現場の「背中」をAIは見ているか？
「熟練工の技を動画で残せば、あとはAIがいい感じにマニュアルにしてくれるだろう」
もしあなたがそう考えてDXプロジェクトを進めているなら、一度立ち止まってください。その期待は、高い確率で裏切られることになります。
実務の現場では、サーバーに山のように積まれたmp4ファイルと、「AIに解析させても、当たり前のことしか出力されない」と嘆く担当者の姿が頻繁に見受けられます。
「右手のレバーを引く」「確認ボタンを押す」。確かにAIは映像から動作を認識しています。しかし、本当に残したいのはそこではありませんよね？
なぜそのタイミングでレバーを引いたのか。なぜボタンを押す前に一瞬ためらったのか。油の匂いや機械の振動、熟練工だけが感じ取っている「違和感」の正体。そういった「コンテキスト（文脈）」こそが技術伝承の核であり、最もAIに伝わりにくい部分なのです。
生成AI、特にGeminiモデルやChatGPTといった最新のマルチモーダルモデルは、驚異的な認識能力を持っています。しかし、それらは魔法の杖ではありません。入力されるデータ、つまり「動画そのもの」がAIにとって理解可能な構造になっていなければ、どんなに高性能なモデルもただの「画素の羅列」としてしか処理できません。
本記事では、AIモデルのアルゴリズムというブラックボックスの話はしません。代わりに、もっと泥臭く、しかしROI（投資対効果）の観点から最も効果が出やすい領域――「いかにしてAIに伝わる動画を撮るか」という入力データの設計について、実践的なノウハウを公開します。
これは単なる撮影テクニックではありません。人間とAIが協働して技術を継承するための、新しいコミュニケーション・プロトコルの話です。
なぜ「撮っただけの動画」はAIでも解析できないのか
まず、敵を知ることから始めましょう。なぜ、GoProを頭につけて撮影しただけの動画をAIに読ませても、質の高い手順書が生成されないのでしょうか。
マルチモーダルAIが見ている「コンテキスト」の正体
私たちが「動画を見る」とき、無意識に膨大な補完を行っています。作業者が眉をひそめれば「何か問題があったのかな」と推測し、工具を持ち替えれば「次の工程に移るんだな」と理解します。これは私たちが人間であり、物理世界の常識を持っているからです。
一方、AIにとって動画は「フレーム（静止画）の連続」と「波形（音声）」のデータストリームに過ぎません。マルチモーダルAIは、画像認識と言語処理を組み合わせて意味を見出そうとしますが、そこには決定的な「情報の非対称性」が存在します。
例えば、熟練工が「ここを、こうやって調整するんだ」と言いながらバルブを回すシーン。人間なら「ここ」がバルブで、「こうやって」が回す動作だと分かります。しかしAIにとって、指差された対象がバルブなのか、その横の配管なのか、あるいは単に手を置いただけなのかを区別するのは至難の業です。指示語（これ、それ、あれ）は、AI解析における最大の敵の一つです。
人間には伝わるがAIには伝わらない「省略」の壁
現場では「阿吽（あうん）の呼吸」が美徳とされます。しかし、この「言わなくても分かる」文化こそが、AI解析の精度を下げる要因です。
熟練工は、作業前の安全確認を目視で一瞬行います。映像上は、首が少し動いただけ。AIにはそれが「安全確認」であるというラベル付けができません。結果として生成されるマニュアルからは、最も重要な安全確認の工程が抜け落ちてしまいます。
これを「コンテキスト欠損」と呼びます。映像には映っているが、意味情報としてAIに届いていない状態です。この欠損を埋めない限り、AIは表面的な動作の羅列しか出力できません。
失敗する動画マニュアルの共通点：ノイズと視点
AI解析において失敗しやすい動画には、共通する特徴があります。
- 環境音が大きすぎる： 工場の稼働音で作業者の独り言がかき消されている。
- 視点が定まらない： 手元を撮ろうとしてカメラが激しく動き、AIが物体追跡（トラッキング）を見失う。
- 三人称視点のみ： 遠くから固定カメラで撮っているため、手元の微細な動き（力の入れ具合など）が見えない。
