ブランドのまま営業資料を作る｜Mutinyが分けた3つのエージェント

顧客ごとの提案資料を、自社のブランドを崩さずに用意する。数が少ないうちは手で作れますが、商談の件数が増えると、どこかで間に合わなくなります。北米のソフトウェア企業Mutinyは、この作業を1つの大きなAIにまとめて任せるのではなく、役割の違う3つのエージェントに分ける形へ作り替えました。Anthropicが公開した導入事例に、作り替えの順序と、公表された4つの数字が載っています。

先に、この事例でいちばん参考になる部分を書きます。作り替えで最初に手を付けたのは生成ではなく評価でした。何をもって「ブランドに合っている」と言うのかを測れる形にし、そのうえでエージェントの構成を決めています。順序が逆だと、出てきた資料の良し悪しを人の感想で決め続けることになり、直す指示も安定しません。

この記事で扱うのは、Anthropicの導入事例とMutinyの公式サイトに書かれている範囲だけです。日本語での利用条件、国内の導入事例、第三者による検証の有無については記載がありません。確認日は2026年11月6日です。公表値はいずれも提供側が自社サイトに掲載したもので、他社で同じ結果になることを示すものではありません。

Mutinyが作るのは「顧客のブランドで出せる資料」

導入事例は、Mutinyを北米のソフトウェア業のスタートアップとして紹介しています。作っているのは、営業が顧客へ渡す資料です。事例の表現では「personalized pitch decks, deal rooms, and business cases, generated in the customer’s own brand」。提案資料、ディールルーム、ビジネスケースを、顧客自身のブランドで生成する、という範囲です。それぞれの中身の説明はこの一文より先にはありません。

公式サイトの現在の見出しは「Customer follow-ups that sound like AI you」で、商談後のフォローアップと次の商談の準備を前に置いています。並んでいる説明は、会議中にメモを取ること、過去のメールから書き手の言い回しを学ぶこと、アカウント単位で文脈を整理すること、顧客へ出せるメールと資料を下書きすること。資料の生成は、この流れの出口にあたる機能です。

公式サイトには数値も並んでいます。時間の削減率、担当者あたりの削減時間、獲得できた商談の増加、売る時間の増加の4つです。ただし、いずれも誰のどの期間の測定なのかが書かれていません。提供側のサイトに置かれたこの種の数値は、自社の見込みとして持ち帰れるものではありません。以下で扱うのは、測り方の記載がある導入事例側の数字だけにします。

詰まっていたのは機能の数ではなく、組み合わせ

作り替える前も、MutinyはAIを使っていました。導入事例が挙げている当時の機能は、サイトのスタイルを取り込むこと、文章のバリエーションを作ること、簡単な調査をすること。揃っているように見えますが、「each task needed well-defined guardrails, and combining them in new ways wasn’t possible」と書かれています。作業ごとにきちんと定義した制御の枠が必要で、それらを新しい形に組み合わせることはできなかったという説明です。

これは、社内でAIを使い始めた組織が同じ順序で突き当たる壁です。1つの作業に1つの指示文を割り当てていくと、個々は動くのに、作業をまたいだ仕事が一本につながりません。資料を作るには、ブランドの判断と顧客の事情と文章の作成を同時に扱う必要があり、作業単位に切った指示文をいくら並べても、そこへは届きません。どこまでをエージェントに任せるかという切り分けはAIエージェントをマーケティングに活用する方法に整理しています。

「好み」を採点できる形にしてから着手した

Mutinyが作ったのは2部構成の社内ベンチマークです。導入事例によれば、1つはツール呼び出しの正確さ、もう1つはクリエイティブの評価です。後者では視覚の機能を使い、「how well the user’s original intent was captured」、つまり依頼した側の元の意図がどれだけ捉えられているかを判定させています。

採点の軸も書かれています。「They use vision capabilities to objectively measure brand quality across those axes: brand alignment, typography, color usage, imagery, layout」。ブランドとの一致、書体、色の使い方、画像、レイアウト。デザインの良し悪しを「なんとなく違う」で終わらせず、軸に分けて測る形にしたということです。画像を読み取って分析する機能はClaudeの公式ドキュメントに記載があり、事例で使われているClaude Opus 4.7も対応モデルの一覧に載っています。

ここは、ツールを入れるかどうかに関係なく自社へ持ち込める部分です。採点の軸が決まっていなければ、AIに作らせた資料も、外注した資料も、同じ理由で揉めます。「ブランドに合っていない」という指摘を、配色なのか書体なのか画像の選び方なのかに分けて言えるかどうかが分かれ目です。

3つのエージェントに分けた

構成は、導入事例の表現で「Mutiny’s architecture splits the work across three specialized agents, each powered by Claude Opus 4.7」。3つの専門化したエージェントへ仕事を分け、それぞれがClaude Opus 4.7で動くと書かれています。顧客のサイトを解析して視覚的な識別情報の分類体系を作るブランド担当、CRMのデータと商談の書き起こしから文脈を引く調査担当、調査結果とブランド情報を使って資料そのものを作る制作担当の3つです。

分け方の意味は、担当を増やすことではありません。ブランドの判断と、顧客ごとの事情の収集と、実際の制作を別々に差し替えられることです。ブランドの読み取りが外れていれば制作物は全部ずれますが、どこで外れたかを切り分けられます。1つの指示文に全部を詰め込んだ状態では、出てきた資料が気に入らないときに直す場所が分かりません。

CTOのNikhil Mathew氏は「Being able to one-shot assets in your visual language is what opens up the next level of automation」と述べています。自分たちの視覚言語のまま一度で資料を出せること、そこが次の段階の自動化を開くという説明です。言い換えると、作り直しの往復が必要な生成は、自動化の手前で止まるということになります。

