自動化

前回の計画編では、移行の方針とフェーズ設計を紹介しました。本記事では、計画を実際に自律実行するためのフレームワーク設計を解説します。 全体アーキテクチャ 自律移行の仕組みは、大きく 3 つのレイヤーで構成されています。 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 ┌─────────────────────────────────────────────────────┐ │ オーケストレーション層: run-issue.sh │ │ - Issue 読み込み → ブランチ作成 → Claude 起動 │ │ - リトライ → Push → PR 作成 → マージ → Issue 閉じ │ └──────────────────┬──────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────┐ │ 実行層: Claude Code (claude -p) │ │ - ソースコード調査 → 設計 → 実装 → テスト │ │ - コミット（push はしない） │ │ - サブエージェント: explorer / architect / reviewer│ └──────────────────┬──────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────┐ │ 品質保証層: Hooks + CI + verify-phase.sh │ │ - Pre-commit: ruff format + check │ │ - PostToolUse: 編集時の即座リント │ │ - CI: lint → Django check → pytest │ │ - Phase 検証: ファイル存在 + 機能チェック │ └─────────────────────────────────────────────────────┘ 責務分離の原則 最も重要な設計原則は、ワークフロー制御と実装作業の責務分離です。 ...

計画編で方針を、自動化基盤編でフレームワークを紹介しました。最終回では、実際に 15 Issue を自律実行した結果と、得られた教訓を共有します。 実行結果サマリー タイムライン 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 12:06 ── Phase 0: 初期セットアップ ────── 12分 (リトライ1回) 12:18 ── Phase 1-1: マスタモデル ──────── 14分 (リトライ1回) 12:33 ── Phase 1-2: 契約モデル ──────── 12分 12:45 ── Phase 1-3: 入金・会計モデル ──── 9分 12:57 ── Phase 2: 認証 & API ────────── 12分 (リトライ1回) 13:09 ── Phase 3-1: テンプレート ──────── 16分 (リトライ2回) 13:25 ── Phase 3-2: マスタ CRUD ────── 21分 13:46 ── Phase 4-1: 契約検索 ──────── 12分 13:58 ── Phase 4-2: 契約 CRUD ──────── 16分 14:14 ── Phase 4-3: 支払・入金 ──────── 21分 (リトライ1回) 14:35 ── Phase 5-1: CSV インポート ──── 24分 (リトライ1回) 14:59 ── Phase 5-2: Excel エクスポート ── 24分 (リトライ1回) 15:00 ── Phase 6: 月次締処理 ──────── 10分 15:34 ── Phase 7: テスト ──────────── 20分 (リトライ2回) 15:54 ── Phase 8: デプロイ準備 ──────── 8分 合計: 約 5.5 時間 数値で見る結果 項目 数値 完了 Issue 15 / 15 総コミット 84 うち修正コミット (fix:) 16 (19%) リトライ発生 Issue 8 / 15 (53%) 最大リトライ回数 2 回 Python コード行数 約 15,000 行 テンプレート 50+ ファイル テスト数 199 テスト通過率 100% 1 Issue あたり平均時間 15〜25 分 うまくいったこと 1. inspectdb による正確なモデル定義 既存 DB ダンプから inspectdb でモデル雛形を生成し、それを整理する方式は非常に効果的でした。カラム名・型・制約が実 DB と完全一致するため、「モデル定義を書いたが DB と合わない」問題が発生しませんでした。 ...