これらは人間が見ても分かりにくい動画ですが、AIにとっては「解析不能」なノイズデータでしかありません。AI活用を前提とするなら、動画は「視聴するもの」ではなく「解析させるデータ」へと定義を変える必要があります。
原則：AIフレンドリーな「動画データ」の定義
では、AIが高精度に解析できる「良質な教師データ」としての動画とは、どのようなものでしょうか。
高精度なコンテキスト解析に必要な3要素
AI駆動型の動画マニュアル作成において、以下の3要素が揃っていることが「AIフレンドリー」の定義となります。
- 視覚的明瞭性（Visual Clarity）： 対象物が遮蔽されず、照明が適切で、ブレが少ないこと。
- 言語的明示性（Verbal Explicitness）： 動作の意図、対象、結果が音声言語化されていること。
- 構造的連続性（Structural Continuity）： 作業の区切りが明確で、時系列が論理的であること。
これらは撮影後の編集でどうにかなるものではありません。「撮影段階」で品質の8割が決まります。 データサイエンスの世界に「Garbage In, Garbage Out（ゴミを入れたらゴミしか出てこない）」という言葉がありますが、動画解析も全く同じです。
「動作の区切り」をAIに教えるための物理的合図
動画をAIに解析させる際、最も難しいのが「セグメンテーション（区切り）」の特定です。どこまでが「準備」で、どこからが「加工」なのか。
AIの推論負荷を下げるために、現場での「物理的な合図」の導入が推奨されます。例えば、工程の変わり目で手をカメラの前にかざす、あるいは特定の色のカードを一瞬映す、といったルールです。
「そんな面倒なこと」と思われるかもしれません。しかし、このわずか1秒の「区切りサイン」があるだけで、AIの工程分割精度は劇的に向上します。動画を非構造化データとして丸投げするのではなく、撮影時点で構造化のヒント（メタデータ）を埋め込んでおく。この論理的かつ体系的な思考法が重要です。
メタデータとしての「作業意図」の重要性
映像データだけでは「How（どうやるか）」は分かっても、「Why（なぜやるか）」は分かりません。しかし、マニュアルにおいて重要なのは「Why」です。
AIに「Why」を理解させるには、音声で吹き込むのが最も手っ取り早い方法です。これは「意図のタグ付け」と呼ぶべき重要なプロセスです。後述する発話プロトコルで詳しく触れますが、作業者の頭の中にある意図を音声としてデータ化することで、初めてマルチモーダルAIはその真価を発揮します。
実践①：AIの理解を助ける「発話プロトコル」の実装
ここからは具体的な実践手法に入ります。まずは音声情報、つまり「作業者の声」の活用です。
「黙々と作業」はNG：思考発話法（Think Aloud）の適用
日本の職人は「黙って仕事をする」ことが美学とされがちですが、AIマニュアル作成においてはそれが最大の障壁となります。無言の動画から「カン・コツ」を抽出するのは、テレパシーでもない限り不可能です。
そこで導入するのが、心理学やUXリサーチで使われる「思考発話法（Think Aloud）」です。頭の中で考えていることを、独り言のようにすべて口に出しながら作業してもらいます。
「ネジを締める」ではなく、「緩みがないか確認しながら、抵抗を感じるまでネジを締める」と発話する。この「抵抗を感じるまで」という情報こそが、AIがマニュアルに記述すべき重要な「コツ」になります。
動作の開始と終了を宣言するトリガーワード
AIが動画のタイムラインを正確に切れるよう、特定のキーワード（トリガーワード）をルール化します。
- 開始トリガー: 「アクション、〇〇（工程名）を開始します」
- 終了トリガー: 「〇〇、完了。チェックよし」
例えば、「アクション、基板のセットを開始します」と言ってから作業を始め、「セット完了、チェックよし」と言って終わる。この単純なルールを徹底するだけで、AIは音声認識テキスト（トランスクリプト）から正確なタイムスタンプを抽出でき、動画の自動チャプター分けの精度が格段に向上します。
五感情報（熱い、硬い、重い）の言語化テクニック
映像には映らない「感覚」を言語化するトレーニングも有効です。
- 触覚: 「カチッと音がするまで」「指で押して少し凹むくらい」
