建設業の数量拾いAI完全ガイド｜図面PDF・CADから見積・原価・発注までつなぐ会社専用システム

建設業の数量拾いAIは、図面PDFやCADから部材・寸法・数量の候補と根拠箇所を抽出し、見積、原価管理、発注まで同じデータをつなぐ仕組みです。

「数量拾いをAIに任せれば、積算担当者は不要になる」。そう考えると、導入はほぼ確実に失敗します。建設図面には縮尺、改訂、特記、納まり、除外条件があり、同じ記号でも案件や設計者によって意味が変わるからです。AIの役割は正解を断定することではありません。数量候補を出し、どの図面のどこを根拠にしたかを示し、人が承認・修正できる状態をつくることです。

本記事では、PDF・CADの取り込みから、拾い、見積、原価、発注、実績差異の学習までを一気通貫で解説します。時間や削減率などの数値は、特に断りがない限り実在企業の実績ではなく、業務設計を比較するためのモデル試算です。

第1章　建設業の数量拾いAIとは何か

数量拾いAIとは、図面から数量候補を抽出し、根拠位置、計算式、信頼度を添えて、人の承認後に見積明細へ渡す支援システムです。

従来の数量拾いでは、積算担当者が意匠図、構造図、設備図、特記仕様書を行き来し、長さ、面積、体積、個数を数えます。壁なら芯々寸法から開口を控除し、コンクリートなら部位ごとに体積を計算し、鉄筋なら径、ピッチ、定着、継手を考慮します。単純な「図形の数え上げ」に見えても、実際は図面の優先順位と施工知識を使う判断業務です。

AIが得意なのは、反復量の多い下準備です。図面名と版番号を分類し、通り芯や寸法線を読み、記号を検出し、同じ部材候補を一覧化する。担当者はゼロから探す代わりに、候補を確認し、除外や補正を指示します。承認された数量だけを正式値として扱えば、速度と説明責任を両立できます。

たとえば床仕上げでは、AIが室境界と仕上表を照合し、「3階事務室、OAフロア、候補面積182.4平方メートル」と提示します。同時に平面図の対象範囲を色付けし、「縮尺1/100、柱型控除前、図面A-103、改訂C」を表示する。担当者は柱型や造作家具の控除条件を確認し、181.1平方メートルへ修正できます。修正理由も残るため、後から数字だけが独り歩きしません。

重要なのは、AIが拾った数量をそのまま発注しないことです。図面間の不整合、未確定仕様、施工上の割増、ロス率は人が判断します。システムは「自動確定」ではなく、「候補作成→根拠確認→承認→下流連携」という順序で設計します。この原則が、過少発注と過大見積の両方を防ぐ土台です。

数量拾い、積算、見積は似ていますが、役割は異なります。数量拾いは図面から物量を作る工程、積算は歩掛や単価を用いて費用を組み立てる工程、見積は条件や利益を含めて提示価格を決める工程です。AI導入では三つを混同せず、どの数字までが機械候補で、どこからが責任者の判断かを画面上でも区別します。

第2章　図面PDF・CADをAIが読み取る仕組み

PDFとCADでは取得できる情報が異なるため、文字・線・レイヤー・属性を別々に解析し、最後に部材台帳へ統合します。

PDFには、CADから直接出力したベクターPDFと、紙図面をスキャンした画像PDFがあります。前者は文字や線の座標を取得しやすく、後者は傾き補正、ノイズ除去、OCRが必要です。最初にファイルの種類、用紙サイズ、縮尺、図面番号、改訂記号を識別し、解析方法を切り替えます。縮尺が不明な場合は、既知寸法を基準に校正し、人へ確認を求めます。

次に、通り芯、寸法線、引出線、ハッチ、部屋名、建具記号などを層に分けます。文字OCRだけでは「D10@200」と「D13@200」の読み違いが起きるため、周辺の図形、凡例、特記との整合も確認します。AIは各候補に信頼度を付け、低信頼の文字や交差した線をレビュー待ちへ送ります。信頼度は正しさの保証ではなく、確認順を決める目安です。

