月500時間のマーケティング業務が、125時間になった。75%削減。年間に換算すると人件費約2,000万円分の効率化だ。これは、あるWeb広告代理店企業で技術顧問として全体設計を担当したAIワークフロー自動化プロジェクトの実績になる。
ただし、この数字は「ボタンひとつで全自動」の結果ではない。13ヶ月かけて23業務を3フェーズに分け、段階的に自動化した。しかも、完全自動化ではなく「人間の判断を残す」設計にしている。ここが肝だ。
💡 この記事の要点（30秒で）
① 状況 ＝ Web広告代理店企業（40名）、月500時間の23業務、属人化が深刻
② 設計 ＝ HITL（Human-in-the-Loop）＋ 13ヶ月3フェーズの段階自動化（データ収集→クリエイティブ→分析）
③ 成果 ＝ 月工数500h→125h（75%削減）、人件費約2,000万円/年効率化、入稿ミス月5→0件、A/Bテスト4倍、投資回収約3ヶ月
④ 設計の核 ＝ 「完全自動化を目指さない」（リスクと品質の両面）＋ API抽象化＋チームのリテラシー育成を同時に進める
40人のWeb広告代理店企業が抱えていた構造的な問題
デジタルマーケティングに特化した従業員40名のWeb広告代理店企業。月間の総業務工数が500時間を超えていた。
内訳を洗い出すと、23業務に分類できた。データ収集、レポート作成、クリエイティブ制作、入稿作業、分析、提案書作成。どれも手動。属人化が激しく、特定の担当者が退職するとクライアント対応が回らなくなるリスクを常に抱えていた。
結論から言うと、この会社の課題は「人が足りない」ではなかった。「人がやるべきでない作業に人が張り付いている」だった。Google Adsのダッシュボードからデータを手動でコピーしてExcelに貼り付ける。この作業に毎週2時間。誰がやっても同じ結果になる作業に、給与の高い広告運用者の時間が消えていた。
なぜ「全部一気に自動化」しなかったのか
23業務を一覧にして、最初に考えたのは「全部同時に自動化できないか」だった。正直なところ、技術的にはできなくもない。だが、やらなかった。
理由は3つある。
1つ目は、チームの受容力。 40人のチームで、AIツールを日常的に使っている人はゼロだった。いきなり23業務のワークフローを変えたら、現場が混乱する。
2つ目は、業務の難易度の違い。 「データをコピーしてExcelに貼る」と「クリエイティブの品質を判断する」では、自動化の難易度がまるで違う。同じ設計思想では対応できない。
3つ目は、検証なき拡大のリスク。 フェーズ1で想定外の問題が出る可能性がある。その学びをフェーズ2以降に反映できる設計にしておきたかった。
結果として、13ヶ月を3フェーズに分けた。これは遅いように見えるかもしれないが、実際には「段階的にやったほうが結果的に速い」というのが20社以上の技術顧問をしてきた実感だ。
フェーズ1: データ収集・レポート自動化（3ヶ月）
まず手を付けたのは、最も自動化しやすく、効果が大きい領域。8業務を対象にした。
• Google Ads / Meta Ads のレポート自動生成
• GA4データの自動集計
• 競合広告のモニタリング
• KPIダッシュボードの自動更新
• 週次・月次レポートの自動生成
• クライアント報告資料の下書き生成
使用技術はClaude API、Make（旧Integromat）、Google Workspace、各種広告API。Makeでワークフローを組み、広告APIからデータを取得し、Claudeで自然言語のレポートに整形する。
設計思想は明確にした。データの「収集」と「整形」は完全自動化。「分析」と「提案」は人間が担当。ここがHITL設計の最初の適用だ。
レポートの下書きはAIが作る。だが「このデータからクライアントに何を提案するか」は人間が考える。当たり前のようだが、この線引きを最初に決めたことで、現場の抵抗感が大幅に減った。「AIに仕事を取られる」ではなく「AIが雑務を引き受けてくれる」という認識になった。
フェーズ1の成果
| 指標 | Before | After |
|---|---|---|
| 月間工数 | 200時間 | 50時間 |
| レポート作成時間（1クライアント） | 2時間 | 15分 |
| 削減率 | -- | 75% |
