Claude を業務システムへ入れるなら、文章の上手さより「後続処理が読める形で返す」設計が投資対効果を左右します。 structured output は、AIの回答をJSONなど決まった構造で返させる出力制御です。 本記事では、Claude APIを既存DB、承認ワークフロー、BIに接続する際のスキーマ設計、再試行、運用指標を実装目線で示します。
なぜ業務システムに structured output が必要か
業務システムでAI出力が詰まる典型は、回答品質ではなく「形式の揺れ」です。例えば問い合わせ分類で「請求」「請求関連」「billing」が混在すると、RPAやCRMの条件分岐が増え、1件あたり数秒の確認が月3,000件では数時間の手戻りになります。structured output を使うと、分類名、根拠、信頼度、次アクションを固定フィールドにでき、後続のAPIやSQLに渡しやすくなります。function calling は、AIが呼ぶべき関数名と引数を構造化して返す仕組みです。tool use は、モデルが外部ツールを使う前提で入力・出力を整理する設計です。どちらも「自然文を読む」から「システムが処理する」への橋渡しです。ただし、提案書本文や研修教材のような長文生成では、freeform出力の方が編集しやすい場面もあります。重要なのは全出力のJSON化ではなく、後工程で機械処理する箇所の見極めです。
スキーマ設計と契約の作り方
JSON Schema は、JSONの項目名、型、必須条件、許容値を定義する仕様です。実装ではまず「人が欲しい情報」ではなく「システムが失敗しない契約」を決めます。年商95億円、従業員210名の医療機器商社E社では、営業日報から案件温度感を抽出し、SFAへ登録するClaude連携を試しました。初期プロンプトだけの運用ではスキーマ違反率が18%あり、特に日付、金額、確度ランクの表記揺れが原因でした。そこでJSON Schemaで next_action_date をISO日付、deal_stage を5択、amount_yen を整数に固定し、Python側ではPydanticで受け口を作成しました。Pydantic は、データ型を検証しながらPythonオブジェクト化するライブラリです。結果として違反率は3%台まで下がり、SFA登録前の確認工数は週6時間から2時間前後に圧縮されました。スキーマは細かくしすぎるとプロンプトが重くなり、変更時の影響範囲も広がります。最初は必須5〜8項目、任意3〜5項目程度に抑え、業務部門と「この値なら自動登録してよい」という合意を取るのが現実的です。
エラー処理と再試行設計
structured output は安定化に有効ですが、バリデーション失敗がゼロになる前提で設計すると運用で詰まります。典型パターンは、1回目で失敗したJSONをそのまま捨てず、検証エラーだけをClaudeへ返して「該当フィールドのみ修正」させる再試行です。例えば amount_yen が文字列、confidence が0〜1の範囲外、必須の reason が空なら、エラーメッセージを短く渡します。E社では1回の再試行で全体の約82%が回復し、2回目まで含めると約95%が自動処理できました。一方で再試行はAPIコストと待ち時間を増やします。1件あたり入力1,200トークン、出力400トークンの処理で、失敗率10%、再試行1回なら月10万件で追加トークンは約1,600万です。そのため、失敗を「再試行」「人手確認」「破棄」「freeform保存」に分けるルールが必要です。特に法務、医療、与信など判断根拠が重要な領域では、形式が合っていても信頼度がしきい値未満なら人へ回す設計が安全です。
運用監視:精度・コスト・リードタイムをどう見るか
本番化後は、モデルの正答率だけを見ると改善点を見誤ります。見るべき指標は少なくとも4つです。第一にスキーマ違反率。リリース直後は5%未満、安定運用では1〜3%程度を目安にすると異常検知しやすくなります。第二に業務正解率。JSONが正しくても、分類や抽出値が業務判断とズレることはあります。週50件をサンプリングし、担当者がA/B/Cで評価するだけでも傾向が見えます。第三に再試行率と単価。再試行率が8%を超える場合、スキーマの粒度、入力文の前処理、例示の不足を見直す余地があります。第四にリードタイムです。E社では営業日報のSFA反映が翌営業日午前から当日20分以内に短縮され、マネージャーの追客判断が早まりました。監視ダッシュボードには、成功件数、失敗理由トップ5、平均トークン、手動確認件数を並べると、経営層にも改善効果を説明しやすくなります。モデル更新時は、過去100〜300件の固定テストセットで回帰確認する運用も欠かせません。
Claude の structured output は、AI活用を実験から業務システムへ進めるための実装基盤です。とはいえ、スキーマ、例外処理、監視指標は会社ごとの業務ルールに強く依存します。コアネストでは、スタンフォード × バークレーのAIエンジニアチームの知見を生かし、ITコンサルとClaude研修を通じて、現場に合わせた設計と内製化を支援しています。自社の業務にどこまで組み込めるか確認したい方は、まず無料診断（/diagnosis）をご利用ください。
