技能伝承AIの始め方2026｜ベテランの暗黙知を残す3層と費用

「あの人が辞めたら、この工程は止まる」——タイの日系工場で、誰もが薄々分かっているのに手を付けられていない課題です。そこに生成AIが登場し、技能伝承AIという言葉が急に現実味を帯びてきました。ただし、動画を撮ってサーバに置いただけ、ベテランにマニュアルを書かせようとして頓挫した、という失敗例も同じ数だけ生まれています。本記事は「AIで技能伝承ができる／できない」の一般論ではなく、暗黙知を3層に分けて、どこまでをAIに載せ、どこからは教育設計に回すかという切り分けの話を扱います。

なぜ技能伝承AIは失敗するのか

失敗パターン1：「動画を撮ってサーバに置いた」

いちばん多いのがこれです。ベテランの作業をビデオで撮影し、共有フォルダやNAS、あるいはクラウドストレージに保存する。それ自体は悪いことではありません。問題は、その後に何も起きないことです。

半年後に何が残っているかというと、20260312_研磨工程_加藤さん.mp4 のようなファイル名が並んだフォルダです。1本30分から1時間。若手が「バリ取りで面が荒れるときどうするんですか」と思っても、どの動画の何分何秒を見ればいいのか分かりません。結局、隣にいるベテランに聞きます。つまり、撮影前と何も変わっていない。

動画が使われない理由ははっきりしています。動画は検索できない形式だからです。人間が探せる粒度になっていない情報は、蓄積してもアクセスされません。しかも、動画には「なぜそうしているか」がほとんど映りません。手は映りますが、そのとき何を見て、何と比べて、どう判断したかは映らない。ベテランは無意識にやっているので、口にも出しません。

失敗パターン2：ベテランに書かせて頓挫する

次に多いのが、「じゃあマニュアルを整備しよう」と決めて、ベテランに執筆を割り当てるパターンです。これはほぼ確実に止まります。理由は3つあります。

第一に、書くことは彼らの本業ではありません。文章を構造化して書く作業は、それ自体がスキルです。40年ラインに立ってきた人が、ワープロで階層構造の手順書を書けるとは限りません。第二に、通常業務が減っていません。ベテランほど現場の火消しに呼ばれます。締切のない執筆作業は、必ず後回しになります。第三に、自分が何を知っているかを自覚していない。これが最大の壁です。無意識化された判断は、本人にとって「当たり前」なので、書くべき情報だと認識されません。結果として出てくるのは、既存の作業標準書とほとんど同じ内容の、当たり障りのない文書です。

失敗パターン3：AIを入れれば何とかなると思っている

そして2026年に増えたのが、この3つ目です。生成AIが社内文書を読めるようになったのだから、既存の資料を全部放り込めば技能伝承ができるはずだ、という発想です。

ここで抜けているのは、そもそも残したい知識が文書になっていないという事実です。AIが読めるのは、書かれているものだけです。ベテランの頭の中にしかない判断基準は、どれだけ高性能なモデルを使っても読み出せません。既存のフォルダをインデックスして検索できるようにすると、出てくるのは10年前の改訂前の手順書と、誰かの個人メモと、承認前のドラフトです。使えないどころか、誤った情報を自信満々に返す仕組みができあがります。

失敗の共通点：「何を残すか」の切り分けがない

3つの失敗パターンに通底するのは、AIの性能の問題ではないという点です。いずれも、「残すべき知識」を種類ごとに分けていないことに起因しています。手順も、判断基準も、身体感覚も、ぜんぶまとめて「暗黙知」と呼び、まとめて何とかしようとする。ところがこの3つは、必要な作業も、実現できる度合いも、費用の構造もまったく違います。

この難しさは、統計にもはっきり表れています。経済産業省の2026年版ものづくり白書に関する解説では、技能伝承の課題として「ベテランの知識や経験等の形式知化が難しい」が68.6%という数字が示されています。あわせて、「形式知化の方法が分からない」が28.6%、経営資源の不足が28.1%という項目も挙げられています。つまり、多くの企業は「やらなければいけないことは分かっている。やり方が分からない」という状態にあります。

同じ解説では、データ連携を行っている事業者のうち71.8%がAIを活用していないという数字も示されています。データはある程度つながり始めているのに、そこからAI活用に踏み出せていない。この断絶の正体が、まさに「何を残すか」の切り分けの不在です。データの整備とAIの導入のあいだには、「どの知識を、どの形式で、誰のために残すか」という設計工程が抜けているのです。