月200時間が50時間。1クライアントあたりのレポート作成が2時間から15分に。この成果が出たことで、社内の懐疑派も「フェーズ2もやろう」という空気に変わった。
フェーズ2: クリエイティブ・入稿自動化（5ヶ月）
フェーズ1より難易度が上がる。9業務が対象だ。
• バナー広告の初稿生成
• 広告コピーのバリエーション生成
• LP構成案の自動生成
• A/Bテストパターンの自動生成
• 入稿データの自動フォーマット変換
• 入稿前の自動プレビュー・チェック
• メルマガ原稿の下書き
• SNS投稿の下書き
• リサーチ・競合分析レポート
フェーズ1との最大の違いは「正解が一つではない」ことだ。レポートのデータ集計は正解が明確だが、広告コピーやバナーデザインには「正解」がない。だから設計思想も変えた。
クリエイティブは「AI生成 → 人間レビュー → 修正指示 → AI再生成」のループ。完全自動化はしない。ここが2つ目のHITLポイントだ。
AIが広告コピーを5パターン生成する。人間がその中から方向性を選び、「もっとこうして」と指示する。AIが再生成する。このループを2-3回回すと、品質の高いクリエイティブが仕上がる。
実際にやってみると、面白い変化が起きた。A/Bテストの実施数が月10パターンから月40パターンに増えた。4倍だ。人間がゼロから作っていた頃は「10パターンが限界」だったが、AIに初稿を任せることで「試す数」が増える。結果として、勝ちパターンの発見速度が上がった。
入稿ミスもゼロになった。月平均5件あった入稿ミスが完全になくなった。人間の注意力に頼る作業をフォーマット変換の自動化で置き換えた。ミスが起きる構造自体を消した形だ。
フェーズ2の成果
| 指標 | Before | After |
|---|---|---|
| クリエイティブ制作時間 | -- | 60%削減 |
| 入稿ミス | 月5件 | 0件 |
| A/Bテスト実施数 | 月10パターン | 月40パターン |
フェーズ3: 分析・最適化自動化（5ヶ月）
最後のフェーズ。最も難易度が高い6業務だ。
• 広告パフォーマンスの異常検知
• 予算配分の最適化提案
• ターゲティングの最適化提案
• クリエイティブの効果予測
• 季節・トレンド分析
• クライアントへの改善提案書自動生成
ここでの設計思想は「AIが提案し、人間が判断・実行する」だ。3つ目のHITLポイント。
AIが「この広告グループの予算を20%増やすべき」と提案する。だが実行はしない。人間が提案内容を確認し、クライアントの意向や市場環境を考慮した上で判断する。
異常検知はリアルタイム化した。従来は翌日にデータを確認して「昨日CPAが急騰していた」と気づく運用だった。AI導入後は、異常値を検知した時点でSlack通知が飛ぶ。対応速度が丸1日短縮された。
提案書の作成も大幅に効率化した。1件あたり2時間かかっていた改善提案書が20分で下書きが出る。人間はその下書きをクライアントの文脈に合わせて調整するだけだ。
HITL設計の本質──「自動化しない」という設計判断
23業務を通じて、全フェーズに共通するのがHITL（Human-in-the-Loop）設計だ。日本語で言えば「人間を介在させる」設計。
一見、矛盾しているように聞こえる。自動化プロジェクトなのに、あえて人間を残す。だが、ここが落とし穴で、「完全自動化」を目指すと2つの問題が起きる。
1つ目はリスク。 AIが広告予算を勝手に変更して、クライアントの月間予算を3日で使い切る。こういう事故が起きたら、クライアントとの信頼関係が一発で崩壊する。
2つ目は品質。 広告コピーの良し悪し、クライアントの事業戦略に合った提案かどうか。これはAIだけでは判断できない。少なくとも2026年時点では。
HITL設計では、業務を3つに分類する。
• 完全自動化: データ収集、フォーマット変換、定型レポート。ミスのリスクが低く、正解が明確な業務
• AI生成 + 人間承認: クリエイティブ制作、提案書作成。AIが初稿を作り、人間がレビュー・承認する業務
• AI提案 + 人間実行: 予算変更、ターゲティング変更。AIが「やるべきこと」を提案し、人間が判断・実行する業務
この分類を最初に決めたことで、「どこまでAIに任せるか」の議論が整理された。
13ヶ月の全体成果
