「ベテラン社員の再雇用期間終了までに技能を引き継げるか不安がある」「熟練者の『カン』や『コツ』といった暗黙知が言語化できず、従来のOJTやマニュアル作成が限界を迎えている」、熟練者の定年退職が進む製造・技術現場において、AIを活用した確実な技能継承スキームの構築は急務の課題です。本稿では、暗黙知が継承できない根本要因、アイトラッキングや動作解析・センサーを用いたAI形式知化の手法、そしてベテランへの「逆質問」によって本人も意識していない判断の理由（Know-Why）を引き出す対話型アプローチを解説します。

対話による暗黙知の言語化は、映像解析やセンサー導入のような設備投資を伴わずに着手できるため、現場でのスモールスタートの第一歩として特に有効です。あわせて、センサーの数値だけに技能継承を委ねることの落とし穴（判断基準は材料や環境の条件によって変わりうるため、閾値だけを渡すと誤判定を招く恐れがあること）と、それを条件・理由・例外まで含めて記録することで補う方法、さらに作業中の発話記録だけでは拾いきれない「なぜそう判断したのか」という理由を、記録を手がかりにした事後の問いかけによって引き出す方法にも触れます。ベテラン層の抵抗感を防ぐ導入手順、属人化から脱却する人材育成法までを一貫して解説することで、無理のない投資規模と手順でこのアプローチを習得できます。

【記事を最後までお読みいただくことで、実務における以下の課題や悩みが解決します】

• 熟練者の定年退職に伴う、技能やノウハウの消失リスクへの具体的な対応策が分かります。
• 言語化が難しいとされる「暗黙知」を、どのようにして若手に教えられる形（形式知）に変換するのか、その手法が理解できます。
• 手書きマニュアルや従来のOJT（現場指導）が抱える限界と、それを補完するAI技術の現実的な活用方法が明確になります。
• 映像解析やセンサーといった設備投資をせずに、対話だけで暗黙知の言語化に着手できる現実的な進め方が分かります。
• センサーの数値基準だけに頼ることの落とし穴と、条件によって変わる判断基準を正しく記録する方法が分かります。
• 作業中の発話記録だけでは拾いきれない「判断の理由」を、記録を手がかりにした追加の問いかけによって引き出す具体的な方法が分かります。
• 新しいシステムを導入する際、現場のベテラン層から反発を受けずに協力を得るための手順が学べます。
• 技能をデータとして蓄積し、組織全体で継続的に若手を育成する体制づくりの道筋が見えます。

第1章. 再雇用制度の「時間稼ぎ」と、迫る技能喪失のタイムリミット

多くの企業において、熟練した技術を持つ従業員の高齢化が進んでいます。長年の経験によって培われた技術は、企業にとって替えのきかない財産です。その財産をつなぎ止めるため、現在多くの現場で採用されているのが再雇用制度です。定年を迎えたベテラン従業員に引き続き現場にとどまってもらい、若手の指導や重要な業務を任せるという手法は、人材不足に悩む企業にとって必要不可欠な対応策となっています。

しかし、再雇用制度はあくまで応急処置であり、技能継承の根本的な解決には至っていません。再雇用された熟練者は、多くの場合、若手の指導だけでなく自身の通常業務も抱えています。現場のリアルな実情として「日々の業務に追われて教える時間が十分にとれない」という声が頻繁に聞かれます。限られた時間の中で指導を行うため、教え方が行き当たりばったりになりやすく、体系的な教育を行う余裕がないのが現実です。

さらに、教え方が「属人的」であるという問題も存在します。熟練者ごとに作業の進め方や重視するポイントが異なるため、教わる若手は誰から指導を受けるかによって学ぶ内容が変わってしまいます。あるベテランは作業の早さを重視し、別のベテランは精度の高さを重視するといった具合です。これにより、現場全体の技術水準にばらつきが生じ、標準化が遠のいてしまいます。

