多店舗の​Google口コミを​分析する​SaaSを​作った​ ──AIに​計算させず“数値は​コード・​言葉は​AI”で​正確な​レポートに​（制作事例）

制作事例 ｜ AI駆動開発の現場から

この記事は、多店舗運営の企業向けにGoogle口コミ分析ツールを作った制作事例だ。店舗を選ぶだけで、平均評価・店舗別の傾向・「目標達成にあと何件必要か」までを正確なレポートで返す。設計の核心は一言、「数値はコードで、言葉はAIで」──LLMに計算をさせないことにある。^[1]

なぜこの原則が要るのか。もともとこの分析は、口コミの一覧をAIに丸ごと投げ、「平均は何点か」「あと何件で目標か」まで全部AIに計算させていた。一見スマートだが、AI（LLM）は計算を間違える。しかも間違えても堂々と答えるから、気づけない。「だいたい正しい文章」を返すのは得意でも、「必ず正しい数字」を返すのは苦手なのだ。

この記事では、①なぜAIに計算させてはいけないのか ②どう作り直したか（数値はコード・言葉はAI）③目標評価シミュレーションや客先PDFなど実装の勘所 ④セキュリティ対策——の順に見ていく。AIを正しく使うとは、任せる範囲と、任せてはいけない範囲を分けること。その実例だ。

01AIに​丸投げすると、​数字を​間違える

もともとの分析は、人の手とAIの合わせ技だった。口コミデータを書き出し、それをAIに貼り付けて「分析して」と頼む。AIは要約も、強み・弱みの抽出も、そして統計の計算もやってくれる。手軽だ。だが、ここに3つの問題があった。

• 計算が、ときどき間違う。AIは「平均評価」や「目標まであと何件」のような数字を、もっともらしく、しかし不正確に答えることがある。文章は得意でも、正確な計算はAIの本質的な弱点だ。
• 再現性がない。同じデータでも、頼むたびに少しずつ結果が変わる。「先週と数字が違う」が起きる。
• 手間がかかる。店舗ごとに、データを書き出して貼り付けて……を毎回繰り返す。属人的で、時間も溶ける。

核心は1つ目だ。分析レポートの数字が信用できなければ、レポート全体が信用できない。「あと★5を15件集めれば4.5に届く」——この一文が間違っていたら、店舗は誤った努力をする。せっかくの良い改善提案も、土台の数字が狂っていれば説得力を失う。数字は、レポートの信頼の土台なのだ。だから、作り直すなら最初に決めるべきことは明確だった。計算を、AIから取り上げる。これは「AIが信用できない」という話ではない。AIに、AIの不得意なことをさせていたのが問題だった、というだけの話だ。

02設計の​核：数値は​コードで、​言葉は​AIで

このプロジェクトの背骨は、たった一行の原則だ。「数値はコードで、定性はAIで」。

役割をきっぱり分けた。統計や目標シミュレーションのような"数字"は、すべてプログラムで決定論的に計算する。何度やっても、誰がやっても、同じ入力なら同じ答えが出る。一方で、"言葉"——口コミから強みや不満点を読み取り、業種に即した改善提案を言語化する仕事は、AIに任せる。これはAIが本当に得意な領域だ。AIには、AIにしかできないことだけをさせる。計算という、コードの方が確実な仕事は、コードに返す。この線引きが、レポートの信頼性のすべてを決めた。

03なぜ、​LLMに​計算させないのか

「最近のAIは賢いんだから、計算くらいできるのでは」と思うかもしれない。だが、ここには本質的な理由がある。

AI（大規模言語モデル）は、「次に来そうな言葉」を確率的に予測する仕組みだ。文章を紡ぐにはこれが強力に働くが、「84件の評価の合計を、5から目標値を引いた数で割る」といった厳密な計算は、本来の得意分野ではない。だいたい合っている答えを、自信たっぷりに返してくる。一方コードの計算は、同じ式に同じ数を入れれば、必ず同じ正しい答えが出る。曖昧さがゼロだ。だから今回、目標評価シミュレーション——「平均を4.5に上げるには、あと★5が何件必要か」——のような数字は、すべて短い計算式としてコードに書いた。AIには一切触らせない。確実なものは確実な道具で。これは妥協ではなく、信頼を作るための設計だ。^[2]

04目標シミュレーション：あと​何件で、​★4.5に​届くか

このSaaSが店舗オーナーに一番喜ばれる機能が、目標評価シミュレーションだ。「うちの平均は今いくつで、4.5にするにはあと★5が何件いるのか」——漠然と「もっと評価を上げたい」と思っていたものが、具体的な数の目標に変わる。

仕組みはシンプルで、現在の評価の合計と件数から、目標平均（4.0／4.2／4.3／4.5）ごとに必要な★5件数を逆算する。前章のとおり、これは一行の計算式で正確に出る。さらにその数字に、AIが業種特性を踏まえた短い添え言葉をつける。「飲食店なら接客の一言が効く」「整体なら施術後のフォローが鍵」——数字（コード）と、意味づけ（AI）が、それぞれの得意で噛み合う。星の数を、ただ眺めるものから、行動の指針に変えた。これが「数値はコード、言葉はAI」の最も分かりやすい果実だ。

レポートにはこのほかに何が並ぶか。構成を表に整理する。

レポート項目	内容	担当
評価分布	★1〜5の評価の分布	コード
月次推移	月ごとの件数と平均の推移	コード
ポジネガ比率	ポジティブ／ネガティブの比率	AI
強み／不満テーマ	口コミ本文から拾った強みのテーマ・不満点のテーマ。それぞれ代表的な口コミの引用つき	AI
要返信一覧	低評価なのにまだ返信していない口コミを「要返信」として抽出——店舗が今すぐ動ける一覧	コード

