製造業のベテランが知っていることを、組織の力に変える｜Jitera Context Lab

ある工場では、長年設備を見てきた技術者が、点検表に現れない小さな変化を見つけていました。モーターの音がいつもより少し高い。振動の伝わり方がわずかに違う…。

数値はまだ基準内でも、何かが変わり始めている。そうした兆候を、経験者は設備の音や現場の空気から読み取ります。

別の現場では、20年の経験を持つ担当者が、来月には退職を迎えます。

その人が不在になったとき、同じ異常が起きたら、誰が、何を見て、どの順番で判断すればよいのでしょうか。

手順書は整っていても、そこに書かれていない判断の背景までは、簡単に引き継げません。

製造業にとって重要なのは、ベテランの経験をそのまま保存することでも、単にAIへ渡すことでもありません。経験者がどのような情報を見て、何を根拠に判断し、どのような条件で対応を変えているのかを整理し、次の人が再利用できる組織の知識へ変えていくことです。

製造業のAI活用を考えるとき、私たちJiteraはこの問いを避けて通れないと考えています。設備データや作業履歴を集めるだけで、現場の価値が生まれるわけではありません。データを前にして、現場の人が最後に行っている判断までつながって、初めてAIは業務の力になります。

このデータと現場判断の間にある距離を、ここでは「デジタル・ラストワンマイル」と呼びます。製造業におけるAI活用の本質は、デジタル化された情報を現場の意思決定へ運ぶ、最後の1マイルを埋めることにあるのではないでしょうか。本稿では、ベテランが知っていることを組織の力に変えるとは何を意味するのか、そして組織としてその知識をどう育てていくのかを考えます。

データの先にある、現場の判断

製造業には、標準作業書、品質基準、設備仕様書、点検記録、作業日報など、多くの情報があります。これらは業務の土台であり、AIが参照するうえでも欠かせません。

ただ、資料がそろっていることと、現場の判断を再現できることは同じではありません。同じ症状でも、設備の稼働時間や生産条件によって確認する場所が変わることがあります。測定値が基準内でも、過去の傾向を知る人には見過ごせない変化に見えるかもしれません。異常の原因を切り分けるとき、決められた順番ではなく、状況に応じて確認の順番を変えることもあります。

こうした判断は、マニュアルに反する勝手な工夫という意味ではありません。正式な基準や手順を理解したうえで、設備の癖、製品の特性、過去のトラブル、納期や安全性まで含めて、いま何を優先すべきかを考える行為です。本人にとっては自然な判断でも、第三者には、その理由が見えにくい。ここに、デジタル・ラストワンマイルの難しさがあります。

資料を増やすだけでは、この距離は縮まりません。必要なのは、知識の内容だけでなく、いつ、なぜ、どのような条件で、その判断が行われたのかを、後から確認できる形にすることです。

ベテランが知っていることを、どう組織の力に変えるか

ベテランの経験を組織の知識に変えようとするとき、最初に考えるべきなのは「頭の中をAIに覚えさせる」ことではありません。特定の人の経験をそのまま移すのではなく、どのような状況で、何を根拠に、どのような判断をしたのかを整理し、他の人も確認・再利用できる形にすることが重要です。

ある設備で有効だった判断が、別のラインでも通用するとは限りません。過去には正しかった対応が、設備の更新や規程の変更によって、現在は適用できなくなっていることもあります。経験には、必ず適用条件と前提があります。誰の経験に基づくものか、どの事例から導かれたものか、現在も有効なのかを確かめなければ、組織の知識として安心して使うことはできません。

だからこそ、ベテランの経験を組織の知識に変えるときには、経験を無条件に自動化するのではなく、根拠や条件、確認者とともに扱える形へ整える必要があります。どの業務や設備に関係するのか。どの状況で使えるのか。正式な基準と経験に基づく補足をどう区別するのか。AIの提案を誰が確認し、最終的に誰が判断するのか。これらを曖昧にしないことが、最後の1マイルを埋める前提になります。

形式知と経験をつなぐ

現場の知識を活用するうえで重要なのは、正式な文書と経験談のどちらかを選ぶことではありません。両者がどのように関係しているかを見えるようにすることです。

たとえば、設備仕様書にある許容範囲と、過去のトラブル対応で蓄積された確認の観点は、単独ではなく組み合わせて初めて意味を持つ場合があります。品質基準と検査記録、作業手順と設備の状態、設計上の意図と現場での変更経緯も同じです。

