ホームレス支援ケースワーカー

ホームレス支援ケースワーカー

役割の概要

ホームレス支援ケースワーカーは、危機介入・福祉制度の調整・長期的な居住支援が交差する地点で活動します。緊急シェルター、段階的住居支援プログラム、低障壁の夜間専用施設といった現場で、慢性的なホームレス状態にある人、DVサバイバー、退役軍人、精神疾患と物質使用障害をあわせ持つ人、矯正施設からの出所直後にある人などを含むケースロードを日々担当します。

日々の現実は決して一筋縄ではいきません。ある朝はVI-SPDAT（脆弱性指標―サービス優先順位決定支援ツール）に基づく入所時アセスメントを行い、午後は住宅公社と連携してセクション8住宅補助券の申請を進め、夕方には精神科的な危機状態にあるクライアントの感情を落ち着かせる――そのすべてを、HUDのContinuum of Care報告に向けたコンプライアンス文書の作成と両立させながら行うのです。

担当するケースロードは、シェルターの規模や資金形態にもよりますが、通常はアクティブなクライアント20〜50人にのぼります。このポジションは、米国において主にHUD緊急支援補助金（ESG）、CoCプログラム補助金、FEMA緊急食料・シェルタープログラム（EFSP）の配分、そして近年増えている州単位の居住安定化基金によって成り立っている、広義のホームレス支援サービスの一角を占めています。この資金構造は多大な事務負担とコンプライアンス圧力を生み、直接的なクライアント支援の時間と常にせめぎ合っています。

AIがこの役割をどう変革しているか

この役割の変革は、ケースワーカーを置き換えることではなく、彼らの認知的負荷の配分を再構築することにあります。歴史的に、ケースワーカーは文書作成、受給資格審査、リソース検索、報告書作成に不釣り合いなほどの時間を費やしてきました。AIはそれらの業務を吸収し始めていますが、その移行は均一ではなく、この人口に特有の現実的なリスクを伴います。

文書作成の負担が最初の大きな変化です。 Apricot（Bonterra社）、Clarity Human Services、ServicePointといった主要なHMIS（ホームレス管理情報システム）プラットフォームは、AIによるケースノートの生成やインテイク項目の自動入力を統合しつつあります。以前は1日に45〜90分をケースノートに費やしていたケースワーカーは、その時間が短縮されるのを目の当たりにしていますが、品質管理の負担は彼らに移ります。つまり、AIが生成した要約の臨床的正確性やトラウマに配慮した言葉遣いをレビューする責任です。

予測リスクスコアリングが第二の変化です。 いくつかのCoCレベルでの導入では、配置後に再び路上生活に戻るリスクが最も高いクライアントや、90日以内に住居を失う可能性が高いクライアントをフラグ付けする機械学習モデルが試験的に導入されています。これらのモデルは、HMISの長期的データ（過去のシェルター滞在歴、サービス利用パターン、住宅履歴）を活用し、優先順位付けの推奨事項を提示します。これによりケースワーカーの注意の振り分け方が変わりますが、トレーニングデータが黒人、先住民、LGBTQ+のクライアントに対する過去のサービス格差を反映している場合、アルゴリズムによるバイアスのリスクが特に深刻になることも招きます。

リソースナビゲーションが第三の変化です。 Aunt Bertha（現Findhelp）や211統合のようなツールは、AIによる拡張が進み、自然言語検索や受給資格の事前審査によって、ケースワーカーが手動で給付プログラムを相互参照する時間を削減します。利用者の多いシェルターでは、これは運営上大きな意味を持ちます。

AIが自動化できる業務

• インテークフォームの事前入力 — 過去のHMIS記録から情報を取得し、再来所者の重複データ入力を削減
• ケース記録の下書き作成 — 構造化されたセッションのプロンプトまたは音声テキスト化から、HUD準拠のテンプレート書式で文書化
• 給付金受給資格のスクリーニング — クライアントが入力した人口統計・収入データに基づき、SSI/SSDI、メディケイド、SNAP（食料支援）、地元の家賃補助プログラムを横断的に確認
• 住宅リソースのマッチング — 利用可能な住戸、バウチャーの種類、プログラム受給条件をクライアントのプロフィールと照合
• CoCおよびESGコンプライアンスレポートの生成 — HMIS集計データから自動生成し、手動スプレッドシート作成を置き換える
• 予約リマインダーとフォローアップのスケジュール設定 — ケース管理プラットフォームと連携したSMS自動化により実施
• 翻訳と言語アクセスの提供 — シェルターでよく使われる言語（スペイン語、ソマリ語、ハイチ・クレオール語、ベトナム語）に対応したインテーク書類やリソースガイド
• 成果追跡ダッシュボード — プログラムの利用期限が近づいているクライアントや、必須のチェックインを逃しているクライアントを浮かび上がらせる