AIに任せた部分も、ただ「良い・悪い」を言わせるのではなく、「なぜそう言えるのか」が分かる引用を必ず添える。読み手が後から確かめられるようにするためだ。数字の正確さの上に、行動につながる具体性を重ねていく。

05取得と​分析を​分ける​：コストと​設計

地味だが効く設計判断がもう一つある。「データを取ってくる処理」と「AIで分析する処理」を、はっきり分けたこと。

口コミの取得は、何度やっても安い。だがAIの分析は、呼ぶたびにお金がかかる。もし両者を一緒くたにすると、画面を開くたびにAIが走り、見るだけでコストが膨らむ。だから、取得は自動・定期的に（毎月まとめて）、AI分析は「分析する」ボタンを押したときだけ、と切り分けた。一度出した分析結果は保存しておき、次からは即座に表示する。再分析は、明示的に押したときだけ。AIは強力だが、無駄打ちさせない。「使える」と「続けられる」を両立するには、こうしたコストの設計が欠かせない。月いくらで回るかまで含めて、はじめて"プロダクト"になる。

06​「静かに​0件」を​追う​：沈黙する​失敗の​デバッグ

制作事例として、一番"探偵らしかった"場面を書いておく。実データで動かしたら、口コミが0件しか取れない。だがエラーは出ない。通信は成功（正常応答）、件数だけが0。これは、前にも書いた「サイレントな失敗」——何も間違っていないように見えて、実は何も取れていない、最も厄介なタイプだ。^[3]

そこで、通信の生の中身を観測するログを仕込み、一枚ずつ皮を剥いだ。判明した真因は2つ重なっていた。1つは、口コミを取りに行く"住所"が間違っていたこと——親アカウント宛に問い合わせていて、その下にある個別店舗の口コミが返らない構造だった。これを店舗単位の住所に直した。もう1つは、店舗を指定する番号が、別物だったこと——フォームに入れていた数値が、実は店舗の本当のIDではなく、一致するものがないから"静かに0件"を返していた。正しいIDで叩いたら、25件すべてが取れた。エラーを出さない失敗ほど、原因は地味で、観測しないと一生見えない。だから私たちは、まず"見える化"してから直す。

07クライアントに​出せる​品質：日本語PDFと、​安全

社内で見るだけなら、画面のレポートで十分だ。だが、店舗オーナーに渡すとなると、話が変わる。そのまま提出できる、きれいな日本語のPDFが要る。ここにも、表に出ない苦労があった。

日本語のPDF生成は、地雷が多い。文字が「□（豆腐）」に化ける、行末に英語のような「-（ハイフン）」が勝手に入る、要素が重なって読めない……。一つずつ潰した。日本語フォントを正しく埋め込み、改行のルールを日本語向けに作り変え、レイアウトの重なりを解消する。「だいたい出る」ではなく「客先にそのまま出せる」品質まで詰めるのが、プロダクトとの境目だ。

そして、もう一つ大事なのが安全性だ。開発の途中で、コードを点検していて気づいた——設計次第では、ログインした利用者が、本来見えてはいけない他社のレポートを取れてしまう穴があった（IDORと呼ばれる脆弱性）。複数の会社が同じ仕組みを使う将来を見据え、ここを塞いだ。「動く」だけでなく「安全に動く」まで含めて、はじめて人に渡せる。誠実さは、こういう見えないところに宿る。^[4]

08​締め：AIを​正しく​使うとは、​境界を​引く​こと

この制作事例が伝えたいのは、ひとつだ。AIを正しく使うとは、AIに任せる範囲と、任せてはいけない範囲を、はっきり分けること。

「AIで全部やる」は、聞こえはいいが、しばしば品質を落とす。計算のように、コードの方が確実なことはコードに返す。言葉の機微を読む・意味づけするような、AIが本当に得意なことだけをAIに任せる。この境界を正しく引けるかどうかが、"とりあえずAIを使ったもの"と、"信頼して使えるもの"を分ける。そこに、取得とAIを分けるコスト設計、沈黙する失敗を観測で炙り出すデバッグ、客先に出せるPDF品質、そして安全性——表に出ない積み重ねが乗って、はじめて「プロダクト」になる。電脳技巧集団（AI職人ギルド）が大切にしているのは、AIを派手に使うことではない。AIの強みと弱みを正しく見極め、適材適所で組み上げることだ。それが、職人の仕事だと思う。

AIに全部任せる vs 適材適所で組む。その差が、信頼できるかどうかを分ける。

観点	AIに丸投げ（従来）	適材適所で組む（CAG）
計算（数字）	AIに計算させる→間違える	コードで決定論計算→必ず正確
定性分析（言葉）	AI任せ（得意領域）	AIに集中させる（業種特性も注入）
再現性	頼むたびに数字が変わる	同じ入力なら必ず同じ結果
運用の手間	店舗ごとに手作業で投げる	店舗を選ぶだけで自動レポート
コスト	見るたびにAIが走る	取得と分析を分けて無駄打ち防止
提出物・安全	体裁・権限管理が曖昧	客先用PDF＋他社データ遮断まで

※ 本記事はCAGが実際に開発した口コミ分析SaaSの制作事例。企業名・店舗名・利用サービス名・固有IDは伏せた匿名ケーススタディ。設計判断・技術構成は実際のものに基づく（v0・2026時点）。