イントロダクション：なぜ「技術伝承」は失敗し続けるのか
「またWikiが更新されなくなりました。結局、現場では『ベテランに聞いた方が早い』となってしまうのです」
実務の現場では、DX推進担当者からこのような悩みを耳にすることが少なくありません。ここ数年、多くの日本企業で同じ光景が繰り返されています。
団塊ジュニア世代の引退が迫る「2025年の崖」を前に、多くの企業が技術伝承プロジェクトを立ち上げました。ベテランのノウハウを形式知化しようと、業務フロー図を書き、マニュアルを整備し、社内Wikiを導入する。しかし、その多くが「作って終わり」のデジタル遺産となり、現場には定着していません。
なぜでしょうか？
理由はシンプルです。本当に価値のあるノウハウは、そもそも「書けない」からです。
熟練の職人が「いい感じに調整して」と言うときの「いい感じ」には、気温、湿度、機械の振動音、材料の色艶など、膨大な変数が瞬時に処理された結果が含まれています。これを人間が手作業でドキュメント化しようとすると、途方もない労力がかかる上に、肝心なニュアンスが抜け落ちてしまいます。
「背中を見て覚えろ」という教育方針が通用しなくなった今、私たちに必要なのは、静的なマニュアルを作ることではありません。熟練者の頭の中にある「文脈」を動的に引き出し、いつでも対話できる「デジタル人格」として再構築することです。
ここで登場するのが、生成AIです。ただし、「AIにマニュアルを書かせる」のではありません。AIの役割はもっと能動的で、人間味のあるものです。
今回は、AI駆動型プロジェクトマネジメント（PM）の観点から、実務の現場で求められる「生成AIによる技能継承」の実践的な手法について、Q&A形式で解説します。単なるツール論ではなく、どうすれば職人のプライドを守りながら、組織全体の知能を底上げできるか。その核心に迫ります。
Q1: 生成AIは「聞き手」として何が優秀なのか？
―― 多くの人が生成AIを「文章を作るツール」だと思っていますが、「聞き手」としての能力に注目されていますね。これはどういうことでしょうか？
鈴木： はい、実は技術伝承において最も難しいのは、「答えを書くこと」ではなく、「正しい問いを立てること」なのです。
熟練者の方々は、意地悪で教えないわけではありません。彼らにとって、その高度な判断はもはや「息をするように当たり前のこと」になってしまっているのです。「なぜそこで温度を下げたのですか？」と聞いても、「いや、なんとなく焦げそうだったから」としか返ってこないことが多々あります。
人間同士、特に若手が相手だと、遠慮してそれ以上突っ込んで聞けませんよね。あるいは、「そういうものか」と納得したふりをしてしまう。ここで情報の欠落が起きます。
―― そこでAIの出番というわけですね。
鈴木： その通りです。生成AI、特に最近のLLM（大規模言語モデル）は、「空気を読まずに、論理的にしつこく聞く」ことができます。これが最大の強みです。
例えば、製造業における実証実験の事例を見てみましょう。ベテラン技術者に対して、AIエージェントがインタビューを行いました。
技術者が「撹拌（かくはん）機の音がおかしかったから止めた」と言ったとします。人間なら「なるほど、異音ですね」でメモして終わるところを、AIはこう返しました。
「その『おかしな音』について具体的に教えてください。それは金属的な高い音ですか？ それとも低く唸るような音ですか？ 通常の稼働音と比較して、リズムに変化はありましたか？」
技術者はこれに対して、「うーん、金属音というよりは、低い唸りだな。リズムが不規則になるんだ」と答えます。するとAIはさらに畳みかけます。
「リズムが不規則になる現象は、タンク内の粘度が上がった時に発生しやすいですか？ それともモーター自体の不調の兆候でしょうか？ 過去の事例ではどちらが多かったですか？」
―― すごいですね。まるで優秀な記者のようです。
鈴木： まさにそうです。AIは疲れませんし、遠慮もしません。熟練者が無意識に行っていた「音→粘度上昇の予兆→停止判断」という思考プロセスを、対話を通じて一つずつ言語化（デコード）していくのです。
