カンコツ作業の「脱・属人化」と「継承」｜生成AIで技術伝承を加速

日本の製造業は長きに渡って、現場の「匠の技」によって世界最高水準の品質を維持してきました。

しかし現在、その根幹を揺るがす危機が進行しています。

少子高齢化に伴う労働人口の減少、「2024年問題」に代表される労働時間規制の強化、そして何よりも、高度経済成長期を支えた熟練技能者の大量引退です。現場に残された時間は限られています。

これまで、製造現場のノウハウは「カンコツ」と呼ばれる暗黙知として、人から人へとOJTを通じて伝承されてきました。

しかし、若手人材の不足と定着率の低下により、この人間関係を前提とした技能伝承モデルは崩壊しつつあります。

熟練工が長年の経験で培った「カンコツ」は、彼らの退職と共に永遠に失われるリスクにさらされているのです。

本記事では、この「カンコツ作業」のブラックボックス化という課題に対して、生成AIをはじめとする最新のデジタル技術がどのような解決策を提示できるのか、詳細に説明します。

▼技能伝承について更に詳しく知りたい方はこちら
技能伝承とは？問題点、解決策、導入方法について徹底解説

日本のモノづくりを支えた「カンコツ」の正体｜定義と現状分析

「カンコツ」という言葉は、業務マニュアル化しにくい熟練職人の技を指し、日本の製造現場において効率と品質を極限まで高めるための源泉でした。しかし、DX（デジタルトランスフォーメーション）の文脈においては、その功罪を冷静に分析する必要があります。

熟練工の暗黙知（カンコツ）とは何か｜その本質的価値

カンコツ作業の本質とは、言葉や数値で表すことが困難な暗黙知が高度に体系化された実践知、およびそれに基づく作業であると言えます。

熟練工は、マニュアルに記載された標準作業を基点としつつも、気温、湿度、材料の微妙なばらつき、設備が発する振動や音といった非構造化データを五感で捉え、瞬時に判断と行動を調整しています。

このような暗黙知は、状況を総合的に見極める「判定型」、力加減や投入量を調整する「加減型」、目視や手触りに基づく「感覚型」、工程全体を踏まえて手順を選び直す「手続き型」という4タイプに整理でき、さらに、暗黙知は、外部から可視化でき言語化可能な第1層、可視化できないが説明できる第2層、本人は自覚していないが言語化可能な第3層、無意識に行われ言語化できない第4層に分類できます。

▼暗黙知の4つのタイプ

暗黙知のタイプ	特徴・定義
判定型	状況を総合的に見極める暗黙知
加減型	力加減や投入量を調整する暗黙知
感覚型	目視や手触りに基づく暗黙知
手続き型	工程全体を踏まえて手順を選び直す暗黙知

▼暗黙知の4つの階層

暗黙知の階層	状態	可視化	言語化
第1層	外部から観察可能で、言葉で説明できる領域	〇	〇
第2層	外部からは見えないが、本人が説明できる領域	×	〇
第3層	本人は自覚していないが、問いかけ等により言語化可能な領域	△	〇
第4層	完全に無意識に行われており、言語化できない領域	×	×

カンコツ作業は上記4タイプの暗黙知全てに存在しており、同時にその多くが第3層や第4層に該当するため、現場で指導・継承するのが困難であるとされてきたのです。

▼熟練工の技能伝承について更に詳しく知りたい方はこちら
熟練工の技能伝承を成功させるには｜生成AIの恩恵

参考記事：

• 暗黙知の種類
• 暗黙知の階層

なぜマニュアル化が困難なのか｜ポランニーのパラドックス

カンコツ作業のマニュアル化が困難である最大の理由は、認知科学で知られる「ポランニーのパラドックス」にあります。

これは哲学者マイケル・ポランニーが示した「私たちは言葉で説明できる以上のことを知っている」という命題であり、熟練技能の本質を端的に表しています。

典型的な例が「自転車の乗り方」です。バランスの取り方、重心移動、ペダルを踏み込む力加減は、経験を通じて身体に埋め込まれた知識であり、言葉で完全に説明することはできません。

