Contents
Makeの2026年版AI機能概要
Makeは、ノーコードで高度な業務自動化を実現できるプラットフォームとして、2026年度に向けた新機能群を発表しています。今回注目すべきは、ChatGPT・Claude とシームレスに連携できる公式モジュールと、「ゴール指向型エージェント」と呼ばれる自動シナリオ生成機能です。本稿では、これらの機能概要と実務での活用イメージを具体的に解説し、導入効果や他ツールとの比較まで網羅します。
ChatGPT/Claudeモジュールの特徴と活用シーン
本モジュールは、OpenAI の ChatGPT と Anthropic の Claude に対して統一的な API 呼び出しを提供します。自然言語処理（要約・感情分析・カテゴリ分類）をコード不要で利用できる点が大きな魅力です。以下に主な活用シーンと利点をまとめました。
-
顧客問い合わせの自動要約
長文メールやチャットログから重要情報だけを抽出し、担当者への共有コストを削減します。 -
感情・トーン判定による優先度付け
ポジティブ／ネガティブな問い合わせを自動で振り分け、緊急対応が必要なケースを即座に把握できます。 -
カテゴリ分類と業務フローの自動振り分け
「請求」「技術質問」などあらかじめ定義したラベルへ自動割り当てし、部門間の情報伝達ミスを防止します。
注記：本機能は2026年初頭に一般提供が開始される予定です（Make 公式アナウンス）。実証環境でのテスト結果では、要約精度が約90％、カテゴリ分類の正確率も同程度と報告されていますが、外部第三者機関による独立検証は未実施です。
ゴール指向型エージェントによる一次処理自動化
「ゴール指向型エージェント」は、ユーザーが 目的（例：メールの要約と分類）だけを入力すると、内部で最適なシナリオ構成を提案し、数クリックで実装できる機能です。従来はフロー設計に専門知識が必要でしたが、本エージェントによりノンテクニカルユーザーでも以下のようなメリットが得られます。
-
要件定義の簡素化
目的だけを記述すれば、必要な API 呼び出し・データ変換手順を自動で組み立てます。 -
プロトタイピング速度の向上
エージェントが提示したシナリオは即座にプレビューできるため、試行錯誤のサイクルが大幅に短縮されます。 -
保守性の向上
生成されたフローは Make の標準モジュールで構成されているため、将来のバージョンアップ時にも互換性が保たれやすくなります。
一次処理自動化事例：問い合わせメールの要約・分類→Notion保存→担当者通知
このセクションでは、実務で即活用できる「メール受信 → AI 要約・分類 → Notion 保存 → Slack 通知」の具体的フローを紹介します。全体像と各ステップの設定ポイントを把握すれば、自社の業務に合わせたカスタマイズも容易です。
フロー全体像と設定ポイント
以下の手順で構成されるフローは、Make のビジュアルエディタ上でドラッグ＆ドロップだけで組み立てられます。各ステップの留意点を併記しているので、実装時に参考にしてください。
- メールトリガー
- 対応サービス：Gmail または Microsoft 365 の「新規受信メール」イベント
-
設定ポイント：特定ラベルや件名キーワードでフィルタリングし、不要なメールを除外します。
-
AI 要約・カテゴリ分類
- 使用モジュール：Make の ChatGPT/Claude 公式モジュール
- プロンプト例：
"本文を200文字以内に要約し、以下の5つのカテゴリから最適なものを選んでください。" -
設定ポイント：プロンプトは固定文と変数（メール本文）を組み合わせ、出力形式は JSON で受け取ります。
-
Notion データベース保存
- 対象テーブル：事前に作成した「問い合わせ管理」データベース
- 保存項目例：件名・要約・カテゴリ・受信日時・メール送信元
-
設定ポイント：日付フォーマットは ISO 8601 に統一し、後続レポートでの集計を容易にします。
-
担当者通知
- 配信先：Slack チャンネルまたは Microsoft Teams
- メッセージ例：
"[カテゴリ] の新規問い合わせが届きました。要約: {要約}" - 設定ポイント：カテゴリごとにメンション対象ユーザーをマッピングし、誤送信防止のために
@hereは使用しません。
パフォーマンス指標（社内テスト）
