現場の事故報告書や施工体制台帳に含まれる作業員の個人情報保護が壁となり、社内データの集約や全社展開に踏み出せない建設企業は少なくありません。戸田建設は、テーブル数が約1600に達したデータ分析基盤において、AIによるリスク判定と「半歩前」のガバナンス体制を導入し、2027年の全社員開放に向けた情報統治を進めています。
戸田建設が進めるデータ基盤の全社開放と「半歩前」のガバナンス
戸田建設が構築を進める全社データ分析基盤は、社内に散在していた業務システムやExcel管理のデータをクラウドへ集約し、全社員が業務判断や分析に自律活用できる環境を目指す取り組みです。同社は2026年10月15日に開催されたイベント「primeNumber DATA SUMMIT 2026」において、ICT統轄部 デジタルプラットフォーム部 部長 兼 データマネジメント課 課長の一色晃彰氏により、その実装プロセスとガバナンス設計の詳細を公表しました。
システム構成とデータ規模の推移
戸田建設のデータ分析基盤は、クラウドデータウェアハウス（DWH）の「Snowflake」を中核に据え、primeNumberのデータ統合サービス「TROCCO」を用いて社内外のデータを連携・蓄積する構成をとっています。蓄積されたデータの可視化にはBIツールの「Tableau」を使用し、データカタログには同じくprimeNumberの「COMETA」を採用しています。
基盤構築は最初から大規模に立ち上げるのではなく、明確な課題を持つ現場部門の要望に応じて段階的に連携対象を拡張してきました。
| 項目 | 運用初期（2024年6月） | 登壇時点（2026年10月） | 2027年（全社開放予定） |
|---|---|---|---|
| 取り込み元システム数 | 10システム | 20システム | 全社主要基幹・業務システム |
| テーブル数 | 94テーブル | 約1600テーブル | 約1600（開放対象：約380） |
| カラム数（開放対象） | 限定公開 | 算定中 | 約1万3000カラム |
| 主な利用部署 | 建築企画部、土木企画部 | 経営企画室、企画各部 | 全社員（ユーザー登録開放） |
運用初期は、人員配置と営業案件の照合による受注可否判断を急務としていた建築企画部から利用を開始しました。その後、分析スキルを持ちながらもデータ収集作業に負担を抱えていた経営企画室が加わり、効果を確認しながら取り込み範囲を拡大しています。
「半歩前」のルール策定と利用支援の仕組み
利用者が増える過程で直面したのが、「誰にどこまでのデータを閲覧させてよいか」というアクセス権限と情報管理の課題です。戸田建設では、トラブルが発生してから厳しい制限をかける手法や、最初から厳密すぎる理想論を現場に強いる手法を避け、利用拡大によって新たな課題が顕在化する「半歩前」にルールやガイドラインを整備する方針を徹底しました。
2024年6月の本運用開始からしばらくは、経営層に近いデータを扱う企画部門に利用を限定し、細かな閲覧制限を設けずに自由な活用を促しました。その後、テーブル数が急増し全社展開のロードマップが見え始めた2024年度末から2025年にかけて、「データマネジメント基盤運用ガイドライン」を明文化しました。このガイドラインは机上の空論ではなく、先行部門で実際に運用されていた利用フローをそのまま文書化したものです。
あわせて、新規利用者の自立を促す以下の支援環境を段階的に整備しました。
- DM（データマネジメント）ポータルの開設（2025年10月）: 社内のデータ利活用ルールや利用申請フローを集約した社内Webサイト。
- スターターキットの提供（2026年4月）: 初心者がツールの基本操作やデータ参照手順を独学で習得できる学習コンテンツ。
- 定期ユーザー会の開催（1〜2カ月に1回）: 現場の利用者が抱える課題やつまずきを運用側が直接ヒアリングし、基盤改修へ迅速に反映する対話の場。
- アドバンスキットの公開予定（2026年度中）: より高度なデータ加工や分析を自力で行う利用者を支援する実践教材。
組織設計における「攻め」と「守り」の分離
データ活用の推進とセキュリティ統治を同一組織が担うと、業務負荷が集中して基盤の拡張が停滞します。戸田建設はこのボトルネックを回避するため、2026年3月1日付で組織改編を実施し、活用を広げる「攻め」と、安全性を担保する「守り」の役割を明確に分担しました。
インフラセキュリティ部を改称して新設された「デジタルプラットフォーム部 データマネジメント課」が「守り」として基盤の保守運用、データパイプラインの安定稼働、全社ガバナンスを担当します。一方、「攻め」を担う「経営企画室 データマネジメント課」が各部門の要望を聞き取ってダッシュボードを開発し、社内エバンジェリストとして利用を広げる体制を敷いています。
建設業界においてデータ基盤とAIガバナンスが直面する固有の課題
