熟練社員の退職による技能喪失と、生成AIを使いこなせる人材の不足。
多くの企業では、この2つを別々の経営課題として考えがちです。
技能継承では、ベテラン社員へのヒアリング、マニュアル作成、動画撮影などを行う。一方、AI人材育成では、生成AI研修やプロンプト研修を実施する。
しかし、本当にこの2つを分けて進める必要があるのでしょうか。
むしろこれからの企業に求められるのは、熟練者の知識をAIによって組織に残す過程そのものを、若手社員の育成プロセスに変えることです。
ベテラン社員が持つ経験や判断基準をAIによって整理し、若手社員がAIとの対話を通じて実務で利用する。その利用結果を再び組織のナレッジとして蓄積する。
こうした循環を設計できれば、「技能継承」「AI活用」「人材育成」を一つの仕組みとして動かせるようになります。
技能継承が難しい本当の理由は「暗黙知」にある
企業の技能継承で最も大きな問題になるのが、熟練者の知識の多くが文章になっていないことです。
例えば製造現場では、
- 機械音の微妙な違い
- 振動の変化
- 製品表面のわずかな異常
- 過去のトラブルとの類似性
- 図面から読み取る設計上の注意点
- 不具合発生時の原因候補の絞り込み
などを、ベテラン社員が経験によって判断しているケースがあります。
本人に「なぜそう判断したのですか」と聞いても、「経験かな」「なんとなく違う」としか説明できないことも珍しくありません。
これは知識が存在しないのではありません。
知識が言語化されていない状態で存在しているのです。
このような知識は「暗黙知」と呼ばれます。
従来の技能継承では、暗黙知をマニュアルや研修資料として文章化することに大きな労力が必要でした。
しかし生成AIや画像認識、音声認識などを組み合わせたマルチモーダルAIによって、この状況が変わり始めています。
SECIモデルをAIによって動的な仕組みに変える
ナレッジマネジメントを考えるうえで重要なのが「SECIモデル」です。
SECIモデルでは、知識が次の4段階を循環すると考えます。
共同化
熟練者と若手が一緒に仕事を行い、経験を共有します。
従来はOJTや同行作業が中心でしたが、AIを活用すれば、作業映像、音声、センサーデータなども経験の記録として残せます。
表出化
熟練者が持つ暗黙知を、文章や図、言葉などの形式知へ変換します。
ここでは生成AIが大きな役割を果たします。
熟練者との対話内容や作業記録から、
「どの情報を見て判断したのか」
「異常と判断した理由は何か」
「どの条件なら別の対応をするのか」
といった判断ロジックを整理できます。
連結化
文章化された知識を、既存のマニュアル、過去の報告書、FAQ、設計資料、トラブル履歴などと組み合わせます。
生成AIやRAGを利用すれば、大量の社内情報から関連情報を検索し、横断的に利用できるナレッジ基盤を構築できます。
内面化
若手社員が、その知識を実際の業務で利用します。
AIから答えだけを受け取るのではなく、
「過去にはどのような事例があったのか」
「ベテランならどのポイントを確認するのか」
「判断根拠は何か」
をAIと対話しながら考えることで、形式知が本人の経験へ変わっていきます。
重要なのは、この4つを一度だけ行うのではないことです。
業務を行うたびに新しい知識が蓄積され、AIが更新され、社員がさらに学ぶ循環をつくることが重要です。
マルチモーダルAIが「言葉にできない技能」を扱えるようにする
従来のナレッジマネジメントには大きな制約がありました。
基本的に「文章にできる知識」しか保存できなかったことです。
しかし実際の技能は、文章だけではありません。
製造業であれば、
- 画像
- 動画
- 音
- 振動
- 温度
- センサーデータ
- 図面
などにも知識が含まれています。
マルチモーダルAIは、こうした複数種類の情報を組み合わせて解析できます。
例えば設備保全では、熟練者が機械の「音」や「振動」から異常の兆候を察知していた技能を、センサー情報とAIによって分析することが考えられます。
