契約書作成・電子契約締結 ContractS コントラクツ

今すぐ資料をダウンロード

ContractS サービス紹介資料 資料をダウンロード

社名
株式会社ネオキャリア
事業内容
採用支援・就労支援・業務支援
設立
2000年11月15日
従業員数
3,651名 ※2026年2月28日時点
URL
https://www.neo-career.co.jp/

使ってみて、何が変わったか。ネオキャリア法務部3名が語る、Claude × ContractS CLM の現場リアル

公開日:2026年11月18日

人材派遣、人材紹介、業務委託、NDA、販売店契約——。人材サービス業の法務には、多様な契約類型が日々押し寄せる。株式会社ネオキャリアの法務部は、わずか6名でグループ6社分の契約審査を集約して担う。件数と類型の幅に対し、審査の進め方はこれまで各担当者の経験に支えられてきた。しかし、これをチームで共有する審査基準を文書として整え、誰が担当しても同じ水準の一次レビューが出てくる状態をつくる——同社はこの「暗黙知の形式知化」に、ClaudeとContractS CLMの連携で取り組んでいる。3名の担当者が、その舞台裏を語る。

用語解説|Claude/ContractS CLM

Claude(クロード):Anthropic社が提供する生成AIアシスタント。本事例では、契約書の読解・レビュー・修正コメント作成を担う「AIレビュアー」として利用している。

ContractS CLM:ContractS株式会社が提供する契約ライフサイクル管理(CLM=Contract Lifecycle Management)システム。契約審査の依頼受付、審査タスクの管理、契約書の版管理・保管、締結までを一元管理する。

契約審査の「最後の砦」——グループ6社を支える法務部

株式会社ネオキャリアは、人材紹介・人材派遣・採用支援などを幅広く展開する総合人材サービス企業だ。同社の法務部は、自社を含むグループ6社の契約審査を集約し、社内法務の中核として機能している。

契約管理基盤としてはContractS CLMをすでに導入済みで、契約審査の依頼受付からタスク管理までがCLM上で回る体制が確立していた。今回のAIレビュー導入は、この既存基盤の上に「審査そのものの標準化」を積み上げる取り組みである。

導入前の課題——「審査基準の言語化」

課題① 審査基準の属人化

各メンバーはそれぞれ高い専門性を持つ。一方で、チームとして参照できる審査基準は作成されていたが、体系的でなくまた都度参照するのも手間であった。その結果、判断の拠り所が個々の経験に委ねられる機会が多かった。

メンバーそれぞれが高いスキルを持っている一方で、チームで統一した基準に基づいて審査できていないケースがあることが一番の課題でした。同じ契約書でも、誰が見るかによって指摘のポイントや深さが変わってしまう。組織としての審査品質をどう担保するかは、ずっと頭にありました。

── 羽鳥さん(弁護士、経営管理本部 本部長・法務部長)
課題② 契約類型ごとのチェック漏れリスク

契約類型ごとに重点的に確認すべき条項は異なる。多様な類型を扱ううえで、確認ポイントを類型別に整理し、チーム全員が同じ順序で確認できる形にすることが求められていた。全類型を網羅的にチェックするには相応の時間と経験が必要だった。

類型ごとに重点的に見るポイントが違うので、慣れない類型のレビューは、チェックリストを行ったり来たりしながら進めていました。時間もかかりますし、「何か見落としていないか」という不安が常にありました。

── 阿部さん(契約審査担当)
課題③ 修正コメントの品質ばらつき

相手方に修正を求めるコメントの書き方も担当者ごとにトーンが異なり、「社内メモのような指摘」から「相手を説得する文章」まで幅があった。説得力のあるコメントを書く負荷は決して小さくなかった。

なぜClaude × ContractS CLMだったのか

選定の決め手は、ContractS CLMがすでに審査タスク管理の中心にあったことだ。ClaudeとCLMをMCP(Model Context Protocol)で連携させれば、「タスク取得→契約書ダウンロード→AIレビュー→変更履歴付きWordで戻す→タスク完了」という一連の流れが、既存の業務動線を変えずに実現できる。ただし全自動にはせず、レビュー結果の内容確認とCLMへのアップロードは必ず人が行う設計とした。AIに任せる部分と人が判断する部分を最初に線引きしたことが、現場の安心感につながっている。

用語解説|MCP(Model Context Protocol)

生成AIが外部のシステムやデータと安全にやり取りするための共通規格(接続の「共通コネクタ」のようなもの)。ContractS CLMはMCPに対応しており、Claudeから「審査タスクの一覧を取る」「契約書ファイルを取得する」「コメントを書き込む」といった操作を、画面を切り替えずに直接行える。利用者はチャットで指示するだけで、裏側でCLMとの連携が実行される。

