ヒヤリハットのAI分析導入｜タイ工場の多言語報告と受入試験

「ヒヤリハット報告はタイ語の紙やLINEで上がってくる。それを読んで日本語にし、分類して台帳に入れ、月報にまとめるだけで手一杯。集計はしているが、対策が本当に閉じたのかまでは追えていない」。タイの日系工場の安全担当（จป.）や総務・安全衛生課長、工場長から、こうした声をよく聞きます。そこで候補に挙がるのが、生成AIで報告を翻訳・要約・分類する、ヒヤリハットのAI分析導入です。

先に結論を書きます。ヒヤリハットのAI分析で成果が出るかどうかは、「AIの分類精度」では決まりません。「報告が出やすくなって件数が増え、対策が割り当てられて閉じるまでの時間が短くなるか」で決まります。分類と集計がどれだけ速くなっても、対策の担当・期限・完了確認が回らなければ、事故は減りません。

導入で決めることは、①報告の入口、②AIに任せる範囲、③分類の正解をどう作るか、④対策の割当と完了確認、⑤個人情報と法定報告の扱い、の5つです。この順番で決めていけば、製品選びもRFPも受入試験もぶれにくくなります。

なお、本記事に登場する工場の報告件数・処理時間・人件費・費用・災害の損失・回収年数は、すべて後述のモデル工場を前提にした本記事オリジナルの試算値・想定値（仮置き値）です。業界平均でも調査値でもありません。ベンダーの価格も試算には使っていません。自社の実績と見積もりに差し替えて使う「計算の型」として読んでください。

なぜ今、タイ工場でヒヤリハットのAI分析導入が問われるのか

紙・LINE・多言語・月報という4つの壁

タイの日系工場では、ヒヤリハット報告の多くがタイ語で上がってきます。紙の報告用紙に手書きで書かれたもの、班長がLINEに写真と短い文で送ってきたもの、口頭で伝えられて安全担当が代筆したもの。形式も粒度もばらばらです。工場によっては、近隣国から来た労働者の母語など、その他の言語の報告も混じります。

これを日本人の管理層が読める形にするには、誰かが一件ずつ読み、意味を取り、日本語に直し、事故の型や場所で分類し、台帳に入力しなければなりません。月末には件数を数えて、グラフを作り、月報にまとめます。安全担当の時間の多くがこの「読む・訳す・分ける・数える」に消え、肝心の「どこが危ないのか考え、対策を打ち、閉じたか確かめる」に時間が残りません。

さらに困るのは、件数が増えるほど処理が追いつかなくなることです。本来、ヒヤリハットは多く集まるほど危険の所在が見えやすくなるはずですが、処理する側から見ると、件数の増加は負担の増加でもあります。その結果、無意識のうちに「報告が少ない方が楽」という空気が生まれ、報告の入口が細っていきます。AIで翻訳・要約・分類の手間を下げる価値は、ここにあります。

ヒヤリハットはなぜ集めるのか

厚生労働省の「職場のあんぜんサイト」は、ヒヤリハット活動を、ヒヤッとした、ハッとした体験を取り上げて災害防止に結びつける活動であり、危険有害要因を把握する方法の一つとして効果的だと説明しています。同時に、ヒヤリハットの報告は本人にとって「あまり名誉なことではない」ため、労働者を責めないという取決めをして実行しなければ、制度が長続きしないとも述べています。手順書どおりでなかった場合も、手順書を見直す機会と考えるべきで、改善事例は社内報などで広く共有すると水平展開と意識向上につながる、としています。

ヒヤリハットの文脈では、ハインリッヒの法則がよく引き合いに出されます。同じサイトの用語解説では、アメリカの損害保険会社の安全技師であったハインリッヒが発表した法則として、同じ人間が起こした330件の災害のうち1件は重い災害、29回は軽傷、300回は傷害のない事故だった、という比率を紹介しています。ただし同じ解説は、ハインリッヒ自身がこの比率は鉄骨の組立と事務員では異なるとも言っていたことに触れ、重要なのは比率の数字ではなく、危険有害要因が数多くあることだとまとめています。

この比率には批判もあります。米国安全評議会（NSC）の業界誌 Safety+Health は、Fred A. Manuele の批判として、元になったファイルが現存せず第三者が検証できないこと、比率が版を重ねるごとに説明なく改訂されたこと、「事故の大半は不安全行動が原因」という前提に立つと対策が作業システムではなく作業者に向いてしまうことを紹介しています。比率は経験則として紹介されるもの、と受け止めるのが妥当です。ヒヤリハットの件数を何件減らせば重大災害が何件減る、という計算の道具としては使えません。

本記事でも、ヒヤリハットのAI分析の目的を「件数を減らすこと」には置きません。目的は、危険の所在を早く知り、対策を打ち、それが閉じたことを確かめることです。

2025〜2026年の動き：映像から報告を作るAI、報告を全件読むAI

ヒヤリハット×AIの分野では、大きく2つの系統の動きが見られます（この2系統という整理は本記事によるものです）。

1つ目は、映像やセンサーから「報告されていないヒヤリ」を見つける系統です。NECと住友重機械工業は2026年3月25日、油圧ショベルに搭載したカメラの映像とセンサー情報からヒヤリハットを抽出し、生成AIで発生経緯を要約したレポートを自動作成するシステムの共同開発を発表しました。2025年9月に技術実証を済ませ、2026年度に技術開発と事業化の検証、2027年度の実用化を目指すとしています。これは発表時点の計画で、まだ製品化されたものではありません。 対象も建設機械の映像で、工場の報告書テキストを分類する仕組みではありません。2026年6月の建設・測量展では「ヒヤリハット自動検知レポート作成機能 HAW（仮称）」として紹介され、報道では、施工現場でヒヤリハット報告が上がりにくいという課題が背景に挙げられています。工場のカメラで危険な状況を検知する考え方は、安全管理AIカメラでも扱いました。

