建設業のAI人材をどう確保するか｜内製と外注の線引きと育成の順序
AI人材の採用は競争が激しく、建設業が同じ土俵で戦うのは得策ではありません。社内に持つべき役割、外注してよい範囲、施工管理の経験者を活かす育成の順序を実務ベースで解説します。
この記事の要点
- 社内に必ず必要なのは「業務要件を定義し、結果を評価できる人」。モデル構築は外注できる
- データサイエンティストの採用より、施工管理経験者のリスキリングのほうが成功率が高い
- 評価する力を外部に依存すると、ベンダーの提案の妥当性を判断できなくなる
- 育成は座学ではなく、実案件のPoCに担当として関与させる形が最も速い
AI活用を進める際、「人材がいない」という理由で止まる会社は多くあります。しかし、必要な人材像を「データサイエンティスト」と設定した時点で、実現の難易度が跳ね上がります。
本記事では、社内に持つべき役割と外注してよい範囲を分け、建設業に現実的な育成の順序を解説します。
社内に必要な役割は2つ
| 役割 | 内容 | 外注可否 |
|---|---|---|
| 業務要件の定義 | 何を、どの精度で、どの業務に組み込むか | 不可 |
| 結果の評価 | 出てきたものが実務で使えるかの判断 | 不可 |
| データの整備 | 収集、名寄せ、品質確認 | 一部可 |
| モデルの構築 | 学習、チューニング | 可 |
| システム開発 | 画面、連携、インフラ | 可 |
| 運用・保守 | 監視、再学習 | 可 |
上の2つが社内に必要な最小構成です。ここを外部に依存すると、提案の妥当性を判断できず、ベンダーの言うとおりに進めることになります。
逆に言えば、モデル構築やシステム開発は外注できます。この前提に立てば、必要な人材像は「AIの専門家」ではなく「業務を理解し、数字で評価できる人」になります。
施工管理経験者のリスキリングが現実的
| 人材の獲得方法 | 業務理解 | 技術理解 | 成果までの距離 |
|---|---|---|---|
| データサイエンティストを採用 | 低い（獲得に1〜2年） | 高い | 遠い |
| 施工管理経験者を育成 | 高い | 中（半年〜1年で実務可） | 近い |
| コンサルに丸投げ | 外部依存 | 外部依存 | 一時的には近いが継続しない |
建設業のAI活用では、業務理解の獲得コストのほうが高いという構造があります。現場の例外、協力会社との関係、発注者ごとの要求といった知識は、外部から入った人が短期間で身につけられるものではありません。
一方、データの扱いは体系化されており、学習教材も豊富です。この非対称性から、経験者のリスキリングが有利になります。
育成の順序
| 段階 | 学ぶこと | 期間の目安 |
|---|---|---|
| 1 | 自社データの集計と可視化（表計算で十分） | 1〜2か月 |
| 2 | 指標の設計と評価（何を測れば改善が分かるか） | 2〜3か月 |
| 3 | PoCへの当事者としての参加 | 3〜6か月 |
| 4 | ベンダーとの要件定義・成果物の評価 | 6か月〜 |
| 5 | 簡易な分析の内製（必要に応じて） | 1年〜 |
第1段階でプログラミングを教えないことが要点です。多くの業務課題は、自社データを正しく集計するだけで見えてきます。ここを飛ばして技術から入ると、業務と結びつかない知識になります。
第3段階の「PoCに当事者として参加」が最も学習効率が高い形です。座学ではなく、実案件で判断を求められる状況に置くほうが速く育ちます。
評価する力とは具体的に何か
「結果を評価できる」とは、次の問いに答えられる状態を指します。
| 問い | 評価の観点 |
|---|---|
| この精度で業務が回るか | 誤りの件数×確認工数 |
| 評価データは実態を反映しているか | 条件の偏り、季節性 |
| 効果はどこに現れるか | 既存指標での測定可否 |
| 運用に必要な工数はどれだけか | 入力・確認・修正の合計 |
