AIでスタッフのヒヤリ・ハット報告を分析した宿の安全管理

旅館でのヒヤリ・ハット報告は、スタッフが提出しても「棚に積まれるだけ」になりやすい。月30件の報告書を総支配人が一人で読み込み、翌月の朝礼でまとめて共有する——そんな運用では、事故の前兆を事前に察知するのは難しい。

長野県の温泉旅館「山翠楼」（仮名・客室42室）は2025年秋にこの課題をAIで解決した。報告書をAIに読み込ませてパターンを抽出し、月次ではなく週次でリスクを可視化する仕組みを構築。導入から3か月で「同一箇所での転倒ヒヤリ」の再発をゼロに抑えた。

ヒヤリ・ハット管理の何が問題だったのか

山翠楼では以前から紙の報告書を使っていた。書式は「日時・場所・状況・対応」の4項目で、スタッフが気づいたことを手書きで記入して所定のボックスに投函する仕組みだ。

問題は「提出されたあと」にあった。

月末に総支配人がまとめて読み、気になった案件を次の月初の安全委員会で口頭共有する。しかし30件を超えると全件に目を通す時間が取れず、重要度の高いものを見落とすリスクがあった。また「同じ場所で似た事象が3回起きていた」という繰り返しパターンも、読み返さない限り気づけない構造だった。

さらに報告書のデジタル化もされていなかったため、「去年の同時期にも同じことが起きていたか」を確認するには物理的なファイルを遡るしかなかった。

観光庁の宿泊施設向けガイドラインでは、転倒・転落・熱傷・食中毒が旅館での主要リスクとして挙げられている。特に高齢ゲストの比率が高い温泉旅館では、廊下や浴室での転倒リスクが重大事故に直結しやすい。月次での後追いレビューでは、この種のリスクを「起きる前に」対処する速度が足りなかった。

どのようにAIを導入したか

導入ステップは大きく3段階で進んだ。

ステップ1：過去データのデジタル化（2週間）

まず過去1年分の紙の報告書300件をスキャンし、Googleスプレッドシートに手入力でテキスト化した。この作業だけはAIに任せられないため人手をかけた。ただし「完全な文章にする必要はなく、箇条書きで要点だけ」というルールにすることで、1件あたりの入力時間を3分以内に抑えた。

ステップ2：AIによる分類・パターン抽出

テキスト化した報告書300件をまとめてChatGPT（GPT-4o）に貼り付け、以下のプロンプトで処理した。

以下は旅館のヒヤリ・ハット報告書のリストです。
各報告を次の4項目で分類し、表形式で出力してください。
①発生場所（浴室・廊下・厨房・客室・その他）
②リスク種別（転倒・転落・熱傷・切傷・その他）
③直接原因（環境・行動・設備・その他）
④発生頻度が高い組み合わせのトップ3をまとめてください

[報告書テキスト一覧]
...

出力には約90秒かかり、分類表と「浴室×転倒×環境起因が全体の34%を占める」「廊下×転倒の発生が10月〜12月に集中している」といった頻度分析が返ってきた。

ステップ3：週次レビューの仕組み化

週1回、その週に提出されたヒヤリ・ハット報告書をAIに読み込ませて「今週の新着リスク」と「過去パターンとの照合結果」を出力する運用を確立した。このプロセスに費やす時間は週あたり20分程度。以前の月次レビューに費やしていた2時間以上と比較すると、作業時間は10分の1以下になった。

実際に発見できたリスクパターン

AI分析で最初に浮かび上がったのは「脱衣所の木製スノコ付近での転倒ヒヤリが、週末の夕食後の時間帯（19時〜21時）に集中している」というパターンだった。

手動でのレビューでは「浴室での転倒」として同一カテゴリに入っていたが、AIが時間帯・場所の詳細・状況を横断して集計することで「スノコが湿った状態のまま乾燥していない時間帯に利用者が集中している」という仮説が立った。

対策として実施したのは2点だけだ。19時以降の脱衣所スノコの点検をルーティン化し、乾燥が不十分な場合は換気扇を30分延長稼働させる。もう一点は、脱衣所入口に「濡れた足元にご注意ください」の案内板を追加設置することだった。

