医療・介護現場でのAI活用：記録業務を自動化して残業を月20時間削減した方法

「記録が終わらない」——介護現場に漂う疲弊感

夜の9時を過ぎても、事務所のデスクにへばりついているスタッフがいる。画面に向かって黙々とキーボードを叩いているのは、利用者の介護記録だ。訪問先でケアをしながらメモしておいた走り書きを、正式な記録フォーマットに打ち直す作業。「食事摂取量7割。水分補給3回。排泄は自立。気分良好」——こんな一文を書くのに、なぜ5分も10分もかかるのか。

東京都内で訪問介護事業所を運営している筆者は、長年この問題を「しょうがないもの」として放置してきた。介護の仕事に記録はつきもの。そういう職業だから。そう思って目を背けていた。しかし2023年の秋、ベテランスタッフのひとりが「記録が嫌で辞めたい」と打ち明けてきたとき、ようやく本気で向き合うことにした。

この記事では、AI音声認識とChatGPT APIを組み合わせた介護記録の自動化システムを構築し、スタッフの残業を月20時間削減するまでの実際のプロセスを、失敗談も含めて詳しく書いていく。同じ悩みを抱えている医療・介護現場の方に、少しでも参考になれば幸いだ。

AI導入前：数字で見る「記録地獄」の実態

まず現状を正確に把握するために、1週間かけてスタッフ全員の記録業務時間を計測した。結果は想像以上に深刻だった。

ヘルパー10名が1日に作成する介護記録：平均28〜32件（月間約600件）
1件あたりの記録入力時間：平均4分50秒
月間の記録業務合計時間：約48時間（スタッフ全体）
そのうち所定労働時間外に発生している時間：約28時間

月28時間の残業のうち、記録業務が占める割合は実に75%以上。残りの25%はシフト調整や家族への連絡対応だから、記録さえ解決すれば残業問題の大部分が片付く計算だ。

しかし数字よりも深刻だったのは、スタッフのメンタル面への影響だった。ある30代のヘルパーは「利用者さんのところで一生懸命働いて、疲れて帰ってきて、それからまた記録を打ち込む。正直、記録のことを考えると訪問に行く気力まで削られる」と言った。介護の仕事そのものは好きなのに、記録という"後処理"が職業満足度を著しく下げている。これは単なる業務効率の問題ではなく、離職リスクに直結する問題だった。

実際、前年度の退職者3名のうち2名が退職理由として「書類・記録業務の多さ」を挙げていた。採用コストを考えると、1名の離職で50万円以上のコストが発生する。記録業務の改善は、コスト面でも急務だった。

ツール選定：なぜ「音声入力＋ChatGPT API」にたどり着いたか

最初に検討したのは、介護業界向けの記録支援システムだった。いくつかのベンダーに問い合わせ、デモを見せてもらった。確かに機能は充実している。しかし月額費用が1事業所あたり3〜8万円というのがネックだった。うちのような小規模事業所には、正直厳しい金額だ。

次に考えたのが、汎用の音声入力ツールと既存の記録システムを組み合わせる方法。Googleドキュメントの音声入力機能を試してみたが、「田中さん、昼食は七割摂取、水分は三回補給」と話すと「田中さん昼食は7割摂取水分は3回補給」と句読点も改行もない文字列が出てくる。これを整形する手間が結局発生してしまう。

転機になったのは、社内のITに詳しいスタッフ（前職でシステムエンジニアをしていた40代男性）との雑談だった。「ChatGPTのAPIって、音声テキストを渡したら整形してくれるんじゃないですか？」という一言。そこから一気に具体的な構想が動き出した。

仕組みの骨格はシンプルだ。

スタッフがスマートフォンのマイクに向かって、ケアの内容を話す（音声入力）
音声がテキストに変換される（iOS/Androidの標準音声入力機能を使用）
そのテキストをChatGPT APIに渡し、介護記録の書式に整形してもらう
出力された記録文を確認・修正し、記録システムに貼り付ける

開発はそのスタッフが担当し、Pythonで動くシンプルなWebアプリとして構築した。フロントエンドはHTMLとJavaScriptの最小構成。スマートフォンのブラウザから使えるようにして、専用アプリのインストール不要にした。開発期間は約2週間、費用はほぼゼロ（APIコストのみ）。

具体的な導入ステップと、実際に使ったプロンプト

システムの肝になるのは、ChatGPT APIに渡すシステムプロンプトだ。ここが甘いと、出力される記録文の品質がバラバラになる。試行錯誤の末、以下のプロンプトに落ち着いた。

