日本の製造業を支えてきたのは、長年の経験に裏打ちされた熟練技術者の高度な状況判断力や決断力です。しかし、少子高齢化によるベテラン層の大量退職が現実のものとなる中、言語化が難しい「勘」や「経験」といった「暗黙知」をいかに次世代へ継承するかが、多くの企業で喫緊の課題となっています。これまで、熟練者のノウハウは「背中を見て学ぶ」性質が強く、属人化を脱することが困難でした。しかし近年、AIやIoT技術の急速な進化により、個人の感覚に依存していた判断プロセスを客観的なデータとして抽出・共有することが可能になりつつあります。

本稿では、濱田式AI品質スタンダードに基づき、ベテランの頭の中にある「なぜその判断に至ったのか（Know-Why）」を紐解き、誰もが活用できる資産へと変換する手法を解説します。「熟練の暗黙知をAIで形式知化する4つのステップ」を通して、持続可能な技術継承を実現するための具体的な道筋をご紹介します。

◆熟練の暗黙知をAIで形式知化する4つのステップ～熟練者がどのような理由（Know-Why）で判断したのかが重要～

＜製造業の現場でAIを活用する方法・導入事例；濱田式AI品質スタンダード＞

状況判断や決断力といったベテランの「経験や勘（暗黙知）」を形式知化（データ化）する方法として、AIを活用したノウハウの抽出と、客観的なデータ収集を組み合わせたアプローチが提案されています。濱田式では、これをTAKUMI（匠）～人の頭の中の知恵を引き出す技～として体系化しています。ポイントは2つ。抽出のゴールは「判断カード（条件→判断→理由→例外）」という誰でも使える形にすること。そして、AIは判断を代行しません。AIはベテランの"論理"を引き出す"増幅器"であり、最終判断はいつも人です。具体的な手順は、次の4ステップです。

Step1. AIを活用した「判断基準」と「判断理由」の抽出

ベテランの頭の中にある言語化しにくい決断のプロセスを、AIを用いて引き出し、構造化します。

①対話型ヒアリング（逆質問）

　AIがインタビュアーとなり、熟練者との自然な会話を通じて、状況判断のロジックをリアルタイムに記録・要約・構造化します。ここで効くのが「逆質問」です。「どうやるか」を正面から聞いても出てこないので、角度を変えてAIが問います——なぜ型（最初に何を見た・聞いた・触った？）、もし型（違う判断をしていたら？）、何点型（理想を100点として今日は何点？その差の原因は？）。AIは疲れず、遠慮せず、何度でも問い続けられます。

②行動ログの解析

　過去の報告書・日報・作業映像・音声データなどをAIに読み込ませ、単なる作業ステップだけでなく、背後にある「判断基準」を抽出します。なお、こうした"記録されたもの"を鍛えるのは、本来KATANA（刀）の領域です。人の頭の中（TAKUMI）と記録（KATANA）の両面から素材を集めると、抽出はより立体的になります。 

Step2. 情報の「構造化」と「判断カード」の作成

集めた断片的な情報を、誰もが使えるルールに変換します。

①作業分解による言語化

　抽出されたノウハウを元に「作業分解」を行い、熟練者が無意識に行っているカンや急所を、具体的な言葉や数値による判断基準として言語化
　・マニュアル化します。

②AIによる「判断カード」への構造化　

　インタビューや報告書という「素材」をAIで処理し、目に見える知識（形式知）へ変換します。濱田式では、この出力を「判断カード」という決まった形にそろえます。

   ◆ 条件（気温が高い日）→ 判断（設定値を下げる）→ 理由（温度上昇で粘度が変わるため）→ 例外（ただし湿度が低い日は変えない） 

大事なのは最後の「例外」です。例外を書けない判断は、ただのスローガンにすぎません。なお、しきい値などの数値をAIに断定させてはいけません（★要確認・実測）。数値は判断カードの裏づけとして添える位置づけです。

【※この段階で欠かせない「本人による検証」】

整えた判断カードは、必ずベテラン本人に確認してもらいます。「この内容で合っている？」——「そうそう、でもここはこう直して」。この本人の修正が、知識の質を決めます。あわせて「その理由は、今も有効か？」も問います。昔からの慣習にすぎない判断（＝マイナスの暗黙知）は、ここでふるい落とします。

Step3. IoTによる「状況」の数値化・データ化（できる範囲で）

決断の前提となる「混沌とした状況」や「かすかな違和感」を、可能なら客観的なデータで裏づけます。熟練者が経験則で感じ取る「設備の調子の悪さ」などを、IoTで4M（人・機械・材料・方法）データとして収集し、統計解析することで、「異常の予兆」を数値でも捉えられるようになります。ただし、ここは"必須"ではありません。まずは言葉（判断カード）から始めれば、追加投資ゼロで技能継承は動き出します。数値やIoTは、後から裏づけとして足せばよい。そして「異常の予兆」も、AIが断定するのではなく提示することで、最終的に人が確認する——この順序を崩さないことが肝心です。

Step4. 「匠ナレッジDB」を育て、若手の判断を支える

形式知化した判断カードをナレッジDB（Gemini Notebook や Copilot Studio）に焼き入れ、現場で若手の判断を支える仕組みにします。

① 判断理由（Know-Why）まで残す

見積や設計の支援でも、過去のデータや図面だけでなく、「なぜその判断に至ったか（判断理由）」までをDBに残します。ここが、単なる手順書との決定的な違いです。

② AIは「代行」ではなく「壁打ち相手」

若手が現場で迷ったとき、DBに1行問いかければ、蓄積した判断カードが返ってくる。ただし——ここは、はっきりさせておきます。AIが、ベテランに代わって判断を下すのではありません。AIは判断の材料（過去の判断カード）を渡す"壁打ち相手"であり、最終判断は必ず人が行います。これは"増幅器型"であって、"カンニング型"ではないという、濱田式の一貫した原則です。若手は、ベテランの"なぜ"を材料に、自分の頭で判断できるようになっていきます。

③型は選ばなくていい、困りごとを1行入れるだけ

この4ステップは、TAKUMI（匠）の型として体系化されていますが、利用者が型を覚える必要はありません。困りごとを1行、案内役のAI品質ナビゲーターに入れれば、裏で最適な型が選ばれ、一問ずつ問い返してくれます。特別なシステムは不要で、Gemini・Copilot・Claude、いつものチャットAIで動きます。

そしてTAKUMI（匠・心鉄）で引き出した暗黙知は、過去データを鍛えるKATANA（刀・皮鉄）と同じDBに合流します。この2本を1本に鍛えたものが匠ナレッジコア。ベテランの退職で消えるはずだった知恵が、組織の永続的な資産に変わります。

まとめ

結論として 状況判断や決断力を形式知化するには、熟練者が「どのような情報（IoTデータ・ログ）を見て」「どのような理由（Know Why）で判断したか」をAIの逆質問で引き出し、判断カードにして匠ナレッジDBに残すこと。そして、それを若手の判断を支える材料として活かすことです。

AIは、答えを出す魔法の箱ではありません。

ベテランの"論理"を引き出し、刻み込む"増幅器"です。最終判断は、いつも人。