KY活動のマンネリ化を打破する｜データ分析で見つける「本当に危ない作業」
毎朝のKYで誰もが同じことを言う。「足元注意」「指差し呼称をしっかり」――声は出ているが、現場の誰も本気で危険を考えていない。多くの安全担当者がこの光景に頭を抱えている。KY活動そのものが悪いのではない。「何を題材にするか」を毎日その場の思いつきで決めているから、自然と無難で当たり障りのないテーマに収束していく。
マンネリ化の処方箋は「もっと真剣にやれ」という精神論ではない。自社のヒヤリハット報告と労災データを分析し、「統計的に本当に危ない作業」を客観的に特定して、そこにKYの焦点を当てることである。本記事では、ネタ一覧に頼らずデータでKYのテーマを選定し、形骸化を打破する具体的な手順を解説する。
1. KY活動がマンネリ化する構造的な原因
KY活動のマンネリ化とは、危険予知の題材と進め方が固定化し、参加者が思考停止のまま儀式的に実施している状態である。これは個々の作業員の意識の問題ではなく、活動設計そのものに原因がある。
厚生労働省の分析によれば、労働災害の事故の約8割に人間の不完全な行動が含まれているとされる（2026年時点、参考：厚生労働省 職場のあんぜんサイト 労働災害統計）。だからこそ「人の行動」に働きかけるKY活動の価値は高いはずだが、形骸化すると効果は失われる。
マンネリ化を生む典型的な構造は次の3点に集約される。
| 構造的原因 | 何が起きているか |
|---|---|
| 題材の枯渇 | 毎朝その場で考えるため、無難で抽象的なテーマに収束する |
| 当事者意識の欠如 | 自分の今日の作業と無関係なテーマが多く、自分事にならない |
| 検証の不在 | 挙げた危険が実際に起きたかを振り返らず、精度が上がらない |
特に深刻なのが「題材の枯渇」である。KY活動のネタ切れは現場共通の悩みであり、新しい題材やアイディアの不足が大きな課題として認識されている（参考：現場と人 KY活動とは）。ネタ一覧集を配って凌ぐ現場は多いが、それは「他社で起きた一般論」であって「自社の今日の現場で本当に危ない作業」ではない。ここに根本的なズレがある。
KY活動の題材を「思いつき」から「自社データに基づく根拠」へ変えるだけで、形骸化した儀式は意味のある危険予知に変わる。WhyTrace Plus は、現場のヒヤリハットや事故をAIが分析し、リスクの集中ポイントを可視化する。
2. ネタ一覧ではなくデータでテーマを選ぶ意味
データ駆動のKYテーマ選定とは、自社で蓄積したヒヤリハット・事故・是正記録を分析し、発生頻度や重大度の高い作業を題材として優先的に取り上げる進め方である。汎用的なネタ一覧との違いは「根拠が自社の現実にある」点にある。
ネタ一覧集が役に立たないわけではない。ただし、それは新人教育や題材の発想を広げる補助にとどめるべきものである。マンネリ化の本質的な打破には、次の問いに自社データで答える必要がある。
- 自社で過去半年、最も多く報告されたヒヤリハットはどの作業か
- 重大災害につながりかねないニアミスはどの工程に集中しているか
- 季節・時間帯・担当者の習熟度で危険のパターンはどう変わるか
これらは他社のネタ一覧には載っていない。自社のデータにしか答えがない。
汎用ネタ一覧とデータ駆動の比較
| 観点 | 汎用ネタ一覧 | 自社データ駆動 |
|---|---|---|
| 題材の根拠 | 一般論・他社事例 | 自社の発生実績 |
| 当事者意識 | 低い（他人事） | 高い（自分の現場） |
| 優先順位 | つけられない | 頻度×重大度で明確 |
| 改善効果の検証 | 困難 | データで追跡可能 |
データでテーマを選ぶと、KYは「今日は何を題材にしよう」という消耗戦から解放される。報告データが「次に取り上げるべき危険」を教えてくれるからである。
3. ヒヤリハットデータからリスクの高い作業を特定する
リスクの高い作業の特定とは、蓄積したヒヤリハット報告を作業・場所・要因の軸で集計し、発生件数と潜在的な重大度から優先順位をつける分析である。ハインリッヒの法則が示すとおり、1件の重大災害の背後には29件の軽傷災害と300件のヒヤリハットが存在する。ヒヤリハットの分布は、これから起きる重大災害の予兆を映す鏡である。
ステップ1：報告データを「作業×場所」で集計する
まず、過去6か月〜1年分のヒヤリハット報告を、作業内容と発生場所の2軸で集計する。Excelのピボットテーブルでも十分に始められる。集計すると、特定の作業や場所に報告が偏っていることが見えてくる。この「偏り」こそがKYで重点的に取り上げるべき作業である。
ステップ2：頻度と重大度のマトリクスで優先順位をつける
