1/29ページ
カタログの表紙 カタログの表紙 カタログの表紙
カタログの表紙

このカタログをダウンロードして
すべてを見る

ダウンロード(1.9Mb)

製造業必見！熟練者の暗黙知を形式知に変える、技術承継の進め方とAI・データ活用事例

ホワイトペーパー
ストックマーク株式会社
お問い合わせ

製造業の技術継承を成功に導く、暗黙知の形式知化とAI活用を解説

熟練技術者の退職や人材不足が進む製造業では、
経験や勘に基づく「暗黙知」をいかに次世代へ継承するかが重要な課題です。

本資料では、暗黙知を形式知化する考え方から、
AI・データを活用して熟練者の判断やノウハウを組織で共有・再利用する方法までわかりやすく解説。
ダイキン工業×日立製作所、デンソー×SOLIZE、日立製作所の事例に加え、
技術継承を進める3つのステップや注意すべきポイントもご紹介します。

このカタログについて

ドキュメント名 製造業必見！熟練者の暗黙知を形式知に変える、技術承継の進め方とAI・データ活用事例
ドキュメント種別 ホワイトペーパー
ファイルサイズ 1.9Mb
取り扱い企業 ストックマーク株式会社 (この企業の取り扱いカタログ一覧)

この企業の関連カタログ

この企業の関連カタログの表紙
マンガで分かる！設計・開発業務専用のAIエージェント『Aconnect（エーコネクト）』とは
製品カタログ

ストックマーク株式会社

この企業の関連カタログの表紙
製造業向け「生成AIエージェント」Aconnectのご紹介資料
製品カタログ

ストックマーク株式会社

この企業の関連カタログの表紙
R＆Dの情報収集。AIで「月14時間の工数削減」に貢献！自動車・化学業界別の事例もご紹介｜Aconnect
製品カタログ

ストックマーク株式会社

このカタログの内容

Page2

Slide 2

はじめに 日本の製造業を支えてきた高度熟練技術者は相次いで定年退職を迎え、数十年かけて培われたコア技術や トラブル対応の知見が、現場から失われる危機に直面している。 従来の紙マニュアルでは再現が難しかった熟練者の思考・判断プロセスを、AI・データ活用によって構造 化・資産化する「暗黙知の形式知化」が、技術継承に向けた急務となっている。 暗黙知を個人の中に残したままでは、熟練者の退職とともに、現場の判断力や トラブル対応力も失われかねない。単に文書化するのではなく、 必要な場面で人やAIが活用できる状態にすることが重要である。 製造業の現場に蓄積された暗黙知を活用する重要性と、 それをAIで活用できる組織資産へ 変えるための具体的な進め方を、実際の事例を交えて紹介する。 2
Page3

Slide 3

目次 1. 製造業で暗黙知の形式知化（製造業DX）が急務な理由 2. 製造業における暗黙知の形式知化とは - 製造業でよくある暗黙知の例 - 暗黙知で組織を活かす「SECIモデル」 - 生成AIによって暗黙知はどう変わるのか 3. 【現場別】製造業における暗黙知の形式知化事例3選 - 事例①ダイキン工業×日立製作所｜ろう付け作業を標準動作モデルへ変換 - 事例②デンソー×SOLIZE｜仕様変更から懸念点と対策をAIが提示 - 事例③日立製作所｜品質保証：熟練者の情報探索プロセスをAIエージェントで再現 4.熟練技術者の暗黙知をAIで形式知化する最新アプローチ - 製造業の暗黙知を形式知化する3つのステップ - Step① 既存知識を整理し、不足している情報を特定する - Step② 熟練者の判断プロセスを引き出す - Step③ 知識を現場で活用・更新する仕組みをつくる - 暗黙知を形式知化するうえで注意したい4つのポイント 5.まとめ｜暗黙知の資産化による製造業の成長 3
Page4