暗黙知は3層に分けて考える

3層モデル

技能伝承AIを設計するとき、最初にやるべきは暗黙知の分類です。実務的に扱いやすいのは、次の3層です。

なぜ3層に分ける必要があるのか

分けないと、投資の判断ができないからです。

第1層は、費用対効果がはっきりしています。既存文書の棚卸しと更新、動画の分割、多言語化。作業量は見積もれますし、成果も測れます。しかし、第1層だけを整備しても、技能伝承の課題は解決しません。若手が困っているのは「手順が分からない」ではなく「手順どおりにやったのに上手くいかない」場面だからです。

第2層は、引き出す工程が必要な分だけ手間がかかりますが、ここが最も効きます。「なぜ今それを選んだのか」がストックされれば、ベテランに聞かなくても判断できる範囲が広がります。技能伝承AIへの投資は、実質的にこの第2層をどれだけ厚くできるかで決まります。

第3層は、残せません。ここを認めるのが設計上いちばん重要です。「AIで職人技を再現」といった売り文句に引きずられて第3層まで射程に入れると、プロジェクトは必ず膨らんで頓挫します。第3層は、伝承の対象ではありますが、AIの対象ではない。訓練カリキュラム、限度見本、実技評価といった教育設計の領域に回すべきものです。

第3層を諦めることが、第1層・第2層を守る

現場でこの話をすると、「じゃあ結局、肝心なところは残せないんですね」という反応が返ってくることがあります。これは半分正しく、半分誤解です。

多くの工程で、実際に若手を止めているのは第3層ではなく第2層です。「この音は異常か正常か」を聞き分けるのは第3層ですが、「異常だと分かった後に、どこから確認するか」は第2層です。後者が残っていれば、若手は途中まで自力で進められます。行き詰まった段階で先輩を呼べばいい。ベテランを呼ぶ回数を減らすことが目的であって、ゼロにすることが目的ではありません。

第3層を切り離すもう一つの効果は、教育設計の優先順位が決まることです。「この工程で身体で覚えなければならないのは、この3つだけ」と特定できれば、訓練時間をそこに集中できます。第1層・第2層まで一緒くたにOJTでやろうとするから、教育期間が何年にも伸びるのです。

第2層の中身をさらに分解する

第2層は範囲が広いので、もう一段分けておくと設計しやすくなります。

この4分類は、そのままインタビューの質問設計に使えます。後述します。

タイの日系工場で技能伝承AIが急がれる理由

駐在員が3〜5年で交代する

日本国内の技能伝承は、「ベテランが定年退職する」という時間軸で語られます。タイの日系工場では、これにもう一つの時計が重なります。日本人駐在員の任期です。

多くの日系企業で、駐在期間は3年から5年程度です。その期間に、駐在員は現地の設備・品種・顧客・サプライヤの癖を覚え、判断基準を作り上げます。「このロットは日本の顧客だから、この基準で止める」「この設備は雨季に入ると挙動が変わる」「このサプライヤの材料はロット間のばらつきが大きいから、受入検査を厚くする」——こうした知識は、日本本社の標準書には書かれていません。現地で作られ、現地で使われている、正真正銘の暗黙知です。

そして任期が終わると、それが丸ごと消えます。後任は日本から来て、また一から作り直す。3〜5年ごとにこれを繰り返している工場は珍しくありません。日本国内の技能伝承が「40年かけて溜まったものが1回失われる」問題だとすれば、タイの日系工場は「3〜5年で溜まったものが繰り返し失われる」問題を抱えています。失われる総量で見れば、後者のほうが大きい場合もあります。

技能伝承AIをタイで検討する価値は、この二重構造にあります。対象は現場の技能職だけではなく、駐在員の判断基準も含まれる。これは日本国内向けの議論には出てこない論点です。

受け手はタイ人スタッフ — 多言語化は「オプション」ではなく「要件」

もう一つ、タイ固有かつ決定的な条件があります。残した知識の受け手は、日本人ではありません。

日本語で書かれた手順書、日本語のナレーションが入った動画、日本語で構造化されたQ&A。これらは、作った本人には完璧に見えます。しかし、実際に使うのはタイ人のオペレーター、テクニシャン、スーパーバイザーです。日本語のままの資料は、彼らにとって存在しないのと同じです。

