品質判断の暗黙知をAIで言語化して引き継ぐ実践手順
「これはNGだよ、見た感じで分かるだろ」
品質検査の現場では、こんな会話が今日も起きている。30年のキャリアを持つベテラン検査員の目は正確だ。しかしその判断がどこから来るのか、誰も言語化できていない。来年、そのベテランが定年を迎える。あなたの工場では、その「目」をどうやって次の人に渡すつもりか。
AIを使えば解決できる、という話は耳にしたことがあるだろう。しかし現場の実態はそう単純ではない。AIに何を教えるかを決めるのは人間であり、その判断基準の設計こそが成否を分ける。大企業の事例を参考にしながら、中小製造業が最初に何をすべきかを整理する。
ベテラン検査員の「目」をどう次の世代に渡すか
品質検査の「暗黙知」とは何か——なぜ技能継承にAIが注目されるのか
品質検査の暗黙知とは、検査員が「体でわかっている」判断のことだ。表面の光沢の微妙なムラ、手に取ったときの重心のずれ、音を聞いて分かる内部のガタつき。これらはマニュアルに書かれておらず、OJTを通じて何年もかけて身体化される。
問題は、この知識が「人に紐づいている」ことだ。ベテランが退職すれば、知識も一緒に消える。OJTは重要だが、後継者が育つまでの時間は稼げない。検査員が2〜3人しかいない中小製造業では、1人の退職が品質管理体制の崩壊に直結することもある。
だからこそ「AI×技能継承」が注目されている。ただし、AIが自動的にベテランの知識を吸い上げてくれる、という誤解は捨てるべきだ。AIに学習させるには、まず人間が判断基準を言語化しなければならない。AIは整理された知識を使いこなすツールであって、知識の整理を代わりにやってくれるわけではない。
BoschとデンソーはどうやってAIに「判断基準」を教えたか
Boschは2025年時点で世界の約50拠点でAIを生産活用している。Stuttgart-Feuerbach工場では、コンポーネント検査時間を3.5分から3分に短縮し、検出率も同時に高めたと報告されている（出典：MyBusinessFuture）。その背景にあるのは、AIシステムに即頼るのではなく、蓄積された熟練者の知識を先に整理してからAIに学習させるというアプローチだ。
国内では、デンソー（トヨタグループ）がSOMRIE™認定制度を展開している。これは社外アセッサーも交えて個人スキルを客観的に認定する仕組みで、18種の専門性について7段階のレベルを設定する。2025年5月にはトヨタグループ5社が「トヨタソフトウェアアカデミー」を発足させ、SOMRIE™とAIを連携させることでスキルの見える化を加速させている（出典：デンソー ニュースルーム）。
両社に共通する設計思想がある。「先にスキルや知識を構造化し、その後にAIを使う」という順番だ。AIが先ではない。中小製造業がこの教訓から学べることは多い。
「整理→データ化→AI化」の順番が現場ではうまくいく
「AIに何を教えるか」を誰が決め、誰がその基準を品質保証するか
ここが最も重要な問いだ。多くの現場で、このステップが曖昧なままAI導入が進もうとしている。
AIに品質判断を学習させる場合、「合格・不合格の境界線をどこに引くか」という決定が必要になる。これはAIが自動で決めることではない。検査員、品質保証部門のリーダー、場合によっては顧客側の仕様を確認しながら、人間が明文化しなければならない。
さらに問題になるのは、その基準の「品質保証」だ。AIが出した合否判定の最終責任は誰が持つか。誤判定が発生したとき、誰がそれを検知し、基準を更新するのか。この設計を最初に決めずに導入すると、「AIの言う通りにしたら不良品が増えた。でも誰のせいかわからない」という状態になる。
実際の現場で最初に決めるべきことは3点だ。
- 合否判断の根拠を文書化する責任者（通常は品質保証リーダー）
- AI判定の定期的な精度確認と更新ルール（月次・四半期など頻度を明記する）
- AIが出せない判断のエスカレーション先（例外処理の担当と手順）
この3点が決まっていない状態でAIシステムを入れても、現場は混乱するだけだ。重要なのは、AIの技術仕様よりも、この運用責任の設計を先に終わらせることだ。
中小製造業が最初にやること：AIの前に「判断の地図」を作る
中小製造業にとって、最初にやるべきことはAIシステムの導入ではない。ベテラン検査員の判断基準を言語化した「地図」を作ることだ。
具体的な手順を示す。
Step 1：聞き取りの場を設ける（1〜2時間 × 3〜5回） ベテラン検査員に検査の実演をしてもらいながら、「なぜそれをNGにしたのか」を一つひとつ言語化してもらう。録音・録画も有効だ。ポイントは「分かるだろ」で終わらせないこと。「どこが違う？」「どのくらいひどければNG？」と細かく聞き直す。最初は嫌がられることもあるが、「あなたの経験を記録として残したい」という文脈で依頼すると協力を得やすい。
Step 2：判断基準を3種類に分類する 集めた判断基準を「数値で測れるもの（寸法・重量・電気特性など）」「外観・触感など数値化が難しいもの」「状況依存（工程・ロット・顧客仕様によって変わる）のもの」に分類する。AIに最初に学習させるべきは、数値化できる基準のグループだ。
Step 3：AI学習の優先順位を決める 数値化できる判断基準からAIに学習させ、まず簡単な判定から任せる。難しい外観判断は人間が続け、その判断結果をデータとして積み上げてから次のフェーズに進む。最初から完璧なAIシステムを作ろうとしない。
この3ステップは、システム投資なしに今日から始められる。必要なのは、時間と、ベテランに聞き続ける姿勢だ。
判断基準の聞き取りが、AI活用のスタートラインになる
まとめ：「AIを入れる」より「何を教えるかを決める」が先
品質判断の暗黙知をAIに引き継がせるとき、最初の壁は技術ではなく整理だ。
ベテランが持っている判断基準を言語化すること。その基準の精度を誰が保証するかを決めること。AIが出せない判断の例外処理を設計すること。この3つがそろって初めて、AI活用は意味を持つ。
「AIを使えば技能継承ができる」ではなく、「技能継承を進める中でAIが使える」が正しい順番だ。
最初の一歩は、AI導入の検討ではない。明日、あなたの工場のベテラン検査員に「なぜそれをNGにしたの？」と聞くことから始まる。
「これ、AIでできない？」
業務の流れに落とし込みます。
相談内容をもとに、
AIで支援できそうな工程と、
人が確認すべきポイントを整理します。
まずは、分かる範囲で構いません。