製造現場における溶接角度の微調整、塗料の粘度判断、研磨時の力加減といった技能も同様であり、これらは意識的な思考を経ずに実行される身体知として蓄積されています。

そのため、熟練工の技能をテキストベースのマニュアルに落とし込もうとすると、極端に詳細で膨大な文書になるか、逆に「適切に」「経験に応じて」といった抽象的表現に終始し、実用性を失ってしまうのです。

従来のナレッジ管理ツールは、あくまで言語化できた情報を前提に設計されており、無意識下で発揮される身体知や感覚的判断を扱うことが構造的に不可能でした。ここに、マニュアル化が困難である根本原因があるのです。

参考記事：暗黙知を理解する

「2024年問題」と退職によるタイムリミット

従来のマニュアル作成の実務的な課題としてあるのが「誰が技術を言語化し、マニュアル化するのか」という問題です。

最も業務を理解しているのは熟練工ですが、彼らは現場で最も多忙かつ価値を生み出す人材でもあり、彼らをマニュアル作成に従事させることは、ラインの稼働率を直接的に下げることを意味します。

さらに深刻なのは、2024年問題による残業規制の強化と、高齢化に伴う熟練工の大量退職が同時に進行している点です。

失われるのは単なる人員に留まりません。現場での非定型異常に対応してきた、最も高度な判断力そのものが消失するのです。

現場を離れた熟練工が戻ることは稀であるため、暗黙知は後から聞き取れば再現できるものではなく、一度失われれば資金をかけても買い戻せません。

技能伝承は「いつか取り組むべき課題」ではなく、今取り掛からなければ間に合わない、不可逆なタイムリミットに直面していると言えるでしょう。

現場がカンコツ作業に依存する合理的理由｜属人化のメリット

製造現場のDXを推進する際に「属人化＝悪」と決め付け、一律に排除しようとすることは危険です。

なぜなら、属人化が発生し続ける背景には、合理的な理由すなわちメリットも存在するからです。

現場変動への即応力｜例外処理を吸収する適応性

製造現場がカンコツ作業に依存してきた最大の理由は、現場での変動に対する即応力の高さにあります。

実際の生産現場では、仕様が同じ材料でもロット毎に微妙な違いがあるだけでなく、気温、湿度、設備の状態によっても仕上がりが変化します。

こうした変動は標準化された手順だけでは吸収しきれず、マニュアルが想定しない例外が日常的に発生しているのです。

熟練工は都度瞬時に作業条件を見極め、「ほんの少しだけ力を弱める」「送り速度をわずかに変える」といった微調整によってラインの安定稼働を維持してきました。

また、重要なのは、熟練工が単なる作業者ではなく、品質・歩留まり・納期・設備負荷といった複数の要素を同時に考慮し、その場で最適な判断を下していることです。

このように、マニュアル確認や承認プロセスを待たずに即断即決できること自体が、現場停止を回避するうえで大きな価値を持っているのです。

熟練工のモチベーション向上｜匠の自尊心とスキルの承認

カンコツ作業への依存は、熟練工のモチベーションを高める仕組みとして機能しています。

「自分に任せてもらっている」という責任感と誇りが日々の生産性を支える原動力となり、マニュアルだけでは対処できない局面を任されることそのものが、技能の高さを認められている証なのです。

また、暗黙知は数値化しにくい一方で、「あの人なら大丈夫」というように現場における明確な評価軸となります。

公式な人事評価よりも、日々蓄積された信頼こそが熟練工の価値を可視化していると言えるのです。

さらに、熟練工には一定の裁量が与えられており、状況に応じて判断し微調整を加える余地がありました。

この裁量こそが単なる作業を「考える仕事」へと引き上げ、仕事の面白さを生んできた側面もあります。

このように、属人化は現場のやる気を引き出す重要な源泉でした。そのため、その価値が揺らぐと感じた瞬間にDXに対する抵抗が生まれやすくなる点には、十分な配慮が求められます。

