜ重要か：「異常なし」と「異状なし」が別カウントされるような集計は、報告書の数字の信頼を根本から壊します。構造化を挟むと検証も差分確認もできるようになります。

失敗3：生成された報告書を無検品で契約先に送る

❌ ドラフト＝完成品として扱い、そのままPDF化して送付する
⭕ 「ドラフトには承認前の透かし文言を必ず入れる」「needs_human_review案件が残っていたら送付ブロック」の2重ガードを入れる

なぜ重要か：不審者対応や事故報告の要約ミスは、契約先との信頼問題・責任問題に直結します。要注意案件はAIに要約させず原文で人間が読む、が鉄則です。

失敗4：誤報分析の仮説を「原因」と断定して報告する

❌ 「金曜夜の発報は搬入口の施錠忘れが原因です」と契約先レポートに書く
⭕ 「データ上はこの傾向がある。現地確認のうえ原因を特定したい」と仮説と検証を分ける

なぜ重要か：ログ分析で出るのは相関です。因果の特定には現場の目が必要で、ここを混ぜると提案の質そのものが疑われます。

適用余地のある業界・規模

「散在する現場報告の構造化→帳票化→法定要件チェック」というパターンは、警備業以外にも広く応用できます。実際、運送業の点呼・運行日報の効率化では点呼記録という法定書類まわりで、小売チェーンの店舗巡回レポート自動生成では多拠点の巡回報告で、ほぼ同じ骨格の実装が機能しています。隊員・ドライバー・巡回員といった「現場で書く人」と「事務所でまとめる人」が分かれている業態なら、規模が50名程度でも投資対効果は出やすいはずです。

まとめ：今日から始める3つのアクション

1. 今日やること：直近1週間分の現場報告を1フォルダに集め、Step 1の構造化プロンプトを1本流してみる（マスキングを忘れずに）
2. 今週中：報告でよく使う用語と表記ゆれを10個書き出し、CLAUDE.mdの用語集の初版を作る
3. 今月中：契約先1件を選び、警備報告書ドラフトの並走レビュー（人間作成分との突合）を2週間回して精度を測る

FAQ

Q1. 警備業でClaude Codeは具体的に何に使えますか？

現場報告の構造化、警備報告書・月次報告書のドラフト生成、機械警備アラートログの誤報傾向分析、配置表と資格・教育期限の突合チェックが代表例です。いずれも最終確認は人間が行う補助ツールとしての活用です。

Q2. エンジニアがいない警備会社でも導入できますか？

自然言語で指示できるため、管理部門の担当者1名からでも始められます。ただしファイル整理・命名規則など前処理の設計は必要で、初期は外部の導入支援を併用する会社が多い印象です。

Q3. 隊員の個人情報や契約先の警備計画をAIに渡して大丈夫ですか？

そのまま渡すのは避けてください。隊員ID・現場コードへの置換、警備計画の機微部分の除外といったマスキング設計が先です。APIデータの取り扱いはAnthropic公式ドキュメントで最新のポリシーを確認し、自社規程と契約先との守秘義務条項に従ってください。

Q4. 導入コストはどのくらいかかりますか？

本記事のモデルケースでは月数万円程度のプラン・API費用＋初期の業務整理工数という試算です。料金は改定されるため、必ずAnthropic公式サイトで最新情報を確認してください。

Q5. 警備報告書をAIで作成することに法令上の問題はありませんか？

警備業法上の教育義務・書類義務の責任は警備業者自身にあり、AIは下書きの補助です。最終確認・承認は警備員指導教育責任者や管理者が行ってください。判断に迷う場合は所管の公安委員会・警察署や専門家への相談をおすすめします。

参考・出典

• 警察庁「令和6年における警備業の概況」 — 警備業者数10,811業者・警備員数58万7,848人（令和6年12月末時点）（参照日: 2026-07-11）
• 警視庁「警備員に対する教育時間」 — 新任教育20時間以上・現任教育は年度ごとに10時間以上（警備業法施行規則第38条）（参照日: 2026-07-11）
• Anthropic「Claude Code 公式ドキュメント」 — CLI・CLAUDE.md・運用設定の一次情報（参照日: 2026-07-11）

---

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・導入支援を展開。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。

警備業に限らず「現場報告×帳票×法定要件」まわりの自動化のご相談は、お問い合わせフォームからお気軽にどうぞ。