「寝てる間に稼ぐ」――AI トレーディングボットが24時間タイムゾーン裁定を監視し、海外で確定した市場を見つけて $43,800 を稼いだという投稿が話題になっています。本記事では、タイムゾーン裁定取引（Timezone Arbitrage）の仕組み、AI ボットの役割、そして見落とされがちなリスクについて解説します。 暗号通貨予測市場における裁定取引 今回話題になっている「タイムゾーン裁定」は、暗号通貨の予測市場（Prediction Market）と現物取引所の間に生じるレイテンシ（遅延）を利用する戦略です。 予測市場とは Polymarket に代表される予測市場では、「BTC は15分後に上がるか？下がるか？」といった短期コントラクトが取引されています。参加者はイベントの結果に対してオッズ付きのポジションを取り、結果確定後に精算されます。 裁定の具体的な流れ 現物市場で価格が動く — Binance や Coinbase で BTC が急騰し、明確な上昇トレンドが確認される 予測市場のオッズが追いつかない — Polymarket の「BTC 15分後に上昇」コントラクトのオッズがまだ 50/50 のまま ボットが即座にポジションを取る — 実際の上昇確率が ~85% なのに、市場価格は 50% を示している。この乖離を突いて「上昇」側を購入 結果確定で利益獲得 — 15分後に BTC が実際に上昇し、コントラクトが精算される なぜ「タイムゾーン」が関係するか 暗号通貨市場は24時間稼働ですが、トレーダーの活動量はタイムゾーンに依存します。 アジア時間帯に大きな値動きが発生 → 欧米のトレーダーが少なく、予測市場の流動性が薄い → オッズ修正が遅れる 欧米時間帯の急変動 → アジア圏の参加者が少なく、同様にラグが発生 この地域ごとの活動時間差が市場の非効率性を生み、24時間稼働するボットがその隙間を突ける構造になっています。 実際の規模 報道ベースでは、この手法の規模は無視できないレベルに達しています。 あるボットが $313 の元手から1ヶ月で $414,000 を達成（BTC/ETH/SOL の15分コントラクト、勝率98%） 2024年4月〜2025年4月の推定裁定利益は全体で 約 $4,000万（約60億円） Polymarket の最も利益を上げているトレーダー上位20のうち 14がボット なお、Polymarket はこのレイテンシ裁定を抑制するため、15分コントラクトに動的テイカー手数料を導入しています。以前のゼロ手数料構造がボットに有利すぎたためです。 AI ボットが果たす役割 従来の手動アービトラージでは、人間がリアルタイムで複数市場を監視する必要があり、実質的に24時間の稼働は不可能でした。AI ボットはこれを根本的に変えます。 ...

Claude Code と ByteDance の Seedance 2.0 を組み合わせた動画広告制作ツール「Renoise」が登場した。1枚の商品写真から数百パターンの動画クリエイティブを自動生成できるという。 Renoise とは Renoise は「動画をつくるな、プログラムしろ（Don’t make videos — program them）」をコンセプトに掲げる AI 動画制作ツール。Claude Code のコード生成能力と、ByteDance が開発した動画生成 AI「Seedance 2.0」を組み合わせることで、動画広告の制作を従来の100倍にスケールさせることを目指している。 主な特徴： 1枚の商品写真から数百パターンの動画クリエイティブを生成 手動編集ではなく、コードベースで動画を「設計・展開」するアプローチ 広告やマーケティング向けのクリエイティブ量産に特化 Seedance 2.0 について Seedance 2.0 は ByteDance の Seed 研究チームが開発した次世代 AI 動画生成モデル。2026年2月にベータ版が公開され、SNS で大きな話題となった。 主な機能 マルチモーダル入力: テキスト、画像（最大9枚）、動画（最大3本）、音声（最大3ファイル）を組み合わせて動画を生成 音声・動画の同時生成: デュアルチャンネルステレオ技術で映像と完全同期した音声を生成 高解像度出力: ネイティブ 2K 解像度（2048×1080）に対応 高速生成: 前モデル Seedance 1.5 Pro と比べて30%の速度向上 物理演算の改善: 人物の動きや物体の相互作用がよりリアルに Claude Code との連携 Claude Code は Anthropic が提供する CLI ベースの AI コーディングアシスタント。Renoise では、Claude Code の自然言語によるコード生成能力を活かして、動画制作のワークフローをプログラマブルに制御する。 ...