件数が多いだけで判断してはいけない。「件数は少ないが起きれば重大」な作業を見落とすからである。リスクアセスメントの考え方を借り、各作業を「発生頻度」と「予想される重大度」の2軸でマッピングする。
| 重大度：低 | 重大度：中 | 重大度：高 | |
|---|---|---|---|
| 頻度：高 | 定常KYで注意喚起 | 重点KYテーマ | 最優先KYテーマ |
| 頻度：中 | 周知レベル | 重点KYテーマ | 最優先KYテーマ |
| 頻度：低 | 経過観察 | 周知レベル | 重点KYテーマ |
右上の「最優先KYテーマ」に分類された作業を、翌月のKY重点項目として設定する。これでKYの題材が「思いつき」から「データに基づく優先順位」へ変わる。
ステップ3：4M視点で要因を分類する
集計結果を4M（Man／Machine／Material／Method）で分類すると、対策の打ち所が見えてくる。たとえば「はさまれ」のヒヤリハットがMachine要因に集中していれば、KYでの注意喚起だけでなく設備対策（インターロックなど）が本筋だと判断できる。データ分析は、KYで解決すべき問題と、設備・仕組みで解決すべき問題を切り分ける役割も果たす。
なお、報告件数自体が少ない現場では、まず報告を集める仕組みづくりが先決である。報告のハードルを下げる具体策はヒヤリハット活動の事例集で詳しく解説している。
4. 労災統計データで業界全体の傾向を補う
労災統計データの活用とは、自社データだけでは見えない業界共通のリスク傾向を、行政が公開する統計で補完することである。自社の蓄積が浅い場合や、新規作業を始める場合に特に有効である。
厚生労働省の統計によれば、2024年の建設業の死傷災害は13,849件で、最も多かったのは「墜落・転落」の4,351件、次いで「転倒」が1,658件、「はさまれ・巻き込まれ」が1,563件であった（2026年時点、参考：厚生労働省 労働災害発生状況）。業種別の死傷者数は建設業・製造業・陸上貨物運送事業の順に多い傾向が続いている。
こうしたマクロ統計は、自社KYに次のように活かせる。
- 自社にデータがない作業の事前リスク把握：新規工法・新規設備の導入前に、業界全体でその作業に多い災害類型を確認する
- 季節要因の織り込み：夏季の熱中症、冬季の凍結による転倒など、統計が示す季節傾向をKYカレンダーに反映する
- 自社の盲点チェック：業界統計で多い災害類型が自社で報告ゼロなら「対策が効いている」のか「報告漏れ」なのかを検証する
自社データ（ミクロ）と労災統計（マクロ）を重ね合わせると、KYのテーマ選定の精度は大きく上がる。リスクアセスメントの体系的な進め方はリスクアセスメントの実践ガイドも参照されたい。
5. データ駆動KYを朝礼に落とし込む運用設計
データ駆動KYの運用設計とは、分析で特定した重点作業を、TBM-KYや4ラウンド法といった既存のKYフレームに無理なく組み込む仕組みである。分析しただけでは現場は変わらない。毎日の朝礼に乗せて初めて機能する。
月次サイクルで「重点テーマ」を回す
毎日その場で題材を考えるのをやめ、月単位で重点テーマを設定する運用に切り替える。
- 月初：前月のヒヤリハット・是正データを分析し、最優先KYテーマを2〜3件選定する
- 週次：選定したテーマを週ごとに割り当て、TBM（ツールボックスミーティング）で深掘りする
- 日次：当日の作業に重点テーマが含まれる班は、そのテーマで4ラウンドKYを実施する
- 月末：重点テーマに関するヒヤリハットが減ったかをデータで検証し、翌月のテーマを更新する
このサイクルの肝は「4. 検証」である。挙げた危険が実際に減ったかをデータで振り返ることで、KYが「やりっぱなし」から「PDCAが回る活動」へ変わる。
マンネリ防止の補助策を組み合わせる
データ駆動を軸にしつつ、進め方の変化でマンネリをさらに防ぐ。
| 補助策 | 効果 |
|---|---|
| リーダーのローテーション | 視点が固定化せず、新しい気づきが生まれる |
| 写真・イラストの活用 | 抽象論を避け、具体的な危険源を共有できる |
| 実際の自社事例の使用 | 当事者意識が高まり、他人事になりにくい |
| 検証結果のフィードバック | 「危険を挙げた意味があった」と実感できる |
KYの基本フレーム（4ラウンド法・TBM-KY）と記入の具体例は、現場コンパスのKY活動の書き方と記入例（AnzenAI）が参考になる。本記事のデータ選定手法と組み合わせると効果が高い。
6. AIで分析を自動化し「分析疲れ」を防ぐ
KY活動のためのデータ分析でAIを使う意味とは、集計・分類・原因の深掘りといった手作業の負担を減らし、安全担当者が「考えること」に集中できる状態をつくることである。データ駆動KYの最大の障壁は「分析する人手と時間がない」ことだからである。