ここで軽視されがちなのが、翻訳と多言語化は別物であるという点です。日本語の手順書を機械翻訳にかければタイ語にはなりますが、現場で使われる用語（治具名、設備の呼び名、社内の略語）が訳しきれず、かえって混乱を生みます。必要なのは、用語集を先に作り、その用語を固定したうえで訳すことです。

生成AIが技能伝承の文脈で効くのは、実はこの部分でもあります。多言語化のコストが従来より大幅に下がったため、「日本語で残して、あとで訳す」ではなく「最初から日タイ英の3言語で運用する」という設計が現実的になりました。ただし、用語の統制と現場レビューは人がやる必要があります。ここを飛ばすと、精度の低い翻訳が現場の信頼を失わせ、仕組みごと使われなくなります。現地で定着する仕組みをどう作るかという論点は、生成AI研修が定着しない4つの原因で扱った内容とも重なります。

タイの中堅技能人材の逼迫

さらに、現地の労働市場の構造も背景にあります。タイの製造業では、technician、supervisor、maintenance といった中堅の技能職の確保が難しくなっているという指摘が続いています。新卒のエンジニアや未経験のオペレーターは採用できても、一定の経験を積んで自分で判断ができる層が薄い、という構図です。

規模感として、タイの製造業就業者はおよそ624万人（2024年12月時点）とされています。また、タイ投資委員会（BOI）は人材のアップスキリングに向けた措置として、約50億バーツ規模・約10万人を対象とする支援を打ち出しているとされ、国としても技能人材の不足を課題と認識していることがうかがえます。

工場の現場から見ると、この逼迫は次のように現れます。中堅層が引き抜かれて転職する。後を埋める人材が採れない。仕方なく若手を昇格させるが、判断ができないので日本人管理者に聞きに来る。日本人管理者の負荷が上がる。そして数年後、その日本人も帰任する。

技能伝承AIは、この連鎖のどこかを断つための手段です。全部を解決する道具ではありません。「判断基準を聞きに来る回数を減らす」という、限定された、しかし実効性のある目的に置いたときに機能します。

「引き出す」工程 — ベテランに書かせず、聞き出して構造化する

表出化は、書く作業ではなく聞く作業

第2層（判断基準）をどう取り出すか。ここが技能伝承AIの実務の中心です。

前述のとおり、ベテランに執筆させる方式は破綻します。代わりに取るべき方法は、インタビューして、聞き手側が構造化するというやり方です。知識を持っている人には話してもらうだけにして、文書化の負担は別の担当が引き受ける。この分業が成立するかどうかで、プロジェクトの進み方が変わります。

この考え方は、ナレッジマネジメントの古典的な枠組みであるSECIモデルの「表出化（Externalization）」——暗黙知を形式知に変換する段階——にあたります。理論としては1990年代からあるものですが、実務では「誰がインタビューして、誰が文書化するのか」という人手の問題で止まってきました。生成AIが効くのは、まさにここです。

AIを「聞き出す側」に置く — NTTデータのインタビューエージェント

具体的な事例として、NTTデータが公開している暗黙知伝承のPoCがあります。川崎重工業の設計業務を対象に、熟練者から知識を引き出す「インタビューエージェント」を用いる形で、SECIモデルの表出化プロセスを支援するというアプローチが紹介されています。

ポイントは、AIを「答えを出す側」ではなく「質問する側」に置いていることです。従来、暗黙知の引き出しには、業務を理解した聞き手が必要でした。適切な質問を投げなければ、熟練者は自分の判断基準を口に出さないからです。AIが質問役を担うことで、この聞き手の確保という制約が緩みます。熟練者は自分のペースで、対話しながら答えていけばいい。

これは技能伝承AIの設計に対して、重要な示唆を与えています。AIの最初の仕事は、答えることではなく、聞き出すことである。検索できるナレッジベースを作るのはその後の話です。

質問の型 — 何を聞けば判断基準が出てくるか

インタビューの成否は、質問設計で決まります。「この工程のコツを教えてください」と聞いても、「まあ、慣れですね」で終わります。判断基準を引き出すには、型が要ります。実務で機能する型は次の4つです。

このうち、「やらないこと」を聞くのがとりわけ有効です。人は「やっていること」は当たり前すぎて説明しませんが、「やらないこと」は明確に意識しているため、驚くほどすらすら出てきます。しかもそこには、必ず失敗経験に裏打ちされた理由が付いています。

