名寄せAIが連絡先を自動整理：Claude Code活用術

名刺管理ソフト、メルマガ配信ツール、Excelの取引先リスト。連絡先データが社内のあちこちに散らばって、同じ会社・同じ人が何件も重複していませんか。手作業で突き合わせると半日仕事、しかも見落としだらけになりがちです。

この記事では、その「名寄せ」をClaude Codeを使って半自動で整理する具体的な手順を解説します。何を準備し、AIに何を渡し、出てきた結果のどこを人がチェックするのか。非エンジニアの方でも再現できるよう、現場目線で順を追って説明します。

Contents / 目次

1. 結論。名寄せは「ルール下処理＋AI判断＋人の検証」の3層でやる
2. 名寄せの具体的なやり方。Claude Codeで進める5ステップ
3. 名寄せがうまくいくと何が変わるか
4. 名寄せでよくある失敗と、その防ぎ方
5. 使う前に知っておきたい、名寄せAIの落とし穴
6. よくある質問
7. まとめと、次の一歩

結論。名寄せは「ルール下処理＋AI判断＋人の検証」の3層でやる

結論から言います。連絡先の名寄せをうまくやるコツは、すべてをAIに丸投げしないことです。機械的にできる下処理はルールで、迷う判断だけをAIに、最終確認は人が。この3層に分けると、精度もコストも安定します。

名寄せとは、複数のリストにバラバラに入っている「同じ会社」「同じ人」のデータを1つにまとめる作業のことです。たとえば「株式会社コレットラボ」「(株)コレットラボ」「コレットラボ」が別々のレコードになっているのを、同一だと判定して統合します。ここで難しいのは、単純な文字の一致では拾いきれない「表記ゆれ」が大量にあることです。

従来はルールベース、つまり「全角を半角に直す」「(株)を株式会社に統一する」といった決め事だけで処理していました。でもこの方法だと、誤字や略称、英語と日本語の混在には歯が立ちません。そこで、ルールベースの下処理と、文脈で意味を読むAI（大規模言語モデル）を組み合わせる「ハイブリッド名寄せ」という進め方が使われるようになっています。

Claude Codeは、このハイブリッド処理を「対話しながら組み立てられる」のが強みです。Claude Codeとは、Anthropic社が提供するエージェント型のAIで、パソコン上のファイルを読み込み、整理用のプログラムを書いて実行までしてくれるツールです。 プログラミング未経験でも、日本語で指示するだけで名寄せの作業を進められます。

まず、3つの層がそれぞれ何を担当するのかを整理しておきましょう。

層	担当する処理	担当者
第1層 下処理	全角半角の統一、法人格の表記統一、空白・記号の削除、列名の整理	ルール（プログラム）
第2層 AI判断	略称・誤字・言い回しの違いを「意味的に同じか」で判定し、重複候補を提示	Claude CodeなどのAI
第3層 検証	AIが「同じ」と判定した候補を人が最終確認し、統合・除外を決める	人

ここが肝心。AIに全部任せると、似ているだけの別会社を勝手に統合してしまう事故が起きます。逆に下処理を省くと、AIに渡すデータが汚いまま判定がブレます。3層に分けることで、それぞれの弱点を補い合えるのです。

名寄せの具体的なやり方。Claude Codeで進める5ステップ

実際の進め方を、手を動かせるレベルで説明します。結論を先に言うと、流れは「目的を決める→データを集める→下処理→AIで重複判定→人が検証」の5ステップです。一度に全部やろうとせず、小さく区切って結果を確認しながら進めるのが成功のコツです。

ステップ1 何のために名寄せするかを1行で決める

最初にやるべきは、ツールを開くことではなく、目的を決めることです。「DMの重複発送をなくしてコストを下げたい」「営業とマーケで顧客情報を一元化したい」のように、目的を1行で書き出してください。

目的が決まると、どの列を基準に名寄せするかが決まります。会社単位でまとめたいなら会社名と法人番号、個人単位ならメールアドレスが軸になります。ここが曖昧なまま進めると、後で「結局どの粒度で統合したかったんだっけ」と迷子になります。

ステップ2 データを1つのフォルダに集めてCSVに揃える

次に、散らばっている連絡先データを1か所に集めます。名刺ソフトからの書き出し、メルマガツールのエクスポート、手元のExcel。これらをすべてCSV形式で書き出し、1つのフォルダに入れておきます。Claude Codeはパソコン上のファイルを直接読めるので、ファイルパス（保存場所）を正確に伝えるのがポイントです。

この段階で「正しい表記の見本」となるマスターデータがあれば一緒に用意します。たとえば自社で正式名称を管理した取引先一覧があれば、それを基準にできます。なければ、名寄せをしながら基準を作っていく形でも構いません。

ステップ3 ルールで下処理をする

AIに渡す前に、機械的な表記ゆれをそろえます。これは誰がやっても同じ結果になる処理なので、AIではなくプログラムに任せます。Claude Codeに「下処理用のスクリプトを書いて実行して」と頼めば作ってくれますが、中身のイメージを持っておくと指示が的確になります。下処理の代表例はこの通りです。