Excelでのピボット集計は手軽に始められるが、報告が増えると分類・タグ付け・原因分析の手間が雪だるま式に膨らむ。これが続くと「分析疲れ」を起こし、結局マンネリKYに逆戻りする。ここを自動化することが、データ駆動KYを継続させる鍵になる。
AIを活用すると、次の作業を効率化できる。
- 自由記述のヒヤリハット報告を作業・場所・4M要因に自動分類する
- 報告の集中ポイント（リスクの偏り）を自動で抽出する
- 頻発する事象になぜなぜ分析を適用し、根本原因まで掘り下げる
- 分析結果を組織のナレッジとして蓄積し、次回以降のKYに再利用する
マンネリKYからの脱却は「分析の自動化」がボトルネックでした。
WhyTrace Plus は、現場のヒヤリハットや事故報告をAIが分析し、なぜなぜ分析で根本原因まで掘り下げる根本原因分析プラットフォームです。QRコードで30秒の報告から、リスクの集中ポイントの可視化、KY重点テーマの抽出までを一気通貫で支援します。「分析する時間がない」を理由にデータ駆動KYを諦めていた現場でも、毎月の重点テーマ選定を仕組みとして回せます。
掘り下げた根本原因は、対症療法ではなく発生そのものを減らす対策につながる。なぜなぜ分析の進め方に不安がある場合は、品質・安全の両面で使えるFMEAの実践ガイドも合わせて確認すると、リスクの事前予測とKYの連携が理解しやすい。
よくある質問（FAQ）
Q. KY活動のマンネリ化を防ぐ最も効果的な方法は何ですか？
最も効果的なのは、題材を「思いつき」ではなく自社のヒヤリハット・労災データに基づいて選ぶことである。データが「本当に危ない作業」を客観的に示すため、抽象的で無難なテーマへの収束を防げる。あわせてリーダーのローテーションや自社事例の活用を組み合わせると効果が高まる。
Q. ヒヤリハット報告が少なく、分析するデータがありません。どうすればよいですか？
まずは報告を集める仕組みづくりが先決である。報告フォームを3項目程度に絞る、写真1枚で完了できるようにするなど、書くハードルを下げると件数は大きく伸びる。当面は厚生労働省の労災統計など業界データで業種共通のリスク傾向を補い、自社データの蓄積を並行して進めるとよい。
Q. 労災統計データはどこで入手できますか？
厚生労働省の「職場のあんぜんサイト」や「労働災害発生状況」のページで、業種別・事故類型別の統計が無料で公開されている（2026年時点）。建設業向けには国土交通省や建設業労働災害防止協会、製造業向けには中央労働災害防止協会の資料も参考になる。
Q. データ分析は専門知識がないと難しいのでは？
最初はExcelのピボットテーブルで「作業×場所」を集計するだけでも十分始められる。発生頻度と重大度の2軸でマッピングすれば、優先すべき作業が見えてくる。報告件数が増えて手作業が限界になった段階で、AIによる自動分類・分析ツールの導入を検討するのが現実的である。
Q. データ駆動KYとTBM-KY（ツールボックスミーティング）は両立しますか？
両立する。データ駆動KYは「何を題材にするか」を決める仕組みであり、TBM-KYや4ラウンド法は「どう進めるか」の手法である。月次で分析した重点テーマを、日々のTBM-KYの題材として割り当てれば、既存の進め方を変えずにテーマ選定だけを高度化できる。
まとめ
本記事では、KY活動のマンネリ化をデータ分析で打破する方法を解説した。要点を整理する。
- マンネリ化は構造の問題：題材の枯渇・当事者意識の欠如・検証の不在が形骸化を生む。精神論では解決しない。
- ネタ一覧ではなくデータでテーマを選ぶ：他社の一般論ではなく、自社のヒヤリハット・労災データが「本当に危ない作業」を教えてくれる。
- 頻度×重大度で優先順位をつける：件数の多さだけでなく重大度を掛け合わせ、最優先KYテーマを特定する。
- マクロ統計で補完する：自社データの盲点や新規作業のリスクは、厚労省の労災統計で補う。
- 月次サイクルで運用し検証する：重点テーマを朝礼に落とし込み、効果をデータで振り返ることでPDCAを回す。
- AIで分析を自動化する：分析疲れがデータ駆動KYの最大の障壁。自動化で継続性を担保する。
KY活動は「やること」が目的化した瞬間にマンネリ化する。データという客観的な根拠を題材選びの軸に据えれば、毎朝のKYは「本当に危ない作業」に集中した意味のある危険予知へ生まれ変わる。自社のヒヤリハットや事故をAIで分析し、KY重点テーマの抽出まで支援する仕組みに関心があれば、WhyTrace Plusを無料でお試しいただきたい。
関連サービス
安全管理・KY活動・ヒヤリハット活動をさらに強化するために、姉妹サービスの記事もご活用ください。
- KY活動の書き方と記入例30選（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。