AI × Full Automation × Notion DB Implementation
実装ログ

設計すれば、
あとは自動で回る

AI・マーケティング関連の情報収集を、GitHub Actions、Claude API、Notion APIで自動化した。重要なのは、最初に「何を取得し、何に使い、Notionにどう保存するか」を設計すること。そこが決まれば、あとはプログラムが毎日自動で動き、情報を取得し、AIが整形し、Notionに蓄積してくれる。

目的設計から定期実行、情報取得、AI整形、Notion登録、人の確認までの自動化フロー
Framework: 目的・情報設計 → GitHub Actions → プログラム実行 → 情報取得 → AI整形 → Notion登録 → 人が確認
Section 01 — Design First

一番大事なのは、プログラムを書くことではない

この仕組みの主役は、PythonでもGitHub ActionsでもClaude APIでもない。最初に決めるべきなのは、「何のために、どんな情報を集めるのか」である。ここが曖昧なまま自動化すると、ただ情報が大量に溜まるだけで、後から使いにくいデータベースになってしまう。

Bad Automation

先に実装から入る場合

  • 何を集めるべきかが曖昧になる
  • Notionに不要な情報が溜まりやすい
  • 記事化や業務活用につながりにくい
  • 自動化したのに、後から整理作業が発生する
Good Automation

先に情報設計する場合

  • 取得対象と目的が明確になる
  • Notionの項目設計と処理内容がつながる
  • AIが出すべき要約・分類・気づきが決まる
  • 登録後の確認・活用まで流れが作れる

自動化の本質は、作業を減らすことだけではない。
設計した判断基準どおりに、毎日データが育つ状態を作ること
ここに実務で使えるAI活用の価値がある。

Section 02 — Full Automation Flow

全体の流れは、7ステップで考える

今回の仕組みは、定期実行を起点にして、情報取得、AI整形、Notion登録までを自動で行う。人間が毎日やる必要があるのは、最後に登録された内容を確認し、必要に応じて記事化・業務活用・再分析に回すことだけである。

Step 01
目的・情報設計をする 最初に、何を取得するのか、何に使うのか、Notionにどの項目で保存するのかを決める。AIニュース、マーケティング情報、AIツール、OSS、EC、UXなど、対象領域を設計する段階で絞っておく。
Step 02
GitHub Actionsで定期実行する GitHub Actionsのcronを使い、毎日決まった時間にプログラムを起動する。これにより、ローカルPCを開かなくても、クラウド上で処理が自動実行される。
Step 03
Pythonプログラムを実行する GitHub Actions上でPythonプログラムが動き、設定ファイルや環境変数を読み込む。ここで、どのカテゴリの情報を取得するか、どのNotionデータベースに登録するかが決まる。
Step 04
クラウドAPIやRSSなどから情報を取得する プログラムがRSS、API、Web上の公開情報などから記事や情報を取得する。Claude APIが直接すべてを探しに行くというより、プログラム側で取得したデータを、後続のAI処理に渡すイメージである。
Step 05
Claude APIでNotion向けに要約・分類・整形する 取得した情報をClaude APIに渡し、Notionの項目に合わせて要約、カテゴリ分類、重要度、気づき、記事化候補などを生成する。単なる文章要約ではなく、Notion登録を前提にしたデータ整形である。
Step 06
Notion APIでデータベースに自動登録する AIで整形されたデータを、プログラム内でNotion APIに渡して登録する。タイトル、URL、要約、カテゴリ、重要度、気づき、記事化候補などを、Notionのデータベース項目に合わせて保存する。
Step 07
最後に人が確認し、活用する 登録された情報を人間が確認し、記事化するもの、業務に使うもの、後で再分析するものを判断する。全自動で登録しつつ、最終判断と活用は人間が行う。
Section 03 — Notion Schema

Notionは、ただの保存先ではなく「受け皿」として設計する

Notionに登録するだけなら、タイトルとURLだけでも成立する。しかし、それでは後から活用しにくい。今回の仕組みでは、Notionを知識DBとして使うため、最初からAIの出力先として必要な項目を用意しておく。

