AIに毎朝の仕事を丸投げしたら、月17時間が浮いた

はじめに――50分の朝が、5分になった

自分は中小企業で経営幹部をやっている。経営企画、マーケ、組織、財務、クライアント対応。職務を棚卸ししたら85業務を超えた。

その中で、毎朝やっていたルーティンがある。

1. ビジネスチャットの未読を確認して優先度を判断（15分）
2. Google Calendarで今日の予定を確認・共有（5分）
3. AIニュースをチェックして社内に共有（15分）
4. ECニュースをチェックして社内に共有（15分）

合計 約50分。判断が必要な仕事に取りかかる前に、毎朝50分が消えていた。

今は、コマンドを1つ打つだけだ。5分で全部終わる。

50分 → 5分。月換算で約17時間。

ただし、ここに至るまでに3回失敗している。この記事は、その試行錯誤の記録だ。

やったこと――AIエージェントで「朝の業務OS」を作った

使ったのはClaude Codeというローカルで動くAIエージェント。これを軸に、朝のルーティンを丸ごと自動化する仕組みを作った。

/morning（コマンド1つで以下が全部動く）
  ① ビジネスチャットの未読 → AI要約 → 優先度付きダイジェスト投稿
  ② Google Calendarの予定 → 自動取得 → チャットに投稿
  ③ AIニュース → 自動検索 → 記事生成 → チャットに投稿
  ④ ECニュース → 自動検索 → 記事生成 → チャットに投稿

③と④は並列実行される。人間がやっていた「検索して、読んで、要約して、投稿する」をAIが全部やる。

コストは 1日あたり約30円。月1,000円以下。

シンプルに見えるかもしれない。でも最初からこの形だったわけではない。

失敗1: サーバーに接続すらできない

最初に考えたのは「クラウドサーバーにAIエージェントを置いて、全自動で毎朝動かす」という設計だった。月額数百円のVPS（仮想サーバー）を契約して、セットアップを始めた。

まずSSHでサーバーに接続する。

タイムアウト。pingも通らない。

30分格闘して気づいた。接続先のIPアドレスが間違っていた。 前回のセッションでメモした値が、実際のIPと違っていた。正しいIPに変えたら一発で繋がった。

技術的な問題ですらない。ただの確認不足。でも現場で一番多いのは、こういう「しょうもないミス」だ。設定ファイルのスペルミス、パスの間違い、環境変数の入れ忘れ。

教訓: メモを信用しすぎない。都度、一次情報を確認する。

失敗2: メモリが足りなくてAIが起動しない

接続できたので、AIエージェントをインストールして起動する。

クラッシュ。

FATAL ERROR: Reached heap limit Allocation failed
- JavaScript heap out of memory

VPSのメモリは960MB。AIエージェントは470MB以上必要。OSで200MB使うと、残りがギリギリ。

ヒープサイズを384MB → 512MB → 700MBと上げて、swapメモリ（ディスクを仮想メモリとして使う仕組み）を併用して、ようやく起動。起動に40秒かかる。

動いてはいる。でも「ギリギリ動いている」と「安定して動いている」は全く違う。

教訓: 「安いプランで動くか」を検証してから設計すべきだった。月数百円を節約するために何時間もデバッグしている。時間のコストの方がはるかに高い。

失敗3: 定時実行ができない

ようやく起動したAIエージェントに、毎朝7時の定時実行を設定する。手動テスト。

「このセッションではbashツールが利用できないため、スクリプトを直接実行することができません。」

実行権限がない。

• 許可設定を手動作成 → 反映されない
• CLIコマンドで許可 → 反映されない
• サービス再起動 → まだ反映されない

3回試して全部ダメ。さらにDiscord通知もエラー、モデル指定も無視される。

ここで、このアプローチを諦めた。

方針転換: エレガントな設計を捨てて、動く設計を選んだ

冷静に考えた。やりたいことを分解すると、こうだ。

1. 毎朝決まった時間にスクリプトを動かす
2. ビジネスチャットAPIで未読を取得する
3. AIのAPIに送って要約してもらう
4. ビジネスチャットAPIでダイジェストを投稿する

