2025建設DX最前線の事例まとめ - CB Lab（シービー・ラボ）| “現場の困った”を解剖するメディア

— LLM（大規模言語モデル）が“現場の判断”にどう効いているか

サマリー（まず結論）

2025年の建設DXは「社内文書×LLM（RAG）」「工程・積算の半自動化」「根拠提示つき回答」が実用フェーズ。
効果が大きいのは 文書起点の作業（計画書・報告・RFI・契約確認） と 数量拾い・見積の前処理。
成功組織は例外処理やベテランの“考えどころ”をテンプレ化＋人の最終レビューで回している。

分野別の最前線事例

1) 設計・BIM連携

安藤ハザマ × 燈（AKARI Construction LLM）
社内の施工計画書・技術文書・議事録などを参照し、根拠付きで回答。特許・法令DBとの連携や手書き図面のデータ化も視野。設計〜施工前工程の社内ナレッジ検索として定着しつつある。
Revit＋ChatGPT（海外）
ChatGPTが生成したスクリプトをDynamo経由で実行し、コンセプトモデルの自動生成・反復を高速化。初期プラン検討の試行回数を増やし、設計の“当たり”を早める。

効きどころ：標準仕様や過去案件の素早い横断検索、初期設計の反復、法規チェックの下書き生成。

2) 施工管理（進捗・文書・工程）

現場報告の自動化
写真＋メモから日報・報告書を自動ドラフト。現場の記録整備を“後追い入力”から“同時生成”に転換。
施工計画書：2週間 → 30分級
既存テンプレとChatGPTを組み合わせ、情報整理〜文書体裁まで自動ドラフト。担当者は整合確認と加筆に専念。
工程計画の下案生成
類似案件の工程・標準手順を学習し、作業順序や期間の提案を自動化。会議前に“たたき台”が常に用意できる。

効きどころ：進捗会議の要約、施主向け週次レポート、RFI回答の草案、工程のたたき台づくり。

3) 積算・見積

Togal.AI × ChatGPT（米）
図面AIにLLMを統合し、**「このフロアのドア総数は？」のような自然言語質問に即応。導入事例では作業時間50–90%短縮、精度98%**と報告。
自動見積の構想（国内）
図面・仕様の理解＋物価情報を踏まえた材料・工数の自動算出に挑戦。担当者はAIの内訳を確認・調整する運用へ。

効きどころ：数量拾いの前処理、相見積の説明文・スコープ文の生成、差分チェック。

4) 安全管理

事故・ヒヤリハット記述のLLM分析（海外研究）
OSHA報告など大量テキストをクラスタ×要約で解析し、見落としがちな原因パターンを抽出。
知識強化型（ナレッジグラフ×LLM）
既存の安全基準・社内ルールを組み込んだ専門Q&Aで、現場の「この作業の注意点は？」に根拠引用つきで回答。
安全手順書のドラフト生成
作業条件を与えてリスクアセスメント雛形を自動生成。専門家レビュー前提で文書整備を高速化。

効きどころ：大量テキストのリスク傾向把握、現場の“その場”Q&A、手順書の初稿作り。

5) 維持管理・保全

点検レポート自動化
前回 vs 今回の点検数値を比較し、異常の兆候・原因仮説・次回留意点まで自動出力。報告作業の負担が激減。
ナレッジ検索（Box等と連携）
図面・マニュアル・保守履歴を横断し、故障トラブルシュートを即時支援。
チャットボット／AR×LLM（研究含む）
入居者や現場技術者の自然言語質問に応答。将来的にはスマートグラス上での手順誘導も。

効きどころ：傾向変化の早期検知、一次対応の自動化、保守ノウハウの継承。

6) その他（入札・契約・社内問合せ・教育）

入札評価の自動レビュー（欧州）
過去評価で微調整したLLMが提案書の品質評価と理由レポートを自動作成。初期レビュー時間を半減。
契約書リスク分類（研究）
BERT/LLMで条項を高精度に分類し、要注意箇所にハイライト。人の最終判断を前提に下作業を自動化。
社内ナレッジQ&A（国内）
AKARI LLMなどで根拠ドキュメントを同時提示。RFI対応や標準類の参照が高速化。
人材育成
研修・OJTの個別最適化、業務シミュレーション、理解度クイズの自動生成。

分野別・効果の早見表

分野LLMの主な役割代表的効果代表例設計/BIM社内ナレッジ検索、初期設計の反復検索時間削減／初期案の試行増AKARI LLM、Revit＋ChatGPT施工管理報告書・計画書ドラフト、工程たたき台文書作成 30–90%短縮日報自動化、計画書30分級積算・見積数量拾い前処理、質問応答50–90%短縮（報告例）Togal.AI＋ChatGPT安全事故記述の分析、知識強化Q&Aリスク傾向の可視化OSHA分析、KG×LLM維持管理点検比較・要約、保守Q&A異常の早期検知、一次対応自動化点検レポ自動化、Box連携入札・契約提案評価、リスク条項抽出初期レビュー半減、見落とし減Bright Cape系、BERT/LLM分類

※効果数値は各事例の報告値。実環境により変動します。

成功パターン（共通アーキテクチャ）

RAG（Retrieval Augmented Generation）：図面・標準類・議事録・法令を検索して根拠ごと回答。
テンプレ×生成：社内の定型フォーマットを“LLMが埋める”。整合チェックは人が担当。
マルチモーダル：図面＋表＋テキストをまとめて扱い、数量拾い・差分検出を前処理。
根拠提示・監査性：回答に参照元リンクを必ず。現場の納得感と品質保証に直結。
セキュリティと権限：Box/SharePoint等の権限境界をそのままRAGに反映。持ち出さない設計。

導入の勘所（チェックリスト）

ユースケースの粒度：まず“文書ベースで工数が大きい作業”に限定。
データ整備：最新版フォルダ・命名規則・版管理をRAG前提に整備。
人の関与（HITL）：最終承認者・レビュー観点・差戻しフローを明確化。
KPI：時間短縮・不備率・再利用率（テンプレ適用率）・根拠提示率を計測。
ガバナンス：プロンプトと回答のログ保全、モデル更新時の回帰テスト。

90日で成果を出す小さなロードマップ

0–30日：3ユースケース選定（例：施工計画書、日報、RFI）。既存テンプレと根拠文書の棚卸し。
31–60日：RAG PoC（Box/SharePoint連携）、根拠表示を必須に。現場でA/B評価。
61–90日：テンプレ標準化、例外処理の“メモ欄”運用、レビュー省力化のワークフローを定着。

まとめ

“人の判断”を奪わず、判断に至る過程を支えるのが2025年のLLM活用トレンド。
文書仕事の下準備はAI、最終判断は人という分担が最も費用対効果が高い。
成功組織は、根拠提示・ログ・例外メモを運用の標準に組み込んでいる。

Connected Baseのご紹介

「AI-OCR」「RPA」から
“LLM＋人の判断”の再現へと移りつつあります。

Connected Base は、日々の見積書・請求書・報告書など、
人の判断を必要とする“あいまいな領域”を自動で処理し、
現場ごとのルールや判断のクセを学習していくAIプラットフォームです。

これまで人が時間をかけて行ってきた仕分けや確認を、
AIとルール設定だけで再現・蓄積・自動化。
単なる効率化ではなく、「判断の継承」まで含めたDXを実現します。

現場の知恵を未来につなぐ──
その第一歩を、Connected Baseとともに。

👉 https://connected-base.jp/