案件の損益を経営者にいつも聞かれる経理担当者へ――今のExcelデータのままChatGPTに聞けば一瞬でわかる

「この案件、結局儲かったんだっけ」——月末になってから、そんな疑問がわいたことはないでしょうか。今回は、すでにお使いのExcelやCSVの案件別データを、新しい分析ツールを契約しなくても、ChatGPTやClaudeに読み込ませるだけで「儲かっている案件」「赤字の案件」を特定させる方法についてお話しします。

現場でよくある「案件ごとの利益がタイムリーに見えない」悩み

受注・原価・工数のデータがExcelのファイルごとに分散していて、案件ごとの利益がタイムリーに把握できない、という状況が、電気制御・産業機器業や内装工事業の現場でよく見られます。

見積り時点ではおおよその利益を見込んでいても、実際にかかった材料費・外注費・人件費を集計し、案件ごとの粗利を出すのは月末や決算のタイミングになりがちです。その結果、「この案件は実は赤字だった」と気づくのが数か月後になり、同じ原因で赤字になる案件を繰り返してしまう、という声も聞かれます。かといって、専用の原価管理システムを新たに導入するとなると、初期費用や運用の手間がかかり、踏み切れない会社も少なくありません。

実は、今のExcelデータのままAIに分析させることができます

会計システムやExcelから出力した案件別の売上・原価データ（CSV形式）は、そのままChatGPTやClaudeに添付するだけで、案件ごとの粗利率の算出や、赤字案件の特定、改善策の提案までを行わせることができます。ChatGPTの場合は「Advanced Data Analysis」という機能が自動的に使われ、Plus契約（月額20ドル）であれば通常のチャット画面でそのまま利用できます（無料プランでも使えますが利用回数の制限が厳しいため、実務にはPlus契約以上を推奨します）。Claudeも同様に、ファイルを添付するだけで分析できます。

新しい分析ツールやダッシュボードを契約する必要はなく、今使っているExcel・CSVのデータと、すでに契約しているChatGPTやClaudeのプランだけで始められる点がポイントです。

今回試すのは「案件別データをそのままAIに読み込ませて、儲かっている案件・赤字の案件を特定する」プロンプト

ステップ1：案件別の売上原価データをCSVで用意する

案件ID・案件名・受注額・材料費・外注費・人件費など、案件ごとの売上と原価の内訳が分かる形でCSVにまとめます。会計システムやExcelからそのまま出力できる形で構いません。

〔置き換え箇所〕：列の項目は自社の管理項目（例：外注費の内訳、工数（人日）など）に合わせて調整してください。取引先名や案件名に固有情報が含まれる場合は、「案件A」のような仮名に置き換えてから使ってください。

ステップ2：ChatGPTまたはClaudeにCSVファイルを添付する

チャット画面にCSVファイルをそのままドラッグ＆ドロップします。特別な設定やプラグインの有効化は必要ありません。

ステップ3：目的に応じて聞き方を変える

ただ「分析してください」とだけ頼むと、表の要約で終わってしまうことがあります。同じCSVデータでも、目的に応じて次のように聞き方を変えていくと、得られる示唆の深さが変わります。

①まずは基本形で、赤字・低採算の案件を洗い出す

添付した案件別の売上原価データを基に、案件ごとの粗利率を算出し、
赤字または低採算の案件を一覧にしてください。

②次に、赤字の背景にある共通要因まで踏み込んで聞く

添付した案件別の売上原価データの中で、
赤字または低採算の案件に共通する要因(案件の種類・工程・費目など)があれば指摘してください。

③最後に、予算・体制の制約を踏まえた改善策まで提案させる

添付した案件別の売上原価データを基に、案件ごとの粗利率を算出し、赤字または低採算の案件を特定してください。
特に共通する要因(案件の種類・工程等)があれば指摘したうえで、初期投資〇〇万円以内・既存スタッフで対応可能な改善策を3点、
経営会議で5分以内に説明できるエグゼクティブサマリー形式で提案してください。

