建設DXは、ICT施工、BIM/CIM、3次元測量、点群データ活用の段階から、AIを実務に組み込む段階へ進み始めています。
これまでの建設DXでは、ドローンやレーザースキャナーで点群を取得する、BIM/CIMモデルを作る、ICT建機で施工する、クラウドで施工情報を共有する、といった「データ化」が大きなテーマでした。しかし、今後はその先が問われます。
取得した点群をAIがどう読むのか。
設計図面や仕様書をAIがどう照査するのか。
点検写真から劣化候補をどう抽出するのか。
施工履歴や過去資料をどう検索・要約するのか。
災害時に膨大な現場情報をどう整理し、初動判断を支援するのか。
国土交通省は、2026年3月25日に開催された第12回インフラ分野のDX推進本部で、「インフラ分野のAI実装に向けた取組方針（骨子案）」について議論しています。資料では、インフラ分野のDXアクションプラン、i-Construction 2.0、オープンデータの取組方針に続き、AI実装を次の重要テーマとして位置づけています。
つまり、建設DXは「AIを試す」段階から、「AIを現場・行政・維持管理に実装する」段階へ移りつつあります。
なぜインフラ分野のAI実装がトレンドなのか
インフラ分野でAI実装が注目される理由は、建設・維持管理・行政のすべてで、扱うデータ量が急速に増えているからです。
UAVレーザー、SLAM、地上型レーザースキャナー、ドローン点検、BIM/CIM、電子納品、施工管理アプリ、維持管理台帳、災害記録により、現場には大量のデジタルデータが蓄積され始めています。一方で、そのデータを人がすべて確認し、整理し、判断に使うには限界があります。
国土交通省の資料では、インフラ建設・管理においてAI、AIエージェント、フィジカルAIの開発・実証・導入を促進することや、インフラなど日本が強みを持つ分野でAIと融合した新たなビジネスモデルを追求する方向性が示されています。
さらに、同資料では、国土交通省がインフラマネジメントを行う発注者であると同時に、国民の安全・安心や公共サービスの向上を担う管理者でもあることを踏まえ、防災、交通、建設、管理に関する多様な現場データをAI駆動に転換し、最大価値化していく考え方が示されています。
これまでの建設DXが「データを取るDX」だったとすれば、これからは「データをAIで使うDX」になります。
AI実装で使われる主なデータ
インフラ分野のAI実装では、AIモデルや生成AIだけが主役ではありません。主役になるのは、現場で蓄積されるデータです。
特に重要になるのは、以下のようなデータです。
- 点群データ
- 3次元モデル
- BIM/CIMモデル
- 2次元図面
- 設計計算書
- 仕様書
- 点検写真
- ドローン画像
- 施工履歴
- 出来形データ
- 品質管理データ
- 工事日報
- 維持管理台帳
- 災害時の被災写真
- 過去の補修履歴
- 発注者・受注者間の協議記録
これらのデータは、単体では扱いにくいことがあります。点群は重く、図面は専門知識が必要で、点検写真は枚数が膨大で、施工履歴は現場ごとに形式が異なります。
AI実装の目的は、これらを人の代わりに完全判断させることではありません。人が判断しやすいように、検索、要約、比較、抽出、分類、異常候補の提示を行うことです。
点群×AI：3Dデータを“見る”から“読み解く”へ
点群データは、建設DXの中心データの一つです。UAVレーザーやSLAMにより、道路、法面、橋梁、造成地、河川、災害現場を3次元で記録できるようになりました。
しかし、点群データは人が見るには情報量が多すぎる場合があります。どこに変状があるのか、どこが設計と違うのか、どの範囲で土量が変化したのか、どの箇所を再点検すべきかを、人がすべて確認するのは大きな負担です。
AIを組み合わせることで、点群データは次のように活用できます。
