イントロダクション：安全管理の「限界」を突破する新たな視点
「今年も『ゼロ災害』をスローガンに掲げた。ポスターも貼った。KY（危険予知）活動も徹底した。それでも、現場からヒヤリハット報告がなくならないどころか、重大事故の一歩手前までいくケースが後を絶たない」
建設現場や大規模製造ラインの安全管理責任者の方々と膝を突き合わせると、決まってこうした切実な吐露を耳にします。日本の現場が長年かけて築き上げてきた安全文化は、間違いなく世界最高水準です。しかし、労働災害統計のグラフを見ると、その減少曲線は近年、明らかに底を打ち、横ばい傾向が続いています。
なぜ、従来の対策だけでは「最後の1件」が防げないのでしょうか？
その答えの一つとして、「因果関係の複雑化」という視点を提示したいと思います。現場の環境変化、作業員の体調、心理的なプレッシャー、そして予期せぬ突発事象。これらが複雑怪奇に絡み合って発生する現代の事故は、もはや人間の経験則や直感だけでは予見しきれない領域に達しているのです。
今回、KnowledgeFlow編集部は、株式会社テクノデジタル 代表取締役であり、AIエージェント開発・研究者として最前線に立つHARITA氏に単独インタビューを行いました。35年以上の開発キャリアと「まず動くものを作る」プロトタイプ思考を持つ彼は、「因果探索（Causal Discovery）」という最新技術を用いて、安全管理のパラダイムシフトを提唱しています。
「相関関係を見ているだけでは、事故はなくなりません。むしろ、誤った対策で現場を疲弊させることになる」
そう警鐘を鳴らす彼が見ている、データの深層とは一体どのようなものでしょうか。現場のリアリティに即した、刺激的な対話をお届けします。
なぜ事故は減らないのか
編集部： HARITAさん、本日はよろしくお願いします。早速ですが、多くの日本企業が安全管理の「頭打ち感」に悩んでいます。AIエージェント開発や業務システム設計の専門家として、この現状をどう分析されていますか？
HARITA： よろしくお願いします。そうですね、非常に深刻かつ、ある意味で必然的な課題だと捉えています。実務の現場では、現場監督や職長と呼ばれる方々が部下の命を守ろうと献身的な姿勢を見せており、その努力は非常に尊いものです。
しかし、あえて厳しい言い方をすれば、「精神論」と「個人の経験則」に依存した安全管理の限界が露呈しているのも事実です。「気をつけよう」「集中しよう」という掛け声は重要ですが、人間の注意力には生理学的な限界があります。また、ベテランの素晴らしい「勘」も、属人化しており若手への継承が難しい。さらに言えば、気象条件の激化や人手不足による多能工化など、現場の変数はかつてないほど増えています。
編集部： 確かに、環境の変化は激しいですね。そこで多くの企業がDXの一環として、ウェアラブルデバイスやカメラを導入し始めています。
HARITA： ええ。データを集め始めたのは素晴らしい第一歩です。しかし、ここで多くの企業が陥る「死の谷」があります。それは、集めたデータを単にダッシュボードで可視化して満足してしまうこと、そしてAIを使って安易な「相関分析」に頼ってしまうことです。
「相関」ではなく「因果」を見る意味
編集部： 相関分析では不十分なのでしょうか？ 「体温が高いと事故が増える」といった傾向が分かれば、対策できるように思えますが。
HARITA： それが極めて危険な落とし穴なんです。統計学の有名なジョークに「アイスクリームの売上が増えると、水難事故が増える」というものがあります。これを見て「アイスクリームの販売を禁止すれば事故が減る」と考える人はいませんよね？ 両者の背後には「気温の上昇」という共通の原因（交絡因子）が隠れているからです。
現場のデータ分析でも、これと同じ過ちが頻発しています。例えば、「作業スピードが速い人はヒヤリハットが多い」という相関が出たとします。これを見て現場監督が「ゆっくり作業しろ！」と指導するのは、もしかしたら間違いかもしれません。
実は「特定の工程の設計に無理があり、急がないと間に合わない（＝根本原因）」ために、結果としてスピードが上がり、かつミスも増えているのかもしれません。この場合、作業員を叱責しても事故は減らず、現場の士気が下がるだけです。
相関関係（Correlation）だけを見て対症療法的な対策を打つと、現場の信頼を失います。必要なのは、因果関係（Causality）、つまり「何が原因で、何が結果なのか」という矢印の向きと構造を、データから科学的に抽出することなのです。
Q1: 従来のAI分析と「因果関係抽出」は何が決定的に違うのですか？
