【後編・2026年版-コンサル不要のFDE×EC運営】Claude Code×Codexで始める自社FDE全手順｜EC実装・ROI編

2026年5月11日 22:31

🎯 自社版FDEは、2〜3人体制以上のEC事業者なら今日から始められる

楽天グループ株式会社（Rakuten Group, Inc.）は2026年、Claude Code を開発プロセスの中枢に組み込み、機能デリバリー時間を24業務日から5日（79%短縮）まで縮めました。7時間の自律コーディングを実現し、97%のクリティカルエラー削減も達成しています。

これは楽天の専任開発チームによる大規模プロジェクトの成果です。中小EC事業者がそのまま同じ数値を期待するのは難しく、事業規模・人員構成に合わせた設計が必要です（§8「向かない場面」も合わせてご確認ください）。

同じ考え方を、楽天・Amazon・自社ECを運営する中小EC事業者が「自分のプロジェクトフォルダ」に持ち込む——それが本記事で解説する「自社版FDEプロジェクト」です。

外部コンサルを雇わなくても、Claude Code に業務ルールを覚えさせ、CSエージェント・在庫エージェント・コピーエージェントを役割分担させることで、競合が真似しにくい業務ノウハウの蓄積（モート） を作れます。月額費用の目安は3〜5万円から（体感値・目安として）。

前編でFDEモデルの概念と業界動向を整理しました。後編はここから「どう作るか」の全手順です。

👉 シリーズ前編：【前編・2026年版-コンサル不要のFDE×EC運営】Anthropic×PE合弁がEC事業者に意味する5つの変化｜FDE徹底解説

📌 この記事でわかること

自社版FDEプロジェクトを始めるための前提条件5項目
Claude Code（メイン）×Codex CLI（補助）の役割分担と使い分け方
EC運営5シナリオの実装プロンプト（GPT-5.5ガイド7パーツ構造）＋サンプルアンサーのフル版
CLAUDE.md・agents・hooks・settings.json の4ステップ実装手順
Phase 1〜3 ロードマップ（費用・期間・到達目標を明示）

自社版FDEプロジェクトとは

自社版FDEプロジェクトとは、外部コンサルタントや大手SIerに依頼せず、自社のEC業務ファイルにAIエージェントを常駐させることで、繰り返し業務を自動化しながら「競合が真似しにくい業務知識の蓄積（モート）」を構築する取り組みです。

中核ツールはClaude Code です。業務ルール・ブランドトーン・禁則事項を「CLAUDE.md」に記述し、CSエージェント・在庫エージェント・コピーエージェントなど複数の役割エージェントを `agents/` フォルダで管理します。

月商1〜10億円の中堅ECであれば、Claude Pro/Max の月額費用（API課金含め3〜5万円目安、体感値・目安として）から始められます。

§1 自社版FDEを始める前提条件

「Claude Code を導入すれば何でもうまくいく」とはなりません。

BCGの調査（2024年、59カ国・1,000名超のCxO対象）では、74%の企業がAI投資から有形の価値を実証できていないとされ、その失敗の70%が「技術の問題ではなく人・プロセスの問題」だと報告されています（BCG公式プレスリリース：https://www.bcg.com/press/24october2024-ai-adoption-in-2024-74-of-companies-struggle-to-achieve-and-scale-value ）。

始める前に、以下5項目を確認してください。

◆ 前提条件①：業務マニュアルが箇条書きでも残っているか

CLAUDE.md に書く「業務ルール」の元ネタになります。マニュアルがゼロの状態でClaudeに指示しても、文脈なしに丸投げするのと同じです。

Shopify（ショッピファイ）× Claude Codeの実践コミュニティ事例では「CLAUDE.md未作成での運用は、文脈なく契約社員を雇うに等しい」と評されています。Shopify Magic（公式AI機能）との連携設計を検討する場合は、Shopify公式ドキュメント（https://help.shopify.com/ja/manual/shopify-magic ）も合わせて参照してください。まず箇条書き10行でもいい。「CSでよく来る問い合わせ上位5件の回答方針」「楽天ショップページの文体ルール」から始められます。

◆ 前提条件②：商品データ・顧客データの管理場所が把握できているか

在庫予測や商品説明文の自動化には、CSVやAPIで取り出せる商品データが必要です。楽天・Amazon・自社ECに分散している場合は、まずどのデータをどこから引っ張るかを整理するのが先決です。

◆ 前提条件③：「人が決裁、AIが下案」の意思決定ルールが置けるか

政府（総務省・経産省）のAI事業者ガイドライン（2026年3月改定）でも、AIエージェントが業務判断を行う場合は「Human-in-the-Loop（人間の判断を必須とする仕組み）」を設けるよう求めています。「最終承認は必ず人間が行う」という運用ルールを先に決めておく。当たり前のようで、ここを曖昧にしたまま進んで後悔するケースが少なくありません。

◆ 前提条件④：機密データの取り扱いガイドが社内にあるか

顧客の氏名・住所・購買履歴などの個人情報は、外部AIサービスのAPIに直接入力しないことを原則とします（個人情報保護法第27条・第28条の第三者提供・外国提供規制が適用されます）。Claude Codeの settings.json で社外送信を制限する設定は技術的な補助手段ですが、法的な情報管理体制の整備と組み合わせることが前提です。

◆ 前提条件⑤：失敗を許容する1〜2案件のスコープが切れるか

最初から全業務AI化しようとすると、確認・修正コストで本業を圧迫します。Japan IT Week（リードエグジビションジャパン主催・2025年展示事例報告）が記録した日本の失敗事例では、小売業でのLP制作自動化が品質チェック工数の増大を招き、総作業時間がAI導入前の1.3倍に膨らんだケースがあります。「CSの返信下案作成だけ」という限定スコープから始めることが、3か月で成果を出す最短ルートです。

§2 ツール使い分け：Claude Code（メイン）×Codex CLI（補助）

Claude Code とは

Claude Code とは、Anthropic（アンソロピック）が提供するコード作業特化型AIエージェントで、プロジェクトフォルダ全体を認識しながら複数ファイルを横断編集・実行・テストできる「前線エンジニア代替ツール」です。

エンジニアがいなくても、自然言語で「楽天の商品説明文を全商品分リライトして」と指示するだけで、CSVの読み込み・テキスト生成・書き出しまで一連の作業を自動完結します。

Codex CLI とは

Codex CLI とは、OpenAI（オープンエーアイ）が提供するターミナル実行型のAIコーディングエージェントで、シェルスクリプト・CSV処理・バッチ変換のような「単発・軽量タスク」の自動化に強みを持つ補助ツールです。

Apache-2.0ライセンスのオープンソースとして公開されており、商用利用が可能です。`npm i -g @openai/codex` でインストールでき、リポジトリルートに `AGENTS.md`（CLAUDE.md 相当のプロジェクト設定ファイル）を配置して使います。

4観点での使い分け

◆ 常駐性

Claude Code：CLAUDE.md・settings.json・agents/・hooks でプロジェクト記憶が持続。毎回文脈を説明しなくてよい
Codex CLI：`codex resume` でセッション引き継ぎは可能だが、Claude Code のような深い常駐記憶機能は限定的

◆ プロジェクト記憶

Claude Code：CLAUDE.md＋agents で「このショップのブランドトーン・禁則ワード・問い合わせパターン」を恒久記憶
Codex CLI：AGENTS.md で基本設定は可能だが、EC業務特有の深いコンテキストを持続させるには Claude Code の方が向いている

