株式会社羽石産業知能研究所（HIII）の佐藤です。

製造業の技能伝承問題を調べていると、繰り返し出てくるパターンがあります。ベテランの退職が決まった後、企業は急いでマニュアルを作り、作業動画を撮り、後継者にOJTを積ませる。それでもいざ退職すると、「あの工程だけが回らない」という状況が生まれる。後継者もマニュアルも動画も揃っていたのに、なぜか。

マニュアルに書けなかったものがあったからです。判断の根拠、感覚の閾値、例外時の読み——ベテランが無意識に行っていた「頭の中の処理」が、どの手法でも記録できなかった。

厚生労働省の調査では、技能継承に「問題がある」と答えた製造業の事業所は86.5%に達し、全産業で最悪の水準です。「取り組んでいるのに、うまくいかない」企業が過半数を占める。問題は意識の低さではなく、構造的な限界にあります。

今回の記事では、なぜ従来の技能伝承が限界を迎えたのか、そして生成AIがどのように問題の構造を変えるのかを、経営者・DX推進担当者の視点で解説します。

製造業の就業者数は1992年のピーク時1,569万人から2024年には1,046万人まで落ち込み、30年で523万人が消えた計算になります（2025年版ものづくり白書）。一方で一人前の技能者を育てるには5〜10年かかる。人が減り続けているのに、育成にかけられる時間も指導者の余裕も同時に失われていく——この二重の詰まりが問題の核心です。

問題の本質は「暗黙知」にある

MITの研究によれば、従業員が持つ知識のうち正式に文書化されているのはわずか20%で、残り80%は言語化されない暗黙知として個人の中に存在するとされています。

製造現場の核心的な技能は、ほとんどがこの80%側にあります。切削工具から排出される切りくずの色や形を見て刃物の状態を判断する感覚。金型を閉める瞬間の微妙な抵抗感でバリの発生を予測する経験。機械の音が「いつもと少し違う」と気づく聴覚。これらはテキストに書いても、動画で撮っても、本質的には伝わりません。

ベテランが技能を発揮しているとき、その判断の多くは無意識に行われています。長年の経験が「当たり前」になりすぎて、自分が何を根拠に判断しているかを言語化できない状態——これを認知科学では「無意識的有能」と呼びます。聞かれても答えられないのは、サボっているからではなく、優れているからなのです。

マニュアルは手順と数値は伝えられても、感覚や文脈は書けません。OJTは指導者の時間と余裕がある前提で成り立ちますが、今はその前提が崩れています。動画は視覚・聴覚は記録できても、触覚や力加減、判断の根拠までは映りません。

「聞き出すAI」が暗黙知を引き出す

生成AIを活用した「インタビューAI」は、ベテランとの対話を通じて暗黙知を引き出すアプローチです。コニカミノルタが2024年11月にリリースした「COCOMITE」のAI技能伝承インタビュー機能は、認知科学に基づくAIがベテランに約30分のインタビューを行い、その内容から自動的にマニュアルを生成します。

従来のマニュアル作成が「あなたの作業を書いてください」という一方的な言語化要求だったとすれば、インタビューAIは「なぜそのときそう判断したのですか？」「その感覚はどういう状態のときに起きますか？」と問いを続けることで、本人も意識していなかった判断基準を表面化させます。ベテランに求めるのは「質問に答えること」だけで、ITリテラシーも文章力も必要ありません。

静岡県富士市の製造業2社での実証実験では、従来は数日〜数週間かかっていたマニュアル化が約45分（対話30分＋確認15分）で完成するようになりました（コニカミノルタジャパン プレスリリース、2024年11月）。

「社内知識を参照するAI」が暗黙知を現場に届ける

蓄積した知識を現場に届ける仕組みとして注目されているのがRAG（Retrieval-Augmented Generation）です。一言で言うと「自社のマニュアル・トラブル報告書・設計文書を読み込んだ上で質問に答えるAI」です。若手作業者が「この機械の調子が悪いとき、どう対処する？」と聞けば、過去の類似トラブルの対応記録や、ベテランが残した注意事項を組み合わせた回答が返ってくる。AIが「バーチャルベテラン」として24時間365日、複数の工場で同時に機能するイメージです。