組織運営コストの削減｜コミュニケーションと調整の省力化

現場では「あの人に聞けば早い」という暗黙の分業が成立しているため、誰が何を判断すべきかを改めて定義する必要がありません。

判断権限が自然に集約されることで、調整や承認にかかる時間が最小化されるのです。

この構造は、意思決定のスピードを飛躍的に高めます。

標準手順に立ち戻って関係者を集め、合意形成を図る必要がなく、その場で判断し、その場で修正できることは、特に少人数で運営される現場や変種変量生産のように条件が頻繁に変わる環境において、大きな競争力となるのです。

また、情報共有も必ずしも書面に依存しません。口伝えや現場での短い会話を通じて、必要な情報が最短距離で伝達されます。

マニュアルを探し、読み込み、解釈するというコストを回避できる点は、忙しい現場にとって極めて実用的です。

さらに、管理者が逐一介入せずとも現場が完結するため、間接業務や調整業務の負荷も抑えられます。

このように、カンコツ作業への依存は、意思疎通と調整を省力化する仕組みとして機能する側面もあるのです。

育成の実用性向上｜OJTのショートカットとして機能

カンコツ作業に依存した育成は、OJTを最短時間で成立させる実用的な仕組みとして機能します。

熟練従業員に付き、実際の作業を見ながら学ばせることで、新人は座学やマニュアルを経ずとも現場で必要な勘所を短期間で体得可能です。

この方法の強みは、教育担当者の負担を最小限に抑えられる点にもあります。

体系的な資料を用意したり研修プログラムを整備したりする必要がなく、熟練工が現場で教えるだけで育成が回ります。

また、新人側にとっても、実際の生産条件下で学ぶことにより現場特有の変動や例外に早期から慣れることができます。

特に人員や時間に余裕のない中小製造業では、このカンコツ作業に基づく属人的OJTこそが最も現実的かつ合理的な育成手法である一面もあるのです。

▼OJTについて更に詳しく知りたい方はこちら
OJTのメリットを最大化｜属人化・負担集中を解決

参考記事：属人化は悪くないって本当？メリットとデメリットをそれぞれ解説 | 生成AI社内活用ナビ – RAGやAIエージェントで業務効率化！ChatGPT、Azure OpenAI Service、Gemini、notebookLMなどの最新情報もお届けします。

カンコツ作業からの脱却が急務な理由｜属人化のデメリット

カンコツに過度に依存することは深刻な経営リスクを伴います。属人化のメリットはあくまで「その従業員がいること」が前提であり、持続可能性の観点からは脆弱性でしかないからです。

事業継続性と生産安定性のリスク

カンコツ作業に対する過度な依存は、事業継続性と生産安定性の観点から見ると、極めて大きなリスクをはらんでいます。

特定の熟練者が休暇を取る、他部署へ異動する、あるいは退職するだけで、製造ラインの品質や稼働率が大きく不安定化するケースは少なくありません。

また、このような現場では状況が変わるたびに熟練者の判断を仰ぐ必要があり、様々な計画変更がボトルネック化します。

結果、短期の生産計画ですら柔軟に組むことが困難化し、顧客対応力にも影響を及ぼします。

複数ラインや複数工場へ展開する場合には、さらに大きな問題が生じます。

特定の個人に依存した技能は横展開ができず、設備や人員が揃っていても同じ品質・生産性を再現できないためです。これはグローバル展開やマザー工場戦略において、重大な制約となります。