- 視覚（着眼点）: 「表面の色が青から紫に変わったら」
- 聴覚: 「モーター音が低くなったら」
これらを意識的に発話することで、最新のGeminiモデルなどは「視覚情報」と「音声情報」を紐づけて処理し、「モーター音が変化した瞬間の映像フレーム」を重要ポイントとして認識できるようになります。
Googleの公式情報（2025年1月時点）によると、最新のGeminiモデルはマルチモーダル処理能力が強化されており、動画内の音声と映像の相関関係をより深く理解できるようになっています。
現場で実践する際は、「新人が隣にいて、目隠しをしていると思って説明してください」と伝えると、上手く言語化される傾向があります。
実践②：一人称視点（ウェアラブル）と固定視点のハイブリッド撮影
視覚情報の設計、すなわちカメラワークはAIの解析精度を左右する最大の要因です。Geminiの最新モデルをはじめとするマルチモーダルAIは、長時間の動画処理能力が飛躍的に向上していますが、入力される映像データの質が低ければ、そこから「暗黙知」を正確に抽出することは不可能です。
現在、公式な「製造現場特化の撮影ガイド」は確立されていませんが、AIの特性を考慮した推奨アプローチは明確になりつつあります。それは、AIが「何をしているか」を物体認識レベルで正確に捉えるための、高解像度かつ多角的な撮影環境の構築です。
スマートグラス/GoProによる「作業者の視野」と「音声」の同期
作業手順の解析において、基本となるのは一人称視点（FPV: First Person View）です。作業者が見ている景色そのものをAIに提示する必要があります。
最新のベストプラクティスとして、以下の設定が推奨されます：
- 高解像度・高フレームレート: 手元の微細な動きを捉えるため、4K/60fps程度での撮影が理想的です。
- 視点の位置: 額やメガネ部分に装着し、腕で視界が遮られないようにします。
- 音声解説の同時収録: 映像だけでなく、「なぜその判断をしたか」を作業者が口頭で解説する音声を同時に収録します。最新のAIモデルは音声解析にも優れており、映像と自然言語による解説を組み合わせることで、理解度が格段に向上します。
また、以前から指摘されている「ヘッドトラッキングの抑制」も引き続き重要です。人間のような頻繁な首振りは激しい手ブレとなり、AIの物体検出率を低下させます。「体ごと向く」「ゆっくり動かす」といった、いわゆる「AI用撮影モード」を意識することが、高品質なデータ取得の第一歩です。
全体工程を把握するための固定カメラの役割
一人称視点は細部に強い反面、体全体の姿勢や周囲の状況といった「文脈」が欠落しがちです。これを補完するのが、三脚で据え置いた俯瞰（ふかん）または斜め後ろからの固定カメラです。
- 一人称カメラ: 「何を」操作しているか（対象物の詳細・手元）
- 固定カメラ: 「どうやって」操作しているか（姿勢、立ち位置、全体の流れ）
推奨されるのは、これら複数のアングルで撮影した5〜10分程度の動画を同期させ、マルチモーダルAIに入力することです。これにより、AIは一人称視点では見えない「腰を入れて持ち上げている」といった動作を固定カメラの映像から補完し、「重量物を扱う際の正しい姿勢」としてマニュアルに記述できるようになります。
手元遮蔽（オクルージョン）と照明環境の最適化
AI解析における最大の障壁が「オクルージョン（遮蔽）」と「照明不良」です。自分の手で作業箇所が隠れたり、影でディテールが潰れたりすると、AIは正確な認識ができません。
これを防ぐためのポイントは以下の通りです：
- 照明の均一化: 影を除去し、対象物を明確にするために照明環境を整えます。コントラストが低いとAIの認識率は下がります。
- アングルのリハーサル: 撮影前に、「カメラから見て作業箇所が見えているか」を確認します。場合によっては、通常よりも脇を開く、工具の角度を変えるといった「演出」が必要です。
「普段通りの作業」を撮るのではなく、「AIに学習させるための教材」を作るという意識転換が必要です。撮影した動画を用いて、「この動画から手順と判断基準を抽出せよ」といったプロンプトで検証を繰り返し、認識不足があれば撮影方法を微調整する。この反復プロセスこそが、精度の高いマニュアル生成への近道となります。