加えて、ContractSが提供するlegalプラグイン(スキル+プレイブック構成)が、自社基準を柔軟に注入できる設計になっていたことも大きかった。汎用のAIレビューではなく、「ネオキャリアの審査基準で審査するAI」を作れる——この点が最終的な判断を後押しした。

用語解説|プラグイン/スキル/プレイブック

スキル(SKILL.md):「契約審査をどの手順で進めるか」を記述した、AI向けの業務手順書。CLMからタスクを取得し、契約書を読み、プレイブックに照らして指摘し、変更履歴付きWordを出力するまでの一連の動作が定義されている。ContractS社が提供・更新する共通部分。

プレイブック(playbook.md):「何をリスクとみなし、どう修正を求めるか」を記述した、審査基準そのもの。交渉時の許容ライン・NG事項・修正コメントの型などを企業ごとに書き込む。本事例ではここに「ネオキャリア基準」を集約している。

プラグイン:Claudeに特定業務の「やり方」と「判断基準」をまとめて追加する拡張パッケージ。本事例のlegalプラグインは、契約審査に必要なスキルとプレイブックをひとまとめにしたものである。

たとえるなら、スキルは「調理手順(レシピの作り方)」、プレイブックは「その会社の味付け(レシピの中身)」にあたる。手順は共通のまま、味付けだけを自社仕様にできるのがこの構成の利点だ。

実装の核心——ネオキャリア版プレイブックの設計

人の判断を残した審査フロー

運用フローはこうだ。ContractS CLM上の審査タスクをClaudeが取得し、契約書(Word)をダウンロード。ネオキャリア基準でAIレビューを実施し、結果を変更履歴・コメント付きのWordファイルとして出力する。法務担当者はその内容を確認・仕上げしたうえで、修正版をCLMにアップロードし、タスクを完了させる。AIが一次レビューのたたき台を作り、最終判断は人が握る——この分担が運用の基本思想である。

用語解説|変更履歴付きWord

Wordの「変更履歴(トラックチェンジ)」機能を使い、AIが提案した修正箇所を赤字・取り消し線で可視化した状態のファイル。修正理由はコメントとして条文に紐づく。担当者は提案を1件ずつ「承諾」「元に戻す」で取捨選択できるため、AIの提案を鵜呑みにせず、人が最終判断する運用と相性がよい。
チェックリストを「自社基準」に改訂

中核となるプレイブックの整備では、ベースとなるチェックリストを全量分析し、ネオキャリア基準に改訂した。ポイントは次の3つだ。

  • ・自社として認容できない条項を「絶対NG事項」として明文化
  • ・リスク分類(RED/YELLOW/GREEN)× 交渉優先度(Tier 1〜3)の2軸でチェック項目を整理
  • ・修正コメントの型を「社内メモ型」から「相手方説得型」に統一
用語解説|リスク分類と交渉優先度

RED/YELLOW/GREEN:条項ごとの危険度の3段階。REDは「受け入れ不可・必ず修正」、YELLOWは「条件付きで許容・要交渉」、GREENは「そのまま受け入れ可」を意味する。

Tier 1〜3:交渉で譲れない順序。Tier 1は最優先で勝ち取る論点、Tier 3は相手方の反応次第で譲歩しうる論点。2軸で整理することで、AIの指摘に「どれから交渉すべきか」の優先順位が付き、担当者がそのまま交渉戦略に使える。

一番こだわったのは、『なぜその条項を受けられないのか』『代わりにどうするか』まで書き切ることです。そこまで書いて初めて、AIのアウトプットがそのまま交渉に使える品質になります。

── 羽鳥さん
審査基準の機密性を保つ配布設計

審査基準は法務部の機密情報でもある。そこでlegalプラグインをネオキャリア版にカスタマイズしたうえで、法務部メンバーにのみ配布し、法務部自身が管理・更新する運用とした。現時点では法務部によるZip管理・配布で運用しており、審査基準が法務部の外に出ない構成を設計段階で担保している。プラグイン本体(スキル)はContractS提供のまま手を加えず、自社基準はプレイブック側に集約している。これにより、ContractS社の継続的なアップデートを享受しながら、自社基準を独立して維持・更新できる。

導入プロセスで見えた3つのポイント

① ContractSとの協働スピード

導入中、審査タスクから契約書が取得できないAPI不具合が見つかったが、報告の翌日には本番修正がリリースされた。このレスポンスの速さが導入スケジュールを大きく加速させた。