- 設計モデルとの差分抽出
- 法面の変状候補検出
- 橋梁・構造物周辺の変位把握
- 施工前後の土量変化の把握
- 道路上の障害物や段差の抽出
- 災害現場の崩落範囲推定
- 点群分類の自動化
- 維持管理対象物の抽出
ここで重要なのは、AIが点群から「答え」を出すというより、人が確認すべき箇所を絞り込むことです。
たとえば、法面の点群を毎年取得している場合、AIが過年度点群との差分を抽出し、変化が大きい箇所を候補として提示できれば、技術者は確認すべき範囲を絞れます。これにより、点群確認時間の短縮、見落としリスクの低減、補修判断の早期化につながります。
図面・仕様書×生成AI：設計照査を支援する
設計照査は、AI活用との相性が高い領域です。
建設コンサルタントや施工会社は、設計図面、数量計算書、特記仕様書、設計条件、協議記録、過年度資料など、多数の資料を確認しながら業務を進めます。特にBIM/CIMや3次元モデルが増えると、2次元図面との整合確認、属性情報の確認、設計条件の確認が重要になります。
生成AIを使えば、以下のような作業を支援できます。
- 仕様書の該当箇所検索
- 図面注記の確認
- 設計条件の要約
- 過年度資料との比較
- BIM/CIM取扱要領の確認
- 照査チェックリスト作成
- 協議資料のたたき台作成
- 質問回答案の作成
国土交通省の資料では、BIM/CIM取扱要領やガイドライン等からBIM/CIMに関する情報を抽出し、AIが回答する対話型の学習支援チャットボットの導入例が示されています。また、既存資料から関連性の高い記述を抽出・整理・要約し、問い合わせに対する回答案を生成する取り組みも紹介されています。
これは、建設実務における生成AIの使い方を示しています。
生成AIは、設計者や技術者の判断を置き換えるものではありません。大量の資料を探し、要約し、比較し、確認する作業を補助することで、技術者が本来の判断に集中できるようにするものです。
点検写真×AI：劣化候補の確認時間を短縮する
インフラ点検では、写真データの量が急増しています。ドローン点検や高解像度カメラ、360度画像、赤外線画像を活用すると、橋梁、法面、トンネル、プラント、送電線、屋根、河川構造物などで膨大な画像が蓄積されます。
問題は、取得した写真を誰が確認するのかです。
点検写真をAIで活用すれば、次のような作業を支援できます。
- ひび割れ候補の抽出
- 腐食・錆の検出
- 剥離・欠損の候補抽出
- 漏水・遊離石灰の検出
- ボルト欠損や部材異常の確認
- 過年度写真との比較
- 点検調書への記載支援
- 損傷位置の分類
AIは、点検技術者の代わりに最終診断を行うものではありません。むしろ、AIが異常候補を一次抽出し、技術者が確認することで、見落としを減らし、確認時間を短縮する使い方が現実的です。
KPIとしては、点検写真の確認時間、異常候補の検出率、誤検出率、見落とし削減率、点検調書作成時間を測ることが重要です。
施工履歴×AI：現場の暗黙知を残す
建設現場には、図面や仕様書には書かれていない判断が数多くあります。
なぜその施工手順にしたのか。
なぜその仮設計画を採用したのか。
どの天候条件で作業を中止したのか。
どの地盤条件で施工方法を変更したのか。
発注者協議でどのような判断があったのか。
過去の類似現場で何が問題になったのか。
こうした暗黙知は、現場代理人、主任技術者、測量担当者、協力会社の経験に依存しやすく、担当者が変わると引き継がれにくい課題があります。
国土交通省のAI実装に関する報道では、AI学習に活用できるデータを官民で蓄積し、インフラサービスの高度化や暗黙知の継承に生かす方向性が示されています。
施工履歴をAIで活用するには、以下のようなデータ整理が必要です。
- 工事日報
- 施工写真