実践③：RAG連携を見据えた「意味的チャンク」への分割
動画を撮り終えたら、次はAIシステムに投入するための前処理（データエンジニアリング）です。特にRAG（検索拡張生成）を活用して、現場からの質問にAIが答えるシステムを構築する場合、この工程が検索精度を決定づけます。
長尺動画を「工程単位」で物理分割すべき理由
1時間の作業動画をそのまま1つのファイルとして保存するのは避けるべきです。Geminiの最新版やChatGPTなど、AIのコンテキストウィンドウ（一度に処理できる情報量）は飛躍的に拡大しましたが、情報密度が薄まれば、依然としてハルシネーション（幻覚）のリスクは残ります。また、最新のRAG評価フレームワーク（Ragasなど）の観点からも、適切なチャンクサイズは回答精度に大きく寄与します。
動画は「1つの意味ある作業単位（チャンク）」ごとに物理的にファイルを分割することが推奨されます。目安としては30秒から3分程度。「準備工程.mp4」「加工工程_粗削り.mp4」のようにファイル名自体に意味を持たせることが重要です。
こうすることで、AIは「粗削りの方法を教えて」という質問に対して、巨大な動画全体をスキャンするのではなく、該当するチャンクだけをピンポイントで参照し、回答を生成できます。これは検索スピードだけでなく、コスト効率と精度の両面で理にかなったアプローチです。
コンテキストウィンドウの限界とトークン節約の工夫
動画データはトークン消費量が膨大です。AI解析用であれば、高解像度は不要で720p（HD）程度、フレームレートも30fpsあれば十分です。
さらに重要なのが、動画に含まれる情報の「テキスト化と構造化」です。最新のRAG構築フローでは、動画そのものをベクトル化するだけでなく、以下の要素を抽出してメタデータとして付与するのが一般的です。
- 音声認識（ASR）: 作業者の発話をテキスト化
- 画面内文字認識（OCR）: 機器のパネル数値や注意書きをテキスト化
- 構造化・クレンジング: 抽出したテキストを整理し、ノイズを除去
検索（Retrieval）はこれらのテキスト情報で行い、回答生成（Generation）時に動画を参照するハイブリッド構成、あるいは検索結果をRerank（再順位付け）する手法が、現在の技術トレンドにおける最適解と言えます。
動画内の特定シーンへのタイムスタンプ埋め込み戦略
分割した動画ファイル内でも、さらに細かい粒度でのアクセスを可能にするため、JSON形式などで構造化データを付与します。これは将来的に、エンティティ（作業対象）とリレーション（手順のつながり）をグラフ構造で管理する「GraphRAG」等の高度な手法へ移行する際にも役立ちます。
{
"file": "process_A.mp4",
"segments": [
{"start": "00:10", "end": "00:45", "action": "バルブ開放", "entity": "メインバルブ", "note": "ゆっくり回す"},
{"start": "00:46", "end": "01:20", "action": "圧力確認", "entity": "圧力計A", "note": "指差し確認"}
]
}
このような構造化データを用意しておけば、AIは「バルブ開放のシーンを見せて」と言われたときに、即座に00:10からの再生を開始できます。これが「検索可能な動画マニュアル」の実体であり、AIが現場の暗黙知を正しく理解するための基盤となります。
アンチパターン：解析精度を著しく下げる「やってはいけない」こと
良かれと思ってやった編集が、かえってAIの目を曇らせることがあります。典型的なアンチパターンを知っておきましょう。
BGMや工場ノイズの未処理
「動画マニュアルらしくしよう」とBGMを入れるのは厳禁です。音楽は音声認識の精度を著しく下げます。また、工場の突発的な騒音（エアブローの音など）も可能な限りカットするか、ノイズキャンセリング処理を施すべきです。ただし、強すぎるノイズ除去は、重要な「機械の作動音」まで消してしまうことがあるので、周波数帯域を意識した処理が必要です。
早送り・カット編集の多用による時系列情報の欠損