建設業は製造業や小売業と比較して顧客個人情報を扱う機会が少ないと考えられがちです。しかし、施工現場の実務においては、高度な配慮が求められる機微な個人情報が日常的に大量生成されています。
現場帳票に含まれる機微な個人情報と下請け構造
建設現場では、労働安全衛生法などの法令遵守や安全管理を目的に、協力会社の技能者に関する詳細な情報を取り扱います。特に、災害発生時に作成される事故報告書には、被災した作業員の氏名、年齢、所属企業だけでなく、負傷の部位や程度、既往症、当日の健康状態といった機微情報が記録されます。
これらの書類は従来、現場事務所の書棚や個別の安全管理システム内に閉じた状態で保管されていました。しかし、過去の事故事例を全社で横断分析して安全対策を高度化しようとデータを統合すると、機微な個人情報が一般の社員からも閲覧可能なDWHへ流れ込むリスクが生じます。
下請負契約に基づく重層下請構造の中で預かった作業員情報を元請け企業が安全に管理しきれなければ、協力会社との信頼関係を損なうだけでなく、個人情報保護法上の管理監督責任を問われる事態に直結します。
参考記事: 戸田建設で最大7200件の取引先情報流出｜支払いシステム停止と口座防衛
膨大なカラム数に対する人的精査の限界
全社開放に向けてデータの安全性を確保するには、テーブル内のすべての項目（カラム）に対して、氏名や電話番号、機密数値が含まれていないかを精査し、必要に応じたマスキングやアクセス権限の制限を設定しなければなりません。
戸田建設が2027年に全社開放を予定している範囲だけでも、対象はテーブル数で約380、カラム数で約1万3000に上ります。基盤全体では約1600テーブルが存在し、日々の業務の中で新規テーブルやデータの更新が継続的に発生します。
これらを情報システム部門の担当者が目視で確認し、各カラムのリスクレベルを判定することは不可能です。安全確認の作業がボトルネックとなってデータの追加が滞れば、最新の現場データに基づいた経営判断や施工管理の改善という、データ基盤本来の目的が失われます。
生成AI活用を左右するメタデータ整備の重要性
建設DXの現場では、蓄積した過去の施工計画書や仕様書、不具合事例を社内専用の生成AI（RAG：検索拡張生成など）に参照させ、現場業務の自動化や問い合わせ対応の迅速化を図る取り組みが進んでいます。
しかし、参照元となるデータ基盤において、どのデータが公開可能で、どのデータが社外秘や機微情報であるかを定義した「メタデータ」が整備されていなければ、生成AIが回答を生成する過程で非公開の個人情報や機密データを引用して出力してしまう恐れがあります。
AIを業務で本格活用するためには、AI自身がデータの文脈やセキュリティレベルを理解できる構造化されたメタデータが不可欠です。
参考記事: 清水建設、生成AI正答率93%達成と3000人展開に見る現場主導DX
AIによるリスク判定とメタデータ自動生成の仕組み
約1万3000カラムに及ぶデータの安全確認を迅速化するため、戸田建設はprimeNumberの支援を受け、AIを活用してテーブルやカラムのリスク区分を自動判定し、メタデータを生成する仕組みを実装して検証を進めています。
[社内外の業務システム（20システム）]
│
▼ (TROCCOによるデータ連携)
[Snowflake（全社DWH：約1600テーブル）]
│
▼ (全社開放対象：約380テーブル / 約1万3000カラム)
[AIによる自動リスク解析エンジン]
├─ テーブル構造・属性名の解析
├─ サンプルデータの内容判定
└─ リスク候補・推奨区分の提示
│
▼
[人による最終確認・判定確定] ──(修正結果をフィードバック)──▶ [AIの再学習]
│
▼ (COMETA データカタログへ反映)
[メタデータの自動付与・アクセス制御]
├─ 個人情報・機微データの自動マスキング
├─ 閲覧権限の機械的制御
└─ 将来的な社内生成AIへの安全なデータ連携
AIの推奨と人間による最終判断の協調体制
このシステムにおいて、AIは判定業務を完全に代替するのではなく、人の判断を支援する役割を担います。
- AIによるリスク候補の抽出: AIがテーブル構造やカラムの名称、格納されているサンプルデータを解析し、「個人情報」「要配慮個人情報」「社外秘機密」などのリスク区分候補と推奨理由を提示します。
- 人による確定と修正: 提示された推奨内容に対し、データマネジメント担当者が最終的なリスク区分を判断して確定します。
- 再学習による精度向上: 人がAIの推奨を修正した場合、その判定結果を学習データとして蓄積し、以降の自動判定アルゴリズムへフィードバックします。
この協調体制により、担当者がゼロから1万3000カラムを目視確認する負担を大幅に削減し、日々更新される新規データの安全性検証にも無理なく追従できる運用基盤を整えています。
機械的なアクセス制御とマスキングの自動化
カラム単位のリスク区分がメタデータとしてデータカタログに定義されることで、セキュリティ管理の自動化が可能になります。
