日本の工場ベテランが「AI知識システム」になる日

午前2時、答えを知る人がいない

夜勤の加工機から、いつもと違う高い音がする。寸法はまだ公差内だが、切粉の色がわずかに濃い。若い作業者は送り速度を落とすべきか、工具を替えるべきか、停止して品質責任者を呼ぶべきか迷う。昼なら、40年の経験を持つ主任が音を聞き、工具先端を一度見て、「材料ロットが変わった。先にクーラントを確認しよう」と言ったかもしれない。

手順書には「異音時は点検」とある。保全記録には部品交換の日付がある。図面には公差がある。だが、どの情報を先に疑い、何を危険な兆候とみなし、どこで生産を止めるかという順序は、主任の中にある。結論だけを記録しても、次の異常が少し違えば役に立たない。失われるのは答えではなく、注意の向け方だ。

LIGHTzが発売した「汎知化AI」は、この間隙を狙う。同社によると、独自の暗黙知抽出AIエンジン「Re:Quid（リキッド）」が日常の会話と業務上の判断から、「なぜ」「どう決めたか」「何を基準にしたか」を抽出する。社内文書を探すRAG（検索拡張生成）と組み合わせ、記載内容、過去の類似事例、判断根拠、推奨行動を一組で返す。工程ごとのアプリを載せ、研究、設計、生産、保全、営業へ知識を横断させる構想だ。

新サービスが約束するもの、まだ示していないもの

7月21日の発表は三つの壁を掲げる。判断の背景が人とともに「残らない」。資料をためても現場で「使えない」。部門ごとのノウハウが「つながらない」。汎知化AIは、若手と熟達者の通常の会話から判断を蓄積し、文書検索ではなく意思決定の根拠を返し、使うほど組織知を強くするとLIGHTzは説明する。提供開始を記念し、先着20社の無料試用も打ち出した。

一方、リリースには価格、導入期間、対応する基盤モデル、クラウドとオンプレミスの選択、データ保持地域、暗号化、権限設計、正答率、誤回答率、顧客での削減時間は記載されていない。「誰もが同じ品質で意思決定」「使うほど精度が上がる」は会社の製品主張であり、独立した比較試験の結果ではない。似た過去が多いほど強くなる可能性はあるが、誤った判断も蓄積されれば、組織の癖を高速で再生産する。

同社のR&Dプロジェクトは5月、経済産業省とNEDOの「NEDO Challenge, 製造業DX」で、熟達者思考AIによる対話型技能伝承としてテーマ1の第2位を得た。公的コンテストの評価は技術の有望性を示すが、発売されたサービスの全機能を実稼働で認証したものではない。第1位は、身体骨格、手腕の動き、力加減を統合解析するCraftSenseだった。この並びは重要だ。技能には、言葉にできる判断と、身体でしか獲得しにくい動作の両方がある。

「知っているのに、説明できない」

暗黙知という言葉の源流に、ハンガリー生まれの科学哲学者マイケル・ポラニーがいる。1966年の『暗黙知の次元』は、人は言葉で語れる以上のことを知っている、と論じた。千人の顔から知人を見分けられても、どの特徴で判別したかを完全には説明できない。自転車の均衡、研磨面の光沢、機械の振動にも同じ問題がある。

ここから二つの異なる結論が導ける。一つは、適切な質問、映像、センサー、事例比較があれば、これまで言えなかった知識の一部を表現できるという希望。もう一つは、すべてを言葉へ変換できるという思い上がりへの警告である。AIの画面に文章が出たからといって、熟練そのものが複製されたわけではない。言葉の正しさを判断するにも、再び経験が要る。

LIGHTzの乙部信吾CEOも2026年のインタビューで、同社が主に扱うのは「匠の手技」より、設計や問題解決に近い知的判断だと説明している。この自己限定は大切だ。工具をどの順で疑うかは会話と事例で構造化しやすい。手首へ伝わる微細な反力を再現するには、動作計測、力覚、実習が別に必要になる。

戦後日本は、知識を人の輪で動かした

日本の工場は、知識管理をコンピューター以前から行ってきた。徒弟とOJTでは、新人が先輩と同じ場所で働き、見て、まねて、直される。標準作業票は現在の最良手順を明示するが、永久の正解ではない。異常が出れば現場で止め、原因を探し、標準を書き換える。

戦後の品質管理運動は、この循環を組織化した。日本科学技術連盟は統計的品質管理を広め、1962年からQCサークル活動が本格化した。少人数の作業者が現場問題を選び、データを取り、原因を分析し、改善案を試す。トヨタ生産方式では「ジャスト・イン・タイム」と「自働化」が柱となり、大野耐一らがムダの発見と現場の判断を生産の仕組みへ埋め込んだ。