〔置き換え箇所〕：「初期投資〇〇万円以内・既存スタッフで対応可能」の部分は、自社の実際の予算感・体制に合わせて書き換えてください。

3つの実験で、実務に使えるかを確かめました

一度分析させて良い結果が出ただけでは、実務で安定して使えるかは分かりません。そこで今回は、性質の異なる3つの実験を通じて、この方法がどこまで信頼できるか、どこに限界があるかを確かめることにしました。架空の電気制御・内装工事業（案件10件分、うち2件は赤字を想定したダミーデータ）を用意し、CSVファイルとしてChatGPT・Claudeそれぞれに読み込ませました。実際に読み込ませたデータは、次のような内容です（案件名・数値はすべて架空のものです）。

案件ID,案件名,受注月,受注額,材料費,外注費,人件費,原価合計,粗利,粗利率
P001,制御盤製作A,2026-03,1200000,350000,150000,280000,780000,420000,35.0%
P002,配電盤更新B,2026-03,850000,220000,90000,310000,620000,230000,27.1%
P003,内装改修C,2026-04,2000000,900000,400000,350000,1650000,350000,17.5%
P004,制御盤製作D,2026-04,600000,180000,60000,150000,390000,210000,35.0%
P005,内装改修E,2026-04,1500000,600000,300000,700000,1600000,-100000,-6.7%
P006,配電盤更新F,2026-05,900000,240000,100000,260000,600000,300000,33.3%
P007,制御盤製作G,2026-05,1100000,320000,140000,300000,760000,340000,30.9%
P008,内装改修H,2026-05,1800000,750000,350000,400000,1500000,300000,16.7%
P009,配電盤更新I,2026-06,950000,250000,110000,270000,630000,320000,33.7%
P010,内装改修J,2026-06,1700000,700000,320000,900000,1920000,-220000,-12.9%

実験1：案件ごとの粗利率・赤字案件の特定は正確か

①の基本プロンプトで聞いたところ、ChatGPT・Claudeともに、CSVの数値から粗利率を検算したうえで、赤字の2件（P005・P010）と低採算の2件（P003・P008）を正確に抽出しました。計算のズレや案件の見落としはなく、回答が返ってくるまでの時間もどちらも数十秒でした。

Claudeは低採算の判定基準（粗利率20%未満）を自分で明示したうえで、次のように一覧にして整理して返してきました。

実験2：ヒントを与えずに、赤字の背景にある共通パターンを見抜けるか

②のプロンプトで、「内装改修の案件で人件費が想定より膨らんでいる」という共通パターンを、ChatGPT・Claudeとも、こちらから一切ヒントを与えずに指摘してきました。

Claudeは踏み込み方が特徴的で、まず「内装改修は他業種より原価率が30ポイント近く高い」という業種構造の差を指摘したうえで、さらに「同じ内装改修でも黒字を保つ案件と赤字に転落する案件を分けているのは人件費比率だ」と、2段階で要因を絞り込んできました。

一方ChatGPTは、人件費だけでなく材料費・外注費の比率も並べて示し、「工程別のデータはCSVにないため、どの工程で原価が膨らんだかまでは断定できません」と断定を避けたうえで、次に確認すべき項目（材料の数量・単価、外注した作業内容、作業時間、追加・やり直し対応）まで具体的に提案してきました。同じ問いに対して、Claudeは要因を鋭く絞り込み、ChatGPTは多面的に材料を示す、という傾向の違いが見えたのが興味深い発見でした。

実験3：制約条件を踏まえた改善提案は、実務で使えるレベルか

③のプロンプトの空欄に「初期投資30万円以内・既存スタッフで対応可能」という具体的な制約条件を入れて試したところ、指定した制約条件は、ChatGPT・Claudeともにきちんと守られていました。ただし、同じ制約条件でも、守り方にはっきりとした違いが出ました。