図面解析でも、AIが図面内の文字や形状情報を読み取り、必要な仕様情報を抽出・整理できます。
技能継承はこれまで「ベテランが説明できるかどうか」に大きく依存していました。
今後は、本人が完全に言語化できない知識についても、周辺データから知識化する可能性が広がるということです。
AIは「ベテランの代わり」ではなく判断支援役にする
技能継承へのAI導入で注意したいのが、AIに熟練者の役割をすべて置き換えようとすることです。
その考え方では、うまくいきません。
AIが担うべきなのは、
「答えを出すこと」
だけではなく、
「考えるための材料を提示すること」
です。
例えば若手社員が製品不具合に直面した場合、AIが即座に結論だけを表示するのではなく、
「過去に類似した事例があります」
「この条件ではこの原因が考えられます」
「ベテラン社員は過去にこの項目を確認しています」
といった情報を提示します。
若手社員は、それを参考にしながら自分で判断します。
このプロセスによって、AI利用と人材育成を同時に進めることができます。
FOXONとミズタニバルブ工業の事例が示す技能継承の形
添付資料では、株式会社FOXONとミズタニバルブ工業による不具合報告書作成支援AIの事例が紹介されています。
製造業では、不具合が起きた際に、
原因を調べる
↓
過去の類似事例を探す
↓
原因を推定する
↓
再発防止策を検討する
↓
顧客向け報告書を作成する
という作業が必要になります。
ここには高度な経験と判断力が必要です。
そのため従来は、原因究明のノウハウが一部のベテラン社員に集中しやすく、報告書の品質も担当者によってばらつく問題がありました。
この事例では、過去の不具合報告書をデータベース化し、AIが過去事例を検索したうえで原因候補を推定し、報告書の下書きを支援する仕組みが構築されています。
資料では、従来半日程度かかっていた工程が、AI導入後には報告書作成を含め1時間以内へ大幅に短縮されたとされています。
しかし、この事例の本質は時間短縮だけではありません。
ベテラン社員の判断パターンが組織のデジタル資産に変換されたことです。
さらに若手社員はAIが提示する過去事例や原因推定を確認しながら業務を進められるため、実務そのものがOJTになります。
つまり、
「技能継承の仕組みをつくった結果、人材育成も進んだ」
のではなく、
技能継承と人材育成が同じ業務プロセスの中で起きる設計になっている点が重要です。
AIが若手社員の心理的安全性を高める
技能継承では、技術以上に「質問しやすさ」が重要です。
若手社員にとって、
「こんな基本的なことを聞いてよいのだろうか」
「何度も同じことを聞いたら怒られるのではないか」
という心理的負担は小さくありません。
特に非常に経験豊富なベテラン社員ほど、若手側が遠慮してしまう場合があります。
AIには、この問題を緩和できる可能性があります。
AIであれば何度同じ質問をしても問題ありません。
初歩的な質問から確認でき、必要であれば別の表現でも説明できます。
そのため、
AIで基本事項を確認する
↓
自分なりの仮説をつくる
↓
必要な部分だけベテランに確認する
という学習方法が可能になります。
AIがベテランとのコミュニケーションをなくすのではありません。
むしろ人に質問する前段階の学習環境を整えることで、OJTを効率化できます。
「研修」と「技能継承プロジェクト」を分離しない
企業でよくあるのが、
「今月は生成AI研修」
「来月はマニュアル作成」
「半年後に技能継承プロジェクト」
といった進め方です。
これでは、それぞれが単発施策になりやすくなります。
理想は日常業務の中にナレッジマネジメントを組み込むことです。
例えば若手社員がAIを使ってトラブル対応を行ったとします。
AIとの対話履歴や判断内容をベテラン社員が確認し、必要に応じて修正する。
承認された内容を再びナレッジデータベースへ蓄積する。