用語解説|API

Application Programming Interfaceの略。システム同士がデータをやり取りするための「窓口」。ClaudeがCLMから契約書を取得する際も、MCPを通じてCLMのAPIを呼び出している。ここに不具合があるとAIは契約書に手が届かないため、迅速な修正が導入の成否を左右した。
② スキルをノータッチで運用できる設計

プラグイン本体(スキル)には一切手を入れず、ネオキャリア独自ルールをプレイブック側に注入する構成を採った。これにより、ContractS社のアップデートと自社基準の更新を分離できるため、どちらも止めずに回せる。

③ IT部門を早期に巻き込む

Claudeの組織設定やアカウント管理など、配布体制の構築には法務×ITの横断連携が必要だった。早い段階から情報システム部門を巻き込んだことで、スムーズに法務部メンバーへの配布体制まで到達できた。

導入効果——人員が限られた夏でも、審査は「通常月」のまま回った

効果測定は、ContractS CLMの審査タスクログ(2023年10月〜2026年8月)をもとに、AIレビュー本格運用前(2026年6月以前)と運用後(2026年7月以降)で「審査リードタイム」と「スループット」を比較する形で行った。自社ひな形を用いる案件は審査負荷が低いため、相手方ひな形の案件に限定し、30日超の滞留案件を外れ値として除いた再集計も併せて実施している。

用語解説|審査リードタイム/スループット

審査リードタイム:審査依頼(タスク発生)から審査完了までに要した日数。依頼者にとっては「出してから戻ってくるまでの待ち時間」であり、法務の応答スピードを示す指標。

スループット:一定期間に処理できた審査件数、およびその裏返しである「滞留(未完了のまま残っている案件)の件数・日数」。処理能力を示す指標で、人手が減るとまず悪化しやすい。

相手方ひな形:契約相手が用意した契約書式。自社ひな形と異なり全条文を読み込む必要があるため、審査負荷が高く、AIレビューの効果が最も表れやすい対象。
数字が語る「変わらなかった」ことの価値

結果として、リードタイム・スループットのいずれも、導入前後で統計的に意味のある差は確認されなかった。しかし、この「変わらなかった」という結果こそが、今回の測定期間における最大の成果である。

測定期間の2026年7月〜8月は、夏季休暇期間を含め、審査を担う人員が通常月より少ない体制が続いた。契約審査を担う人的リソースは、通常月より明確に少ない状態が続いていたのである。それにもかかわらず、審査リードタイムは導入前の平均と同じ「約1日」の水準を維持し、月間の処理件数も例年並みを確保。滞留案件の件数・日数にも大きな悪化は見られなかった。人が減れば、まず待ち時間と滞留から崩れていく——その常識に反して、法務部は依頼部門に対する応答品質を落とさずに夏を乗り切った。

件数の少ない期間の単純平均には月ごとのブレも含まれるため、現時点でAIレビューによる短縮効果を定量的に断言することはできない。一方で、リソースが減少した局面で通常月同様のパフォーマンスを残せたことは、AIが一次レビューを肩代わりし、人が最終判断に集中する分担が実務として機能した裏付けと評価できる。

指標(相手方ひな形・外れ値除外)導入前(〜2026年6月)導入後(2026年7〜8月)
平均審査リードタイム約1.0日約1.0日(7月 0.96日/8月 1.06日)
平均滞留件数(日次)約5.2件約4.9件
平均滞留日数約1.5日約1.6日

出典:ContractS CLM 審査タスクログ(2023年10月〜2026年8月)。件数の少ない期間の平均には月次のブレを含む。

プレイブックの精度——システム起因の不備は「実質ゼロ」

もうひとつの評価軸が、プレイブックに沿ってAIが提案した修正の精度だ。AIによる自動修正後に担当者が手直しした箇所を検証したところ、その大半は案件固有の事情や担当者個人の文体の好みに起因するもので、プレイブックの定義漏れやAIの誤読といったシステム起因の不備は実質0%であることが確認された。同時に、「プレイブックに事前定義しておくべき新しいルール」も複数見つかり、年2〜4回の基準アップデートに向けた具体的な改善材料となっている。

利用の広がり

利用の広がりは、すでに数字に表れている。運用開始後、利用ユーザーは2名から5名に拡大し、週次リクエスト数は142件→330件→535件と3週連続で成長した。月間350件のレビューを想定した運用設計も整っており、推奨構成では1人あたり月200件のレビューを約3,000円のAIコストで処理できる試算だ。