加えて、災害や感染症といったBCPリスクも無視できません。一時的な欠員が長期停止に直結する体制は経営にとって大きな不確実性要因と言えるでしょう。

品質の再現性低下と改善サイクルの停滞

カンコツ作業に依存した生産体制では、品質の再現性が次第に失われ、改善サイクルそのものが停滞していきます。

最大の問題は、「何が品質を左右するのか」という判断基準がブラックボックス化することです。

良品と不良品の差が熟練者の判断に委ねられているため、「なぜ良かったのか」「なぜ悪かったのか」を客観的に説明できない状況が生まれてしまいます。

また、カンコツに依存する現場では何が正解なのかが明確でないため、新人の成長スピードや到達レベルに大きなばらつきが生じます。

結果、同じ教育時間をかけても戦力となる人材が限られ、育成の投資効率が悪化するのです。

さらに深刻なのは、改善活動が属人化することです。改善案が「経験上こうしたほうがよい」「なんとなく違和感がある」といった感覚的なものに留まり、データに基づく議論や検証ができないことで、改善は一過性のものとなり、生産性向上も頭打ちになります。

▼AIによる外観検査について更に詳しく知りたい方はこちら
AIによる外観検査｜目視検査との違いや成功事例も解説

技術資産の消失と人材確保の難化

カンコツ作業への依存が最終的に直面するのは技術資産の消失と人材確保の難化です。

熟練者の退職や異動とともに、重要な判断基準やノウハウが組織から失われ、設備や図面だけが残る状態が生まれます。

これは単なる人手不足ではなく、企業の中核技術が流出していることを意味します。

若手にとっても、技能を習得しにくい環境が形成されます。

何を基準に判断すべきかが明確でないため、努力しても上達の実感を得られず育成が滞ります。

成長実感を得られない職場は敬遠され、若手の定着率も下がっていきます。

さらに、即戦力となる技能者を新たに採用しようとしても、市場そのものに人材がいないというリスクも。技能が属人的であるほど、社外からの補充は困難でしょう。

こうして組織的な技術蓄積が進まず、企業競争力は徐々に低下していくのです。

生成AIによるブレイクスルー｜暗黙知を形式知へ変換する技術

このような現状を打破するのが、生成AI技術の進化です。生成AIは、人間が「見て、聞いて、判断する」プロセスを模倣し、これまで不可能だった暗黙知の自動抽出と構造化を可能にするのです。

AI戦略・技術	対象とする暗黙知	変換・活用のメカニズム	現場にもたらす変革・メリット
1. マルチモーダル抽出（映像・音声・データ統合）	自覚のない「カンコツ」や、行動の結果として現れる微妙な差異。	映像、音声、設備ログ、センサーデータ等を統合処理し、作業と結果（品質）の因果関係から暗黙の判断を推定・抽出する。	熟練工に執筆を依頼せず、普段通りの作業を見せてもらい、考えていることを口述してもらうだけで技術資産化が可能になる。
2. マニュアル作成自動化（動画解析・音声認識）	多忙を理由に敬遠されるマニュアル作成業務や、更新の滞り。	作業動画を起点に、音声のフィラー（「えー」等）を除去して文章化し、自動で「準備・加工・確認」等の工程に構造化する。	構成を考える手間をなくし、動画を撮り直すだけで更新可能にする。多言語翻訳により外国人材への展開も容易になる。
3. 対話型AI・RAG（検索拡張生成）	「聞きづらい」という心理的障壁や、指導者による教え方のばらつきがある知識・スキル。	蓄積されたデータ（マニュアル・動画・インタビュー）を参照し、根拠や過去事例と共に回答する「デジタルの匠」を構築する。	若手が時間・場所・人間関係のストレスなく、必要な時に何度でも質問できる環境（24時間OJT）を実現する。
4. 五感のデジタル化（違和感検知AI）	「なんとなくおかしい」という音・振動・手触りなどの定性的な違和感。	音・振動・画像センサーで取得したデータをAIが数値化・可視化し、熟練工の判断データを学習して精度を高める。	体調や疲労に左右されず、24時間365日同一基準で監視することで、異常の見逃しを防ぎ予知保全を高度化する。
5. プロセス最適化AI（データ横断分析）	熟練工の経験則だけでは気付けないムダや、属人的な「最適解」の限界。	動画、ログ、機器データを横断的に解析し、「最短時間」「最小動作」「品質安定」等の軸で最適な手順を自動提案する。	個人の技能に依存した改善を超え、組織全体で再現可能なベストプラクティス（標準作業）を自動でアップデートし続ける。

