検品担当者が辞めるたびに「合否のさじ加減」が現場から消えていく。人が入れ替わっても判断基準が揺れない状態は、どうすれば近づけるのか。暗黙知の明文化とデータ化という観点から、原因の分解と最初の一歩を考えます。
物流現場の入出荷検品では、外観の傷・汚れ・ラベルの貼りズレ・混入といった項目を、人の目で瞬時に判定しています。厄介なのは、その判定の多くが「このくらいの傷なら通す／これは弾く」という微妙な境界線の上で成り立っていることです。この境界線はマニュアルの文言よりもむしろ、ベテラン担当者が何百・何千と現物を見てきた経験の中に、暗黙知として蓄積されています。そしてその人が退職・異動した瞬間に、境界線ごと現場から消えてしまう。これが多くの現場で繰り返されているノウハウ流出の実態だと考えられます。
背景には、物流業界を取り巻く構造的な人手不足があります。有効求人倍率の高止まり、短期・パート人材の入れ替わりの速さ、繁忙期のスポット増員など、そもそも「同じ人が長く検品に張り付く」前提が崩れています。加えて時間外労働の規制強化により、少ない人数と限られた時間で品質を保つ要求は強まっています。定着しにくい構造の上に、属人的な判断が乗っている——ここに現場の管理者が抱える悩みの核心があると考えられます。
引き継ぎのときにマニュアルを渡し、口頭で説明し、数日OJTをする。それでも新任者の判定はベテランと微妙にズレます。厳しすぎて良品を弾けば歩留まりが落ち、緩すぎて不良を流せばクレームや返品につながる。管理者から見ると「教えたはず」なのに、担当者本人は「言葉では分かったが、どこまでがOKか手応えがない」という状態に陥りがちです。このズレは能力の問題というより、基準そのものが言語化しきれていないことに起因していると考えられます。
「ノウハウ流出を防ぐ」と一括りにすると打ち手が漠然としますが、失われている暗黙知を分解すると、対処できる部分とそうでない部分が見えてきます。検品の暗黙知はおおむね三層に分けられると考えられます。第一に「何を見るか（着眼点）」、第二に「どこまでを合格とするか（境界・限度）」、第三に「どう動くか（見る順序・角度・手さばき）」です。このうち特に流出が痛いのは、第二の境界・限度の部分です。
「側面の溶接部を見る」「ラベルの上端の浮きを見る」といった着眼点は、比較的マニュアルに書けます。一方で「どのくらいの浮きから不良か」という境界は、文章だけでは伝わりにくい。0.5mmと書いても現場で定規は当てませんし、「明らかな浮き」と書けば人によって解釈が割れます。検査基準が使われない問題の多くは、基準が存在しないのではなく、基準が現場の判断粒度に噛み合っていないことが原因だと考えられます。境界を伝えるには、文章ではなく実例が要る、という論点がここで浮かびます。
正直に言えば、手さばきや作業リズムのような身体知は、明文化しても完全には移せません。ここは訓練の反復で近づけるしかない領域です。だからこそ、明文化・データ化で取り戻せる「着眼点」と「境界・限度」に力を集中し、身体知は教育で補う——という切り分けが現実的だと考えられます。すべてを仕組み化しようとすると頓挫しやすいので、どこをデータで残し、どこを人で残すかを最初に決めることが重要になりうる、と考えます。
暗黙知のうち境界・限度を継承するうえで有効と考えられるのが、合否の判断を「実例＝画像・現物」とセットで蓄積していく発想です。ベテランが「これは通す」「これは弾く」と判定した現物を、判定結果とともに記録していけば、言葉で書き切れない境界が実例の集合として残ります。新任者は文章を暗記する代わりに、合格例と不合格例の並びを見て「このあたりが境界か」と体感的に掴める。これは人への教育でも、後述のAI学習でも同じ土台になります。
多くの現場には、良品・不良品の限度見本（実物サンプル）が存在します。ただし実物は経年で劣化し、拠点間で共有できず、貸し出せば戻ってこないこともあります。まずこの限度見本を撮影して画像で客観化し、判定理由のコメントを添えてデジタルの基準集にするだけでも、属人性はかなり下がると考えられます。ここで大切なのは、撮影条件（角度・照明・距離）を揃えること。条件がバラバラだと同じ傷でも見え方が変わり、境界が再びぼやけてしまうためです。
照明と撮り方の設計は、実は検品品質を大きく左右します。傷や打痕は光の当て方ひとつで見えたり消えたりするからです。元キーエンス画像処理事業部の現場知見では、産業用カメラと現場ライティング（照明の角度・波長・拡散）の設計こそが、人でもAIでも「見えるか見えないか」を決める前提だとされます。データ化の前段として、まず現物がきちんと見える撮影条件を決めることが、遠回りに見えて近道になりうると考えます。
実例が画像として蓄積できると、次の段階として、その判断基準をAIに学習させて継承・平準化するという選択肢が視野に入ります。近年はVLM（視覚言語モデル）のように、画像を見て「なぜ不良か」を言語的に扱えるアプローチも出てきており、単なる良否分類にとどまらず、判定理由まで含めて残せる可能性があります。ただしこれは魔法ではなく、あくまで現場の判断を写し取る仕組みであって、元になる判断が揺れていれば学習結果も揺れる、という前提を外してはいけません。
AI学習で最初につまずきやすいのが、教師データのラベル付けです。同じ現物でもベテランAとBで判定が割れることは珍しくありません。ここで「基準の代表者を誰にするか」「割れたときどう合議するか」を決めておかないと、AIは矛盾したデータを学び、精度が上がりません。逆に言えば、この合議の過程そのものが暗黙知の言語化になります。データ化の作業は、基準を可視化して現場で議論する機会でもある、と捉えると設計がぶれにくいと考えられます。
