KY活動をAIで革新する｜危険予知シートの自動生成と効果測定の方法
毎朝の朝礼で危険予知（KY）活動を続けているのに、出てくる危険ポイントがいつも同じ。「足元注意」「指差呼称の徹底」——この2つを書いておけば終わり、という現場は少なくありません。形だけのKY活動は、実際の事故を防ぐ力を失っています。
この「マンネリ化」を断ち切る手段として注目されているのが、AIによる危険予知シートの自動生成と効果測定である。過去のヒヤリハットや作業内容から、人が見落としがちな危険要因をAIが提示し、活動の質を客観的な数値で測れるようにする。本記事では、4R法の手順解説ではなく、AIをKY活動にどう組み込むか、危険予測と効果測定の具体的な進め方を解説する。
KY活動がAIを必要とする理由
KY活動の形骸化とは、危険予知が「作業前の儀式」になり、実際のリスク低減につながらなくなった状態である。多くの現場が直面しているこの課題は、人の経験と記憶だけに依存した運用に起因する。
厚生労働省の統計では、2024年（令和6年）の労働災害による死亡者数は746人だった。一方、休業4日以上の死傷者数は2023年時点で135,371人にのぼり、3年連続で増加している（2026年時点）。KY活動が広く普及した今もなお、災害件数が減らないという現実がある。
形骸化が起きる主な要因は次の3点に整理できる。
| 要因 | 内容 | AIで補える点 |
|---|---|---|
| 経験への過度な依存 | ベテランの記憶頼みで、危険の洗い出しが属人化する | 過去データから網羅的に危険を提示 |
| マンネリ化 | 毎回同じ危険ポイントしか挙がらない | 作業条件に応じた多様な観点を提案 |
| 効果が見えない | やりっぱなしで、改善したか判断できない | 活動データの蓄積と数値化 |
人の頭の中だけで危険を予知する従来型のKY活動には限界がある。「今日は何が危ないか」を毎回ゼロから考えるのは負荷が高く、結局は無難な答えに落ち着いてしまう。ここにAIの予測能力を組み合わせることで、活動の質を底上げできる。
過去のヒヤリハットや事故事例をAIに学習させ、「この作業なら次はこの危険」を提示する仕組みがあれば、KY活動は記憶頼みのルーティンから、データドリブンな予防活動へと変わる。WhyTrace Plusは、現場の事象を蓄積し、AIが原因と再発防止策の分析を支援するプラットフォームである。
AIによる危険予知シートの自動生成とは
危険予知シートの自動生成とは、作業内容や場所、過去の災害履歴をAIに入力し、想定される危険要因と対策案を自動で出力させる仕組みである。白紙のシートを前に頭を悩ませる時間を、確認と判断の時間に置き換えられる。
自動生成の入力と出力
AIに与える情報（入力）と、返ってくる内容（出力）は次のように整理できる。
- 入力: 作業名、作業場所、使用設備・工具、天候・時間帯、作業人数、過去のヒヤリハット記録
- 出力: 想定される危険要因のリスト、各危険の重大度・発生可能性、推奨される対策案、確認すべきチェック項目
たとえば「高所での配管交換作業」と入力すれば、AIは「墜落・転落」「工具の落下による下部作業者への危険」「足場の不安定さ」「熱中症（夏季）」といった危険を、作業の文脈に沿って提示する。人が当日の朝に思いつく範囲を超えた観点が含まれる点が、自動生成の価値である。
従来のKYシートとの違い
手書きやExcelの定型シートと、AI生成シートの違いを比較する。
| 項目 | 従来のKYシート | AI生成シート |
|---|---|---|
| 危険の洗い出し | 当日の参加者の経験に依存 | 過去全データ＋作業条件から提示 |
| 作成時間 | 毎回ゼロから記述 | 数秒で叩き台が完成 |