Zapier を使って HubSpot と Asana を連携させる方法と、Code by Zapier で集計ロジックを追加するテクニックを紹介します。 HubSpot × Asana 連携の基本 HubSpot（CRM・マーケティング）と Asana（プロジェクト管理）を連携させることで、営業パイプラインとタスク管理を自動化できます。Zapier を使えばノーコードで連携を構築できます。 よくある連携パターン トリガー（HubSpot） アクション（Asana） ユースケース 新規ディールが作成された タスクを作成 商談ごとにプロジェクトタスクを自動生成 ディールのステージが変わった タスクを更新 進捗をリアルタイムに反映 フォーム送信があった タスクを作成 問い合わせ対応タスクを自動起票 新規チケットが作成された タスクを作成 サポート対応を Asana で管理 逆方向の連携もあります。 トリガー（Asana） アクション（HubSpot） ユースケース タスクが完了した コンタクトを更新 納品完了を CRM に反映 タスクにコメントが追加された エンゲージメントを作成 活動履歴を CRM に記録 Zapier での連携セットアップ 1. Zap の作成 Zapier にログインし、「Create Zap」から新しい Zap を作成します。 トリガーの設定（例: HubSpot → Asana）: トリガーアプリに HubSpot を選択 トリガーイベントに「New Deal」を選択 HubSpot アカウントを接続 テストを実行して動作確認 アクションの設定: ...

Claude Coworkは今年最強の生産性ツールだ。しかし9割の人はインストールして10分ほど適当に触り、「へえ、すごいね」と言って結局ChatGPTに戻ってしまう。 理由は明確で、「初期設定」をサボっているからだ。海外のガチ勢が数ヶ月かけて検証したCoworkを本物の従業員にするための初期設定がエグすぎたので、すべて解説する。 これさえやれば、今日からあなたの働き方は完全に自動化される。 Claude Coworkとは Claude Coworkは、Claude Desktopアプリに組み込まれたエージェント型デスクトップツールだ。 PCのフォルダへの直接読み書きアクセス、マルチステップタスクの自律実行、複雑な作業のための並列サブエージェント起動ができる。ターミナルもコマンドラインも不要。 Claude Chat：質問に答えるアシスタント Claude Code：ソフトウェアを構築するデベロッパー Claude Cowork：タスクを完遂する従業員 ビジネスオーナーにとってゲームチェンジャーになるのがCoworkだ。 1. 必須の「4大プラグイン」 まずは土台となるプラグインを入れる。ここからすべてが始まる。 Productivity（全員必須） すべての基礎。/schedule でカレンダーに予定を直接ブロックし、/workflow で自動化を走らせる。Slack、Notion、Asana、Linearなど主要サービスと連携する。 Marketing（コンテンツ作成の要） /repurpose を叩けば、1つの記事から5媒体分（X、LinkedIn、メルマガ等）の投稿を自動生成する。 Data（スプレッドシート連携） /analyze でCSVを読み込ませるだけで、数式を一切書かずにインサイトを抽出する。 Sales（商談準備を3分に圧縮） /research-account で企業情報やキーマンを一瞬で丸裸にする。30分かかる商談準備が3分になる。 インストール方法： 左サイドバーの「Customize」→「Browse plugins」→「Install」 まずは2つから始めて、基礎が固まったら追加していくのが正解だ。 2. AIを覚醒させる「コンテキストファイル（.md）」 ここからが本番だ。毎回AIに「私はこういう立場で…」と説明するのは三流のやること。以下のMarkdownファイルをPCの専用フォルダに入れ、Coworkに常に読み込ませる。 about-me.md あなたの役職、連絡の好み、稼働時間などをまとめた「プロの身分証明書」。 brand-voice.md（超重要） あなたが「使う言葉・使わない言葉」、トーン、過去の文章サンプルをまとめた2,000字のファイル。