▼暗黙知を形式知に変換する方法について更に詳しく知りたい方はこちら
生成AIで暗黙知を形式知化するメリットやプロセスを解説

マルチモーダルAIの活用｜映像・音声・数値データからの自動ナレッジ抽出

従来のAIは、マニュアルや報告書などのテキストデータの処理が中心であり、製造現場のカンコツを扱うには限界がありました。

一方、最新の生成AIではマルチモーダル化が進み、映像、音声、さらには設備ログやセンサーデータといった数値情報を統合的に処理することができます。

これにより、熟練工に「マニュアルを書いてください」と依頼する必要はなくなり、「普段どおり作業する様子を動画で撮らせてください。考えていることを口に出してもらえれば十分です」と協力を仰ぐだけで済みます。

また、AIは、たとえ本人が自覚していない判断であっても、行動の結果として現れる差異を学習することにより暗黙の判断基準を推定できます。

さらに、作業映像、製造設備データ、品質結果を紐づけることにより「どの条件下で、どの操作が品質や安定稼働に寄与したのか」を捉えることが可能です。

こうして1人の熟練工が持つカンコツは、複数のラインや工場で再利用可能な技術資産に変化します。

現場に余計な入力作業を強いず、仕事を見せてもらうだけで知識化できる強みは、協力を得るうえでも大きな意味を持つでしょう。

エムニでは、AIと話すだけで熟練者の暗黙知を引き出し技能伝承を実現する「AIインタビュアー」を開発しました。詳細な情報はこちらからご確認ください。

マニュアル作成の自動化｜「書く負担」からの解放

作業マニュアル作成は、従来、熟練工にとって最も敬遠されがちな業務の1つでした。

しかし近年では、作業動画を起点に、マニュアル作成のプロセスをほぼ自動で行う生成AIツールが実用段階に入っているのです。

具体的には、現場で作業する様子を撮影するだけで、AIが音声を認識し、「えー」「あのー」といった不要なフィラーを除去しながら読みやすい文章へと整形します。

また、映像解析によって作業の区切りを自動で認識し、「準備」「加工」「確認」といった工程単位に構造化することで、担当者が構成を考える手間は不要になります。

このようにしてマニュアル作成を大幅に効率化できるほか、更新も動画を撮り直すだけで済みます。

さらに、多言語翻訳に対応できる点は、海外の製造拠点、あるいは近年外国人従業員が増加する国内製造拠点でも大きな価値となります。

対話型AIによる技能伝承｜若手がいつでも「デジタルの匠」に聞ける環境

社内で蓄積されたマニュアル、作業動画、熟練工に対するインタビューデータは、RAG（検索拡張生成）を活用した対話型AIによって、現場で即座に引き出せる知識へと変わります。

例えば、若手従業員が「湿気が多い日の溶接温度は？」と問いかけると、AIは過去の作業履歴や品質データを参照し、「通常より5度高めが推奨されます。該当条件での過去事例はこちらです」のように根拠付きで回答します。

