自然言語処理（NLP）

建設会社ほど「文章」が溜まる仕事は、そう多くありません。毎日の作業日報、朝礼のKY記録、施主とのメール、打合せ議事録、過去の施工計画書、ヒヤリハットの報告用紙。どれも中身は濃いのに、書いたきりキャビネットやサーバーの奥で眠っている、という会社がほとんどではないでしょうか。

自然言語処理は、その眠っている文章を「探せる・数えられる・まとめられる」状態にするための技術です。この記事では、自然言語処理が何をしている技術なのかを数式なしで説明したうえで、生成AIやLLMとの関係を整理し、建設会社が実際にどこで使えるのかを、公開されている導入事例の数値とあわせて見ていきます。読み終えるころには、「うちの会社にある文章のうち、どれを最初にAIに読ませるべきか」の見当がつくはずです。

自然言語処理（NLP）とは

自然言語処理とは、日本語や英語のように人がふだん使っている言葉を、コンピュータが計算できる形に変えて扱う技術の総称です。英語のNatural Language Processingを略してNLPとも呼びます。

「自然言語」という言い方は、プログラミング言語のような人工的に作られた言葉と区別するためのものです。プログラミング言語は文法が厳密で、書き方を一つ間違えれば動きません。ところが人間の言葉はその逆で、主語が抜けても、送り仮名が揺れても、「あの件、例のとおりで」と書いても通じてしまいます。この曖昧さこそが、コンピュータにとっては長らく最大の難所でした。

とくに日本語は厄介です。英語のように単語のあいだに空白がないため、まず「どこからどこまでが一語なのか」を決めるところから始めなければなりません。「ここではきものをぬぐ」という有名な例文が「ここで、履物を脱ぐ」とも「ここでは、着物を脱ぐ」とも読めるように、区切り方が変われば意味そのものが変わってしまいます。

コンピュータが日本語を読むまでの流れ

細かな方式は時代とともに変わってきましたが、文章を理解しようとするときの段取りは、大きく四つの段階に分けて説明されるのが一般的です。順に見ていくと、この技術が何をしているのかが掴みやすくなります。

1. 1

   形態素解析で単語に切り分ける

   文章を、意味を持つ最小の単位である形態素まで分解し、それぞれに品詞を割り当てます。「本日は基礎の配筋検査を実施した」であれば、「本日／は／基礎／の／配筋／検査／を／実施／し／た」のように切り、名詞・助詞・動詞といったラベルを付けます。日本語を扱う入口にあたる工程です。

2. 2

   構文解析で言葉のかかり方を調べる

   切り分けた単語同士が、どれがどれを修飾しているのかという関係を組み立てます。「新しい足場の点検表」が「新しい足場」なのか「新しい点検表」なのかは、ここで判断されます。

3. 3

   意味解析で内容を捉える

   文の組み立てが分かったうえで、その文が何を述べているのかを扱います。「検査」という同じ単語でも、配筋検査なのか自主検査なのかで指すものが違う、といった区別がここに関わってきます。

4. 4

   文脈解析で前後とつなげる

   文をまたいだ関係を扱う段階です。「その箇所を是正した」の「その箇所」が前の文のどこを指すのかを結びつけます。報告書のように話が続いていく文章では、この段階の精度が読み取りの質を左右します。

入口にあたる形態素解析には、MeCabのように広く使われている無償のツールがあり、辞書を差し替えることで専門用語にも対応させられます。建設の文章には「墨出し」「打設」「養生」といった一般の辞書に載りにくい言葉が多いため、業界の用語を辞書に足せるかどうかは、実務では地味に効いてくる部分です。

AI侍

言葉を刻み、係り結びを見定め、意味を汲み、前後をつなぐ。読解の作法は人も機械も変わらぬでござるな。

生成AIやLLMとはどういう関係か

ここ数年で言葉を扱うAIが急に賢くなったため、「自然言語処理」と「生成AI」を同じものだと思われることがあります。正確には、自然言語処理という分野があり、そのなかで現在いちばん成果を上げている手法がLLM（大規模言語モデル）だ、という入れ子の関係になります。

