シリコンバレーのスタートアップから日本の大手製造業の現場まで、AIプロジェクトの最前線では、共通の悩みが頻繁に議論されています。
「ベテランの技術が継承されないまま、定年退職を迎えてしまう」
「マニュアルを作らせても、肝心な『コツ』が書かれていない」
いわゆる「2025年問題」を前に、多くの経営者やDX担当者が焦りを感じています。そこで飛びつくのが、生成AIによるマニュアル作成の自動化です。音声入力したものをAIに綺麗に整えさせる、あるいは過去の資料をRAG（検索拡張生成）で検索できるようにする。まずは動くものを作って検証するプロトタイプ思考は素晴らしいですが、この領域においては注意が必要です。
はっきり申し上げますが、そのアプローチでは「本物の技術」は残せません。
なぜなら、熟練工自身も自分が「何を知っているか」を完全には把握していないからです。綺麗な文章を作るAIライターを用意しても、入力される情報が欠落していれば、出力されるのは「読みやすいが役に立たないマニュアル」だけです。
今回は、少し視点を変えてみましょう。AIに「書かせる」のではなく、AIエージェントに「質問させる」のです。
実務の現場で劇的な成果を上げている「AIインタビュアーによる再帰的質問メソッド」について解説します。これは、人間同士のインタビューでは決して到達できない深さまで、職人の脳内を掘り下げる実践的な手法です。
なぜ「職人の勘」はマニュアル化できないのか？
技術継承のプロジェクトが頓挫する最大の原因は、ツールの使いにくさでも、時間の不足でもありません。根本的な原因は、認知科学で言うところの「ポランニーのパラドックス」にあります。
言語化の壁：ポランニーのパラドックス
ハンガリーの哲学者マイケル・ポランニーは、「我々は、言葉にできるより多くのことを知っている」と述べました。これが暗黙知の本質です。
例えば、自転車の乗り方を言葉だけで完全に説明できるでしょうか？「バランスを取ってペダルを漕ぐ」とは言えても、右に倒れそうになった瞬間に無意識にハンドルをどちらにどれくらい切るか、その筋肉の微細な動きを言語化するのは不可能です。
熟練工の技術もこれと同じです。
「音がおかしいから機械を止めた」
「色がなんとなく違うから温度を上げた」
この「なんとなく」の中にこそ、企業にとってのかけがえのない知的資産が詰まっています。しかし、従来のマニュアル作成業務は、この「なんとなく」を「主観的であいまい」として排除するか、あるいは職人自身が「こんな感覚的なことは書いても伝わらない」と諦めてしまうのです。
従来のヒアリング手法が抱える「前提知識のギャップ」
では、若手社員がインタビューすれば良いのでしょうか？ ここにも罠があります。
人間同士の会話には、強烈な「コンテキスト（文脈）依存」と「社会的配慮」が働きます。
若手社員がベテランに質問するシーンを想像してください。
若手: 「なぜここで設定温度を変えるんですか？」
ベテラン: 「今日は湿気が多いからだよ。常識だろう？」
若手: 「あ、そうですね（知らなかったけど、常識と言われたら聞けない…）」
このように、人間同士だと「阿吽の呼吸」や「忖度」が働き、情報の深掘りがストップします。ベテランは「言わなくてもわかるはず」と思い込み、若手は「無知だと思われたくない」と萎縮する。結果として、最も重要な「なぜ湿気が多いと温度を変える必要があるのか？ 具体的な閾値は？」という情報は形式知化されません。
精密部品メーカーが直面していた「綺麗なマニュアル、伝わらない技術」
精密部品メーカーの導入事例でも、まさにこの状態が課題となっていました。
最新のナレッジマネジメントツールを導入し、ベテラン社員にタブレットを配布して動画や音声での記録を奨励していました。データベースには膨大なファイルが蓄積されましたが、現場でのトラブルは減りません。
データの中身を解析してみると、そこにあったのは「作業手順（What）」ばかりで、「判断基準（Why）」や「状況対応（How to adjust）」がすっぽりと抜け落ちていたのです。
「うちはもう手詰まりです。職人たちは『全部教えた』と言うんですが、若手は『マニュアル通りにやってもうまくいかない』と言うんです」
現場の切実な声から、「逆転のアプローチ」の有効性が浮かび上がってきます。
事例：精密部品メーカーが導入した「AIインタビュアー」という解決策
ここでは、生成AIの役割を「マニュアル作成者」から「執拗なインタビュアー」へと変更するアプローチをとります。使用するのは、社内用にセキュアに構築されたLLM（大規模言語モデル）ベースのチャットボットです。