また、再雇用期間には必ず終わりがあります。数年後には、現場を支えてきた熟練者が完全に退職する日がやってきます。現状維持を続けることは、このタイムリミットから目を背けていることに他なりません。時間稼ぎをしている間に技能を次世代へ引き継ぐ仕組みを作らなければ、企業は蓄積してきた貴重な技術を組織から完全に喪失するリスクが生じます。今、企業に求められているのは、再雇用期間という限られた猶予の中で、個人の頭の中にある技術を組織の財産として定着させる具体的な行動です。

第2章. なぜ熟練者の「カンとコツ」は引継げないのか？ 暗黙知の壁

技能継承を困難にしている最大の要因は、「暗黙知」と呼ばれる無意識の技術の存在です。熟練者が日々の業務を円滑に進められるのは、明文化されたマニュアル通りに動いているからだけではありません。「機械の稼働音のわずかな違い」「材料の微妙な手触り」「気温や湿度に応じた調整」「予想外の事態に対する臨機応変な判断」など、長年の経験から身体に染み付いた感覚的な情報に基づいて行動しています。これらが「カンとコツ」の正体です。

この暗黙知の厄介な点は、熟練者自身もそれを言葉で説明するのが難しいというところにあります。彼らにとって、それらの判断や動作はあまりにも自然に行われているため、意識して言語化することができません。「なぜそのタイミングで調整したのか」と尋ねられても、「経験的な感覚に基づく判断であるため」「いつもこうしているから」といった曖昧な答えになってしまうことが多いのです。

そのため、従来の手書きマニュアルや紙の作業手順書では、技能継承に限界が生じます。マニュアルには「部品を組み立てる」「ネジを締める」といった表面的な手順（形式知）しか記載できません。「どの程度の力加減で締めるのか」「どのような音がしたら適正なのか」という重要な感覚的情報は抜け落ちてしまいます。

これを補うために行われてきたのが、現場でのOJT（オン・ザ・ジョブ・トレーニング）です。「先輩の背中を見て盗め」という言葉に代表されるように、現場で一緒に作業をしながら感覚を掴ませようとする手法です。しかし、この手法も現代の労働環境には適しなくなってきています。暗黙知を見て盗むには膨大な時間と試行錯誤が必要ですが、現代の企業には若手にそれだけの時間を与える余裕がありません。また、感覚に頼る学習は学習者の個人的なセンスに依存するため、すべての若手が一定の水準に到達するとは限りません。結果として、暗黙知の壁を乗り越えられないまま若手が挫折してしまうケースも見受けられます。

表.技能継承手法の比較表

第3章. AIを用いた「暗黙知の形式知化」の具体的手法

言語化できない暗黙知を、誰もが理解できる「形式知」に変換するために有効な手段が、AIを活用したデータ解析です。ここでは、AIがすべてを自動で解決するという万能論ではなく、現在実用化されている現実的なテクノロジーをどのように現場に落とし込むかを具体的に解説します。

（１）対話（逆質問）による形式知化――最も手軽に着手できる方法

映像やセンサーを使う前に、まず着手できるのが、AIをインタビュアーとして使った対話による暗黙知の言語化です。ポイントは、「どうやるのですか」ではなく「なぜそう判断したのですか」「もし違う判断をしていたらどうなっていましたか」というように、具体的な過去の場面を一つずつ辿りながら角度を変えて問いを重ねる「逆質問」にあります。直接「なぜですか」と聞かれても出てこない答えが、具体的な場面を思い出しながら問いを重ねることで、少しずつ言葉の形を取り始めます。この方法の最大の利点は、カメラやセンサーといった機材の導入や現場への設置が一切不要で、パソコンやタブレット一つあれば今日からでも始められる点です。後述するスモールスタートの第一歩として、まず対話による言語化に取り組み、成果と現場の信頼を積み上げてから、映像やセンサーへと投資を広げていくという順序が現実的です。