文書だけをAIに渡せば、回答は形式知に寄ります。反対に、経験談だけを集めても、正式な基準や現在の適用範囲と結び付かなければ、業務で使える知識にはなりません。デジタル・ラストワンマイルを埋めるには、情報を増やすことよりも、情報同士のつながりを整理することが大切だと考えます。

製造現場で目指したいのは、次のような関係がたどれる状態です。

正式文書と現場の補足知識、設備や製品の仕様と過去の対応履歴が結び付いている
異常の兆候から確認と復旧の経緯をたどれ、標準手順と例外時の判断基準を照らし合わせられる

この関係が整理されていれば、AIは単に資料を検索するだけではなく、業務の背景を踏まえて情報を整理し、次に確認すべき点を示しやすくなります。人が行ってきた判断を置き換えるのではなく、その判断に至る道筋を、別の人にもたどれるようにするのです。

質問から始まる知識の継承

ベテランの経験を組織知に変える取り組みが進まない理由の一つは、ベテランに最初から完成したマニュアルを書いてもらおうとすることです。現場の知識を白紙から文章にする作業は負担が大きく、何をどこまで書けばよいのかも判断しづらいものです。

そこで、日常業務で実際に起きる確認を、知識を残すきっかけにする方法があります。AIが設備仕様、過去の点検記録、トラブル事例を整理し、判断に足りない情報を担当者へ尋ねる。担当者は、目の前の状況に答える。そのやり取りを、確認とレビューを経たうえで、次に使える知識として残していきます。

たとえば、AIが「振動値は基準内ですが、前回点検から上昇しています。この設備では、過去に同じ傾向が出た際、最初にどの部分を確認しましたか」と尋ねたとします。ベテランは「このラインでは数値よりも、負荷を切り替えた直後の音を先に聞く。音に変化があれば、軸受け周辺を確認する」と答えるかもしれません。ここで初めて、点検記録の数字だけでは見えなかった判断の順番と条件が、具体的な知識になります。

この方法なら、知識を持つ人は白紙から文書を作る必要がありません。実際の質問に答えるなかで、経験を自然な言葉にできます。同時に、どこに知識の空白があるのかも見えてきます。すべての経験を最初から記録するのではなく、業務で繰り返し必要になる判断から整えていく。そのほうが、現場にも受け入れられやすいのではないでしょうか。

もちろん、回答をそのまま正解として扱ってはいけません。内容の確認、適用範囲の整理、必要な承認を経て、レビュー可能な組織知として残すことが前提です。人への確認を単発の問い合わせで終わらせず、次の判断に再利用できる形へつなげることが重要です。

最後の1マイルを、業務の中で埋める

ここまで述べてきたデジタル・ラストワンマイルは、特別な知識収集プロジェクトだけで埋めるものではありません。点検、品質確認、トラブル対応、設計レビュー、教育といった、すでに現場で行われている業務の中に、知識の確認と蓄積を組み込む必要があります。

設備データが集まっていても、どの変化を重要と見るのかが分からなければ、対応にはつながりません。作業履歴が蓄積されていても、どの条件が結果に影響したのかが分からなければ、次の改善には活かしにくいでしょう。データから判断へ移る途中にある、人の経験と確認を扱えるかどうか。ここに、製造業のAI活用を実務へつなげる鍵があると思います。

すべてを一度にデジタル化する必要はありません。まずは、経験者への確認が頻繁に発生し、特定の人への依存が大きく、知識を共有できたときの価値が高い業務を選ぶことが現実的です。小さな判断の積み重ねが、やがて拠点や世代を越えて使える知識の流れをつくります。

AIと人の判断をどう分けるか

製造現場でAIを使う以上、安全、品質、法令、契約、顧客との取り決めに関わる責任を避けることはできません。AIが提案した内容をそのまま実行するのではなく、適切な担当者が根拠と適用条件を確認し、必要な承認を行うことが欠かせません。

