建設現場を革新するドローン×AI進捗管理システム導入ユースケース

プロジェクト背景と狙い

建設スタートアップZK Construction（ZKC）を率いるCさんは、複数の現場を抱える中で進捗把握の煩雑さに悩んでいました。現場監督が手作業で撮影する写真をもとに報告書を作成していましたが、情報のタイムラグや見落としが目立ち、工期遅延やコスト超過の要因となっていました。特に、地上写真では俯瞰が難しく、高所作業や遠隔地の状況把握が十分にできていませんでした。Cさんは「ドローンによる空撮」と「AI画像解析」による進捗管理システムを導入し、現場状況をリアルタイムで可視化できれば安全性と生産性が劇的に向上すると考えました。初期調査では、類似システムの導入相場が500万～800万円程度であることがわかり、ZKCの予算は700万円前後と見込みました。開発会社選定や発注時には、要件を明確化し、費用感と相場をすり合わせる必要があると判断しました。この章ではまず、導入に至った背景とシステム化の狙いを整理します。

開発会社選定とRFP作成

ZKCはまず、ドローン運用とAI解析の両方に実績を持つ開発会社をリストアップしました。候補5社に対し、RFP（提案依頼書）を作成。RFPには以下の項目を明記しました。

• ドローン機体管理機能：飛行ログの自動収集と保守情報連携

• 画像アップロード／自動タグ付け：日付・工区・作業種別を自動付与

• AI進捗解析：土量変化や建築進捗率の算出ロジック

• Webダッシュボード：3Dマップ上での進捗可視化とレポート生成

• モバイル対応：現場担当者向けのスマホアプリ連携
  開発会社には同一フォーマットで工数と単価を提示してもらい、機能ごとに見積もりを分離。これにより、要件削減時の費用調整がしやすくなります。提案書にはプロトタイプやPoCのビデオサンプル提出を求め、技術力とコミュニケーション力を評価。最終的に2社に絞り込み、追加ヒアリングを実施しました。技術スタックや開発フロー、納期感に加えて、現場トレーニングや保守サポート体制も重視し、最終的にA社を選定しています。

予算策定と相見積もりの活用

RFP送付後、A社とB社から見積もりを取得。両社の内訳を比較したところ、AI解析部分でA社が50工数×単価15,000円、B社が60工数×単価13,000円という違いがありました。また、ドローン機体管理やモバイルUIの工数も差異があり、総額はA社が750万円、B社が780万円となりました。ZKCでは「相場内でなるべく早期にPoCを進める」方針のため、総工数を減らす交渉を開始。具体的には、B社に「AI解析初期モデルをPoC後に拡張する」フェーズ分割案を提案し、初期フェーズを500万円に圧縮することに成功しました。これにより、残予算200万円を次フェーズの精度向上や追加機能開発に充てられることになりました。相見積もりを活用してフェーズ分割発注を導入することで、予算超過リスクを低減できたポイントです。

MVP開発フェーズの進め方

初期フェーズ（MVP）では、ドローン自動飛行ログの収集とAIによる土量差分解析に絞りました。開発スケジュールは3カ月、4スプリント体制を採用。各スプリントで以下を実施しました。

1. 要件再確認とプロトタイプ画面のレビュー

2. ドローンログ収集APIとDB設計

3. AIモデルのPoC＆バッチ実行環境構築

4. Webダッシュボードの初期画面実装
   スプリント終了時にはステークホルダーとデモレビューを行い、スコープ調整や予算消化率を可視化。要件変更が発生した場合は、見積もりレンジ内で調整可能な項目に限定し、追加予算承認を早期に得ることをルール化しました。これにより、3カ月でMVPを予定通りリリース。現場での初期ユーザーテストでも、データ取得から解析結果表示までのリードタイムが従来比70％短縮したことを確認できました。

本番システムへの移行とトレーニング

MVPフェーズ完了後、ZKCは本番環境への移行計画を策定しました。まず、ステージング環境と本番環境の差異を洗い出し、ドローンログAPIのエンドポイント切り替えやAI解析バッチ処理のジョブスケジュールをリハーサルしました。移行ウィンドウは半日を想定し、現場を止めずにシステム切り替えが行えるよう、ドローン飛行スケジュールと連携させました。

次に、現場担当者向けトレーニングを実施。管理画面の操作方法、飛行ログの確認手順、AI解析結果の見方などをハンズオン形式でレクチャーし、マニュアルを配布しました。トレーニング後のアンケートでは、操作理解度が80％を超え、システム導入時の問い合わせ件数は従来の半分以下に抑えられました。