企業プロフィールと導入背景
- 企業: 創業50年以上の精密金属加工メーカー
- 課題: 特定の熟練工（65歳）しか扱えない加工機があり、彼が引退すると製造ラインが止まるリスクがあった。
- 従来の手法: 若手社員によるヒアリングと動画撮影。
人間ではなくAIが聞き手になるメリット
AIエージェントをインタビュアーに据える最大の理由は、AIには「社会的遠慮がない」からです。
AIは空気を読みません。「常識だろう」と言われても傷つきませんし、「前にも言ったぞ」と怒られても萎縮しません。論理的に繋がらない部分があれば、何度でも、誰に対しても平等に質問を投げかけます。
実際の熟練工とAIの対話ログの例を見てみましょう。
熟練工: 「湿気が多い日は、設定を少し下げるんだ」
AI: 「『少し』とは具体的に数値で言うとどれくらいですか？ また、湿気が多いと判断する基準は湿度計の数値ですか、それとも体感ですか？」
熟練工: 「体感だよ。肌にまとわりつく感じだ」
AI: 「なるほど。その体感がある時、過去の経験則では湿度計はおおよそ何パーセントを示していることが多いですか？ また、設定を下げるのは1度ですか、それとも0.5度単位ですか？」
熟練工: 「…細かいな。だいたい湿度が60%を超えたら、0.5度下げる。そうしないとバリが出やすくなるからだ」
人間なら「細かいな」と言われた時点で引いてしまうところを、AIは平然と具体的な数値を要求しました。その結果、「湿度60%超でマイナス0.5度」という、これまで明文化されていなかった定量的なルールが初めて形式知化されたのです。
導入を決断した「心理的安全性」の発見
面白いことに、当初は「AIなんて使えるか」と懐疑的だったベテラン社員たちが、次第にAIとの対話を楽しみ始める傾向があります。
ヒアリング後のアンケートで、熟練工から次のような声が寄せられることがあります。
「若いやつに教えると、同じことを何度も聞かれると腹が立つし、逆に全く質問してこないと『本当にわかってるのか？』と不安になる。でもAIは、俺の話を全部記録してくれるし、納得するまで聞いてくる。自分の技術に関心を持ってくれているようで、悪い気はしないね」
これは非常に興味深い心理的側面です。人間相手だと発生する「感情的な摩擦」が、AI相手だと解消されるのです。AIの「無限の忍耐力」と「忖度のなさ」が、逆説的に話し手の心理的安全性を高め、深い開示を引き出すことに成功します。
成功の核心：AIによる「再帰的質問」メソッドの仕組み
では、具体的にどのようなロジックでこのインタビューを行っているのか。ここで、「再帰的質問（Recursive Probing）」のメカニズムを技術的に解説します。
単に「詳しく教えて」とプロンプトに入力するだけでは不十分です。以下の3つのステップをシステム的に実装します。
Step 1：文脈の共有（コンテキスト・ローディング）
まず、AIに「無知な新人」ではなく「熱心な研究者」としてのペルソナを与えます。そして、対象となる業務の基礎知識（専門用語、機器の名称、基本的な工程フロー）を事前に学習（またはプロンプトに含める）させます。
これにより、基礎的な用語解説で話が止まることを防ぎ、最初から核心部分の議論に入ることができます。
Step 2：再帰的深掘り（Recursive Probing）
ここが核となるプロセスです。熟練工の回答に対し、AIは以下の3つの観点で分析を行い、情報が不足している場合に質問を生成します。
- 定量化（Quantification）: 「少し」「早めに」などの曖昧語を数値化する質問。
- 条件分岐（Conditional Logic）: 「もし〜だったらどうするか？」という例外処理の質問。
- 因果関係（Causality）: 「なぜその操作が必要なのか？」という背景理由の質問。
回答が得られると、AIはその情報を一時記憶し、さらにその回答に対して論理的な穴がないかを検証します。これを「再帰的」に繰り返すことで、情報の粒度が極限まで細かくなります。
Step 3：メタ認知の誘発と構造化
対話の区切りごとに、AIは次のような要約を行います。
「つまり、○○さんの判断プロセスは、まずAを確認し、Bの場合はCを行い、それ以外の場合はDを行う、という理解で合っていますか？」
これは単なる確認ではありません。熟練工自身に自分の思考プロセスを客観的に見せる（メタ認知させる）効果があります。
「いや、Bの場合でも、材料が新しい時はCじゃなくてEをやるな」