この「壁打ち」プロセス自体が、熟練者にとっても発見になります。「自分は実は音のリズムを聞いていたのか」と、自身の技術を再認識するきっかけになるのですね。
―― なるほど。人間がインタビューするよりも、コストも下がりますし、質も高まると。
鈴木： はい。ヒアリングのために外部の専門家を雇えば多額のコストがかかりますし、若手社員を張り付かせれば業務が止まります。AIなら、熟練者の空き時間に、スマートフォンに向かって喋ってもらうだけで済みます。音声認識技術と組み合わせれば、作業中の独り言すらも貴重なナレッジソースになります。
重要なのは、AIに「素人のふりをして、徹底的に具体化を求めるプロンプト（指示）」を与えておくことです。これによって、暗黙知という氷山の下の部分を、少しずつ削り出すことができるのです。
Q2: 「静的なマニュアル」から「動的なエージェント」へ
―― 抽出したナレッジはどう活用するのでしょうか？ やはりマニュアルにするのですか？
鈴木： いえ、そこでマニュアル（PDFやWiki）にして保存してしまったら、元の木阿弥です。誰も読みませんから。
ここで有効なのが、「動的なAIエージェント」として実装することです。
想像してみてください。若手社員が現場でトラブルに直面しました。「このエラー、どうすればいいんだ？」と思った時、分厚いマニュアルの目次から該当箇所を探すのは不可能です。検索窓にキーワードを入れても、適切なドキュメントがヒットするとは限りません。
しかし、チャット画面で「ポンプから変な音がするんだけど、どうしたらいい？」と入力して、即座にこう返ってきたらどうでしょう？
「その音は低い唸り音で、リズムが不規則ではありませんか？ もしそうなら、タンク内の粘度が上昇している可能性があります。まずは回転数を10%下げて、温度計を確認してください。過去の熟練者の事例では、これで8割解決しています」
―― まるで熟練者が隣にいるみたいですね！
鈴木： そう、これこそが「RAG（検索拡張生成）」という技術を使った、AIメンターです。事前に抽出してデータベース化した熟練者のノウハウを、AIが質問に合わせて検索し、文脈に沿った回答として生成してくれます。
これには3つの大きなメリットがあります。
- 心理的ハードルの解消: 若手にとって、忙しそうなベテランに「こんなこと聞いて怒られないかな」と躊躇する時間は大きなロスです。AIなら何度同じことを聞いても怒られません。
- 即時性と文脈理解: 単なるキーワード検索ではなく、「変な音」という曖昧な表現から文脈を推測して回答してくれます。
- 情報の鮮度: エージェントとの対話ログ自体が、新たなナレッジとして蓄積されます。「その方法で解決しましたか？」とAIが聞き、「いや、ダメだったからこうしたら直った」と若手が返せば、知識がアップデートされていきます。
―― ナレッジが生き物のように成長していくんですね。
鈴木： おっしゃる通りです。静的なドキュメントは作成された瞬間から陳腐化が始まりますが、動的なエージェントは使われれば使われるほど賢くなります。
これは「ナレッジのエコシステム」と呼ぶべきものです。熟練者からAIへ、AIから若手へ、そして若手の経験がまたAIへ。この循環を作ることが、DXの本質的なゴールなのです。
Q3: 導入の壁となる「職人のプライド」と組織文化
―― 技術的には可能でも、現場の反発が怖いです。「自分の仕事をAIに奪わせる気か」と考える熟練者も多いのではないでしょうか。
鈴木： その点は非常にデリケートで、かつ最も重要なポイントです。AI導入プロジェクトの失敗の多くは、技術ではなく「感情」と「文化」の壁によるものです。
失敗事例としてよくあるのが、製造現場などで経営層がトップダウンで「AIによる自動化プロジェクト」を宣言し、外部の人間が現場に入り込んでデータを吸い上げようとするケースです。結果として、現場は「監視されている」「リストラのためのデータ収集だ」と警戒し、非協力的になって頓挫してしまいます。
―― どうすればよかったのでしょうか？
鈴木： アプローチを180度変える必要があります。「仕事を奪う」のではなく、「あなたの素晴らしい技術を後世に残すための『デジタル弟子』を育ててください」と依頼するのです。