◆ ファイル横断編集

Claude Code：1Mトークンコンテキストで大規模コードベースを横断。楽天・Amazon・自社EC の複数CSVを同時処理できる
Codex CLI：同等の大規模コードベース対応は可能だが、主戦場は単発スクリプトの生成

◆ EC業務への拡張性

Claude Code：agents/ にCSエージェント・在庫エージェント・コピーエージェント等を分割配置。役割分担が可能
Codex CLI：プラグインマーケットプレイス経由で機能追加可能。`codex cloud exec` でタスク定期自動実行が使える

料金の目安（2026-05時点）

Claude Code：Claude Pro $20/月〜 / Max $100〜$200/月（5x/20x） / API従量課金（Claude Sonnet 4.6 で $3/$15/100万トークン）
Codex CLI：ChatGPT Plus $20/月に含まれる / API: codex-mini-latest で $1.50/$6/100万トークン

朝はClaude Code、日中の単発はCodex CLI

実際の使い方イメージとしては、「毎朝の業務設計・複数ファイル横断処理・エージェント常駐化はClaude Code」「楽天RPP広告レポートCSVの月次整形・Amazon出品CSVの一括変換・画像リネームのような単発バッチ処理はCodex CLI」という役割分担が機能します（体感値・目安として）。

§3 EC運営の自社版FDEシナリオ5本

5シナリオはすべて「プロンプト（7パーツ構造）→サンプルアンサー（フル版）→解説」の3点セットで提示します。

シナリオ①：CSルーティング

Before（AI導入前）：CS担当者が毎日50〜100件の問い合わせメールを1件ずつ読み、返信文を考え、手動で送信。繁忙期はチェックが翌日に回ることもある。

After（AI導入後）：CLAUDE.md に「当店のCS回答方針・禁則ワード・よくある問い合わせパターン上位10件」を記述し、CSエージェントが問い合わせを仕分け。一次回答できるものは下案を即生成し、エスカレが必要なものは担当者にSlack通知（体感値・目安として、確認工数が6〜7割減）。

💡 推奨設定の補足

対象モデル：Claude Sonnet 4.6 / reasoning_effort: 通常（バランス重視）
Claude Code の `agents/cs-agent.md` として配置し、プロジェクトレベルで常駐させます。

📚 プロンプト設計の基準について

本プロンプトはOpenAI公式GPT-5.5 prompt-guidance（2026年4月）で提唱された7パーツ構造に準拠しています。

# CS一次回答エージェント（CSルーティングプロンプト）

## Role（役割）
あなたはECショップの上級カスタマーサポート担当者です。
年間数千件の問い合わせ対応経験を持ち、楽天市場・Amazonの
ポリシーを深く理解しています。

## Personality（性格・トーン）
親切・迅速・誠実。問い合わせ者の感情を最初に受け止め、
事実を正確に伝え、次のアクションを明示します。
過度にへりくだらず、ブランドの信頼感を伝える語調を保ちます。

## Goal（目的）
受信した問い合わせテキストを分析し、
① 即時回答可能か ② エスカレーション必要か ③ 追加確認必要か
の3カテゴリに仕分けした上で、①の場合は回答下案を生成します。

## Success criteria（成功基準）
- カテゴリ分類の精度が高い（理由を明記する）
- 回答下案は200字以内でコンパクト
- 担当者が内容確認後そのままコピーできる品質
- 禁則ワード・薬機法・景表法抵触表現を含まない

## Constraints（制約）
- 個人情報（氏名・住所・購買履歴）は受け取らない
- 返金・交換の最終決定は必ず人間が行う
- 「必ず」「絶対に」など過度な断言は使わない
- CLAUDE.mdに記載された当店禁則ワードを遵守

## Output（出力フォーマット）
以下の形式で出力：

カテゴリ：[即時回答可能 / エスカレ必要 / 追加確認必要]
理由：（1行で）
回答下案（カテゴリが即時回答可能の場合のみ）：
---
（ここに200字以内の返信文）
---
エスカレ先（カテゴリがエスカレの場合）：[物流担当 / 商品担当 / 管理者]

## Stop rules（終了条件）
- 問い合わせ文が1件分の処理を完了したら終了
- 追加情報が必要な場合は回答下案の代わりに「確認事項：（1行）」を出力して終了

サンプルアンサー（執筆時の想定アンサー）

入力テキスト例：「先週注文したスニーカーがまだ届きません。問い合わせ番号は#20260508-001です。」

カテゴリ：即時回答可能
理由：配送遅延の問い合わせであり、注文番号が明記されているため
      物流会社への確認手順を案内できる

回答下案：
---
このたびはご不便をおかけし申し訳ございません。
ご注文#20260508-001の配送状況を確認いたします。
配送会社の追跡番号を別途メールでご案内しますので、
今しばらくお待ちください。通常3〜5営業日でのお届けを
予定しておりますが、遅延がございましたら速やかにご連絡します。
---

解説

CSルーティングは「3分岐の仕分け」がポイントです。全件に返信文を書くのではなく、まず「何の案件か」を判定させる。エスカレが必要な問い合わせが担当者の目に届かないまま翌日に回る——そのリスクをこの構造が防ぎます。

CLAUDE.md に「よくある問い合わせパターン上位10件の回答方針」を書いておくと、エージェントの判断精度が上がります。まず自分で20件ほど手動で分類して、そのルールをCLAUDE.mdに落とし込む——この一手間が最速の精度向上策です。

AIプロンプトの基本設計（役割・目的・制約・出力形式の4要素）については、以下の記事で詳しく解説しています。

シナリオ②：商品DB→説明文→OG画像案連鎖

このシナリオの設計は「3層分化フレームワーク」（Palantir（パランティア）22箇条後編で提示したデータ主権の構造）をEC商品データに応用したものです。

👉 参考記事：【後編・2026年版-Palantir（パランティア）22箇条とEC】楽天・Amazon運営に使うAIプロンプト集

💡 推奨設定の補足

対象モデル：Claude Opus 4.7 / reasoning_effort: 高（複数モール向けの表現分岐が必要なため）
1商品データから楽天用・Amazon用・自社ECトップページ用の3バリアントを連鎖生成します。

📚 プロンプト設計の基準について

本プロンプトはOpenAI公式GPT-5.5 prompt-guidance（2026年4月）の7パーツ構造に準拠しています。

# 商品DB連鎖生成エージェント（商品説明文＋OG画像案）

## Role（役割）
あなたはECプラットフォームごとのSEO・ガイドラインを熟知した
上級コピーライターです。楽天市場・Amazon・自社ECの
表記ルール・禁則事項・KW配置を正確に理解しています。

## Personality（性格・トーン）
購買意欲を高める具体的な言葉を選ぶ。数字・素材・用途の
3要素を必ず入れる。抽象的な美辞麗句より「誰が・何のために
使うか」を明確にした文体。

## Goal（目的）
1つの商品マスタデータ（CSVの1行分）を受け取り、
以下を一括生成する：
① 楽天市場用商品説明文（500字・キャッチコピー込み）
② Amazon用商品説明文（500字・箇条書き5行）
③ 自社ECトップページ用リード文（150字）
④ OG画像テキスト案（タイトル20字・サブコピー30字）