もう一つのコツは、現場で、作業を見ながら聞くことです。会議室でインタビューすると、思い出せる範囲の一般論しか出てきません。実際に手を動かしている横で「今、何を見ましたか」と聞くと、本人も自覚していなかった判断が言語化されます。動画を一緒に見返しながら聞くのも有効です。「ここで一瞬止まりましたね。何を確認しましたか」——この問いが、第3層に見えていたものの一部を第2層に引き下ろします。

インタビューの設計と運用

実務的な進め方としては、次のような刻み方が扱いやすい形です。

1. 対象工程を絞る：最初から全工程はやりません。「その人が抜けたら止まる」工程を3つ程度に絞ります。属人度と業務影響度で選ぶのが基本です。
2. 既存文書を先に読む：既にある手順書・作業標準・不具合報告を読んだうえでインタビューに臨みます。書いてあることを聞くのは時間の無駄で、ベテランの心証も悪くします。
3. 1回30〜60分、複数回に分ける：長時間の一発インタビューは疲れるだけで質が落ちます。回を分けて、前回の内容を確認しながら深めます。
4. その場で構造化して、本人に確認してもらう：文字起こしをそのまま残しても使えません。条件表や事例集の形に整理し、「この理解で合っていますか」と本人に確認する。この確認工程が品質を決めます。
5. タイ人スタッフを同席させる：受け手を最初から巻き込むと、「その説明では伝わらない」箇所がその場で分かります。訳す前に、伝わる粒度に直せます。

「引き出す」対象は現場の技能職だけではない

タイの日系工場では、インタビュー対象に日本人駐在員を必ず含めてください。前述のとおり、任期とともに消える判断基準がそこにあります。

駐在員へのインタビューでは、質問の型が少し変わります。「この判断は、日本本社の基準ですか、それとも現地で作ったルールですか」「なぜ現地では基準を変えているのですか」「前任者から引き継いだことと、自分で決めたことの区別は付きますか」。この3問だけでも、後任への引継ぎ資料としてかなりの価値が出ます。

そして、駐在員の判断基準こそ多言語化が要ります。後任の日本人だけでなく、現地のマネージャー層が読める形にしておくことで、任期交代のたびに現場が振り回される事態を減らせます。

技能伝承AIをどう作るか — 層ごとの実装

第1層の実装：手順の整理と多言語化

第1層は、AIの出番よりも整理作業の比重が大きい領域です。やることは次のとおりです。

• 棚卸し：どこに、どのバージョンの手順書があるかを一覧化する。共有フォルダ、個人PC、紙、掲示物、すべて対象です
• 廃棄と統合：古いバージョン、承認されていないドラフト、重複を落とす。ここを飛ばすと、AIが古い情報を返す仕組みができあがります
• 粒度の統一：1ファイル1工程なのか、1ファイル1ラインなのかを揃える。検索の当たり方に直結します
• 動画の分割とタグ付け：1時間の動画は使われません。作業ステップ単位に切り、何の作業かをテキストで付ける
• 多言語化：用語集を先に固定し、そのうえで訳す。現地スタッフによるレビューを工程に入れる

この作業は地味ですが、技能伝承AIの精度の大半はここで決まります。検索基盤をどれだけ高度にしても、対象となる文書が古かったり重複していたりすれば、出力は信頼されません。

第2層の実装：判断基準をQ&A・事例の形にしてRAGに載せる

インタビューで引き出した判断基準は、そのままでは検索に向きません。使える形に整えます。

こうして整理した知識を、社内文書として検索・参照できるようにするのがRAG（検索拡張生成）の役割です。ユーザーが自然文で質問すると、関連する社内ドキュメントを検索して、その内容に基づいて回答する仕組みです。技能伝承の文脈でRAGが向いているのは、回答の根拠となる元文書を提示できるからです。「AIがそう言った」ではなく「この事例集のこの項目に書いてある」と示せなければ、現場は信用しません。構築の進め方と費用の考え方は、RAG構築の費用と進め方で詳しく整理しています。

注意点として、RAGは万能ではありません。文書に書かれていないことは返せませんし、矛盾する文書が複数あれば矛盾した回答をします。だからこそ、第1層の棚卸しと、第2層の構造化が前提になります。順序を逆にして「まずRAGを入れてから中身を整えよう」とすると、期待外れの結果で現場の信頼を失います。