人間には「教えたい」「認められたい」という欲求があります。AIを「敵」ではなく、「自分の分身」あるいは「一番弟子の育成」と位置付けることで、協力姿勢は劇的に変わります。
成功事例の一つとして、AIエージェントにその熟練者の名前をつけるというアプローチがあります。例えば「AI佐藤さん」のように設定し、AIが若手の役に立った時、その功績をオリジナルの佐藤さんの評価としてカウントする仕組みを作るのです。
―― なるほど！ AIが活躍すればするほど、オリジナルの評価も上がる仕組みですね。
鈴木： はい。ナレッジを提供することを「損」ではなく「名誉」にするのです。
また、導入の順番も大切です。いきなり全社の知見を集めようとせず、まずは現場が一番困っている「面倒な問い合わせ対応」から着手します。
「毎日同じような初歩的な質問をされて大変ですよね。このAIに一度教えておけば、簡単な質問は全部AIが答えてくれるようになりますよ。そうすれば、もっと高度な仕事に集中できます」
こう持ちかけると、「それは助かる」と協力してくれるケースが多いです。現場の「困りごと（Pain）」を解決する手段としてAIを提示することが、信頼獲得の第一歩です。
Q4: 未来への提言：AI時代の「熟練」とは何か
―― AIが知識を継承していくと、人間の役割はどう変わっていくのでしょうか？ 「熟練」の定義も変わりますか？
鈴木： 大きく変わると思います。これからの時代、人間の熟練技能は「身体知」と「メタ認知」の二極に分化していくでしょう。
まず「身体知」。どれだけAIが進化しても、現時点では「指先の微妙な感覚」や「匂いの変化」を直接AIが感じることはできません。ロボティクスが進化するまでは、最終的な物理的調整や、五感を使った違和感の検知は、依然として人間の領域です。
そしてより重要なのが「メタ認知」、つまりAIが出した答えを評価し、使いこなす能力です。
AIは過去のデータに基づいた最適解を出しますが、未知のトラブルや、全く新しい製品開発においては過去のデータが通用しません。そこで「AIはこう言っているが、今回のケースには当てはまらないかもしれない」と判断する力。あるいは、AIに対してより的確な問いを立てる力。これが新しい時代の「熟練」です。
―― AIに使われるのではなく、AIを指揮する能力ですね。
鈴木： その通りです。これからの技術伝承は、「答えを教える」ことではなく、「AIという強力なツールをどう使いこなして問題を解決するか」という思考プロセスの伝承にシフトしていくべきです。
経営層の方々にお伝えしたいのは、これは単なる効率化の話ではないということです。AIによるナレッジ化は、企業のBCP（事業継続計画）そのものです。人が辞めても知恵が残る組織を作ることは、不確実な未来に対する最強の投資になります。
編集後記：技術継承は「過去」の保存ではなく「未来」への投資
ここまで読んでいただき、ありがとうございます。
「生成AIで技術伝承」というと、何か冷たい、無機質なものを想像されたかもしれません。しかし実際は、熟練者との対話を深め、若手の心理的負担を減らし、組織全体のコミュニケーションを円滑にする、極めて人間的なプロジェクトなのです。
実際の導入現場では、ベテラン職人から次のような声が聞かれることがあります。
「最初はAIなんて信用していなかったけれど、AIに教えているうちに、自分自身が仕事をどうやっていたか整理できた。引退した後も、AIが自分の代わりに若手を助けてくれるなら、悪くないな」
このような反応は、技術と人が共存する未来の可能性を示しています。
しかし、この話を聞いただけでは、「本当に現場の複雑なノウハウをAIが理解できるのか？」という疑問は晴れないかもしれません。AIの回答精度や、対話の自然さは、実際に体験してみないと分からない部分が多いのも事実です。
もし、組織に「形式知化できない」と諦めているノウハウがあるなら、まずは小規模なPoC（概念実証）から試してみることをおすすめします。実際の熟練者のインタビュー音声やドキュメントから、どのようにナレッジを抽出し、対話型エージェントを構築できるか。AIがどれほど鋭い質問をしてくるかを体感することが、組織の「知の資産」を守る第一歩になるはずです。
コメント