| 観点の幅 | 同じ項目に偏りがち | 季節・時間帯・設備差を反映 |
| 記録の活用 | 紙のまま死蔵されやすい | 検索・再利用・分析が可能 |
重要なのは、AIが出した内容をそのまま使うのではなく、「叩き台」として現場で検証する点である。AIが提示した10個の危険から、今日の作業に本当に関係する3つを選び、対策を具体化する。この「AIが広げ、人が絞る」役割分担が、効率と精度を両立させる。
過去のヒヤリハットから危険を予測する仕組み
危険予測とは、蓄積されたヒヤリハット・事故データのパターンをAIが分析し、将来発生しうるリスクを事前に提示する技術である。「過去に似た状況で何が起きたか」を、人の記憶ではなくデータから引き出す。
予測を支えるデータの蓄積
AIによる危険予測の精度は、蓄積されたデータの質と量に比例する。次のようなデータが予測の材料になる。
- ヒヤリハット報告（いつ・どこで・何が・なぜ）
- 過去の労働災害・インシデント記録
- 作業ごとのリスクアセスメント結果
- 設備の不具合・点検履歴
これらをバラバラの紙やExcelで管理していると、AIは学習できない。デジタル化して一元的に蓄積することが、予測の前提条件になる。ヒヤリハットの集め方そのものに課題がある場合は、デジタルヒヤリハットの始め方もあわせて参考にしてほしい。
パターン認識による予測の例
AIが得意とするのは、人が気づきにくい相関関係の発見である。たとえば次のようなパターンを検出できる。
- 「金曜日の午後」「梅雨時」に転倒のヒヤリハットが集中している
- 特定の設備で「異音の報告」の後に「停止トラブル」が起きる傾向がある
- 新人配属から2週間以内に作業ミス系のヒヤリハットが増える
こうした傾向を踏まえ、「今週は金曜の午後に転倒注意の呼びかけを強化」「この設備は異音段階で点検を前倒し」といった先回りの対策を打てる。KY活動が、当日の作業だけでなく、中期的なリスク管理とつながっていく。
ハインリッヒの法則とAI予測
1件の重大事故の背後には29件の軽微な事故と300件のヒヤリハットがあるという「ハインリッヒの法則」は、AI予測の理論的な裏付けでもある。300のヒヤリハットを丁寧に集めて分析すれば、その先にある重大事故の芽を摘める。法則の詳細はハインリッヒの法則の解説記事で確認できる。AIは、この300件を人手では不可能な速度と網羅性で分析する役割を担う。
KY活動の効果測定をAIで実現する
効果測定とは、KY活動が実際に事故・ヒヤリハットの減少に寄与しているかを、客観的な指標で評価することである。「やっているかどうか」ではなく「効いているかどうか」を問う視点が、形骸化の防止につながる。
測定すべき指標
KY活動の効果は、活動量とアウトカムの両面から測る。AIを使えば、これらの集計とトレンド分析を自動化できる。
| 指標カテゴリ | 具体的な指標 | 見るポイント |
|---|---|---|
| 活動量 | KY実施率、1回あたりの危険抽出数 | 活動が継続しているか |
| 質 | 危険ポイントの多様性、対策の具体度 | マンネリ化していないか |
| アウトカム | ヒヤリハット件数、災害件数の推移 | 実際に減っているか |
| 連動性 | 予知した危険と実際の発生の一致率 | 予知の精度は高いか |
特に注目したいのが「予知した危険と実際の発生の一致率」である。KYで挙げた危険が実際にヒヤリハットとして発生していれば、予知の精度が高い証拠になる。逆に、予知していない事象ばかり起きるなら、KYの観点が現実とずれている。AIはこの照合を自動で行える。
ダッシュボードによる可視化
紙の記録では、効果測定はほぼ不可能である。データを蓄積し、AIが集計・可視化することで、はじめて「先月よりヒヤリハット報告が増え、重大災害につながる芽の発見が増えた」といった評価ができる。
