AI・IoTが労働安全衛生の分野にどのような変革をもたらしているか、ご存知ですか？ウェアラブルデバイスによる熱中症の早期検知、AIカメラを使った危険行動の自動検出、IoTセンサーによる作業環境のリアルタイム監視――これまで「人の目」に頼っていた安全管理が、テクノロジーの力で大きく進化しています。本記事では、AI・IoTを活用した労働安全衛生の最新研究動向と、実用化に向けた課題を詳しく解説します。

この記事でわかること

• AI・IoTが労働安全衛生にもたらす革新の全体像
• ウェアラブルデバイスによるバイタルモニタリングの最新研究
• AIによる危険予知・行動分析の仕組みと事例
• IoTセンサーによる作業環境リアルタイム監視の実態
• 導入における課題（プライバシー、コスト、中小企業の壁）

AI・IoTが注目される背景

労働災害の現状とテクノロジーへの期待

厚生労働省の「労働災害発生状況」（2024）によると、日本における労働災害による死亡者数は年間約700人台後半、休業4日以上の死傷者数は年間約13万人に上っています。特に転倒災害や熱中症、機械への巻き込まれ事故など、従来型の安全対策だけでは防ぎきれない事故が依然として発生し続けています。

こうした背景のもと、AIやIoTなどのデジタル技術を労働安全衛生に活用する「スマート安全」への関心が急速に高まっています。世界のスマート安全市場は2025年時点で約200億ドル規模と推定され、2030年までに年平均成長率（CAGR）約15%で拡大すると予測されています（MarketsandMarkets, 2024）。

国際的な動向

EU-OSHA（欧州労働安全衛生機関）は2023年に「Digitalisation and Occupational Safety and Health」と題する報告書を発表し、AI・IoT・ロボティクスが労働安全衛生に及ぼす影響について包括的な分析を行いました。同報告書では、テクノロジーがリスクの予測・検知・対応の各段階で安全管理を高度化する可能性がある一方、新たなリスク（テクノストレス、プライバシー侵害等）も生じ得ることが指摘されています。

日本においても、厚生労働省は2024年の「第14次労働災害防止計画」において、デジタル技術の活用による安全衛生対策の高度化を重点施策の一つとして位置づけています。

ウェアラブルデバイスによるバイタルモニタリング

熱中症予防への活用

立ち仕事の現場、とりわけ製造業や建設業においては、熱中症が深刻な労働災害の一つです。従来のWBGT（湿球黒球温度）計による環境測定に加え、ウェアラブルデバイスを用いた個人レベルのバイタルモニタリングが注目を集めています。

Liら（2023）の研究では、皮膚温度・心拍数・発汗量を計測するウェアラブルセンサーとAIアルゴリズムを組み合わせることで、熱中症の初期兆候を約20分前に予測できることが実証されました。従来の環境測定だけでは、個人の体調や体力差を考慮できませんでしたが、ウェアラブルデバイスにより個人ごとのリスク評価が可能になりつつあります。

日本国内でも、大林組やシミズなどの大手建設会社が、作業員にウェアラブルバイタルセンサーを装着させ、リアルタイムで管理者のダッシュボードにデータを送信するシステムを試験導入しています（建設通信新聞, 2024）。

疲労検知と筋骨格系障害の予防

ウェアラブルデバイスは、熱中症だけでなく作業者の疲労蓄積や筋骨格系障害（MSDs）のリスク検知にも活用されています。

Yangら（2022）の研究では、加速度センサーとジャイロスコープを内蔵したウェアラブルIMU（慣性計測装置）を用いて、作業者の姿勢や動作パターンをリアルタイムで計測し、腰部への負荷が一定閾値を超えた際にアラートを発するシステムを開発しました。製造業の組立工程で実証実験を行った結果、不適切な姿勢の発生頻度が約35%減少したと報告されています。

また、スマートインソール（靴の中敷き型センサー）を用いた足圧分布の計測も、長時間立位作業の負荷評価に有効なツールとして注目されています。足圧の偏りや荷重パターンの変化から、作業者の疲労度や姿勢の崩れを検知することができます。

AIによる危険予知と行動分析

画像認識AIによる危険行動の検出

AI（人工知能）の画像認識技術を活用した危険行動の自動検出システムは、労働安全衛生分野で最も実用化が進んでいる領域の一つです。

Fang ら（2020）の研究では、建設現場に設置したカメラ映像をディープラーニング（深層学習）モデルで分析し、ヘルメット未着用、安全帯未装着、危険区域への侵入などの行動を94%以上の精度で検出できることが示されました。

日本の製造現場でも、パナソニックや三菱電機などが開発するAIカメラシステムが導入され始めています。これらのシステムは、作業者の動線分析やフォークリフトとの接近検知など、従来は監督者の巡回に頼っていた安全確認をリアルタイムで自動化するものです。

自然言語処理による事故報告の分析

AIの活用は、現場のリアルタイム監視だけにとどまりません。自然言語処理（NLP: Natural Language Processing）を用いて、過去の事故・ヒヤリハット報告のテキストデータを分析する取り組みも進んでいます。