## Success criteria（成功基準）
- 楽天用：楽天市場の禁則（薬機法・景表法）に抵触しない
- Amazon用：Amazonの商品説明ガイドラインに準拠
- 3バリアント間で核心の商品メリットが一貫している
- OG画像テキストはモバイル表示で切れない長さ

## Constraints（制約）
- 「No.1」「最高」は客観的根拠のある場合のみ使用
- 薬機法上の禁止表現（「治る」「効果がある」等）は使わない
- CLAUDE.mdに記載されたブランドトーン・禁則ワードを遵守
- 個人情報を含む行のデータは処理しない

## Output（出力フォーマット）
商品名：（入力から抜粋）

---楽天用説明文（500字）---
（本文）

---Amazon用説明文（500字・箇条書き5行）---
・（箇条書き1）
・（箇条書き2）
・（箇条書き3）
・（箇条書き4）
・（箇条書き5）
（本文 残り200字程度）

---自社ECリード文（150字）---
（本文）

---OG画像テキスト案---
タイトル（20字）：
サブコピー（30字）：

## Stop rules（終了条件）
- 4セクションの出力が完了したら終了
- 商品データが不十分な場合は「不足情報：（必要な項目名）」を
  出力して終了

サンプルアンサー（執筆時の想定アンサー）

入力商品データ例：「商品名：オーガニックコットンビッグシルエットTシャツ / 素材：コットン100% / カラー：オフホワイト・チャコール / 価格：3,980円 / ターゲット：20〜40代男女」

商品名：オーガニックコットン ビッグシルエットTシャツ

---楽天用説明文（500字）---
着るたびに肌が喜ぶ、オーガニックコットン100%のビッグシルエット
Tシャツが登場。農薬・化学肥料を使わずに育てたコットンを使用し、
肌に触れる面積が多いトップスだからこそ、素材にこだわりました。

ゆったりとしたビッグシルエットは、1枚でサマになるメインウェア
としても、羽織りのインナーとしても使える万能シルエット。
オフホワイト・チャコールの2カラーは、デニム・チノ・スウェットと
相性抜群です。

毎日洗っても型崩れしにくい高品質な縫製で、20〜40代の大人が
日常使いできる1枚。プレゼントにもご好評いただいています。

---Amazon用説明文（500字・箇条書き5行）---
・【オーガニックコットン100%】農薬・化学肥料不使用のコットンを
  使用。肌への負担が少なく、毎日着たい方に
・【ビッグシルエット×万能デザイン】ゆったりシルエットで
  1枚でメインウェアに。インナーとしても対応
・【2カラー展開】オフホワイト・チャコールで着回し力抜群。
  デニム・チノ・スウェット問わず合わせやすい
・【耐久縫製】繰り返しの洗濯でも型崩れしにくい品質管理
・【幅広いターゲット】20〜40代男女に対応したユニセックスサイズ

毎日の生活に「自然な心地よさ」を加えたい方へ。農薬不使用のコットンを
使用したビッグシルエットTシャツで、肌も環境も大切にする毎日を。
デイリーウェアとしての使いやすさと、プレゼントとしての贈りやすさを
両立した一枚です。

---自社ECリード文（150字）---
農薬・化学肥料不使用のオーガニックコットン100%。
肌に触れるからこそ素材にこだわった、ビッグシルエットTシャツ。
オフホワイト・チャコールの2色展開で毎日の着回しをサポートします。

---OG画像テキスト案---
タイトル（20字）：オーガニックTシャツ 2カラー
サブコピー（30字）：農薬不使用コットン100% 3,980円から

解説

1商品のデータから3モール分の説明文を一括生成できると、手動なら90分かかる作業が10〜15分に縮まります（体感値・目安として）。ポイントは「商品マスタCSVをClaude Codeに渡して、行ごとにこのプロンプトを適用させる」という連鎖設計です。

CLAUDE.mdに「楽天禁則ワードリスト」「ブランドトーン定義」を追加しておけば、エージェントが毎回参照するためアウトプットが安定します。

シナリオ③：レビュー横断クレーム分析

💡 推奨設定の補足

対象モデル：Claude Opus 4.7 / reasoning_effort: 高（大量テキストのクラスタリングが必要なため）
自社ショップのレビュー・楽天レビュー・Amazonレビュー・SNS言及を月次でまとめて分析します。

📚 プロンプト設計の基準について

本プロンプトはOpenAI公式GPT-5.5 prompt-guidance（2026年4月）の7パーツ構造に準拠しています。

# レビュー横断クレーム分析エージェント（月次レポート生成）

## Role（役割）
あなたはEC事業者のクオリティ改善を専門とする上級アナリストです。
レビュー・SNS言及・問い合わせログから共通パターンを抽出し、
改善優先度を定量的に整理する専門家です。

## Personality（性格・トーン）
データに基づく客観的な分析。感情的な表現を避け、
「どの問題が・どのくらいの頻度で・どのような影響を与えているか」
を明確に整理する。改善案は実行可能な粒度で提示する。

## Goal（目的）
複数ソース（楽天・Amazon・自社EC・SNS）から収集した
レビューテキストを受け取り、以下を生成する：
① クレーム・不満のテーマクラスタリング（上位5テーマ）
② 各テーマの出現頻度・感情スコア
③ 優先改善提案（即時対応可能なもの3件）
④ 月次サマリーレポート（200字）

## Success criteria（成功基準）
- テーマは5個以内で重複なし
- 頻度は件数で表示（「多い」等の定性表現ではない）
- 改善提案は「何を・誰が・いつまでに」の形式
- CLAUDE.mdに記載された自社商品ジャンルを前提とした分析

## Constraints（制約）
- 個人情報（レビュアーの氏名・住所等）は分析対象に含めない
- 競合他社名を批判的文脈で使わない
- 100件以上のレビューが入力された場合は段階的に処理

## Output（出力フォーマット）
【レビュー横断クレーム分析レポート】
分析対象：楽天○件・Amazon○件・自社EC○件・SNS○件（合計○件）
分析期間：（入力から抜粋）

---テーマクラスタリング（上位5テーマ）---
1. テーマ名：件数（○件）、感情スコア（1〜10）
   代表的な言葉：「（実際のレビュー文より）」
2. （以下同様）

---優先改善提案（即時対応可能3件）---
提案①：何を → 誰が → いつまでに
提案②：同上
提案③：同上

---月次サマリー（200字）---
（本文）

## Stop rules（終了条件）
- 全セクションの出力が完了したら終了
- レビューテキストが10件未満の場合は
  「分析には最低10件以上のレビューが必要です」と出力して終了

サンプルアンサー（執筆時の想定アンサー）

入力データ例：楽天15件・Amazon12件・自社EC8件・X（旧Twitter）5件（合計40件）、2026年4月分の食品ECレビューテキスト群（フルーツゼリー・常温保存食・季節ギフト商材）

【レビュー横断クレーム分析レポート】
分析対象：楽天15件・Amazon12件・自社EC8件・SNS5件（合計40件）
分析期間：2026年4月（2026-04-01〜2026-04-30）

---テーマクラスタリング（上位5テーマ）---
1. テーマ名：賞味期限・消費期限への不安　件数（14件）、感情スコア（3/10）
   代表的な言葉：「届いたとき賞味期限まで3週間しかなかった」
   「もう少し余裕を持って送ってほしい」