2つ目は、人が書いたテキストの報告を、全件読んで分類・要約する系統です。野村総合研究所（NRI）は、自然言語処理で作業報告書からヒヤリハットに関わる要素を抽出・構造化するソリューションを公開しており、従来はサンプル抽出で行っていた分析を年間約24,000件の全件解析に広げ、ダッシュボードでの共有までを自動化した、年間約600時間削減の事例がある、と記載しています。これはベンダーが公表している導入事例1件の値で、どの工場でも同じ効果が出るという意味ではありません。海外では Benchmark Gensuite が、モバイルフォームでの危険報告に加え、潜在的に重大な事象を自動で識別するAI機能などをうたっています。こちらもベンダーの主張で、精度の数値は掲載されておらず、タイ語やベトナム語への対応は確認できませんでした。

本記事が扱うのは主に2つ目、テキストの報告をAIで分析する方です。

研究ではどこまで分かっているか

研究の側では、2025年に産業医科大学の Ando らが、大規模言語モデル（LLM）で労働災害の報告を自動分類した結果を公表しています。2021年の休業4日以上の労働災害データから、保健衛生業と小売業の「転倒」による死傷2,619件を取り出し、4種のLLMで分類して、専門家の手作業の分類と比べたものです。新しい世代のモデルは、「起因物」以外の多くのカテゴリでカッパ係数（偶然の一致を差し引いた一致度）がおおむね0.7を超え、発生場所（屋内か屋外か）の正解率は91%を超えました。最も難しかった起因物では、o4-mini のカッパ係数が0.662でした。全件の処理は約90分、費用は約11ドルだったとしています。

ただし、この研究の対象は実際に起きた労災事故の報告で、ヒヤリハットではありません。 日本語の報告で、2業種の転倒事故に限られています。「LLMの分類精度は90%」のように一般化はできません。自社の報告で、自社の分類体系で、どこまで一致するかは、受入試験で測るしかありません。

海運では、英国 Strathclyde 大学とフェリー会社 CalMac Ferries の研究が、5年分のヒヤリハット報告4,360件をトピックモデルで分析し、トピックのラベル付けを GPT で補助したうえで、複数の専門家による構造化レビューで出力を検証しています。インシデントのトピックを75超、予防策のトピックを87抽出し、旅客関連のリスクは夏、設備故障は冬に多いといった季節変動や、インシデントと対策の関連を示しました。海運が対象で、正解率の数値は出していない研究ですが、「AIが付けたラベルは人が検証する」という設計の参考になります。

また、米国の建設事故報告を対象にした査読前の研究（ABEX-RAT）では、まれだが重大な事故類型が少数のクラスになる「深刻なクラス不均衡」を課題に挙げています。重大だが件数の少ない類型ほど、AIの分類は難しくなりやすい。これは後述の受入試験で、全体の一致率より「重大な事象の見逃し」を優先して見る理由になります。

日本の統計の文脈

参考として、日本の数値を確認しておきます。以下はすべて日本の統計で、タイの数値ではありません。 厚生労働省が2026年5月27日に公表した令和7年（2025年）の労働災害発生状況（新型コロナ罹患によるものを除く）では、死亡者数は700人で過去最少、休業4日以上の死傷者数は135,333人で前年比0.3%減でした。業種別の死傷者数は製造業が最多で26,371人です。事故の型別では、全産業の死傷で「転倒」が37,195人と最も多く、死亡では「はさまれ・巻き込まれ」が117人で前年から6.4%増えています。

日本の第14次労働災害防止計画は、製造業の機械による「はさまれ・巻き込まれ」の死傷者数を、令和9年までに令和4年比で5%以上減らすことを目標にしています。転倒のように件数の多い型と、はさまれ・巻き込まれのように件数は少なくても重い型。ヒヤリハットの分析では、この両方を見落とさない設計が要ります。

ヒヤリハットAI分析とは：AIに任せる範囲と人が決める範囲

ヒヤリハットのAI分析導入｜タイ工場の多言語報告と受入試験 - figure 1

報告から対策までの4段の流れ

ヒヤリハットのAI分析は、大きく次の4段で考えると整理しやすくなります。

報告：作業者がスマホや紙で、ヒヤリとした出来事を報告する
AIによる下ごしらえ：翻訳・要約・分類候補の付与・重複のまとめ・場所の推定
集計と可視化：事故の型・場所・時間帯で集計し、報告が集中する場所（ホットスポット）を見つける
対策と完了確認：担当と期限を決めて対策を打ち、効果を確かめて閉じる

上の図は、この4段の流れのイメージです。AIが主に働くのは2段目と3段目で、1段目と4段目は人と仕組みの設計で決まります。導入の議論がAIの性能に偏りがちなのは、2段目が最も目に見えやすいからですが、成果を左右するのはむしろ1段目と4段目です。

AIに任せてよい範囲

AIに任せやすいのは、次のような「下ごしらえ」の作業です。

翻訳：タイ語・ベトナム語・英語などの報告を日本語に、または日本語の指示を現地語に
要約：長いLINEの文や手書きの報告を、「いつ・どこで・何が・どうなりそうだったか」の形に整える
分類候補の付与：事故の型・起因物・場所・重大度の見込みに、候補のタグを付ける
重複のまとめ：同じ出来事を複数人が報告した場合に、まとめる候補を示す
場所の推定：「2番ラインのプレスの裏」「出荷場の柱のところ」といった現場の言い方から、工場のエリアを推定する
書き足しの促し：報告に場所や時間が抜けているとき、入力の段階で聞き返す