DWGやDXF、IFCなどのCAD・BIMデータでは、線の座標に加えてレイヤー名、ブロック名、オブジェクト属性を利用できます。ただし、レイヤー運用が統一されていない会社では、「壁」レイヤーに下地線が混ざることもあります。属性があるから正しいとは限らないため、図形と属性の双方から判定し、矛盾を表示します。

図面の版管理も欠かせません。旧版Aと新版Bを重ね、追加、削除、移動、寸法変更を差分として抽出します。変更箇所だけ再拾いできれば、全図面を数え直す必要がありません。反対に、版番号を無視して複数図面を混在させると、AIは古い部材と新しい部材を二重計上します。アップロード時に最新版を選ばせ、旧版を参照専用に固定する設計が必要です。

解析後は、すべてを「部材、階、工区、位置、仕様、単位、数量、根拠図面、座標、版、状態」という共通形式へ変換します。この部材台帳が、見積や発注へつながる中間データです。元図面の画像だけを保存するのではなく、どの数量がどの領域から生まれたかを双方向にたどれるようにします。

第3章　数量拾いから見積・原価・発注までつなぐ設計

数量拾いの効果を最大化するには、承認済み数量を見積、実行予算、発注、出来高、原価実績まで同じ品目コードでつなぐ必要があります。

数量拾いだけを速くしても、担当者が結果をExcelへコピーし、見積書で品名を打ち直し、発注時に再集計すれば二重入力は残ります。最初に自社の品目マスター、工種コード、単位、原価区分、協力会社区分を整理し、AIの抽出結果を既存コードへ対応させます。完全一致しない候補は勝手に登録せず、「新規候補」として承認を求めます。

見積段階では、承認済み数量に歩掛、材料単価、労務単価、機械損料、ロス率を掛けます。ここで数量と単価を分けて保持することが重要です。単価改定があっても数量を拾い直さずに再計算でき、数量差なのか価格差なのかを説明できます。複合単価の場合も、構成要素を保持すれば値上がりの影響を追跡できます。

原価計画では、設計数量をそのまま実行予算にしません。施工方法、搬入条件、割付、最低発注量、端材、天候、工程分割を加味します。AIは過去案件のロス率や類似条件を候補として出せますが、「外壁タイルはモデルロス率7%、根拠は過去3案件」と明示し、積算責任者が採用率を決めます。過去データが少ない場合は、業界平均のように見せず「社内根拠不足」と表示します。

発注では、承認済み実行数量を工区、納入日、荷姿、発注先に分割します。コンクリート総量が分かっても、一括納入はできません。工程表と連携し、打設日ごとの数量候補を作り、ポンプ能力や搬入時間を人が確認する必要があります。また発注変更は元の見積数量を上書きせず、変更履歴として追加します。いつ、誰が、どの根拠で増減したかが残れば、追加請求の説明にも使えます。

施工中は、納品、使用、出来高、廃棄を記録し、設計数量・発注数量・実績数量を比較します。たとえば設計100、発注108、使用104、残材4なら、ロスの内訳を確認できます。差異が大きい品目だけをAIが警告し、写真、日報、変更図面を候補根拠として提示する。担当者は全品目を見るのではなく、例外へ集中できます。

見積変更にも同じ仕組みが効きます。新版図面との差分から増減数量を抽出し、元見積の明細へ紐付け、「追加壁12.6平方メートル、削除建具2か所」のように表示します。元請け・発注者へ提出する際は、変更前後の図面領域と計算式を添付できます。数量の結論だけでなく、根拠を一緒に渡すことで査定の往復を減らします。

会計や基幹システムへ連携する場合は、API、CSV、Excelのいずれかを選びます。最初から全システムをリアルタイム接続する必要はありません。PoCでは既存の見積Excelへ承認済み明細を書き出し、列順、丸め、税区分を合わせるだけでも効果を検証できます。その後、品目コードの整備状況に応じてAPI連携へ広げます。

権限設計では、AIが候補を作る権限、数量を承認する権限、単価を見る権限、発注を確定する権限を分けます。協力会社へ図面確認を依頼しても、他社単価や全体原価は見せない。操作ログと承認履歴を残し、後から数字が変わった場合に経路を追えるようにします。