2. テーマ名：配送時の破損・液漏れ　件数（10件）、感情スコア（3/10）
   代表的な言葉：「フィルムが剥がれていた」「箱が凹んで届いた」

3. テーマ名：容量・内容量が期待と異なる　件数（8件）、感情スコア（5/10）
   代表的な言葉：「写真よりだいぶ小さい」「個数が思ったより少なかった」

4. テーマ名：原材料・アレルゲン情報の確認しにくさ　件数（5件）、感情スコア（6/10）
   代表的な言葉：「アレルギーがあるので成分表示をもっと見やすくして」

5. テーマ名：梱包・ギフト対応への要望　件数（3件）、感情スコア（7/10）
   代表的な言葉：「プレゼント用なのにビニール袋だけだった」

---優先改善提案（即時対応可能3件）---
提案①：賞味期限の余裕基準を設ける（「製造から○日以上残っているものを出荷」）
        → 物流担当者が → 2026-05-15までに → 全出荷フローに組み込み
提案②：商品ページの内容量・サイズ感を実物写真で補強
        → 商品担当者が → 2026-05-20までに → 楽天・Amazon・自社EC全SKU
提案③：アレルゲン一覧を商品ページ上部に固定表示
        → 商品担当者が → 2026-05-31までに → アレルゲン対象全商品

---月次サマリー（200字）---
2026年4月分の40件レビュー分析の結果、最多クレームは賞味期限への不安
（14件・35%）でした。出荷基準の見直しが最優先改善事項です。
配送時の破損（10件）は梱包材の補強で対応可能。
容量・表示改善（計13件）は商品ページのビジュアル強化で対応を推奨します。

解説

レビュー分析は「月次でまとめてClaudeに渡す」運用が機能します。毎週チェックするより、月初に先月分をCSVでまとめて投入し、レポートを1回で出す——その方が正直続きます（体感値・目安として）。

テキストマイニング系プロンプトの詳細は、競合調査AIプロンプト第4部で解説しています。

シナリオ④：在庫予測下案

💡 推奨設定の補足

対象モデル：Claude Sonnet 4.6 / reasoning_effort: 通常（定型的な予測計算が中心）
「人が決裁する叩き台」を出すことが目的です。AIが最終発注数を決めるのではなく、担当者の意思決定を速める補助ツールとして位置づけます。

📚 プロンプト設計の基準について

本プロンプトはOpenAI公式GPT-5.5 prompt-guidance（2026年4月）の7パーツ構造に準拠しています。

# 在庫予測下案エージェント

## Role（役割）
あなたはECの在庫・仕入れ計画を専門とするアナリストです。
過去の販売実績・季節性・販促カレンダーをもとに、
仕入れ数の「叩き台（下案）」を生成します。
最終決定は必ず人間の担当者が行います。

## Personality（性格・トーン）
数字を根拠に話す。楽観・悲観どちらにも偏らない中立的な予測。
前提条件・不確実性をかならず明記する慎重さを持つ。

## Goal（目的）
過去3ヶ月の販売実績データと以下の条件を受け取り、
翌月の推奨仕入れ数の叩き台と根拠を生成する：
- 季節要因（春夏秋冬・特定イベント）
- 販促カレンダー（セール・クーポン・スーパーDEAL等）
- 在庫回転率の目標値

## Success criteria（成功基準）
- 推奨仕入れ数に根拠の計算式を明示
- 楽観シナリオ・基本シナリオ・悲観シナリオの3パターン提示
- 「体感値・目安」であることと前提条件を必ず冒頭に明記
- 担当者がそのまま稟議書に使える形式

## Constraints（制約）
- 最終発注数の決定はエージェントが行わない
- 予測は過去データの延長線上の試算であり、保証値ではない
- 在庫過多・過少どちらのリスクも必ず説明する

## Output（出力フォーマット）
【在庫予測下案レポート】
対象期間：翌月（○月）
分析ベース：過去3ヶ月実績（○月〜○月）
免責：本レポートは過去実績に基づく試算です。市場変動・
      競合動向・天候等の外部要因により実績は大きく異なります。
      最終発注数は担当者の判断でご決定ください。

---推奨仕入れ数（3シナリオ）---
基本シナリオ：○個（計算式：○月平均○個 × 季節係数1.○ × 販促係数1.○）
楽観シナリオ：○個（販促施策がフル機能した場合）
悲観シナリオ：○個（前月並みで販促効果が出なかった場合）

---主要リスク---
過多リスク：（具体的に）
過少リスク：（具体的に）

## Stop rules（終了条件）
- 3シナリオの出力が完了したら終了
- 過去データが1ヶ月未満の場合は予測精度が低い旨を警告して終了

サンプルアンサー（執筆時の想定アンサー）

入力条件例：食品EC・フルーツゼリーセット、3月100個・4月130個・5月90個販売実績、6月に夏ギフト商戦あり、スーパーDEALを1週間予定

【在庫予測下案レポート】
対象期間：2026年6月
分析ベース：過去3ヶ月実績（2026年3〜5月）
免責：本レポートは過去実績に基づく試算です。市場変動・競合動向・
      天候等の外部要因により実績は大きく異なります。
      最終発注数は担当者の判断でご決定ください。

---推奨仕入れ数（3シナリオ）---
基本シナリオ：180個
（計算式：3ヶ月平均107個 × 夏ギフト季節係数1.3 × スーパーDEAL販促係数1.3）

楽観シナリオ：220個
（スーパーDEAL期間中に販促露出が最大化し、検索上位維持が続いた場合）

悲観シナリオ：110個
（スーパーDEALの効果が軽微で、前月（90個）並みの需要にとどまった場合）

---主要リスク---
過多リスク：フルーツゼリーは賞味期限3ヶ月。220個仕入れて150個しか売れなかった場合、
           70個が期限内に消化できないリスクあり。原価○円×70個＝△円の損失試算。

過少リスク：スーパーDEAL期間中に在庫切れが発生すると、楽天検索順位の下落と
           機会損失が同時に発生する。在庫切れによる順位影響は
           回復に2〜4週間かかるケースが多い（体感値）。

担当者へのコメント：基本シナリオの180個を推奨しますが、賞味期限と
                    保管スペースをご確認の上、最終発注数をご決定ください。

解説

在庫予測の最大の価値は「叩き台が即座に出る」点です。担当者が0から計算して稟議書を作るより、Claudeが出した数字に「条件をこう変えたら？」と問い直す方が圧倒的に速い。あなたのチームの月次定例、数字を作ることに何時間使っていますか？　計算作業でなく意思決定の議論に時間を使えます。

シナリオ⑤：仕入れ先共同AI（取適法・2026年1月施行への配慮付き）

💡 推奨設定の補足

対象モデル：Claude Opus 4.7 / reasoning_effort: 高（仕入れ先カタログの多様な形式への対応が必要）
仕入れ先カタログをEC流通用フォーマットへ自動再構成する「デジタル卸」ミニ版です。

⚠️ 法務注意：中小受託取引適正化法（旧・下請法、2026年1月1日施行。以下「取適法」）に基づき、仕入れ先に対してAI活用コストを一方的に転嫁する行為は違反になりえます。仕入れ先との合意の上で、コスト・成果物の帰属を明確にしてから運用してください。