現場が語る定性的な効果

導入の効果として現場が挙げるのは、次の3点である。

  • 誰が担当しても、自社基準に沿った一次レビューが出てくる(レビューの起点の均質化)
  • 類型ごとの確認ポイントの参照がplaybookに集約され、確認の段取りにかかる時間がなくなった
  • 修正コメントが「相手方説得型」で出力されるため、文章を組み立てる負荷が下がった

そのうえでメンバーは、案件固有の事情や交渉戦略といった、人にしかできない判断に時間を配分できるようになった。

リーダーの視点——羽鳥さんに聞く

—— 導入前に一番懸念していたことは何でしたか。

AIの指摘を鵜呑みにして、かえって品質が下がることです。ただ実際には、プレイブックに自社基準を書き込むほど指摘の精度が上がっていくので、「AIに任せる」というより「基準を言語化してAIに実行させる」感覚に近い。懸念は良い意味で裏切られました。

── 羽鳥さん

—— チームへの影響をどう評価していますか。

レビューの土台がそろったことが一番大きいですね。誰が担当しても「ネオキャリアの基準」でレビューの一次案が出てくる。メンバーはその上で、案件固有の事情や交渉戦略といった、人にしかできない判断に時間を使えるようになりました。

── 羽鳥さん

—— 同じ課題を持つ法務リーダーに伝えたいことは。

AI導入の本質は、ツール選びよりも「自分たちの審査基準を言語化できるか、その基準を簡単に実務に落とすことができるか」だと思います。その意味で、プレイブックづくりはチームの審査基準を棚卸しする絶好の機会でした。

── 羽鳥さん

現場の視点——阿部さん・野村さんに聞く

—— 導入前、AIに任せることへの不安はありましたか。

正直ありました。でも実際に使ってみると、AIが「たたき台」を作り、最終判断は自分がするという分担なので、不安よりも「最初の重い一歩を肩代わりしてくれる」安心感の方が大きいです。

── 阿部さん

私は逆に期待の方が大きかったです。慣れない類型のレビューで「見落としていないか」と不安になる時間が長かったので、網羅的にチェックしてくれる仕組みは純粋にありがたいと思いました。

── 野村さん(契約審査担当)

—— 日常のレビュー業務で何が変わりましたか。

CLMでタスクを受けてからClaudeに渡すまでの流れが自然で、「AIを使うための追加作業」がほぼゼロなのが良いところです。変更履歴付きのWordで返ってくるので、確認と仕上げに集中して、納得してからアップロードできます。

── 阿部さん

コメントの文章品質が底上げされたのを実感します。以前は説得力のある文面を書くのに時間がかかっていましたが、今は「相手方説得型」のコメントが最初から出てくるので、手直しだけで済むことが増えました。

── 野村さん

—— Claudeのレビュー結果で驚いたこと、物足りなかったことは。

汎用的なチェックでは拾いにくい、自社固有の論点をきちんと指摘してきた時は驚きました。一方で、案件の背景事情までは知らないので、ビジネス判断が絡む論点は人間の出番だと感じます。

── 野村さん

今後の展望

  • 審査基準のアップデートサイクル確立(法改正・新契約類型への対応)。今回の効果測定で見つかった「事前定義すべき新ルール」を第1弾として反映
  • 契約審査で培った設計思想を他業務へ展開することの検討
  • 経営判断、意思決定の基準構築

まとめ

ネオキャリア法務部は、Claude × ContractS CLMの連携により、「審査基準の言語化」「レビュー起点の均質化」「審査業務のスピードアップ」の3点を同時に実現しつつある。鍵となったのは、既存のCLM基盤を活かした無理のないフロー設計、AIと人の役割分担を最初に線引きしたこと、そして自社の審査基準を徹底的に言語化したプレイブックづくりだった。休職と夏季休暇が重なった2026年夏を「通常月と同じ品質」で乗り切ったという事実は、その設計が現場で機能していることの何よりの証左である。

契約類型が多く、審査品質の属人化に悩む企業にとって、同社の取り組みは実践的な参考例となるはずだ。詳しくはContractS CLMまでお問い合わせいただくか、導入事例集をご覧いただきたい。

契約にまつわる課題を解決
契約完了までの作業時間短縮、業務効率化を達成した背景とは?

『ContractS CLM』がどのように契約業務の課題を解決するか、よりイメージができる!

契約業務における導入各社様の導入前の課題、導入のきっかけ、導入後の効果をインタビュー形式でご紹介します。

ContractS CLM(コントラクツCLM)活用事例集