安全管理 AI 工場｜検知の後ろを設計する3層モデルと5類型

工場の安全にAIカメラを入れる話は、2026年になって「できるかどうか」の議論ではなくなった。保護具の未着用も、立入禁止エリアへの侵入も、画像認識で拾えること自体はもう実証済みである。それでも労働災害は目に見えて減らない。理由は検知の精度ではなく、検知したイベントを誰のどの意思決定に接続するかを設計していないことにある。本記事では安全管理 AI 工場の導入を検知層・判断層・是正層の3層に分けて整理し、どこで止まるのかを先に示す。

工場の安全管理AIとは何を指すのか

言葉の範囲を先に固定しておく。ここが曖昧なまま社内で議論すると、話がかみ合わないまま予算だけが動く。

本記事で「安全管理AI」と呼ぶのは、人が怪我をする事象を減らすために、カメラやセンサーの信号を機械が解釈し、その結果を人の行動や設備の動作に接続する仕組みの総称である。目的語は「人」であって「モノ」ではない。

この線引きは実務上とても重要なので、隣接する2つの領域と明確に切り分けておく。

ひとつは外観検査・品質検査AIである。これは製品の傷や欠品を見つける技術で、使う画像認識のアルゴリズムは安全用途と重なる部分が大きい。しかし目的が違う。検査AIが守るのは客先への出荷品質であり、失敗したときのコストは不良流出である。安全AIが守るのは人の身体であり、失敗したときのコストは労災である。同じベンダーが両方を売っていても、要求される応答速度も、記録の残し方も、承認する部署も違う。同じ稟議に混ぜないほうがよい。

もうひとつは予知保全である。設備の振動や電流から故障の予兆をつかむ話で、これも「異常検知 AI」という同じ言葉で語られる。しかし予知保全が防ぐのは計画外停止であり、守っているのは生産量である。安全とは目的が違う、という一行の切り分けで十分だ。

検知層・判断層・是正層の3層で捉える

安全管理AIを「カメラのシステム」として捉えると、必ず設計を誤る。カメラは3層のうちの一番下しか担っていないからだ。

この3層モデルの要点は、投資額と失敗確率が逆向きになっていることである。検知層はカメラとエッジ機器で費用の大半を食うが、2026年の技術水準ではほとんど失敗しない。逆に判断層と是正層はほとんど費用がかからないのに、ここで止まる案件が圧倒的に多い。

つまり、見積書の金額が大きい部分と、プロジェクトが死ぬ部分が一致していない。稟議を書く側からすると、これは非常に厄介な構造である。金額の大きい検知層は説明しやすく、承認も取りやすい。一方で判断層と是正層は「運用の話」に見えるため、稟議書では一行で済まされ、導入後に誰も引き取らない。

「うちは判断層と是正層を誰が持つのか」

だから、この記事を読んだあとに持ち帰ってほしい問いは「どのカメラを買うか」ではない。「うちは判断層と是正層を誰が持つのか」である。

この問いに名前で答えられない段階でカメラの見積を取ると、ほぼ確実に次の経過をたどる。導入直後の1か月は物珍しさで見られる。2か月目にアラート件数の多さに気づく。3か月目に通知をミュートする人が出る。半年後、システムは動いているが誰も画面を開いていない。1年後、契約更新の稟議で「効果が説明できない」という理由で止まる。

この経過は技術の問題ではなく、判断層と是正層に持ち主がいなかったことの必然的な帰結である。以降の章では、この3層のどこで何が起きるのかを具体的に分解していく。

精度は足りている。それでも労災が減らない4つの断絶

まず、なぜ今この話をするのかの前提を数字で置いておく。

厚生労働省が公表した2025年（令和7年）の労働災害発生状況では、休業4日以上の死傷者数が 135,333 人となっている。うち製造業は 26,371 人で、前年比では305人・1.1%の減少である。減ってはいる。しかし製造業だけで全体の約19.5%を占め、年間250日操業と置けば1日あたり約105件の休業災害が製造業のどこかで起きている計算になる。

より重く受け止めるべきなのは死亡災害の内訳である。死亡災害のうち「はさまれ・巻き込まれ」は 117 件で、前年比7人・6.4%の増加となっている。はさまれ・巻き込まれは、機械の可動部に人が近づくことで起きる。つまりAIカメラが最も検知しやすい類型のひとつが、増えている。

なお、この数字は日本の統計であってタイの統計ではない。日系工場の現場の姿を測る参照値として使ってほしい。海外拠点は本社と同じ設備・ライン構成・作業標準を使っていることが多く、リスクの構造もそのまま移りやすい。現地の実数が必要なら、タイの労災補償基金（社会保障事務局が所管）の公表統計を併せて確認するのがよい。

検知の技術は足りている。PPE（保護具）検知については、2026年時点で実運用に耐える精度が報告されており、ヘルメット・安全ベスト・手袋といった対象で高い水準の検知性能が示されている。にもかかわらず現場の数字が動かない。その断絶を4つに分解する。