いずれも「人が最終確認する前提で、候補を出す」作業です。AIが分類を確定させるのではなく、安全担当が一件ずつ見て、承認または修正する流れにします。

人が決める範囲

一方、次の判断は人に残します。

重大度の最終判定：その出来事が、一歩間違えば重大災害につながったかどうか
対策の決定：設備で止めるのか、手順を変えるのか、表示や教育で補うのか
担当と期限の割当：誰が、いつまでに、何をするか
完了と効果の確認：対策が実施され、同じ報告が再び上がっていないか
法定の報告：実際に事故が起きた場合の、所轄機関への通報と書面報告

重大度の判定をAIに任せない理由は、前述のとおり、重大だが件数の少ない類型ほどAIが苦手になりやすいからです。AIの重大度の見込みは「人が先に見るべき報告を並べ替える」ために使い、判定そのものは人が行います。対策の考え方として、設備側で間違いを起こせなくする方法はポカヨケで、是正処置の書き方そのものをAIで支える方法は是正報告書AIで扱っています。

報告の入口の設計：30秒で出せる多言語の入口と責めない取り決め

入口が細ければ、AIは何も見つけられない

AIの分析は、上がってきた報告にしか働きません。報告の入口が使いにくければ、件数は増えず、分析しても危険の所在は見えてきません。導入で最初に決めるのが入口なのは、このためです。

目安として、作業者がスマホから30秒で出せるかを基準にするとよいでしょう。具体的には次のような設計です。

普段使っているアプリ（LINEやTeamsなど）から、そのまま報告できる
写真を1枚撮って、ひと言添えるだけで送れる。文章は短くてよい
タイ語・ベトナム語・日本語など、自分の言葉で書ける。音声で話して文字にする方法も選べる
場所は、エリアのQRコードを読むか、地図から選べる
報告者名の入力を必須にしない。匿名で出す選択肢を残す

紙の報告用紙も残してかまいません。スマホを持ち込めないエリアや、書く方が慣れている人もいます。紙で出された報告は写真に撮ってAIに読ませ、読み取り結果を人が確認すれば、同じ台帳に入れられます。日報や点検記録の紙を電子化する考え方は、工場日報AIや点検表の電子化でも扱いました。

「責めない取り決め」を現地語で明文化する

厚生労働省の解説にあるとおり、報告者を責めない取り決めがなければ、ヒヤリハットの制度は長続きしません。これはタイでも同じです。むしろ、言葉の壁がある分、日本人の管理層が報告をどう受け止めているかが現場に伝わりにくく、「書いたら怒られるのでは」という不安が残りやすくなります。

そこで、次の内容をタイ語など現地の言葉で明文化し、朝礼や安全教育で繰り返し伝えます。

ヒヤリハットを報告したことを理由に、評価を下げたり叱責したりしない
手順どおりでなかったことが分かった場合も、まず手順と設備を見直す
報告に対して、何をしたかを必ず返す（「受け取った」「対策を決めた」「対策が終わった」）
良い報告や、報告から生まれた改善を、社内で共有して称える

ISO 45001 の解説サイトは、箇条5.4（働く人の協議と参加）について、参加の障害を特定して取り除くことを求めており、その例として、働く人の提案に応えないこと、言語や識字の問題、参加を妨げる方針を挙げています。多言語の入口と、報告への返事は、この「障害を取り除く」取り組みそのものです。AIの翻訳は、言語の壁を下げる手段として位置づけられます。

分類体系の決め方：事故の型・起因物・場所・重大度

4つの軸を先に決める

AIに分類させる前に、分類の体系を決めておく必要があります。体系がないままAIに「分類して」と頼むと、報告ごとに違う言葉でタグが付き、集計できません。

基本は次の4つの軸です。

軸	内容	例
事故の型	何が起きそうだったか	転倒、はさまれ・巻き込まれ、墜落・転落、激突され、切れ・こすれ、飛来・落下
起因物	何が原因になりそうだったか	フォークリフト、プレス機械、コンベア、台車、階段、床の油
場所	工場内のどこか	第1工場プレスエリア、出荷場、倉庫通路、屋外搬入口
重大度の見込み	起きていたらどの程度の被害か	休業災害につながりうる、軽傷程度、物損程度

事故の型の名前は、日本の労働災害統計の区分に合わせておくと、日本本社への報告や他拠点との比較がしやすくなります。ただし、細かくしすぎると、AIも人も分類が割れやすくなります。最初は主要な10前後の区分から始め、「その他」に入る件が増えてきたら区分を足す方が運用しやすいでしょう。

現場の言葉と管理の言葉の対応表を作る

分類で一番つまずくのは、現場の言葉と管理の言葉のずれです。作業者は「リフトがバックしてきて、ぶつかりそうになった」と書きます。管理の言葉では「激突され、起因物はフォークリフト」です。現場では「2番の裏」と呼ぶ場所が、図面では「第1工場プレスエリア東側通路」かもしれません。

そこで、現場でよく使われる言い方と、分類体系の区分を結ぶ対応表を作ります。タイ語の言い方、日本語の言い方、エリアの通称と図面上の名前を並べたものです。この対応表は、AIへの指示（プロンプト）や、分類の参考例としてそのまま使えます。タイ語の文章を生成AIがどこまで正しく扱えるかの確かめ方は、タイ語生成AIの評価で詳しく扱っています。

分類の正解は、安全担当が作る

AIの分類が正しいかどうかを判断するには、「正解」が要ります。正解は、安全担当が付けた分類です。受入試験の節で詳しく書きますが、過去の報告から数百件を選び、安全担当2名がそれぞれ分類を付け、割れた件は話し合って決めます。このとき、2名の付け方が割れた割合も記録しておきます。 人どうしでも割れる区分は、AIに人以上の一致を求めても意味がありません。人どうしの一致度が、AIに求める水準の上限の目安になります。

