熟練者の退職・高齢化で失われる判断基準や勘所を、AIと記録の仕組みでどう継承するか。作業の言語化、過去記録の検索可能化、判断の見える化を、人の置き換えではなく継承の補助として設計する上流課題を、製造・現場を持つ企業の視点で整理します。
「あの人が辞めたら、この工程は誰も判断できなくなる」——製造や現場を持つ企業で、経営層・生産技術・品質の担当者から最も多く聞かれる不安の一つだと考えられます。技能伝承は長く語られてきた課題ですが、近年は熟練者の高齢化と退職が同時に進み、猶予のある「いつかやる課題」ではなく、数年以内に判断できる人がいなくなる「期限のある経営課題」に変わりつつあると捉えられます。
ここで重要なのは、失われているものの正体を正確に捉えることです。単に「人手が足りない」のであれば採用や配置で対応できますが、技能伝承の難しさは、辞める人の頭の中にしか存在しない判断が、そのまま消えてしまう点にあります。この記事では、熟練者の暗黙知を、人の置き換えではなく「継承の補助」としてAIと記録の仕組みでどう残すかを、上流の課題設計から具体的な始め方まで整理します。
暗黙知とひとくくりにすると対策が漠然としますが、現場で失われているものは、おおむね三つの層に分けて捉えると扱いやすくなると考えられます。
この三層のうち、AIと記録の仕組みが比較的寄与しやすいのは、段取りと判断基準の層だと考えられます。勘・感覚の層は完全な言語化が難しい一方で、後述するように、判断の「結果」と「そのときの状態」を大量に記録し続けることで、間接的に基準へ近づけていく余地はあると考えられます。まずは全部を一度に残そうとせず、どの層のどの工程が最も危ういかを見極めることが出発点になります。
技能が継げない現場を観察すると、後継者不在という表面的な理由の下に、より構造的な三つの要因が横たわっていることが多いと考えられます。
この三つは、それぞれ「作業の言語化」「過去記録の検索可能化」「判断基準の見える化」という取り組みに対応します。AIの役割は、この三つを人手だけでやろうとすると膨大になる作業を、現実的な労力に引き下げることにあると考えられます。人手不足を前提に業務そのものを設計し直す発想については、人手不足とAIエージェントの記事も併せて参考になります。
技能伝承にAIを持ち込むとき、最初に社内合意でつまずきやすいのが「熟練者を機械に置き換えるのか」という誤解です。現場の熟練者からすれば、自分の技能を奪う仕組みに協力する動機はありません。むしろ協力が得られなければ、暗黙知を引き出すという最も重要な工程が進まなくなります。したがって設計の前提として、AIは人を置き換えるのではなく、熟練者の判断を「残し・広げ・後から使える形にする」補助であると位置づけることが欠かせないと考えられます。
AIというと「代わりに判断してくれる」という期待が先に立ちがちですが、技能伝承の初期段階でより現実的なのは、熟練者から知識を引き出し、整理し、後から探せる形に変える用途だと考えられます。
この「判断は人・材料はAI」という線引きが、現場の納得と継続的な協力を得るうえで重要だと考えられます。社内文書をAIに答えさせる仕組みの基本的な考え方は、社内文書をAIに答えさせる仕組み（RAG）とはで整理しています。
置き換えではなく継承の補助として機能させるために、設計段階で押さえておきたい原則を三つ挙げます。
これらは抽象的な理想論ではなく、実際に現場でAIを定着させられるかどうかの分かれ目になる部分だと考えられます。任せる範囲と人が担う範囲の線引きは、技能伝承に限らずAI活用全般で最初に決めておくべき論点です。
継承の第一歩は、熟練者の頭の中にある判断を言葉にすることです。ただし「マニュアルを書いてください」と依頼しても、多くの場合うまくいきません。熟練者にとって当たり前すぎて書くべきことが分からない、書く時間がない、書いても読まれないという三重の壁があるためです。ここを乗り越えるには、書かせるのではなく「引き出す」設計に切り替えることが有効だと考えられます。
熟練者は、実際の作業をしながらであれば「今ここを見ている」「この音がしたら止める」と自然に語れることが多いものです。この語りを、その場で文字と紐づけて記録できると、言語化の負担が大きく下がると考えられます。具体的には次のような進め方が考えられます。
ポイントは、熟練者に「文章を書く」作業をさせないことです。話す・指摘する・答えるという負担の軽い行為を、AIが整理して文書化する。この分担にすることで、これまで残らなかった判断が形になり始めると考えられます。