1はLinux標準の定時実行機能（crontab）でできる。2〜4はPythonスクリプト1本でできる。AIエージェントを仲介する必要がそもそもなかった。

crontab（毎朝7時）
  → Pythonスクリプト1本
    → ビジネスチャットAPIで未読取得
    → AI APIに直接送信
    → ビジネスチャットAPIでダイジェスト投稿

凝ったアーキテクチャも、実行権限の設定も、一切不要。APIを直接叩くだけ。1回あたり約3円。月90円。

ただし最初のバージョンは品質が低かった。「要約して」だけでは実用にならない。

改善として加えたのは:

• 出力フォーマットの厳密な指定
• 「人名を省略するな」「対応済みはそう明記しろ」「期限は必ず日付を書け」という具体的なルール
• 緊急アラートのキーワード検知

同じAIモデルでも、指示の具体性で出力品質が全く変わった。

さらに5分の作業で19ツールが手に入った

ビジネスチャットのダイジェストが安定した後、もう1つ転機があった。

ビジネスチャットが公式のMCPサーバー（外部ツール連携の規格）を提供していることに気づいた。設定は1行のコマンドだけ。

5分後、31個のツールが使えるようになった。

• 「未読見せて」→ AIが直接取得して表示
• 「この内容を投稿して」→ スクリプト不要で直接投稿
• 「タスクを作って」→ ビジネスチャットのタスクを直接作成

それまでスクリプト経由でしかできなかったことが、AIとの対話だけで完結するようになった。

費用対効果でいえば、これが最も高い改善だった。 自作するのではなく、公式パッケージを探す。5分の作業で31個のツール。

数字で見る全体像

朝のルーティンだけでなく、同じ仕組みで他の業務も自動化した。

日次業務だけで毎日50分、月換算で約17時間が浮いた。

浮いた時間は、クライアントとの対話や戦略設計に充てている。作業に追われて後回しにしていた「考える仕事」に、ようやく時間が使えるようになった。

この経験から学んだ3つのこと

1. エレガントな設計より、動く設計

VPS上のAIエージェントが自律的にタスクを実行する――美しい設計だったが、動かなかった。最終的に動いたのは、crontab + Pythonスクリプト1本という何の変哲もない構成だった。

動かないシステムの設計がどれだけ美しくても、1円の価値も生まない。

2. AIの品質は「指示の具体性」で決まる

同じAIモデルでも、「要約して」と「誰が・何を・いつまでに、の形式で書け」では出力が別物になる。AIの性能差より、プロンプト（指示文）の差の方がはるかに大きい。

高いモデルに課金する前に、まず指示を具体的にする。これだけで劇的に変わる。

3. 失敗しても資産は残る

AIエージェント経由での自動化は失敗したが、その過程で作ったAPI連携のコード、プロンプト、運用フローの設計は全て再利用できた。

「失敗した」のではなく「動かないアプローチを1つ潰した」。次の成功確率が上がっている。

おわりに

自分は今、この仕組みをさらに拡張して、EC分析・Instagram運用・競合調査・KPIモニタリングまで含めた「業務AI OS」を作っている。全部で65個のAIスキルがある。

この記事はその第1回。次回は「1GB VPSでAIエージェントを動かそうとして3回失敗した話」――月額数百円のサーバーでどこまでできるか、限界と工夫を赤裸々に書く。

AIの業務導入は「一発で正解にたどり着く」ものではない。試す、失敗する、原因を調べる、別のアプローチを試す。この繰り返しだ。でも、その過程で作ったコードや設計は資産として残る。

実験の記録はXでも発信中。

技術スタック: Claude Code (Opus 4.6/Haiku 4.5), MCP, Python, Node.js, ConoHa VPS, crontab

筆者について: コンサル・事業会社を経て中小企業の経営に参画。Claude Codeを軸にした業務AI自動化の仕組み（65スキル）を構築中。