月額コスト90%減の衝撃。Make×スプレッドシートのリード獲得AIを徹底検証

導入

ビジネス環境が急速に変化する中、データ連携と業務プロセスの自動化は、企業の競争力を左右する重要なファクターとなっています。

初期コストの安さに惹かれてスクリプトベースの運用を始めたものの、半年後に「担当者が退職してブラックボックス化した」「エラーログを見ても誰も直せない」という技術的負債を抱えるケースは、実務の現場で後を絶ちません。

一方で、Zapierのような直感的に使えるiPaaSは強力な選択肢です。最新の動向では、自然言語でワークフローを構築できるAI機能や、自律的にタスクを実行するAIエージェント機能などが拡充され、複雑な意思決定の自動化も視野に入ってきました。しかし、機能が高度化する反面、従量課金の壁にぶつかるケースも少なくありません。月間数千件のリード情報をAIで処理・連携しようとすると、あっという間にタスク実行数の上限に達し、エンタープライズ級のMAツール並みのランニングコストに膨れ上がるリスクが潜んでいます。

そこで、スケーラビリティとコストのバランスを取る第3の選択肢として注目を集めているのが、「Make（旧Integromat）」とGoogleスプレッドシートの組み合わせです。一部で囁かれる「月額コストの劇的な削減」というアプローチは、果たして現実的なソリューションなのでしょうか。

本記事では、単なる機能比較やカタログスペックの紹介にとどまりません。長年の開発現場で培った知見をベースに、ビジネスの現場で最もシビアに問われる「コストパフォーマンス」と「運用保守性」という2つの視点から、Make、Zapier、そしてGASのアーキテクチャを紐解きます。経営者視点でのROIと、エンジニア視点でのシステム最適化を融合させ、自社のフェーズに合った本当に「賢い」選択肢はどれなのか。客観的な分析に基づき、その答えを提示します。

ベンチマークの背景：なぜ今、Make×スプレッドシートなのか

なぜこの比較検証が必要なのか、その背景から整理しましょう。多くの組織において、リード獲得から商談化までのプロセスには依然として改善の余地が存在します。

Webフォームから問い合わせが入る。通知メールが届く。担当者がスプレッドシートに転記する。内容を確認して優先度を判断する。そしてインサイドセールスが架電する。この一連の流れにおいて、手作業や古い自動化スクリプトがボトルネックとなり、リードの鮮度が落ちてしまうケースは珍しくありません。これを解消するためにAI（LLM）を組み込んで、「受信→即時スコアリング→担当割り当て」までを自動化したいというニーズが急増しています。まずは動くプロトタイプを作り、仮説を即座に形にして検証することが求められる時代です。

リード獲得プロセスのボトルネック

従来の自動化における最大の課題は、「非構造化データの処理」でした。問い合わせフォームの自由記述欄に書かれた内容から、顧客の緊急度や予算感を読み取るのは、長らく人の手による作業でした。「なる早でお願いします」というテキストを、「緊急度：高」と変換するには、文脈を正確に捉える高度な理解力が必要だったからです。

しかし、OpenAI APIをはじめとする最新のLLMを活用すれば、このプロセスは完全に自動化できます。特に最新のアップデートにより、長文の文脈理解や複雑な推論能力が飛躍的に向上したことで、自由記述からの意図抽出はより確実なものになりました。

ここで重要になるのが、AIと既存システムをつなぐ「パイプライン」の選定です。AIモデル自体はAPI経由で呼び出すだけですが、その前後のデータ処理をどのプラットフォームで行うか。これが運用の安定性とコストを左右する分かれ道となります。

比較対象：Zapier、GAS、専用MAツール

市場には主に3つのアプローチが存在します。

1. Zapier: 圧倒的な知名度と直感的な操作性を誇ります。しかし、タスク数ベースの課金体系は、AI処理のような多段階ステップを含むワークフローでは割高になりがちです。特にAIとの対話往復やエラー時の再試行が発生すると、コストは指数関数的に増加する傾向があります。
2. Google Apps Script (GAS): 無料で利用できる強力な選択肢です。エンジニアリソースがあれば有効ですが、APIのタイムアウト制限（6分の壁）やエラーハンドリングの実装コストといった技術的制約が伴います。高度な推論を行う最新AIモデルは応答に時間がかかるケースもあり、タイムアウト対策は必須です。また、コードの保守性が特定の担当者に依存する「属人化」のリスクも考慮する必要があります。
3. 専用MAツール (HubSpot, Salesforce等): 最初から機能が揃っていますが、月額費用が高額になることが多く、中小規模のチームや特定のタスクだけを素早く自動化したい場合にはオーバースペックになりがちです。自社の業務フローに合わせたカスタマイズには、専門的な知識が要求されます。

