現場のムダと手戻りを消す是正指示×AIの実践技術

AIを使う人、使われる人 第5弾

現場のムダと手戻りを消す
是正指示×AIの実践技術

その指示、本当に伝わっているか？



はじめに

現場で毎日飛び交う「是正指示」。
しかし、その指示が本当に伝わっているのか、自信を持って答えられる施工管理者は少ない。
「直してください」「確認してください」——こうした言葉が現場を行き交う一方で、同じ箇所の手戻りは繰り返される。
本書が答える問いはシンプルだ。
なぜ現場は同じミスを繰り返すのか？
そしてAIでその構造は変えられるのか？
答えは「yes」だ。
ただし、AIは魔法ではない。
AIを使う側が「伝わる指示とは何か」を理解し、その構造を武器として使いこなすことが前提となる。
本書はその実践的な技術を、現場の視点から解説する。


本書が答える問い

なぜ現場は同じミスを繰り返すのか？
AIでその構造は変えられるのか？
この2つの問いに、具体的なプロンプト技術と事例をもとに答えていく。


読者の課題

・ 是正指示が曖昧で手戻りが多い
・ 写真と指示がバラバラで管理できない
・ 再発防止が機能していない


本書を読んだ後に何が変わるか

1. 是正指示が具体化する
2. 手戻りが減る
3. 現場の意思決定が速くなる
4. 品質管理が仕組み化される


第1章  なぜ現場は曖昧になるのか——手戻りの正体

1-1　曖昧な指示の実態：現場で起きる典型パターン

「ここ直しておいて」「この辺もう少し丁寧に」——現場で飛び交うこうした言葉は、指示を出した側には当然のように思える。
しかし受け取る側には、何をどこまでどのように直すのかが伝わっていない。
曖昧な指示が生まれる背景には、時間的プレッシャー、暗黙知への依存、そして「わかっているはず」という思い込みがある。
施工管理者が多忙なほど、指示は短く・曖昧になりがちだ。

【曖昧指示のNG例と改善方向】
NG：「ここ直しといて」
→ 場所・内容・期限のいずれも不明

NG：「もっと丁寧にやって」
→ 何がどう不足しているか不明

NG：「いい感じにして」
→ 品質基準が存在しない

改善ポイント：5W1Hで構造化する

1-2　手戻りの構造：なぜ繰り返されるのか

手戻りは偶然ではなく、構造的に発生する。指示の曖昧さ→認識のズレ→不完全な施工→再指示——このサイクルが繰り返されることで、現場のコストと時間が消耗していく。
さらに深刻なのは、手戻りが「仕方ない」と受け入れられてしまうことだ。
慣れが問題の本質を隠す。
手戻りを「当然のコスト」とみなす文化が根付くと、改善への動機が生まれない。
1. 曖昧な指示（原因）
2. 認識のズレ（介在）
3. 不完全な施工（結果）
4. 再指示・手戻り（コスト）
5. 慣れによる諦め（文化化）

このサイクルを断ち切るには、最初の「指示」の質を上げることが最も効果的だ。

1-3　情報不足の問題：写真・言葉・認識のズレ

不具合を伝える手段として最も使われるのは「言葉」と「写真」だが、どちらも単独では不十分な場合が多い。
写真だけでは「何が問題なのか」が伝わらず、言葉だけでは「どの箇所か」が特定できない。
正確な是正指示には、写真＋言葉＋基準の三点セットが必要だ。
AIはこの三点セットを構造化・言語化する作業を大幅に効率化できる。

【情報不足が引き起こす3つのズレ】

1. 場所のズレ：写真のアングルで別の箇所と混同
2. 内容のズレ：「不具合」の認識が人によって異なる
3. 基準のズレ：どこまで直せば合格かが不明

1-4　変えるべきポイント：構造で捉える

手戻りを減らすための第一歩は「指示を構造化する」ことだ。
感覚や経験に依存した指示から脱却し、誰が見ても同じ解釈ができる指示へと転換する。
構造化された指示は、AIを使うことでより簡単に生成できる。
ただしAIへの入力も構造化されていなければならない。
「ゴミを入れればゴミが出る（GIGO）」の原則はAIにも当てはまる。

プロンプト：不具合整理プロンプト
現場で発生した不具合情報を構造化するためのプロンプト

入力情報：
・[不具合の場所]
・[不具合の内容（現象）]
・[発見日時]
・[担当工種]