このRAGの価値は、判断の根拠、過去の事例映像を明確に提示できるため、「なぜそうするのか」を理解しながら学べる点です。

すなわち、熟練工に付き添って質問するOJTに近い体験を、時間や場所の制約なく再現できます。

また、指導者による教え方のばらつきがなくなり、教育品質を一定水準に保てる点も重要です。

さらに、若手は「忙しそうで聞きづらい」「何度も同じ質問をして叱られる」といった心理的負担から解放され、必要なタイミングで気軽に確認できます。

このように、対話型AIは熟練工の代替ではなく知見を蓄積し続ける「デジタルの匠」として機能すると言えるでしょう。

五感のデジタル化｜違和感検知AIによる予知保全の高度化

カンコツのうち最も再現が難しいのが「異常の予兆」を察知する能力です。

この領域では、音・振動・画像といった五感情報に特化したAIモデルが力を発揮します。

モーター回転音の変化、製品表面のキズ、設備の振動パターンなどをセンサーで取得、AIが数値化・可視化することで、人が感じていた「なんとなくおかしい」という違和感を定量的に捉えられるようになるのです。

人間の感覚は優れている一方で、疲労、経験差、体調によって判断基準が揺らぎます。

一方で、AIは24時間365日、同一基準で監視を続けられるため、異常の早期発見や見逃し防止に大きく貢献します。

特に、熟練工が異常と判断した過去データを教師情報として学習させることで、人の感覚を補完・拡張しながら精度を高められます。

重要なのは、AIが人間の代替になるのではなく、役割分担を明確にすることです。

AIが異常兆候を広く検知し、最終判断は人が担うことで、異常検知能力は大きく向上するでしょう。

▼予知保全AIについて詳しく知りたい方はこちら
予知保全AI｜設備保全を進化させる第三の選択肢を紹介！

プロセス最適化AI｜熟練技能を超える“最適手順”の自動提案

プロセス最適化AIは、作業動画、工程ログ、設備から取得される機器データを統合的に解析することで、現場に潜むボトルネック、ムダな動作、品質変動の要因を自動的に抽出します。

従来の改善活動では熟練者の経験や観察力に頼って問題点を見つけていましたが、AIは膨大なデータを横断的に分析し、人間が気付きにくい非効率まで可視化できるのです。

AIが日々のデータから学習を続けることで標準作業は自動的にアップデートされ、現場は常に最新・最適の状態に近付きます。

また、AIは「最短時間で完了する手順」「身体負荷の少ない最小動作」「品質が最も安定する条件」といった複数の評価軸から最適な作業プロセスを提示。

これにより、個人の技能に依存していた属人的な最適解を脱却し、組織全体で再現可能なベストプラクティスを共有できるようになります。

経営層が主導すべき導入ロードマップ｜組織と人の変革

生成AIによる技術的なソリューションが存在するとしても、それを組織に実装し、成果に結び付けるには経営層の強いリーダーシップが求められます。

戦略領域	課題・リスク	経営層が打ち出すべき戦略方針	具体的なアクション・マネジメント
1. 投資対効果（ROIの再定義）	「見えないコスト」の軽視 【詳細】 目先の省人化や時間短縮だけを指標にし、技術喪失や品質事故といった重大リスクを見落とす。	「リスク回避」と「事業継続」の価値化 【詳細】 ROIをコスト削減だけでなく、技術継承による事業存続やブランド毀損防止の観点で再定義する。	・技術未継承による生産停止や品質低下、顧客の信頼失墜による損失を投資判断に組み込む。 ・属人化解消による多拠点展開や増産の可能性を評価する。
2. 組織・人材（抵抗勢力の解消）	「仕事を奪われる」という恐怖 【詳細】 熟練工がAIを敵対視し、ノウハウの開示を拒む。現場の協力が得られず形骸化する。	AIを「敵」ではなく「弟子」と定義する 【詳細】 AIは代替者ではなく、熟練工の思考を学び、現場を支援するパートナーであるとメッセージ発信する。	・AIのアウトプットを熟練工が「監修/修正」する役割を与え、尊厳を守る。 ・技能をAIに教えること、AIを育成することを評価・処遇に反映させる。
3. ガバナンス（知財・機密保護）	技術情報の流出・ブラックボックス化 【詳細】 競争の源泉であるノウハウが外部AI経由で漏洩したり、責任の所在が曖昧になる。	秘匿情報の徹底管理と「人間中心」の判断 【詳細】 技術情報は設計図と同等の資産として扱い、データの所在と利用範囲を完全にコントロールする。	・オンプレミスやローカル環境を活用し、データが外部に出ない基盤を作る。 ・アクセス権限を厳格化し、「最終判断は人間が行う」ルールを明文化する。
4. 導入プロセス（PoCの成功設計）	「PoC疲れ」と目的の欠落 【詳細】 過剰な期待や曖昧なゴールにより検証が繰り返され、本番運用に至らない（PoC止まり）。	PoV（価値実証）とスモールスタート 【詳細】 「できるか（技術検証）」だけでなく「価値を生むか（事業検証）」を重視し、小さく生んで大きく育てる。	・開始前にKPIと撤退ラインを定義する。 ・影響範囲の小さいプロセスから始め、改善を回しながら標準化・横展開へ進める。