ブランドの基準を先に決めてからAIに作らせる進め方は、広告素材の側でも同じです。人物を生成しないという線を先に引いた人物は生成しない。L’OréalがAIコンテンツ基盤に引いた線と、見出しの量産を自作の道具で回した広告の見出し15本を30秒で作るも、着手前に守る基準を決めている点は共通しています。

生成物は編集できる状態で返す

もう一つ、実務では見落とせない設計があります。Mathew氏の説明では「Everything the agent generates is a hundred percent editable in the browser. It can stream in real time, and it’s fully multiplayer」。エージェントが生成したものはすべてブラウザ上で編集でき、リアルタイムに流れ、複数人で同時に扱える、という内容です。

出てきたものを直せない仕組みは、営業の現場では使われません。相手の社名、価格の条件、入れる事例が1つ違うだけで出し直しになり、商談の直前にその数分を待てないためです。修正の経路がある生成と、できあがりだけが届く生成は、品質が同じでも使われ方が変わります。導入を検討するときは、出力の形式と編集の経路を先に確かめてください。

公表された4つの数字と、その測り方

導入事例に載っている数字は4つです。デザイン満足度が3倍改善したこと、資料作成が従来の手順と比べて4.5倍速いこと、Mutinyを使う営業担当の10人中9人が競争の激しい案件で優位になると答えたこと、そしてMRR（月次経常収益）が週あたり120%伸びたことです。

読み方として大事なのは、1つ目に測り方が書かれている点です。「Since making Claude Opus the default model in late January 2026, Mutiny has measured a 3x improvement in design satisfaction through in-app asset quality ratings」。2026年1月下旬にClaude Opusを既定のモデルにして以降、アプリ内の資料品質の評価を通じて測ったとあります。評価の出どころが利用者の操作画面にあることまで示されています。CEOのJaleh Rezaei氏の「Once we put in Opus, the product worked. It enabled us to have a public launch」という発言も、公開に踏み切れた理由としてモデルの入れ替えを挙げています。

一方で、母数と対象期間は書かれていません。10人中9人が何人を対象にした調査なのか、4.5倍がどの作業を比べた値なのか、週あたりの伸びがいつからいつまでの話なのかは記載がありません。社内で引用するときは、数字と一緒に「測り方が公表されているか」を書き添えてください。提供側の公表値は、検討の材料にはなりますが、自社の目標値にはなりません。

料金の段差から読める想定利用者

公式の料金ページには3つのプランが並んでいます。無料プランは「$0 per month」、Businessは「$50 per month」、Enterpriseは「Starting at $40,000/year」と記載されています。EnterpriseにはSSOやSalesforceとの連携が含まれると書かれています。

この段差は、使い方の想定を示しています。個人が試す範囲、チームで常用する範囲、全社の営業基盤として入れる範囲が、価格の桁で分かれているということです。日本から検討する場合、為替や契約形態の条件は記載されていないため、自社で見積もりを取る前提になります。小さく試して効果を確かめてから上のプランへ進む経路が用意されている点は、導入の順序を考えるうえで押さえておく価値があります。

参照した資料に書かれていないこと

推測で埋めないために、探しても見つからなかった項目を残します。

確認したかった項目	記載	どうするか
公表値の母数と対象期間	1つ目以外は記載がありません	社内資料では測り方の有無を併記する
日本語での利用条件	記載がありません	自社で試用して確かめる
国内の導入事例	記載がありません	海外の事例として扱う
生成物の権利や学習の扱い	事例と公式サイトには記載がありません	契約条件を直接確認する
採点の軸の重みづけ	軸の列挙だけで、配分の記載はありません	自社の基準として重みを決める

記載がない項目が残るのは、提供側が公開している資料としては普通のことです。問題になるのは、書かれていないことを社内の検討資料で埋めてしまうときです。

日本の実務者が流用できるのは評価軸のほう

この事例から持ち帰れるのは、ツールの名前ではありません。順序と軸です。

第一に、採点の軸を先に書くことです。配色、書体、画像の選び方、読む順序を分けて書き、どれが崩れたら差し戻すのかを決めます。軸がないまま生成を始めると、やり直しの指示が感想になります。

第二に、ブランドの読み取りを制作から切り離すことです。自社の配色や言い回しをまとめた資料を1か所に置き、制作の指示とは別に渡します。ブランドの定義を直したときに、制作の指示を書き換えずに済みます。

第三に、顧客ごとの文脈を集める経路を決めることです。Mutinyが参照しているのはCRMのデータと商談の書き起こしでした。自社で同じことをするなら、どの記録を参照させるのかを先に決める必要があります。記録が人の頭の中にあるうちは、何を渡しても一般論しか返りません。

第四に、修正できる形で受け取ることです。画像やPDFだけで返る仕組みは、商談の直前に効きません。編集できる形式で出力されるか、誰が直せるのかを確認してください。

まとめ

Mutinyは、営業が顧客へ渡す資料を顧客自身のブランドで生成する仕組みを、ブランド・調査・制作の3つのエージェントへ分けて作り直しました。いずれもClaude Opus 4.7で動くと記載されています。

着手の順序として先に置いたのは、2部構成の社内ベンチマークです。ツール呼び出しの正確さと、クリエイティブの評価を分け、後者ではブランドとの一致、書体、色の使い方、画像、レイアウトという軸で測っています。生成物はブラウザ上で編集でき、複数人で同時に扱えるとも説明されています。

公表されている数字は4つですが、測り方が書かれているのはデザイン満足度の3倍だけで、ほかは母数や対象期間の記載がありません。数字をそのまま目標値にせず、採点の軸と記録の置き場所から持ち帰るのが、この事例の使い方です。確認日は2026年11月6日です。