Claude Codeにできないこと｜限界と現実的な回避策

結論：限界を知る人ほど使いこなせる

先に結論をお伝えします。Claude Codeは「言葉で指示すると作業を完了まで進めてくれるAI」ですが、万能ではありません。そして、限界を最初に知っている人ほど、結果的にうまく使いこなします。研修の現場でも、つまずく受講者の多くは能力不足ではなく「AIへの期待値の設定ミス」が原因です。

逆に言えば、これから挙げる5つの限界はどれも「だから使えない」という話ではなく、「こう付き合えば問題にならない」という性質のものです。Claude Codeの基本的な能力についてはClaude Codeとは何かを解説した入門記事に譲り、本記事では裏側、つまり「できないこと」に集中します。

業務知識は教えないと知らない

1つ目の限界は、あなたの会社の業務知識を持っていないことです。Claude Codeは一般的な知識やプログラミングには長けていますが、「自社の経費精算のルール」「この顧客リストの『ランクA』の意味」「部署独自の例外処理」は知りません。教えずに任せると、一般論で動くもっともらしい間違いが生まれます。

回避策：指示の最初に前提を渡すことです。「このファイルの3列目は顧客ランクで、Aは優先対応」「金額が空欄の行は集計から外す」のように、新人に引き継ぐつもりで業務の前提を言葉にします。一度伝えた前提はその対話の中で覚えて動いてくれるので、毎回ゼロから説明する必要はありません。実はこの「業務を言葉にする」作業自体が、属人化していた仕事の棚卸しにもなります。

間違うことがある——確認は人間の役割

2つ目の限界は、もっともらしく間違うことがある点です。AIは確率に基づいて出力を作るため、自信ありげな見た目で誤った処理をすることがあります。「AIが作ったのだから正しいはず」という思い込みが、一番危険です。

回避策：最終確認を人間の役割として最初から組み込むことです。具体的には、(1) 答えが分かっている小さなデータでまず試す、(2) 結果の件数や合計値を元データと突き合わせる、(3) 重要な業務に使うものは別の人にも見てもらう——この3つで大半の間違いは捕まえられます。コードが読めなくても「結果が正しいか」は業務を知る人が一番よく判断できます。むしろ確認こそ、人間にしかできない仕事だと捉えてください。

社内システムへの接続には準備が要る

3つ目の限界は、社内システムとの連携が「すぐには」できないことです。「販売管理システムから自動でデータを取って集計したい」と思っても、Claude Codeが社内システムに勝手にアクセスできるわけではありません。接続には、システム側の連携機能（API）の確認や、情報システム部門の許可といった準備が必要です。

回避策：接続をあきらめるのではなく、段階を分けることです。最初は「システムから書き出したファイルを処理する」形で始めれば、接続準備なしで自動化の大部分の価値を得られます。手動の書き出しが月に数回なら、それを残しても効果は十分です。本格的な接続は、効果を確認してから情報システム部門と相談して進める——この順番なら、止まらずに前進できます。

初回から完璧な出力は出ない

4つ目の限界は、最初の指示一発で完成品は出てこないことです。「一度頼めば完璧なものが出てくる」と期待していると、最初の出力を見て「使えない」と判断してしまいます。研修現場でも、ここで温度が下がる受講者を何度も見てきました。

回避策：「対話で詰める」前提に切り替えることです。Claude Codeは、最初の出力を見て「ここは想定と違う」「この場合はこうしてほしい」と伝えながら仕上げていく道具です。むしろ1回目は「たたき台を数分で出してくれた」と捉えるのが正しい期待値です。雰囲気で指示してAIに任せきりにする進め方の利点と危うさは、バイブコーディングの利点と危険性を解説した記事でも詳しく扱っています。

セキュリティは会社のルールが先

5つ目の限界は、セキュリティの判断をAIに委ねられないことです。Claude Codeには安全に配慮した仕組みがありますが、「この顧客データをAIに渡してよいか」「この業務をAIで処理してよいか」を決めるのはツールではなく、あなたの会社のルールです。ツールの安全性と、会社としての利用ルールは別の問題です。

回避策：使い始める前に、扱ってよい情報の範囲を決めておくことです。たとえば「個人情報や機密情報は渡さない」「まずはダミーデータや公開情報で練習する」といった線引きを先に引いておけば、安心して試せます。会社としてのルール作りは、生成AIの社内ガイドラインの作り方が参考になります。ルールが未整備の場合も、整備を待つのではなく「ダミーデータで練習しながらルールを並行整備する」のが現実的です。

よくある質問

できないことが多いなら、導入はまだ早いのでは？

そうとは限りません。本記事で挙げた限界は「使いものにならない」という話ではなく、「人間の関与が前提」という話です。確認や前提の説明という関与を組み込めば、定型作業の自動化や業務ツールの内製で十分に成果を出せます。限界を知らずに過信して失敗するより、知ったうえで小さく始めるほうが、結果的に早く成果につながります。

AIの間違いは、コードが読めない人でも見つけられますか？

見つけられます。確認するのはコードではなく「結果」だからです。答えが分かっているデータを通して期待どおりの結果が出るか、件数や合計が元データと合うか——この確認は業務知識があればでき、むしろ業務を知る人にしかできません。

これらの限界は、AIの進化でいずれ解消されますか？

一部は緩和されていくと考えられますが、すべてではありません。AIの精度や接続のしやすさは改善が続いています。一方で「社内の業務知識は教えないと知らない」「最終確認の責任は人間が持つ」「会社のルールが先」という性質は、技術の進化とは別の話で、今後も使う側の設計として残ります。

まとめ：限界と回避策はセットで覚える

本記事の要点を整理します。

• 業務知識は教えないと知らない → 新人に引き継ぐつもりで前提を言葉にする
• 間違うことがある → 最終確認を人間の役割として最初から組み込む
• 社内システム接続には準備が要る → まずファイル経由で始め、接続は効果確認後に
• 初回から完璧は出ない → 対話で詰める前提に期待値を合わせる
• セキュリティは会社のルールが先 → 扱う情報の線引きを決めてから試す

限界を隠さず知ることは、遠回りに見えて一番の近道です。正しい期待値で始めた人から、確実に成果が出ています。非エンジニアの方が抱きやすいその他の不安には、非エンジニアの不安に答えるFAQ記事で正面から答えています。