国交省の直轄工事「契約データ」をAI導入に活かす実務

公共工事の世界は、現場の段取りや安全だけでなく、「契約」と「発注」の運用が現実を決めます。だから私は、AI導入の話をするなら、最初に“契約データ”を見たほうが早いと思っています。現場の生産性は、契約条件・入札方式・落札率・件数といった数字の裏側で、かなり決まるからです。

2025/12/19に国土交通省が公表した「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）」は、その“数字の地図”に近い資料です。対象は地方整備局や官庁営繕部、北海道開発局、航空局、気象庁、海上保安庁など。工事・建設コンサル関係業務の契約件数、金額、落札率、入札方式別の状況などが整理されています。

この投稿は「建設業界のAI導入ガイド：生産性向上と安全管理」シリーズの一つとして、国交省の公表資料を「読む」で終わらせず、AIで“使える形”に変える実務に落とし込みます。結論から言うと、契約データはAIの燃料です。燃料が良ければ、工程最適化も、安全管理も、原価のブレ抑制も現実になります。

国交省の「契約関係資料」が示す、DXの本丸

国交省が毎年度、直轄工事等の契約関係資料を公表しているのは、発注者としての説明責任の向上が目的です。ただ、受注側（ゼネコン・専門工事・コンサル）にとっては別の意味があります。

**「公表されるほど、契約・入札のデータが整備されてきた」**という事実です。これは、建設業界全体が“経験と勘”だけでは回らなくなり、透明性と再現性を求められている流れの延長線上にあります。

公表資料の中身は「AI化しやすい業務」のカタログ

資料の統合版には、対象機関における工事・建設コンサル関係業務等の

• 契約件数
• 契約金額
• 落札率

などが掲載されます。さらに部局別資料では、

• 有資格業者数
• 発注標準
• 入札方式別契約状況
• 指名停止実績
• 入札監視委員会の開催状況

といった、契約運用の“周辺情報”まで入ります。

ここがポイントで、AIが得意なのは「繰り返しがあり、例外があり、判断が属人化している」領域です。契約・入札・協力会社選定・出来高の整合・書類チェックは、まさにその集合体。現場のAIというと画像認識ばかり注目されがちですが、実務的には契約領域の自動化のほうが、先に効果が出る会社が多いです。

契約データをAIでどう活かす？“3つの使い道”を先に押さえる

答えはシンプルで、契約データのAI活用は次の3つに集約されます。

1. 見積・受注判断の精度を上げる（勝ち筋の発見）
2. 工程・要員・外注の計画を現実に寄せる（破綻の予防）
3. 監査・審査・書類業務を短縮する（間接工数の削減）

1) 見積・受注判断：落札率と入札方式から“勝てる条件”を抽出

落札率や入札方式別の状況は、受注戦略の材料になります。AIの役割は「賢い予想」ではなく、まず社内の過去案件と公表データを同じ物差しで揃えることです。

• 工種、規模、地域、発注機関、入札方式
• 落札率レンジ、契約金額帯、工期
• 変更契約の有無（社内データ）

これらを揃えた上で、機械学習で「勝率が高い案件の特徴」を抽出します。よくある成果は、次のような“当たり前だけど言語化できていなかった”結論です。

• 特定の入札方式×規模帯では、応札社数が増えやすく利益が薄い
• 地域や時期で外注単価が跳ね、原価ブレが大きい
• 工期が短い案件ほど、事故・手戻り・夜間対応のコストが跳ねる