言語化された知識は、読むだけの文書に留めると結局使われません。判断の条件と対応をセットにし、「この状態のときはこうする」という形に構造化しておくと、後からAIが検索・提示する材料としても、教育の教材としても活きてきます。手順書を単なる文書から、状況に応じて引き出せる知識へと変えていく考え方は、業務プロセスを「コード化」するの記事で扱っているテーマとも重なります。
もっとも、すべての判断を漏れなく言語化しようとすると、量に押しつぶされて頓挫しがちです。まずは不良やクレームに直結する判断、特定の一人しかできない判断から優先的に拾い、完璧な網羅ではなく「危ういものから残す」順序で進めるのが現実的だと考えられます。
多くの現場では、実は知識が「ない」のではなく「探せない」状態にあると考えられます。過去のトラブル対応記録、条件出しの経緯、クレームの原因と処置、設備の癖への対処——これらは何らかの形で残っていることが多いものの、紙・個人PC・共有フォルダ・チャット・メールに散らばり、必要なときに引き出せません。結果として、同じトラブルに毎回ゼロから対応し、熟練者の記憶だけが頼りになります。
検索可能化に取りかかる前に、そもそもどこに何が眠っているかを把握する棚卸しが必要だと考えられます。いきなり全社のデータを一つの基盤に集めようとすると、範囲が広すぎて頓挫しやすくなります。次のように対象を絞ることをおすすめします。
散在した記録を意味で検索できるようにする仕組みは、一般に社内文書の検索・質問応答の技術（いわゆるRAGの考え方）として整理されています。キーワードの完全一致ではなく、「似た状況・似た症状」で過去事例を引ける点が、技能伝承では特に有効だと考えられます。仕組みの基本は社内文書をAIに答えさせる仕組み（RAG）とはを参照してください。
過去記録を探せる状態にすることは、単なる時短に留まらない効果があると考えられます。
ただし、集めた記録の品質や、誤った過去事例を鵜呑みにするリスクには注意が必要です。AIが提示する事例はあくまで参考材料であり、最終的な妥当性は人が判断するという前提を崩さないことが重要だと考えられます。製造現場での具体的な活用イメージは製造現場のAIエージェント活用も参考になります。
技能伝承で最後まで残るのが、良否や可否の「境目」の判断です。ここは人によって微妙に違い、しかもその違いが不良流出や過剰廃棄に直結します。判断基準を見える化するとは、この境目を個人の感覚から、組織で共有できる形に少しずつ移していく取り組みだと考えられます。
言葉にしにくい判断基準を扱ううえで有効なのは、「どう判断したか」という結果と、「そのときどういう状態だったか」という条件を、対にして蓄積し続けることだと考えられます。たとえば外観検査であれば、良品・不良品の実物や画像に、判定結果と判定理由を紐づけて残していく。この蓄積が一定量に達すると、境目付近の判断を後から見返し、基準を議論できる材料になります。
画像による外観検査の領域では、Nsightが手がける産業用画像検査のように、良品と不良品の見え方を学習し、人の目視判断を補助する仕組みが実用化されつつあります。ここでも狙いは人の目を無くすことではなく、境目付近の判断を安定させ、熟練者の基準を後進や仕組みへ引き継ぐ補助にあると考えられます。実際に効果が出るかは、対象物・照明・工程条件に大きく左右されるため、現物での検証が前提になります。
判断基準の見える化には、もう一つ重要な効用があります。複数の熟練者に同じ対象を判定してもらうと、実は判断が割れることが少なくありません。この「ばらつき」を可視化することは、基準を明文化する第一歩になると考えられます。
この作業は、AIを入れる前でも始められる上流の取り組みです。むしろ基準が曖昧なままAIやカメラを導入しても、何を良品とするかが定まらず、期待した成果につながりにくくなります。まず人の間で基準をすり合わせ、それを蓄積・検索・判定の仕組みに載せていく順序が、遠回りに見えて堅実だと考えられます。
技能伝承へのAI活用は、技術よりも組織や進め方でつまずくことが多いと考えられます。ここでは、着手前に知っておくと回避しやすい落とし穴を整理します。
技能伝承は経営課題である一方、現場・品質・生産技術・人事など関わる部門が多く、合意形成が要になります。次のような順序が有効だと考えられます。
採用に頼らず業務を回す組織への移行という、より広い文脈での進め方は人手不足とAIエージェントで整理しています。技能伝承も、その一部として位置づけると社内の理解が得やすくなると考えられます。