断絶1 アラートの宛先が決まっていない

最も多く、最も致命的なのがこれである。

導入検討の会議で「アラートは誰に飛ばしますか」と聞くと、たいてい「安全衛生の担当者と、あとは各ラインの班長ですかね」という答えが返ってくる。この時点で危ない。「と、あとは」で増えた宛先は、全員が「自分以外の誰かが見るだろう」と考える構造をつくるからだ。

宛先の設計で決めるべきは3つある。一次受け（必ず見る人、1名）、エスカレーション先（一次受けが一定時間以内に処理しなかったときに飛ぶ先）、そして通知を受け取らない人の明示である。3つ目が抜けやすい。工場長にも全部飛ばしておく、という運用は善意で始まるが、工場長が最初に通知を切る人になる。

もうひとつ、宛先と一緒に決めておくべきなのが一次受けが不在のときの扱いである。タイの工場では旧正月・ソンクラーンなどの長期休暇に加え、有給の取り方も日本とは違う。一次受けが1名の設計は、その1名が休んだ日に無人になる。当番表をつくるか、シフトのグループに宛先を紐づけるかを、導入前に決めておく必要がある。

この断絶を判定するチェック。 「昨日の夜勤帯に出たアラートを、今朝の何時に、誰が見ましたか」に即答できるか。答えられないなら、宛先は決まっていない。

断絶2 「危険」の定義が現場と一致していない

AIモデルは「ヘルメットを着けていない人」を検知する。ここに異論はない。問題は、その状態が本当に危険なのかどうかは、工程を知らないと判定できないことである。

たとえば、組立ラインの端にある事務スペースでヘルメットを外して図面を見ている作業者は、規則上は違反かもしれないが、災害リスクとしてはほぼゼロである。一方、天井クレーンが稼働している下をヘルメットなしで通過する数秒は、致命的である。モデルにとってはどちらも「未着用」の1件だが、現場にとっては全く別の事象である。

ここを合わせずに導入すると、二重の失敗が起きる。ひとつは、リスクの低い違反が大量に上がってきて信頼が失われること。もうひとつは、その反動でルールを緩めた結果、本当に危険な瞬間まで検知対象から外れることである。

実務的な解き方は、「危険」をモデルの側で定義しようとしないことである。モデルは「未着用」「侵入」といった状態を出すだけにして、それが危険かどうかはゾーンと時間帯と設備の稼働状態を掛け合わせた条件で決める。つまり判断層の仕事にする。

• ゾーン: クレーン下、プレス機の前面、フォークリフト動線、危険物保管エリア
• 時間帯: 稼働時間内か、段取り替え中か、清掃・保全作業中か
• 設備状態: 当該設備が運転中か停止中か（PLCやIoTゲートウェイから取得する）

この3つを掛けるだけで、対象イベントは大きく絞れる。設備の稼働状態を取り込む部分は、既に稼働の見える化を入れている工場なら流用できる。設備側からデータを取る手段についてはタイ製造業のIoT導入事例で構成ごとに整理しているので、そちらを併せて見てほしい。

この断絶を判定するチェック。 安全衛生担当と現場の班長を同じ部屋に集めて、「この映像は対応が要るか要らないか」を20件連続で判定してもらう。判定が割れる割合が3割を超えるなら、まだ定義が共有されていない。この作業はモデルの学習より先にやるべきで、しかも費用はほぼゼロである。

断絶3 是正が人への注意で終わり、設備・動線に戻らない

検知したイベントへの対応が「作業者に声をかけた」で完結している現場は、かなり多い。記録上は是正済みになる。しかし翌週も同じ場所で同じ検知が出る。

これは作業者の意識の問題ではなく、安全対策の階層を飛ばしていることによる。労働安全の分野では、対策の有効性には順序があるという考え方が古くからある。上から順に、危険源の除去、代替、工学的対策（隔離・インターロック・柵）、管理的対策（手順・教育・表示）、保護具である。下にいくほど、人の注意力に依存し、効果が持続しない。

「注意した」は下から2番目の管理的対策にあたる。AIカメラを入れて得られる最大の価値は、実は検知そのものではなく、「どこで・いつ・どの条件で危険な状態が繰り返されているか」というデータが取れることにある。そのデータは本来、上の階層の対策に使うためのものだ。

具体的には、こういう転換が起きると導入が成功したと言える。

• 同じ通路で侵入検知が月20件出る → 通路のレイアウトを変える、または物理的な柵を立てる（工学的対策）
• 特定の段取り替えのときだけ保護具未着用が集中する → その段取り手順そのものを、保護具を着けたままできる形に変える（代替）
• 特定の設備の前面でだけ接近検知が多い → 光線式安全装置やインターロックを追加する（工学的対策）

逆に、3か月分の検知ログを見ても設備も手順もレイアウトも一切変わっていないなら、そのシステムは記録装置として動いているだけで、安全には寄与していない。

この断絶を判定するチェック。 「このシステムを入れてから、設備・治具・レイアウト・作業手順のいずれかを変更した件数」を数える。ゼロなら是正層が機能していない。

断絶4 効果を測る指標が「検知件数」になっている

導入報告書でいちばんよく見るのが「月間○○件の危険行動を検知しました」という記述である。この数字は、単独では良い方向にも悪い方向にも読めない。検知件数が多いのは危険が多いからかもしれないし、閾値が緩いだけかもしれない。減ったのは安全になったからかもしれないし、カメラの前を避けて通るようになっただけかもしれない。