この強さは、単なるマニュアルの多さではなかった。作業者が異常を見つけ、班長と話し、なぜを繰り返し、標準を更新する社会的な回路にあった。知識は倉庫ではなく運動だった。新しいAIが成功するなら、その回路を置き換えるのではなく、夜勤、別工場、別世代まで広げなければならない。

野中郁次郎が描いた「知識のらせん」

1991年、経営学者の野中郁次郎は米Harvard Business Reviewで「知識創造企業」を発表し、1994年の論文で組織的知識創造の理論を体系化した。後にSECIと呼ばれるモデルは、共同化（Socialization）、表出化（Externalization）、連結化（Combination）、内面化（Internalization）の四つを循環させる。

重要なのは、SECIが「ベテランから情報を抜き、データベースへ一方向に入れる」モデルではないことだ。若手が使い、現場で確かめ、新しい例外を見つけ、知識を更新するらせんである。汎知化AIが価値を持つかは、検索回答の巧さより、この循環を速くできるかで決まる。

1980年代にも「専門家を箱に入れる」夢があった

AIによる熟練継承は新しい夢ではない。1980年代、エキスパートシステムは専門家の判断を「もしAならB」という規則へ変え、知識ベースと推論エンジンで助言しようとした。日本の通商産業省は1982年、第五世代コンピュータ計画を開始し、約540億円を投じて論理推論、知識処理、並列計算へ挑んだ。

この時代が残した教訓は、計算機の速さだけではない。専門家は明白な規則をすべて先に列挙できない。例外が増えると規則同士が衝突し、設備、材料、顧客要求が変われば知識ベースは古くなる。知識を聞き出す作業そのものがボトルネックとなった。汎用ハードウェアと統計的機械学習が進むにつれ、専用のルールシステムの熱狂はしぼんだ。

生成AIとRAGは、この「知識獲得の壁」を低くする。自然な会話を要約し、大量文書から関連箇所を探し、言葉の揺れを越えて質問できる。しかし古い問題を消したわけではない。規則の衝突は、矛盾する文書とベテラン同士の異なる流儀として残る。固定ルールの硬直性は、生成AIのもっともらしい誤答へ姿を変える。

2007年問題は、消えずに延期された

1947～49年生まれの団塊世代が60歳を迎え始めたとき、工場では「2007年問題」が叫ばれた。当時、製造業事業所の51.6％が技能継承に問題があると回答した。多くの企業は定年延長、再雇用、嘱託で時間を買った。2026年のものづくり白書でも、技能継承策の首位は高年齢者に継続勤務してもらうことで、54.8％に達する。

これは有効な橋だったが、対岸ではない。2026年調査で、技能継承が順調またはやや順調な企業は33.3％にとどまり、8割超が将来を不安視する。人材育成に問題を抱える製造事業所では62.8％が指導者不足、54.4％が育てても辞める、45.4％が育成時間不足を挙げた。継承目的にデジタル技術を使う企業は21.7％。問題は分かっていたが、教える人と教わる人と時間が同時に足りない。

さらに、ベテランのノウハウ可視化を目的にデータ取得をしていない事業者への調査では、7割弱が知識・経験の形式知化の難しさを理由にした。AIは「残す時間がない」現場へ入りながら、入力、確認、修正という新しい仕事も要求する。この逆説を解かなければ、ナレッジシステムは誰も更新しない棚になる。

LIGHTzの10年――インタビューから日常会話へ

LIGHTzは2016年、茨城県つくば市で設立された。乙部氏はキヤノンで非球面レンズの精密研磨装置を設計した元エンジニアで、2011年の東日本大震災後、故郷岩手での支援経験から地域に仕事を作る経営へ進んだと語っている。会社名は未来を照らす「灯」に由来する。

初期の核はBrainModelだった。専門の聞き手が熟達者へ繰り返しインタビューし、言葉を分析し、着眼点と分岐をネットワークとして可視化する。2025年の取材で同社は、複雑な対象なら1回2時間の面談を少なくとも8回求めると説明した。完成後は思考モデルと解説書を作り、必要に応じてAIシステムへ載せる。この可視化から実装までを「汎知化」と呼ぶ。

この丁寧さは強みであり、拡大の壁でもあった。秋田県由利本荘地域の中小金属加工企業で行われた2024～25年の産学官実証では、丸大機工の5軸大物加工と三栄機械の加工プログラム工程を対象に、Input・Process・Outputへ分解し、BrainModelと手順書を作った。報告は有効性を確認する一方、フルの汎知化は中小企業にはハードルが高く、軽量版と継続支援が必要だと結論づけた。生成AIによるヒアリングメモの要約は、リソース不足を補う可能性を示した。

新しい汎知化AIは、この手仕事をゼロにするのではなく、日常のQ&Aへ分散させる試みと読める。Re:Quidが会話を構造化し、仕事の中で知識を増やすなら、退職直前の集中インタビューから、毎日の継続記録へ移れる。だが自動抽出が本当に重要な文脈を拾えるか、誰が承認するか、古い知識をいつ失効させるかは運用で決まる。