総務省の令和6年版 情報通信白書でも、深層学習を用いたトランスフォーマーと呼ばれる仕組みの開発と大規模化によって、自然言語処理などのタスクで精度が飛躍的に向上した、と整理されています。つまり生成AIは、自然言語処理という長い研究の流れの上に現れた到達点であって、それ以前の技術を丸ごと置き換えたわけではありません。

• 自然言語処理：言葉をコンピュータで扱う分野そのものを指す言葉。形態素解析のような古くからの手法も含みます。
• LLM：膨大な文章から言葉のつながり方を学んだ大きなモデル。現在の自然言語処理の中心にある手法です。
• 生成AI：LLMなどを使って、文章や画像を新しく作り出す使い方を指す呼び方です。
• テキストマイニング：大量の文章から傾向や特徴を取り出す分析の呼び名。自然言語処理を道具として使います。

自然言語処理でできること

分野としての幅は広いのですが、実務で使われる形はおおむね次のいくつかに整理できます。自社の困りごとがどれに当てはまるかを考えると、探すべき道具が絞り込めます。

• 分類：文章を決められた区分に振り分ける。ヒヤリハット報告を災害の型ごとに仕分ける、問い合わせメールを担当部署に割り振るなど。
• 情報抽出：文章のなかから必要な項目だけを取り出す。日報から作業内容・人数・使用機械を拾い、一覧表にするなど。
• 検索：言葉の意味の近さで探す。「雨で中止」と書いた記録を「降雨による作業中断」でも見つけられるようにするなど。
• 要約：長い文章を短くまとめる。一日ぶんの複数現場の日報から、翌朝の朝礼で共有すべき点だけを抜き出すなど。
• 文章生成：条件を与えて新しい文章を作る。案内文や報告書の下書きなど。
• 翻訳：外国人技能者向けに作業手順や注意事項を訳すなど。

建設現場での使い方

建設で自然言語処理が効いてくるのは、「同じような文章が、大量に、長年ぶん溜まっている」場所です。逆に言えば、一度きりの特殊な書類にはあまり向きません。具体的な場面を挙げると、次のようになります。

• 過去の災害事例やヒヤリハット報告から、これから行う作業に近いものを探し出す
• 現場から届く手書き日報を読み取り、作業内容ごとに分類して集計する
• 打合せの録音を文字にしたうえで、決定事項と持ち帰り事項に仕分ける
• 仕様書や特記仕様から、必要な検査項目や提出書類の記述を拾い出す
• 施主や協力会社からの問い合わせメールを、内容に応じて担当へ振り分ける
• 過去の施工計画書を検索できるようにし、似た条件の現場の記述を参照する

安全管理での活用事例

自然言語処理が建設で最も分かりやすい成果を出しているのが、安全の分野です。災害事例という文章で書かれた大量の記録が、業界全体で長年蓄積されてきたためです。

鹿島建設は、自社が保有する約5,000件の災害事例と、厚生労働省の「職場のあんぜんサイト」で公開されている約64,000件をあわせた合計約69,000件を、AIの自然言語処理技術で解析するシステム「鹿島セーフナビ（K-SAFE）」を開発したと発表しています。自由に書かれた文章から災害原因を特定し、原因ごとに分類して代表的なキーワードで見出しを付けたうえで、これから行う作業の内容を入力すると、似た作業でどんな災害が起きているかをグラフで示す仕組みです（出典: 鹿島建設 プレスリリース、2021年10月14日）。

同じ方向の取り組みとして、MetaMoJi・大林組・労働安全衛生総合研究所が共同開発した安全AIソリューションでは、労働災害データから自然言語処理AIがリスク予測のデータベースを自動で組み立て、そこからリスクを判定する仕組みが採られています。個人の経験や勘に頼りがちだった安全管理を、組織として見える形にすることが狙いだと説明されています（出典: 大林組 ニュース、2022年7月5日）。日々のKY活動が形骸化しがちだという声は現場でよく聞かれますが、こうした仕組みは「その日の作業に本当に関係のある危険」を提示するための土台になります。