編集部： なるほど。矢印の向きを見抜くことが重要なんですね。では、技術的な視点で、従来のAI分析と、HARITAさんの専門領域であるAIモデル比較・研究の観点から見て、「因果探索」や「因果推論」を用いたアプローチは、何が決定的に違うのでしょうか？
HARITA： 最大の違いは、「Why（なぜ）」という問いに答えられるかどうかです。
従来の機械学習、特にディープラーニングを用いた予測モデルは、極めて高い精度で「When（いつ）」「What（なにが）」起きるかを予測できます。「この作業員のバイタルデータパターンだと、午後2時に事故リスクが80%になる」といった具合ですね。
しかし、現場の責任者に「AIが危険だと言っているから作業を止めてくれ」と伝えても、「なんで？ 本人は元気そうだけど？」と返されたらどうしますか？
編集部： 確かに、納得できる理由がないと現場は動いてくれませんね。
HARITA： その通りです。これをAIの「ブラックボックス問題」と言います。理由なきアラートは、現場にとっては作業を妨げるノイズでしかありません。何度も外れれば、「オオカミ少年」扱いされて、最終的にはシステムのスイッチを切られてしまうでしょう。
対して、因果探索を用いたアプローチは、データ間の因果構造をグラフ（因果ダイアグラム）として推定します。「睡眠不足が直接事故を起こすのではなく、睡眠不足が判断力を低下させ、かつ炎天下という条件が重なった時に、特定の高所作業でリスクが跳ね上がる」というような、構造的なメカニズムを提示できるのです。
ブラックボックス化するAI判断への懸念
HARITA： 製造業界のAI導入において、しばしば報告される典型的な課題のパターンがあります。たとえば、過去の事故データとセンサーデータを学習し、ライン停止の予兆を検知する予測AIシステムを導入したケースを仮定して考えてみましょう。
予測精度自体は高かったとしても、アラートが出るたびに現場が確認して異常が見つからないことが続くケースは珍しくありません。詳細に解析した結果、実はAIは機械の異常振動ではなく、特定の時間帯に差し込む「西日による温度センサーの微妙な誤作動」を事故の前兆として学習してしまっていた、といった事態が起こり得ます。これは相関関係だけを見ていた典型的な過学習（Overfitting）であり、偽の相関（Spurious Correlation）です。
もし因果モデルを使っていれば、「西日による温度上昇→センサー値の変化」というパスと、「機械の物理的異常→振動の発生」というパスを明確に区別し、無意味なアラートを防げたはずです。AIが表面的なデータパターンを暗記するだけでは、未知の状況や環境変化に柔軟に対応することはできません。
「なぜ」が分からないと現場は動かない
編集部： 非常にわかりやすい例ですね。現場への「説明責任」を果たすためにも、因果関係の解明が必要不可欠ということですね。
HARITA： はい。特に安全管理は、人の命に関わるだけでなく、作業を止めることによる経済的損失も発生します。「なんとなく危ない気がする」というレベルでは、プロフェッショナルの現場は動かせません。
ここで重要になるのが、XAI（Explainable AI：説明可能なAI）のアプローチです。GDPRなどの規制による透明性への要求も背景にあり、XAIの市場規模は急速に拡大しています。現在では、SHAP（Shapley Additive exPlanations）やGrad-CAM、What-if Toolsといったツールを活用して、AIの判断根拠を可視化する手法が標準的になりつつあります。さらに、計算リソースを要するこれらの解析は、スケーラビリティに優れたクラウド基盤上で展開されることが主流です。
AIが出した結論に対して、「なぜなら、心拍変動の低下が30分続いており、これがリスクスコアを押し上げる最大の要因だからです。過去のヒヤリハット事例とも高い相関があります」というように、人間が理解し、納得できる根拠を提示します。
また最新の技術動向として、単一のモデルによる推論だけでなく、複数のAIエージェントが並列で情報を収集・検証し、多角的な視点からリスクを評価・自己修正する「マルチエージェントアーキテクチャ」の概念も注目され始めています。複数の視点から論理検証を行うことで、AIの判断に対する信頼性はさらに向上します。
こうした透明性と多角的な検証プロセスが確立されて初めて、AIは現場を監視する得体の知れないシステムではなく、頼れる「パートナー」になれるのです。
Q2: 体調データとヒヤリハットの間には、どのような「見えない相関」があるのでしょうか？