（２）映像・アイトラッキング・骨格推定による形式知化

次に有効なのが、熟練者の作業プロセスを動画として記録し、それをAIで解析する手法です。単に動画を撮影して見せるだけでは従来のOJTと変わりませんが、AIを通すことで見えないものが見えてきます。例えば、視線追跡（アイトラッキング）技術を使えば、熟練者が作業中に「どこを、どの程度の時間見ているか」を可視化できます。若手が手元ばかりを見ているのに対し、熟練者は機械の計器や材料の特定の部分をこまめに確認しているといった違いが、客観的なデータとして明らかになります。また、骨格推定技術を用いて動作を解析すれば、「熟練者は腰を落として作業しているためブレが少ない」「工具を持つ角度が常に一定に保たれている」といった、言葉では説明しにくい身体の使い方を数値や図として抽出することができます。

（３）音声認識と自然言語処理によるアプローチ

もう一つのアプローチが、音声認識と自然言語処理を用いたアプローチです。熟練者に小型のマイクを装着してもらい、作業を行いながら「今、何を確認したか」「なぜこの手順を入れたか」を独り言のようにつぶやいてもらいます。作業中のリアルタイムな音声は、AIによって高精度でテキスト化されます。その後、生成AIを用いて、テキスト化された膨大な発言記録を整理し、論理的な作業手順書として再構築します。これにより、マニュアル作成にかかる手間を大幅に削減しつつ、これまで抜け落ちていた「判断の理由」や「注意すべきポイント」が盛り込まれた、より実用的な手順書を作成することが可能になります。

ただし注意したいのは、作業をしながらの独り言は「何を確認しているか」「どこを見ているか」といった行動の実況としては有効ですが、第2章で述べた通り、本人が意識化していない「なぜ」までは、その場でつぶやいてもらうだけでは十分に拾いきれないことがある点です。この限界を補うには、音声や映像として記録した実際の作業の様子を本人に見せながら、「この瞬間、なぜ手を止めたのですか」「もし違う判断をしていたらどうなっていましたか」と、記録を手がかりに事後に問いかける一手間を加えるのが効果的です。作業中の実況記録と、記録を振り返りながらの逆質問インタビューを組み合わせることで、行動の記録だけでは届かなかった判断の理由まで、より正確に引き出すことができます。

（４）センサーによる客観データ化

さらに、各種センサーを組み合わせることも実用的です。例えば、振動センサーや温度センサーを設備に取り付け、熟練者が正常だと判断した状態のデータを収集します。これにより「カンとコツ」による判断基準が数値化され、誰もが同じ基準で作業の良否を判定できるようになります。このように、AIを活用することで、これまで属人的で不透明だった技術を、客観的に評価・共有できるデータへと変換することができるのです。

ここで注意すべきは、センサーで得られる「正常値」が、その時の材料のロットや機械の摩耗状態、気温・湿度といった条件のもとでのみ成立している場合がある、という点です。数値の閾値だけを切り出して若手に渡してしまうと、条件が変わった際に誤った判定基準として使われてしまう恐れがあります。これを防ぐには、閾値そのものだけでなく、「どのような条件のときに、どう判断し、なぜその基準なのか、どのような例外があるか」までをセットで記録することが重要です。熟練者への問いかけの際にも、「この基準はどんな条件のときに変わりますか」「例外的にこの基準が当てはまらないのはどんな時ですか」という質問を加えることで、数値データに条件と例外を紐づけた、より安全に使える判断基準を残すことができます。

このように、対話・映像・音声・センサーという複数の手法を組み合わせることで、これまで属人的で不透明だった技術を、客観的に評価・共有できるデータへと変換することができるのです。

第4章. 現場の反発を招かない、AI導入とデータ収集のステップ

新しい技術やシステムを現場に導入する際、最も注意すべきなのは従業員の心理的な抵抗です。特に技能を持つベテラン層から、「自分の技術を奪われて用済みになるのではないか」長年の経験を機械で簡単に数値化されるのは心理的な抵抗感や協力を得にくくなる事態が生じやすくなります。この心理的なハードルをクリアしなければ、正確なデータ収集は不可能です。

