公共工事の契約データをAIで分析し生産性と安全を上げる

2025/12/19、国土交通省が「国土交通省直轄工事等契約関係資料」令和7年度版（令和6年度実績）を公表しました。多くの現場は「入札・契約の資料は監査や報告のためのもの」と捉えがちですが、私はそれは半分しか当たっていないと思っています。

契約件数、契約金額、落札率、入札方式、指名停止、入札監視委員会の開催状況。こうした“公的に整ったデータ”は、AI導入の効果を検証し、工程と安全を改善するためのベースラインになり得ます。現場の感覚論を、数字に落とせる。ここが大きい。

本記事は「建設業界のAI導入ガイド：生産性向上と安全管理」シリーズの一編として、今回の公表をきっかけに、契約データをAIでどう読み解き、実務に落とすかを具体的に解説します。

国交省の「契約関係資料」公表が現場に効く理由

結論から言うと、国交省の公表資料は、AI活用に必要な「比較できるデータ」を提供します。社内だけのデータは癖が強く、部署ごとに粒度も定義も揺れます。一方で公表資料は、対象機関・項目・整理の仕方が一定で、分析の起点として扱いやすい。

今回の資料は、地方整備局、官庁営繕部、国土地理院、北海道開発局、航空局、気象庁、海上保安庁など広範な機関を対象に、工事と建設コンサルタント関係業務等について、次のような項目を整理しています。

• 契約件数・契約金額・落札率
• 入札方式別の契約状況
• 有資格業者数、発注標準
• 指名停止実績
• 入札監視委員会の開催状況 など

これらは「透明性」だけでなく、現場目線ではプロセスの改善点を特定する材料です。AIは魔法ではなく、材料が良いほど効きます。

年度末・繁忙期の“詰まり”を可視化しやすい

12月の公表は、次年度の計画や見積・体制検討が動く時期と重なります。ここで公表データを俯瞰すると、

• 入札方式の偏り（競争性・事務負担）
• 落札率の傾向（積算・市場・設計変更）
• 契約件数の季節性（年度末集中）

といった“詰まりやすいポイント”を議論しやすくなります。AI導入のテーマ設定がブレにくいのも利点です。

AIが得意な「契約データ分析」—人がやると辛いところを肩代わり

結論はシンプルで、AIは「集計・分類・異常検知・要因探索」を高速化します。契約関係資料のように項目が多く、部局・方式・地域・業務種別で切り口が増えるデータは、人力だとすぐ限界が来ます。

ここでは、現場で役立つ使い方を4つに絞ります。

1) 落札率×入札方式の“クセ”を学習して、説明可能な示唆にする

落札率は一つの指標ですが、単体で語ると揉めます。AI活用の勘所は、

• 入札方式別（一般競争、指名、総合評価など）
• 工種別、規模別
• 地域別、時期別

で分解し、**「いつ・どこで・どの条件だとブレるか」**を機械的に抽出すること。

さらに一歩進めるなら、回帰モデルや決定木系モデルで「落札率を左右する主要因」をランキング化し、社内説明に使える形にします。私はここで、ブラックボックス型よりも説明しやすいモデルを先に当てる方が現場では通ると感じています。