出力要件：
1. 不具合の要約（1文）
2. 是正指示（具体的・5W1H形式）
3. 優先度（高・中・低）と理由
4. 再発防止のポイント（1〜2点）


【今日からできる3つのアクション】
1. 今日の指示を見直す：曖昧な言葉を5W1Hで置き換える
2. 曖昧表現を消す：「この辺」「適当に」「いい感じに」を禁句にする
3. 写真と紐付ける：不具合写真に矢印・コメントを必ず添付する

第2章　是正指示の構造——伝わる指示と伝わらない指示

2-1　指示の5要素：何が欠けると伝わらないか

伝わる是正指示には5つの要素がある。
場所（Where）、内容（What）、理由（Why）、方法（How）、期限（When）だ。
この5要素のうち一つでも欠けると、受け手は自分で補完しなければならず、そこにズレが生まれる。
特に「Why（なぜ直すのか）」は省略されがちだが、最も重要な要素の一つだ。
理由が伝わると、職人は自分で判断できるようになり、類似箇所も自主的に是正する。

【是正指示5要素チェック】

Where：「3階北側トイレ入口付近」
What：「床タイルの目地幅が設計値3mmに対して5〜6mm」
Why：「完成検査時に指摘対象となるため」
How：「目地材を除去し、設計図通り3mmで再施工」
When：「本日17時までに完了報告を提出」

2-2　言語化の壁：なぜ職人に伝わらないか

施工管理者が「当然わかるだろう」と思っていることが、職人には伝わっていないケースは多い。
これは職人の能力の問題ではなく、「専門知識の呪い」と呼ばれる認知バイアスの問題だ。
知識があるほど、その知識がない人の視点を想像しにくくなる。
施工管理者が当たり前だと思っている基準や手順が、職人には共有されていないことは珍しくない。
AIはこの「言語化の壁」を下げる有効なツールになる。

1. 専門知識の呪い：自分の知識を相手も持つと思い込む
2. 暗黙知の言語化困難：熟練者ほど言語化を省略しがち
3. 文化・慣習の違い：工種や会社によって「常識」が異なる
4. 時間的プレッシャー：急ぐほど説明が省略される

AIに「この指示を職人向けに分かりやすく書き直して」と依頼するだけで、専門用語が平易な言葉に変換される。
これだけでもコミュニケーションロスは大幅に減る。

2-3　写真の力：視覚情報の使い方

不具合写真は証拠としてだけでなく、是正指示のコミュニケーションツールとして活用すべきだ。
写真に矢印・マーキング・数値を重ねることで、言葉では伝わりにくい情報を正確に伝えられる。
最近のAIツールは画像を読み込んで解析することができる。
不具合写真をAIに渡し「この写真の問題点を是正指示形式で文章化して」と依頼する使い方は、現場での実用性が高い。

【効果的な不具合写真の3条件】

1. 全体写真と部分写真のセット：場所特定と詳細確認のため
2. スケール・基準の写り込み：問題の大きさを客観化する
3. 矢印・マーキングの追記：「どこが問題か」を明示する

2-4　指示精度チェック：伝わる指示の条件

是正指示を出す前に、自分の指示を客観的にチェックする習慣が重要だ。
「この指示を初めて見た人が、質問なしに正しく施工できるか？」——これが指示精度の最終チェック基準だ。
AIを使えば、自分の指示文を入力して「不明瞭な点を指摘してください」と依頼するだけで、客観的なフィードバックが得られる。
指示の自己チェックをAIに委ねることで、品質管理の精度が上がる。

プロンプト：指示精度チェックプロンプト
是正指示文の曖昧さを検出し、改善案を提示するプロンプト

入力情報：
・[元の是正指示文]
・[工種・作業内容]
・[対象作業者のレベル（熟練・普通・初心者）]

出力要件：
1. 指示の5要素（Where/What/Why/How/When）の充足度評価
2. 曖昧・不明瞭な箇所の列挙
3. 改善版の是正指示文
4. 想定される誤解・ミスのリスク


【今日からできる3つのアクション】
1. 今日の是正指示を5要素でチェックする：欠けている要素を補う
2. AIに指示文を添削してもらう：「初めて見た人向けに書き直して」と依頼
3. チームで「伝わらなかった指示」を共有し改善パターンを蓄積する