さらに悪いことに、検知件数をKPIに置くと、現場は検知されない行動を学習する。これは不正でもサボりでもなく、評価指標に対する合理的な適応である。カメラの死角を通るルートが自然発生し、実質的な危険はむしろ増える。

では何を測るか。実務的に機能する指標は、3つの階層に分かれる。

この3階層を分けて持つのは、最終指標である災害件数が、統計として動くまでに時間がかかりすぎるからである。1工場あたりの休業災害は年に数件という水準であることが多く、前年比で増減しても偶然の範囲を出ない。1年目の報告を災害件数だけで書こうとすると、必ず説明に窮する。

だから1年目は上2つの階層で説明する。「一次対応の平均時間が48時間から4時間になった」「繰り返し発生していた3ゾーンのうち2ゾーンを柵とレイアウト変更で解消した」——この2つが書けていれば、投資は説明できる。逆にこの2つが書けないなら、災害件数がたまたま減っていても、それは成果ではない。

ヒヤリハット報告件数は扱いが少し特殊で、導入直後は増えるのが正常である。関心が高まって報告が出やすくなるためだ。減ったことを成果として報告すると、翌年に報告文化が痩せる。

この断絶を判定するチェック。 導入1年後の報告書に何を書くつもりかを、導入前に一枚書いてみる。書けないなら、指標が決まっていない。

工場の安全管理AIの5類型と、向く現場・向かない現場

ここからは具体の話に入る。工場で使われる安全管理AIは、実務上5つの類型に分けて理解すると設計しやすい。類型ごとに、検知のしやすさも、現場の受容度も、是正の打ち手も、まったく違う。「AIカメラを入れる」という一括りの言い方が、検討をいちばん遅らせる。

まず全体を並べる。

この表で最も注目してほしいのは、「危険動作・姿勢検知」だけが、検知しやすさと現場の受容度という2つの列でそろって低い評価になっていることである。にもかかわらず、ベンダーのデモで最も見栄えがするのもこの類型だ。ここに最初に手を出すと、ほぼ確実に苦戦する。以下、順に見ていく。

保護具未着用検知（PPE検知）

最も導入例が多く、技術的な成熟度も最も高い類型である。ヘルメット、安全ベスト、保護メガネ、手袋、安全靴、耳栓といった対象を、人物検出と組み合わせて判定する。

向く条件。 対象エリアが限定されていること。入口・通路など、通過点で判定できると精度も運用も安定する。逆に、作業エリア全域を常時見張ろうとすると、姿勢や遮蔽の影響で判定が不安定になり、件数も跳ね上がる。

向かない条件。 保護具の着用ルール自体が現場で揺れている場合。「この工程では本当は要らないのだが規則上は着けることになっている」というグレーな運用が残っていると、検知するたびにルールの是非の議論に戻ってしまい、前に進まない。AIを入れる前に、ルールの棚卸しを済ませておく必要がある。

受容度の注意。 この類型は、現場から「監視されている」という反発が最も出やすい。理由は、検知される対象が設備ではなく人の身体だからである。この点は後述するタイのPDPAの論点とも直結する。個人を特定しない設計にできるかどうかが、技術面よりも運用面で効いてくる。

是正の打ち手。 注意で終わらせないなら、着脱場所の設計に戻すのが最も効く。保護具を外す場所が入口から遠い、置き場が汚い、サイズが合わないものしか残っていない——未着用が集中するゾーンを調べると、こうした物理的な理由が出てくることが多い。

立入禁止エリア侵入検知

指定した領域に人が入ったことを検知する類型である。技術的には人物検出と領域判定の組み合わせで、5類型のなかで最も枯れている。

向く条件。 「入ってはいけない」の線引きが物理的に明確であること。プレス機の可動範囲、産業用ロボットの動作範囲、クレーンの吊り荷の下、危険物の保管エリアなど。線が床に引いてある現場は、ほぼそのまま設定できる。

向かない条件。 保全作業や段取り替えのときには正当に立ち入る必要がある場合。ここを設計に織り込まないと、保全作業のたびにアラートが大量発生する。設備の稼働状態や作業指示との連動が必須になり、そのぶん連携開発の費用が乗る。

受容度が高い理由。 「立ち入るな」というルールに解釈の余地がないため、検知結果が議論にならない。これは導入の初手として非常に大きい。最初の類型として選ぶなら、この類型か次のインターロック連動が無難である。

是正の打ち手。 侵入検知が繰り返される場所は、多くの場合「そこを通ったほうが近い」から起きている。柵を立てる、動線を引き直す、扉に電気錠を付ける、といった工学的対策が素直に効く。