Bookmark DB
  • タイトルとURLだけが残る
  • どの記事が重要だったか分からない
  • 後から記事化候補を探す必要がある
  • 情報は溜まるが、知識として使いにくい
Knowledge DB
  • カテゴリ、要約、重要度を持たせる
  • 気づきや示唆をAIに生成させる
  • 記事化候補や活用先を判定できる
  • 後からChatGPTに読み込ませて再分析できる
Section 04 — AI Assisted Implementation

設計が決まれば、実装はClaude CodeやCodexに依頼しやすい

今回のような仕組みは、最初から人間がすべて手書きで作る必要はない。むしろ重要なのは、目的、取得対象、Notionの項目、実行タイミング、エラー時の確認方法を先に整理しておくことである。

その設計をもとに、Claude CodeやCodexに「この情報を取得し、この形式に整形し、このNotionデータベースへ登録し、GitHub Actionsで毎日実行するプログラムを作る」と依頼すれば、実装に落とし込みやすい。AIに丸投げするのではなく、設計と判断基準を人間が持ち、実装作業をAIに任せる形である。

設計先行
Design First
毎日自動
Scheduled Run
人は確認
Human Review
Section 05 — Operations

APIキーやDB IDは、コードに直接書かない

このような自動化では、APIキーやNotionデータベースIDなどの秘匿情報をどう扱うかも重要である。ローカルでは.env、GitHub ActionsではRepository Secretsを使い、コード内に直接書かない形にする。

Local

ローカル環境

  • .envにAPIキーやNotion DB IDを保存する
  • .gitignoreで.envを必ず除外する
  • ローカル実行でNotion登録を確認する
  • 成功後にGitHubへpushする
GitHub Actions

GitHub側

  • Repository SecretsにAPIキーを登録する
  • workflow内ではSecretsから環境変数を読む
  • cronで毎日決まった時間に実行する
  • エラー時はActionsログで原因を確認する
Section 06 — Value

この仕組みの価値は、全自動で知識DBが育つことにある

この仕組みは、単なるニュース収集Botではない。毎日自動で情報を取得し、AIがNotion向けに整形し、データベースに蓄積することで、自分専用の知識DBが育っていく。人間は、すべての情報を毎日追いかけるのではなく、登録された情報を確認し、使うかどうかを判断すればよい。

Use 01
記事ネタとして使う AI、マーケティング、EC、UXなどの情報がNotionに整理されるため、後から記事化候補を抽出しやすい。
Use 02
業務判断の材料にする 日々のトレンドやツール情報を確認することで、マーケティング施策、AI活用、業務改善の判断材料として使える。
Use 03
後からAIに再分析させる Notionに構造化して保存しておけば、後からChatGPTに読み込ませて、傾向分析、記事案作成、業務への応用案出しができる。
Use 04
個人の知識資産にする 毎日の情報収集が、その場限りの消費ではなく、検索・再利用・発信に使える個人ナレッジとして蓄積される。
Section 07 — Cost Sense

低コストで回せるなら、個人でも十分に現実的である

現在の運用イメージでは、1日あたり約30件ほどのAI・マーケティング関連情報を取得し、Claude Haiku系のAPIで要約・分類・整形する。処理件数や出力量によって変動はあるが、月額500円前後で回せるなら、個人の情報収集基盤としてはかなり現実的である。

Low Cost

コストが低く収まりやすい理由

  • 処理内容が短い要約・分類・整形中心である
  • 長文生成よりも構造化処理が中心である
  • Haiku系モデルは大量処理に使いやすい
  • 人間の情報収集時間を考えると費用対効果が高い
Watch Point

運用時に見るべきこと

  • 1日あたりの取得件数
  • 1件あたりの入力テキスト量
  • Notionに保存する出力項目数
  • 月次のAPI利用料金とログ

AI時代の実装は、
全部を手作業で作ることではない。
設計し、自動で回し、人が活用することである。

今回の仕組みは、最初に目的とデータ構造を設計し、GitHub Actionsでプログラムを定期実行し、取得した情報をClaude APIでNotion向けに整形し、Notion APIで自動登録する流れである。人間がやるべきことは、毎日の情報収集そのものではなく、最後に確認し、記事化・業務活用・再分析につなげる判断である。情報を集める作業を自動化し、使える知識DBとして育てることが、この仕組みの本質である。