ChatGPTは、提案した3つの改善策それぞれに金額を明示してきました。「内装改修の受注前に粗利30%判定を必須化する（5万円）」「現場の人件費を毎日5分で記録し、予定の80%で警報を出す（8万円）」「材料・外注費が売上の55%を超える案件は発注前に再見積する（5万円）」という3点で、合計18万円と予算内に収まっていることまで自ら計算して示してきました。

一方Claudeは、「内装改修専用の見積りチェックリスト」「週次の工数予実チェック」「受注可否ラインの明文化」という3つの改善策を、「いずれも新規ツールの契約や増員は不要」という言い切り方で提案してきました。金額を積み上げて予算内に収める見せ方のChatGPTに対して、Claudeは端的に「増員が要らない」ことを前面に出す見せ方で、どちらも同じ制約条件を、それぞれ異なる角度から満たしてきたことになります。

比べてみると、ChatGPTの提案は金額の内訳まで具体的で、そのまま稟議に使えそうな安心感がありました。一方Claudeの提案は、増員が不要という結論は明快なものの、その分やや概念的で、「具体的に何にいくらかかるのか」まで踏み込んだ厚みはChatGPTほどではない、という印象を受けました。

さらに、Claudeはこちらが依頼していないにもかかわらず、グラフ付きのHTML資料をそのまま作成し始めました。仕上がりはそのまま経営会議に持ち込めそうな見た目でしたが、確認しながら段階的に進めたい場合はひと手間かかります。実際、ChatGPTがチャット画面にテキストで4分ほどで答えたのに対し、Claudeはこの資料作成のために16分を要しました。「分析結果だけをまず見たい」のか「そのまま使える資料まで欲しい」のかによって、向いているツールが変わってくる、という実務上の使い分けのヒントになりました。

使ってみて感じたこと

3つの実験を通じて、実務でも十分使えそうだという手応えがありました。特に、赤字案件の特定（実験1）や共通要因の発見（実験2）は数十秒で返ってきて、案件ごとの利益をタイムリーに把握できない、という悩みには即効性のある解決策だと感じました。

一方で、今回はダミーデータ10件という小さな規模での検証です。実際の案件データはもっと件数が多くなるはずで、サンプルデータでも実験3（改善提案の作成）はChatGPTで4分、Claudeで16分かかったことを考えると、実データではどれくらい時間がかかるのか、という不安は残りました。

もう一つ気づいたのは、「原因の指摘」はどちらのAIも精度高く答えてくれる一方、「今後同じ問題を発生させないための、具体的な運用レベルの対策」を引き出すには、プロンプト側でもう一段の工夫が必要そうだという点です。数値データから傾向を読み取り、言葉で説明できる、というのは誰にでもできる作業ではないので、そこをAIにある程度任せられるなら、属人化の解消にもつながりそうだと感じました。

安全に使うための前提

案件データを分析させる以上、次の点は前提として守ってください。

• 取引先名や案件名に固有情報が含まれる場合は、「案件A」「B社」のような仮名に置き換えてから入力する

• 会社が契約する法人アカウント（入力内容が学習に使われないオプトアウト設定）を使う

• ヘッダー行を1行目に配置し、日付フォーマットを統一するなど、データを整えてから読み込ませると出力精度が上がる

• AIが出した分析結果や改善策は、あくまで「たたき台」として扱い、実際の経営判断は必ず人が数値を確認したうえで行う

明日から真似できる勘所

• 「赤字案件はどれか」だけでなく「なぜ赤字なのか」まで聞く：粗利率を出すだけなら一瞬ですが、「共通する要因があれば指摘してください」と一歩踏み込んで聞くことで、業種や費目単位の構造的な傾向まで見えてきます