危険動作・姿勢検知

骨格推定などを使って、無理な姿勢での持ち上げ、身を乗り出す動作、片手作業などを判定する類型である。期待値と実力の差が最も大きい。

難しい理由は3つある。 ひとつは、正解の定義が曖昧なこと。何度以上の前傾を危険とするかに客観的な基準を置きにくい。ふたつめは、遮蔽に弱いこと。設備の陰、他の作業者との重なり、台車の背後で骨格が途切れる。みっつめは、同じ姿勢でも工程が違えば危険度が違うこと。断絶2で書いた問題が、この類型では最も強く出る。

それでも価値がある場面。 腰痛につながる反復作業の分析には向いている。個々のイベントをアラートにするのではなく、一定期間の集計として工程改善に使うなら、精度の揺れは平均化される。「この工程は1日あたり無理な姿勢が何回発生しているか」を工程間で比較する用途である。

設計上の結論。 この類型はリアルタイムのアラートに使わない。日次・週次のレポートとして使う。この使い分けを最初に決めておけば、誤検知への不満はほとんど出ない。

フォークリフト・AGV動線の接近検知

人と車両の接近を検知する類型である。カメラだけでなく、車両側のセンサーや測位タグと組み合わせる構成もある。

向く条件。 倉庫、出荷ヤード、部材供給ルートなど、人と車両の動線が交差する場所。当事者の危機感が最も強い類型でもあり、現場からの反発が少ない。フォークリフトによる災害は重篤化しやすく、現場の実感と一致するからである。

向かない条件。 通路幅が狭く、そもそも人と車両が常時近接している場合。この場合は接近が常態なので、検知しても情報にならない。先に動線分離をやるべきで、AIはその後という順序になる。ここを逆にすると、鳴りっぱなしのシステムができあがる。

是正の打ち手。 交差部にミラーや信号を設置する、車両側に減速ゾーンを設定する、歩行者通路を物理的に分ける。接近検知は、動線の設計をやり直すための測定手段として使うのが最も効率が良い。

設備インターロック連動

検知結果を人への通知ではなく、設備の動作そのものに接続する類型である。危険領域に人が入ったら設備が減速・停止する、といった動きになる。

最も効果が確実で、最も設計が重い。 効果が確実なのは、人の判断を介さないからである。断絶1（宛先）も断絶3（是正）も、この類型では構造的に発生しない。判断層と是正層が、設計の時点で機械の中に埋め込まれるからだ。

設計が重い理由。 誤検知で設備が止まると生産が止まる。逆に検知漏れがあれば人が怪我をする。安全機能として設備を止める用途に画像認識AIを使う場合、機能安全の要求水準を満たしているかの検討が必要になる。一般に、人身保護を目的とした最終的な停止機能には、光線式安全装置や安全マットといった安全機器が使われる。AIカメラはその手前の段階、たとえば「近づいたら減速する」「警告灯を出す」といった補助的な階層に置くのが現実的である。

設計上の結論。 AIカメラを既存の安全装置の代替として位置づけない。追加の層として位置づける。この一線は、社内の安全担当と設備メーカーの双方に対して、最初に明文化しておく必要がある。

5類型のどれから始めるか

初手の選び方には、実務上のセオリーがある。受容度が高く、線引きが明確で、是正の打ち手が物理対策に落ちる類型から入る。具体的には立入禁止エリア侵入検知である。

保護具未着用検知は導入例が多いため最初に候補に挙がりやすいが、ルールの棚卸しと個人情報の論点を同時に処理する必要があり、実は初手としては重い。危険動作・姿勢検知は前述のとおりリアルタイム用途に向かない。インターロック連動は効果が高いが、設備側との調整に時間がかかる。

「精度95%」の読み方 — 現場で効く数字への換算

ベンダー資料に出てくる「精度95%」「mAP 96%」といった数字は、そのままでは現場の判断材料にならない。必要なのは、その精度が1日あたり何件のアラートになるかへの換算である。ここを計算せずに導入すると、断絶1で書いたアラート洪水がそのまま起きる。

適合率と再現率は別のものである

まず用語を整理する。安全用途で意味が違ってくる指標は2つある。

適合率（Precision）は、「危険」と判定したもののうち、実際に危険だった割合である。これが低いと、空振りのアラートが増える。現場の信頼を失うのはこちらだ。

再現率（Recall）は、実際に危険だった事象のうち、検知できた割合である。これが低いと、見逃しが増える。人が怪我をするのはこちらだ。

この2つはトレードオフの関係にある。閾値を下げれば再現率は上がるが適合率は下がる。逆も同じ。「精度95%」という表記は、このどちらを指しているのかが書かれていないことが多い。さらに、mAPのような検出タスク用の総合指標は、そのどちらとも直接は対応しない。

見積の段階で必ず聞くべき質問はこれである。 「その数字は適合率ですか、再現率ですか、それとも別の指標ですか」「どんな環境で測った数字ですか」「弊社の現場で撮った映像で測り直せますか」。3つ目に答えられないベンダーの数字は、参考値として扱う。