集計から対策へ：ホットスポットの見つけ方と、担当・期限・完了確認

ヒヤリハットのAI分析導入｜タイ工場の多言語報告と受入試験 - figure 2

ホットスポットは「場所×事故の型×時間帯」で見る

分類された報告が台帳にたまると、集計ができるようになります。最も役に立つのは、場所ごとの集計です。上の図は、工場の平面図の上に報告の集中を色の濃さで重ねたヒートマップのイメージで、フォークリフトの通路と歩行者の通路が交わる場所のように、報告が集中しやすい場所を示しています。

ホットスポットを見つけたら、事故の型と時間帯を重ねて見ます。同じ交差点でも、「接触しそうになった」が交替の前後に集中しているのか、夜勤に集中しているのかで、打つべき対策は変わります。AIは、こうした組み合わせの集計や、自由記述からの共通点の抽出を手早く出すのに向いています。ただし、集計の結果から何を読み取り、どこに手を打つかは人が決めます。

件数の多い型ばかりを見ると、重い型を見落とします。日本の統計でも、死傷で最も多いのは転倒ですが、死亡の上位には、死傷の件数では転倒よりずっと少ない「はさまれ・巻き込まれ」が入っています。集計画面では、件数の順位とは別に、重大度の見込みが高い報告を常に上に出す設計にしておきます。

分類の後ろに「担当・期限・完了確認」を置く

ヒヤリハットのAI分析で最も見落とされやすいのが、この部分です。分類と集計がいくら速くなっても、対策の担当と期限が決まらず、完了が確かめられなければ、危険はそのまま残ります。

報告ごと、またはホットスポットごとに、次の4つを台帳に持たせます。

担当：誰が対策を打つか（個人名ではなく役割でもよい）
期限：いつまでに打つか
対策の内容：設備、手順、表示、教育のどれで、何をするか
効果確認：対策後、同じ場所・同じ型の報告がどう変わったか

ISO 45001 の解説サイトは、箇条10.2について、インシデントや不適合に適時に対処し、調査して原因を特定し、是正処置の必要性を評価・実施し、その有効性をレビューし、記録を残すことを求め、この過程に労働者が参加することも求めている、と説明しています。なお、同じ解説サイトの定義の言い換えでは、ISO 45001 のインシデントにはニアミス（ヒヤリハット）も含まれます。この考え方に沿えば、ヒヤリハットの台帳も、対策の実施と効果確認までを一続きで管理するのが自然です。

AIは、この流れでも手伝えます。期限が近い対策を担当に通知する、期限を過ぎたものを月報の先頭に出す、対策後に同じ場所から似た報告が来たら知らせる、といった使い方です。

見るべき指標は「件数」ではない

AIを入れたあとに追う指標は、次のようなものです。

報告から、担当が割り当てられるまでの時間
対策の期限内完了率
対策が閉じたあと、同じ場所・同じ型の報告が再び上がった割合
重大度の見込みが高い報告のうち、対策が閉じたものの割合
報告者への返事が届くまでの時間

報告件数そのものは、減らすべき指標ではありません。入口を簡単にし、責めない取り決めが伝われば、件数は増えるのが自然です。件数の増加は、危険が見えやすくなった兆候と受け止める方が実態に近いでしょう。AI導入の効果をどう測るかの全体像は、AI導入効果測定も参考にしてください。

ヒヤリハットAI分析の費用とROI：モデル試算

ここからは、モデル工場での試算です。以下の数値はすべて本記事オリジナルの試算値・想定値（仮置き値）であり、業界平均でも調査値でもありません。ベンダーの価格は使っていません。

共通の前提（モデル工場M）

タイ中部の日系部品工場を想定します。

項目	前提値	計算
規模	従業員・構内協力会社あわせて約600人、3交替	―
現状の報告件数	年1,800件（月150件）。紙とLINEでタイ語中心	―
現状の1件あたり処理	読み取り・日本語化・分類・台帳入力で10分	1,800×10÷60＝300時間/年
現状の月報作成	月16時間	16×12＝192時間/年
現状の合計	―	300＋192＝492時間/年
AI導入後の1件あたり処理	人の確認3分	1,800×3÷60＝90時間/年
AI導入後の月報作成	月4時間	4×12＝48時間/年
AI導入後の合計	―	90＋48＝138時間/年
安全担当の人件費（社会保険等込みの仮定）	THB 350/時	―
初期費用	THB 600,000（多言語の報告フォーム、LINE/Teamsの入口、分類体系の設計、ダッシュボード、台帳連携）	―
年間費用	THB 240,000（ライセンス、API、保守）	―
休業災害1件あたりの損失	THB 400,000（治療・代替要員・生産影響・調査対応の合計の仮置き）	―

省力化の効果は次のとおりです。

削減時間：492−138＝354時間/年
金額：354×350＝THB 123,900/年

3つのケースで比べる

年間ネットは「年間効果−年間費用」、回収年数は「初期費用÷年間ネット」です。金額の単位はすべてTHBです。

ケース	年間効果	年間費用	年間ネット	回収年数
A 集計の省力化だけ	123,900	240,000	−116,100	回収しない
B 省力化＋休業災害を年1件防げた	123,900＋400,000＝523,900	240,000	283,900	600,000÷283,900＝約2.1年
C 省力化＋休業災害を2年に1件防げた（年0.5件）	123,900＋200,000＝323,900	240,000	83,900	600,000÷83,900＝約7.2年

ケースAは、翻訳・分類・月報の省力化だけを効果に数えた場合です。123,900−240,000＝−116,100で、毎年THB 116,100の持ち出しになります。集計の省力化だけでは回収しません。

ケースBは、省力化に加え、AIで見つけた傾向から打った対策の結果として、休業災害を年1件防げた場合です。年間効果は 123,900＋400,000＝523,900、年間ネットは 523,900−240,000＝283,900、回収は 600,000÷283,900＝2.11…で、約2.1年です。

