
社長がAIで基幹システムを自作!Claude Code×ChatGPT×ローカルLLMで実現したSaaS脱却の全貌
参考動画:【AI】【基幹システム】社長が自社の基幹システムをAIを駆使して作ってみた! Claude Code×ローカルLLM×Webex連携の全貌!SaaSはもう要らない? / もりこーぽちゃんねる インフラ系エンジニア情報チャンネル(2026年11月13日公開)
https://youtu.be/_8tp5kYpaq8
会社の業務を効率化しようと市販のSaaSを導入したものの、自社の業務フローに合わず、かえって使いづらさを感じたことはないでしょうか。
AIの進化によって、これまで大企業が多額の開発費をかけて外注していた「自社の業務にぴったり合う基幹システム」を、自分たちで作れる時代が近づいています。
今回紹介するのは、社長自らがAIを駆使して、自社の基幹システムを構築した事例です。Claude CodeやChatGPT、ローカルLLMをどのように使い分けているのか。システムの構成から開発の進め方、実際に運用してわかった課題や注意点まで、動画の内容をもとに詳しく紹介します。
なぜSaaSをやめて基幹システムを内製化したのか
SaaSの最大のネックは「カスタマイズできないこと」
この会社では以前、勤怠管理や経費精算の承認プロセスなど、社内業務をすべてクラウド型のSaaSでまかなおうとしていました。
しかし、実際に使い始めると大きな問題に直面します。コストもさることながら、何より困ったのは、システムを自社の業務に合わせてカスタマイズできないことでした。
SaaSを使う以上、どうしても人間側がツールの仕様に合わせて働き方を変える必要があります。さらに、複数のSaaSを組み合わせるほど、特定のシステムへの依存度も高まっていきます。
大企業なら外部のベンダーに多額の開発費を支払い、自社専用のシステムを作ることもできます。しかし、中小企業にとっては簡単な話ではありません。
そんな状況を大きく変えたのがAIです。
社内の業務プロセスを明確に言語化できれば、AIにコードを書かせることで、自分たちの働き方に合った基幹システムを驚くほど簡単に作れるようになったのです。
開発の鍵を握るのは「社内の業務プロセス」の理解
基幹システムの内製化について、動画で社長が強調しているのは、プログラミングの技術力以上に「自社の業務がどのようなプロセスで回っているか」を理解していることの重要性です。
業務の流れを十分に整理しないままAIに開発を任せても、結局はAIが提案する一般的な仕様に振り回されてしまいます。
だからこそ、初期のサーバー構築など、専門知識が必要なインフラ基盤の準備は専門家に任せ、その後のシステム開発は社内の業務を熟知した担当者が直接進めるのが合理的だといいます。
たとえば、社内の承認プロセスや業務フローをよく理解している経営企画部などの担当者です。
大切なのは、AIに何を作らせるかを正確に伝えられること。技術そのものだけでなく、業務への深い理解がシステム開発の鍵を握っています。
自作した基幹システムの構成とAIの連携手法
オンプレミスサーバーとオープンソースによる基盤づくり
今回の基幹システムは、社内に設置したオンプレミスサーバーを中心に構築されています。
使用しているのは、中古で比較的手頃に調達できるHPのサーバー機です。DL360 Gen10など、24コア程度のスペックであれば、50万円前後で用意できるといいます。
このサーバーに、無料で利用できる仮想化基盤「Proxmox」を導入。その上に、同じく無料の「Ubuntu Linux」を複数台構築しています。
データベースにはPostgreSQLを採用し、Webアプリケーションを動かす仕組みとしてNginx、Nuxt 3、FastAPIを組み合わせています。
社員は普段使っているブラウザからシステムにアクセスするだけで、勤怠管理や経費精算など、さまざまな業務画面を利用できます。
画面の裏側ではデータベースと連携しており、社内の業務を一つの仕組みで管理できるようになっています。
ChatGPTとClaude Codeの使い分けによる高速開発
実際のプログラミングには、クライアントPCのVS CodeとClaude Codeを組み合わせて使用しています。
ここで興味深いのが、ChatGPTとClaude Codeの役割分担です。
動画では、Claude Codeはコードの実装に優れている一方、音声を交えた曖昧な日本語での壁打ちには向いていないと説明されています。
そこで、最初からClaude Codeに開発を任せるのではなく、まずは日本語の理解力が高いChatGPTと会話しながら、要件や設計を詰めていきます。
何を作りたいのか、どんな機能が必要なのかを十分に整理したら、その内容をChatGPTにMarkdown形式のファイル(.md)としてまとめさせます。
あとは、その設計書をClaude Codeに読み込ませ、コードを生成してもらうという流れです。
この方法によって、開発スピードも大きく向上したといいます。
たとえば、ガントチャート付きのWBS(作業分解構成図)をExcel形式で出力する機能も、要件をまとめるのに30分、Claude Codeによる実装自体はわずか5分ほどで完成したそうです。
ChatGPTで考えを整理し、Claude Codeで形にする。それぞれの得意分野を生かした開発方法が実践されています。
WebexボットとAPI連携で「メールの煩わしさ」を解消
以前のSaaS運用では、休日申請や経費精算などの通知が大量のメールで届き、重要な承認依頼が埋もれてしまうという問題もありました。