| 対象を広げたときに成立するか | 他現場・他工種での条件差 |
これらは技術知識より業務知識に依存する問いです。だからこそ社内に必要になります。
外部委託先の選び方
| 判断材料 | 良い兆候 | 注意すべき兆候 |
|---|---|---|
| 初回打ち合わせ | 現場の制約・例外を質問する | 技術提案が先に出る |
| 提案書 | 効果の測り方が書かれている | 精度の数値のみ |
| データの扱い | 学習利用の可否を明記 | 契約書に記載がない |
| 運用の想定 | 再学習の頻度と費用が明示 | 構築費のみの見積 |
| 引き継ぎ | データとモデルの帰属が明確 | ベンダー依存の構成 |
とくに最下行は、2年目以降のコストに直結します。データとモデルが自社に帰属しない契約では、ベンダーの切り替えが実質不可能になります。
体制の目安
| 会社規模 | 推進担当 | 現場側の協力者 | 外部 |
|---|---|---|---|
| 〜100名 | 兼任1名（週4〜8時間） | 各現場1名 | 構築・運用を委託 |
| 100〜500名 | 専任1名＋兼任1〜2名 | 各部門1名 | 構築を委託、運用は共同 |
| 500名〜 | 専任チーム3〜5名 | 各部門1〜2名 | 一部内製 |
小規模でも兼任1名を明確に置くことが条件です。担当が定まらないまま進めると、意思決定が遅れ、外部への依存度が上がります。
まとめ
建設業のAI人材確保は、採用ではなくリスキリングが現実的です。業務理解の獲得コストが高い領域では、既に業務を知っている人に技術を足すほうが速く成果に届きます。
社内に必ず必要なのは、業務要件を定義する力と、結果を評価する力の2つ。この2つさえ社内にあれば、構築や運用は外部の力を使って進められます。
関連記事
- 建設業のAX（AIトランスフォーメーション）とは？DXとの違いと着手の順序
- 建設業のAI活用とは？着手すべき5領域と、現場で成果を出す進め方を解説
- 施工管理アプリはどう選ぶ？現場が使い続けるための7つの判断基準
参考
- 独立行政法人情報処理推進機構（IPA）「DXの推進」https://www.ipa.go.jp/digital/dx/index.html
- IPA「DX動向調査」https://www.ipa.go.jp/digital/chousa/dx-trend/index.html
よくある質問
- Q. AI人材を採用すべきですか？
- 建設業がデータサイエンティストの採用市場で競争するのは条件が厳しく、採用できても業務理解の獲得に時間がかかります。それより、施工管理や積算の経験者にデータの扱いを学んでもらうほうが、成果までの距離が短いケースが多く見られます。採用は、内製化を本格化させる段階で検討する順序が現実的です。
- Q. 社内に最低限どんな役割が必要ですか？
- 業務要件を定義できる人と、出てきた結果を評価できる人です。この2つは外注できません。要件が曖昧なまま発注すると、動くが使えないものが納品されます。評価を外部任せにすると、提案や成果物の妥当性を判断できなくなります。
- Q. 何から学ばせればよいですか？
- プログラミングより先に、データの見方です。自社の実績データを集計し、傾向を読み取り、異常値の原因を確認するという作業が起点になります。表計算ソフトで完結する範囲でも、この経験があるかないかで、AI導入時の判断の質が変わります。
- Q. 外部委託先はどう選べばよいですか？
- 実装力より、業務理解に時間を割く姿勢で選んでください。初回の打ち合わせで現場の制約や例外について質問が出るかどうかが判断材料になります。技術的な提案が先に出てくる相手は、要件が固まる前に構築を始めがちです。
ABOUT THE AUTHOR
Pactom 編集部
株式会社Pactomは、製造業・建設業・小売/物流を中心に、AI導入の課題整理からユースケース設計、実装、運用定着までを一貫して支援しています。
導入について相談する