価値が高まるスキル

トラウマインフォームドな臨床判断。 AIが管理的な業務を処理するようになるにつれ、ケースワーカーのかけがえのない価値は、対人関係や臨床的な業務に集中するようになります。具体的には、インテーク時にクライアントの感情状態を読み取ること、スクリーニングツールでは表面化しない人身売買や家庭内暴力の兆候に気づくこと、住居の確保が実際に定着するような信頼関係を築くことなどです。

AIの出力レビューと品質管理。 ケースワーカーは、AIが生成したケースノート、リスクスコア、および受給資格の判定を批判的に評価する必要があります。これには、これらのツールが何を最適化し、どこで失敗するのかを理解することが求められます。つまり、単に出力を額面通りに受け取ってはいけません。

制度の利用支援とアドボカシー。 住宅制度の複雑さ――コーディネーテッドエントリーの順番待ちリスト、住宅公社の優先条件、家主との交渉、給付の崖――は、AIが解決できるものではありません。AIが情報検索作業を処理するようになるにつれて、こうした制度を通じてクライアントを効率的に進めることができるケースワーカーの価値は高まります。

HMISプラットフォームにおけるデータリテラシー。 今日入力されたデータが、クライアントの優先順位スコア、プログラムの受給資格、経時的な記録にどのように影響するかを理解することは、もはやバックオフィスのスキルではなく、ますます中核的な能力となっています。

危機介入とディエスカレーション。 AIツールは、急性の精神科的危機にあるクライアントに対応したり、共同寮室での対立を調停したりすることはできません。これは完全に人間の仕事であり、より目に見える差別化要因になりつつあります。

他制度との連携（クロスシステムコーディネーション）。 効果的なケースワーカーは、シェルターシステム、行動医療提供者、退役軍人省（VA）サービス、児童福祉、刑事司法の社会復帰プログラムなどの間をつなぐ結合組織としてますます機能しています。この連携には、AIでは再現できない関係資本と文脈的判断力が必要です。

重要性が低下しているスキル

• 手作業でのデータ入力やフォーム記入を主要な時間投資とすること
• 給付プログラムの受給資格ルールや所得基準の丸暗記（AI支援の検索が対応）
• リソースバインダーの作成や静的な地域リソース一覧の維持管理
• クライアントの予約に関する手動のスケジュール管理とリマインダー追跡
• 生のHMISエクスポートデータから手作業でコンプライアンス報告書を作成すること
• 構造化された受付インテークツールが現在処理する、基本的な受給資格の事前審査質問の実施

この業界におけるAI導入の現状

導入は現実に進んでいるが分断されており、大都市圏のCoCと地方や小規模シェルター運営組織との差は大きい。

最先端: ロサンゼルス（LAHSA）、ニューヨーク（DHS）、ヒューストン（Coalition for the Homeless）などの大都市CoCでは、予測モデリング機能を備えたHMIS分析プラットフォームに投資が行われている。全米のモデルとして頻繁に引用されるヒューストンの統合的受入システムは、データ主導の優先順位付けを実践しており、これが他地域でAI支援トリアージを概念化する際の参考となっている。

主流: Clarity Human ServicesやApricotを利用する中規模シェルターでは、プラットフォームのアップデートとしてAI支援機能が提供され始めているが、正式な研修や変更管理が伴わないまま、ケースワーカーによる利用は一貫していない。

遅れている組織: 小規模な宗教系シェルター、地方の緊急シェルター、ITインフラが限られた団体は、いまだに紙ベースあるいは旧式のシステムで運営されている。これらの組織にとってAIの議論は時期尚早であり、基本的なHMIS対応そのものが依然として課題である。

資金面の制約が導入を阻む最大の障壁である。医療や金融サービス業界とは異なり、ホームレス支援団体は使途が限定された助成金に依存し、利益率の極めて低い運営を余儀なくされている。AIツールへの投資には、助成金による試験的導入か、プラットフォームベンダーが既存契約にAI機能をバンドル提供するかのいずれかが必要であり、後者の形で導入が進むケースが増えている。