- 出来形記録
- 品質管理記録
- 協議記録
- 変更履歴
- 重機稼働データ
- 天候・水位・交通規制情報
- ヒヤリハット記録
- 補修・手戻り記録
これらをAIが検索・要約できる状態にすれば、次の現場で「過去に似た条件ではどう対応したか」を参照しやすくなります。
災害対応×AI：初動判断を速くする
災害時には、短時間で大量の情報が発生します。
道路の寸断、橋梁の損傷、河川の氾濫、法面崩壊、土砂流出、停電、通信断、孤立集落、避難所状況などを、限られた人員で整理しなければなりません。
AIを活用すれば、災害時の初動判断を次のように支援できます。
- ドローン画像から被災範囲を抽出する
- 点群から崩落量や堆積量を推定する
- 道路啓開の優先順位を整理する
- 過去災害記録と類似事例を検索する
- 被災写真を位置情報と紐づける
- 現地報告を要約する
- 関係機関向けの報告文案を作成する
- 復旧計画の検討資料を作成する
災害対応では、AIに完全な判断を任せるのではなく、情報整理と優先順位付けの補助として使うことが重要です。
KPIとしては、被災状況把握までの時間、初動報告作成時間、道路啓開候補ルートの抽出時間、被災写真の整理時間、復旧計画たたき台作成時間などが考えられます。
行政業務×生成AI：帳票作成と問い合わせ対応を効率化する
インフラ分野のAI実装は、現場だけでなく行政業務にも広がります。
国土交通省の資料では、政府職員のAI利活用を促進する環境整備として、2025年10月から国交省内全職員においてMicrosoft Copilot Chatの業務利用が開始され、2025年12月から一部省庁でガバメントAI「源内」の試験的利用が始まったことなどが示されています。
行政業務で生成AIが活用できる領域は、次の通りです。
- 問い合わせ対応
- 資料検索
- 議事録要約
- 報告書案の作成
- 通知文案の作成
- 過去事例の検索
- 工事書類の確認補助
- BIM/CIMや基準類の質問対応
- 住民説明資料のたたき台作成
同資料では、河川事務所のホームページにチャットボットを開設し、一般的な問い合わせ対応の削減に寄与した例も示されています。導入前後の比較では、メール問い合わせ全体に占める一般的な問い合わせの割合が3割削減されたとされています。
このような事例は、建設会社や測量会社にも参考になります。社内の施工要領、測量手順、品質管理ルール、過去報告書、機器マニュアルを検索・要約できるAI環境を整えれば、若手教育や問い合わせ対応の効率化につながります。
フィジカルAI：建設機械やロボットの自律化へ
インフラ分野のAI実装では、生成AIだけでなく、フィジカルAIも重要になります。
フィジカルAIとは、現実世界のセンサー、カメラ、LiDAR、ロボット、建設機械とAIを組み合わせ、物理的な作業や判断を支援する技術です。
建設分野では、以下のような活用が考えられます。
- 自動施工建機
- 遠隔施工の判断支援
- ロボットによる点検
- ドローンの自律飛行
- 現場内搬送ロボット
- 施工進捗の自動把握
- 重機周辺の人検知
- 危険区域の自動監視
- 点群からの施工状況把握
国土交通省のAI実装に関する報道では、フィジカルAIの導入を柱の一つとし、センサーやカメラで周囲を認識し、自動的に稼働する建設機械の現場実装を進める方針が紹介されています。重点対象は土木施工、維持管理、災害対応とされています。
これは、i-Construction 2.0の「施工のオートメーション化」ともつながります。今後は、AIが現場を理解し、建機やロボットが安全に作業するためのデータ基盤が重要になります。
KPIで見るインフラAI実装
AI実装を評価するには、「AIを導入したか」では不十分です。建設DXと同じく、現場や業務がどれだけ改善したかをKPIで見る必要があります。