あなたは介護記録の作成を支援するアシスタントです。ヘルパーが音声で話した内容を、以下のルールに従って介護記録に整形してください。
【出力ルール】
・文体は「〜した。〜であった。〜を確認した。」という体言止め・過去形の丁寧な文体にする
・利用者の名前は入力されたアルファベット（A、Bなど）をそのまま使用する
・食事摂取量は「〇割摂取」の形式で統一する
・バイタルが含まれる場合は数値を明記する
・特記事項がある場合は最後に「【特記】」として記載する
・出力は記録文のみとし、説明や前置きは不要
・1件の記録は150文字以内を目安にする
【入力例】
「Aさん、昼食は7割ぐらい食べた、水分は3回とった、午後は散歩30分、ちょっと足が痛いって言ってた」
【出力例】
昼食7割摂取。水分補給3回実施。午後に散歩30分実施。気分良好。【特記】歩行時に足部の痛みを訴えあり。次回確認要。

このプロンプトを作るのに、実は2週間かかった。最初のバージョンでは「丁寧な文体で」とだけ指示していたため、「Aさんは昼食を7割ほどお召し上がりになりました」のような過剰に丁寧な文体が出てきてしまい、介護記録として不適切だった。「過去形の簡潔な文体」という指定を加えてからは、ずっと自然な記録文が出るようになった。

また「特記事項がある場合は【特記】として記載」というルールを入れたのも重要な改善点だった。これがないと、「足が痛い」という情報がさらりと本文に埋もれてしまい、後から確認する担当者が見落とすリスクがあった。

実際の使用フローはこうだ。スタッフが訪問を終えた後、移動中の車内や自転車を止めた場所で、スマートフォンのブラウザを開く。テキストエリアをタップして音声入力を起動し、ケアの内容を30秒ほどで話す。「送信」ボタンを押すと2〜3秒でAPIから記録文が返ってくる。内容を確認して問題なければ、介護記録システムにコピー&ペーストする。

ぶつかった壁：想定外の失敗が続いた最初の1ヶ月

「これで解決だ」と思っていたが、現実はそう甘くなかった。試験運用を始めた最初の2週間で、いくつかの深刻な問題が浮上した。

問題1：音声認識の誤変換が多すぎる

スタッフの中に、滑舌があまり良くない方がいた。「食事摂取量7割」と話しているつもりが「食事摂取料7話」と変換されてしまう。介護用語は日常語ではないため、音声認識エンジンが苦手とする言葉が多い。「褥瘡（じょくそう）」は「食草」に、「嚥下（えんげ）」は「演芸」になった事例もあった。ChatGPTがある程度文脈から補正してくれるが、限界がある。

問題2：スタッフによって話す内容の粒度がバラバラ

ベテランスタッフは「バイタル測定。体温36.2度、血圧128/78、脈拍72。食事8割摂取。排泄は昼に1回、自立。入浴介助実施、背部に発赤なし」と情報を整理して話してくれる。一方、慣れていないスタッフは「えーと、ご飯はまあまあ食べてて、お風呂も入れて、特に変わったことはなかったかな」という曖昧な話し方をする。後者だと、AIが整形しようにも情報が足りず、薄い記録文しか出てこない。

問題3：個人情報の取り扱いに関する不安が払拭できない

試験運用を始めたところ、スタッフの一人から「利用者さんの情報をAIに送っていいんですか？」という質問が来た。当然の疑問だ。ChatGPT APIはOpenAIのサーバーにデータが送信される。たとえ学習に使用されない設定でも、クラウドにデータを送ること自体に抵抗感を持つスタッフがいた。

失敗をどう乗り越えたか：3つの改善策

改善策1：音声認識の誤変換対策——「話し方マニュアル」の作成

音声認識の精度を上げるために、スタッフ向けの「話し方ガイド」を作成した。ポイントは2つ。①専門用語はなるべく平易な言い換えで話す（「褥瘡」→「床ずれ」、「嚥下」→「飲み込み」）、②数値は区切って明確に話す（「血圧は128の78」ではなく「血圧、上が128、下が78」）。

また、ChatGPTのプロンプトにも「音声認識の誤変換が含まれている可能性があります。文脈から適切な介護用語に補正してください」という一文を追加した。これだけで誤変換由来の不自然な記録文が大幅に減った。

改善策2：話す内容のテンプレート化——「記録チェックシート」の導入

スタッフによる情報の粒度のバラつきを解消するため、「記録に含めるべき項目」を記したポケットサイズのカードを作成し、全員に配布した。

【記録カード（基本項目）】
□ バイタル（体温・血圧・脈拍）
□ 食事（摂取量・食欲・特記事項）
□ 水分（摂取回数・量）
□ 排泄（回数・状態）
□ 活動（散歩・リハビリ・レクなど）
□ 精神状態（気分・発言など）
□ 特記事項（身体変化・訴えなど）

このカードを見ながら話すことで、情報漏れが激減した。最初は「こんなカード見ながら話すの恥ずかしい」という声もあったが、1週間もすれば自然に覚えてしまい、カードなしでも話せるようになったスタッフが多かった。