実在の取り組み例

技能伝承・ナレッジ活用の領域では、国内でも具体的なサービスが立ち上がっています。検討の参考として、性質の異なる3つを挙げます。

これらに共通しているのは、知識を引き出し・整理・活用するプロセスの一部を支援する道具であるという点です。どれを参考にするにせよ、自社で何を残すかを決める作業そのものは代替されません。この点を踏まえずに製品選定から入ると、「どのツールがいいか」の比較で時間を使い、肝心の中身が空のまま導入することになります。

第3層の実装：AIではなく教育設計に回す

第3層（感覚・身体知）は、技能伝承AIの対象外です。ただし、放置していいわけではありません。むしろ、AIに載せる範囲を絞った分だけ、教育設計に資源を回せるようになります。

第3層に対する現実的な打ち手は次のようなものです。

• 限度見本の整備：良品／不良品の実物を残す。写真ではなく現物であることが重要な場合が多い
• 実技訓練メニューの設計：何を、何回、どのくらいの期間やれば習得できるかを定義する
• 評価基準の明確化：「できた」の判定を誰がどう行うかを決める。曖昧なままだと訓練が終わりません
• 計測による代替の検討：人の感覚に頼っていた識別を、センサや検査装置で置き換えられないか検討する。ここは技能伝承ではなく設備投資の話になります
• OJTの対象を絞る：第1層・第2層がAIで引ける状態になっていれば、OJTの時間を第3層に集中できます

最後の項目が、3層に分ける最大の実利です。従来のOJTは、手順の説明も、判断基準の説明も、身体感覚の訓練も、すべて先輩の口頭に依存していました。前2つをAI側に移せば、限られた先輩の時間を、本当に人でなければ伝えられないものに使えます。

技能伝承AIの費用を動かす5つの層

「一式いくら」では判断できない

技能伝承AIの見積は、「AIツールのライセンス費用」だけを見ても意味がありません。実際の費用の大半は、AI以外の部分にあるからです。本記事では具体的な金額を示しません（対象工程数、既存文書の状態、言語数によって桁が変わるため、断定できる数字がないからです）。代わりに、費用を動かしている変数を層に分けて示します。この層立てで見積を依頼すれば、複数社の比較ができるようになります。

どの層に費用が寄るか

多くのケースで、費用の重心は①と②にあります。ツールそのものではなく、中身を作る人手です。これは直感に反するかもしれませんが、当然でもあります。技能伝承AIが扱う知識は自社固有のものなので、既製品として買えるものが何一つないからです。

逆に言えば、①②を薄くした見積は、そのぶん成果が出ません。「既存のドキュメントを読み込ませるだけで完成します」という提案が安く見えるのは、いちばん手間のかかる工程が入っていないからです。見積を比較するときは、価格の総額よりも、①と②にどれだけの工数が積まれているかを見るほうが実態を掴めます。

③については、汎用の生成AIサービスをそのまま使うのか、社内文書を対象とした検索基盤を構築するのかで構造が変わります。④は見落とされやすい層ですが、更新されないナレッジベースは、遠からず使われなくなります。設備も品種も手順も変わるのに、書いてある内容だけが変わらなければ、現場は参照をやめます。初期構築の見積だけを比較して、更新体制を決めないまま走り出すのが典型的な失敗です。

スモールスタートの刻み方

段階に分けるなら、次のような刻み方が実務的です。

フェーズ1（1工程・第1層＋第2層の一部）：属人度が最も高い1工程を選び、既存文書の棚卸しとインタビューを行う。成果物は、その工程の手順書（更新版・多言語）と、判断基準の事例集20〜30件程度。この段階ではAIツールを入れなくても構いません。「引き出して構造化する」工程が自社で回るかを確かめるのが目的です。

フェーズ2（検索基盤の導入）：フェーズ1の成果物を対象に、検索・質問応答の仕組みを載せる。対象が絞られているので、精度の検証がしやすい。ここで「実際に使われるか」「回答が信用されるか」を確認します。使われないなら、原因はツールではなく中身か運用にあります。

フェーズ3（横展開と運用の型づくり）：対象工程を広げつつ、更新の担当と頻度を決める。誰がインタビューを続けるのか、誰が内容を承認するのかを組織として決める段階です。ここを内製化できるかどうかが、長期的な費用を大きく左右します。内製化の進め方はAI内製化支援で整理した考え方が参考になります。