設計照査KPI
- 資料検索時間の削減
- 仕様書確認時間の削減
- 設計条件の抜け漏れ検出数
- 2D図面と3Dモデルの確認時間
- 照査チェックリスト作成時間
- 若手技術者の確認作業支援件数
点検KPI
- 点検写真確認時間の削減
- 劣化候補の一次抽出率
- 誤検出率
- 見落とし削減率
- 点検調書作成時間
- 経年比較にかかる時間
施工管理KPI
- 日報作成時間の削減
- 出来形・品質記録の検索時間
- 施工履歴の要約時間
- 手戻り原因の分析件数
- 協議資料作成時間
- 安全巡視記録の整理時間
災害対応KPI
- 被災状況整理時間
- 初動報告作成時間
- ドローン画像の分類時間
- 道路啓開候補ルートの抽出時間
- 関係機関共有資料の作成時間
- 復旧計画たたき台作成時間
行政・社内業務KPI
- 問い合わせ対応件数の削減
- 基準類検索時間の削減
- 議事録要約時間
- 報告書案作成時間
- 社内ナレッジ検索件数
- 若手教育・学習支援の利用回数
AI活用の評価は、精度だけではありません。現場担当者や技術者の時間をどれだけ増やせたか、判断品質をどれだけ安定させたか、暗黙知をどれだけ残せたかが重要です。
建設会社・測量会社が最初に作るべき「AI活用データ台帳」
AI実装を進めるために、建設会社や測量会社が最初に作るべきものは、AIツールの比較表ではありません。まず必要なのは、自社のどのデータを、どの業務に使うのかを整理する「AI活用データ台帳」です。
AI活用データ台帳に入れる項目
- 対象業務
測量、設計照査、施工管理、出来形管理、点検、維持管理、災害対応、営業提案、社内教育など。 - 使用データ
点群、図面、仕様書、写真、動画、日報、点検記録、施工履歴、協議記録、BIM/CIMモデルなど。 - データ形式
PDF、DWG、DXF、IFC、LandXML、LAS/LAZ、E57、JPG、MP4、CSV、Excel、クラウドデータなど。 - AI活用目的
検索、要約、分類、異常候補抽出、差分比較、帳票作成、FAQ、技術者支援など。 - 利用者
現場代理人、測量担当、設計担当、点検技術者、若手社員、管理職、発注者対応担当など。 - 判断者
AIの出力を誰が確認し、最終判断するか。 - 機密区分
公開可能データ、社内限定データ、発注者提供データ、個人情報、機密情報など。 - 品質管理
AI出力の確認方法、誤りの記録、再学習・改善ルール、利用禁止範囲。 - KPI
作業時間削減、確認件数、誤検出率、報告書作成時間、問い合わせ削減率など。
この台帳を作ることで、AI導入を「なんとなく便利そう」ではなく、業務改善と品質管理の仕組みとして設計できます。
用途別に見るAI活用パターン
測量・点群処理
点群分類、地表面抽出、ノイズ除去、構造物抽出、設計との差分確認にAIを活用できます。UAVレーザーやSLAMで取得したデータを、施工管理や維持管理に使いやすくすることが目的です。
主なKPIは、点群処理時間、分類作業時間、差分確認時間、再確認範囲の削減です。
設計・BIM/CIM
図面、仕様書、BIM/CIM取扱要領、3次元モデル、2次元図面の整合確認にAIを活用できます。生成AIは、資料検索や照査チェックリスト作成、質問対応に向いています。
主なKPIは、設計照査時間、資料検索時間、照査漏れ候補の抽出数、若手教育支援件数です。
ドローン点検・維持管理
ドローン画像、点検写真、点群、過年度記録をAIで比較し、劣化候補や経年変化を抽出できます。AIは点検技術者の確認範囲を絞る役割を担います。
主なKPIは、写真確認時間、劣化候補検出率、点検調書作成時間、補修判断までの時間です。
施工管理
日報、施工写真、出来形記録、品質記録、協議資料をAIで検索・要約し、現場管理の負担を下げます。手戻り原因や安全指摘の傾向分析にも活用できます。