第3章　AIで変わる不具合整理——情報の構造化

3-1　不具合情報の現状：バラバラな記録

現場の不具合情報は、手書きメモ・LINE・写真・口頭報告・エクセルなど、複数のツールに分散して記録されていることが多い。
この「情報の断片化」が、是正指示の質を下げ、再発防止を機能不全にする。
どこに何の不具合があったか、どんな指示を出したか、完了確認はいつしたか——これらが一元管理されていなければ、同じ問題が繰り返されても「前に対策した」ことすら気づけない。

【不具合情報断片化の4つの弊害】

1. 検索不能：過去の類似事例が見つからない
2. 引き継ぎ困難：担当者交代時に情報が失われる
3. 分析不可：パターン把握ができない
4. 責任の所在不明：誰が何をいつ指示したか不明

3-2　AIによる情報整理：入力と出力の設計

AIは、バラバラな不具合情報を構造化された形式に整理する作業が得意だ。
口頭メモ・現場の走り書き・写真の説明文など、どんな形式の入力でも、指定した形式の出力に変換できる。
重要なのは「出力形式の設計」だ。
AIに「どんな形式で出力してほしいか」を明確に指定することで、毎回同じ構造の記録が生成される。これが情報の一元管理の第一歩になる。

1. 出力項目を決める：不具合番号・場所・内容・指示内容・期限・担当者・完了確認
2. 入力の型を決める：最低限の情報（場所・現象・写真）を入力規則にする
3. 管理台帳に貼り付ける：AIの出力をそのままエクセルやNotionに転記する

3-3　分類と優先順位：AIが得意なこと

不具合の優先順位付けは、施工管理者の経験と判断に依存しがちだ。
しかしAIは、設定した基準（安全・品質・工程への影響）に基づいて、一貫した優先順位を付与できる。
「同じ基準で全件を判断する」ことはAIの最大の強みの一つだ。
人間の担当者が変わっても、疲れていても、AIは同じ基準で評価し続ける。
これが品質管理の安定化につながる。

【AIによる優先度分類基準の例】

高優先度：安全上のリスクがある / 検査前で時間がない / 他工程に影響
中優先度：品質基準を下回るが即時リスクなし / 完成検査で指摘可能性あり
低優先度：軽微な仕上げ不具合 / 機能に影響なし / 後工程で処理可能

3-4　現場への展開：チームで使う仕組み

AIによる不具合整理が個人の作業に留まっている限り、その効果は限定的だ。
チーム全体で同じプロンプトを使い、同じ形式で記録することで、初めて組織的な品質管理が機能する。
「現場のAI標準化」は難しそうに聞こえるが、実際には「このプロンプトを使ってください」という一枚の指示書から始められる。
施工管理者がプロンプトの設計者になることが、AIを使う人になる第一歩だ。

プロンプト：不具合一括整理プロンプト
複数の不具合情報をまとめて構造化し、管理台帳形式で出力するプロンプト

入力情報：
・[不具合リスト（箇条書き・メモ形式でも可）]
・[現場名・作業日]
・[優先度判断基準（工程・安全・品質）]

出力要件：
1. 管理番号付きの整理表（場所・内容・優先度・担当・期限）
2. 優先度高の案件トップ3と理由
3. 今日中に対応すべきアクション一覧


【今日からできる3つのアクション】
1. 今日の不具合を箇条書きでAIに貼り付け、構造化してもらう
2. 出力フォーマットを決めて管理台帳のテンプレートにする
3. チームメンバーに同じプロンプトを共有し、統一した記録を始める

第4章　実践：是正指示生成プロンプト——現場で使う技術

4-1　プロンプト設計の基本：変数と出力形式

効果的なプロンプトには「変数」と「出力形式」の2つの設計が必要だ。
変数とは入力に毎回変わる情報を入れる部分で、「[場所]」「[不具合内容]」のように括弧で囲んで示す。
出力形式とは、AIに返してほしいテキストの構造を指定することだ。
変数を明示することで、プロンプトは「テンプレート」として使い回せる。
出力形式を指定することで、毎回同じ構造の是正指示が生成される。
この2つが揃ったプロンプトを「実務プロンプト」と呼ぶ。

【実務プロンプトの基本構造】

役割設定：「あなたは施工管理の専門家です」
背景・目的：「以下の不具合に対して是正指示を作成してください」
変数（入力）：「場所：[場所]、不具合内容：[不具合内容]」
出力形式：「是正指示を5W1H形式で200字以内で出力してください」
制約・注意：「専門用語を避け、作業者が直接読む文体で」