ケースCは、防げた休業災害が2年に1件（年0.5件）だった場合です。災害防止の効果は 400,000×0.5＝200,000、年間効果は 123,900＋200,000＝323,900、年間ネットは 323,900−240,000＝83,900、回収は 600,000÷83,900＝7.15…で、約7.2年になります。

報告が増えた場合

入口を簡単にした結果、報告が年3,600件に倍増したとします。このときAIありの確認時間は 3,600×3÷60＝180時間、月報48時間を足して228時間/年です。現状の492時間を下回っており、件数が倍になっても、報告の確認と月報にかかる時間に限れば、安全担当の負担は今より軽い計算になります。

ただし、この228時間を効果額には足し込みません。 報告の増加はそれ自体が目的であり、効果はケースA〜Cの省力化と災害防止で数えています。件数が増えた分を現状の手作業で処理したと仮定した時間（3,600件×10分など）を削減効果に上乗せすると、現状では実際には発生していない時間を削減したことになり、効果を過大に数えてしまいます。

読みどころ：回収を決めるのは「防げた災害」

この試算から言えるのは、回収を決めるのは分類の精度でも集計の省力化でもなく、「AIで見つけた傾向から打った対策で、休業災害を本当に防げたか」だということです。ケースAの省力化だけでは年間費用に届かず、差をつけているのは災害防止の効果です。

そして、防げた件数は工場ごとにまったく違います。ここでの年1件、年0.5件は計算のための仮置きで、根拠のある数字ではありません。また、AIを入れただけで災害が減るわけではありません。 災害防止の効果は、報告が上がり、ホットスポットが見つかり、対策の担当と期限が決まり、対策が実際に閉じた結果として生まれるものです。分類の後ろの仕組みが回らなければ、この効果は0です。

PoC（概念実証）の段階で、この「対策が閉じるまで」を測らずに分類精度だけで本導入を決めると、ケースAの状態に陥りやすくなります。PoCの終わらせ方と本導入の判断基準は、AI PoCの終了基準も参考にしてください。

二重計上を作らないための注意

省力化は安全担当の時間、災害防止は災害の損失です。別の物なので、足し合わせてかまいません
災害防止は「AIの分析から打った対策の結果として防げた場合だけ」に数えます。AIの導入と関係なく減った分は含めません
報告が増えた場合の確認時間（228時間）は、効果額に足しません
翻訳の削減は、1件あたり10分の処理時間の中に含めています。別に足しません

自社で計算するときは、少なくとも「年間の報告件数」「1件あたりの処理時間」「月報の作成時間」「安全担当の人件費」「休業災害1件あたりの損失」の5つを実績に置き換えてください。防げた災害の件数は、事前には分かりません。導入後に、対策と災害の記録を突き合わせて確かめていくものです。

ヒヤリハットAIのRFPに書く12項目

複数のベンダーから提案を取るときは、次の12項目をRFPに書いて、提案の前提をそろえます。

No.	項目	書くこと
1	報告の入口と言語	LINE・Teams・Webフォーム・紙の写真など入口の種類、対応する言語（タイ語・日本語・英語・ベトナム語など）、音声入力の有無、匿名報告の可否
2	対象データと過去分の移行	過去何年分の報告を移行するか、紙・Excel・LINE履歴の形式、移行作業の分担
3	分類体系とAIの役割	事故の型・起因物・場所・重大度の区分、AIが付けるのは候補であり人が確定する流れ
4	自信の低い件の扱い	AIが「分からない」と返せるか、自信の低い件を人に回す仕組みとそのしきい値
5	重大事象の見逃し基準	はさまれ・巻き込まれ、高所、フォークリフト接触など重大な事象の見逃しを、全体の一致率と別に評価すること
6	翻訳・要約の品質基準	否定・数量・場所の取り違えを評価すること、原文と訳文を並べて確認できる画面
7	通知と担当割当	重大度の見込みが高い報告の即時通知、担当の自動割当の可否、通知先と通知手段
8	対策の進捗管理	担当・期限・対策内容・効果確認を台帳で管理できるか、期限超過の通知
9	個人情報とPDPA	報告者名・当事者名・負傷情報のマスキング、閲覧権限、保存期間、AIへの送信前の処理、データの保存場所
10	監査証跡と修正履歴	誰がいつAIの分類を修正したか、元の報告と修正後の分類を両方残せるか
11	法定報告・安全委員会資料への出力	安全委員会の月次資料、法定報告の素材となる情報の出力形式（法定報告そのものの代わりではないこと）
12	現地サポートとタイ語画面	画面・帳票・通知のタイ語対応、タイ国内での問い合わせ対応と対応時間

とくに4、5、6は、提案書に書かれていないことが多い項目です。AIが自信のない報告にも、もっともらしい分類を黙って付ける仕組みは、「分からない」と正直に返す仕組みより危険です。全体の一致率が高くても、重大な事象を1件見逃せば、その分析は安全管理の道具として信頼できません。翻訳で「〜しなかった」が「〜した」に、「2メートル」が「20メートル」に変わると、対策の向きまで変わります。

9は、報告の文章を外部の生成AIサービスに送る設計の場合に、とくに重要です。報告には負傷の内容や当事者の名前が書かれることがあります。生成AIへの情報の送り方とデータの扱いの全体像は、生成AI情報漏洩対策も参考にしてください。

ヒヤリハットAIのFAT/SATで確認すること

ヒヤリハットのAI分析導入｜タイ工場の多言語報告と受入試験 - figure 3

評価セットを先に作る

受入試験の前に、評価セットを作ります。例えば、過去の報告から300件を抜き出します。タイ語・日本語・英語・ベトナム語が混在し、手書きの報告を撮った写真やLINEの短い文も含むようにします。これに、安全担当2名が分類（事故の型・起因物・場所・重大度の見込み）を付け、「正解」にします。2名の付け方が割れた件は話し合って決め、割れた割合も記録します。 人どうしの一致度が、AIに求める一致度の上限の目安になるからです。