可視化の効果は現場だけにとどまらない。経営層への報告でも、「KY活動を強化した結果、災害件数が前年比で減少した」という数値があれば、安全投資の正当性を示せる。ヒヤリハット報告を増やす運用の工夫については、業種別のヒヤリハット活動の事例集も役立つ。
AIをKY活動に導入する手順
AI導入の手順とは、いきなり全面展開するのではなく、データ基盤の整備から効果検証まで段階的に進めるプロセスである。準備不足のまま導入すると「AIが的外れな危険ばかり出す」という失敗に陥りやすい。
4ステップで進める
導入は次の4段階で進めると失敗が少ない。
- データのデジタル化: 紙・Excelで散在するヒヤリハットや災害記録を一元化する。AIの学習材料を整える最初の一歩。
- 小規模なパイロット導入: 特定の職場・作業に絞ってAI生成シートを試す。現場の反応と精度を確認する。
- 現場フィードバックでの調整: AIの出力が現場感覚とずれていれば、入力情報や運用ルールを調整する。「AIが広げ、人が絞る」役割分担を定着させる。
- 効果測定と横展開: パイロットで効果が確認できたら、指標を測定しながら他の職場へ広げる。
導入時の注意点
AIをKY活動に組み込む際、次の点に注意したい。
- AIの出力を鵜呑みにしない: あくまで叩き台。最終判断は現場の人が行う。
- 入力データの質を保つ: ゴミデータを学習させれば、ゴミの予測しか返ってこない（Garbage In, Garbage Out）。
- 現場の納得感を優先する: トップダウンで押し付けると形骸化が再発する。現場が「便利だ」と感じる体験を最初に作る。
技術が苦手な現場でも使えるよう、入力負荷の小さいツールを選ぶことが定着の鍵になる。スマートフォンで写真を撮るだけ、選択肢を選ぶだけといった操作で完結する設計が望ましい。
KY活動のマンネリ化を、AIによる原因分析と対策提案で打開しませんか？
WhyTrace Plus は、現場で起きたヒヤリハットや事象を蓄積し、AIが「なぜ起きたのか」をなぜなぜ分析で深掘りし、再発防止策の立案を支援するプラットフォームである。蓄積された事象データは、次のKY活動で「過去に何が起きたか」を振り返る材料になる。紙とExcelのバラバラ管理を卒業し、危険予知と原因分析を一つの流れでつなげられる。
AI活用で陥りやすい落とし穴
落とし穴とは、AI導入そのものが目的化し、現場の安全文化を置き去りにしてしまう失敗パターンである。ツールを入れれば安全になるという誤解が、最も危険である。
よくある3つの失敗
実際の導入現場で起きやすい失敗を整理する。
| 落とし穴 | 症状 | 回避策 |
|---|---|---|
| ツール導入が目的化 | 入れただけで満足し、運用が続かない | 効果指標を最初に決めて測定する |
| AIへの過信 | 出力を検証せず、的外れな対策を実施 | 現場検証を必ずワンクッション挟む |
| 現場不在 | 管理部門だけで運用し、作業者が無関心 | 作業者が使う体験から設計する |
AIと人の役割分担
AIは「危険の網羅的な提示」と「データの集計・分析」が得意である。一方、「今日のこの現場での優先順位づけ」「対策の現実的な実行可能性の判断」は人にしかできない。この境界を理解せずにAIへ丸投げすると、現場の安全感度はむしろ鈍る。
KY活動の本質は、作業者一人ひとりが「今日は何が危ないか」を自分の頭で考える習慣にある。AIはその考える材料を豊かにし、考えた結果を記録・分析する道具であって、考えること自体を肩代わりするものではない。この前提を外さなければ、AIはKY活動を強力に底上げする。
よくある質問（FAQ）
Q. AIで危険予知シートを作ると、現場が自分で考えなくなりませんか？