4-2　是正指示プロンプトの作り方

是正指示生成プロンプトを作る際のポイントは「誰が読むか」を明確にすることだ。
施工管理者が読む記録用と、職人が読む指示用では、求められる言葉の粒度が異なる。
プロンプトに「読者（対象者）」を明示することで、AIは自動的に適切な文体・難易度・詳細度で出力を調整する。
この一工夫で、是正指示の実用性は大幅に向上する。
1. 対象者を明示する：「職人向け」か「検査員向け」かを指定
2. 出力長さを指定する：「100字以内」「箇条書き3項目以内」など
3. 禁止事項を設ける：「専門用語を使わない」「曖昧表現を使わない」など
4. 確認事項を含める：「作業者が完了を確認すべき項目を含める」

4-3　写真連携：視覚情報をAIに渡す

最近のAIツール（GPT-4o、Claude 3など）は画像を入力として受け取れる。
不具合写真をAIに渡して「この写真の問題点を是正指示形式で説明してください」と依頼すれば、写真から直接是正指示が生成される。
ただし、AIの画像認識は万能ではない。
写真の品質（解像度・明るさ・アングル）が低いと認識精度が落ちる。
「AI向けの写真の撮り方」を現場標準にすることで、この問題は解決できる。

【AI画像認識の精度を上げる撮影ルール】

1. 明るさ：フラッシュまたは自然光で不具合部分を明確に照らす
2. アングル：不具合部分が画面中央になるように撮影する
3. スケール：定規や手など大きさの基準となるものを写し込む
4. 補足テキスト：写真と一緒に「場所：〇〇、撮影日：〇〇」を入力する

4-4　改善サイクル：プロンプトを育てる

最初から完璧なプロンプトは存在しない。
実際に使ってみて「出力が期待と違う」と感じた箇所を少しずつ修正し、育てていくことが重要だ。
これを「プロンプトの改善サイクル」と呼ぶ。
改善のコツは「何が違ったか」を記録することだ。
「出力が長すぎた」「専門用語が残っていた」「優先度の判断がズレていた」——こうした具体的なフィードバックをプロンプトに反映させることで、精度は確実に上がる。

プロンプト：是正指示生成プロンプト
現場の不具合情報から、職人が直接使える是正指示を生成するプロンプト

入力情報：
・[場所（建物名・階・室名・部位）]
・[不具合内容（現象・写真の説明）]
・[関連工種]
・[完了期限]

出力要件：
1. 是正指示文（職人向け・200字以内・5W1H）
2. 確認項目（完了時にチェックすべき3項目）
3. 写真撮影指示（完了写真として必要なアングル）
4. 再発防止メモ（1行）


【今日からできる3つのアクション】
1. 今日の不具合1件でプロンプトを試してみる：完璧でなくていい、始めることが重要
2. 出力と実際の指示を比較して「改善メモ」を一つ記録する
3. 1週間後にプロンプトを見直し、蓄積した改善メモを反映する

第5章　再発防止の仕組み化——AIによる原因分析

5-1　再発防止の現状：形式だけの対策

多くの現場で「再発防止対策」は記録されている。
しかしその内容を見ると「注意する」「確認を徹底する」といった精神論的なものが多い。
これでは同じ不具合が繰り返されても不思議ではない。
真の再発防止には「なぜ発生したか（原因）」と「どうすれば発生しないか（対策）」が具体的に結びついていなければならない。
AIはこの「原因分析の深掘り」を支援するツールとして有効だ。

【再発防止が機能しない3つの理由】

1. 原因分析が浅い：「うっかりミス」「確認不足」で終わっている
2. 対策が抽象的：「気をつける」では行動が変わらない
3. 横展開がない：類似箇所・類似工種に対策が共有されない

5-2　原因分析プロンプト：なぜを深掘りする

「なぜなぜ分析」はトヨタ生産方式で有名な根本原因分析手法だ。
問題に対して「なぜ？」を5回繰り返すことで、表面的な原因から根本原因へと掘り下げる。
AIはこのプロセスを自動化・加速できる。
AIに不具合の概要を入力して「なぜなぜ分析を5段階で実施してください」と依頼するだけで、体系的な原因分析が数十秒で完成する。
人間が考える上に加えて、AIは類似事例や業界知識から追加の視点も提供してくれる。

1. 不具合の事実（何が起きたか）
2. 直接原因（なぜ起きたか）
3. 間接原因（なぜ直接原因が発生したか）
4. 管理原因（なぜ間接原因が放置されたか）
5. 根本原因（なぜ管理上の問題が生まれたか）