もともとメールが嫌いだったという社長は、この問題を解消するため、社内で日常的に使っているビジネスチャット「Webex」に承認通知を集約しました。
仕組みとしては、基幹システムからWebexのAPIを通じてボットに情報を送り、承認者のスマートフォンに直接通知を届けます。
通知に含まれるリンクをタップすれば、そのまま承認画面へ移動できるため、確認漏れが激減したといいます。
さらに、外部サービスとのAPI連携も積極的に取り入れています。
出張費の処理では、乗換案内サービスと連携して移動経路を自動取得。Microsoft 365のOutlookからは、カレンダーやメールの情報を自動で取り込めるようにしています。
市販のSaaSの仕様に業務を合わせるのではなく、必要なサービスを自社のシステムにつなぎ合わせることで、業務の自動化を進めているのです。
ローカルLLM「Nemotron」によるAI秘書への挑戦
この基幹システムには、AIを活用した社内向けの秘書機能も組み込まれています。
特に重視しているのが、社内の機密データを外部のクラウドに出さずに処理できる環境です。
そのために、NVIDIAの「DGX Spark」を2台導入し、推奨モデルである「Nemotron(ネモトロン)」を動かしています。
このローカルLLMは、Webex上で社員からの質問に答える「AI秘書(通称:ネモトロン愛さん)」として機能します。
たとえば、社外にいる社員がWebexのチャットで出社状況を尋ねると、自作したWebexゲートウェイを経由してローカルLLMがPostgreSQL内の勤怠データを読み取り、状況を判断して返信してくれます。
さらに、前日から進捗が止まっているタスクがあれば、AIの側からチャットで声をかけ、進み具合を確認するといったサポートも実現しています。
社員からの質問に答えるだけでなく、AIが自ら状況を確認して働きかけてくれる仕組みです。
実際に作ってわかった課題と運用の注意点
クラウドLLMとローカルLLMの精度の差
AIを活用した基幹システムには大きな可能性がある一方、すべての処理をローカルLLMだけで完結させるのは、まだ難しいようです。
動画では、見積書などの資料をOCRで読み取り、データ化する処理について、クラウドのClaude APIとローカルのNemotronを比較した結果が紹介されています。
その結果、両者の精度には明確な差がありました。
Claude APIでは、必要な項目をほぼ完璧な精度で抽出できたのに対し、ローカル環境では50項目中10項目程度しか正しく読み取れない場面もあったそうです。
こうした結果を踏まえ、現在はクラウドLLMとローカルLLMを使い分けています。
外部に出しても問題ない汎用的な処理や、高い精度が求められる場面では、Claude APIなどのクラウドサービスを活用。一方、機密性の高い社内データの参照や日常的な秘書業務は、ローカルLLMに任せています。
すべてを一つのAIで処理しようとするのではなく、それぞれの強みと弱みを踏まえて使い分けることが重要なのです。
AI開発におけるバックアップとセキュリティの鉄則
AIを使えばシステム開発のハードルは大きく下がりますが、運用には十分な注意が必要です。
特に気をつけたいのが、AIが開発者の意図とは異なる動作をしてしまうことです。
場合によっては、既存のデータベースや重要なファイルを丸ごと消去しようとすることもあるといいます。
こうした事故に備え、この会社では開発中のソースコードをGitHubで細かくバージョン管理しています。
さらに、仮想化基盤のProxmox側でも頻繁にスナップショット(バックアップ)を取得しています。
万が一AIがシステムを壊してしまっても、正常な状態へすぐに復元できるようにするためです。
セキュリティ面で特に注意が必要なのは、Webexからの質問を受け付けるために外部公開しているゲートウェイ部分です。
外部からアクセスできる仕組みには、それだけリスクも伴います。安易に公開範囲を広げず、APIを通じて社外に出してよい情報と、出してはいけない情報を厳格に管理する必要があります。
AIによる開発の便利さを生かすためにも、バックアップとセキュリティ対策は欠かせないということです。
まとめ
今回の事例から見えてくるのは、AIによって基幹システムの内製化が、以前よりもずっと身近な選択肢になっているということです。
開発するのは、必ずしも専門のエンジニアだけである必要はありません。自社の業務フローをよく理解している人であれば、AIの力を借りてシステム開発に挑戦できるようになっています。
実際に今回の会社では、勤怠管理や経費精算、備品・在庫管理だけでなく、Excel出力に対応したWBS、名刺データと連動した顧客管理、相関図の作成まで、さまざまな機能を形にしています。
市販のSaaSでは実現しにくかった「自社にぴったりの機能」を、自分たちで作れるようになったわけです。
もちろん、バックアップやセキュリティなど、システムを安全に運用するための知識は欠かせません。
それでも、AIを「人間の仕事を少しずつサポートしてくれる優秀な部下」として取り入れることで、業務改善の可能性は大きく広がります。
既製のSaaSに自社の働き方を合わせることに限界を感じているなら、まずは小さな業務ツールから、AIと一緒に自作してみてはいかがでしょうか。
―――
AIで作った記事や文章を公開する前に、事実の取り違えがないか確認していますか。実際に起きた失敗(実在しないモデル名、数値の桁違い、期限の年の取り違えなど)から選んだ「公開前チェックリスト(無料・5項目)」を公開しています。
→ AI記事の公開前チェックリスト|実際の失敗から選んだ31項目中の5項目
―――