背景には、なかなか下がらない災害の数があります。厚生労働省が公表した令和6年の労働災害発生状況によれば、建設業の死亡者数は232人で、前年より9人（4.0％）増えました。全産業の死亡者数746人のうち、およそ三分の一が建設業で起きている計算になります（出典: 厚生労働省、令和7年5月30日公表）。

書類作成での活用事例

もう一つ動きが早いのが、書類まわりです。大成建設は、視覚言語モデルを基盤としたマルチモーダル生成AIを使い、土木工事の全体施工計画書の原稿を約10分で自動生成するシステムを開発したと発表しています。発注情報と社内の技術ナレッジを読み込ませ、必要な情報を文書解析で抽出したうえで、専門用語・文章・図表を組み合わせて国土交通省書式に沿ったWord形式で出力するもので、作業時間は従来比で約85％削減できるとしています（出典: 大成建設 ニュースリリース、2025年11月28日）。

建設の言葉そのものをAIに教え込む研究も進んでいます。大林組技術研究所報 No.89（2025年）では、建設関連の専門文書やWebデータなどから約375億文字ぶんの日本語データを集め、既存の大規模言語モデルに追加で学習させることで、建設分野に特化したモデルを構築する試みが報告されています。汎用のAIが「配筋」や「養生」といった言葉の重みを取り違える問題に、正面から取り組んだ内容です。

メリットと注意点

実務で最初につまずくのは、精度そのものよりも入力の質です。手書きが崩れていれば読み取りで誤り、日報が「本日も同上」だけなら分類のしようがありません。文章を扱うAIは、事実でないことをもっともらしく書いてしまうハルシネーションも起こしますから、要約や下書きをそのまま提出用の書類にするのは避け、人が確認する工程を必ず残してください。

扱う文章の中身にも注意が要ります。日報には協力会社名や作業員の氏名が、メールには施主の個人情報が含まれます。どのサービスに、どのデータを、どこまで送ってよいのかを先に決めておくことが欠かせません。この点は情報漏洩対策のページで、確認すべき項目を整理しています。

中小の建設会社が始めるなら

自然言語処理そのものを開発する必要は、まずありません。文字起こし、検索、要約、分類。どれも月額数千円から使える道具が揃っています。取り組むべきなのは、開発ではなく「どの文章から手をつけるか」の見極めです。

1. 1

   溜まっている文章を数えてみる

   日報、KY記録、議事録、問い合わせメール。それぞれ年間どれくらいの量があり、誰が何分かけて読んでいるかを、おおまかでよいので把握します。量が多く、読む人が決まっているものほど効果が出ます。

2. 2

   紙のままのものを電子にする

   文字になっていない文章は、AIには存在しないのと同じです。手書き日報が中心なら、読み取りの工程を先に整えるところからになります。この段取りを飛ばすと、あとの工程がすべて空回りします。

3. 3

   探せる状態を作る

   いきなり自動分析を目指さず、まず全文検索ができる状態を作ります。「過去に同じ納まりで揉めた現場はどれか」がその場で引けるようになるだけで、日常の判断はかなり変わります。

4. 4

   書き方をそろえる

   分類や集計まで進めたいなら、日報の項目立てを統一しておくと精度が上がります。自由記述を減らすのではなく、自由記述の前に選択式の欄をいくつか置く、という形が現場では続きやすい方法です。

5. 5

   確認する人を決める

   AIの出力を誰がどこまで確かめて記録に残すのかを、導入と同時に決めます。提出書類に関わるものほど、この線引きを先に固めておくべきです。

どの文章から着手すべきか判断がつかないときは、外の目を入れたほうが早いこともあります。AI番頭では、いま社内でやり取りされている書類の流れを伺ったうえで、効果の出やすい入口を一緒に整理する支援サービスをご用意しています。自社に合うかどうかだけでも、お問い合わせからお気軽にご相談ください。

よくある質問

関連用語

自然言語処理は、新しい情報を生み出す技術ではありません。すでに社内にある文章を、探せて数えられる状態に変える技術です。だからこそ、日報や災害記録を丁寧に書き溜めてきた会社ほど、成果が早く出ます。まずは自社で一番よく書かれている文章は何か、そこから振り返ってみてください。

出典・参考