AIに期待する役割は、経験者の代わりに最終判断を下すことではありません。過去の資料や事例を整理し、確認すべき観点を示し、不足している情報を明らかにすることです。人が判断しやすい状態をつくり、その判断の根拠を後から確認できるようにする。私たちJiteraは、ここにAIの現実的で大きな価値があると考えています。

この視点に立つと、AI導入の評価軸も変わります。回答が速いかどうかだけでなく、必要な根拠をたどれるか、判断に足りない情報を見つけられるか、現場担当者が無理なく修正できるか、確認済みの知識を次の業務で再利用できるかが重要になります。判断の責任者とレビューの範囲が明確であることも、技術と同じくらい大切です。

AIは現場を理解するための補助者であり、組織の学習を促す接点にもなり得ます。人の責任を曖昧にするのではなく、人が責任ある判断を行うための情報と時間を確保する。その役割を明確にすることで、AIは現場に受け入れられるものになるのではないでしょうか。

経営層が見つめるべき、知識の流れ

ベテランの経験を組織の力に変えることは、現場の教育施策だけの話ではありません。製造能力、品質、供給の安定性、技術開発力に関わる経営課題です。経営層や事業責任者がまず向き合うべきなのは、事業継続に欠かせない判断が誰に依存しているのか、その人が不在でも現場が前に進める状態なのかという問いです。

継承すべきものは、作業手順だけとは限りません。判断基準、過去の経緯、拠点ごとの違い、例外への対応など、日々の会話のなかで受け渡されている情報こそ、次の世代に必要な場合があります。どの知識をどの範囲で共有し、誰がレビューし、どの時点で更新するのかを決めることは、システム導入より前に考えるべき経営の仕事です。

AIに任せる整理と、人が担う判断の境界も、現場任せにするだけでは足りません。知識の所有者、アクセスできる範囲、更新の責任者、最終的な承認者を定めることで、デジタル・ラストワンマイルは一時的な取り組みではなく、組織の運用になります。

AIコンテキストプラットフォームという考え方

製造業のベテランの経験を継続的に組織で活用するには、個別の文書管理や一時的なヒアリングだけでは不十分です。形式知、現場の経験、設備や製品に関する情報、過去の判断、担当者による確認を、業務の文脈に沿って扱う基盤が必要になります。

AIコンテキストプラットフォームは、組織固有の知識をAIが参照できる状態に整え、人の確認やレビューを通じて継続的に更新していくための考え方です。製造業においては、設計、製造、品質、保守、教育を別々の情報として管理するのではなく、知識のつながりとして捉えることに意味があります。

Jiteraは、形式知と暗黙知、既存の業務データを組み合わせ、製造業の組織が自らの知識をAIとともに活用・改善していくための基盤づくりを支援します。文書を検索するだけでなく、現場の判断に必要な背景や確認を扱うことが、デジタル・ラストワンマイルを埋めるうえで重要だと考えています。

製造業におけるJiteraの活用については、製造業向けソリューションでも詳しくご紹介しています。

ただし、ベテランの経験を組織の資産にすることは、製品を導入すれば完了するものではありません。対象業務の選定、知識の所有者、レビュー方法、アクセス範囲、更新責任、現場での受け入れ方を定め、実際の業務で確かめながら育てていく取り組みです。

まとめ

製造業で問われているのは、ベテランの知っていることをどれだけ多く記録できるかだけではありません。その経験や判断を、次の人が確認し、現場の状況に応じて再利用できる組織の知識へ変えられるかどうかです。設備の音、過去の経験、例外への対応、判断の順番。こうした情報を正式な基準や記録と結び付けてこそ、AIは現場の意思決定を支えられます。

組織の力に変えるとは、ベテランの経験を無条件にAIへ移すことではありません。条件や背景とともに知識を扱い、人が確認し、レビューし、日常業務のなかで更新していくことです。その積み重ねによって、個人に閉じていた判断が、次の人、次の拠点、次の改善へとつながっていきます。

問うべきなのは「ベテランの技術をどう保存するか」だけではありません。「ベテランが知っていることを、次の判断、次の人、次の拠点へどうつなぎ、組織の力として活かすか」です。AIは、そのためのデジタルな同伴者として、組織の知識継承と継続的な学習を支援できます。

製造業のベテランが知っていることを、組織の力に変える