上の図は、人の分類（左）とAIの分類（右）を並べて突き合わせ、一致しなかった件に警告を付けて人が確認する、受入試験のイメージです。

FAT（ベンダー環境での試験）では、評価セットをベンダーに提供し、ベンダーの環境で試します。SAT（自社の実データ・実運用の入口での試験）では、実際の報告の入口から同じ手順を流します。同じ評価セットと同じ手順で両方を流すことで、ベンダー環境ではうまくいったのに現場の入口ではだめだった、という差を数字で見られます。AIを組み込んだ仕組みの受入試験全般の考え方は、AIエージェント受入試験でも扱っています。

以下の目標値は仮置きの例です。規格値ではありません。合格基準は工場が自分で決めます。

見る指標

カテゴリごとの一致度：人の分類との一致率と、カッパ係数をカテゴリごとに出します。目標の例は「主要なカテゴリで、人どうしの一致度に近いこと」です。全体の平均だけを見ず、起因物のように割れやすいカテゴリを個別に見ます
重大な事象の見逃し件数：はさまれ・巻き込まれ、高所、フォークリフトとの接触など、重大な事象をAIが見逃した件数を数えます。全体の一致率より優先して見る指標で、目標の例は0件です
「分からない」と返せるか：AIが自信の低い件を人に回す仕組みがあるか。自信が低いのに、もっともらしい分類を出していないかを確かめます
翻訳と要約で意味が変わっていないか：否定（した／しなかった）、数量（距離・重さ・人数）、場所（どのライン・どの通路）の取り違えがないかを、原文と並べて確認します
報告から通知・担当割当までの時間：重大度の見込みが高い報告が上がってから、担当に通知が届き、割り当てられるまでの時間
個人名・負傷情報の扱い：マスキングが効いているか、閲覧権限どおりに見え方が変わるか、保存期間が過ぎたら消えるか
監査証跡：誰がAIの分類を修正したかが、修正前の分類とともに残るか

稼働後も月1回、人が付け直して確かめる

受入に合格しても、それで終わりではありません。報告の書き方は季節や人の入れ替わりで変わり、生成AIのモデル自体が更新されることもあります。稼働後も月1回、無作為に20件を選んで人が分類を付け直し、AIとの一致度を確かめます。 一致度が下がっていれば、対応表や分類の参考例を見直します。この月次の確認結果は、安全委員会の資料に添えておくと、AIの分析をどこまで信頼してよいかを委員会で共有できます。

タイ・ASEAN固有の論点

1. 法定の事故報告はAIの集計の代わりにならない

タイの労働安全衛生環境法 B.E.2554（2011年）第34条は、事業所で重大な事故が起きた場合などの使用者の義務を定めています。英語の非公式翻訳によれば、従業員が死亡したときは、知った時点で直ちに電話・ファクス等で安全監督官に通報し、死亡日から7日以内に詳細と原因を書面で報告します。火災・爆発・漏洩その他の重大事故で、事業所の損壊・生産停止・負傷が起きたときは、直ちに通報し、原因と再発防止策を記した書面を事故日から7日以内に提出します。労災補償の対象となる傷病については、社会保険事務所へ報告したあと、その写しを7日以内に安全監督官に提出します。違反には5万バーツ以下の罰金があります。

ヒヤリハットのAI集計は、この法定の報告の代わりにはなりません。 なお、この条文にヒヤリハットそのものの届出義務はありません。AIの台帳の使い道は、実際に事故が起きたときに、関連する過去の報告や対策の履歴をすぐに取り出し、法定報告の素材を早くそろえることです。報告の主体と期限は法令どおりで、AIを入れても変わりません。最新の運用や自社への当てはめは、所轄機関や専門家に個別に確認してください。

2. 安全委員会と จป. の統計分析に、AIの集計をどう載せるか

2022年の省令（B.E.2565）は、安全担当者（จป.）の区分と配置を定めています。第25条により、従業員50人以上の事業所は、その人数に達した日から30日以内に安全衛生環境委員会を設置しなければならず、第33条により、委員会は少なくとも月1回開きます。技術級の จป. の職務には、統計を集めて報告書と提言を使用者に提出することが含まれ、技術上級と専門級の จป. の職務にはさらにデータの分析が含まれます。

AIの集計は、この「統計を集めて報告し、分析する」作業を速くする道具として位置づけられます。たとえば、月次の安全委員会に、ホットスポットの一覧、対策の期限内完了率、期限を過ぎた対策、重大度の見込みが高い報告とその対応状況、AIの一致度の月次確認結果を出す、といった使い方です。分析を読み、提言をまとめるのは จป. と委員会の仕事です。業種によって配置の区分は変わるので、自社がどの区分に入るかも含め、所轄機関や専門家に確認してください。

3. PDPA：負傷・健康情報は機微情報

タイの個人情報保護法（PDPA、B.E.2562）は2022年6月1日に全面施行されました。英語の非公式翻訳によれば、第26条は、健康データなどの機微な個人データの収集を、本人の明示的な同意なしには原則として禁じています。例外として、生命・身体・健康への危険を防ぐ場合（本人が同意できないとき）、法的請求に必要な場合、法令遵守のために必要な場合（予防医学・産業医学、従業員の労働能力の評価、雇用保護・社会保障など。いずれも適切な保護措置が条件）などが挙げられています。解説記事によれば、違反類型によっては最大500万バーツの行政罰や1年以下の懲役の刑事罰がありえます。

ヒヤリハット報告には、「指を少し切った」「腰を痛めた」のような負傷の内容や、持病が書かれることがあります。これは健康データに当たりうる情報です。設計で決めておくことは次のとおりです。

報告者名・当事者名の扱い（必須にしない、匿名報告の選択肢を残す）
生成AIに送る前のマスキング（氏名・社員番号・負傷の詳細）
閲覧権限（全文を見られる人と、集計だけを見られる人を分ける）
保存期間と削除の手順