📚 プロンプト設計の基準について

本プロンプトはOpenAI公式GPT-5.5 prompt-guidance（2026年4月）の7パーツ構造に準拠しています。

# 仕入れ先カタログ変換エージェント（EC流通フォーマット再構成）

## Role（役割）
あなたはBtoB EC物流とデータ変換の専門家です。
仕入れ先の商品カタログ（PDF・Excel・テキスト形式）を
各ECプラットフォームの出品フォーマットに変換します。

## Personality（性格・トーン）
正確性を最優先。曖昧な情報は「要確認」でフラグを立てる。
勝手な補足・創作はしない。仕入れ先のオリジナル情報を
正確に引き継ぐことを第一原則とする。

## Goal（目的）
仕入れ先の商品カタログデータを受け取り、
以下の出品フォーマットに変換する：
① 楽天市場出品用CSV（必須項目：商品番号・商品名・価格・
  在庫数・カテゴリ・商品説明・JAN）
② Amazon出品用CSV（ASIN候補・タイトル・ブレット5行・
  商品説明・キーワード）

## Success criteria（成功基準）
- 変換後のCSVがプラットフォームの必須項目を充足している
- 仕入れ先の原文情報を改変していない（補足は「AI補足：」で明示）
- 変換できなかった項目は「要確認：（項目名）」でフラグを立てる
- NDA対象と思われる情報（原価・仕入れ元の固有名詞等）は
  出力CSVに含めない

## Constraints（制約）
- 仕入れ先との秘密保持契約（NDA）対象の情報は出力しない
- 中小受託取引適正化法（取適法・2026年1月施行）の観点から、
  仕入れ先に対してコスト転嫁となる運用はしない
- 薬機法・景表法の禁止表現が原文に含まれる場合は「法務確認要：」
  でフラグを立て、変換後に含めない
- 個人情報（連絡先・担当者名等）は出力から除外

## Output（出力フォーマット）
変換完了した楽天用CSV：（添付または以下に展開）
変換完了したAmazon用CSV：（添付または以下に展開）
変換できなかった項目リスト：
　・要確認：（項目名）（理由）
フラグリスト：
　・法務確認要：（該当商品・該当箇所）

## Stop rules（終了条件）
- 全商品の変換処理が完了したら終了
- カタログデータが読み取れない形式の場合は、
  読み取り可能な形式（テキスト・CSV）への変換を依頼して終了

サンプルアンサー（執筆時の想定アンサー）

入力データ例：食器メーカーの商品カタログ（PDF内テキスト抽出）、商品3点分

変換完了した楽天用CSV：
（楽天用CSV展開）
商品番号, 商品名, 価格, 在庫数, カテゴリ, 商品説明, JAN
K-001, 波佐見焼 白磁丸皿 15cm, 2200, 30, テーブルウェア,
「長崎県波佐見町で400年の歴史を持つ波佐見焼。白磁の美しさと
 日常使いの丈夫さを両立した15cm丸皿。電子レンジ・食洗機対応。」,
4589000000001
K-002, 波佐見焼 白磁小鉢 10cm, 1650, 25, テーブルウェア,
「同シリーズの小鉢10cm。煮物・和え物・副菜に。K-001との
 セット使いがおすすめ。電子レンジ・食洗機対応。」,
4589000000002
K-003, 波佐見焼 白磁汁椀, 1980, 20, テーブルウェア,
（変換中…）

変換完了したAmazon用CSV：
（Amazon用CSV展開）
タイトル: 波佐見焼 白磁丸皿 15cm ｜電子レンジ・食洗機対応
ブレット1: 【長崎・波佐見産】400年の歴史を誇る産地の正統派白磁皿
ブレット2: 【丈夫な日用食器】繰り返し使っても変形しにくい厚手仕様
ブレット3: 【電子レンジ・食洗機対応】毎日の使いやすさを最優先に設計
ブレット4: 【サイズ】直径15cm / 重量○g（AI補足：重量はカタログに記載なし）
ブレット5: 【セット品あり】小鉢10cm（K-002）との組み合わせがおすすめ

変換できなかった項目リスト：
・要確認：K-003 汁椀の容量（ml）（カタログに記載なし）
・要確認：全3品の重量（g）（カタログに記載なし）
・要確認：JANコード K-003（数値が判読不明・再確認要）

フラグリスト：
・法務確認要なし（今回の商品は食器であり薬機法・景表法の
  特別規制対象外）

解説

仕入れ先からのカタログは形式がバラバラです。PDFだったりExcelだったり、項目名が独自だったり。変換作業、1件30分かかることもありますよね。Claude Codeにこのエージェントを持たせておくと、新しいカタログが来るたびにルーティンで回せます。

なお、取適法（2026年1月施行）の観点から、仕入れ先への運用コスト転嫁は問題になりえます。事前に仕入れ先との合意・役割分担を文書化してから動かしてください。

ここまでが「5シナリオの使い方」です。どのシナリオも、Claude Code が「業務ルールを記憶した状態」で動いてこそ精度が出ます。次の §4 では、この5シナリオを安定して動かすための土台——CLAUDE.md・agents・hooks・settings.json——を4ステップで設計します。

§4 Claude Code への「業務常駐」実装手順（4ステップ）

💡 エンジニア経験がなくても大丈夫です。 Step 1（CLAUDE.md の記述）はテキスト編集のみで完了します。Step 2〜4でJSONの編集が不安なら、Claude Code に「このJSONの○○を修正して」と口頭で指示するだけで書き換えてくれます。JSONはAIに任せる前提で読んでください。まず最初の30日は Step 1 だけを実施し、Step 2 以降は慣れてから取り組むのが現実的な進め方です。

以下の4ステップで、あなたのECショップに Claude Code を常駐させましょう。

Step 1：CLAUDE.md に業務ルールを書く

CLAUDE.md は Claude Code が毎回読み込む「業務マニュアル」です。ここに書いたことが、すべてのエージェントの前提知識になります。

EC向けCLAUDE.md に書くべき内容（例）

# このプロジェクトについて
楽天・Amazon・自社ECを運営する食品ECショップ（ギフト・常温保存食専門）の業務AIです。

## 基本ルール
- 商品説明文は「生活シーン提案型」の文体で書く
- 「最安値」「No.1」等の根拠のない最上級表現は使わない
- 薬機法・景表法・食品表示法に違反する表現は使用しない

## 禁則ワードリスト
- 治る、効く、痩せる、アレルギーに効果がある（薬機法・食品表示法禁止表現）
- 絶対、必ず、完璧（過度な断言）

## ブランドトーン
- 読者層：30〜50代、家族へのギフト重視、素材・産地へのこだわり
- 敬体（です・ます調）、親しみやすく信頼感のある語調

## 各モールのルール
- 楽天：商品名は127バイト以内、検索KWは商品名に含める
- Amazon：タイトル200文字以内、ブレット5行
- 自社EC：SEO向けにメタディスクリプション150字を必ず生成

## 個人情報の取り扱い
- 顧客の氏名・住所・購買履歴を含むデータはAPIに渡さない
- 個人情報保護法第27条・第28条に従い外部送信しない

50行以内、200行未満が運用しやすい目安です（体感値・目安として）。長すぎると Claude が優先度を見失います。

Step 2：agents/ に役割エージェントを分割

Claude Code の公式仕様（2026-05時点）では、`.claude/agents/` フォルダに Markdown ファイルを配置することでサブエージェントを定義できます。

ECショップ向けエージェント分割例

.claude/
  agents/
    cs-agent.md      # CSルーティング・回答下案生成
    copy-agent.md    # 商品説明文・コピーライティング
    stock-agent.md   # 在庫予測・仕入れ計画下案
    review-agent.md  # レビュー分析・月次レポート