• ChatGPTとClaudeは得意分野が違う：今回の検証では、Claudeは要因を鋭く一つに絞り込む傾向、ChatGPTは複数の可能性を並べて次に確認すべき項目まで提案する傾向が見られました。原因を素早く一つに絞りたいときはClaude、多角的に洗い出したいときはChatGPT、と使い分けるとよさそうです

• 資料化まで自動で進めてしまうことがある：Claudeはこちらが指示していないのに、グラフ付きのHTML資料を作り始めました。仕上がりは経営会議にそのまま使えるレベルでしたが時間もかかるため、まず分析結果だけを確認してから資料化を依頼する、という2段階に分けるのも一つの手です

• 「対策の中身」まで具体化するにはひと工夫必要：原因の指摘は精度高く返ってきますが、「今後同じ問題を防ぐ運用レベルの対策」まで具体化させるには、プロンプト側で「担当者・頻度・金額まで含めて」のように条件を追加すると、より実務で使える提案になりそうです

• データ量が増えたときの所要時間は要確認：今回の10件のダミーデータでも実験3は最大16分かかりました。実際の案件数がもっと多い場合にどの程度時間がかかるかは、自社のデータで一度試してから判断してください

おわりに

案件ごとの利益は、日々の業務に追われているとつい後回しになりがちです。かといって、専用の分析ツールを新たに契約しなくても、今使っているExcelのデータと、すでに契約しているChatGPTやClaudeだけで、赤字案件の早期発見に近づくことができます。小さな効率化を一つずつ積み重ねていくことが、やがて会社全体の力になっていく——今回もその一歩として、ぜひ試してみてください。

書籍化のお知らせ

この連載で扱ってきた実務を再編集して、Kindle書籍を発売しました。
書名は『一人のAI活用を、会社の力に変える』です。

この決める側に立つ方――中小企業の経営者、後継者、部門をまかされている管理職の方に向けて書きました。生成AIの操作手順は、書籍ではあえて書いていません。何から始め、誰に任せ、どう広げるかという三つの判断を、中小企業12のケースから取り出しています。

Kindle Unlimitedをご利用中の方は、追加料金なしでお読みいただけます。

現場の操作は、この連載に。経営者の判断は、本書に。連載で試してきた工夫を社内に広げたいと考えている方が、経営者や管理職に話を持ちかけるときの材料にもなります。

🔗 マガジンと各記事へのリンクを貼っておきますので、よろしければこちらもご覧ください。

1. AIで何から始める？ 導入初期の企業がまず試すのは「メール返信の下書き」

2. チラシ作成をAIで数分に――少人数の店舗が試した、文章から仕上げまでの作り方｜コピペ文例つき

3. FAXの注文書、写真を撮ってAIに渡すだけで表になる――紙の注文に追われる現場が試す4ステップ

4. AIに"丸投げ"すると、読まれない提案書ができる――提案書の質が人によってバラつく会社が試す"型"の作り方

5. 保育士がもう悩まない「おたよりの言い回し」――AIに"文章"を任せるコツ

6. 生成AIの情報漏洩リスク、AI活用が広がり始めた企業が決めておきたい3つのルール

7. 社内規定Q&Aで、総務・人事担当者が問い合わせ対応から抜け出す方法――Gemini Notebookで作る

8. 技術継承に悩む現場へ――ベテランの暗黙知、雑談混じりの録音でもChatGPTがきちんと手順書に「社内AI先輩」のつくりかた

9. 拠点間のノウハウ共有に悩む会社へ――Gemini Notebookで確認を2〜3日から数秒にする方法

10. 案件の損益を経営者にいつも聞かれる経理担当者へ――今のExcelデータのままChatGPTに聞けば一瞬でわかる（この記事）

11. 物件のトラブル対応履歴の管理に悩む担当者へ――Gemini Notebookで修繕の優先順位まで見える化する方法

12. スプレッドシートの数字確認に追われる会社へ――売上や案件の進捗を"常設ダッシュボード"にする方法