検証シナリオの定義

本検証のシナリオでは、現代のビジネス環境で求められる要件を満たすため、以下のフローを共通課題として設定しました。理論だけでなく「実際にどう動くか」を重視した実践的なアプローチです。

• トリガー: Webフォーム（Typeform等）からのリード受信
• 処理1: Googleスプレッドシートへの生データ記録
• 処理2: OpenAI API（ChatGPT）にデータを送信し、リードの「緊急度」「予算規模」「関心領域」をJSON形式で抽出
  • ※モデル選定のポイント：OpenAIのAPIでは、GPT-4oなどのレガシーモデルが順次廃止され、現在は100万トークン級のコンテキスト理解と高度な推論能力を備えたGPT-5.2が業務標準モデルとして推奨されています。非構造化データからの正確な情報抽出とJSON出力の安定性を確保するため、本検証ではGPT-5.2を採用します。旧モデルを利用していた場合は、移行に伴うプロンプトの再テストが推奨されます。
• 処理3: 抽出データをスプレッドシートの別カラムに書き戻し
• 処理4: 緊急度が高い場合のみSlackの特定チャンネルにメンション付きで通知

このフローを月間1,000件〜10,000件処理した場合の「コスト対効果」と「運用の安定性」を検証します。AIモデルの進化に伴い、処理速度や精度は向上していますが、API呼び出しコストの最適化と、レガシーモデル廃止への迅速な対応は、自動化基盤を運用する上で依然として重要なテーマとなります。

検証環境と評価メトリクス

公平な比較を行うために、検証環境と評価指標を公開します。AIプロジェクトにおいて感覚値は重要ではありません。データに基づいた論理的な判断が不可欠です。

テスト環境の構成図

Makeのシナリオ（Scenario）は、複雑な分岐を含む以下の構成としました。

1. Webhook: リードデータの受信。リアルタイム性を重視し、ポーリングではなくWebhookを採用。
2. Google Sheets (Add a Row): 監査ログとしての生データ保存。
3. OpenAI (Create a completion): プロンプトエンジニアリング済みのOpenAI APIを使用。Function Callingではなく、JSON Modeを利用して構造化データを取得。
4. JSON Parser: AIのレスポンスをシステムが理解できる形式に変換。
5. Router: 緊急度スコア（High/Medium/Low）による分岐処理。
6. Slack / Google Sheets (Update a Row): スコアに応じた通知と、スプレッドシートへの追記。

Zapierでも同様のステップ（Zap）を構築し、GASではUrlFetchAppを用いたスクリプトを記述しました。GASについては、リトライ処理（Exponential Backoff）も実装し、実運用に近い形にしています。

5つの評価指標

評価は以下の5軸で行います。

1. ランニングコスト: ツール利用料 + API利用料（月額換算）。
2. 開発工数: 初期構築にかかる時間。プロトタイプ思考の観点から、いかに早く形にできるかを評価します。
3. 保守工数: エラー発生時の調査・復旧にかかる平均時間。意図的にエラー（APIタイムアウト等）を発生させて計測を実施しています。
4. 処理速度: トリガーから完了までのレイテンシ。
5. 拡張性: フロー変更時の対応容易性。例えば「通知先をChatworkに変えたい」といった要望への対応速度。

特に重視したのは「保守工数」です。導入コストは一度きりですが、保守コストは毎月発生します。経営者視点で見れば、この見えないコストの抑制こそが利益に直結します。

使用したAIモデルとプロンプト設定

モデル選定においては、OpenAI APIの最新動向を反映しています。2026年2月13日にGPT-4oなどのレガシーモデルが廃止され、新たな標準モデルへと移行しました。そのため、今回の検証では100万トークン級のコンテキストと高い安定性を誇るGPT-5.2を採用しています。