どの例外規定で処理できるかの判断は、法律家に委ねてください。工場のデータとPDPAの関係は、工場IoTとPDPAでも扱っています。

4. 多言語：意味を変えずに日本語の管理層へ届ける

タイ語の報告を日本語の管理層に届けるとき、最も怖いのは、翻訳で意味が変わることです。否定が落ちる、数量の桁が変わる、「右」と「左」が入れ替わる、ラインの番号がずれる。こうした取り違えは、翻訳文だけを読んでいる人には気づけません。

対策は2つです。1つは、受入試験で翻訳の取り違えを具体的に試すこと。もう1つは、台帳の画面で原文と訳文を必ず並べて表示し、タイ語が読める担当者がいつでも原文に戻れるようにすることです。その他の言語で書かれた報告が混じる工場では、その言語の報告も評価セットに入れておきます。

5. 責めない取り決めは、現地語で書いて初めて伝わる

報告者を責めない運用ルールは、日本語の規程に書いてあるだけでは現場に届きません。タイ語など現地の言葉で明文化し、班長やリーダーが自分の言葉で説明できるようにしておく必要があります。報告への返事も、報告者の言葉で返します。AIの翻訳は、この「返事を現地語で返す」作業を軽くするのにも使えます。

6. ベトナム拠点：個人データ保護法 Law 91/2025/QH15

ベトナムに拠点がある場合は、個人データ保護法（Law No. 91/2025/QH15）を確認します。2025年6月26日に可決され、2026年1月1日に施行されました。法令データベースの英訳によれば、罰金の上限は、越境移転の違反で前年売上の5%、データの売買で違反収益の10倍、その他の違反で30億ドンです。ベトナム工場のヒヤリハット報告を、タイや日本、海外のクラウドで処理する設計にする場合は、越境移転の手続きを確認してください。機微データの範囲は政府が定めるリストによるため、健康に関わる情報の扱いも含めて専門家に確認するのが安全です。

ヒヤリハットAI分析導入の90日計画

導入は、次の3段階で90日を目安に進めます。

0〜30日：棚卸しと正解づくり

過去1年分のヒヤリハット報告を集め、紙・LINE・Excelなど形式ごとの件数を数える
事故の型・起因物・場所・重大度の分類体系を決め、現場の言葉との対応表を作る
過去の報告から300件を選び、安全担当2名で分類を付けて正解を作る。割れた割合も記録する
報告者を責めない取り決めを、現地の言葉で文書にする

31〜60日：1ラインでの試行と突き合わせ

報告の入口（スマホからの報告）を1ラインまたは1エリアで試す
AIの分類と人の分類を突き合わせ、カテゴリごとの一致度と、重大な事象の見逃しを数える
翻訳の取り違え（否定・数量・場所）がないかを確認する
報告件数と、報告者が入力にかかった時間を測る

61〜90日：対策が閉じるかを測り、本導入を判断する

試行エリアのホットスポットについて、担当・期限を割り当て、対策の期限内完了率を測る
報告から担当割当までの時間を測る
本導入の範囲、RFP（前述の12項目）、FAT/SATの合格基準を決め、発注するかを判定する

60日の時点で分類の一致度が十分でも、90日の時点で対策が一つも閉じていなければ、本導入の前に分類の後ろの仕組みを見直す方が先です。逆に、一致度がそこそこでも、報告件数が増え、対策が回り始めているなら、AIの分類は人の確認を前提に使い続ける価値があります。

よくある質問（FAQ）

ヒヤリハット報告の自動分類は、AIでどこまで正確にできますか？

研究では、日本の労災事故報告（2業種の転倒事故2,619件）をLLMで分類したところ、新しい世代のモデルで起因物以外の多くのカテゴリのカッパ係数がおおむね0.7を超え、屋内か屋外かの正解率は91%を超えた、という結果があります。最も難しい起因物では、カッパ係数0.662でした。ただし、これは実際に起きた労災事故の報告が対象で、ヒヤリハットではありません。 対象の業種・事故の型・分類体系が違えば結果も変わります。自社の報告で、自社の分類体系で、受入試験のときに一致度を測ってください。

ヒヤリハットの集計・分析をAIにすると、報告件数は減らすべき指標ですか？

減らすべき指標ではありません。入口を簡単にし、報告者を責めない取り決めが伝われば、件数は増えるのが自然で、増加は危険が見えやすくなった兆候になりえます。追うべきは、報告から担当割当までの時間、対策の期限内完了率、対策後に同じ場所・同じ型の報告が再び上がった割合です。

タイ語や多言語のヒヤリハット報告もAIで分析できますか？

生成AIの翻訳と要約を使えば、タイ語・ベトナム語・英語などの報告を日本語の管理層が読める形にそろえることはできます。ただし、否定・数量・場所が翻訳で取り違えられると、対策の向きまで変わります。受入試験で取り違えを具体的に試し、台帳では原文と訳文を並べて表示する設計にしてください。

ヒヤリハットAI分析の導入費用と回収期間の目安は？

本記事のモデル試算（すべて仮置き値）では、初期費用THB 600,000・年間費用THB 240,000に対し、集計の省力化だけでは年間THB 123,900の効果にとどまり、回収しません。AIの分析から打った対策で休業災害を年1件防げた場合は約2.1年、2年に1件なら約7.2年で回収する計算です。防げた件数は工場ごとにまったく違い、AIを入れただけで災害が減るわけではありません。自社の実績と見積もりで計算し直してください。

タイの法定の事故報告をAIの集計で代用できますか？

できません。タイの労働安全衛生環境法 B.E.2554 第34条は、死亡事故や重大事故について、直ちに通報し7日以内に書面で報告することなどを使用者に求めています。AIの台帳は、法定報告の素材を早くそろえるためには使えますが、報告そのものの代わりにはなりません。安全委員会の開催や จป. の職務も同様です。最新の運用と自社への当てはめは、所轄機関や専門家に個別に確認してください。