これがあれば、AIの出力は「無修正でそのまま使える」レベルになる。 current-projects.md 今週のデッドラインや課題を書いた生きたドキュメント。週1で更新すれば、AIは「あなたの今のタスク状況」を完全に把握した秘書になる。 これら3ファイルで「汎用AIアウトプット」問題が解消される。設定なしでは毎回セッションがゼロスタートだが、あれば最初からあなたの声とスタンダードをClaudeが把握している。 コンテキストファイルの配置例 ~/Claude-Workspace/ ├── context/ # 常設コンテキストファイル ├── projects/ # アクティブなプロジェクトフォルダ └── outputs/ # Claudeが成果物を届ける場所 フォルダの「ブラスト半径」を限定するため、Documents全体ではなく専用フォルダだけを共有するのが鉄則だ。 3. PCを直接操作する「破壊的ワークフロー」 アプリを横断してPCを直接操作できるCoworkの真骨頂。 朝のダッシュボード構築 「いつものアプリ（Gmail、カレンダー、Notionなど）を全部開いて、今日の予定を要約して」と指示。10分かかる朝の準備が30秒で終わる。 商談の全自動リサーチ 「30分後の〇〇さんとのMTGに向けて、LinkedIn、企業HP、過去のメール履歴を調べてペライチの要約を作って」。この機能のためだけにChatGPTを捨てる価値がある。 終業時のシャットダウン 「タスク漏れを確認して、明日の優先事項TOP3をデスクトップに付箋で貼って」。これで翌朝の不安がゼロになる。 ...

Cloudflare の最新インフラ技術「Cloudflare Agents」と AI を組み合わせることで、従来のメールクライアントを大きく超えた「次世代メール体験」が実現しつつあります。本記事では、その仕組みと注目すべきポイントを解説します。 Cloudflare Agents とは Cloudflare Agents は、Cloudflare のエッジサーバー上で AI エージェントのロジックを動かすためのプラットフォームです。従来のサーバーレス実行基盤（Workers）をベースに、ステートフルな処理や長時間実行が可能となっています。 主な特徴は以下の通りです。 エッジで動作: 世界中のエッジロケーションで低遅延に処理を実行 大規模スケール: 数百万アドレス規模まで瞬時に対応可能 インフラ知識不要: 複雑なサーバー管理なしに高度な AI ロジックを実装できる AI メールクライアントのデモ 開発者の charl.dev が公開したデモでは、Cloudflare Agents を活用した AI メールクライアントの可能性が示されています。 できること 受信メールの自動処理 受信メールの内容を AI が自動的に解析 要約やキーデータの抽出を自動実行 重要度・カテゴリの自動判定と可視化 高度なメール送信機能 API 経由でのプログラマティックなメール送信 テンプレートや条件分岐を含む複雑な送信ロジック バルク送信やパーソナライズ対応 タスク実行の一気通貫処理 メール受信 → 解析 → アクション実行 までをシームレスに自動化 外部サービス（カレンダー、CRM、チャットツール等）との連携 承認フローや通知の自動化 ビジネスへの応用例 この仕組みはさまざまなビジネスシーンに応用できます。 カスタマーサポートの自動化 顧客からの問い合わせメールを AI が解析し、FAQ への自動回答・担当者へのルーティング・チケット発行まで自動で処理。人的コストを大幅に削減できます。 秘書型 SaaS メール受信をトリガーに、スケジュール調整・タスク登録・関係者への通知などを自動実行する「AI 秘書」サービスを低コストで構築できます。 マーケティング自動化 顧客の行動メールを解析し、セグメントに応じたフォローアップメールを自動送信するシステムを Cloudflare のグローバルエッジ上で展開できます。 エッジ × AI エージェントの優位性 従来のクラウドサーバーで AI 処理を行う場合、レイテンシやスケールの課題がありました。Cloudflare Agents のアプローチは以下の点で優れています。 ...