最後に、実際に着手する際の順序を、できるだけ具体的に整理します。抽象論ではなく、自社の状況に引き寄せて考えられるよう、対象の選び方から段階的な広げ方まで示します。
最初の対象は、次のいずれかに当てはまる工程から選ぶのが現実的だと考えられます。
業種・部門によって入り口は変わります。品質・検査部門であれば、良否判断の基準の見える化と、良品・不良品の記録の蓄積から。生産技術であれば、条件出しやトラブル対応の記録の検索可能化から。現場管理であれば、日々の申し送りや対応履歴の言語化と集約から始めると、日常業務に馴染みやすいと考えられます。
一つの工程で手応えを得たら、次のように広げていく進め方が考えられます。あくまで目安であり、自社の体制やデータの状態に合わせた調整が前提です。
この順序を飛ばして、いきなり全社の技能を体系化しようとすると、多くの場合データも合意も追いつかず止まります。製造現場での具体的な使いどころは製造現場のAIエージェント活用、手順を実行できる形に変える発想は業務プロセスを「コード化」するが参考になります。
技能伝承にAIや画像検査を用いる取り組みは、対象物・工程・現場の事情によって、有効な手立ても難所も大きく変わります。カタログ的な一般解をそのまま当てはめても、期待した成果につながらないことが少なくありません。だからこそ、実際の現物・現場で小さく試し、何がどこまで残せるのかを一つずつ確かめていく進め方が重要だと考えられます。
Nsightは、産業用画像検査やVLM/AIに加え、AI研修や社内AIエージェント・業務OSの内製化支援を手がけており、監修には元キーエンス画像処理事業部で現場の検査・判断基準づくりに携わった知見を持つメンバーが関わっています。良否の境目をどう定め、どの記録をどう残し、何を人に残して何を仕組みに任せるか——こうした線引きは、机上ではなく現場で確かめてこそ精度が上がると考えます。技能伝承を経営課題として捉えている方は、まずは一工程を対象に、現物での検証から一緒に確かめていくことをおすすめします。
多くの場合、AIを「自分の仕事を奪う仕組み」と受け取っていることが原因だと考えられます。まず、AIは置き換えではなく熟練者の判断を残す継承の補助であること、本人が知識の提供者・監修者として評価される構図であることを丁寧に共有することが出発点です。加えて、文章を書かせるのではなく、作業しながら話す・若手を指摘するといった負担の軽い行為を記録に変える設計にすると、協力を得やすくなると考えられます。
五感による察知のような勘・感覚の層は、完全な言語化は難しいのが実情です。ただし、判断の「結果」と「そのときの状態」を対にして蓄積し続けることで、境目付近の判断を後から見返し、基準として議論できる材料に近づけていく余地はあると考えられます。外観など画像で捉えられる領域では、良否の見え方を記録・学習して判断を補助する仕組みも実用化されつつありますが、有効性は対象物や工程条件に左右されるため、現物での検証が前提になります。
いきなり全社の技能を体系化しようとすると、データも合意も追いつかず頓挫しやすいと考えられます。まずは、退職が迫っている工程・不良やクレームが集中する工程・特定の一人しか判断できない工程のいずれか一つに絞り、その範囲で作業の言語化・記録の集約・検索を小さく回すことをおすすめします。若手が過去事例を自分で引ける状態を早めに作り、小さな成果を見せてから隣接工程へ広げる順序が現実的です。
良否や可否の判断基準を、人の間ですり合わせておくことが重要だと考えられます。基準が曖昧なままAIやカメラを導入しても、何を良品とするかが定まらず、期待した成果につながりにくくなります。複数の熟練者に同じ対象を判定してもらい、判断が割れた箇所を議論して合意を形成し、記録しておく——この見える化はAI導入前から始められる上流の取り組みで、後の仕組み化の土台になります。
目的を「AI導入」そのものに置くと効果が測れなくなります。技能伝承であれば、熟練者への問い合わせ件数の変化、トラブル対応にかかる時間、判断のばらつきの縮小、若手が自分で過去事例を引けた割合などが、前進を示す目安になり得ると考えられます。着手前に「何をもって前進とするか」を関係者で決めておくと、投資判断も社内説得も進めやすくなります。具体的な指標は工程や部門によって変わるため、現場に即して設定することをおすすめします。
退職・高齢化で判断者が抜ける工程は、猶予のある課題ではありません。元キーエンス画像処理事業部出身の知見を持つNsightと、まずは一つの工程を対象に、現物・現場で「何がどこまで残せるか」を一緒に確かめてみませんか。
技能伝承の相談をする