投資対効果（ROI）の再定義｜見えないリスク回避コストの算定

AI導入の稟議において、従来の省人化や作業時間短縮といった目に見える効率化だけを投資対効果（ROI）の指標にすると、投資判断を誤りかねません。

なぜならば、カンコツ作業のDXにおける真の価値とは、目に見えにくい「失われずに済んだもの」にあるからです。

例えば、熟練工の退職によって技術継承がなされず、品質低下や生産停止が発生した場合に失われる利益は、事前に数値化されないものの極めて大きな経営リスクとなります。

また、品質事故や設備故障を未然に防ぐことで回避できる損失には、手戻りや廃棄にかかる費用だけではなく、顧客からの信頼低下やブランド価値の毀損といった中長期的影響も含まれているのです。

加えて、属人化を解消することにより多拠点展開や増産に対する制約が緩和され、将来の成長機会を逃さずに済みます。

これらは損益計算書には表れにくいものの、経営の安定性と持続性を左右する重要な要素です。

経営層はROIを明白なコスト削減効果だけではなく、事業継続と競争力を守るための価値として再定義し、目に見えにくいリスク回避コストまで含めた投資判断を行う必要があるでしょう。

現場の抵抗を乗り越えるマネジメント｜AIを「敵」ではなく「弟子」にする

現場の熟練工にとって、自身が持つ技能をAIに開示する行為は「仕事を奪われるのではないか」という不安や抵抗感を生みやすいものです。

とりわけ、長年に渡ってカンコツで現場を支えてきた人材ほどAIに置き換えられる恐怖を強く感じる傾向にあります。

この心理を無視したままカンコツ作業のDXを進めれば、協力は得られず形だけの導入に終わってしまうでしょう。

そこで重要なのが「AIは熟練工の代替ではなく、あなたの技術を受け継ぐ弟子である」という明確なメッセージを、経営層が一貫して発信することです。

AIは判断や責任を担う存在ではなく、熟練工の思考や感覚を学習し、現場を支援する存在であると位置づけます。

また、技能の提供や指導に対する貢献を、人事評価や処遇に正当に反映させる仕組みへの転換も不可欠です。

加えて、AIのアウトプットを熟練工自身が監修・修正する役割を担ってもらうことで、「教える側」「育てる側」としての新たな価値が生まれます。

現場の尊厳と誇りを守りながらAIを導入することは、組織全体で技能継承を進めるための鍵となるのです。

AIガバナンスとセキュリティ｜秘匿性の高い技術情報の保護戦略

熟練工の技能やノウハウは、設計図や特許情報と同等、あるいはそれ以上に機密性の高い競争資産です。

生成AI活用を進めるなかで、不特定多数が利用するAIサービスに作業動画や工程データを安易に入力することは、情報漏洩や意図せぬ二次利用のリスクを伴います。

そのため、オンプレミス環境といった自社専用の環境でLLMを運用するなど、データの所在と利用範囲を完全に管理する設計が不可欠です。

また、技術情報へのアクセス権限管理も重要な論点となります。

全社員が全てのデータにアクセスできる状態は望ましくありません。工程・役割・職位に応じた閲覧制御や閲覧記録の監査を行うことで、内部不正や情報持ち出しリスクを低減できます。