各フェーズの終わりに、次に進む価値があるかを判断します。この刻み方の利点は、途中で止めても前段までの成果（手順書と事例集）が資産として残ることです。ツールから入る進め方には、この性質がありません。

見積を依頼するときに渡すべき情報

情報が足りない見積は、必ず高い方に振れます。最低限、次を用意してください。

• 対象工程の候補と、その選定理由（属人度、業務影響）
• 対象となるベテラン・駐在員の人数と、インタビューに割ける時間
• 既存文書の所在と概数（フォルダ構成、ファイル数、形式、最終更新時期）
• 現在の手順書の言語と、必要な対応言語
• 受け手の構成（オペレーター何名、テクニシャン何名、それぞれの読解言語）
• 既存システムの状況（生産管理、設備保全、文書管理に何が入っているか）
• 社内のIT方針（クラウド利用の可否、社外へのデータ持ち出し制限）
• 誰が更新を担当する想定か（未定なら「未定」と伝える。これが分かるだけで提案が変わります）

最後の項目が特に重要です。更新体制が決まっていない前提で設計するのと、内製で回す前提で設計するのとでは、UIも仕組みも変わります。

効果測定 — 何を指標に置くか

「AIを使った回数」は指標にならない

技能伝承AIの効果測定でよくある間違いが、利用回数やアクセス数を指標に置くことです。この種の数字は導入直後の物珍しさで上がり、しばらくすると落ちます。落ちたときに「定着しなかった」以上のことが分かりません。

技能伝承の目的は、知識が人から人へ移ることです。したがって指標も、知識の移転を測るものである必要があります。実務で使いやすいのは次の4つです。

ベースラインを先に取る

これらの指標は、導入前に測っておかないと効果が言えません。特に「習熟までの日数」と「ベテランへの質問件数」は、導入後に測り始めても比較対象がありません。

現実的なやり方は、フェーズ1の対象工程を決めた段階で、その工程について過去に何人の新人が何日で習熟したかを聞き取り、記録することです。厳密な数字でなくても構いません。「だいたい半年かかっていた」という現場の認識が共有されていれば、それがベースラインになります。

もう一つ、質問件数については、1〜2週間だけ簡易に記録する方法が使えます。ベテランに小さな記録票を渡し、「誰から、何を聞かれたか」を1行だけ書いてもらう。この記録は効果測定のベースラインになると同時に、インタビューで何を聞くべきかのリストにもなります。よく聞かれることは、残すべき知識だからです。

定着させる運用の条件

指標を置いても、運用が回らなければ数字は動きません。続く仕組みにするための条件は、次のとおりです。

• 使う場面が業務に組み込まれている：「困ったら見る」ではなく、「作業開始前に該当項目を確認する」といった手順に組み込む
• 受け手の言語で回る：画面、検索、回答、すべてタイ語または英語で完結する。日本語が必要な場面が残っていると、そこで止まります
• 更新の担当と頻度が決まっている：「気づいた人が直す」は誰も直しません。担当と、月次なり四半期なりの見直しの場を決める
• 承認のルールがある：誰が内容を承認するのか。技術的な正しさを誰が担保するのかを決めておく。承認なしで追加できる仕組みは、いずれ信用されなくなります
• 回答の根拠が示される：AIの回答に、元となった手順書や事例へのリンクが付く。これがないと、現場は自分で確認しに行き、二度手間になります
• 間違いを報告する経路がある：「この回答は違う」を誰でも報告できて、それが更新につながる。この経路がある仕組みだけが、精度を上げていきます

失敗を避けるための実務チェックリスト

ここまでの内容を、着手前に確認できる形にまとめます。

着手前に確認すること

1. 対象工程を3つ以内に絞ったか。全社展開から入っていないか。選ぶ軸は属人度（その人が抜けたら止まるか）、業務影響度（止まったときの損失）、対象者の協力が得られるかの3つです。感覚・身体知の比重が極端に高い「いちばん難しい工程」を最初に選ぶと、第3層の壁で「AIでは無理だった」という結論だけが残ります
2. その工程で失われようとしている知識を、3層のどれかに分類したか
3. 第3層（感覚・身体知）を対象から外したか。外していないなら、それはなぜか
4. インタビューを誰が実施し、誰が構造化するかを決めたか。ベテランに書かせる計画になっていないか
5. 受け手（タイ人スタッフ）の読解言語を確認し、多言語化を要件に入れたか
6. 既存文書の棚卸しと廃棄を、AI導入より前に置いたか
7. 更新の担当と頻度を決めたか。未定なら、それを前提に設計を依頼したか
8. 効果測定の指標と、そのベースラインを導入前に取る計画があるか