この対策を実施した翌月から、同箇所でのヒヤリ・ハット報告はゼロになった。

もう一つの発見は「厨房での切傷ヒヤリが、新入スタッフの入社後2週間以内に集中している」というパターンだった。これは個別の報告書を読んでいるだけでは「たまたま」として流れていた情報だが、時系列と担当者の経験年数をAIが集計することで明確な傾向として浮かんだ。結果として入社直後のスタッフへの包丁・調理器具の扱いに関する個別指導を強化し、厨房でのヒヤリ発生件数を3か月で40%削減した。

どんなプロンプトを使うか

実際に使っているプロンプトを整理する。基本的に3種類のプロンプトで運用している。

週次レビュー用

今週提出されたヒヤリ・ハット報告書です。
次の3点を出力してください。
1. 今週の発生件数と場所別・種別の内訳（表形式）
2. 過去パターンと比較して「初出または増加傾向」のリスク
3. 来週までに対応が必要な優先事項（3項目以内）

月次振り返り用

先月1か月分のヒヤリ・ハット報告書です。
次を分析してください。
1. 発生頻度トップ3の「場所×リスク種別×原因」の組み合わせ
2. 前月比で増加・減少したリスク区分
3. 対策を実施した案件の「再発有無」の確認

対策立案支援用

以下のヒヤリ・ハットパターンに対して、
旅館の現場で実施しやすい具体的な対策を3つ提案してください。
コスト・工数の観点でも評価してください。
[パターン：○○]

ポイントは「AIに結論を出させない」ことだ。AIは分類・集計・パターン抽出・対策案の列挙まで行うが、最終的な対策の採否・優先順位の決定は安全委員会の人間が行う。AIの出力はあくまで「判断材料」であり「判断そのもの」ではない。

運用コストと導入ハードル

山翠楼が使っているのはChatGPT Plusのみで、月額費用は3,000円以下だ。専用の安全管理システムは導入していない。

ハードルになったのはツールの導入ではなく「報告書のデジタル化」だった。紙で続けていた提出フローをGoogleフォームに切り替える際に、高齢スタッフから「スマホで入力できるか不安」という声が出た。解決策として、フォームの項目を元の紙の書式と同じ4項目に統一し、入力方法を示した1枚のラミネートカードを各部署に貼り付けた。切り替えに要した期間は2週間で、現在は全スタッフがフォームで報告している。

フォーム化により、報告書が自動でスプレッドシートに蓄積されるようになった。AIへの貼り付けも、シートをコピーするだけで済む。

小規模施設でも同じ仕組みは使える。客室10室以下の民宿や小規模旅館でも、月5〜10件の報告書があれば繰り返しパターンは見えてくる。報告件数が少なければ分析の手間もさらに小さい。

旅館のDXを全体的に進める文脈については旅館DXはどこから始めるべきか優先順位ガイドを参照してほしい。

AI分析の限界と注意点

AIによる分析には明確な限界がある。

第一に、入力データの質に依存する。「なんとなく危なかった」という曖昧な報告書は、AIでも有効な情報を引き出しにくい。報告書の書き方を統一し、「場所・状況・直接原因・とった行動」の4項目を必ず記載するルールにしておくことが精度向上の前提になる。

第二に、AIは「報告されたこと」しか分析できない。報告されていないヒヤリ・ハットは存在しないものとして処理される。AI導入と並行して「報告しやすい職場文化をつくる」取り組みを続ける必要がある。報告件数が増えること自体が安全管理の改善指標になる。

第三に、対策の有効性の検証はAIではできない。「対策を打った後に再発が減ったか」はデータとして追えるが、「なぜ減ったのか」「他の要因はないか」という因果関係の検証は人間が行う必要がある。