| 指標 | Before | After | 改善率 |
|---|---|---|---|
| 月間総工数 | 500時間 | 125時間 | 75%削減 |
| 年間コスト削減効果 | -- | 約2,000万円 | -- |
| 入稿ミス | 月5件 | 0件 | 100%削減 |
| A/Bテスト数 | 月10 | 月40 | 4倍 |
| 異常検知 | 翌日 | リアルタイム | -- |
| 総開発コスト | -- | 約500万円 | -- |
| 投資回収期間 | -- | 約3ヶ月 | -- |
特筆すべきは、クライアント数を2倍に増やしても追加人員が不要になった点だ。自動化前は「クライアントが増える＝人を増やす」だった構造が、「クライアントが増えても仕組みがスケールする」構造に変わった。Web広告代理店企業のビジネスモデルそのものが変わったと言っていい。
設計で意識した3つのこと
技術顧問として20社以上のAI導入を見てきて、「大規模な業務自動化」で失敗するパターンには共通点がある。この案件ではその失敗を避けるために、3つのことを意識した。
エラーハンドリングの徹底。 Makeのシナリオ設計で、すべてのステップにエラーハンドリングとリトライロジックを組み込んだ。広告APIは不安定なことがある。エラーが出ても黙って止まるのではなく、リトライし、それでもダメならSlackに通知する。「朝出社したらワークフローが止まっていた」を防ぐ設計だ。
API層の抽象化。 Google Ads APIもMeta Ads APIも、仕様変更が頻繁に入る。API呼び出しを直接ワークフローに埋め込むのではなく、抽象化レイヤーを挟んだ。実際、13ヶ月の導入期間中にMeta Ads APIの仕様変更があったが、アダプター修正のみで対応できた。
チームのAIリテラシー育成。 13ヶ月の段階導入には、もう一つの意図がある。フェーズ1で「AIツールを日常的に使う」経験を積んだチームが、フェーズ2のクリエイティブ領域でも自然にAIと協働できるようになる。技術導入とリテラシー育成を同時に進めた。
🏢 CRIEN視点 ── HITL設計は、CRIENの「まるごとAI顧問」が顧客現場で実装する核心の思想だ。AIが提案、人間が承認、戦略は人間が握る ── これは小規模チームほど効く。チームのAIリテラシー育成と段階導入を同時に進めるのが、定着する自動化の鉄則。 広告運用のAIエージェント自動化事例 、 10体エージェントによるメディア運用 、そして Forward Deployed Engineer（FDE）モデル と同じ枠組み。
FAQ
23業務の自動化にかかった総コストは？
総開発コストは約500万円、開発期間は13ヶ月（3フェーズ）です。年間の人件費削減効果が約2,000万円のため、3ヶ月で投資回収できる計算です。月間のAPI・ツール利用料は約10万円です。
HITL（Human-in-the-Loop）とは何ですか？
AIの処理フローの中に「人間の判断・承認ポイント」を意図的に組み込む設計手法です。AIに全自動で実行させるのではなく、判断が必要な箇所で人間がレビュー・修正・承認を行います。品質リスクの高い業務ほどHITLポイントを多く設置します。
なぜ一括導入ではなく13ヶ月の段階導入にしたのですか？
3つの理由があります。（1）チームのAIリテラシーを段階的に育成するため、（2）各フェーズの成果を検証してから次に進むリスク管理のため、（3）業務の性質ごとに自動化の難易度が異なるため。データ収集→クリエイティブ→分析の順に難易度が上がるため、段階的に取り組む方が結果的に速いです。
広告APIの仕様変更にはどう対応していますか？
API呼び出し部分を抽象化レイヤーで包む設計にしています。Google AdsやMeta Adsの仕様変更があった場合、抽象化レイヤーのアダプターだけを修正すれば、上位のワークフローには影響しません。実際にMeta Ads APIの変更が導入中に発生しましたが、アダプター修正のみで対応できました。
マーケティング業務の自動化を検討している方は、CRIENの無料相談をご利用ください。23業務の全体像から、自社に合った段階導入の設計まで具体的にお話しします。「まず何から手を付けるか」の優先度設計が、成否を分けるポイントです。