各エージェントファイルの先頭にYAMLフロントマターで名称・説明を書き、その後にシステムプロンプト（役割定義）を記述します。

Step 3：hooks で自動化連携を設定

hooks は「Claude Code が何かアクションを取ったとき（ファイル編集後・通知時など）に自動実行されるコマンド」です。

設定場所は `.claude/settings.json`（プロジェクトレベル）または `~/.claude/settings.json`（ユーザーレベル）。

EC向けhooks 実装例

以下はファイル編集後に自動フォーマットをかけるhooks 設定例です（公式ドキュメント準拠）。

{
  "hooks": {
    "PostToolUse": [
      {
        "matcher": "Edit|Write",
        "hooks": [
          {
            "type": "command",
            "command": "prettier --write $CLAUDE_TOOL_INPUT_FILE_PATH"
          }
        ]
      }
    ],
    "Notification": [
      {
        "hooks": [
          {
            "type": "command",
            "command": "osascript -e 'display notification \"Claude が入力待ちです\" with title \"Claude Code\"'"
          }
        ]
      }
    ]
  }
}

※上記 Notification フックの `osascript` コマンドは macOS 向けの通知コマンドです。Windows 環境では Claude Code のターミナル出力を監視する方法、または BurntToast モジュール（PowerShell）を使った `New-BurntToastNotification` コマンドが代替候補になります。Claude Code に「Windows でデスクトップ通知を出す hooks を設定して」と口頭で依頼すれば、環境に合わせたコマンドを生成してくれます。

Slack通知・楽天RMSへの投稿前確認・Sheetsへの書き戻し自動化は、このhooks の仕組みで実装できます。hookの種類（Command/Prompt/Agent）と発火タイミングを組み合わせると、EC業務の多くを「Claude が処理 → 人間が確認ボタンを押す」フローに変えられます。

Step 4：settings.json でガードレールを設ける

settings.json は「Claude Code が何をしてよいか・してはいけないか」を定める技術的なルールファイルです。

EC向けの代表的なガードレール設定

{
  "permissions": {
    "allow": [
      "Read(*)",
      "Write(./output/**)",
      "Bash(echo:*)",
      "Bash(cat:*)"
    ],
    "deny": [
      "Bash(curl:*external-api*)",
      "Write(./customer-data/**)",
      "WebFetch(*)"
    ]
  }
}

重要なのは顧客データフォルダへの書き込み禁止、外部APIへの無断送信制限です。

【重要】settings.json での社外送信制限は、個人情報保護法第27条・第28条（第三者提供・外国にある第三者への提供の制限）への対応を技術的に補助する手段です。ただし、法的なリスク管理としては、AIサービスの選定・データの匿名化・社内規程の整備が前提です。settings.json だけで法的リスクがすべて消えるわけではありません。

⚠️ 補足：APIがデータを「学習しない」ことと、第三者提供規制は別問題です。 AnthropicのAPIプランが「顧客データをモデル学習に使用しない」と保証していても、個人情報をAPIに送信する行為自体が個人情報保護法上の「第三者への提供」に該当しうるため、法的なリスクは残ります。EC業務で顧客の個人情報を扱う場合は、APIプランであっても入力データの匿名化・仮名化を基本とし、法務担当・社内規程との整合を確認してください。

§5 Codex CLI 補足の使いどころ

Claude Code が「プロジェクト常駐型の前線エンジニア」なら、Codex CLI（`npm i -g @openai/codex`）は「単発バッチ処理の職人」です。

◆ 活用シーン①：楽天RPP広告レポートCSVの月次整形

楽天のRPP（広告）レポートはCSVで出力できます。列名が日本語・数値形式が特殊・月によって出力列が変わる——という扱いにくいデータを `codex cloud exec` で自動スクリプト化すると、毎月の処理が1コマンドで完結します。

codex "楽天RPP広告レポートのCSVを読み込み、
       ROAS・クリック率・消化金額をわかりやすい日本語表でまとめて
       output_rpp_2026_05.csvに書き出して"

◆ 活用シーン②：Amazon出品CSVの正規化スクリプト一括変換

Amazon出品CSVはカテゴリによって必須項目が異なります。仕入れ先から来た汎用フォーマットを Amazon 用フォーマットに正規化するスクリプトを、Codex CLI で即席生成できます。再利用もできるためスクリプト資産として蓄積されます。

◆ 活用シーン③：画像リネーム・ALT文付与のバッチ処理

楽天・Amazonの商品画像は命名規則があります。100点分の画像を規則に従ってリネームしたり、SEO向けのALT文をファイル名から自動生成したりする処理は、Codex CLI の `$imagegen` スキルとシェルスクリプト生成を組み合わせると一括処理できます。

Claude Code との併用ポイントは「使い捨ての単発スクリプトはCodex CLI」「蓄積・常駐させるエージェント設計はClaude Code」という分担意識です。

§6 ROI と運用コスト試算

本節の費用・回収期間はあくまで試算の目安（体感値・目安として）です。実際の効果は事業規模・業種・導入範囲・運用体制によって異なります。

「投資するか・しないか」の意思決定を素早く下すには、六色帽子思考法のAIプロンプトが効果的です。

月額費用の目安（2026-05時点）

⚠️ EC業務での利用にあたって（重要）

Claude の個人向けプラン（Pro・Max）は、入力したデータがモデルの改善に利用される場合があります（2025年9月以降のデフォルト設定・オプトアウト可能）。顧客の氏名・住所・購買履歴などの個人情報が含まれる業務データを扱う場合は、Anthropic API プランまたは Team/Enterprise プランを使用することを強く推奨します。

個人向けプラン（Pro・Max）で顧客データを入力した場合、個人情報保護法第27条・第28条の「第三者提供・外国にある第三者への提供」に該当するリスクがあります。学習に使用しないことと第三者提供規制は別問題です（§4 Step 4 の補足も参照）。

（参照：Anthropic 利用規約 https://www.anthropic.com/legal/aup）

◆ Claude Code の利用費用

Claude Pro プラン：$20/月（個人利用向け・テスト用途・個人情報なしのデータのみに限定推奨）
Claude Max プラン：$100〜$200/月（5x/20xの2段階）
Anthropic API プラン：Claude Sonnet 4.6 で $3（入力）/$15（出力）/100万トークン（EC本番業務・顧客データを扱う場合に推奨）

◆ Codex CLI の利用費用

ChatGPT Plus に含まれる：$20/月
API利用（codex-mini-latest）：$1.50（入力）/$6（出力）/100万トークン

◆ 月商1〜3億円中小EC の試算例（体感値・目安として）

Claude Pro または Max（$100/月≒1.5万円）＋API課金（2〜3万円目安）＝月額3〜5万円程度でスタートできます。

人件費節減の試算例（体感値・目安として）

◆ CS一次対応の自動化

現状：CS担当1名が月200時間をCS対応に費やしている
導入後目安：一次回答・仕分けを自動化し、対応時間を120〜140時間程度に圧縮
削減工数：60〜80時間/月（時給換算1,500円として月9〜12万円相当）

◆ 商品説明文の多モール展開自動化

現状：1商品の説明文作成に60〜90分、月30商品で45〜60時間
導入後目安：入力データ準備30分・確認校正30分で1商品完結
削減工数：月30〜45時間（時給換算1,500円として月4.5〜7万円相当）

