LASSIC Media らしくメディア

LASSIC IT事業部｜プライムベンダーとしてシステム保守・運用を受託

建設業の生成AI活用率は9.4%、全業種で最も遅れ — 委託検討の背景

ゼネコンのAI開発委託とは、建設業務に特有のデータ・業務フロー・協力会社連携を理解した外部パートナーに、AIシステムの設計・開発・運用支援を委託する取り組みである。

建設業のAI活用は他業種と比較して大きく遅れている。帝国データバンクが2024年6〜7月に実施した「生成AIの活用状況調査」（有効回答4,705社）では、業務で生成AIを「活用している」と回答した企業の割合は全業種平均で17.3%だったのに対し、「建設・不動産業」は9.4%にとどまり、調査対象の中で最も低い水準であった^*6。一方で、市場規模の伸長は続いており、矢野経済研究所の調査では、建設現場DX市場は2024年度の586億円から2030年度には1,250億円に拡大すると予測されている^*7。「実装は遅れているが投資は加速する」という構造の中で、ゼネコンがAI開発をどう進めるかが問われている。

ゼネコンにおいてAI開発の外部委託が検討される背景には、建設業全体の深刻な担い手不足と、技能伝承の必要性がある。日本建設業連合会（日建連）の「建設業の長期ビジョン2.0」によれば、建設業の就業者数は1997年のピーク以降減少が続いている^*1。同レポートでは、就業者の35.9%が55歳以上の年齢構成となっている実態が報告されている。この年齢構成は、今後10〜15年で現場の中核を担う技能者が大量に退職することを意味しており、技能のデジタル化・伝承の仕組みづくりが急務となっている。

建設現場のAI活用が進みにくい要因として、現場データが紙・口頭・属人的な知見として蓄積されているケースが多く、AIモデル学習に活用できるデータの整備に時間と工数を要する点が挙げられる。また、建設プロジェクトは一品生産の側面が強く、現場ごとに工事条件・協力会社構成・敷地制約が異なるため、一度開発したAIモデルを他の現場に横展開する際に追加学習・再設計が必要になることがある。

ゼネコン内部でAI開発を完結させる場合、必要な人材の領域は広い。BIM・CIM・施工管理システム・センサーデータ処理・画像認識・自然言語処理など、IT技術と建設業務の双方を理解した人材を複数名確保する必要がある。この複合人材の採用は容易ではなく、求人公開から内定承諾までにIT人材一般でも長期化する傾向があり、建設業務とのすり合わせを含めるとさらに時間を要する。社内のみで体制を整える場合、人材確保のリードタイム自体がAI活用の機会損失につながる。内製のみで取り組む場合、人材確保・育成のリードタイムがAI活用の機会損失につながるリスクがある。

安全管理・BIM活用・技能伝承 — ゼネコンAI委託の3領域

ゼネコンがAI開発を委託する目的はプロジェクト特性によって異なりますが、実務でよく取り組まれるパターンは大きく3つに分類できる。

安全管理・進捗管理AI：現場映像から危険動作を自動検知する

現場に設置されたカメラの映像を解析し、作業員の服装・保護具の着用状態・立入禁止区域への侵入・危険動作を自動検知する安全管理AI、および日々の工事進捗を画像から判定する進捗管理AIの開発が、このパターンの中心である。人による巡視では見逃しやすいリスクを常時監視で検知でき、施工管理者の負荷軽減と重大災害の未然防止が期待できる。

このパターンで委託を検討する建設会社では、映像データの収集方針（設置場所・角度・解像度・保存期間）の設計と、プライバシー配慮（協力会社従業員・近隣住民への配慮）の両立が重要な論点になる。映像データは個人が特定可能な情報を含むため、匿名化・アクセス制御・保管期間の運用規則を事前に定義し、作業員・協力会社への説明責任を整えた上で導入する必要がある。

設計BIM・CIM活用AI：干渉チェックと工程シミュレーションを自動化する

BIM（建築情報モデリング）・CIM（土木・インフラの情報モデリング）データを活用し、設計干渉チェック・数量積算・工程シミュレーション・設備配置最適化を支援するAIシステムの開発が、このパターンに該当する。設計段階での手戻り削減は、施工コスト・工期に直結する効果が大きく、投資対効果を測りやすい領域である。

このパターンでは、BIMデータの標準化状況が開発工数に影響する。プロジェクトごとにLOD（詳細度）・命名規則・ファミリ（部品）構成が異なる場合、データ取り込み・正規化の前処理工数が大きくなる。複数プロジェクトへ展開する前提で、BIM標準ルールの整備とAI設計を並行して進める段取りが有効である。