計算例1 判定全体の正解率として読んだ場合

もっとも素朴な読み方から始める。1台のカメラが1日8時間稼働し、1分に1回判定を出すとする。

• 480分 × 1回 = 480判定/日/台
• 精度96%を「判定全体の正解率」として読むと、誤りは4%
• 480 × 0.04 = 19.2件、つまり1日あたり約19件の誤り
• カメラ10台なら 19.2 × 10 = 192件、つまり1日あたり約190件

190件を8時間で割ると1時間あたり24件、2.5分に1件のペースである。これが「誰も見なくなる」の正体である。誰であっても、2.5分ごとに鳴る通知を3か月見続けることはできない。

計算例2 適合率で読むと、もっと厳しくなる

実際にはもっと悪くなる。安全事象は滅多に起きないからである。滅多に起きない事象を検知しようとすると、適合率は数字の見た目より大きく落ちる。同じ480判定で計算する。

• 真に危険な状態の発生率を2%と置く → 480 × 0.02 = 9.6件/日/台が真の危険、残り470.4件が正常
• 再現率95% → 検知できる真の危険は 9.6 × 0.95 = 9.12件。見逃しは 0.48件/日/台
• 正常のうち3%を誤って「危険」と判定するとすると → 470.4 × 0.03 = 14.112件/日/台の空振り
• 1日に上がるアラート総数 = 9.12 + 14.112 = 23.232件/日/台
• 適合率 = 9.12 ÷ 23.232 = 0.3926、つまり約39%

再現率は95%あるのに、実際に上がってくるアラートの6割は空振りという結果になる。これは計算間違いではなく、発生率が低い事象を検知するときに必ず起きる現象である。

10台に広げると、アラートは 23.232 × 10 = 1日あたり約232件、うち空振りが 約141件。8時間で割ると1時間あたり29件、約2分に1件である。見逃しのほうも 0.48 × 10 = 1日あたり4.8件、20営業日で 月に約96件になる。

この2つの計算から読み取るべきことは3つある。第一に、精度の数字がどれだけ高くても、判定回数が多ければ空振りの絶対件数は3桁になる。第二に、発生率が低い事象ほど適合率は落ちる。第三に、この問題は検知層の性能をさらに上げても解決しない。適合率を39%から60%に上げるには誤検知率を3%から1%台まで下げる必要があり、その努力に見合うだけの改善は得られない。

判断層でどこまで絞れるか

解決策は判断層にある。断絶2で書いた「ゾーン×時間帯×設備状態」の掛け合わせと、重複の集約を順に適用していく。以下は絞り込みの効き方を示すための試算であり、削減率は現場によって変わる。

232件が8件になる。1日8件なら、安全衛生担当が1人で朝礼前に目を通せる。これが判断層の設計の実体である。難しいアルゴリズムは何も使っていない。使っているのは、ゾーンの定義、継続時間の閾値、重複の集約ルール、そして設備の稼働信号だけである。

ここで重要な注意がある。絞り込みは見逃しを増やす方向に働く。上の試算では、対象ゾーンを限定した時点で、他のゾーンの危険は原理的に検知対象から外れている。したがって絞り込みのルールは、記録は全件残したうえで、通知だけを絞るという形にしなければならない。全件のログを保持しておけば、後から「絞り込みで落としていた事象のなかに、対応すべきものが混ざっていなかったか」を月次で検証できる。通知の絞り込みと記録の絞り込みを混同すると、後から検証できなくなる。

このデータの持ち方の考え方は、品質側でロットや工程条件を追えるようにする設計と共通している。何を集計値として持ち、何を明細として残すかの判断については品質データ管理システムの設計で扱った整理がそのまま応用できる。

費用の内訳6層

費用はカメラ、設置工事、エッジ推論機、モデル調整、連携開発、運用の6つの層に分けて見積もると、比較と稟議がしやすくなる。設置工事を別立てにしているのは、カメラ本体の見積に紛れ込ませると必ず過小評価されるからである。以下の金額は日系工場でカメラ10台規模から始める場合の目安であり、構成・現場条件・ベンダーによって大きく振れる。断定的な予算根拠には使えない。

この表で見落とされやすいのは設置工事と運用の2層である。カメラ本体の単価は下がっているが、工場の天井に架台を組んで配線を通す工事の費用は下がっていない。防爆エリアや屋外ヤードが対象に入ると、本体より工事のほうが高くなることもある。

運用費についても、初期費用だけで稟議を通すと2年目に問題が出る。AIモデルは、現場が変わると性能が落ちる。レイアウトを変えた、照明をLEDに替えた、作業服のメーカーを変えた、季節で日射の入り方が変わった——いずれもモデルの見え方が変わる要因である。年に1回は再学習・閾値の見直しが要ると想定して、その予算を最初から確保しておくべきである。

もうひとつ、判断層のルール実装（連携開発の一部）は、費用の見積もりで最も過小評価されやすい部分である。ここは断絶2と断絶4で書いた設計そのものであり、外注できる範囲と、社内で決めなければならない範囲が混ざっている。ゾーンの定義や継続時間の閾値は、ベンダーには決められない。この部分の工数は、社内側の人件費として別建てで見積もっておくのが安全である。