将来の業務フローの進化

2027年から2028年にかけて、十分なリソースを持つ組織では、ケースワーカーの役割は次のようなものになると想定されます。

利用者が入所手続きに訪れる。AI支援のスクリーニングツールが、過去のHMIS（ホームレス管理情報システム）記録を引き出し、以前のシェルター滞在歴をフラグ付けし、VI-SPDATまたは次世代のアセスメントツールに事前入力を行う。ケースワーカーは、事前入力された記録を確認し、入所手続きの対人面接 — 書式では把握しきれない情報を浮かび上がらせる対話 — を実施する。面談は文字起こしされ、確認用のケースノート草案に要約される。

利用者のプロファイルは、利用可能な住居リソースと自動的に照合され、協調的入居優先順位付けスコアが更新される。行動保健上の追加支援がなければ住居維持が困難である可能性がリスクプロファイルから示唆された場合、ケースワーカーにアラートが送信され、円滑な紹介（ウォームリファラル）のワークフローが起動する。

月次のコンプライアンス報告書は、HMISデータから自動的に生成される。ケースワーカーの時間は、積極的な問題解決、アドボカシー、危機対応を必要とする上位2割の利用者に集中的に投じられるようになり、担当する全40名の利用者に均等に管理業務を割り振る必要はなくなる。

リソースが不足している組織においては、このような業務フローは依然として到達困難な目標である。リスクとなるのは、資金の潤沢な都市部のプログラムの利用者はAIが強化されたケースマネジメントを受けられる一方、地方や小規模シェルターの利用者は現在と変わらぬ限られたリソースでのサービスを受け続けるという、二層化されたシステムの到来である。

主なAIの活用事例

• 調整された入所優先順位付けサポート: クライアントの脆弱性と住宅準備度をスコアリングするAIモデルが、待機リストへの配置判断を支援します
• 住宅安定性の予測モデリング: 最近住宅へ移行したクライアントのうち、90日以内にシェルターへ戻るリスクが高い対象者にフラグを立て、予防的なアウトリーチを自動で開始します
• 自動化されたHMISドキュメンテーション: 音声入力や構造化プロンプトツールを用いて、セッションの内容からHUD準拠のケースノートを自動生成します
• 給付金ナビゲーションチャットボット: SMSやシェルター内のキオスク端末で提供されるクライアント向けツールで、受給資格をスクリーニングし、登録支援へとつなぎます
• 自然言語によるリソース検索: キーワード検索ではなく、クライアントのニーズ記述に基づいて関連性の高い地域資源を表示する、ケースワーカー向けの検索ツールです
• 成果分析ダッシュボード: 恒久住宅への退去数、平均滞在期間、シェルター再入所率など、プログラムのパフォーマンス指標を手作業でレポートをまとめることなくリアルタイムに可視化します
• 言語アクセスの自動化: 英語を母語としないクライアントに向けて、リアルタイムの文書翻訳と多言語でのインテーク対応を実現します

推奨AIスタック

ここに挙げたツールは、この分野で実際に導入・試験導入されているものであり、企業向けの理想的なソフトウェアではありません。

ツール / プラットフォーム	ユースケース
Clarity Human Services	AI支援の文書作成・分析機能を備えたHMIS
Apricot by Bonterra	AIによるケースノート自動作成機能付きケース管理
Findhelp（Aunt Bertha）	AIを活用したコミュニティリソースの案内
Otter.ai / Whisperベースの文字起こし	セッション録音からケースノート草案を作成
Microsoft Copilot（M365内）	M365導入組織向けの報告書作成、メール要約、コンプライアンス文書生成
Tableau / Power BI（HMISデータコネクタ付き）	アウトカムダッシュボードとCoCパフォーマンス報告
TwilioベースのSMS自動化	予約リマインダー、チェックイン通知、支援物資の提供連絡
Google Translate API連携	多言語対応の受付プラットフォームへの組み込みによる文書アクセス

HMISプラットフォームと統合されていない単体のAIツールの導入には慎重になるべきです。データの分断はこの分野ですでに深刻な問題であり、分断されたツールを追加すると状況がさらに悪化します。

リスクと課題

優先順位付けにおけるアルゴリズムバイアス。 過去のHMISデータで訓練された予測モデルは、過去のサービス提供のバイアスを継承する。つまり、どの層が支援を受け、どの層が拒まれ、どの層が過剰に取り締まられてきたか、という偏りだ。構造的障壁を考慮せずに、特定の人口統計グループが再保護化率が高いと学習した場合、そのグループへの住居資源の優先度が下がる可能性がある。これは理論上のリスクではなく、協調的エントリー改革の議論において現実に懸念されている問題である。

AIによるアウトプットにおけるトラウマインフォームドな表現の欠如。 AIが生成したケース記録には、トラウマインフォームドケアの実践基準にそぐわない、臨床的または官僚的な表現が使われることがある。クライアントの行動を「支援への障壁を経験している」ではなく「非協力的」と記述すれば、その記録を後日読む他の支援者がクライアントをどう捉えるかに、現実の影響を及ぼす。