AGCは2017年から「匠プロジェクト」として独自のAIナレッジシステムを構築し、現在は国内拠点で月間300件超の技術的な質問を処理しています。繁忙日には1日約40件——1人の専門家が対応できる量を超えるスケールで稼働中です（FRONTEOプレスリリース、2020年7月）。

「映像・センサーを読むAI」が感覚知をデータで補完する

ダイキン工業と日立製作所は2025年4月、設備の故障診断を行うAIエージェントの試験運用を開始しました。工場設備の図面をデータ化し、過去の保全記録と故障分析プロセスを生成AIに学習させた結果、熟練保全員2名の判断と照合した精度は90%超、応答時間は10秒以下を達成。2025年秋から米国・インドへの展開も開始しています（日立製作所・ダイキン工業プレスリリース、2025年4月）。

生成AIへの期待が高まる一方で、「とりあえずAIに入れればいい」という発想では失敗します。経産省・NEDOのGENIAC-PRIZEプログラム（2026年3月）は、技能伝承AIの先進事例から3つの構造的な壁を明らかにしました（出典：日経xTECH、2026年3月）。

第一の壁は「技能の暗黙知を余すことなく抽出できない」こと。第二の壁は「暗黙知をAIに学習させただけでは形式知にならない」こと——「属人的な暗黙知が属AI的な暗黙知に変わるだけ」のリスクがあります。第三の壁は「形式知化と技能の習熟は別」というものです。

この3つを踏まえると、生成AI技能伝承の本質は「ベテランの知識をすべてAIに移植する」ことではなく、人が学ぶ環境をAIで支援し、OJTの質と効率を高めることです。AIが情報検索と説明を担い、人間が判断の確認と実践に集中できる分業体制を設計することが重要です。

最初の一歩は、最も事業影響の大きい技能ギャップを1つ特定することです。品質不良のコスト、設備停止の損失、退職後の育成遅延——それらを数字に変換すると、どのテーマから着手すべきかが自然に見えてきます。PoCは1〜3ヶ月・数百万円規模から始められ、ものづくり補助金やAI導入補助金の活用で初期負担を圧縮することも可能です。失敗事例に共通するのは「全工程を一度に変えようとした」こと。1つの工程から始め、数字で見える成果を出してから横展開する——それが唯一の現実的な道です。

「ベテランが退職すると工場が止まる」——この問いを突き詰めると、日本のものづくりの根幹にある問いに辿り着きます。

日本の製造業が世界に誇る強みは、最先端の設備でも洗練された管理システムでもなく、現場の人間が長い時間をかけて培ってきた「材料と機械と対話する能力」にあります。切りくずの色で刃物の状態を察知する感覚、わずかな振動の変化で不良を予知する経験——これらは、どんなデジタル技術でも完全には置き換えられません。

だからこそ、私たちが生成AIで目指したいのは「ベテランの知識をAIに移植して人を不要にすること」ではありません。ベテランがその技能を磨くために費やした30年を、次の世代が10年で到達できるようにすることです。

AIは技能伝承の完成形ではなく、人が技を習得するスピードを上げ、教える側の負担を下げるためのインフラです。そこへたどり着くまでの環境と時間を、AIが劇的に変えることができる——そのことに、私たちは大きな可能性を感じています。

技能伝承の問題は、意識や努力の問題ではありません。暗黙知の本質的な難しさと、OJTが前提としていた時間的・人的余裕の崩壊という、構造的な問題です。

生成AIは「置き換える」ツールではなく「支える」インフラとして設計してこそ現場に定着します。AIインタビュー・RAG・マルチモーダルAIの3つを組み合わせることで、ベテランの知識を組織の資産に変える仕組みが、今まさに実運用の段階に入っています。

「どの技能から始めるか」「うちの現場に合う進め方は何か」——そうした問いから一緒に考えるところから、HIIIはお手伝いできます。