◆ 在庫予測レポート作成の自動化

現状：月次レポート作成に10〜15時間
導入後目安：データ収集・叩き台生成を自動化で2〜3時間に圧縮
削減工数：月8〜12時間（時給換算1,500円として月1.2〜1.8万円相当）

上記3シナリオすべてを導入した場合の試算合計として、月15〜25万円相当の作業工数削減の可能性があります（体感値・目安として。1シナリオのみの効果ではありません。実際の効果は事業規模・担当者スキル・ツールへの習熟度・運用体制で大きく変動します）。

月額3〜5万円の費用に対して、2〜4か月での投資回収が見込める計算です（体感値・目安として）。ただし、この試算はツール利用料のみの計算です。初期設定・チューニングに要する20〜40時間の時間コストは含まれていません。削減効果が安定して出始めるのは、Phase 1の初期設定完了後2〜3か月目が目安です（体感値）。

ROIシナリオ別の目安（体感値・目安として）：
楽観シナリオ（3シナリオ全導入・CLAUDE.md整備済み・担当者のAI習熟度が高い場合）：2か月での投資回収が視野に入る
基本シナリオ（1〜2シナリオから開始・標準的な習熟期間）：3〜4か月での投資回収
悲観シナリオ（初期設定に手間取り・1シナリオのみ・習熟に時間がかかる場合）：6か月以上を想定する

§7 ロードマップ：3フェーズで自社FDE化

Phase 1（0〜30日 / 約5万円 / 到達目標：CS一次対応のFDE化）

何をするか

Claude Code を導入し、CLAUDE.md に業務ルールを書き込み、CSエージェント1体を稼働させます。

どのツールで

テスト用途（個人情報を含まないダミーデータのみ）：Claude Pro $20/月＋ API課金（月1〜2万円目安）
本番業務（実際のCS問い合わせ・顧客データを含む場合）：Anthropic API プラン推奨（§6「EC業務での利用にあたって」参照）
合計目安：約3〜5万円/月（体感値・目安として）

30日で何が変わるか

CS問い合わせの一次分類・回答下案生成が自動化されます。CS担当者は「確認して送信ボタンを押す」作業に集中できます。楽天グループ株式会社の事例では、Claude Codeを導入した部門で1週間で複数部門への展開が完了しています（Anthropic公式顧客事例：https://claude.com/customers/rakuten ）。

主なアクション

CLAUDE.md に業務ルール・禁則ワード・ブランドトーンを記述（3〜5時間）
`.claude/agents/cs-agent.md` にCSルーティングプロンプトを設定（1〜2時間）
実際の問い合わせ50件でテスト・チューニング（5〜10時間）
settings.json で個人情報フォルダへのアクセス制限を設定（1時間）

Phase 2（30〜90日 / 約15万円 / 到達目標：商品DB→マルチモール展開）

何をするか

Codex CLI を連携させ、在庫予測下案エージェント・商品DBエージェントを追加します。楽天・Amazon・自社ECの3モールへの商品説明文一括展開ができる状態を目指します。

どのツールで

Claude Code：Claude Max $100/月（5xプラン）＋ API課金（月2〜3万円目安）
Codex CLI：ChatGPT Plus $20/月＋ API課金（月1〜2万円目安）
合計目安：約15万円/月（体感値・目安として）

90日で何が変わるか

新商品の説明文作成・在庫予測叩き台の生成・RPP広告CSVの月次整形が自動化されます。商品担当者が3モール分の説明文を手動で作る手間が大きく変わります。

主なアクション

`.claude/agents/copy-agent.md` に商品説明文生成エージェントを追加（2〜4時間）
`.claude/agents/stock-agent.md` に在庫予測下案エージェントを追加（2〜4時間）
Codex CLI で楽天RPP広告CSVの月次整形スクリプトを生成・テスト（3〜5時間）
hooks で「ファイル更新後にSlack通知」を設定（1〜2時間）
全エージェントの動作テストと CLAUDE.md の磨きこみ（追記・調整）（10〜15時間）

Phase 3（90〜180日 / 約30万円 / 到達目標：仕入れ先共同AI＋自社モート確立）

何をするか

仕入れ先カタログ変換エージェントを追加し、取引先との連携を効率化します。さらに意思決定ベンチマークを導入し、「自社独自の業務ナレッジがClaude Code に蓄積された状態」＝自社モートを確立します。

どのツールで

Claude Code：Claude Max $200/月（20xプラン）＋ API課金（月3〜4万円目安）
Codex CLI：$20/月＋ API課金（月2〜3万円目安）
Manus（自律エージェント型AI）：manus.im（プラン料金は公式サイト参照）
合計目安：約30万円/月（体感値・目安として）

汎用エージェント型AIの Manus を使うと、仕入れ先との競合調査・市場リサーチを「やっておいて」で完結させる次のステージに進めます。

👉 Manus 公式サイト：manus.im（自律エージェント型AI・リサーチ作業を自動実行する新世代ツール）※招待リンクです（招待者への金銭的報酬は発生しません）

180日で何が変わるか

仕入れ先から来た新カタログをClaude Codeが自動変換・出品準備まで一括処理できる状態になります。この「自社の仕入れ先・商品特性・モールルール・ブランドトーン」が凝縮されたCLAUDE.md＋agents体系が、他社が短期間では追いつけないモートになります。

主なアクション

`.claude/agents/catalog-agent.md` に仕入れ先カタログ変換エージェントを追加（4〜8時間）
取適法（2026年1月施行）に関して仕入れ先との合意・役割分担を文書化（弁護士・法務確認を推奨）
Manus を活用した競合調査・市場リサーチの自動化を試行（10〜20時間）
意思決定ベンチマーク設計：「AI下案の採用率・修正率・エラー率」を月次で記録する仕組みを構築（5〜10時間）
CLAUDE.md の定期メンテナンス体制を確立（毎月30分〜1時間）

Phase 3 への移行は事業規模を一つの目安に（体感値・目安として）

月約30万円という Phase 3 の費用は、事業規模によっては重い固定費になります。以下を参考に、自社に合うフェーズを判断してください。

◆ 年商1〜3億円の EC 事業者：Phase 1（月3〜5万円）のみで十分な成果が出るケースが多いです。CS一次対応の自動化だけで投資回収できる規模感です。Phase 2 以降は、Phase 1 の ROI が安定してから検討を。

◆ 年商3〜10億円の EC 事業者：Phase 2（月15万円）まで進めることで、商品DB連鎖・在庫予測・レビュー分析の3シナリオが機能し始めます。Phase 2 でROIが確認できた段階で Phase 3 を判断するのが現実的です。

◆ 年商10億円以上の EC 事業者：仕入れ先連携・複数部門のエージェント常駐化という Phase 3 の設計が事業規模に見合ってきます。弁護士・法務確認コストを含めた費用対効果で判断してください。

§8 自社版FDEが向かない場面

自社版FDEプロジェクトが機能しないケースも、正直に整理しておきます。耳が痛い話もありますが、導入後に後悔するより読んでおいた方がいい。

MIT Project NANDAの2025年調査では、企業AI投資の95%がパイロット段階で測定可能なP&Lインパクトをゼロのまま終了しています（「The GenAI Divide」レポート、2025年7月。出典：https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo/ ）。失敗の根本原因は「技術の問題」ではなく「脆弱なワークフローと日常業務との不整合」です。