技能伝承・文書検索AI：RAGで社内文書を参照し回答精度を担保する

過去の工事記録・仕様書・施工標準・協力会社連絡事項などの社内文書を対象に、生成AIによる横断検索・要約・回答生成を行う仕組みの構築が、このパターンの中心である。日建連のICT推進部会でも、生成AIに建設業の知識が不足していること、目的に合わせた学習データが揃えづらいこと、ハルシネーション（誤回答）のリスクへの対応が課題として報告されています^*2。

このパターンでは、RAG（検索拡張生成）方式により社内文書を参照元として明示する設計と、回答の引用元を必ず表示する運用が基本になる。汎用の生成AIをそのまま現場に展開すると、建設業特有の専門用語や社内規程への回答精度が低くなる。社内ナレッジに特化したチューニング・評価プロセスを組み込むことが、成果につながる。

データ整備・業務理解・現場巻き込み — 成果を分ける3つのポイント

ゼネコンがAI開発委託で成果を出すためには、建設現場特有の3つのポイントを押さえる必要がある。

①現場データの棚卸しと整備計画を委託前に行う

建設現場のデータは、日報・工程表・写真・図面・センサー値・協力会社連絡事項など多岐にわたり、紙・Excel・クラウドストレージに分散している状況が多く見られる。AIモデルの学習に活用できるデータがどの程度整っているかを事前に把握しないまま委託を開始すると、紙・写真・口頭で蓄積された現場情報のデジタル化に想定以上の工数が発生し、データ整備工程がAI開発工程を圧迫するケースがある。委託前に対象業務のデータ資産を棚卸しし、必要な整備工数を見積もりに反映することが重要である。

②建設業務を理解した委託先を選ぶ

建設業には、工事種別（建築・土木）ごとの用語・工程・安全基準・協力会社連携の慣行があり、これらを理解していない委託先では、要件定義の段階で業務整理に時間を要する。ゼネコンのAI開発実績・BIM/CIM活用経験・安全衛生基準への対応経験を具体的に確認し、自社のプロジェクト規模・工事種別に近い経験を持つ委託先を優先することが成果につながりる。

③現場担当者の巻き込みを設計段階から計画する

AIシステムは現場所長・工事担当者・安全管理者・協力会社職長が使うため、設計段階から現場担当者を巻き込み、現場の業務動線に沿った利用設計を行うことで導入後の定着率が高まりる。完成したAIを後から現場に押し付ける形では、「使いにくい」「入力工数が増える」という抵抗が生まれやすく、投資対効果が得られません。

データ整備不足・1案件特化・協力会社軽視 — 委託で頻出する3失敗

ゼネコンのAI開発委託では、以下の3つの失敗パターンが特に多く見られる。それぞれの原因と回避策を整理する。

失敗1：紙・写真・口頭の現場データがAI学習に使えず工期遅延

前章の「データ整備」を委託前に行わなかった場合、典型的にどのような失敗が発生するかを具体化する。

現場データが紙・写真・口頭で蓄積されているケースでは、AI学習に使えるデジタルデータが想定より大幅に少ない状況が多く見られる。特に、過去事例・災害事例・トラブル事例といった「学びの多いデータ」がドキュメント化されておらず、ベテラン社員の記憶に残っている状態では、AIの精度向上に活用できない課題がある。

回避策は、委託前にデータ資産の実態調査を実施し、デジタル化の優先順位・担当体制・整備工期を計画に落とし込むことである。AI開発と並行してデータ整備プロジェクトを進める段取りを組むことで、全体の工程遅延を防ぎやすくなる。

失敗2：1現場特化で作り込み、他現場への展開コストが膨張する

初回のAI開発を「特定の工事現場」向けに作り込んだ結果、他の現場に展開しようとすると工事条件・設計・協力会社構成の違いでモデルが機能しないケースがある。建設は一品生産の側面が強く、再現性の設計が難しい領域である。

回避策は、初期開発段階から横展開を想定した設計パラメータの抽出（工事種別・規模・用途などを外部化）を委託先と合意することである。標準化できる部分と個別調整する部分を分離した設計にすることで、2案件目以降の展開コストを大幅に低減できる。

失敗3：協力会社の通信環境・端末を考慮せず情報連携が機能しない

建設プロジェクトは、元請ゼネコンと多数の協力会社が協働する構造を持ちる。AIシステムを元請側だけで設計すると、協力会社側のITリテラシーや使用デバイス（現場での入力端末）、通信環境への配慮が抜け落ち、情報連携が機能しないケースがある。