編集部： では、データの中身について具体的に踏み込んでいきましょう。ウェアラブルデバイス等で取得できる作業員のバイタルデータと、ヒヤリハットの間には、どのような因果関係が見えてきているのでしょうか？ 私たちが直感的に思う「疲れていると危ない」以上の発見はあるのですか？
HARITA： ええ、直感とは異なる、あるいは直感の裏付けとなる興味深いファクトが次々と明らかになっています。
例えば、「心拍変動（HRV：Heart Rate Variability）」という指標があります。これは心拍のゆらぎを見るもので、自律神経のバランス、つまりストレスや疲労の客観的な指標として使われます。
データ分析の現場でしばしば明らかになるのは、「肉体的な疲労」よりも「精神的な負荷（認知的負荷）」の方が、ヒヤリハットとの因果関係が強いケースが多々あるという事実です。
睡眠不足だけではない、複合的なトリガー
HARITA： 建設現場のデータ分析事例では、単に「睡眠時間が短い日」に事故が増えるわけではありませんでした。むしろ、睡眠不足でも気合が入っている朝一番は事故が少なく、「昼休憩後の14時から15時」かつ「HRVが急激に低下（＝交感神経が優位になりすぎて緊張状態が続いた後の反動）」したタイミングで、不安全行動が多発していたのです。
つまり、「睡眠不足」は直接の原因ではなく、午後の集中力低下を引き起こす「素地」であり、トリガーは「休憩明けのリズムの乱れ」にあったわけです。因果探索によってこのパス（経路）が見えたことで、対策は「もっと寝ろ」という抽象的な指導から、「昼休憩明けに軽いストレッチを取り入れて自律神経を整える」という具体的なアクションに変わりました。
編集部： なるほど！ 「もっと寝ろ」と言われても家庭の事情などで難しい場合もありますが、現場でのストレッチなら即実行可能です。因果パスを解明することで、介入可能なポイント（Intervention Point）が見つかるんですね。
ベテランほど陥る「過信」とバイタルサイン
HARITA： もう一つ、ベテラン作業員のデータに関する興味深い事例があります。
一般的にベテランは作業に慣れており、心拍数も安定しています。しかし、ヒヤリハットを起こす直前のデータを解析すると、ベテラン特有の「過信のシグナル」が見つかることがあります。
危険な高所作業をしているにもかかわらず、心拍数や発汗量が全く上がらない、つまり「緊張感が欠如している」状態です。新人は緊張してバイタルが上がりますが、ベテランはリラックスしすぎている。この「生理的な油断」状態に、突発的な環境変化（足場が少し滑るなど）が加わると、反応が遅れて事故になります。
これも、単に「心拍数が高い＝危険」という単純な閾値設定では見抜けないリスクです。個人のベースラインとの比較や、作業内容との乖離（コンテキスト）を含めた因果モデルでないと検知できません。
Q3: 現場導入の最大の壁「監視社会化」への懸念をどう乗り越えますか？
編集部： 技術的な可能性は非常によく分かりました。しかし、読者の方々が最も懸念しているのは、やはり「現場の反発」だと思います。「俺たちを監視するのか」「トイレの時間まで管理されるのか」といった抵抗感に対して、どうアプローチすべきでしょうか？
HARITA： 非常に重要な指摘です。これは技術の問題ではなく、組織論と倫理（Ethics）の問題です。そして、多くのAIプロジェクトが頓挫する最大の原因でもあります。
長年の開発現場で培った知見から言えることですが、プライバシーへの懸念はどこでも非常に強いものです。ここでのキーワードは「心理的安全性」と「ベネフィットの還元」です。
プライバシー保護と安全管理のトレードオフ
HARITA： まず、データガバナンスの観点から言えば、「生データを見せない」設計が必須です。業務システム設計の経験からも言えますが、技術の本質を見抜き、現場に受け入れられる最短距離を描くためには、システムがどう振る舞うべきかを慎重に設計する必要があります。
管理者側のダッシュボードには、個人の詳細なバイタルデータ（今、誰の心拍数がいくつか等）は表示させるべきではありません。表示するのは「アラートレベル」や「組織全体の傾向」に留める。個人の詳細データは、本人だけがスマホアプリ等で確認できるようにするのです。
これを「Privacy by Design（設計段階からのプライバシー保護）」と呼びます。「管理者が監視している」のではなく、「システムがあなたを守ってくれている」という構造を作ることが重要です。
データを「管理」ではなく「ケア」に使う
編集部： なるほど。システムが個人の守護神になるイメージですね。