このように、AIの要約を見た熟練工が「修正」を加えることで、さらに精度の高いナレッジが完成します。人間は「ゼロから書く」のは苦手ですが、「提示されたものの間違いを直す」のは得意なのです。
成果検証：形式知化されたナレッジの質と波及効果
このメソッドを導入した精密部品メーカーでの成果は、予想を超えるものでした。
作成時間の短縮 vs 質の向上
まず、マニュアル作成にかかるトータルの工数は、従来比で約50%削減されました。インタビュー自体には時間がかかりますが、その後の文章化、構成、推敲をAIが即座に行うため、トータルでは圧倒的に早くなります。
しかし、より重要なのは「質」の変化です。作成されたナレッジベースには、「トラブルシューティング」の項目が従来の3倍以上に増えました。これは、熟練工の頭の中にしかなかった「例外対応」が可視化された証拠です。
若手社員の「腹落ち度」の変化
新しく作成された「AI対話型マニュアル」を使用した若手社員からは、次のようなフィードバックがありました。
「今までは『こうしろ』としか書いてなくて、理由がわからず怖かった。新しいマニュアルには『なぜそうするのか』『失敗するとどうなるか』まで書いてあるので、自信を持って作業できる」
手順（How）だけでなく、理由（Why）がセットで伝承されることで、応用力が身につくようになったのです。
副次効果：ベテラン社員のモチベーション向上
意外な副産物もあります。インタビューを受けた熟練工たちが、自分の仕事に誇りを再確認するケースが多いのです。
「自分の技術なんて、長年の勘で適当にやってるだけだと思っていた。でもAIに分析されて、理にかなったロジックがあると言われて、なんだか嬉しかったよ」
AIによる形式知化は、単なるデータ抽出ではなく、職人の人生そのものを肯定するプロセスになり得ます。これは、AIと人間の協調関係における素晴らしい事例と言えるでしょう。
実践ガイド：あなたの組織で「AIインタビュー」を始めるには
最後に、大規模なシステム開発を行わずに、明日からこの手法を試すためのアジャイルなアプローチを紹介します。まずは動くプロトタイプを作り、仮説を検証することが重要です。
必要な環境とツール選定の基準
高価な専用ツールは必須ではありません。以下の組み合わせで十分なPoC（概念実証）が可能です。
- 音声入力ツール: スマートフォンの高精度な音声入力や、会議録音ツール（Zoomの文字起こしや、Whisper系のAPIなど）。
- 生成AI（LLM）: ChatGPT (Team/Enterpriseプラン) や Claude 3 など、コンテキストウィンドウ（記憶容量）が大きく、論理推論に強いモデル。
注意点: 社外秘の技術情報を扱うため、必ず学習データとして利用されない設定（オプトアウト）になっている環境を選んでください。ここでのデータガバナンスは極めて重要です。
インタビュー用プロンプトのテンプレート
以下のようなシステムプロンプトを設定し、音声入力したテキストを投げ込んでみてください。
あなたは熟練技術者の知識を引き出す専門のインタビュアーです。
以下の目的とルールに従って、入力されたテキスト（技術者の発言）に対して深掘りの質問を行ってください。
【目的】
暗黙知となっている「判断基準」「感覚的なコツ」「例外対応」を言語化し、誰でも再現可能な形式知にすること。
【ルール】
1. 専門用語や曖昧な表現（「ちょっと」「いい感じに」など）が含まれていた場合、必ず具体的・定量的な定義を質問すること。
2. 手順だけでなく、「なぜその手順が必要なのか（理由）」と「失敗するとどうなるか（リスク）」を確認すること。
3. 相手を尊重しつつも、論理的に不明瞭な点は遠慮なく指摘すること。
4. 1回の回答につき、質問は1つまたは2つに絞ること（相手を疲弊させないため）。
【出力形式】
まず、相手の発言を要約して理解を示し、その後に質問を続けてください。
スモールスタートのための対象者選定
いきなり全員に展開するのではなく、まずは「話好きのベテラン」と「好奇心旺盛な若手」のペアで試すことをお勧めします。若手がAIの操作役となり、ベテランの話を引き出す補助を行うのです。
AIは魔法の杖ではありませんが、技術の本質を見抜き、正しい使い方をすれば、人間の中に眠る宝の山を掘り当てることができます。
「書かせる」から「聞かせる」へ。このパラダイムシフトこそが、AI時代のナレッジマネジメントの正解です。皆さんの現場でも、まずは小さなプロトタイプから始めてみてはいかがでしょうか。
コメント