建設AIで書類審査を60日から10日に短縮

建設プロジェクト管理を手がけるTrunk Toolsは、汎用AIモデルを使わず、建設業界に特化した独自の3層アーキテクチャを開発した。同社によると、この取り組みによってドキュメントのレビュー期間を従来の数か月から数日に短縮することに成功したという。また、現場でのコストが大きなミスの防止にも貢献しており、AIエージェントが数百万ページに及ぶ資料を自律的に読み解けるようになったとしている。

そもそも建設業界では、設計図・仕様書・契約書など大量の紙資料や独自フォーマットのデータが各所に散在しており、整理されたデータベースが存在しない現場がほとんどだ。ChatGPTのような汎用大規模言語モデル（LLM）は幅広い用途に対応できる反面、こうした業界固有の専門用語や暗黙の慣習、独特のフォーマットには対応が難しいとされる。Trunk ToolsのCEOであり、元大工でもあるSarah Buchnerはこの課題に着目し、業界に根ざしたシステムの構築に取り組んだ。

同社が構築したシステムは「知覚（perception）」「意味解析（semantics）」「エージェント（agents）」という3層の構造で成り立っている。Buchner CEOは「バラバラなシステムからデータを集め、前処理し、構造化し、独自のオントロジー（知識の分類体系）を通じてナレッジグラフに変換した上で、AIモデルを学習させた」と説明する。この一連のプロセスにより、建設現場の実務に即した精度の高い情報処理が可能になったとしている。

汎用LLMがニッチな分野で弱くなる理由については、AI基盤製品を手がけるシニアプロダクトマネージャーのKriti Faujdarが端的に指摘している。「汎用LLMはあらゆることに無難に対応できるよう学習されているため、専門分野には弱くなる」と述べた。さらに、企業の最も重要なデータ—社内システムや独自フォーマットに眠っているもの—は、そもそもモデルの事前学習には含まれていないとも語った。RAG（検索拡張生成：外部データを参照しながら回答を生成する技術）はある程度有効だが、「ドメインでの推論が根本的に苦手なモデルに、より良い事実を与えるだけにすぎない」と述べた。

Faujdarは、業界特化AIを実用化する上での優先順位として、まず業界固有データによる事前学習を行い、次に実務データでのファインチューニング（追加学習）、そして独自の評価指標の構築が重要だと強調した。「実際の専門家が用意した数千件のデータは、ノイズの多いスクレイピングデータ数百万件より価値がある」とも語っている。また、Webエンジニアのde Bollivierは「ドメインで賢くするためのファインチューニングではなく、ワークフローで必要な出力形式に対して信頼できるモデルにするためのファインチューニングが重要だ」と述べ、汎用モデルと特化型小規模モデルを組み合わせるハイブリッド構成の有効性も指摘した。

Trunk Toolsの事例が示しているのは、業界特化AIの実現において「どのモデルを使うか」よりも「データをどう整備し、どう学習させるか」が本質的な差を生む、という点だ。汎用LLMがあらゆる産業に対応できるかのように見える一方で、現場レベルでの精度や信頼性が求められる用途では、こうした専門設計のアーキテクチャが必要になるという見方ができる。建設以外の業界でも、散在するデータを構造化してAIに活用するための「業界特化スタック」の設計手法として、同社のアプローチは一つの参照例と位置づけられる。