回避策は、協力会社の利用場面を要件定義時点で洗い出し、低スペック端末・低速回線・現場の粉塵環境でも利用できるUIを設計することである。協力会社の代表者を要件定義ワークショップに招き、実運用の制約を先取りして設計に反映する運用が、成果につながりる。

課題特定からPoC・本番展開まで — 委託の実践5ステップ

ゼネコンがAI開発委託を成功させるための実践ステップは、以下の5段階で構成できる。この5段階を内製のみで進める場合、AIエンジニア・BIM技術者・データエンジニアを同時に確保する必要があり、人材確保と育成に1年以上かかるケースがある。専門パートナーの活用によって、この期間を大幅に短縮しつつリスクを最小化できる。

ステップ1：安全災害率・工期遅延率など定量指標で課題を絞り込む

安全災害率・工期遅延率・設計手戻り率・施工管理工数など、AI活用で改善したい指標を定量的に整理し、AIで対応すべき課題と、プロセス改善・機械化で対応すべき課題を切り分ける。投資対効果を試算し、経営層や発注者への説明に耐える優先順位付けを行うことが、承認プロセスを円滑に進めるポイントである。

ステップ2：写真・BIM・日報などのデータ品質を棚卸しし整備計画化

現場写真・映像・BIMデータ・日報・協力会社連絡ログなど、AI開発に必要なデータの保有状況と品質を調査する。不足しているデータの取得方法・デジタル化の優先順位・担当体制を計画に落とし込み、AI開発工期とデータ整備工期を並列に設計する。

ステップ3：建設業実績・BIM経験・協力会社連携経験でRFP評価

候補の委託先にRFPを提示し、建設業向けAI開発実績・BIM/CIM活用経験・協力会社連携経験・安全衛生基準への対応経験を評価する。内製でAIエンジニアを採用・育成する場合のコストと期間（人件費の年間総額、求人広告費、育成期間中の生産性ギャップ）を試算し、外部委託の費用感と比較する。AI開発の外注費用相場は、要件定義・PoC段階で40〜200万円規模、AIモデル開発で1人月あたり80〜250万円が目安とされ^{[要追加：出典として記事内で参照可能な公的・準公的データを脚注付与]}、内製の固定費と比較することで意思決定が可能になる。特に、即戦力体制を提供できる委託先の活用は、開発スピードの観点で大きな差異を生みる。

ステップ4：PoCで精度・操作性・横展開可能性を3観点で検証

本番に近い現場環境でPoCを実施し、AIモデルの精度・操作性・現場定着可能性を検証する。1プロジェクトで検証した結果を、複数の異なる現場条件（工事種別・規模・協力会社構成）で追加検証し、横展開時の調整ポイントを事前に把握することで、投資対効果を最大化できる。PoC合格基準を事前に定め、合格しない場合は本番開発へ進めない意思決定フローを確立することで、不確かな投資を回避できる。

ステップ5：1〜2現場の限定展開からフィードバック収集で全社展開へ

最初は1〜2現場での限定展開から始め、現場所長・協力会社・発注者からのフィードバックを収集しながら全社展開へ移行する。協力会社への利用説明・現場担当者への操作トレーニング・新しい現場条件に対する追加学習の運用プロセスを、委託先と合意してから本番展開を開始することが、定着の鍵になる。

大手ゼネコンのAI委託・導入事例：3社の取り組みから読み取れる共通点

ゼネコンのAI開発委託・導入の進み方を、公表されている代表的な事例から整理する。3つの事例には「全社規模での展開」「社内データに特化したチューニング」「現場担当者を巻き込んだ運用設計」という共通点が見られ、本記事で解説した3つのポイント（データ整備・建設業務理解・現場担当者の巻き込み）と一致する。

鹿島建設：従業員約2万人対象の自社専用対話型AI「Kajima ChatAI」

鹿島建設はグループ従業員約2万人を対象に、自社専用の対話型AI「Kajima ChatAI」の運用を開始した^*3。情報収集、企画書・議事録作成、外国語翻訳、プログラミング支援などに活用されており、外部公開型サービスでは情報漏洩リスクがあるため、自社専用AI環境を整備した点が特徴である。全社レベルでの展開と、社外サービスでは難しい機密情報の取り扱いを両立した運用が、ゼネコンのAI委託・内製ハイブリッド型の参考になる。