2) 契約件数・金額の偏りから、工程・体制のリスクを先読みする

契約件数や金額の集中は、施工現場の体制だけでなく、積算・設計・変更協議・出来高管理にも波及します。

AIでやるべきは、

• 月別の集中度（年度末集中の度合い）
• 部局別の偏在
• 規模の大きい案件の同時進行度

を定量化し、**「この条件だと現場が過負荷になりやすい」**を社内の共通言語にすることです。

ここが安全管理にも直結します。過負荷は、ヒヤリハットの増加や手順省略の温床になります。

3) 指名停止・入札監視の情報を“コンプラ疲れ”の軽減に使う

指名停止実績や監視委員会の開催状況は、現場にとっては「気をつけよう」で終わりがちです。でもAIを絡めると、実務はかなり変わります。

• 過去の不適切事例のパターン分類（何が起点だったか）
• 社内手続のどこで発生しやすいかのマッピング
• チェックリストの自動生成（案件条件に応じて）

つまり、全員に同じ注意喚起をするのではなく、案件に合わせて“必要な注意”だけを出す方向に持っていけます。これは現場の納得感が出ます。

4) 建設コンサル業務も含めて「上流のAI」を組み立てる

公表資料には工事だけでなく、建設コンサルタント関係業務等も含まれます。ここは見落とされがちですが、AI導入は施工だけでは片手落ちです。

• 調査・設計の成果物品質
• 設計変更の発生要因
• 協議回数と工程影響

を“上流から”つなぐことで、工程最適化が効きます。安全も同じで、危険源の多くは計画・設計段階で既に芽が出ています。

公共工事データを使って「AI導入効果」を検証する3ステップ

結論として、AI導入はPoC（試行）で止めない仕組みがすべてです。契約データは、効果検証のベースラインに向いています。進め方は次の3ステップが現実的です。

ステップ1：社内KPIを契約データと“接続”する

まずは、社内で追っている指標を整理し、契約データと接続します。例はこうです。

• 工程：工期遅延、変更回数、出来高の平準化
• コスト：再施工、手戻り、間接費の増減
• 安全：休業災害、ヒヤリハット、是正措置のリードタイム

契約データは直接の安全指標ではありませんが、過負荷・複雑性・不確実性の代理変数として使えます。

ステップ2：まずは“分類AI”で業務を軽くする（いきなり予測しない）

多くの会社が、いきなり「事故を予測したい」「遅延を予測したい」に飛びます。大体つまずきます。

先に効くのは、

• 入札方式・工種・規模・地域での自動分類
• 過去案件の類似検索（ナレッジ検索）
• 契約書類・議事録・設計変更理由の要約

です。ここで“業務の可処分時間”を作ると、次の予測・最適化が回ります。

ステップ3：工程最適化と安全管理を“同じダッシュボード”で見る

工程と安全を別管理にすると、現場はどちらかが後回しになります。おすすめは、

• 契約条件（工期・規模・方式）
• 体制（職長数、協力会社構成、ピーク人数）
• 進捗（出来高、遅延兆候）
• 安全（KY実施、巡視結果、是正状況）

を1画面で見せる設計です。AIはここで、異常兆候のアラートや“次に見るべきポイント”の提示に効きます。

工程が荒れると安全が荒れる。だから同時に管理する。これは現場の感覚とも一致します。

すぐ使える：契約データ×AIのユースケース5選

結論として、導入の最短距離は「入力を増やさず、意思決定を速くする」ユースケースです。現場負担が増えるAIは定着しません。

1. 落札率の急変検知：部局・方式別に通常レンジを学習し、逸脱を自動検知
2. 年度末集中の予測：契約件数・金額の推移から繁忙ピークを先読みし、要員計画に反映
3. 入札方式別の事務工数推定：案件属性から必要な手続・審査の工数を見積もり
4. 設計変更理由の自動タグ付け：変更理由をカテゴリ化し、上流改善（調査・設計品質）へ戻す
5. 協力会社リスクの早期把握：指名停止情報なども踏まえ、社内チェックの優先順位を自動設定

これらは“派手さ”はないですが、積み上げると効きます。私はこの地味な勝ち方を推します。

導入前に決めたい「データ整備」と「責任分界」

結論は、AIは技術より運用が難しい。特に公共工事領域では、説明責任と監査耐性が重要です。

データ整備：最初に統一すべき3点

• 案件IDの一意性：工事・業務・変更を同一キーで追える設計
• 用語辞書：工種、変更理由、事故分類などの表記揺れを潰す
• 時系列の持ち方：契約時点・着工・変更・竣工を区別し、後から追えるようにする

責任分界：AIの“判断”は誰が背負うのか

• AIは提案（推奨）まで。最終判断は人
• アラートの閾値、抑制ルールは現場と安全部門が共同で決める
• 説明可能性（なぜその提案か）を設計要件に入れる

ここを曖昧にすると、結局「怖くて使えない」になります。

次の一手：公表データを“自社の改善テーマ”に変える

国土交通省の契約関係資料の公表は、公共事業の透明性を高める取り組みです。そして実務者にとっては、AIで契約データ分析を始めるための、質の高い入口でもあります。

まずは、落札率・入札方式・契約件数の3点を自社KPIに接続し、分類と可視化から着手する。そこで生まれた余力を、工程最適化と安全管理の統合へ回す。この順番が一番失敗しにくいです。

来期の計画を立てるこの時期こそ、契約データを“読むだけ”で終わらせず、AIで「次の事故と次の遅延」を減らす設計に変えていきませんか。あなたの現場では、最初に自動化すべき「面倒な集計」はどれでしょう。