発注先の開発会社には、移行後1カ月間のサポート契約を追加し、初期保守の費用（相場：月額10～15万円）も見積もりに含めてもらいました。これにより、発注後の予算化がスムーズになり、追加費用の想定も明確になりました。

運用チームからは「要件定義段階でのプロトタイプ作成が功を奏し、本番移行時のトラブルがほとんど発生しなかった」と評価され、開発会社選びと発注プロセスの正当性が裏付けられました。

運用開始後の課題と改善サイクル

本番稼働後、最初の2週間は運用データの品質チェックに注力しました。飛行ログの欠損やAI解析漏れがないかをモニタリングし、バッチ処理のエラー率を1％以下に抑制しました。ログ監視には既存のSIEMツールを流用し、追加コストを最小化しました。

また、現場でのドローンバッテリー切れや通信切断といった物理的障害も発生しました。これらは運用マニュアルに追記し、交換部品の調達費用（予算：年間20万円）を確保することで対応しました。

ユーザーからは「解析結果が想定よりも30分遅れる」というフィードバックがあり、AIバッチの実行スケジュールとクラウドリソース配分を見直しました。具体的には、解析ジョブを夜間バッチに移行し、CPUリザーブを増量。これにより、遅延は10分以内に短縮され、解析コスト（月額相場約8万円）も大幅には増加しませんでした。

運用開始1カ月後には、運用チームとの振り返りミーティングを開催。発注時に設定したKPIの達成状況を確認し、改善要望を次リリースのバックログに登録しました。この「定期的な改善サイクル」が、システム運用の信頼性と費用対効果を両立させるポイントとなりました。

AI解析モデルの精度向上フェーズ

MVPでは単純な差分解析モデルを採用していましたが、次フェーズでは季節変動や降水量データを取り込んだ回帰モデルを導入しました。外部気象APIとの連携をAIパイプラインに組み込み、過去3年分の気象データと現場データを結合して学習。

フェーズごとの発注では、AIモデル開発を30工数、データパイプライン構築を20工数として、総額相場60万～80万円を見積もりに含めました。PoCを2週間で実施した後、本番モデルは1カ月でリリース。解析精度（実際の土量誤差）は10％→3％に改善し、工期見積もりの精度も向上しました。

発注スコープには「AIモデル更新フローの自動化」と「異常検知用モジュール」を追加し、データサイエンティストの工数を抑えつつ定常運用を実現。これにより、AI解析関連の保守費用を相場の15％以上削減できました。

スケールアウトと複数現場展開

ZKCでは本番運用の安定を確認後、全国20現場への展開を計画。設計段階でマルチテナント対応を盛り込んだため、追加開発は最小限で済みました。複数現場のドローン管理やデータ分割はクラウド側で自動ルーティングし、コードベースは共通。

スケールアウト発注では、初期システム開発費とは別に「現場追加設定／トレーニング費用」を50万円、クラウドインフラコスト月額10万円を見込んで契約。追加相場を事前に押さえたことで、20現場展開後の累計コストは当初予算内の900万円に収まりました。

運用チームも増員し、現場管理担当者ごとの権限設定や異常通知設定をセルフサービス化。これにより、運用工数を従来比30％削減し、費用対効果を最大化できました。

KPI測定とROI評価

プロジェクト全体のROIを算出するため、以下の指標を定量化しました。

• 土量誤差率：10％→3％（コスト削減効果推定200万円/年）

• 工期遅延日数：平均5日→1日（人件費換算300万円/年）

• 報告書作成時間：現場監督1人あたり1日→0.2日（工数削減効果150万円/年）

• システム運用費用：初期700万円＋年間保守300万円→年間収益化効果650万円以上
  これらを総合すると、投資回収期間は約1年以内、2年目以降は大幅なコスト削減が見込めます。

次フェーズの拡張計画

ZKCは次フェーズで以下の機能追加を計画しています。

1. リアルタイムストリーミング解析：ドローン映像をライブ解析し、即時に作業指示

2. AR進捗可視化：現場スマホアプリでARマーカーを使い、進捗ポイントを重ねて表示

3. モバイルオフライン対応：通信圏外でもドローン撮影データを保持し、復帰時一括アップロード

4. ドローン自動飛行計画最適化：AIを活用した最短飛行ルート生成機能

5. BI連携レポーティング：TableauやPower BIとAPI連携し、経営分析に即活用
   これらの拡張では、初期相場感を基に概算工数（100～150工数、相場150万～225万円）を見込み、フェーズ分割発注でリスクを抑えながら進める予定です。