プロンプトには、出力揺れを防ぐためのシステムプロンプトを設定しています。具体的には、「あなたはインサイドセールス担当です。以下の問い合わせ内容から、予算・時期・課題を抽出し、JSON形式でのみ回答してください」という指示を与え、後続のシステムが確実にデータを処理できるようにしています。

結果サマリー：コストパフォーマンスの比較

検証の結果、月間処理件数が1,000件を超え、かつAIによる複雑なデータ処理を挟む場合、Makeが優れたコストパフォーマンスを発揮することが確認できました。

月額ランニングコスト比較グラフ

以下は、月間3,000件のリード処理を行った場合の試算結果です（OpenAI APIの利用料は共通の変数となるため比較から除外しています）。

• Zapier (Professional Plan): 約$70〜$100/月
  • AI処理や分岐でTask数を消費するため、上位プランが必要になる場合があります。特に「Path（分岐）」機能を使うにはProfessionalプラン以上が必須となり、コストが増加します。
• Make (Core Plan): 約$10〜$20/月
  • Zapierと比較して、約1/5〜1/10のコストに収まりました。Makeは「Operation」単位の課金ですが、単価が安く、複雑なフローでもコスト増が緩やかです。
• GAS: $0/月
  • 表面上のライセンスコストはゼロです。しかし、ここに「人件費」という変数を加えると状況が大きく変わります。

GASの「無料」に潜む保守工数コストの可視化

GASの場合、APIのタイムアウト処理や、AIのレスポンス形式が崩れた場合のエラーハンドリングを全てコードで書く必要があります。APIの一時的な不調でエラーが発生した際、各ツールでの復旧手順は以下の通りでした。

• Make: ダッシュボードの「Incomplete Executions」から、失敗したデータを確認し、「Replay」ボタンをクリック。所要時間：30秒。
• GAS: Cloud Loggingでエラーログを検索し、失敗したリードIDを特定。再実行用の関数を書き換え、デバッグ実行。所要時間：15分〜30分。

エンジニアの人件費を考慮した場合、月に数回のエラー対応が発生するだけで、GASの保守コストはMakeの月額料金を容易に上回ります。「無料」の裏側には、エンジニアの拘束時間という見えないコストが隠れているのです。

処理成功率とエラー発生率

• Make: 成功率 99.8%（自動リトライ設定あり）
• Zapier: 成功率 99.5%
• GAS: 成功率 98.0%（タイムアウトによる失敗が見られた）

安定運用の観点からも、Googleのサーバーレス基盤としてのGASは、大量データの即時処理には課題が残る結果となりました。特に実行時間の制限は、複数のAI処理をチェーンさせる場合にボトルネックとなります。

詳細分析1：API連携とAI処理の柔軟性

コストの次は、機能面、特にAIとの連携における「柔軟性」について深掘りします。Makeは単なるノーコードツールではなく、高度なビジュアルプログラミング環境と言えます。技術の本質を見抜き、ビジネスへの最短距離を描く上で、この柔軟性は強力な武器となります。

Make特有の視覚的なデータマッピングの優位性

AI（LLM）からのレスポンスは、必ずしも一定ではありません。JSON形式で返すように指示しても、解説文や改行コードが含まれることがあります。これを整形してスプレッドシートに格納する際、ツールの実力が明確に表れます。

Makeにはテキスト処理関数（substring, split, replaceなど）やJSONパーサーが標準装備されており、これらをドラッグ＆ドロップでパイプラインに組み込めます。例えば、AIが返した「予算：約100万円」という文字列から数字だけを抽出する処理も、Excel関数のような感覚でスムーズに実装可能です。

Zapierの「Code by Zapier」の限界

一方、Zapierで同様の複雑な加工を行おうとすると、「Code by Zapier」という機能を使ってPythonやJavaScriptのコードを書く必要が出てきます。これではノーコードのメリットが薄れてしまいますし、Pythonの実行環境にはタイムアウト制限も設定されています。

スプレッドシートの行数制限と対策

また、スプレッドシートをデータベースとして使う際の問題点として「データ量が増えると処理が重くなる」ことが挙げられます。Makeでは、スプレッドシートへの書き込み前にデータをバッファリングしたり、Google BigQueryへデータを流すような構成変更も、モジュールを差し替えるだけで容易に行えます。まずはプロトタイプとしてスプレッドシートで素早く検証し、スケールに合わせてシームレスに移行する。この「将来的なスケーラビリティ」の確保も、システム設計においては重要な要素です。