同様の課題である「スタッフへのフィードバックを記録・活用すること」についてはAI議事録で朝礼・引き継ぎ時間を半減した旅館の取り組みに詳しい実践例がある。

他施設への横展開で見えた共通パターン

山翠楼の取り組みを参考に、同じグループの2施設（ビジネスホテル・観光旅館）でも同様の仕組みを導入した。3施設のデータを横断的にAI分析することで、単施設では見えなかった「業態横断の共通リスク」が浮かんだ。

具体的には「清掃スタッフの腰痛ヒヤリが客室清掃のピーク日（週末）の翌日に集中する」というパターンが3施設すべてで観測された。これを受けてグループ全体で清掃人員のシフト見直しと腰痛予防ストレッチの導入を進めている。最新の進捗は最終的に公式で確認してほしいが、導入から6か月時点での腰痛関連ヒヤリは前年同期比で半減した。

複数施設のデータをまとめてAIに分析させる場合も、個別施設と同じプロンプト構造で対応できる。施設名を項目に追加し「施設別の傾向の違い」を問うプロンプトを加えるだけだ。

AIを活用したクレーム対応との組み合わせについてはAIでクレーム一次対応の下書きを作る旅館の運用フローも参考になる。安全事故に発展した場合の初動対応にも同じ考え方が使える。

導入のロードマップ

同様の仕組みを自施設で始める場合、以下の順序が現実的だ。

まず報告書のフォーマットを統一する。「場所・状況・直接原因・対応」の4項目必須にするだけでよく、費用はゼロだ。

次に過去3か月分の報告書をテキスト化してAIに一括分析させる。初回の分析結果を安全委員会で共有し、「AIが見つけたパターンは妥当か」を人間が検証する。この検証ステップを経ることで、AIの分析精度と自施設のリスク傾向の両方を把握できる。

その後、週次レビューをルーティン化する。担当者を決め、毎週決まった曜日・時間にAI分析を実施して結果を共有する仕組みを作る。

全体を通じて追加コストが発生するのは、ChatGPT Plusへの課金（月3,000円以下）とデジタル化の人件費（初期のみ）だけだ。専用システムの導入は必須ではなく、スプレッドシートと汎用AIの組み合わせで十分に機能する。

まとめ

ヒヤリ・ハット報告のAI分析は、特別なシステムも多大な費用も必要としない。報告書をテキストデータにしてAIに読み込ませるだけで、手動では気づけなかった繰り返しパターンと時間帯・場所の相関を短時間で抽出できる。

山翠楼の事例では、月次の後追いレビューが週次のリアルタイム監視に変わり、同一箇所での転倒ヒヤリの再発がゼロになった。重要なのは「AIに判断させない」という線引きで、分類・集計・パターン抽出はAIが担い、対策の決定は人間が行う役割分担だ。

旅館の安全管理で最も難しいのは「集めた情報を活かすこと」だ。AIはその課題に対して、今すぐ、低コストで答えを出せるツールになっている。

---

よくある質問

旅館のヒヤリ・ハット報告をAIで分析するには何から始めればいいですか？

まず過去1年分の報告書をテキストデータにまとめ、ChatGPTなどの生成AIに「場所・状況・原因・対策」の4項目で分類させる。専用ツールがなくても、スプレッドシートとAIの組み合わせで即日始められる。

ヒヤリ・ハット分析にどんなAIツールが使えますか？

ChatGPT（GPT-4o）やClaude、Geminiといった汎用生成AIで十分対応できる。報告書のテキストを貼り付けてプロンプトを与えるだけで分類・要約が可能。データ量が増えたら専用のテキスト分析ツールやBIとの連携も検討できる。

AIによるヒヤリ・ハット分析の精度はどの程度ですか？

人間が手動分類した結果との一致率は、適切なプロンプトを使えば80〜90%程度になるケースが多い。ただし最終的な対策判断は必ず人が行う必要があり、AIはあくまで「分類・集計・パターン抽出」の補助役として使う。

小規模な旅館でもAIによる安全管理は現実的ですか？

客室10室以下の小規模施設でも十分に実用的。月5〜10件程度の報告書でもAIに分析させることで、管理者が見落としがちな繰り返しパターンを発見できる。コストはChatGPT Plusの月額3,000円以下で始められる。