主なKPIは、日報作成時間、協議資料作成時間、品質記録検索時間、安全指摘の再発防止件数です。
災害対応
ドローン画像、現地写真、点群、道路・河川データ、過去災害記録をAIで整理し、被災状況把握や復旧優先度の検討を支援します。
主なKPIは、被災状況把握時間、初動報告作成時間、復旧計画資料作成時間、関係機関共有までの時間です。
導入時に必ず確認すべきポイント
インフラ分野でAIを導入する際は、次の点を確認する必要があります。
- AIに任せる作業と人が判断する作業を分けているか
AIは判断支援に使い、最終判断は技術者が行う体制が必要です。 - データの品質を確認しているか
点群、写真、図面、日報の品質が低いと、AIの出力品質も下がります。 - 機密情報や個人情報の扱いを決めているか
発注者資料、入札情報、個人情報、現場写真などをAIに入力する場合は、利用ルールが必要です。 - 出典や根拠を確認できるか
生成AIの回答は、参照した資料や根拠を確認できる仕組みが重要です。 - AI出力の誤りを記録しているか
誤検出、誤要約、抜け漏れを記録し、運用改善につなげる必要があります。 - 既存業務フローに組み込めるか
AIツールを別作業にすると定着しません。施工管理、点検、設計照査、報告書作成の流れに組み込むことが重要です。 - KPIで効果を測っているか
導入前後で作業時間、確認件数、ミス削減、問い合わせ削減を比較します。
建設会社・測量会社向けチェックリスト
社内でAI実装を検討する場合は、次のチェックリストを使うと整理しやすくなります。
- AIを使いたい業務を具体的に決めているか
- 点群、図面、写真、点検記録、施工履歴の保管場所を整理しているか
- AIに読み込ませてよいデータと禁止データを分けているか
- 生成AIの回答に根拠資料を表示できる運用にしているか
- 点検写真や点群のAI判定を技術者が確認する体制があるか
- 設計照査やBIM/CIM質問対応に使う基準類を整理しているか
- 日報・協議記録・施工写真を検索しやすい形式で保存しているか
- AI導入前後の作業時間を測っているか
- 若手教育や社内FAQに使えるナレッジを整備しているか
- 災害時にAIで整理したい情報を事前に決めているか
- AIの誤りや改善点を記録する仕組みがあるか
- AIを“便利ツール”ではなく、業務プロセスの一部として設計しているか
このチェックリストの目的は、AIツールを導入することではありません。現場データをAIで使える状態にし、技術者の判断を支援することです。
まとめ
インフラ分野のAI実装は、建設DXの次の大きなテーマです。
国土交通省が「インフラ分野のAI実装に向けた取組方針（骨子案）」を議論したことは、AI活用が実証や個別ツール導入の段階から、インフラマネジメント全体の方針として扱われ始めたことを示しています。
これからの建設会社・測量会社に求められるのは、AIをただ試すことではありません。
重要なのは、点群、図面、写真、点検記録、施工履歴を、AIが扱えるデータとして整備し、設計照査、点検、施工管理、災害対応、帳票作成、技術者支援に活用することです。
今後、評価されるAI活用とは、次のような取り組みです。
- 点群から変状や差分候補を抽出できる
- 図面・仕様書・BIM/CIM基準を素早く検索できる
- 点検写真の確認時間を短縮できる
- 施工履歴や日報を次の現場に活かせる
- 災害時の初動判断を支援できる
- 帳票作成や問い合わせ対応を効率化できる
- 若手技術者が過去の知見を参照できる
建設DXは、データを取る段階から、データをAIで使う段階へ進んでいます。
これから選ばれる建設会社・測量会社は、AIツールを持っている会社ではありません。点群、図面、写真、施工履歴を整理し、AIを使って現場判断と業務品質を高められる会社です。