第4章　市販積算ツールと自社専用AIの比較

標準工種を早く始めるなら市販ツール、自社帳票・独自コード・基幹連携まで最適化するなら自社専用AIが向いています。

市販ツールと専用開発は、優劣ではなく適合範囲で選びます。市販ツールは初期設定が比較的早く、一般的な面積・長さ・個数の拾いに強みがあります。一方、自社専用AIは現行のExcel、品目マスター、承認順、原価・発注システムへ合わせられますが、対象業務の整理と検証が必要です。

選定時には、デモ用のきれいな図面ではなく、自社で実際に苦労した図面を使います。スキャンPDF、手書き追記、改訂混在、独自記号を含む案件で、候補抽出、根拠確認、Excel出力まで試します。正解率だけでなく、修正に何分かかったか、どの誤りが危険かを記録してください。

市販ツールを入口にして、承認後のデータだけ専用連携する構成も有効です。すべてを新規開発する必要はありません。既存製品が得意な描画・計測を使い、自社固有の品目変換、原価計算、発注承認だけを追加すれば、費用と柔軟性の均衡を取りやすくなります。

契約前には、解析対象データの保存先、学習利用の有無、データ返却方法、解約後の削除、出力形式も確認します。将来ツールを変更しても、承認済み数量と図面座標、修正履歴を持ち出せることが重要です。機能一覧だけでなく、自社データを継続利用できるかまで比較してください。

第5章　精度を左右するデータと人の承認フロー

精度向上の鍵は大量学習ではなく、最新版図面、正解数量、修正理由を対応づけ、危険な誤りを人へ確実に戻すことです。

学習・検証データには、元図面、確定数量、対象範囲、計算式、除外条件が必要です。完成した見積Excelだけでは、どの図面から数字が出たか分からず、AIは再現できません。まず過去案件から、担当者が根拠を説明できる20〜50ケースを選び、工種を一つに絞って整備します。

精度は一つの百分率で表さないほうが安全です。部材検出率、文字読取率、数量誤差、誤って追加した割合、根拠位置の一致率を分けます。ドアを一つ見落とす誤りと、面積を10倍にする縮尺誤りでは影響が違います。金額影響や安全影響に応じて、必須確認ルールを変えます。

承認画面では、左に図面、右に候補明細を置き、明細を選ぶと根拠範囲が光る設計が有効です。修正時は数量だけでなく、「開口控除」「縮尺誤認」「旧版」「対象外」の理由を選びます。この履歴を蓄積すれば、次回の候補改善と社内ルールの明文化を同時に進められます。

最終承認は、工種と金額に応じて担当者を変えます。低額の消耗品は担当者一名、主要材料は積算責任者、一定額以上の発注は部門長というように段階化します。AIが高信頼と判定しても、承認者を省略しません。逆に、低リスクの候補まで全件二重確認にすると運用が止まるため、リスク基準を明文化します。

単位変換と丸めも監査対象です。ミリメートルとメートル、平方メートルと枚数、立方メートルと重量を変換する際は、換算係数、端数処理、荷姿を記録します。画面表示では小数第二位でも、計算内部では元の精度を保持し、発注時に梱包単位へ切り上げます。どの段階で丸めたかが分からないと、明細を合計した値と総括表が一致しません。

第6章　数量拾いAIの費用対効果をモデル試算する

費用対効果は「自動化率」ではなく、拾い・転記・差分確認の削減時間と、見落とし・過剰発注の回避額で試算します。

以下は実績ではなくモデル試算です。月20案件、1案件あたり数量拾い16時間、確認4時間、見積転記3時間とします。AIで下準備を50%、差分確認を40%、転記を80%短縮できる仮定なら、1案件あたり約10.8時間、月216時間の削減候補です。時給換算を4,000円と置けば、時間価値は月86.4万円です。

ただし、削減時間のすべてが現金化されるわけではありません。空いた時間が案件追加、見積品質、若手教育に使われるかを決めます。また初期費用、月額運用、図面前処理、マスター整備、担当者レビューの時間を差し引きます。モデル上で月120万円の運用費がかかるなら、時間削減だけでは投資を回収できません。