ChatGPTに指示を出して、結果を確認して、また指示を出して——このループに疲れていないだろうか。「こっちが細かく指示しなくても、AIが全部やってくれたらいいのに」という願いは、すでに実現している。その名前が Manus（マナス） だ。 この記事では、Manusの全29機能を5つのカテゴリに分けて解説する。料金プランや競合との比較、業種別の活用法まで網羅する。 Manusとは何か 「AIチャットボット」と「AIエージェント」の違い まず最も重要な概念の整理から始める。 種別 代表例 動作 AIチャットボット ChatGPT / Claude / Gemini 質問→回答の1往復 AIエージェント Manus タスクを丸投げ → 自動で完結 チャットボットは「辞書」、エージェントは「秘書」だ。Manusに「東京のAIスタートアップを30社調べて、スプレッドシートにまとめて」と指示すれば、AIが自動でブラウザを開き、検索し、情報を整理し、ファイルを作って完成品を届けてくれる。その間、別の仕事をしていてOKだ。 無料で試せる 最初は招待制だったが、現在は誰でも登録できる。無料プランでも毎日300クレジット分のタスクを実行可能（月1,500上限あり）。 実力は？ GAIAベンチマーク（実際のタスクをどれだけ正確にこなせるかを測るテスト）において、ManusはOpenAIのDeep Researchに匹敵する高スコアを記録したと複数のメディアが報じている。「実務能力で世界トップクラス」という評価は多くのメディアで一致している。 第1章：Manusの全29機能 Manusには5つのカテゴリ、計29の機能がある。 コア機能（日常的に使う基本機能） ① 自律タスク実行（Autonomous Task Execution） Manusの心臓部。指示を出すだけで、AIが計画から納品まで全自動でやる。 タスクを入力すると、Manusはまず計画を立てる。「何を調べるか」「どのツールを使うか」「どの順番でやるか」を自分で判断し、ブラウザで検索したりコードを書いて実行したりしながら完了させる。全作業はクラウド上のサンドボックスで行われるため、PCには影響しない。画面を閉じても作業は続き、完了したら通知が届く。 実行例： 「この契約書PDFの要点を抽出して、リスク項目をハイライトして」 「A社の過去3年の決算資料を分析して、成長率と利益率の推移をグラフにして」 「今月の営業チームの活動データをまとめて、週次ミーティング用の資料を作って」 ② Wide Research（ワイドリサーチ） 100体以上のAIを同時に走らせて、大規模リサーチを一気にやる。 通常のAIは1つのタスクを1つのエージェントが処理するが、Wide Researchはタスクを細かく分解して100体以上のAIエージェントを同時並行で走らせる。1社調べるのも100社調べるのも、かかる時間はほぼ同じだ。 OpenAI Deep Researchとの違い： 機能 特徴 Deep Research 1つのテーマを深く掘り下げる（深さ重視） Wide Research 多数のテーマを同時に広く調べる（広さ重視） 注意点：クレジット消費が大きいため、まず10〜20社でテストしてからスケールアップするのが鉄則。最大250件まで対応。 ③ Browser Operator（ブラウザオペレーター） ChromeまたはEdgeに拡張機能をインストールすると、Manusがブラウザを直接操作できるようになる。最大のポイントは、既存のログイン情報がそのまま使えること。つまり、ログインが必要な社内ツール、CRM、管理画面も操作可能だ。 主な活用例： CTO 50人の名前・会社名・プロフィールURLを収集 ECサイトで特定商品の価格を毎日モニタリング Wantedlyで求人情報を一括収集 競合5社のX（Twitter）アカウント分析 Googleフォームへのデータ一括入力 セキュリティ面：毎回の操作で許可が必要で、全操作ログが記録される。パスワードは保存されない。 ...