- 要約文字数の平均偏差は ±4 文字程度
- カテゴリ分類の正解率は 88 % 前後
※ 上記数値は内部ベンチマークで得られたもので、実運用時の精度はデータ品質に依存します。
導入効果（要約精度・カテゴリ分類率・処理時間短縮）
| 指標 | 従来手法 | Make AI 活用後 | 効果の概要 |
|---|---|---|---|
| 要約文字数の誤差 | ±15 文字（人手ベース） | ±4 文字 | 要点抽出が正確になり、情報共有コストが削減 |
| カテゴリ分類率 | 約70 % | 約88 % | 誤振り分けが減少し、担当者の再作業が低減 |
| 1件あたりの処理時間 | 4 分（手作業） | 約30 秒（自動フロー） | 時間短縮率は約87 %で、月間数千件規模の削減効果あり |
このように、AI フロー導入後の定量的改善が確認されています。実際の導入企業では、3 か月の試験期間中に顧客満足度が 12 ポイント向上したと報告されています（Make 社内レポート）。
AI自動シナリオ生成機能の実装手順
本セクションでは、ゴール指向型エージェントを用いて「目的」からフルスケジュールまで自動生成する手順を解説します。非エンジニアでも数十分で完了できる流れです。
目標設定とプロンプト設計
- 目的定義
- 例：
"毎日10:00に売上データを取得し、Google スプレッドシートに集計する" -
ポイントは「何を」「いつ」実行したいかを明確に記述します。
-
プロンプト作成
- 基本形：
"目的は【〇〇】です。必要な API 呼び出しとデータ変換手順を自動で組み立ててください。" -
必要に応じて「認証方式」「エラーハンドリング」などの追加条件も入れます。
-
エージェント起動
- Make の UI 右上にある「AIシナリオ生成」ボタンをクリックし、作成したプロンプトを貼り付けて実行します。
シナリオ自動生成からテスト・デプロイまでの流れ
以下の表は、エージェントが出力したシナリオを本番環境に適用するまでの主要ステップと留意点です。
| ステップ | 内容 | 留意点 |
|---|---|---|
| 生成 | エージェントが提案したモジュール構成（API 呼び出し・データ変換）を表示 | 生成結果は必ずプレビューで確認し、期待通りか検証します。 |
| 修正 | 必要に応じてパラメータや条件分岐を手動調整 | プロンプトを微調整すると再生成が容易です。 |
| テスト実行 | テストデータでシナリオを1回走らせ、出力結果を検証 | エラーは自動エラーハンドリング設定で捕捉し、ログに残します。 |
| 本番デプロイ | スケジュール（例：毎日 10:00）を設定して有効化 | ログと監視アラートをオンにし、異常時の通知先を確保します。 |
この手順を踏むだけで、プログラミング経験がなくても業務フローを短時間で本番稼働させることが可能です。
他ツールとの比較：Make vs Zapier vs n8n
AI 機能の有無や日本国内でのサポート体制、価格体系などを軸に主要競合と比較しました。以下は2026年4月時点の情報です（各社公式プランページおよび AI Heartland の調査レポート）。
| 項目 | Make (旧 Integromat) | Zapier | n8n |
|---|---|---|---|
| AI モジュール | ChatGPT・Claude 公式モジュール＋ゴール指向型エージェント（標準装備） | OpenAI 連携は可能だが別途設定が必要、専用エージェントなし | Community プラグインで実装可、成熟度は低め |
| 日本語サポート | 日本語ドキュメント・国内コミュニティが充実 | 主に英語、翻訳は非公式 | 英語フォーラム中心 |
| 価格（2026年4月） | ベーシック ¥2,980/月、プロ ¥9,800/月（AI モジュール含む） | Free プラン制限多く、Starter $19.99/月 | Self‑host 無料、クラウド版 $20/ユーザー |
| 国内導入事例 | 大手CRM・SaaS 10 社以上（サイボウズ、freee 等） | 海外ベンチャー中心 | スタートアップと開発者コミュニティが主 |
| ロール管理・チーム共有 | シナリオ単位の細かい権限設定が可能 | チームプランで限定的に提供 | プロジェクト単位のみ |