誤差リスクも金額化します。主要材料1,000万円で過剰発注率がモデル上2%から1%へ下がるなら、回避候補は10万円です。一方、AIの見落としで追加手配と工程遅延が発生すれば、削減額を上回る可能性があります。そのため「平均誤差」だけでなく、最大誤差、重大見落とし件数、再確認時間を費用対効果へ含めます。

経営指標としては、見積回答までの日数、担当者一人あたり処理案件数、変更見積の作成時間、発注差異率、粗利予測と確定粗利の差を追います。PoC前に基準値を測らなければ、導入後の改善を証明できません。最初の一か月は現行業務の計測期間に充てる判断も有効です。

試算は楽観・標準・慎重の三通りを作ります。短縮率を50%だけで固定せず、20%、35%、50%で変え、案件数や人件費も動かします。繁忙期だけ効果が出る場合や、閑散期は固定費が上回る場合も見えるからです。さらに保守担当者の時間、モデル更新、問い合わせ対応を含め、三年間の総保有費用で比較します。数字は一つの予言ではなく、投資判断の幅を示す材料です。

第7章　失敗しないPoCの進め方

PoCは一工種・一図面形式・一つの出力帳票に絞り、AI候補と人の確定値を並べて評価します。

第一段階は業務観察です。積算担当者がどの図面を先に開き、どこで特記を確認し、どのExcel列へ転記するかを記録します。「壁面積を拾う」のような大分類ではなく、「平面図の壁芯を検出し、建具開口を控除し、仕上表の仕様別に集計する」まで分解します。

第二段階では、過去5〜10案件を検証用に固定します。AI開発に使った図面と評価図面を分け、未知の案件で性能を確認します。比較対象は熟練者の確定数量ですが、担当者間で答えが違う場合はルールを合意します。この差はAIの問題ではなく、社内基準の未統一を示します。

第三段階は並行運用です。AI結果だけで見積や発注を確定せず、現行手順と並べます。候補作成時間、確認時間、修正件数、重大誤り、操作離脱を計測します。モデル目標として「候補作成50%短縮」を置いても、確認が倍になれば不合格です。総所要時間で判断します。

第四段階で対象を広げます。同じ工種の別案件、次に別形式の図面、最後に下流連携という順序です。いきなり全工種、全支店、基幹連携を狙うと、どこで誤りが起きたか分からなくなります。工種ごとに承認者、許容誤差、必須根拠を定義し、合格基準を満たした範囲だけ本番化します。

PoCの終了条件も事前に決めます。精度不足なら追加学習、確認時間が長いならUI改善、元データ不足ならマスター整備へ戻る。一定期間で基準に届かなければ中止する選択肢を持ちます。AI導入そのものを目的にせず、現場の時間と原価の改善を目的に据えることが重要です。

本番移行の判定会には、開発担当だけでなく、積算責任者、購買、現場、情報システムを参加させます。平均精度が高くても、購買が必要とする荷姿へ変換できない、現場が根拠図面を開けないなら未完成です。未解決事項、暫定運用、障害時の手作業復帰を文書化し、責任者が承認してから対象案件を増やします。

第8章　実装ロードマップとよくある質問

実装は、対象業務の可視化、限定PoC、承認付き本番運用、見積・原価・発注連携の順で段階的に進めます。

最初の2週間では、対象工種、図面形式、現行Excel、承認者、危険な誤りを整理します。次の2〜6週間で、図面アップロード、候補抽出、根拠表示、修正・承認、Excel出力までの最小構成を作ります。期間はモデル例であり、図面品質、対象工種、既存システムによって変わります。

限定本番では、一部案件にだけ適用し、担当者のレビューを必須にします。修正理由が蓄積したら、品目対応とルールを改善します。安定後に、単価マスター、実行予算、発注、出来高、原価実績へ接続します。データ連携を後段に置くのは、誤った数量が広範囲へ流れるのを防ぐためです。

数量拾いAIの価値は、人より速く数字を出すことだけではありません。図面上の根拠、計算式、承認履歴を数量と結び、見積から発注、実績まで説明可能な一本のデータにすることです。まずは一工種のつらい拾い作業を選び、人が安心して承認できる最小構成から始めてください。