HARITA： その通りです。そして最も重要なのは、「このデータは絶対に人事評価や懲罰に使わない」と経営層が明言し、誓約することです。
「ヒヤリハットが多いから評価を下げる」という運用をした瞬間、現場はデータを隠蔽し始めます。センサーを外したり、嘘の報告をしたりするでしょう。そうなればAIは何の役にも立ちません。
逆に、「あなたのバイタルデータから疲労の蓄積が見えるから、今日は早めに上がってゆっくり休んでくれ」というように、データを「ケア（労わり）」のために使う。こういった成功体験を積み重ねることでしか、現場の信頼は勝ち取れません。
適切に導入された事例では、バイタルデータに基づいて休憩を推奨された作業員に対して、ペナルティではなく「安全マイスターポイント」のようなインセンティブを付与する仕組みを導入し、現場の空気を一変させています。「休むこと」を「サボり」ではなく「プロとしてのメンテナンス」と再定義したのです。
Q4: これからの安全管理は「Human-in-the-Loop」へどう進化すべきでしょうか？
編集部： 最後に、これからの安全管理のあり方について伺います。AIが進化すれば、人間の管理者は不要になるのでしょうか？
HARITA： いえ、逆です。AIが進化するほど、人間の役割はより高度で本質的なものになります。
これは一般的に「Human-in-the-Loop（人間がループの中にいる）」システムと呼ばれています。AIはあくまで、人間には気づけない微細な予兆を検知する「超高感度なセンサー」であり、データ処理係です。
そのアラートを受けて、「声をかけるか」「作業を止めるか」「配置を変えるか」を最終的に判断し、実行するのは人間の職長や安全管理者です。
AIは人間の判断を支援するパートナー
HARITA： AIによる因果探索は、「なぜ危ないのか」という理由を教えてくれます。しかし、その理由に対して、作業員の顔色を見ながら、相手のプライドを傷つけないように声をかけ、安全行動を促すことができるのは人間だけです。最新のAIエージェントがどれほど進化しても、現場のコンテキストを読み取る人間の力は不可欠です。
「AIが危ないって言ってるぞ！」と怒鳴るのではなく、「AIの分析だと少し疲れが出てるみたいだね。昨日はよく眠れた？ 無理しないで少し休憩しようか」と対話のきっかけにする。
このように、AIを「コミュニケーションの武器」として使える現場監督こそが、これからの時代の優れたリーダーになるでしょう。
最終的な安全文化を創るのは「人」
編集部： テクノロジーはあくまでツールであり、それを使う「人」と「文化」が鍵なんですね。
HARITA： その通りです。AI導入は、単なるツールの導入ではなく、組織の安全文化をアップデートする絶好の機会です。
データに基づいて、お互いの体調を気遣い合える現場。経験や勘だけでなく、科学的な根拠を持って命を守れる現場。そんな未来を、読者の皆さんと一緒に作っていきたいですね。
まとめ
HARITA氏へのインタビューを通じて、AIによる因果探索がもたらす安全管理の新たな可能性が見えてきました。
- 相関ではなく因果を見る: 「なぜ」事故が起きるのかというメカニズムを解明しなければ、実効性のある対策は打てない。
- 説明可能性（XAI）: 現場が納得して動くためには、AIの判断根拠を提示する必要がある。
- データ活用は「ケア」のために: 監視ではなく、作業員を守るためにデータを使うという信頼関係の構築が不可欠。
- Human-in-the-Loop: AIは人間の判断を支援するパートナーであり、最終的な安全文化を創るのは人間のコミュニケーションである。
従来の安全活動に行き詰まりを感じているなら、今こそデータの「深層」に目を向ける時です。
しかし、記事でお伝えできることには限りがあります。「実際にどのようなダッシュボードで因果関係を可視化するのか」「自社の現場データでPoC（概念実証）を行うにはどうすればいいか」といった具体的な疑問をお持ちの方も多いでしょう。
より実践的なノウハウを深掘りするためには、専門家による解説や事例研究を活用することが有効です。
【無料ウェビナー】現場が動く「因果探索AI」実践講座
因果探索AIの実践的なノウハウを学ぶ機会として、専門家による講座やウェビナーを活用することが推奨されます。実際の分析画面のデモや、導入に成功した建設・製造現場の具体的なロードマップを学ぶことで、失敗しない現場合意形成のステップを理解できます。
「ただデータを集めるだけのDX」から脱却し、本当に事故を減らすための第一歩を、ここから踏み出しましょう。
コメント