個人モデルで消費者調査を自動化：LLM を用いた「bunshin」実装と精度検証

8年物の EC2 を含む複雑な AWS 環境で、READ ONLY IAM を用意して Claude と AWS CLI を組み合わせ、構成を整理し無駄なリソースを特定。使われていないインスタンス、ダッシュボード、ピアリングの設定、サポート終了バージョンの追加課金など複数の無駄を発見し、月数千ドル規模のコスト削減を実現。本質的な価値は新参者が歴史を尊重しながら関係者を巻き込み、段階的にインフラの問題を解決するプロセスにあった。

Claude API の請求は入力・出力トークン単位だが、本番環境では会話履歴・RAG・ツール定義・リトライなど複数要因でコストが膨らむ。タスクごとのルーティング、出力上限設定、コンテキストキャッシュ、機能別ログにより品質を保ちながらコスト削減できる。

Amazon Quick のインフラ固定費 $250/月が Claude Enterprise と比べて割安になる人数規模を試算。ビジネスユーザーと標準開発者は約3人、パワー開発者は約5人が損益分岐点。固定費は複数ユーザーで按分でき、従量課金の有無が料金体系の大きな違い。

店舗からの問い合わせ対応の記録・分析が手作業だった課題に対し、Google Apps Script と Claude API を組み合わせて自動分類・集計パイプラインを構築。月1時間の手動分類業務をゼロにし、月16時間の工数削減を実現。さらにクラウド型コールシステムとの統合や RAG を活用した自動回答システムの構築を進めている。