大型プロジェクト契約管理にAIを使う―チェコ原発交渉決裂が示す課題と実務手法

公開日：2026年10月29日文：クリスタルメソッド編集部監修：河合継（代表取締役）

26兆ウォン規模の原発施工契約が決裂した経緯

韓国水力原子力（韓水原）と施工コンソーシアム（大宇建設・斗山エナビリティ）は、2026年10月29日にチェコ・ドコバニ原発の施工契約交渉を公式終了した（財経日報、한국경제）。総事業費は約4,220億コルナ（約26兆ウォン規模）。1,000MW級韓国型原発APR1000を2基建設する計画で、韓水原はチェコ発注会社EDUⅡとの本契約を2025年6月にすでに締結していた。

決裂の争点は三点に集約される。第一に工事費：韓水原が入札金額から10%超・1兆ウォン超の引き下げを要求した。第二に契約方式：韓水原が総額確定契約（ランプサム）を求めたのに対し、施工会社側は詳細設計後に精算する数量精算方式を主張した。第三にリスク負担：設計権限を持たない単純施工会社に設計変更リスクを全負担させることはグローバルスタンダードに反するとコンソーシアム側は反発し、10月29日当日にも最終修正案を提出したが韓水原に却下された（헤럴드경제、파이낸셜뉴스）。韓水原は競争入札で2027年7月までに新たな施工会社を選定し、2028年1月予定の敷地造成工事着手スケジュールを維持する方針だ。

この事案が示す構造的課題は、原発プロジェクト固有の問題ではない。多国間・多企業が関与する大型プロジェクト契約管理に共通する病理を凝縮している。

図：チェコ原発施工契約決裂の三大争点と、大型プロジェクト契約管理AIが介入できるポイント・期待効果の関係。AIは争点を客観化・定量化することで交渉決裂リスクを下げる役割を担うが、最終判断は当事者にある。

大型プロジェクト契約管理が内包する三つの構造的課題

多国間・多企業が関与する大型インフラプロジェクトの契約管理には、一般的な業務委託契約とは質の異なる困難がある。

コスト根拠の非対称性。発注側と施工側はそれぞれ異なる積算根拠・単価データベースを保有し、同一の作業を合理的に異なる金額で見積もることができる。チェコ原発の事案では、韓水原が外部専門機関の検証を経て「単価・間接費が過大算定」と主張する一方、コンソーシアム側は「世界初建設の案件に一般単価は適用できない」と反論した（한국경제）。この非対称性は当事者間の主観的判断に委ねられる限り縮まりにくい。

リスク配分の曖昧さ。総額確定契約（ランプサム）は発注者にとってコスト確実性が高い反面、施工者が設計変更リスクを全面的に引き受ける。設計確定度が低い世界初建設の技術（APR1000）では、施工者側が「グローバルスタンダードに反する」と主張するだけの合理性があった（헤럴드경제）。リスク配分条項が不明確なまま交渉が進むと、後工程で解釈対立が顕在化する。

多言語・多法域による契約文書の複雑性。韓国・チェコ・欧州連合の規制が交錯する環境では、契約書が複数言語で作成され、それぞれの解釈が微妙に乖離するリスクがある。大型インフラプロジェクトでは契約文書が数百ページに及ぶことも珍しくなく、人手での整合確認には限界がある。

次に読む：AIデータセンター投資判断を高度化するには？

AIデータセンター投資判断を高度化する——受注ラッシュ時代の選定と意思決定

大型プロジェクト契約管理AIの課題別活用手法

上記の課題に対し、現在一般に利用可能なAI技術をどう組み合わせるかを課題ごとに整理する。

コスト根拠の客観化：LLMと積算データ分析の連携

大規模言語モデル（LLM）と積算データベースを連携させると、見積書内の工種・単価を自動分類し、公開されている類似プロジェクトの実績単価レンジと照合するシステムを構築できる。過去の国際入札データ・政府公表の標準単価・業界団体の統計を学習させることで、「この工事費は類似規模の案件の何パーセンタイルに位置するか」を客観的に示せる。感情的な値下げ要求ではなく、データに基づく合理的な交渉出発点を設けることが目的だ。

自然言語処理（NLP）の文書分析は、見積書や設計仕様書を横断して費目の定義がどう記載されているかを自動照合し、解釈の食い違いを早期に発見するためにも有効だ。テキストマイニングの基礎についてはテキストマイニングの基礎と実装で概念を確認できる。

リスク条項の差分抽出と定量シミュレーション

契約書レビューに特化した法律AI（Legal AI / CLM：Contract Lifecycle Management）は、数百ページの契約草案から「リスク移転条項」「不可抗力条項」「変更命令（Change Order）条項」を自動抽出し、双方の草案間の差分を一覧化する。人手では週単位を要するレビュー作業のスコープを絞る効果がある。

さらに、モンテカルロ法などの確率的シミュレーションをAIで補助することで、「設計変更が10%発生した場合の追加費用の分布はどうなるか」「総額確定契約と数量精算契約でそれぞれの期待損失はどう変わるか」を数値で示せる。リスク負担の議論を「どちらが不利か」という感情論から「どのシナリオが合理的か」という数値論に移行させやすくなる。

多言語契約文書の整合確認

多言語対応の大規模言語モデルを活用すると、韓国語・チェコ語・英語の契約文書を対訳形式で整合確認し、語義の乖離や翻訳されていない条件を検出できる。法律用語の翻訳は意味の正確性が致命的に重要であり、機械翻訳に法律専門モデルを組み合わせて一次スクリーニングを行い、弁護士レビューのスコープを絞る運用が実効的だ。