従来は、新規ユーザーや特定部署からデータ閲覧の申請があるたびに、システム担当者が個別のテーブル内容を吟味して許可の可否を判断していました。リスク区分が明確化された後は、ユーザーの所属部署や役職に応じて、「機微個人情報を含むカラムは自動的にマスキングして表示する」「特定機密を含むテーブルはアクセス対象から除外する」といった処理を機械的に制御できます。
個別の判断工数を排除することで、全社員へのユーザー登録開放後も管理部門がリソース不足に陥ることなく、安全なデータアクセスを即時提供できるようになります。
戸田建設の取り組みがもたらす定性・定量効果
AIによるリスク判定と「半歩前」のガバナンス設計は、データ基盤の運用実務に明確な変化を生み出しています。
確認工数の大幅圧縮と開放スピードの向上
約380テーブル・約1万3000カラムを対象としたリスク判定において、AIによる候補提示と人間による最終確認を組み合わせたことで、1カラムあたりの精査工数が劇的に圧縮されました。
手作業による確認作業で想定されていた数カ月単位の停滞を回避し、2027年に予定されている全社員へのユーザー登録開放という目標スケジュールに向けた基盤整備を計画通りに進めることが可能になりました。
ガードレール整備による現場の心理的ハードル解消
現場監督や施工管理者が社内データを活用する際、「このデータを参照・集計してもセキュリティ違反にならないか」という不安は、利活用を阻む大きな心理的要因となります。
プラットフォーム側で機微情報や個人情報が自動的にマスキングされるガードレールが確立されたことで、利用者は規程違反を恐れることなく、安全が担保された環境下で自発的にTableauを用いた分析や業務アプリへの連携を実行できます。
将来の社内生成AI連携に向けたデータ資産の確立
リスク区分やデータの意味が定義されたメタデータは、将来的な社内生成AIの実務投入において不可欠な前提条件となります。
人がデータカタログで必要な情報を探すための索引（メタデータ）と、生成AIが社内文書の意味や公開範囲を理解するためのデータ定義は共通の土台を持ちます。守りを固めるために整備したメタデータが、社内データを直接活用する生成AIの検索精度を高め、誤情報や意図せぬ情報漏えいを防止する資産として機能します。
建設企業が全社データ基盤の構築で失敗しないための実践ステップ
戸田建設の実践プロセスから導き出される、建設企業がデータ基盤の全社展開を進める際の導入手順と留意点を整理します。
ステップ1：目的を絞ったスモールスタートと成功事例の創出
全社データを一括統合しようとすると、要件定義が長期化し、現場の利活用が定着する前に頓挫するリスクが高まります。
まずは「要員配置と案件照合による受注可否判断」のように、明確なビジネス課題と意思決定のニーズを持つ特定の部門（建築企画、土木企画など）に絞って基盤を立ち上げます。少数のシステムとテーブルで迅速にダッシュボードを構築し、業務効率化や判断精度の向上といった具体的な成功事例を作ることが社内展開の足がかりとなります。
ステップ2：「攻め」の活用部門と「守り」の基盤部門の役割分離
利用部門の拡大に伴い、データ活用を支援する役割と基盤の保守運用を担う役割を組織的に切り離します。
- 活用推進（攻め）: 経営企画やDX推進部署が担当。各現場や支店の業務ニーズをヒアリングし、ダッシュボード作成やデータ活用の伴走支援を行う。
- 基盤統治（守り）: 情報システムやセキュリティ部門が担当。データ連携パイプラインの安定稼働、アクセス権限の制御、利用規程の策定を担う。
両者を同一のチームで抱え込まず、役割を分離することで、活用の拡大ペースに基盤運用のリソースが圧迫される構造的な破綻を防止します。
ステップ3：実態を追認する「半歩前」のガイドライン策定
利用開始の初期段階では、あえて過度な制約を設けず、先行利用部門が試行錯誤できる余白を残します。
テーブル数や利用者が急増し、全社展開の兆候が見え始めた段階（半歩前）で、それまで現場で実際に回っていた運用フローや利用手順をそのまま明文化した運用ガイドラインを策定します。現場の実態と乖離したルールを上から押し付けるのではなく、定着している運用を公認する形で文書化することで、利用の流れを止めることなく全社的な統治を実現します。
ステップ4：AIと人を分担させたメタデータ自動管理の導入
全社開放の対象となるテーブル数やカラム数が数千〜数万規模に拡大する前に、人手による個別確認を脱却し、AIによるリスク判定エンジンを導入します。
AIにテーブル構造やサンプルデータから機微情報の候補を自動分類させ、システム担当者はその判定結果の確定と例外処理に専念する運用体制を確立します。この段階で生成されたメタデータをもとに、カラム単位のマスキングや閲覧制限を機械的に自動適用する仕組みを整えることで、管理工数を増大させずに全社員への安全なデータ開放が可能となります。
出典: ITmedia エンタープライズ
出典: primeNumber