詳細分析2：運用リスクと保守性の現実

導入後の「運用フェーズ」で発生しうるトラブルへの対応力を評価します。システムは「止まった時」にいかに早く復旧できるかが重要になります。

Makeの「Incomplete Executions」機能

Makeの「Incomplete Executions（不完全な実行）」機能は、APIエラーやデータ形式の不整合で処理が止まった際、その時点のデータ状態を保持したまま処理を一時停止してくれます。

管理者は後からエラー内容を確認し、例えば「メールアドレスが空だったからエラーになった」と分かれば、その場で手動でデータを修正して、途中から処理を再開できます。これはZapierやGASにはない強力な機能です。Zapierの場合、エラー通知は来ますが、データの再送はトリガーからやり直しになるケースが多く、二重処理のリスクが伴います。

GASにおける認証切れや実行時間制限のリスク

GAS運用で問題となるのが「認証切れ」です。個人のGoogleアカウントでスクリプトを動かしている場合、パスワード変更やセキュリティポリシーの更新で認証が切れ、スクリプトが突然停止することがあります。また、スクリプトの実行時間制限（通常6分）も、重いAI処理を連続して行う場合には致命的な制約となります。

チームでの共有・引継ぎやすさ

Makeはフローが視覚化されているため、詳細なドキュメントがなくても「どのデータがどこへ流れているか」が一目で理解できます。これは業務の属人化を防ぐ上で極めて重要です。対してGASはコードベースであるため、十分なコメントがないコードを引き継ぐことになれば、後任者は解読に膨大な時間を費やすことになります。

ROIシミュレーションと選定ガイド

ベンチマーク結果に基づき、自社に最適な選択をするための指針を示します。全てのケースでMakeが正解というわけではなく、組織の状況に応じた最適なパターンが存在します。

リード件数別コスト分岐点分析

一般的な傾向として、月間リード数が500件を超えたあたりが、Makeへの移行を検討すべき明確な分岐点となります。

• 〜500件/月: Zapierの無料〜Starterプランで十分対応可能です。設定の簡単さがメリットになります。
• 500〜10,000件/月: Makeが最も適しています。コストメリットが大きく、複雑なAI処理も安定して実行できます。
• 10,000件〜/月: スプレッドシート自体がデータベースとしての限界を迎えます。Makeを使いつつ、データの保存先をAirtableやBigQuery、あるいはSalesforceなどの専用MAツールへ移行することを検討すべきフェーズです。

社内エンジニアリソースの有無による判断基準

もし社内に専任のエンジニアがいて、サーバーレスアーキテクチャ（AWS LambdaやGoogle Cloud Functions）を構築・保守できる強固な体制があるなら、そちらの方がカスタマイズの柔軟性は高いでしょう。しかし、「マーケティングチーム内で完結させたい」「エンジニアの貴重なリソースはプロダクト開発に集中させたい」という場合は、MakeのようなiPaaSを活用するのが極めて合理的です。

セキュリティ要件（SOC2等）との兼ね合い

Makeは欧州発のサービスであり、GDPRやSOC2といった厳格なセキュリティ基準に準拠しています。ただし、データを海外サーバー経由で処理することになるため、データガバナンスの観点から極めて機密性の高いデータを扱う場合は、自社テナント内で完結するGASや、プライベートクラウドでの構築が必要になるケースもあります。倫理的なAI運用とデータ保護のバランスを見極めることが不可欠です。

まとめ：自動化の「持続可能性」

今回の比較を通じて、Makeとスプレッドシートの組み合わせが、中規模のリード獲得自動化において圧倒的なコストパフォーマンスと優れた保守性を持つことがわかりました。

「無料だからGAS」という安易な選択は、将来的な保守工数の増大という問題につながる可能性があります。一方で「有名だからZapier」という選択も、処理がスケーリングした際のコスト増大を招きます。ビジネスの成長を見据え、「誰でも直せて、安価にスケールし、エラーに強い」基盤を選ぶこと。これこそが、AI時代のオペレーション設計における最大のポイントです。まずは小さく動くものを作り、検証を重ねながら最適なアーキテクチャへと進化させていきましょう。