根本原因まで掘り下げることで、「ルールを作る」「チェック工程を追加する」「教育を実施する」といった具体的な対策が導き出せる。

5-3　ナレッジ蓄積：失敗を資産にする

現場で発生した不具合と再発防止策は、組織の「負の資産」ではなく「正の資産」として蓄積すべきだ。
同じ失敗から学ぶことを避けるために、失敗の記録こそが最大の財産になる。
AIを使ったナレッジ管理の具体的な方法は、全不具合記録をデータベース（エクセルやNotionなど）に蓄積し、定期的にAIで「頻出パターン分析」を実行することだ。
「過去3ヶ月で最も多い不具合の種類とその共通原因を分析してください」——このプロンプト一つで、現場の品質課題が可視化される。

【ナレッジ蓄積のための記録4項目】

1. 不具合の分類（工種・部位・種類）
2. 原因の分類（設計・施工・材料・確認不足）
3. 実施した対策の内容
4. 対策の効果（再発したか・しないか）

5-4　仕組みとしての再発防止

再発防止を「個人の注意」から「仕組みによる担保」へ転換することが、AI時代の施工管理の要諦だ。
担当者が変わっても、経験が浅くても、同じ水準の品質が保てる仕組みをAIで構築する。
具体的には「定期的なAIレビュー」の仕組み化だ。
週次または月次で過去の不具合データをAIに分析させ、傾向と対策をレポート化する。
このレポートを朝礼や安全会議で共有することで、全員が「現場の学習」に参加できる。

プロンプト：原因分析・再発防止プロンプト
不具合の根本原因を特定し、具体的な再発防止策を立案するプロンプト

入力情報：
・[不具合の内容（事実）]
・[発見場所・状況]
・[類似事例（過去にあれば）]

出力要件：
1. なぜなぜ分析（5段階）
2. 根本原因の特定（1〜2つ）
3. 再発防止策（具体的行動・誰が・いつまでに）
4. 横展開が必要な類似箇所・類似工種のリスト


【今日からできる3つのアクション】
1. 今週発生した不具合1件でなぜなぜ分析プロンプトを試す
2. 過去1ヶ月の不具合記録をAIに分析させ、頻出パターンを確認する
3. 再発防止の仕組みを朝礼・安全会議のアジェンダに組み込む

第6章　AI時代の施工管理——使う人・使われる人

6-1　AIで変わる施工管理の役割

AIの普及により、施工管理者の仕事の中で「情報整理・文書作成・パターン認識」の比重が下がり、「判断・コミュニケーション・現場力」の比重が上がっていく。
AIが得意な反復作業を任せ、人間が得意な「文脈を読む力」と「関係を築く力」に集中できるようになる。
これはポジティブな変化だ。
施工管理者が本来すべき「現場で考え、判断し、動かす」という仕事に、より多くの時間とエネルギーを注げるようになる。
ただしそのためには、AIを使いこなせる側にいる必要がある。

【AIに任せる仕事 vs 人間がすべき仕事】

AIに任せる：文書作成、情報整理、パターン分析、定型チェック、レポート生成

人間がすべき：現場判断、職人との関係構築、イレギュラー対応、品質判断、責任の担保

6-2　使う人になるための3つの習慣

「AIを使う人」になるための特別な才能は不要だ。
必要なのは、毎日の業務でAIを試す「実験の習慣」、使った結果を記録する「改善の習慣」、知識をチームに共有する「伝播の習慣」の3つだ。
最初の一歩は小さくていい。
今日の是正指示を一件だけAIに書いてもらう。
それだけで、あなたは「AIを使う人」としての第一歩を踏み出したことになる。

1. 実験の習慣：毎日1つのタスクをAIに試してみる（失敗してもいい）
2. 改善の習慣：「うまくいったプロンプト」と「ダメだったプロンプト」を記録する
3. 伝播の習慣：うまくいった使い方を職場の誰かに1週間に1回共有する

6-3　チームへの展開：組織でAIを使う

個人のAI活用がチームに広がるとき、現場の生産性は劇的に向上する。
しかしその前に「AIの使い方を標準化する」ことが必要だ。
個人が思い思いにAIを使っている状態では、品質がバラバラになり、むしろ混乱を招く。
標準化の第一歩は「現場で使うプロンプト集」を作ることだ。
是正指示プロンプト、原因分析プロンプト、日報作成プロンプト——こうした実務プロンプトを一枚のチートシートにまとめ、チーム全員が同じプロンプトを使える状態を作る。