AIの出力をそのまま使う運用なら、その懸念は現実になる。重要なのは、AIが提示した危険を「叩き台」として扱い、現場で「今日の作業に本当に関係するのはどれか」を選び、対策を具体化する運用にすることである。AIは考える材料を増やす道具であり、考える主体は作業者本人であるという役割分担を崩さないことが鍵になる。
Q. ヒヤリハットのデータが少なくてもAI予測は機能しますか？
データが少ない初期段階では、予測精度は限定的である。まずは紙やExcelで散在する過去記録をデジタル化して一元化し、日々のヒヤリハット報告を蓄積する仕組みを整えることが先決になる。データが貯まるほど予測の精度は上がるため、導入初期は「データを集める仕組みづくり」を優先するとよい。
Q. KY活動の効果測定は、どの指標から始めればよいですか？
最初はシンプルに「ヒヤリハット報告件数の推移」と「KY実施率」の2つから始めるのがよい。報告件数が増え、災害件数が減っていれば、活動が機能している有力な根拠になる。慣れてきたら「予知した危険と実際の発生の一致率」など、予知の精度を測る指標を加えると、活動の質まで評価できる。
Q. AIツールの導入にはどれくらいの期間が必要ですか？
データのデジタル化から効果検証まで、段階的に進めるのが現実的である。特定の職場に絞ったパイロット導入なら、数週間で現場の反応と精度を確認できる。いきなり全社展開するより、小さく始めて効果を確かめ、横展開する進め方のほうが失敗が少ない。
Q. 4R法のような従来手法はAI導入後も必要ですか？
必要である。AIは危険の洗い出しと効果測定を支援するが、現場で危険を共有し対策を決める活動の枠組み自体は変わらない。従来手法の進め方をAIが効率化・高度化すると捉えるのが正しく、手法を置き換えるものではない。
まとめ
本記事では、KY活動をAIで革新する方法を、危険予知シートの自動生成・危険予測・効果測定の3つの観点から解説した。
- 自動生成: 作業条件と過去データから、危険要因の叩き台を数秒で生成。「AIが広げ、人が絞る」役割分担が精度を高める
- 危険予測: 蓄積したヒヤリハットのパターンをAIが分析し、人が気づきにくい相関から先回りの対策を打つ
- 効果測定: 活動量・質・アウトカムを数値化し、KY活動が「効いているか」を客観的に評価する
- 導入手順: データのデジタル化から段階的に進め、現場の納得感を最優先する
KY活動のマンネリ化は、人の記憶と経験だけに依存した運用の限界から生まれる。AIはその限界を補い、データドリブンな予防活動へと進化させる。ただし、考える主体はあくまで現場の作業者であり、AIはその材料を豊かにする道具である——この前提を外さないことが、AI活用を成功させる最大のポイントになる。
危険予知で挙がった事象や実際に起きたヒヤリハットを蓄積し、AIで原因分析・再発防止策まで一気通貫で運用したい場合は、WhyTrace Plusをぜひお試しいただきたい。
Sources:
関連サービス
KY活動・安全管理のDXをさらに進めるために、姉妹サービスの関連記事もご活用ください。
- KYボードAIの最新比較（AnzenAI）
- ヒヤリハット報告を増やす方法（安全ポスト+）
- 4M分析の完全ガイド（安全ポスト+）
著者
國分 良太
制御設計エンジニア → AI・IoT・DX推進｜AIコンサルタント｜東京の製造業メーカー開発部門
製造業の現場で設備設計・改善プロジェクト・品質向上施策に従事。なぜなぜ分析（RCA）やリスクアセスメントの実務経験をもとに、現場DXを支援するアプリケーションの開発と情報発信に取り組んでいます。AIコンサルタントとして、企業のAI・生成AI活用や現場DX導入の支援も行っています。
※ 本サイトは所属企業とは関係のない個人活動です。記載の見解は筆者個人のものです。