進行中に見るべき兆候

• インタビューの日程が繰り返し延期されている → ベテランの負荷か、経営側の優先順位付けが弱い
• 構造化した内容の確認がベテランから返ってこない → 確認の粒度が細かすぎるか、形式が読みにくい
• タイ人スタッフから「これでは分からない」が出ない → レビューが形式的になっている可能性。出ないほうが不自然です
• 検索して出てきた回答を、現場が元文書で確認し直している → 信頼されていない。回答の根拠提示か、元文書の品質に問題がある

よくある質問

技能伝承AIの費用はどれくらいかかりますか？

一律の金額は示せません。費用の大半がツールではなく、知識を引き出して整理する人手にあるためです。対象工程が1つか10かで作業量が一桁変わりますし、既存文書が整理されているか散らかっているかでも変わります。対応言語数も直接効きます。見積を取るときは、本文で示した5層（①棚卸し・インタビュー設計 ②コンテンツ制作 ③検索基盤 ④運用・更新 ⑤教育設計）に分けて出してもらってください。総額だけを比較すると、いちばん重要な①②が抜けている安い提案を選ぶことになりがちです。まず1工程だけをフェーズ1として実施し、そこで実際にかかった工数を基に全体を見積もるのが、最も精度の高いやり方です。

暗黙知は本当にAIで残せますか？

種類によります。手順（第1層）と判断基準（第2層）は残せます。感覚・身体知（第3層）は残せません。この切り分けをせずに「暗黙知をAIで」と考えると、必ず期待とのずれが生まれます。実務的に重要なのは、多くの現場で若手を止めているのは第3層ではなく第2層だという点です。身体で覚えるしかない識別能力そのものは移せませんが、それを使った後の段取り——どこから確認し、何を根拠に止めるか——は移せます。ここが残るだけで、ベテランを呼ぶ回数は減ります。ゼロにはなりませんし、ゼロを目指すべきでもありません。

既存の作業標準書があります。それをAIに読み込ませれば足りますか？

足りません。理由は2つあります。第一に、作業標準書に書かれているのは第1層（手順）だけで、判断基準はほぼ含まれていないからです。若手が困るのは「手順どおりにやったのにうまくいかない」場面であり、そこは標準書の外側にあります。第二に、既存文書をそのまま読み込ませると、古い版・承認前のドラフト・重複が混ざったまま検索対象になります。AIは根拠を示しつつ誤った内容を返すので、かえって信頼を損ないます。読み込ませる前に、棚卸しと廃棄・統合を必ず行ってください。この整理作業は地味ですが、出力品質の大半を決めます。

ベテランがインタビューに協力してくれるか不安です。どうすればいいですか？

まず、執筆を依頼しないことです。書く作業を求められると身構えますが、「話を聞かせてください」なら受け入れられやすい。加えて、次の3点が効きます。第一に、通常業務を減らす。インタビューの時間を業務時間として正式に確保し、その分の作業を誰かが引き取る体制を作ります。上司が「これは業務です」と明示することが必要です。第二に、成果を本人に見せる。構造化した内容を確認してもらう工程を必ず入れると、「自分の知識が形になった」という手応えが生まれます。第三に、現場で聞く。会議室に呼び出すのではなく、作業の横で聞く形にすると、負担感がまったく違います。協力を得られない最大の原因は、本人の姿勢ではなく、依頼の仕方と時間の確保にあることがほとんどです。

日本語で作った資料を、後からタイ語に翻訳すればいいのではないですか？

順序としては可能ですが、最初から多言語を前提に設計するほうが結果的に安く済みます。理由は、後から訳す場合、用語の統制ができていないからです。治具名、設備の呼び名、社内の略語が訳者ごとにばらつき、現場で「これはどれのことか」という混乱が起きます。先に用語集を作り、それを固定してから訳すという順序が必要で、これは日本語版を作る段階で決めておくべきことです。もう一つ、現地スタッフのレビュー工程を最初から入れることが重要です。訳文として正しくても、現場で通じる言い方でなければ使われません。翻訳精度自体は生成AIの活用でかなり上がっていますが、用語統制と現場レビューは人が担う必要があります。