• 全角・半角の統一：「ＡＢＣ」を「ABC」に、英数字と記号を半角にそろえる
• 法人格の統一：「(株)」「㈱」「(株)」を「株式会社」に統一する
• 空白・記号の除去：会社名の前後や途中の余計なスペース、中黒、カッコを削る
• 大文字小文字の統一：メールアドレスをすべて小文字にそろえる
• かな表記の統一：ふりがな列があればカタカナに統一する

下処理用のスクリプトは、PythonのpandasというデータをExcelのように扱えるライブラリでよく書かれます。次は、会社名を正規化する処理のイメージです。Claude Codeに自社のデータ列に合わせて調整してもらう前提の、たたき台として読んでください。

# 前提：Python と pandas が入った環境で動かす
# pip install pandas を済ませておく
# 同じフォルダに contacts.csv（会社名の列「company」を含む）を置く

import pandas as pd
import unicodedata
import re

df = pd.read_csv("contacts.csv")  # ［自社のファイル名に変更］

def normalize_company(name):
    if pd.isna(name):
        return ""
    s = unicodedata.normalize("NFKC", str(name))  # 全角英数字→半角など正規化
    s = s.replace("（株）", "株式会社").replace("(株)", "株式会社").replace("㈱", "株式会社")
    s = re.sub(r"\s+", "", s)        # 空白をすべて削除
    s = s.replace("・", "").strip()  # 中黒を削除
    return s

df["company_norm"] = df["company"].apply(normalize_company)  # 正規化した列を追加
df.to_csv("contacts_normalized.csv", index=False, encoding="utf-8-sig")
print("正規化が完了しました。重複候補の確認に進みます。")

このコードは「会社名をそろえた新しい列を作る」だけのもので、元データは消しません。動かす前にデータのバックアップを取っておくと安心です。列名（company）は自社のCSVに合わせて変えてください。

ステップ4 AIに重複候補を判定させる

下処理が済んだら、ルールでは拾えない「意味的に同じ」を判定させます。ここがAIの出番です。Claude Codeに役割と判断基準、そして正解・不正解の例を一緒に渡すと、判定の精度が上がります。次は指示の出発点となる短いたたき台です。これをそのまま使うのではなく、Claude Codeと対話しながら自社の状況に合わせて詰めてください。

あなたは顧客データの名寄せ専門家です。
contacts_normalized.csv を読み、同一の会社・人物と思われる行の組を
「重複候補リスト」として出力してください。

判断基準：
- 会社名の表記ゆれ・略称・誤字は同一とみなす
  例）「コレットラボ」と「株式会社コレットラボ」は同一
- 業種や住所が明らかに違う場合は別会社として残す
  例）「東京の山田商店」と「大阪の山田商店」は安易に統合しない
- 迷う組は「要確認」フラグを付け、勝手に統合しない

出力は CSV で、元の行番号・候補の行番号・判定理由・確信度（高/中/低）の
4列にしてください。［自社の判断ルールをここに追記］

ポイントは2つあります。1つ目は、正解例だけでなく「統合してはいけない例」も渡すこと。これでAIが過剰に統合するのを防げます。2つ目は、AIに最終決定をさせず「候補」と「確信度」を出させること。判定の理由も書かせておくと、後の検証がぐっと楽になります。

ステップ5 人が検証して統合を確定する

最後は人の出番です。AIが出した重複候補リストを、確信度の低いものから順に目で確認します。確信度「高」はざっと流し見、「中」「低」と「要確認」フラグは1件ずつ判断します。ここで「同じ」と確定したものだけを統合し、判断に迷うものは保留にして無理に統合しません。

AIは「もっともらしい嘘」をつくことがあります。実在しない会社を勝手に作ったり、別会社を同一と言い切ったりする「ハルシネーション」です。確信度が高くても、統合は人が確定する。このひと手間を省くと、顧客データそのものが壊れます。

名寄せがうまくいくと何が変わるか

名寄せを仕組み化すると、いちばん大きく変わるのは「探す時間」と「ムダな発送」です。同じ取引先が3件に分かれていれば、DMも3通届き、印刷費も郵送費も3倍かかります。名寄せで1件に統合できれば、その分がそのまま削減になります。

効果が出ている企業に共通するのは、名寄せを「一度きりの大掃除」ではなく「続く仕組み」にしている点です。月に1回データを書き出してClaude Codeで重複チェックを回す、といったサイクルを決めておくと、データが汚れる前にきれいな状態を保てます。属人化していた突き合わせ作業が、誰でも回せる手順に変わるのも見逃せない変化です。

もう少し広く見ると、これは生成AIが「試す」段階から「業務に組み込む」段階へ移った流れの一例です。たとえば、社内向けに生成AIアプリを整備して全社で使えるようにする動きも広がっており、リコーがDifyアプリマーケットプレイスの社内運用を開始したという公式発表のように、AIを日常業務へ定着させる取り組みが企業で進んでいます。 名寄せのような地味なデータ整備こそ、AIを業務に組み込む最初の一歩として相性が良い領域です。