Make は AI 機能が標準装備され、さらに日本市場向けのサポートと権限管理が充実している点で、他社よりも導入ハードルが低いと言えます。
2026年版 ROI データと効果測定方法
AI Media が公表した「2026 年業務自動化 ROI レポート」から抽出した、Make 導入企業の平均的な成果指標を以下に示します。これらは PoC（概念実証）含む全社導入後のデータです。
| 指標 | 平均値 |
|---|---|
| コスト削減率 | 31 %（人件費・外注費） |
| 処理時間短縮率 | 42 %（業務サイクルタイム） |
| 導入期間 | 2.5 ヶ月（PoC 含む） |
効果検証手法
- ベースライン測定
-
導入前に「1日あたりの処理件数」「工数（分）」を記録し、基準データとして保存します。
-
KPI 設定
-
要約精度・分類正確率・通知遅延時間など、数値化しやすい指標を選びます。
-
A/B テスト実施
-
同一データセットで AI フロー導入前後のパフォーマンスを比較し、統計的有意差（p<0.05）を確認します。
-
自動レポート化
- Make のダッシュボード機能で月次 ROI レポートを生成し、経営層へ定期的に共有します。
このプロセスを踏むことで、投資対効果（ROI）を客観的に示すことができ、導入の正当性を社内外に説明しやすくなります。
セキュリティ・ベストプラクティスと次世代トレンド
AI を業務フローに組み込む際は、情報漏洩リスクや権限管理が重要です。本節では安全運用のための設定ポイントと、2026 年に注目される技術動向をまとめます。
ロール管理・チーム共有の設定ポイント
- 最小権限の原則
-
ユーザーごとに「閲覧」「実行」「編集」レベルを細分化し、不要な操作権限は付与しません。
-
環境分離
-
開発・検証・本番の3つのシナリオセットを別々に管理し、デプロイ時にロールベースで切り替えます。
-
監査ログの外部送信
-
全 API 呼び出しとシナリオ実行履歴を CloudWatch（または同等の SIEM）へ転送し、定期的にレビューします。
-
機密情報の暗号化
- API キーや認証トークンは Make の「シークレット」ストアで管理し、平文保存を禁止します。
AIエージェントと RPA 連携の最新動向（NEXT BUSINESS EXPO SUMMER 2026）
Expo の基調講演で取り上げられた次世代トレンドは以下の通りです。
- ハイブリッドオーケストレーション
-
AI エージェントが RPA ロボットへ指示を生成し、画面操作まで自動化。これによりバックエンド API が無い業務でもフルオートメーションが可能になります。
-
エッジ AI の活用
-
Claude mini 等の軽量モデルをローカル環境で走らせ、機密データはクラウドへ送信しない方式が増加しています。Make はプラグイン経由でエッジモデルとの連携をサポートします。
-
プロンプトリポジトリの標準化
- 企業全体で再利用可能なプロンプト集（Prompt Library）を管理し、品質保証とバージョンコントロールを実現する取り組みが進んでいます。Make の API は外部 Git リポジトリとの統合が可能です。
これらの技術は、今後数年で業務自動化の「境界」を拡張し、AI と RPA がシームレスに協働する基盤を構築すると期待されています。
まとめ
- Make の2026年版 AI 機能は、ChatGPT・Claude 公式モジュールとゴール指向型エージェントという二本柱で、ノーコード自動化のハードルを大幅に下げます。
- 一次処理の自動化事例では、メール要約・分類→Notion 保存→担当者通知までが数十秒で完了し、作業工数とエラー率が顕著に改善されました。
- 導入効果は定量的に測定可能であり、ROI レポートや A/B テストによって経営層への説明材料を自動生成できます。
- セキュリティベストプラクティスと次世代トレンド（ハイブリッドオーケストレーション・エッジ AI）を踏まえた設計で、長期的に安全かつ拡張性の高い自動化基盤が構築できます。
Make を活用すれば、AI とノーコードが融合した次世代業務改革を迅速に実現できるでしょう。ぜひ本稿の手順とベストプラクティスを参考に、自社フローの自動化検討を進めてみてください。