「待ち時間は退屈だから」と早送り編集をするのも危険です。AIは動画の時間経過から「作業にかかる標準時間」を学習しようとします。早送りをすると、本来10分かかる反応時間が10秒であるかのように誤学習してしまいます。
待ち時間が発生する場合は、カットするのではなく「ここで10分待機」というテロップや音声を入れ、実時間は維持するか、メタデータで補足する必要があります。
「例外処理」と「標準作業」の混在
熟練工は気を利かせて「もし錆びていたらこうする」といった例外対応を実演してくれることがあります。これは貴重な情報ですが、標準作業の動画の中に混ぜてしまうと、AIはそれが「毎回やるべき標準手順」なのか「例外対応」なのかを区別できません。
例外対応を撮影する場合は、「これはトラブル時の対応です」と明確に宣言（発話）するか、別ファイルとして保存し、「Troubleshooting」タグを付ける必要があります。
成果検証：適切な設計による解析精度のBefore/After
最後に、本記事で解説したメソッドを適用することで、製造現場（特に精密部品加工などの熟練技能が必要な領域）においてどのような成果が期待できるのか、一般的な改善の目安について解説します。
手順書生成の自動化率：コンテキスト不足からの脱却
既存の作業動画をそのままAIに読み込ませた場合、正確な手順書として出力できる割合は限定的であることが少なくありません。多くのケースでは「作業者が動いている」程度の記述に留まり、人間による大幅な書き直しが必要となります。
しかし、「発話プロトコル」と「ハイブリッド撮影」を導入して新規に撮影を行うことで、Geminiモデル（最新安定版）のような高性能モデルはその真価を発揮します。映像と音声による明確なコンテキストが与えられることで、手順書のドラフト作成精度は飛躍的に向上します。修正作業は「専門用語の微修正」や「表現の統一」程度に収まり、マニュアル作成工数を大幅に圧縮することが期待できます。
新人の習熟期間と自律学習の促進
構造化された動画マニュアル（検索可能かつ意図の解説付き）を新人研修に導入することは、習熟期間の短縮に大きく寄与します。
新人が「これ、どうやるんでしたっけ？」と先輩に聞く代わりに、タブレットに向かって「研磨のコツ」と問いかけ、熟練工の手元動画と解説を即座に引き出せる環境を整備することで、独り立ちまでの期間を大幅に短縮できる可能性があります。これは、指導役となるベテラン社員の負担軽減にも直結する重要なポイントです。
技術伝承におけるROIの考え方
撮影に手間をかけることは、一見コスト増に見えるかもしれません。しかし、一度高品質な「教師データ」を作成すれば、それを多言語化して海外拠点に展開することも、AIアバターに解説させて教育コンテンツに加工することも容易になります。
AI時代の資産とは、単なるハードウェアではなく、「AIが理解できる形に構造化された現場の知見」そのものです。ここに投資することこそが、中長期的に最も高いROI（投資対効果）を生み出すと考えられます。プロジェクトマネジメントの観点からも、AIはあくまで手段であり、最終的なビジネス価値の創出に繋げることが重要です。
まとめ：AIは「魔法」ではなく「鏡」である
Geminiモデルをはじめとする最新のマルチモーダルAIを用いた動画マニュアル作成は、AIが勝手に現場を理解してくれる魔法ではありません。私たちが現場の知見をどう噛み砕き、どう見せるかという「伝え方」の質が、そのままAIのアウトプットとして跳ね返ってくる「鏡」のようなものです。
「撮っただけの動画」が通用しないのは、そこに「伝える意志（コンテキスト）」がデータの形として乗っていないからです。
今回ご紹介した撮影設計や発話プロトコルは、明日からでも始められる実践的なアプローチです。まずは主要な1つの工程から、AIと一緒に「伝わる動画」を作ってみてください。その泥臭い試行錯誤の先にこそ、真の技術伝承とDXの成功が待っています。
もし、自社の現場に適した撮影設計や、生成されたマニュアルの具体的な品質基準について詳しく確認したい場合は、以下の実践ガイドラインも参考にしてください。適切な準備と設計が、プロジェクトの突破口になるはずです。
コメント