Tixier ら（2023）の研究では、数万件の事故報告書をNLPモデルで解析し、事故パターンの潜在的な傾向や、見落とされがちなリスク要因の抽出に成功しています。従来は安全管理者が一件一件読み込む必要があった膨大な報告書を、AIが体系的に分析することで、データに基づく先行指標（leading indicator）の特定が可能になりつつあります。

予測分析による労災リスクの事前評価

機械学習モデルを活用した労働災害の予測分析も、研究開発が活発な領域です。

Sarkarら（2022）は、過去の労災データ（天候、作業内容、作業者の属性、時間帯等）を入力変数とした予測モデルを構築し、翌日の事故発生リスクをスコアリングするシステムを開発しました。この種の予測モデルは、特にリスクが高い日や作業条件を事前に特定し、重点的な安全対策（増員、作業変更、追加の注意喚起）を講じるためのツールとして期待されています。

IoTセンサーによる作業環境のリアルタイム監視

化学物質濃度のモニタリング

工場や作業場における有害化学物質の濃度モニタリングは、労働者の健康を守るうえで極めて重要です。従来の定点測定器に加え、IoTセンサーネットワークを用いたリアルタイム・多点計測システムが導入され始めています。

Kimら（2023）の研究では、作業場内に分散配置した小型IoTガスセンサーとクラウドプラットフォームを連携させ、有機溶剤の濃度分布をリアルタイムでマッピングするシステムを開発しました。従来の個人ばく露測定では把握が困難だった濃度の空間的・時間的変動を可視化できる点が画期的です。

2026年の安衛法改正で強化される自律的な化学物質管理においても、IoTセンサーによるリアルタイムモニタリングは、濃度基準値の遵守や個人ばく露量の管理に有効なツールとなる可能性があります。

温度・湿度・騒音の環境管理

IoTセンサーは化学物質だけでなく、温度、湿度、騒音、照度、粉じん濃度など、さまざまな作業環境因子のモニタリングに活用されています。

特に製造業や食品加工業の立ち仕事の現場では、作業場内の温熱環境をリアルタイムで監視し、WBGT値が基準を超えた場合に自動的にアラートを発するシステムが実用化されています。IoTプラットフォームとの連携により、管理者はスマートフォンやPCで遠隔からでも環境状態を把握でき、迅速な対応が可能になります。

ロボティクスによる危険作業の代替

協働ロボットの安全衛生上の意義

重量物の運搬、高所作業、有害環境下での作業など、人体への負荷やリスクが高い作業をロボットに代替させる取り組みは、労働安全衛生の観点から大きな意義を持っています。

特に協働ロボット（コボット: Collaborative Robot）は、安全柵なしで人間と同じ空間で作業できるロボットとして、製造業を中心に導入が進んでいます。IFR（国際ロボット連盟）の統計（2024）によると、協働ロボットの世界出荷台数は2023年に約8万台に達し、前年比約20%の成長を記録しています。

協働ロボットが重量物の持ち上げや反復的な動作を担うことで、作業者の筋骨格系障害リスクを大幅に低減できることが複数の研究で報告されています。Kim & Park（2023）の介入研究では、自動車部品組立工程に協働ロボットを導入した結果、作業者の腰部負荷が約40%減少し、MSDs関連の休業日数が有意に減少したことが示されています。

アシストスーツ・外骨格デバイス

完全なロボット化が困難な作業に対しては、アシストスーツ（外骨格デバイス）が注目されています。作業者が装着することで、腰部や上肢の負荷を軽減し、筋骨格系障害を予防する効果が期待されています。

日本ではアルケリスの「Archelis」をはじめ、CYBERDYNE社の「HAL」、アシストモーション社のアシストスーツなど、さまざまなタイプの装着型デバイスが開発・実用化されています。これらのデバイスは、長時間の立ち仕事や中腰作業による身体負荷を軽減し、作業者の健康と作業効率の両立を目指すものです。

2026年安衛法改正とテクノロジー活用の融合

2026年施行の改正安衛法は、テクノロジー活用の追い風となるいくつかの要素を含んでいます。

自律的な化学物質管理の強化では、約2,900の物質に対するリスクアセスメントが義務化されますが、IoTセンサーによるリアルタイムモニタリングは、この義務を効率的に果たすための有効なツールとなります。

ストレスチェックの全事業場義務化に伴い、AIを活用したストレス分析ツールや、ウェアラブルデバイスから得られるバイタルデータを組み合わせた総合的なメンタルヘルス管理システムの開発も進んでいます。

高年齢労働者への安全配慮義務の強化においても、ウェアラブルセンサーによるリアルタイムの体調モニタリングは、高齢作業者の安全を確保する有効な手段となる可能性があります。

課題と導入障壁

プライバシーとデータ保護

AI・IoTによる労働者のモニタリングは、プライバシーの問題と常に隣り合わせです。作業者のバイタルデータ、行動パターン、位置情報は極めてセンシティブな個人情報であり、収集・利用・保管に際しては個人情報保護法や労働者のプライバシー権に十分な配慮が必要です。