物流現場は通信環境が安定しない場所や、処理速度がスループットに直結する工程があります。判定をJetsonのようなエッジ端末で完結させれば、ネットワークに依存せず現場のラインスピードに合わせやすい一方、モデルの更新運用は設計が要ります。クラウドは管理が楽な反面、通信と遅延の制約を受けます。どちらが良いかは工程次第で、ここも現物・現場での検証を経て決めるべき部分だと考えられます。数値上の性能だけで選ぶと現場で使えないことがあります。
基準をデータ化し、AIや教育に載せても、運用が回らなければ再び属人化します。運用で押さえたいのは、第一に「新しい不良パターンをどう取り込むか」です。製品や梱包が変われば境界も変わります。現場で新種の不良が出たとき、それを実例として基準集に追記するルートを最初から用意しておくことが、陳腐化を防ぐ鍵になりうると考えられます。
第二に、教育の負担を下げる設計です。実例ベースの基準集があれば、新任者は合格例・不合格例を見比べながら短時間で境界の感覚を掴みやすく、OJTの説明コストが下がる可能性があります。検査教育時間の短縮という観点でも、口頭伝承から実例参照への切り替えは効いてくると考えられます。人が入れ替わる前提の現場ほど、教育を仕組みに寄せる意味は大きいはずです。
AI判定を導入しても、最終判断や例外処理は人が担う設計が現実的です。AIが明確な不良と明確な良品を仕分け、微妙なグレーゾーンだけを人が確認する。こうすればベテランの負荷を難所に集中でき、境界の判断という一番価値のある部分にノウハウを注げます。人を置き換えるのではなく、人の判断を残しやすくするための仕組み、と位置づけると運用に無理が出にくいと考えます。
暗黙知のデータ化は有効なアプローチと考えられますが、うまくいかない要因も現実に多くあります。導入前に想定しておきたい落とし穴を挙げます。
これらはどれも「導入すれば自動で解決する」類の話ではありません。むしろ、自社の検品のどこが属人化しているかを直視し、地道に実例を集めて基準をすり合わせる作業が本体です。技術はその作業を残しやすく・回しやすくする道具、という距離感で捉えるのが誠実だと考えます。
最後に、現場で無理なく進める順序を整理します。いきなり全項目をAI化しようとすると頓挫しやすいので、範囲を絞って一巡させることをおすすめします。
まず自社の検品項目のうち、人によって判定が割れやすい・退職で失われると痛い箇所を数点に絞ります。全部をやろうとせず、影響の大きい項目から手をつけるのが現実的です。この洗い出し自体が、どこに暗黙知が集中しているかの可視化になります。
次に、その項目の合格例・不合格例・境界例を、条件を揃えて撮影し、判定理由を添えてデジタルの基準集にします。まずは人の教育資料として使うだけでも、属人性を下げる効果が期待できます。撮影条件を決める段階で、照明や撮り方の課題も見えてくるはずです。
実例が溜まってきたら、AI学習による判定支援が自社の現物で成り立つかを、絞った範囲で検証します。ここで効果と限界の両方を見極め、割に合う工程から横展開する。順序としては「客観的な把握 → 現物検証 → 段階展開」であり、性能値ではなく自社現物での再現性を判断基準に置くことが、遠回りに見えて確実な道だと考えられます。どこから手をつけるべきか整理したい場合は、現場の状況を持って相談するところから始めても構いません。
完全に防ぐことは難しいと考えられます。手さばきやリズムのような身体知は明文化しても移しきれない領域が残るためです。一方で「着眼点」や「合否の境界・限度」は、合格例・不合格例を画像などの実例で残すことで継承しやすくなりうると考えられます。まずは失われると痛い箇所を絞って客観化するのが現実的です。
文章のマニュアルだけでは、境界・限度の微妙なさじ加減は伝わりにくいと考えられます。「明らかな傷は不良」と書いても解釈が人により割れるためです。文章に加えて、合格例・不合格例・境界例を条件を揃えた画像で残し、実例とセットで示すことで、基準が現場の判断粒度に噛み合いやすくなりうると考えます。
不要にはなりにくいと考えられます。現実的な設計は、明確な良品・不良品をAIが仕分け、微妙なグレーゾーンを人が確認する役割分担です。AIは現場の判断を写し取る仕組みであり、元の基準が揺れていれば結果も揺れます。最終判断や例外処理は人が担う前提で、負荷を難所に集中させる位置づけが無理が出にくいと考えます。
進め方の工夫が要ると考えられます。不良が少ない現場では学習用の実例が不足しがちなため、過去画像の掘り起こしや既存の限度見本の活用、撮影条件を揃えた再撮影などでデータを確保する必要があります。どの程度のデータで実用になるかは対象や工程により異なるため、自社の現物・現場での検証を前提に見極めることをおすすめします。
限られた時間と人数で品質を保つ要求が強まる方向に影響しうると考えられます。属人的な検品はその圧力に弱く、担当者の離職や増減で品質が揺れやすくなります。規制の具体的な適用範囲や上限時間は改定されることがあるため、最新の内容は所管省庁の公表資料でご確認ください。基準のデータ化は、人が入れ替わっても品質を保ちやすくする一手になりうると考えます。
退職で失われると痛い検品項目はどこか、限度見本をどう客観化するか——まずは自社の現物を見ながら整理するところから始められます。元キーエンス画像処理事業部の現場知見をふまえ、照明・撮り方を含めた進め方をご一緒に検討します。性能値ではなく自社現物での再現性を確かめる前提で、小さく検証しましょう。
検品ノウハウの継承について相談する