駐在員の引継ぎにも使えますか？

タイの日系工場では、むしろこちらのほうが効果が見えやすい場合があります。駐在員が3〜5年で交代する構造では、現地で作り上げた判断基準——顧客ごとの品質基準の運用、季節による設備挙動の違い、サプライヤごとの受入方針など——が任期終了とともに失われます。これは現場技能職の暗黙知とまったく同じ構造の問題です。実施するときは、通常の引継ぎ資料と分けて考えてください。引継ぎ資料に書かれるのは組織図と担当業務一覧で、判断基準はほぼ含まれません。必要なのは「なぜその判断をしているか」であり、それを引き出すには本文で挙げた質問の型（判断の分岐点・例外・失敗経験・やらないこと）が使えます。加えて、現地マネージャー層が読める言語で残すこと。後任の日本人だけが読める形にすると、次の交代でまた同じことが起きます。

まとめ

技能伝承AIの成否は、AIの性能ではなく、何を残すかの切り分けで決まります。要点を整理します。

• 暗黙知を3層に分ける：①手順（形式知化しやすい）②判断基準（引き出せば残せる）③感覚・身体知（残せない）。①②だけをAIに載せ、③は教育設計に回す
• ③を諦めることが、①②を守る：全部を残そうとするプロジェクトは膨らんで頓挫する。目的はベテランを呼ぶ回数を減らすことであって、ゼロにすることではない
• 失敗は3パターンに集約される：動画を撮ってサーバに置いただけ／ベテランに書かせて頓挫／既存文書を全部AIに読ませて誤答が出る。いずれも切り分けの不在が原因
• 「ベテランの知識や経験等の形式知化が難しい」は68.6%：ものづくり白書2026の解説による。あわせて「方法が分からない」28.6%、経営資源の不足28.1%も挙がっている。データ連携済みでもAIを活用していない事業者は71.8%
• 引き出す工程が中心：書かせるのではなく、聞き出して聞き手が構造化する。質問の型は「判断の分岐点」「例外」「失敗経験」「やらないこと」の4つ。NTTデータのPoCは、AIを「聞き出す側」に置く設計を示している
• タイでは駐在員の判断基準も対象：3〜5年の任期交代で失われる知識は、現場技能職の暗黙知と同じ構造。受け手はタイ人スタッフなので、多言語化はオプションではなく要件
• 費用は5層で見積を取る：①棚卸し・インタビュー設計 ②コンテンツ制作 ③検索基盤（RAG）④運用・更新 ⑤教育設計。重心はツールではなく①②の人手にある
• 効果は知識の移転で測る：習熟までの日数、一人で完結できる作業範囲、ベテランへの質問件数、ナレッジの更新件数。ベースラインは導入前に取る
• 1工程から始める：属人度と業務影響度、そして協力が得られるかで選ぶ。最初に最難関の工程を選ぶと「AIでは無理だった」で終わる

技能伝承は、AIを買えば完了する種類の課題ではありません。しかし、「引き出す」「整える」「探せるようにする」「多言語で届ける」という工程のそれぞれで、以前より確実に手が届くようになったのも事実です。順序を守れば、投資は資産として残ります。順序を逆にすると、誰も開かないフォルダと、動かないチャット画面だけが残ります。

TOMAS TECHはタイ・バンコクを拠点に、日系製造業の工場IT／OT・FA領域を手掛けるシステムインテグレーターです。生産管理システムPEGASUSを通じて現場の作業と設備のデータを扱ってきた経験から、日本語・タイ語・英語が混在する現場で「誰が読むか」を前提にした情報設計を得意としています。「どの工程から手を付けるべきか」「うちの手順書の状態でAIに載せられるのか」といった、検討の初期段階の相談からで構いません。現状の文書の状況と、失われようとしている工程を伺えれば、3層のどこに課題があるかの見立てからご一緒できますので、お問い合わせよりお気軽にお声がけください。

参考情報

• 2026年版ものづくり白書｜経済産業省
• ものづくり白書2026の解説｜SmartF
• 言語理解研究所「製造現場ナレッジAI」提供開始｜IT Leaders
• 暗黙知の伝承に向けたPoC（川崎重工業・設計業務）｜NTTデータ
• 匠AI｜三菱総合研究所
• Why Thailand’s Manufacturing Sector Is Facing a Talent Bottleneck｜A Plus Career
• Skilled-labour Crisis in Thailand: Prognosis, Policies and Prospects｜RSIS