EU-OSHA（2023）の報告書では、労働者のモニタリングに関する透明性の確保、データの最小化原則、労働者の同意と参加が重要な原則として提示されています。日本においても、厚生労働省は「労働者の個人情報保護に関する行動指針」の中で、健康情報の取り扱いについてガイドラインを示しています。

コストと中小企業の導入障壁

AI・IoTシステムの導入には、初期投資（ハードウェア、ソフトウェア、インフラ整備）に加え、運用コスト（保守、データ管理、人材育成）がかかります。大企業では投資対効果が見込みやすい一方、中小企業にとっては導入障壁が高いのが現状です。

経済産業省の調査（2024）によると、中小製造業の約70%が「デジタル技術の導入に関心はあるが、コストや人材が障壁」と回答しています。この課題に対しては、以下のようなアプローチが考えられます。

• SaaS型（クラウドサービス型）のソリューション活用: 初期投資を抑え、月額課金で利用
• 補助金・助成金の活用: 厚生労働省の「エイジフレンドリー補助金」、中小企業庁の「IT導入補助金」等
• 業界団体による共同導入: 同業他社との連携でコストを分担

技術の信頼性と限界

AIモデルの精度や誤検知の問題も、実運用における重要な課題です。危険行動の検出で偽陽性（誤って危険と判定）が頻発すれば「狼少年」化し、現場からの信頼を失います。逆に偽陰性（危険を見逃す）は重大事故につながる恐れがあります。

技術的な限界を認識したうえで、AIやIoTはあくまで人間の判断を支援するツールとして位置づけ、最終的な安全判断は人間が行うという原則が重要です。

今後の展望

AI・IoT技術の進化は今後も加速し、労働安全衛生分野への応用はさらに広がることが予想されます。

デジタルツイン（物理的な作業環境をバーチャル空間に再現する技術）による安全シミュレーション、5G通信を活用した遠隔作業支援、生成AIによる安全教育コンテンツの自動作成など、次世代技術の応用研究が進んでいます。

一方で、テクノロジーの導入が「管理の強化」として労働者に受け止められないよう、労使のコミュニケーションや導入プロセスへの労働者の参画も不可欠です。テクノロジーは安全文化を支えるツールであり、安全文化そのものに取って代わるものではありません。

まとめ

AI・IoTは、ウェアラブルデバイスによるバイタルモニタリング、AIカメラによる危険行動検出、IoTセンサーによる環境監視、ロボティクスによる危険作業の代替など、労働安全衛生の多くの領域で革新をもたらしつつあります。2026年の安衛法改正はこうしたテクノロジー活用の追い風となる一方、プライバシー、コスト、中小企業の導入障壁といった課題の解決も求められます。テクノロジーと安全文化の両輪で、すべての労働者の安全と健康を守る社会の実現が期待されます。

参考文献

1. 厚生労働省, 「労働災害発生状況」, 2024. https://www.mhlw.go.jp/
2. MarketsandMarkets, “Smart Safety Market – Global Forecast to 2030,” 2024.
3. EU-OSHA, “Digitalisation and Occupational Safety and Health: An EU-OSHA Research Programme,” 2023. https://osha.europa.eu/
4. Li, X. et al., “Wearable Sensor-Based Heat Stress Prediction Using Machine Learning,” Sensors, 23(8), 3891, 2023. https://doi.org/10.3390/s23083891
5. Yang, K. et al., “Real-Time Ergonomic Risk Assessment Using Wearable IMU Sensors and Deep Learning,” Applied Ergonomics, 103, 103779, 2022. https://doi.org/10.1016/j.apergo.2022.103779
6. Fang, W. et al., “A Deep Learning-Based Approach for Automated Safety Monitoring of Workers on Construction Sites,” Automation in Construction, 118, 103303, 2020. https://doi.org/10.1016/j.autcon.2020.103303
7. Tixier, A.J.P. et al., “Natural Language Processing for Occupational Safety: A Systematic Review,” Safety Science, 158, 105977, 2023. https://doi.org/10.1016/j.ssci.2022.105977
8. Sarkar, S. et al., “Machine Learning-Based Occupational Accident Prediction Models,” Journal of Safety Research, 82, 328-340, 2022. https://doi.org/10.1016/j.jsr.2022.06.012
9. Kim, J. et al., “IoT-Based Real-Time Indoor Air Quality Monitoring System for Industrial Workplaces,” Journal of Hazardous Materials, 449, 131024, 2023. https://doi.org/10.1016/j.jhazmat.2023.131024
10. Kim, H. & Park, S., “Collaborative Robot Implementation and Musculoskeletal Disorder Reduction,” International Journal of Industrial Ergonomics, 96, 103466, 2023. https://doi.org/10.1016/j.ergon.2023.103466
11. IFR (International Federation of Robotics), “World Robotics 2024 Report,” 2024. https://ifr.org/
12. 経済産業省, 「中小製造業のデジタル化に関する実態調査」, 2024. https://www.meti.go.jp/
13. 厚生労働省, 「第14次労働災害防止計画」, 2024. https://www.mhlw.go.jp/

---