ただし、効果を数字で約束することはできません。削減できる工数や精度は、元データの汚れ具合、リストの件数、社内の入力ルール次第で大きく変わります。「誰がやっても○%改善」のような断定は現実には成り立ちません。だからこそ、自社のデータで小さく試して、効果を自分の目で測ることが大事です。連絡先まわりの整理術については、メディアリスト自動更新術｜AIで記者の異動も逃さない広報管理でも別の角度から触れています。

名寄せでよくある失敗と、その防ぎ方

現場でつまずきやすいポイントは、だいたい決まっています。先に知っておけば避けられるものばかりなので、代表的な3つの失敗を「どんな状況で起きるか→何が起きるか→どう防ぐか」のセットで紹介します。

失敗1 似ているだけの別会社を統合してしまう

これは、AIに判断を丸ごと任せたときに起きます。「山田商店」が全国に複数あっても、AIは名前が同じだと同一と判定しがちです。結果、別会社の情報が混ざり、顧客データが取り返しのつかない状態に壊れます。防ぎ方は、住所や業種など会社名以外の手がかりも判定材料に入れること。そして、確信度の低い組は必ず人が確認してから統合することです。

失敗2 マスターデータがないまま走り出す

「正しい表記」の基準がない状態で名寄せを始めると、どれに寄せればいいのか決まらず、作業が堂々巡りになります。たとえば正式名称が「株式会社」前株か後株かすら社内で揺れていると、統合先が定まりません。防ぎ方は、名寄せとセットでマスターデータ（正式表記の一覧）を整えること。最初は完璧でなくても、作業しながら基準を1つずつ固めていけば十分です。

失敗3 きれいにした後、また表記ゆれが再発する

一度きれいに名寄せしても、新しいデータを今まで通りバラバラに入力していたら、数か月で元の木阿弥です。これは入力段階に対策がないと必ず起きます。防ぎ方は、入力ルールを統一すること。会社名はプルダウンから選ぶ、法人番号を併記する、入力チェックを入れる、といった工夫で「汚れにくいデータ」にしておきます。あわせて、定期的に名寄せを回すサイクルも決めておきましょう。

共通する教訓。名寄せは「一度やって終わり」ではなく「きれいな状態を保ち続ける運用」です。技術より、続けられる仕組みづくりのほうが効きます。AIで業務を仕組みに変える考え方は月3万円から始めるAI業務自動化｜中小企業の予算別ロードマップでも整理しています。

使う前に知っておきたい、名寄せAIの落とし穴

ここからは、教科書には書かれにくい現場の本音をお伝えします。名寄せAIは便利ですが、向き不向きと、見落としがちなコストがあります。導入を考える前に知っておくと、判断を誤りません。

まず、機密情報の扱いです。連絡先データには個人情報や取引先情報が含まれます。AIに渡す以上、どのツールにどこまでのデータを入れていいのか、社内ルールを先に決める必要があります。Claude Codeは手元のパソコン上でファイルを扱えるのが利点ですが、それでも「何を入力していいか」の線引きは欠かせません。この点はAIに入力してはいけない個人情報｜AIセキュリティ社内ルールの作り方も参考にしてください。

次に、内製と外注の切り分けです。数百件程度のリストを1回きれいにするだけなら、Claude Codeで十分内製できます。一方で、何万件ものデータを複数システムから継続的に統合し続けたい、となると話は別です。専門の名寄せサービスや法人マスタを持つツールのほうが、長期的には確実で楽な場合があります。「全部AIで内製」が常に正解ではないのです。

見落としがちなコストもあります。AIを使う費用そのものより、「結果を検証する人の時間」が地味にかかります。AIが候補を出しても、最終的に同一かどうかを判断するのは人です。件数が多いほどこの確認工数は増えます。導入を検討するときは、ツールの費用だけでなく、運用に回せる人の手があるかも含めて考えてください。ここを甘く見積もると「導入したのに回らない」状態になります。

正直に言えば、名寄せは華やかな仕事ではありません。でも、データがきれいになると、その上で動くマーケティングも営業も精度が上がります。土台づくりにあたるからこそ、最初の設計を丁寧にやる価値があります。難しいところは難しいと割り切って、自社でやる範囲とプロに任せる範囲を冷静に切り分けるのが、遠回りに見えていちばんの近道です。

よくある質問

まとめと、次の一歩

名寄せは「ルールで下処理→AIで重複判定→人が検証」の3層で進めれば、専門知識がなくても着実に形になります。まずは数百件の手近なリストで、小さく試してみてください。手応えがつかめれば、続く仕組みに育てていけます。

ここまで読んで、自社のデータでやり切るのは手が足りなそう、設計から相談したい、と感じた方は気軽に声をかけてください。コレットラボのAI業務システム化支援では、名寄せのような地味だけど効くデータ整備を、内製したい会社にも任せたい会社にも合わせて伴走します。まずは現状を整理するだけでも大丈夫です。AI業務システム化の詳細はこちらからお話を聞かせてください。