段階を分けるなら、まず1類型・4〜6台の範囲で判断層の設計まで作り切り、そのあとで台数と類型を広げるのが失敗しにくい。最初から30台を一括で入れると、判断層の設計をする前にアラート洪水が始まってしまう。

タイ工場で必ず追加になる3つの論点

ここまでは工場一般の話である。タイに拠点を置く日系工場の場合、これに3つの論点が追加される。このうち最初のひとつは、設計を変えるだけで論点自体を小さくできる。

PDPA — 顔を扱わない設計に倒す

タイの個人情報保護法（PDPA）では、生体情報（biometric data）は第26条が定めるセンシティブ個人データに該当する。顔認証で個人を識別する形の処理は、原則として明示的な同意（explicit consent）が必要になる。従業員から取る同意は、雇用関係という上下関係のもとで取られるため、自由な意思による同意といえるかという議論も伴う。

ここで実務上いちばん効く解は、技術を我慢することではなく、設計を変えることである。

具体的には、次の3点に倒す。

• 人体検知のみにする。「人がいる」「ヘルメットを着けていない」までは判定するが、それが誰かは判定しない
• 顔をぼかす、または顔領域を保存しない。映像を残す場合も、顔にマスク処理をかけた状態で保存する
• 個人IDに紐づけない。社員番号、勤怠データ、入退室記録と結合しない

この3点を満たせば、扱っているデータは特定の個人を識別する生体情報ではなくなる方向に寄る。そもそも安全管理の目的からしても、個人を特定する必要はほとんどない。必要なのは「どのゾーンで、どの時間帯に、どういう状態が発生しているか」であって、「誰がやったか」ではない。むしろ個人を特定できる設計にすると、断絶3で書いた「注意して終わり」の運用に引き寄せられる。

ただし、これで法的な検討が不要になるわけではない。個人を特定しない設計であっても、従業員への周知、目的の明示、保存期間の設定、アクセス権限の管理は必要である。加えて、方針の最終的な確認は現地の弁護士に取るべきである。本記事の記述は実務上の設計方針であって、法的助言ではない。

社内で先に決めておくべきこと。 映像の保存期間（30日か90日か）、閲覧できる役職の範囲、記録の目的外利用（人事評価や懲戒への転用）を禁じるルールの明文化。この3つは、法律の解釈以前に、現場の信頼を左右する。

CCTV運用のガイドライン整備の動き

タイでは、CCTVの運用に関するガイドラインの整備が進められている。2026年3月23日を起点として、およそ8か月以内にガイドラインが公表される見込みとされている。時期・内容ともに現時点で確定したものではないため、確定情報として稟議書に書くべきではない。

実務上の対応方針としては、次の2点になる。

• ガイドラインの公表を待って導入を止めない。待っている間に労災が起きる可能性のほうが実務的なリスクとしては大きい
• ただし、後から要求が増えても対応できる形にしておく。具体的には、保存期間を設定で変えられること、映像の削除が実行できること、アクセスログが残ること、顔のマスク処理を後から有効にできること

この4点は、ベンダー選定の段階で仕様として確認しておけば、追加費用なしで満たせることが多い。導入後に要求されると、設計変更になって高くつく。

多国籍の現場への周知と、労災保険料率

タイの工場現場は、タイ人スタッフに加えて、ミャンマー、カンボジア、ラオスなどからの労働者が混在していることが珍しくない。安全に関する周知は、この構成を前提に設計する必要がある。

日本語と英語の掲示だけで済ませている現場は多いが、それは周知として成立していない。実務的には次のような設計になる。

• 掲示はタイ語を基本とし、対象者の構成に応じて他言語を追加する
• 文字ではなくピクトグラムを主にする。識字の水準にばらつきがあるため、絵で通じる形が最も確実である
• AIカメラの導入そのものについても、「何を撮っているか」「何に使うか」「誰が見るか」「個人を特定しないこと」を、掲示と説明会の両方で伝える

3つ目は法令対応というより、現場の受容度に直結する。説明なしにカメラが増えると、監視と受け取られる。監視と受け取られたシステムは、必ず回避される。

労災保険（Workmen’s Compensation Fund）についても押さえておきたい。タイの労災保険は雇用主が全額を負担し、料率は業種のリスクに応じて概ね0.2〜1%の範囲で設定される。加えて、事業所の災害発生実績に応じて料率が調整される仕組みが設けられている。

つまり、安全対策の効果は、保険料という形でも損益に返ってくる可能性がある。ただし、この効果を投資回収の主たる根拠に置くのは勧めない。料率の調整幅に対して、AI導入の費用のほうが桁として大きくなることが多いためである。稟議では副次的な効果として一行触れる程度が適切である。

投資回収の根拠として実務的なのは、むしろ災害が1件起きたときのコストの試算である。休業災害1件あたりで発生するのは、直接の補償だけではない。当該ラインの停止、原因調査と報告書の作成、当局対応、代替要員の手配、客先への説明、再発防止対策の実施——これらを工数と時間で積み上げると、金額はかなりの水準になる。この試算を先に作っておくと、稟議の議論が「AIの費用が高い/安い」から「災害1件のコストと比べてどうか」に移る。