ヒヤリハットAIのRFPと受入試験（FAT/SAT）では何を確認すべきですか？

RFPには、報告の入口と言語、分類体系とAIの役割、自信の低い件の扱い、重大事象の見逃し基準、翻訳・要約の品質基準、対策の進捗管理、PDPA、監査証跡など12項目を書きます。受入試験では、過去の報告300件に安全担当2名が付けた分類を正解にし、カテゴリごとの一致度、重大な事象の見逃し件数、「分からない」と返せるか、翻訳での意味の取り違え、通知と担当割当までの時間、個人情報の扱い、監査証跡を確かめます。

まとめ

ヒヤリハットのAI分析で成果が出るかは、分類精度ではなく、報告が出やすくなって件数が増え、対策が割り当てられて閉じるまでの時間が短くなるかで決まる
AIに任せるのは翻訳・要約・分類候補・重複まとめ・場所の推定まで。重大度の最終判定、対策、担当と期限、完了確認は人が決める
入口は「スマホから30秒、自分の言葉で、責められない」。責めない取り決めは現地語で明文化する
分類の正解は安全担当が作り、人どうしの一致度をAIに求める水準の目安にする
モデル試算（仮置き値）では、集計の省力化だけでは回収しない。回収を決めるのは、AIの分析から打った対策で災害を本当に防げたか
受入試験では全体の一致率より、重大な事象の見逃しと翻訳の取り違えを優先して見る
タイの法定の事故報告、安全委員会、PDPAの義務は、AIを入れても変わらない。法令の当てはめは所轄機関や専門家に確認する

過去の報告の棚卸しや分類体系づくり、安全担当と一緒に正解データを作る段階からでも構いません。タイの工場でヒヤリハットのAI分析導入を検討されている方は、検討の入り口から一緒に整理できますので、お問い合わせからお気軽にご相談ください。

参考情報

ハインリッヒの法則（厚生労働省職場のあんぜんサイト）: https://anzeninfo.mhlw.go.jp/yougo/yougo24_1.html
ヒヤリハット（厚生労働省職場のあんぜんサイト）: https://anzeninfo.mhlw.go.jp/yougo/yougo26_1.html
Examining the foundation（Safety+Health magazine、2011年10月1日）: https://www.safetyandhealthmagazine.com/articles/6368-examining-the-foundation
NECと住友重機械工業ヒヤリハット自動抽出・レポート生成システムの共同開発（NEC、2026年3月25日）: https://jpn.nec.com/press/202603/20260325_02.html
ヒヤリハット自動検知レポート作成機能 HAW（仮称）の紹介（乗りものニュース、2026年6月25日）: https://trafficnews.jp/post/681242/2
Ando ら LLMによる労働災害報告の自動分類（medRxiv 要旨、2025年10月）: https://api.biorxiv.org/details/medrxiv/10.1101/2025.10.02.25337141
Uncovering patterns in ferry near-misses（Ocean Engineering、University of Strathclyde）: https://strathprints.strath.ac.uk/96699/1/Black-etal-OE-2026-Uncovering-patterns-in-ferry-near-misses-a-topic.pdf
ABEX-RAT（arXiv、2025年9月）: https://arxiv.org/abs/2509.02072
ヒヤリハット分析（野村総合研究所）: https://www.nri.com/jp/service/solution/incident_analysis_ai.html
Concern Reporting Software（Benchmark Gensuite）: https://benchmarkgensuite.com/app/concern-reporting-software
令和7年の労働災害発生状況（厚生労働省、2026年5月27日公表）: https://www.mhlw.go.jp/stf/newpage_73382.html
令和6年の労働災害発生状況（厚生労働省、2025年5月30日公表）: https://www.mhlw.go.jp/stf/newpage_58198.html
タイ労働安全衛生環境法 B.E.2554 非公式英訳（Open Development Mekong）: https://data.opendevelopmentmekong.net/dataset/a3d165ff-700e-4c32-a4eb-dd6b393e866b/resource/b171c6cf-58a1-46d7-a30e-fb4734dd2d24/download/occupational-safety-health-and-environment-act-b.e.-2554-a.d.-2011.pdf
Occupational health and safety regulations in Thailand（Gratanet、2025年11月14日）: https://gratanet.com/publications/occupational-health-and-safety-regulations-in-thailand
安全担当者・委員会の設置に関する省令 B.E.2565（官報PDF、チュラロンコン大学 SHECU 転載）: https://www.shecu.chula.ac.th/data/boards/748/กฎกระทรวง%20การจัดให้มีเจ้าหน้าที่ความปลอดภัยในการทำงาน%202565.PDF
タイ個人情報保護法 B.E.2562 非公式英訳（マハーサーラカーム大学）: https://pdpa.msu.ac.th/wp-content/uploads/2022/05/EN-PDPA-2019.pdf
Thailand Personal Data Protection Act（Securiti）: https://securiti.ai/thailand-personal-data-protection-act-pdpa
ベトナム個人データ保護法 Law No. 91/2025/QH15（LuatVietnam）: https://english.luatvietnam.vn/dan-su/law-on-personal-data-protection-law-no-91-2025-qh15-405135-d1.html
ISO 45001 箇条10.2の解説（Presencis）: https://cdn.presencis.com/regulations/iso-45001/article-10.2/
ISO 45001 インシデントの定義の解説（Presencis）: https://cdn.presencis.com/regulations/iso-45001/definitions/incident/
ISO 45001 箇条5.4の解説（ISO 9001 Checklist）: https://www.iso-9001-checklist.co.uk/iso-45001/5.4-consultation-and-participation-of-workers.htm