課題別AI活用手法の比較

課題	活用するAI技術	具体的な用途	主な限界
コスト根拠の非対称性	LLM＋積算データ分析	見積単価の類似事例比較・パーセンタイル表示	非公開データは参照不可。新技術の実績データが少ない場合は精度が下がる
リスク条項の曖昧さ	Legal AI・NLP	条項差分の自動抽出・変更命令条項の比較一覧化	法解釈の最終判断は弁護士が必要。契約書の品質が低いと誤検出が増える
費用シナリオ評価	確率的シミュレーション（モンテカルロ等）	契約方式別の期待損失・リスク分布の可視化	入力パラメータが恣意的だと出力も恣意的になる
多言語文書の整合確認	多言語LLM・機械翻訳	対訳対照・語義乖離の検出	法律専門用語の翻訳は専門家レビューが必須。最終責任は人間にある
交渉進捗の管理	プロジェクト管理AI・NLP	論点の優先度スコアリング・合意済み条項のトラッキング	当事者間の政治的・組織的障壁はAIには対処不能

日本の企業・発注機関が直面する具体的な場面

チェコ原発の事案は海外の話に見えるが、類似の構造は日本の大型プロジェクトにも存在する。

建設・エンジニアリング会社の国際入札部門。海外インフラ案件では、現地パートナーとのJV（共同企業体）契約、発注者との本契約、サプライヤー契約が多層化する。工事費の積算根拠が言語・慣行の違いで伝わりにくい局面で、AIによる単価ベンチマークと多言語整合確認は交渉の土台を整える。

官公庁・独立行政法人の発注担当者。国内の大型公共工事でも、設計変更に伴うコスト増の査定は常に課題だ。AIが類似工事の変更命令実績データを参照し、追加費用の妥当性評価を補助することで、査定根拠を明確に示しやすくなる。

総合商社・プロジェクトファイナンス担当者。複数国の関係者が絡む案件でリスク配分の交渉が長期化するケースは多い。シナリオ別の期待損失を定量的に示すことで、融資条件や保証範囲の議論を効率化できる。

大型ITシステム調達の担当者。数十億円規模のシステム開発契約でも、SLA（サービスレベル合意）や瑕疵担保条項の解釈対立は頻発する。Legal AIが仕様書と契約書の記述を照合し、定義されていないリスクを事前に抽出する使い方は、業種を問わず応用できる。

AIで解決できないこと：注意点と限界

政治的・組織的合意はAIに代替不能。チェコ原発の交渉決裂は、最終的には組織間の利益相反と意思決定者の判断によるものだ。AIはデータを客観化できるが、経営判断・政治的配慮・組織内の稟議構造を動かすことはできない。

データの質が精度を左右する。積算単価の比較も条項差分の抽出も、入力データが不正確・不完全であれば出力も信頼できない。過去の類似プロジェクトデータが非公開・非構造化の状態では、AIの活用範囲は限られる。

法的責任は人間にある。AIが抽出した条項差分や翻訳結果を最終的に判断するのは弁護士・契約担当者でなければならない。AIの出力をそのまま契約書に反映させることは、誤解釈や誤訳による重大な損失を招くリスクがある。

前例のない案件ではベンチマーク機能が働きにくい。APR1000のように世界初の建設技術では類似実績データが存在しないため、AIの参照根拠が薄くなる。これは逆説的に、前例のない大型プロジェクトほど人間の専門判断が重要であることを示す。コンソーシアム側が「一般単価は適用できない」と主張した根拠はここにある（한국경제）。

費用対効果の見極めが必要。Legal AIや積算分析システムの導入・運用にはコストがかかる。小規模な契約では導入コストが効果を上回る可能性があり、数十億円規模以上の大型プロジェクト契約管理への適用に絞った判断が合理的だ。なお、業界から法的紛争（仮処分申請等）の可能性も指摘されており（헤럴드경제）、AIによる早期の争点整理はこうした事後コストの回避にも寄与しうる。

明日から試せる実務的な三つの一歩

大規模なシステム投資の前に、手の届く範囲から始められる。

第一歩：汎用LLMを契約書レビューの補助に使う。既存の契約書・仕様書を汎用LLMに読み込ませ、「リスク移転に関連する条項を抽出してください」「この条項が曖昧に解釈される可能性を指摘してください」と問う実験から始められる。完全な自動化ではなく、担当者レビューを補助するツールとしての使い方だ。

第二歩：自社の積算実績データを構造化する。過去に受け取った変更命令（Change Order）や追加費用請求書をデータベース化する。AIが参照できる自社内の積算実績データを整備することが、将来的な単価ベンチマーク活用の前提条件になる。

第三歩：CLMツールの評価版で自社契約文書との適合性を確認する。Legal AI専門ツール（Contract Lifecycle Management）の評価版を利用し、実際の契約書で条項抽出の精度と使いやすさを検証する。導入判断の前に自社の契約文書の構造・言語・量がAI活用に適しているかを確かめることが、無駄な投資を防ぐ。

大型プロジェクトの契約管理AIは、交渉を代行するものではない。争点を客観化し、根拠を可視化し、人間の判断を支援するものだ。チェコ原発の事案が示すように、巨額プロジェクトで交渉が決裂すれば再入札・工程遅延・法的紛争という多重コストが発生する（헤럴드경제）。AIを早期の「争点発見装置」として活用することが、結果としてプロジェクト全体のリスクを下げる現実的な手段となる。