◆ 向かない場面①：1人運営でAI管理の余力がない

Claude Code を常駐させるには、初期設定・CLAUDE.md の整備・テスト・チューニングに合計20〜40時間の投資が必要です（体感値・目安として）。本業の売上管理・出荷・CSをすべて1人でこなしているECショップでは、この初期投資の余力がない場合があります。

代替策として、まず Codex CLI の単発バッチ処理（楽天RPP CSV整形など）から始め、効果を確認してから Claude Code の本格導入を検討するのが現実的です。

◆ 向かない場面②：業務マニュアルが完全にない現場

Gartner の予測（2025年2月発表）では、AIに適したデータが整備されていないAIプロジェクトの60%が2026年中に中止されると指摘しています（出典：https://www.gartner.com/en/newsroom/press-releases/2025-02-26-lack-of-ai-ready-data-puts-ai-projects-at-risk ）。

CLAUDE.md に書く業務ルールは「存在するもの」を書き起こすことで作れます。ただ、業務手順が完全に口伝・属人的な現場では、学習させる素材がそもそもありません。「業務マニュアル化」を先に済ませてから導入する——その順序が正しい。

◆ 向かない場面③：機密データを外部APIに渡せない法務制約がある

顧客の個人情報（氏名・住所・購買履歴）・仕入れ先との秘密保持契約（NDA）対象の情報・自社の価格戦略や原価データは、外部のAIクラウドサービスに直接入力することが法的・契約上の制約から難しい場合があります。

個人情報保護法第27条（第三者提供の制限）・第28条（外国にある第三者への提供の制限）が適用されます。Anthropic（アンソロピック）のAPIプランはデータをモデル学習に使用しないと保証していますが、それは第27条・第28条の第三者提供規制から外れることを意味しません。「学習しない」という保証と「第三者提供の制限を免除される」は、法的に別の問題です。APIを使う行為自体が「第三者への提供」に該当しうるため、顧客データの扱いには個別の法務確認が必要です。

この場合の対処：匿名化・仮名化したデータのみAPIに渡す運用設計、またはオンプレミス型のAIソリューションを検討してください。

◆ 向かない場面④：KPIが設定できない状態での導入

Japan IT Weekが記録した日本の導入失敗事例では、建設業の中小企業がKPI未設定でAI自動報告書を導入し、6か月で打ち切ったケースがあります。

「何を改善したくて導入するのか」「3か月後にどの数値が変わっていれば成功か」——この問いに答えられないうちは、効果測定も改善もできません。「CSの一次回答工数を月100時間から50時間以下に」という具体的な目標から始めることをおすすめします。

まとめ：今日から動ける3つのアクション

前編でFDEモデルの概念と業界動向を整理し、後編では「自社で作る全手順」をお伝えしました。

◆ アクション①（今日）：CLAUDE.md に業務ルール10行を書く

箇条書きで構いません。「CSでよく来る問い合わせ上位5件の回答方針」「商品説明文の禁則ワード3つ」から始めましょう。

◆ アクション②（今週）：§3のシナリオ①（CSルーティング）をそのまま試す

プロンプトをコピーして、実際の問い合わせ5件でテストする。改善点が見えたらCLAUDE.mdに追記するサイクルで磨いていけます。

◆ アクション③（今月）：Phase 1のスコープで30日間継続する

1つのシナリオを30日間動かし続けることで、CLAUDE.mdが育ちます。「使いながら気づいた自社ならではのルール」の積み重ねが、競合が追いつけないモートの種になります。

🔗 シリーズ前編

👉 シリーズ前編：【前編・2026年版-コンサル不要のFDE×EC運営】Anthropic×PE合弁がEC事業者に意味する5つの変化｜FDE徹底解説

前編では「FDE（Forward Deployed Engineer）モデルとは何か」「Anthropic（アンソロピック）×PE合弁がEC事業者にどう波及するか」を解説しています。

🔗 関連記事

【シリーズ前編】：【前編・2026年版-コンサル不要のFDE×EC運営】Anthropic×PE合弁がEC事業者に意味する5つの変化｜FDE徹底解説

【AIプロンプト基礎・関連記事】：【2026年版】EC運営者のAIプロンプト10個｜「あなたはプロ」やめて精度UP

【AI検索・EC集客力強化・関連記事】：【前編】楽天・Amazon・本店のAI検索対応7ステップ｜2026年勢力図

【レビュー分析・関連記事】：【第4部・2026年版-競合調査AIプロンプト】楽天販促×広告×LTV｜施策編

【意思決定速度・関連記事】：【後編・2026年版-六色帽子思考法】AIプロンプト10選｜EC5シナリオ実践編

✨ 最後まで読んでいただきありがとうございます。

❤️ この記事が「自社版FDE、試してみようかな」と思うきっかけになったなら、スキを押していただけると執筆の励みになります。

🔔 続きのシリーズや最新のEC×AI活用記事をお届けしています。フォローしていただけると、新しい記事をいち早くご覧いただけます。

💬 「このシナリオを試してみた」「CLAUDE.mdはこう書いた」といった実践報告、コメントで教えていただけるととても嬉しいです。

🙇‍♂️ AI活用でEC運営が少しでも楽になる方が増えることを願い、引き続き書き続けます。

#ClaudeCode #CodexCLI #自社FDE #EC運営 #コンサル不要 #CLAUDEmd #hooks #エージェント #AI業務自動化 #楽天市場 #Amazon #自社EC #EC事業者 #モート #AI2026 #Claude #プロンプト #ROI #ロードマップ #FDE #AI導入 #ネットショップ運営

【後編・2026年版-コンサル不要のFDE×EC運営】Claude Code×Codexで始める自社FDE全手順｜EC実装・ROI編

🎯 自社版FDEは、2〜3人体制以上のEC事業者なら今日から始められる

自社版FDEプロジェクトとは

§1 自社版FDEを始める前提条件

§2 ツール使い分け：Claude Code（メイン）×Codex CLI（補助）

Claude Code とは

Codex CLI とは

4観点での使い分け

料金の目安（2026-05時点）

朝はClaude Code、日中の単発はCodex CLI

§3 EC運営の自社版FDEシナリオ5本

シナリオ①：CSルーティング

シナリオ②：商品DB→説明文→OG画像案 連鎖

シナリオ③：レビュー横断クレーム分析

シナリオ④：在庫予測下案

シナリオ⑤：仕入れ先共同AI（取適法・2026年1月施行への配慮付き）

§4 Claude Code への「業務常駐」実装手順（4ステップ）

Step 1：CLAUDE.md に業務ルールを書く

Step 2：agents/ に役割エージェントを分割

Step 3：hooks で自動化連携を設定

Step 4：settings.json でガードレールを設ける

§5 Codex CLI 補足の使いどころ

§6 ROI と運用コスト試算

月額費用の目安（2026-05時点）

人件費節減の試算例（体感値・目安として）

§7 ロードマップ：3フェーズで自社FDE化

Phase 1（0〜30日 / 約5万円 / 到達目標：CS一次対応のFDE化）

Phase 2（30〜90日 / 約15万円 / 到達目標：商品DB→マルチモール展開）

Phase 3（90〜180日 / 約30万円 / 到達目標：仕入れ先共同AI＋自社モート確立）

§8 自社版FDEが向かない場面

まとめ：今日から動ける3つのアクション

🔗 シリーズ前編

🔗 関連記事

いいなと思ったら応援しよう！

シナリオ②：商品DB→説明文→OG画像案連鎖