さらに、AIが出力した内容に対する責任の所在を明確にするルール整備も欠かせません。

最終判断は人間が監修するという原則を明文化することで、現場の不安や法的リスクを抑えられます。

AI活用を加速させるためにも、技術導入だけでなく、ガバナンスとセキュリティを適切に設計することが経営層に求められる重要な役割なのです。

▼オンプレミス環境でのAI利用についてはこちら
オンプレミスLLMとは｜情報漏洩を防ぎつつ競争優位性あるAIを構築

▼ローカル生成AIについて詳しく知りたい方はこちら
ローカル生成AIとは？メリット/デメリット・自社事例を紹介

繰り返すPoCを回避する導入設計｜小さく始めて大きく育てる

多くの企業でAI導入のPoCが繰り返されながら本番に至らない背景には、いくつかの共通した要因が存在します。

代表的なのは、AIに過剰な期待を寄せてしまうこと、そして最初から本番運用を見据えた設計がなされていないことなどです。

これらを避けるためにも、経営層はPoC着手以前に「何ができれば成功とみなすのか」というKPIと、「どの時点で撤退・見直しを判断するのか」という基準を明確に定義する必要があります。

また、PoCはあくまで「技術的に実現可能か」を確認する検証に過ぎません。多くの企業がPoC止まりに陥るのは、「事業価値を生むかどうか」という視点が欠けたまま進めてしまうためです。

そこで、PoV（Proof of Value）、すなわち、AIが実際に組み込まれたとき、品質・生産性・リスク低減といった具体的な価値を生み出せるかどうかを検証することが重要になります。

さらに、導入にあたっては、全工程を一気に変更しようとするのではなく、影響範囲が限定的な小さなプロセスから着手する「スモールスタート」が有効です。

経営層は、現場での試行を通じて改善のサイクルを回しながら、標準化、教育、他ライン・他拠点への横展開へと段階的に広げていくロードマップを描く必要があるでしょう。

カンコツと生成AIの融合による持続可能なものづくりの実現へ

カンコツ作業は日本の製造業が世界に誇る競争力の源泉である一方、属人化という事業継続リスクを内包してきました。

しかし生成AIの進化により、これまでブラックボックスだった暗黙知を、現場の負担を最小限に抑えながら形式知へと変換し、組織の技術資産として蓄積することが可能になりつつあります。

重要なのは、属人化の解消が熟練工の価値を否定するものではないということです。

AIは匠を置き換える存在ではなく、その思考や感覚を学び、継承し、拡張する「弟子」として機能します。

人間とAIが役割分担することで、熟練工はより高度で創造的な業務に集中でき、企業全体の競争力は持続的に高まるのです。

まずは影響の限定的な範囲で小さく始めること。それが「令和の匠」システム構築への第一歩となるでしょう。

エムニでは製造業に特化したオーダーメードAI開発を行っており、技能伝承に関する豊富な事例もございます。まずは、お気軽にお問い合わせください。

エムニへの無料相談のご案内

エムニでは、製造業をはじめとする多様な業種に向けてAI導入の支援を行っており、企業様のニーズに合わせて無料相談を実施しています。

これまでに、住友電気工業、DENSO、東京ガス、太陽誘電、RESONAC、dynabook、エステー、大東建託など、さまざまな企業との取引実績があります。

AI導入の概要から具体的な導入事例、取引先の事例まで、疑問や不安をお持ちの方はぜひお気軽にご相談ください。

引用元：株式会社エムニ