実在する企業で、何が進んだか

水処理エンジニアリング大手オルガノは、LIGHTzと2024年に資本業務提携した。同社の2025年統合報告書は、熟練エンジニアの思考過程の可視化、ノウハウのデジタル化、技能の定量化を進め、若手育成と技術継承を論理的に進められるようになったと報告する。2030年度目標70件に対し、2024年度の「汎知化」は18件だった。これは導入企業自身の開示であり、利益や習熟時間への因果を独立に測った研究ではないが、単なるデモより具体的な足跡だ。

逆に、公開情報の多くは顧客名を伏せる。2021年のつくば研究支援センター資料は、フレーバリストの感性と経験をAI化し香料開発期間を半分にした例を挙げるが、対象企業、測定期間、母数は示さない。製造AIは競争力の核心へ触れるため、秘密保持が必要なのは理解できる。それでも市場が成熟するには、匿名化した正答率、エスカレーション率、手戻り、教育時間、更新工数といった比較可能な数字が要る。

AIが「もっともらしい古参」になる危険

製造現場で最も危険なAIは、何も答えないAIではない。自信ありげに古い条件を答えるAIだ。生成AIには事実と異なる文章を作る「幻覚」があり、RAGで文書を与えてもゼロにはならない。過去の成功例が新素材や新設備に合わない概念ドリフト、誤ったQ&Aを取り込む知識汚染、アクセス権のない設計秘密を別部門へ返す漏えいもある。

総務省・経済産業省のAI事業者ガイドライン第1.1版は、機密情報を含む入力、知的財産、誤情報、セキュリティ侵害への備えを求める。米NISTの生成AIリスク管理プロファイルも、作話、データプライバシー、情報セキュリティ、人間の過信を主要リスクに置く。汎知化AIの発表資料は、製造ノウハウを扱う上で必要なアクセス制御、学習利用の有無、監査ログ、モデル停止手段を詳述していない。導入企業は契約と技術設計で確認しなければならない。

知識の所有者は誰か

ベテランの頭にある知識は、会社の設備と顧客案件の中で形成された一方、本人が何十年も失敗と工夫を重ねて得た職業人生でもある。会社が面談を録音し、AIへ変換し、退職後も使うとき、成果物の権利、氏名表示、修正権、利用範囲、報酬は誰に属するのか。契約上の営業秘密だけでは、信頼の問題を解けない。

「あなたがいなくてもよいように知識を取る」と聞こえれば、最良の情報は出てこない。目的を「代替」ではなく「負担を減らし、次の人を育て、本人の仕事を高い判断へ移す」とし、知識提供者を編集者・審査者として残す必要がある。若手にも、AIが答えを与え続けて判断筋を弱らせる自動化バイアスがある。まず自分の仮説を出し、AIの根拠と比べ、結果を現場へ返す訓練にすべきだ。

導入するなら、チャット数ではなく「判断の質」を測る

技術継承AIは全社導入から始めない方がよい。まず、退職リスクが高く、品質・納期への影響が大きく、過去事例があり、答えを検証できる一つの判断を選ぶ。たとえば切削のびびり、金型見積もり、設備アラームの初動、設計レビューの見落としだ。

利用者数や質問数は、システムが開かれたことしか示さない。見るべきは、若手が独力で良い判断を出すまでの期間、同じ不良の再発、ベテランへの割り込み、初動時間、AIから人へ正しく上げた割合、知識の最終更新日である。AIの助言どおりにした回数より、AIの誤りを若手が発見できた回数も重要だ。

「デジタル分身」ではなく、組織の記憶を育てる

ベテランを「デジタル分身」にする表現は魅力的だが、間違った期待を生む。人間の知識は、設備の音、仲間との信頼、顧客の表情、失敗への責任、身体の記憶からできている。AIが持てるのは、その人と組織が選び、言葉やデータにし、検証した有限の模型だ。人は退職しても、模型は老いる。新しい材料、機械、規制が入れば更新が要る。

それでも有限の模型には大きな価値がある。夜勤の若手が、古いマニュアルを百ページめくる代わりに、類似事例と根拠を見て、何を確認すべきかを知る。別部門の設計者が、製造現場で過去に何が壊れたかを設計前に知る。ベテランは同じ質問を繰り返す時間を減らし、例外と新技術を教えることへ集中できる。

日本の工場が守るべきものは、昔の正解ではない。人が集まり、異常を見つけ、理由を問い、標準を直し、次の人が再び疑う能力である。LIGHTzの新しいプラットフォームがその輪の中へ入れるなら、AIはベテランの墓標ではなく、若手とベテランが同じ問題を考え続ける新しい作業台になる。