ここまで見えると、AIは「受ける／受けない」の判断を支えます。人手不足の時代に、受注量で勝つのは危険です。受け方で勝つほうが現実的です。

2) 工程最適化：契約情報を“現場の予定表”に落とす

契約データの価値は、工程管理AIとつなぐと跳ねます。具体的には、契約金額や工期、工種の傾向を使って、

• 要員計画（職種別の山谷）
• 協力会社の手配タイミング
• 資材納期リスク
• 安全衛生（繁忙・夜間・高所など）の危険度

を初期計画の時点で現実寄りに補正できます。

ここで私が強く推したいのは、工程AIを「自動で最適化してくれる魔法」として導入しないことです。現場は例外だらけなので、正攻法は次です。

• まず、過去の実績（遅延・休日出勤・出来高推移）を整理
• 次に、契約条件（工期・制約）と結合
• 最後に、AIで「遅れやすいパターン」を先読みして手当て

AIにやらせるのは“決定”ではなく、早期警戒と選択肢の提示。この使い方だと、現場の納得感が残ります。

3) 契約・書類・監査対応：生成AIで「読んで合わせる」を減らす

年末〜年度末は、出来高・変更・検査・書類で手が止まりがちです。ここは生成AIが効きます。実務で効果が出やすいのは、次のような作業です。

• 契約書、特記仕様書、設計図書の要点抽出
• 変更理由書や説明資料のドラフト作成
• 入札・契約関連のチェックリスト自動作成
• 指摘事項の「再発防止策」テンプレ整備

生成AIの価値は“文章を上手に書くこと”より、必要情報を抜けなく拾って、社内ルールに合わせて整形することです。

もちろん、機密情報の扱いと、最終責任（人が確認する）は外せません。ただ、確認の前段をAIに寄せるだけで、間接工数は目に見えて減ります。

現場で失敗しないための「データ整備」：最初の2週間でやること

AI導入の成否はモデル選びより、データの揃え方で決まります。国交省の公表資料をヒントに、まず社内データを“同じ棚”に載せるのが近道です。

まず揃えるべき項目（最小セット）

• 発注機関、工事種別、工種
• 契約金額、工期、入札方式
• 協力会社の構成（主要職種だけでも）
• 工期遅延の有無、主要な遅延要因（選択式）
• 労災・ヒヤリハットの件数（可能なら月次）

ここまで揃えば、工程AIにも安全AIにもつながります。

データ整備のコツ：完璧主義を捨てる

現場データは欠損が出ます。だから、最初から100点を狙うと止まります。

• 欠損が出やすい項目は「未入力」を許容
• 自由記述は減らし、選択式を増やす
• まずは直近12か月分で回し、効果が出たら遡る

この順番だと、現場の協力が得やすいです。「入力のための入力」になった瞬間に終わります。

よくある疑問に答える：契約データ×AIは安全管理にも効く？

答えはYESです。しかも、画像認識だけに頼るより堅い。

契約情報は「危険の前兆」を含む

安全管理は、事故が起きた瞬間の検知より、起きやすい状態を減らすことが本質です。契約・工程に紐づく次の要素は、危険度の説明変数になります。

• 工期の逼迫（短工期、年度末集中）
• 夜間・交代制が増える条件
• 外注比率が高い／新規協力会社が多い
• 施工条件の制約が厳しい

これらをAIでスコア化し、「今月は危ない現場」を先に炙り出す。すると、安全パトロールやKYの密度を、根拠を持って配分できます。

画像認識と組み合わせると“監視”から“予防”に寄る

画像認識AIは、ヘルメット未着用などの検知に強い。一方で、現場の負荷が高いときに事故が増える、という構造には弱い。

契約データ→工程負荷の予測→重点管理→画像認識で遵守確認、の順に組むと、AIが「取り締まり」ではなく「事故を減らす道具」になります。

次の一手：公表データを起点に、社内のAI導入テーマを決める

国交省の「契約関係資料」は、単なる透明化の資料ではありません。受注者側から見ると、**自社の契約・工程・安全の運用を“数字で点検する基準点”**になります。そして、その点検作業こそが、AI導入の入口です。

次にやるべきことは明確です。

1. 自社の過去案件を、公表資料と同じ粒度で棚卸しする
2. 受注判断・工程・書類のどこが一番詰まっているか決める
3. 小さくPoC（実証）を回し、現場が「これなら使う」と言う形にする

このシリーズでは、画像認識による安全監視、BIM連携、工程最適化、熟練技術のデジタル継承まで扱ってきました。ただ、現場で本当に効くAIは、派手さよりデータが揃って回り続ける仕組みです。

あなたの会社で、契約データを「読む資料」から「現場が楽になる武器」に変えるなら、最初の対象はどこにしますか。受注判断、工程、書類。まず一つ、決めて動いた会社から結果が出ます。