改善策3：個人情報の匿名化ルールの明文化と周知

個人情報の不安に対しては、運用ルールを明文化して全スタッフに説明会を開いた。ルールの核心は「AIに送る情報には、利用者の氏名・住所・生年月日を含めない」こと。具体的には、利用者ごとにアルファベット（A、B、C……）を割り当て、音声入力時はそのアルファベットで呼ぶ。AIから出力された記録文に、担当スタッフが後から氏名を入力する二段階方式にした。

ChatGPT APIはデフォルトでユーザーデータをモデルの学習に使用しない設定になっているが、それだけでは不十分という判断で、匿名化を徹底した。この説明会の後、スタッフの不安はほぼ解消された。「ちゃんと考えてくれてるんだ」という安心感が、システム受容の大きな鍵になった。

導入3ヶ月後の成果：数字とスタッフの声

試験運用を経て本格稼働から3ヶ月が経過した時点での成果をまとめる。

記録1件あたりの入力時間：4分50秒 → 1分30秒（69%削減）
月間記録業務の総時間：48時間 → 17時間（35%削減）
残業時間（記録業務分）：28時間 → 8時間（71%削減）
実質的な残業削減時間：月約20時間
APIコスト：月2,800〜3,200円

「月20時間削減」という数字は、単純計算の35時間削減から、確認・修正時間や慣れるまでの学習コストを差し引いた実質値だ。完全自動化ではなく、人間が最終確認するプロセスを必ず挟んでいるため、この程度の乖離は想定内だった。

コスト面では、月3,000円のAPIコストに対して、残業代の削減効果は月15〜18万円（スタッフ全体の残業代換算）。投資対効果は文字通り桁違いだ。

数字以上に変わったのは、スタッフの表情だった。ベテランヘルパーは「帰り際に記録が終わってない不安がなくなった。訪問中に集中できるようになった」と言った。若手スタッフは「正直、記録が苦手で辞めようと思ってた時期があった。今は全然苦じゃない」と話してくれた。

記録の質という面でも予想外の改善があった。以前は「食事摂取量7割、気分良好」という最低限の記録しか書かないスタッフが、音声入力になってから「昼食7割摂取。やや食欲低下の様子。水分補給3回実施。【特記】右膝の痛みを訴えあり、歩行時にやや跛行が見られた。次回確認要」という質の高い記録を残すようになった。話すことのハードルが低いため、気づいたことをその場で口にする習慣がついたのだと思う。

この記録の質向上が、ケアマネジャーや医療職との連携にも好影響を与えている。「最近、訪問介護の記録が詳しくなった」とケアマネジャーから言われたのは、素直に嬉しかった。

現在進行中：ケアプラン支援への展開

記録業務の自動化が軌道に乗ったことで、次のステップとして「ケアプランの文章作成支援」を現在構築中だ。

ケアプランの更新時期になると、サービス提供責任者が利用者の状態変化を整理して文章を起こす作業が発生する。これも相当な時間を食う作業で、月に10〜15件のプラン更新があると、まとまった残業が発生する。

現在テストしているのは、以下のようなプロンプトを使ったケアプラン文章生成だ。

以下の利用者情報と状態変化を元に、居宅サービス計画書（第1表）の「利用者及び家族の生活に対する意向を踏まえた課題分析の結果」欄の文章案を作成してください。文体は「〜を希望している。〜の状態にある。〜の支援が必要である。」という形式で、200〜250文字でまとめてください。

まだ本格稼働ではないが、テスト段階では担当者の「下書き作成時間が半分以下になった」という感触を得ている。完成したら改めて報告したい。

同じ悩みを持つ現場の方へ：始めるなら今すぐ、小さく始めよ

この取り組みを通じて学んだ最大の教訓は、「完璧なシステムを作ってから始めようとしない」ことだ。最初のバージョンは本当に粗削りで、プロンプトも今とは比べ物にならないほど雑だった。でも、動くものを早く現場に出して、スタッフのフィードバックをもらいながら改善していく方が、机上で完璧を目指すより圧倒的に速く成果が出る。

技術的なハードルが高いと感じる方もいるかもしれないが、実はChatGPT APIを使ったシステムは、プログラミングの知識がなくてもノーコードツール（Make、n8nなど）を使えば構築できる。社内にITに詳しい人がいなくても、フリーランスのエンジニアに依頼すれば数万円で作ってもらえる規模の話だ。

個人情報の問題は確かに重要だが、「匿名化して使う」という原則を守れば、現実的に対応できる。完全にクラウドを使わない選択肢として、ローカルで動くLLM（LlamaなどのオープンソースAI）を使う方法もあるが、品質と導入コストのバランスを考えると、まずはChatGPT APIの匿名化運用から始めるのが現実的だと思う。

介護現場の記録業務は、誰かが「しょうがない」と諦めている間も、毎日スタッフの時間と気力を奪い続けている。月20時間の残業削減は、スタッフにとっては「早く帰れる」という具体的な変化だが、それ以上に「この仕事を続けたい」という意欲の回復につながった。それが今回の取り組みで得た、一番大きな成果だと感じている。