極めて脆弱な層に関するデータプライバシー。 HMISデータには、精神保健、薬物使用、ドメスティックバイオレンスの履歴、移民ステータスといった機微情報が含まれる。このデータを処理するAIツールは、厳格なプライバシー基準を満たさなければならず、ケースワーカーはベンダーのモデル訓練や改善にどのデータが使われているかを理解する必要がある。

リソース不足の組織におけるチェンジマネジメント。 適切な研修、監督、品質レビューなしにAIツールを導入すると、サービス品質が向上するどころか低下する恐れがある。すでに手一杯のケースワーカーが、十分な確認をせずにAIのアウトプットを受け入れてしまうかもしれない。

関係性を基盤とする実践の浸食。 AIが構造化されたやり取り（スクリーニング質問、リソース検索、予約調整など）をより多く担当するようになると、ケースワークの関係性の深さが失われていくリスクがある。特に、効率性への圧力が強い高ボリュームの現場ではその危険が高い。ケースワーカーとクライアントの関係そのものが、治療的かつ安定化をもたらす介入であり、最適化によって排除されるべきではない。

ベンダーへの依存とデータポータビリティ。 単一のベンダーのAI機能を中心にワークフローを構築した小規模組織は、そのベンダーが価格を変更したり、機能を廃止したり、買収されたりした場合に大きなリスクに直面する。HMISデータのポータビリティは、セクター全体にわたる課題であり続けている。

将来の展望（3～5年）

今後3～5年で、意図的な政策介入がない限り、ケースワーカーの役割は組織のリソース状況に沿って二極化するでしょう。

十分な資金があるCoC（継続的ケア）や大規模なシェルターネットワークでは、ケースワーカーはケアコーディネーターに近い機能を担うようになります。つまり、複雑なケース、システム・アドボカシー、関係構築業務に多くの時間を費やし、AIが文書作成、スクリーニング、リソースマッチングを処理する形です。ケースロードの数は減らないかもしれませんが、業務の性質はより複雑性の高い対話へとシフトします。AIの出力レビュー、データ品質管理、アルゴリズムの説明責任といった新たなコンピテンシーが、職務記述書の標準的な要件となるでしょう。

リソースが不足している組織では、主な変化はHMISベンダーがAI機能をバンドルした段階的なプラットフォームアップグレードにとどまり、戦略的なAI導入には至りません。そこでのリスクは、ケースワーカーがトレーニングや組織的サポートなしにAIツールに遭遇し、一貫性のない利用や文書品質の問題を引き起こすことです。

政策レベルでは、HUD（米国住宅都市開発省）によるHMISデータ標準の継続的な進化と、CoCの境界を越えたリアルタイムデータ共有への推進が、より高度なAIアプリケーションのためのインフラ条件を整えます。問われるのは、ソーシャルワーク教育プログラム、CoC研修ネットワーク、NAEH（全米ホームレス撲滅同盟）などの全国的組織といった、この分野の人材育成インフラがツールの進歩に追いつけるかどうかです。

置き換えられるリスクが最も高いのはケースワーカーではなく、むしろシェルター組織内のデータ入力や管理サポート職です。ケースワーカーの役割そのものは、当面は人間中心であり続ける可能性が高いです。なぜなら、この仕事には現在のAIシステムでは再現できない、文脈に即した対人判断や倫理的判断が求められるからです。

最終考察

ホームレス支援ケースワーカーという役割は、AIが業務の本質を脅かすことなく、管理負担を着実に軽減できるヒューマンサービス専門職の最もわかりやすい例のひとつである。ただし、それは導入が慎重に行われ、支援対象となる人々の特有の脆弱性に十分配慮された場合に限られる。

真の変革リスクは、雇用の喪失ではない。十分な研修がないままAIツールが導入され、アルゴリズムの出力が批判的な検討を経ずに受け入れられ、効率指標ばかりが重視されることで、住まいの斡旋を実際に持続可能なものにする関係性の深さが押しのけられるときに生じる、支援実践の質が静かに損なわれていくことである。

こうした変化の渦中にあるケースワーカーにとって、戦略的な一手はAIツールに抵抗することではなく、利用者自身の生きられた経験と、リスクスコアを生成するシステムの限界の両方を理解する、現場の要になることだ。臨床判断力、データリテラシー、システム知識の組み合わせこそが、AIに拡張された環境でこの役割が最も高い価値を発揮する姿なのである。