最初の90日の進め方

計画を90日で区切る。理由は、90日で判断層の設計まで到達できるかどうかが、その後の成否をほぼ決めるからである。逆に言えば、90日かけて機器選定しか進んでいない計画は、そのまま停滞する。

この進め方で最も重要なのは、61〜90日の「通知を止めた状態で2週間データだけ取る」という段階である。ここを飛ばして最初から通知を出すと、絞り込み前の生の件数が現場に流れ込み、初日で信頼を失う。現場が最初に受け取るアラートの件数が、そのシステムの評価をほぼ決める。

0〜30日の「判定合わせを20件」も飛ばされやすい。しかしこれは費用ゼロで、断絶2の有無を判定できる唯一の手段である。判定が割れるようなら、ベンダー選定より先にそこを詰める。

31〜60日の「自社現場で撮った映像での検証」を断るベンダーがいたら、それは判断材料になる。カタログ値と自社現場の値がどれだけ乖離するかは、照明・レイアウト・作業服・カメラ角度で大きく変わる。この確認ができないまま契約すると、導入後に「想定と違う」という話になり、追加費用の交渉が始まる。

この90日の組み立ては、AIを使う他のプロジェクトとも共通する部分が多い。判断の接続点を先に決めてから技術を選ぶという順序についてはAIエージェント導入の進め方でも同じ構造で整理している。

よくある質問

安全管理AIとは何ですか？

人が怪我をする事象を減らすために、カメラやセンサーの信号を機械が解釈し、その結果を人の行動や設備の動作に接続する仕組みの総称である。製品の傷を見つける外観検査AIとも、設備の故障を予測する予知保全とも、目的が違う。

実務的には、検知層（カメラが拾う）、判断層（対応が要る事象に絞る）、是正層（誰が何をするかに落とし記録する）の3層で捉えるとよい。2026年時点で検知層はほぼ失敗しないが、判断層と是正層が空白のまま導入される案件が非常に多い。

AIカメラの工場導入にかかる費用はどれくらいですか？

構成によって大きく振れるため、単一の答えはない。カメラ、設置工事、エッジ推論機、モデル調整、連携開発、運用の6層に分けて見積もるのが実務的である。目安として、カメラ本体が1台あたり3万〜15万円程度、設置工事が1台あたり2万〜10万円程度、エッジ推論機が1台あたり15万〜80万円程度、モデル調整が50万〜300万円程度、連携開発が50万〜400万円程度、運用が年額で初期費用の15〜25%程度である。

これらはいずれも目安であり、防爆エリアの有無、天井高、既設配線の状況、設備信号を取るかどうかで大きく変わる。特に見落とされやすいのが設置工事と運用の2層で、カメラ本体の単価だけで概算すると、後で説明がつかなくなる。

既存の防犯カメラを流用できますか？

条件次第である。判断のポイントは4つある。

解像度と画角。防犯カメラは広い範囲を写すように設置されていることが多く、対象人物が小さく写る。ヘルメットの有無を判定するには、対象が一定以上の大きさで写っている必要がある。

設置角度。天井の隅から見下ろす角度では、頭部が真上から写り、保護具の判定が難しくなる。侵入検知なら見下ろし角でも成立するが、PPE検知には向かないことが多い。

映像の取り出し方。RTSPなどの標準的なプロトコルで映像ストリームを取り出せるか。レコーダーに閉じた専用形式だと、外部から推論にかけられない。

フレームレートと圧縮。動きの判定を伴う類型では、低フレームレートや強い圧縮が精度に影響する。

結論としては、立入禁止エリア侵入検知なら流用できる可能性が相応にある。保護具未着用検知や危険動作検知は、多くの場合カメラの追加または移設が必要になる。まず既存カメラの映像を1週間ぶん取り出して、ベンダーに検証してもらうのが最も確実な確認方法である。

タイのPDPAで従業員の同意は必ず必要ですか？

扱うデータの設計によって変わる。顔認証で個人を識別する形の処理は、生体情報としてセンシティブ個人データに該当し、原則として明示的な同意が必要になる。

一方、人体検知のみを行い、顔をぼかし、社員番号や勤怠データと結合しない設計であれば、扱っているデータは特定個人を識別する生体情報ではなくなる方向に寄る。安全管理の目的からすれば、個人を特定する必要はほとんどない。論点そのものを設計で小さくできる、というのが実務上の解である。

ただし、個人を特定しない設計であっても、従業員への周知、利用目的の明示、保存期間の設定、アクセス権限の管理は必要である。また、CCTVの運用に関するガイドラインの整備も進んでいる。最終的な方針の確認は、現地の弁護士に取ること。本記事の記述は設計の考え方であり、法的助言ではない。

効果はどの指標で測るべきですか？

検知件数で測ってはいけない。検知件数が多いのは危険が多いからかもしれないし、閾値が緩いだけかもしれない。さらに、検知件数をKPIに置くと、現場はカメラの死角を通るようになる。