AI導入を成功させるための最初のステップは、目的の共有です。会社としての目的が「ベテランを置き換えること」ではなく、「ベテランの業務負担を減らすこと」、そして「彼らが築き上げてきた貴重な価値を会社に永遠に残すこと」であることを丁寧に説明します。熟練者の技術への敬意を態度で示し、彼らの経験がこれからの組織にとっても不可欠であることを伝えることが、協力体制を築く土台となります。

表.AI導入フローチャート・テンプレート

次に、対象業務の選定とスモールスタートです。最初からすべての業務をAIで解析しようとすると、現場が混乱し、失敗のリスクが高まります。まずは「若手がよく失敗する業務」や「熟練者しか対応できない特定の工程」など、範囲を小さく絞り込みます。特に、カメラやセンサーの設置を伴わない対話（逆質問）による言語化は、ベテランの心理的な負担も設備投資も最小限に抑えられるため、最初の小さな成功体験を積み重ねる入口として適しています。対話を通じて手応えと現場の信頼が得られた段階で、必要に応じて映像解析やセンサーの導入へと範囲を広げていくと、無理のない導入が実現できます。

実際のデータ収集においても、負担を最小限に抑える工夫が必要です。例えば、動画撮影の際は通常通りの作業をしてもらうだけで済むように定点カメラを設置する、音声入力の手間を省くために話し言葉のまま記録するなど、熟練者が普段のペースを崩さずに参加できる環境を整えます。

そして、収集したデータをもとに初期の手順書や解析結果が出た段階で、必ず熟練者自身に確認してもらい、フィードバックを受けます。「ここは機械の数値ではこう出ているが、実際はもう少し違う感覚だ」といった意見を取り入れ、微調整を行うことで、システムの精度が高まると同時に、熟練者自身も「自分たちが参加してシステムを作り上げている」という実感を持つことができます。

第5章. 形式知化されたデータを使った若手育成と、属人化からの脱却

AIと現場の協力によって暗黙知が形式知化された後は、そのデータをいかに活用して組織の力を底上げするかが問われます。抽出されたデータや動画、解析結果は、単に保管しておくだけでは意味がありません。それらを若手の教育プログラムに組み込むことで、初めて投資が実を結びます。

可視化されたデータに基づく教育は、従来の方法とは大きく異なります。若手は「感覚的に模倣する」のではなく、「熟練者の視線データを確認しながら同じ場所を見る訓練をする」「自分の動作と熟練者の骨格データを比較し、どこが違うのかを客観的に修正する」という、具体的で根拠のある学習が可能になります。これにより、個人ごとの学習スピードのばらつきが抑えられ、一定の水準まで技能を習得するまでの期間が短縮されます。若手の早期戦力化は、現場の負担軽減に直結します。

また、技能がデータとして資産化されることで、特定の人物に依存する「属人化」から脱却することができます。これまでは、特定のベテランが休むと作業が止まってしまう、あるいは品質が安定しないという状況がありました。しかし、基準となる技術が形式知として共有されていれば、他の従業員でも一定の品質を保ちながら作業を代行することが可能になります。これは、組織としての柔軟性とリスク対応能力を高めることに直結します。

さらに、データとして蓄積された技能は、時代に合わせてアップデートしていくことが可能です。新しい機械が導入された際や、作業工程の見直しが行われた際にも、ベースとなるデータがあることでスムーズな移行が可能となります。その際、判断基準を数値だけでなく条件や例外までセットで記録しておけば、機械や工程が変わって条件そのものが変化した場合にも、どこを見直せばよいかが明確になり、より安全にデータを更新していくことができます。熟練者の「カンとコツ」をAIという現代の技術を用いて翻訳し、誰もが活用できる組織の財産として引き継いでいくこと。これこそが、再雇用の期間という限られた時間の中で取り組むべき、最も堅実で将来を見据えた技能継承の形です。