【チームAI活用推進の3ステップ】

Step 1：自分が使えるプロンプトを3つ作る
Step 2：その3つをチームに見せて「一緒に使ってみよう」と声をかける
Step 3：使ってみた感想をチームで共有し、プロンプトをブラッシュアップする

6-4　これからの施工管理者像

AIが普及した現場で求められる施工管理者は、「AIを道具として使いこなすプロ」だ。
AIに聞けばわかる知識より、AIに何を聞くべきかを知っている判断力。AIが出力した情報を、現場の文脈で正しく解釈できる経験。
そして、AIに任せるべき仕事と人間がすべき仕事を見極める見識。
本書を読んだあなたには、その第一歩となる「是正指示×AI」の実践知識が備わった。
あとは現場で試し、改善し、仲間に広めるだけだ。AIを使う人は、自分だけでなく周りも使う人に変えていく力を持っている。

プロンプト：施工管理AI活用度チェックプロンプト
自分のAI活用レベルを客観的に評価し、次のステップを明確化するプロンプト

入力情報：
・[現在使っているAIツールと頻度]
・[AIを使っている業務の種類]
・[AIを使って解決できた課題]
・[AIをうまく使えていないと感じる場面]

出力要件：
1. 現在のAI活用レベル（初級・中級・上級）の診断と根拠
2. 今すぐ試せるAI活用の改善提案（3つ）
3. 1ヶ月後の目標設定（具体的・測定可能な形で）


【今日からできる3つのアクション】
1. チームのプロンプト集を作り始める：今日使ったプロンプトをメモする
2. 「AIを使う人」として職場の誰かに使い方を教える機会を作る

おわりに

AIは「賢い道具」だ。しかし道具は使う人を選ばない。
同じハンマーでも、釘を正確に打てる人と壁を壊してしまう人がいる。
AIも同じだ。使い方を知っている人には強力な武器になり、使い方を知らない人には混乱をもたらすだけだ。
現場とAIの関係は、現場と職人の関係に似ている。
優秀な職人は道具の性質を深く理解し、その性質を活かして仕事をする。
AIを使いこなす施工管理者とは、AIの「得意と苦手」を理解し、自分の判断とAIの処理能力を組み合わせられる人だ。
本書で紹介した是正指示プロンプト・原因分析プロンプト・整理プロンプトは、すべて「今日から試せる」技術だ。完璧を目指さなくていい。
まず一件、AIに是正指示を書いてもらおう。
それが「使う人」への扉を開く。


考えることをやめた瞬間、AIに使われる



付録：是正管理チェックリスト

このチェックリストを使って、自分の現場の是正管理レベルを確認しよう。
評価基準：✅ 実施済み　⚠ 部分的に実施　❌ 未実施


---

カテゴリ1：写真管理

1. 不具合写真は全体写真と部分写真のセットで撮影している
2. 写真にスケール（定規・手など）が写り込んでいる
3. 写真に矢印・マーキングで問題箇所を明示している
4. 写真のファイル名に場所・日付・内容が含まれている
5. 写真と是正指示がセットで管理されている
6. 完了写真を撮影し、施工前後の比較ができる状態になっている
7. AIに写真を読み込ませて是正指示を生成する取り組みをしている
8. チーム全員が統一した写真撮影ルールを守っている


---

カテゴリ2：再発防止

1. 不具合発生後に「なぜ起きたか」を分析している
2. なぜなぜ分析（5段階）を実施している
3. 再発防止策が「注意する」以外の具体的行動になっている
4. 再発防止策の実施責任者と期限が設定されている
5. 類似箇所・類似工種への横展開を実施している
6. 不具合データを蓄積し、定期的に傾向分析を実施している
7. AIを使って過去の不具合からパターン分析を実施している


---

カテゴリ3：AI活用

1. 是正指示の生成にAIを活用している
2. 不具合情報の整理・構造化にAIを活用している
3. 原因分析にAIを活用している
4. 自分専用のプロンプトテンプレートを持っている
5. プロンプトの改善を継続的に行っている
6. チームメンバーにAI活用の使い方を共有している
7. AI活用の成功事例を記録・蓄積している

---

【自己評価の目安】
✅ 25〜30項目：優秀 — AIを使いこなす施工管理者として高いレベルに達しています
⚠ 15〜24項目：発展途上 — 基本は押さえられています。
AI活用とデータ蓄積を強化しましょう
❌ 14項目以下：要改善 — 本書の第1〜4章の実践から始めましょう。
小さな一歩が大きな変化につながります