3階層に分けて持つのが実務的である。1階層目は運用が回っているかを見る指標で、一次受けの応答率、平均一次対応時間、滞留件数。導入初日から測れる。2階層目は是正が積み上がっているかを見る指標で、工学的対策への転換件数、繰り返し発生ゾーンの解消数、是正完了までの日数。2〜3か月目から測れる。3階層目が最終的な結果で、ヒヤリハット報告件数、休業災害の件数と度数率。

1年目の報告は上2階層で書く。災害件数は1工場あたりの母数が小さく、年単位でしか動かないため、1年目の成果としては説明に使えない。なお、ヒヤリハット報告件数は導入直後に増えるのが正常であり、減少を成果として報告すると翌年に報告文化が痩せる。

まとめ

工場の安全管理AIについて、押さえるべき点を整理する。

• 安全管理AIは検知層・判断層・是正層の3層で捉える。費用の大半は検知層にかかるが、プロジェクトが死ぬのは判断層と是正層である。投資額と失敗確率が逆向きになっている構造を最初に理解する
• 2025年の労働災害は休業4日以上の死傷者数が 135,333 人、うち製造業が 26,371 人（前年比305人・1.1%減）。死亡災害のうち「はさまれ・巻き込まれ」は 117 件で前年比7人・6.4%の増加であり、AIが最も検知しやすい類型が増えている。この数字は日本の統計なので、日系工場の現場を測る参照値として使い、現地の実数はタイの統計と併せて確認する
• 労災が減らない断絶は4つ。アラートの宛先が決まっていない／「危険」の定義が現場と一致していない／是正が人への注意で終わる／指標が検知件数になっている
• 類型は5つ。初手は立入禁止エリア侵入検知が無難である。危険動作・姿勢検知はリアルタイムのアラートに使わず、日次・週次のレポートとして使う。インターロック連動は既存の安全装置の代替ではなく追加の層として位置づける
• 「精度95%」は1日あたりのアラート件数に換算してから判断する。10台構成では1日あたり190〜230件規模のアラートが出うる。この問題は検知精度をさらに上げても解決せず、判断層の絞り込みでしか解けない。絞り込みは通知だけに適用し、記録は全件残す
• 費用はカメラ／設置工事／エッジ推論機／モデル調整／連携開発／運用の6層に分けて見積もる。金額は構成により大きく振れる。設置工事と運用が過小評価されやすい
• タイ固有の論点は3つ。PDPAは顔を扱わない設計に倒せば論点を小さくできる。CCTV運用のガイドライン整備が進んでいるため、保存期間・削除・アクセスログ・顔マスクを後から設定で変えられる仕様にしておく。多国籍の現場にはピクトグラム主体で周知する
• 最初の90日は、0〜30日で対象を1類型・3ゾーン以内に絞り体制を名前で決める、31〜60日で自社映像による検証と絞り込みルールの数値化、61〜90日で通知を止めた状態で2週間データだけ取ってから通知を開始する

最後にもう一度書いておく。検知はもうできる。それでも労災が減らないのは、検知の後ろに何も接続していないからである。カメラの選定に3か月かけるより、「昨日の夜勤帯に出たアラートを、今朝の何時に、誰が見るのか」を1枚に書くほうが、災害を減らす確率は高い。

TOMAS TECHは、タイの日系製造業向けに、現場のデータを実際の意思決定につなぐところまでを現地で支援している。「どの類型が自社に合うのか分からない」「既存のカメラが使えるかだけ知りたい」という段階でも構わない。むしろ、機器を選ぶ前に切り分けておくほうが、後の手戻りが少なくて済む。現場を見ながら、対象ゾーンと判断層の設計を一緒に整理するところから始められる。検討段階のご相談はお問い合わせから。

参考情報

• 厚生労働省「令和7年の労働災害発生状況を公表」 https://www.mhlw.go.jp/stf/newpage_73382.html
• JRW Innovation platform「カメラAIで重大災害を未然防止。UACJが進める製造現場の安全管理DX」 https://media.jrw-ip.jp/case/6575/
• Visionplatform.ai “AI-powered PPE detection in manufacturing” https://visionplatform.ai/ppe-detection-in-manufacturing/
• Securiti “Thailand Data Protection Framework’s Consent Requirements” https://securiti.ai/blog/consent-requirements-under-thailands-data-protection-framework/
• Chambers and Partners “Data Protection & Privacy 2026 — Thailand” https://practiceguides.chambers.com/practice-guides/data-protection-privacy-2026/thailand/trends-and-developments
• 弁護士法人ALG&Associates「タイの労災保険制度」 https://www.avance-lg.com/thailand/column/workers-compensation/
• Pertama Partners “Thailand AI Regulations 2026” https://www.pertamapartners.com/insights/thailand-ai-regulations-2026
• 株式会社NSK「工場向けAIカメラ活用事例」 https://n-sk.jp/blog/ai-camera-factory-safety-and-defect-detection