Claude Code の使い方として注目を集めているのが、「就寝前タスク投げ」スタイルだ。デジライズ CEO のチャエン氏（@masahirochaen）が X（旧 Twitter）に投稿した体験談が多くの反響を呼んでいる。 就寝前に大量タスクを投げ、朝には完成している世界 チャエン氏の投稿要旨はこうだ。 Claude Code の良さは、寝る前にえげつない量のタスクを振れること。 私は毎晩、検証したい事業アイデアへの指示を出してからベッドに入る。 今日は市場リサーチから要件定義、モック作成、コードレビューまで—— 人間だったら 25 人月 × 5 ヶ月はかかる業務量。 人件費換算で約 3,000 万円分らしい。 これを寝る前の 2 分の指示だけで動かして、朝起きたら完成してる世界線半端ないです。シンギュラリティ味を感じます。 この投稿は 2026 年 3 月 16 日時点で約 39 万インプレッション、2,800 件超のいいねを記録し、大きな話題となった。 Claude Code がこのワークフローを可能にする理由 Claude Code は Anthropic が提供するターミナルベースの AI コーディングエージェントだ。単なるコード補完ではなく、以下のような複合的な作業を自律的にこなせる。 市場リサーチ: Web 検索・情報収集・競合分析 要件定義: ユーザーストーリーや仕様書の作成 モック作成: UI/API のプロトタイプ生成 コードレビュー: 品質チェックと改善提案 従来これらは専門の担当者が分担して進める工程だが、Claude Code は一連の指示をもとに自律的に連鎖実行できる。「エージェント型」と呼ばれるゆえんだ。 「就寝前 2 分指示」スタイルの実践ポイント チャエン氏の使い方から読み取れる実践のコツをまとめる。 1. 具体的なゴールを宣言する 「事業アイデアを検証したい」という大きなゴールを明示することで、Claude Code が必要なサブタスクを自律的に分解・実行できる。 2. タスクを細かく区切りすぎない 「市場リサーチ → 要件定義 → モック → レビュー」という流れを一気に渡すことで、成果物間の整合性が取れた状態で仕上がる。 ...

DAIJOBU CEO の山中裕貴（@0xfene）氏が、Claude Code のカスタムスキル機能を営業業務に活用し、商談準備を劇的に効率化した事例を紹介している。 従来の商談準備の課題 営業担当者の商談サイクルには、以下のような時間のかかるタスクが含まれる： 商談前: 30分〜1時間かけて Gmail・Slack・議事録ツールから過去のやり取りを手動で情報収集 商談中: 準備不足で焦ることがある 商談後: 15〜20分かけてフォローメールを作成 Claude Code スキルによる自動化 山中氏は Claude Code のスキル機能（.claude/skills/ 配下にプロンプトを定義する仕組み）を使い、営業ワークフロー全体を自動化した。 /mtg-prep — 商談準備の自動化 /mtg-prep コマンドを実行すると、複数の AI エージェントが並行稼働し、以下の情報を 2〜3分で収集・整理する： 過去のやり取り: Gmail、Slack、Circleback（AI 議事録サービス）から顧客との過去のコミュニケーションを取得 顧客調査: 企業情報、業界動向のリサーチ 競合調査: 競合他社の状況を自動調査 提案ドラフト: 確認事項、提案の方向性、想定質問、フォローアップのアクションプランを整理 結果はマークダウンファイルとしてローカルに保存される。 /follow-up — 商談後フォローの自動化 商談終了直後に /follow-up コマンドを実行すると、商談の内容を踏まえたフォローメールが 2〜3分で自動生成される。記憶が鮮明なうちに具体的な内容を含んだメールを送れるのがポイントだ。 /export-gdoc — ドキュメント共有 作成されたマークダウンファイルを Google ドキュメントに変換し、Notion スタイルの統一されたデザインで社内共有やクライアントへの提案に活用できる。 導入効果 山中氏によると、Claude Code 導入後は 体感で 3〜5倍の商談量を品質を下げずに捌ける ようになったという。 項目 導入前 導入後 商談準備 30分〜1時間 2〜3分（/mtg-prep） 商談中 準備不足で焦る場面も 相手の話に集中できる フォローメール 15〜20分 2〜3分（/follow-up） Claude Code スキルの仕組み Claude Code のスキル機能は、プロジェクトの .claude/skills/ ディレクトリにマークダウンファイルとしてプロンプトを定義する。/スキル名 でスラッシュコマンドとして呼び出せるため、営業担当者でも簡単に利用できる。 ...