清水建設：RAG活用で社内文書回答精度を35%から93%へ向上

清水建設は2025年4月、AIスタートアップLightblueが提供する「Lightblue Assistant」を全社導入した^*4。施工要領書や基準書などの社内資料をRAG（検索拡張生成）で参照させる仕組みにより、汎用AIで35%にとどまっていた回答精度が93%まで向上したと報告されている。導入後は2,000人を超える従業員が日常業務で活用しており、若手技術者がベテランの知見にアクセスできる環境が実現している。本記事H2-2のパターン3（技能伝承・文書検索AI）の代表的な実装例と位置づけられる。

戸田建設：AI画像解析による不安全行動検知で動画確認時間を9割削減

戸田建設はエクサウィザーズと共同で、現場映像から重要シーンを抽出する「不安全行動ダイジェスト動画自動生成AIシステム」を開発した^*5。点検現場での確認動画が長時間化し、現場管理者の負担が増大していた課題に対し、AIが重要度を評価してダイジェスト動画を生成することで、動画確認時間を約9割削減することに成功している。本記事H2-2のパターン1（安全管理・進捗管理AI）の典型例である。

3事例から読み取れる共通点

3社の取り組みから読み取れる共通点は次の3点である。第一に、AIを「特定部署のツール」ではなく「全社の業務基盤」として位置づけている点。第二に、汎用AIをそのまま使うのではなく、社内文書・現場データに特化したチューニング（RAG含む）で精度を担保している点。第三に、現場担当者・協力会社の利用場面を要件定義段階から組み込んでいる点。これらは本記事の「共通ポイント①〜③」と一致しており、ゼネコンのAI開発委託で成果を出すための実務的な裏付けとして参照できる。

LASSICの建設・不動産向けAI開発支援：プライムベンダーとして要件定義から運用まで伴走

ゼネコンのAI開発委託で成果を出すために重要な点は、本記事で繰り返し述べてきた3点に集約される。第一に現場データの棚卸しと整備を委託前に計画すること、第二に建設業務と協力会社連携の慣行を理解した委託先を選定すること、第三に現場担当者を設計段階から巻き込むことである。AIの技術力単独ではなく、これら3点と組み合わせて初めて、現場で定着するAIシステムが実現する。鹿島建設・清水建設・戸田建設の取り組みに見られるように、全社規模での展開・社内データに特化したチューニング・現場の利用設計が共通の成功要因となっている。

LASSICのIT事業部は、不動産・建設領域を含む業種横断のシステム開発・保守支援において、プライムベンダーとして要件定義から開発・運用保守までを一貫して支援している。AI開発プロジェクトでは、データ整備・AIモデル開発・業務アプリケーション連携までを同一チームで推進する体制を整えており、PoCから本番展開までの伴走が可能である。

[要追加：LASSICの建設・不動産関連AI開発支援案件の実績数値（案件数、業種内訳、開発スコープ等）。LASSIC内部資料から確認可能なデータがあれば、出典明示で追記する。確認できない場合はこのプレースホルダーを削除し、原文の「業種横断のシステム開発・保守支援」表現を維持する]

ゼネコンのAI開発委託では、AIの技術力と同等かそれ以上に、建設業務への理解・協力会社連携の設計・現場定着の支援力が成果を左右する。内製のみで専門人材を同時に確保するには採用コストと長い準備期間が必要となるため、外部委託との比較の中で合理的な選択肢を検討することが重要である。

AI開発の委託検討段階から、課題の整理・要件定義・データ整備計画の立案・横展開設計まで伴走する体制でご相談を承っている。まずはお気軽にお問い合わせいただきたい。

ご不明な点はお問い合わせフォームからもご連絡いただけます。

1. *1　出典：一般社団法人 日本建設業連合会「建設業の長期ビジョン2.0」（2025年）
2. *2　出典：一般社団法人 日本建設業連合会 ICT推進部会「建設テックの最新動向と各社のAI活用状況」（2024年）
3. *3　出典：鹿島建設株式会社「グループ従業員2万人を対象に専用対話型AI「Kajima ChatAI」の運用を開始」（2023年8月）
4. *4　出典：株式会社Lightblue「清水建設、生成AIアシスタントを全社に導入」（2025年7月）、および「精度35%が93%に、社内情報をRAGでフル活用｜清水建設が挑む生成AI変革」
5. *5　出典：株式会社エクサウィザーズ「エクサウィザーズと戸田建設、現場管理者が短時間で安全点検できる動画ダイジェストシステムを共同開発」（2023年3月）
6. *6　出典：株式会社帝国データバンク「生成AIの活用状況調査」（2024年8月公表）
7. *7　出典：株式会社矢野経済研究所「建設現場DX市場に関する調査（2024年）」

Tweet