すると次に同じ問題が起きた際には、改善された知識を別の社員が利用できます。
つまり、
業務
↓
AIによる支援
↓
人間による判断
↓
ベテランによるレビュー
↓
ナレッジ更新
↓
次の社員が利用
という循環を構築するのです。
この仕組みが回り始めれば、組織そのものが継続的に学習するようになります。
「実践場」と「システム場」を同時につくる
ナレッジマネジメントでは、システムを導入するだけでは十分ではありません。
重要なのは、「知識を使う場所」と「知識を蓄積する場所」を両方設計することです。
実践場
社員が実際に仕事をする場所です。
製造現場、デスク、顧客対応、OJTなどが該当します。
ここで社員が知識を利用し、新しい経験を得ます。
システム場
マニュアル、社内データベース、FAQ、検索システム、生成AI、RAGなど、形式知を蓄積・組み合わせる場所です。
重要なのは、この2つを分断しないことです。
現場からナレッジシステムへ情報を戻し、ナレッジシステムから現場へ知識を提供する。
この往復があることで、知識が陳腐化しにくくなります。
AIナレッジマネジメント導入で注意すべき5つのリスク
AIを利用した技能継承にはメリットがありますが、単純に社内資料を生成AIへ投入すればよいわけではありません。
資料では主に5つのリスクが整理されています。
ハルシネーション
AIが存在しない事例や誤った原因を提示する可能性があります。
特に製造現場では、間違った判断が品質事故につながる可能性があります。
社内承認済みのデータを参照させるRAGの利用や、参照元を表示する仕組みが重要です。
学習データの品質
古いマニュアルや誤った報告書をAIに与えれば、誤った知識を再生産する可能性があります。
AI導入前に、既存資料の整理、標準化、ナレッジ監査を行う必要があります。
判断根拠が分からない問題
AIが結論だけを提示すると、現場はその判断を信頼できません。
「どの資料を参照したのか」「どの情報から判断したのか」を確認できる仕組みが必要です。
計算コストとデータ処理負荷
動画、高精細画像、センサーデータを大量に扱えば、処理コストも増加します。
すべてをクラウドへ送るのではなく、現場側で一部処理するエッジコンピューティングなども検討対象になります。
プライバシーと情報漏えい
工場映像、従業員の音声、設計情報、不具合情報などには機密情報が含まれます。
利用する生成AI、保存場所、アクセス権限、ログ管理、オプトアウトなどを含めたガバナンス設計が必要です。
AI人材育成と技能継承を進めるほど社内データの価値は高くなるため、セキュリティ対策も同時に強化しなければなりません。
AI人材とは「AIを使える人」だけではない
これから企業に必要となるAI人材を、「生成AIに詳しい人」「プロンプトを書ける人」だけで定義するのは不十分です。
重要なのは、
自社の業務を理解し、
どの知識を残すべきかを判断し、
AIを使って知識を整理し、
人間が確認しながら改善できる人材
です。
AI人材育成とは、単なるツール研修ではありません。
組織の知識を発見し、形式知化し、再利用できる仕組みへ変換する力を育てることでもあります。
その意味では、技能継承プロジェクトそのものがAI人材育成の教材になります。
まとめ
AI人材育成と技能継承は、本来別々の課題ではありません。
熟練者の暗黙知をAIによって抽出し、組織のナレッジとして蓄積する。
若手社員がその知識をAIとの対話を通じて業務で利用する。
その結果をベテラン社員が確認し、新しい知識として再び蓄積する。
この循環が構築できれば、
技能継承 → 人材育成 → ナレッジ更新 → 次の技能継承
という持続的な学習環境をつくることができます。
重要なのは、AIを「熟練者の代替」と考えないことです。
AI、人間、ナレッジデータベースを組み合わせ、組織全体で知識を育て続ける仕組みを構築する。
それこそが、これからのAI時代に求められるナレッジマネジメントではないでしょうか。
コメント