Slide 4

製造業で暗黙知の形式知化（製造業DX）が急務な理由
Page5

Slide 5

製造業で暗黙知の形式知化（製造業DX）が急務な理由 製造業で暗黙知の形式知化が急がれている背景には、熟練者の退職だけでなく、従来の技術継承や情報共有の仕組み が限界を迎えていることがある。 熟練技術者の退職によって OJTだけでは、継承できる 属人化が品質低下・手戻り 01 | 判断力が失われる 02 | 人数と経験に限界がある 03 | 機会損失につながる ● 熟練技術者の退職で、問題解決の質 ● 熟練者の多忙化や若手不足により、 ● 判断基準が共有されていないと、品 を左右する知識も同時に失われる。 従来型のOJTには物理的な限界がある。 質や生産効率にばらつきが生じる。 ● こうした知識は明確に言語化されて ● 発生頻度が低いトラブルは、実際に ● 判断理由が残っていなければ、同じ いないことが多く、短期間で引き出す 経験する機会自体が少ない。 失敗や調査を繰り返しかねない。 ことは難しい。 ● 同じ現場に居合わせなければ学べな ● 設計の手戻りや二重投資によって、 い方法では、展開にも時間がかかる。 開発期間とコストが増大する。 人やAIが必要なときに検索・参照できる『AI-Readyなデータ』へと変換し、業務や意思決定に繰り返し活かせる組織 資産にすることが、これからの製造業DXには求められている。 5
Page6

Slide 6

製造業における暗黙知の形式知化とは
Page7

Slide 7

製造業における暗黙知の形式知化とは 暗黙知の形式知化とは、熟練者が経験を通じて身につけた判断基準や仕事のコツを、ほかの人も理解し、活用できる 形にすることである。単にマニュアルを作るのではなく、「どのような状況で、何を手がかりに、どう判断したの か」まで整理し、組織で共有・再利用できる知識へと変えていく。 暗黙知とは 形式知とは 暗黙知という考え方は、科学者・哲学 形式知とは、文章や図表、数値、手順 者のマイケル・ポランニーが、1966年 書などで表現され、ほかの人に共有で の著書『暗黙知の次元』で示したもの きる知識を「形式知」という。形式知 である。ポランニーは、「人は、言葉 化の目的は、暗黙知を完全になくすこ で説明できる以上のことを知ってい とではなく、共有できる部分を取り出 る」という考え方を提示した。 し、組織の中で受け継ぎやすくするこ とにある。 7
Page8

Slide 8

製造業でよくある暗黙知の例 製造業では、製造工程の手加減だけでなく、設計、設備保全、品質保証、研究開発など、さまざまな業務に暗黙知が 存在する。 業務 暗黙知の例 属人化した場合に起きること 製造 材料や気温に応じた微妙な温度・力加減 品質のばらつき、不良率の上昇 過去トラブルを踏まえ、図面のどこを重点的に確 設計 見落とし、設計の手戻り 認するか 設備保全 音・振動・においから異常の原因候補を絞る順番 復旧時間の長期化、熟練者への問い合わせ集中 保証 規格上は問題なくても追加確認すべき条件 不具合の流出、判断のばらつき 実験結果を見て条件をどう調整するか、失敗の兆 開発 同じ失敗の繰り返し、研究期間の長期化 候をどう読むか 8
Page9

Slide 9

暗黙知を組織で活かす「SECIモデル」 一橋大学名誉教授の野中郁次郎氏らが提唱した「SECIモデル」では、知識が次の4つの段階を循環することで、個人の 経験が組織の知識へと広がっていくと考える。 暗黙知 1.共同化（Socialization） 2. 表出化（Externalization） 暗黙知から暗黙知へ 暗黙知から形式知へ 暗 熟練者と一緒に作業し、見たりまねたりしながら、経験や 熟練者へのヒアリングや作業の観察を通じて、判断 基準や仕事のコツを言葉、図、数値などで表現する。 形 感覚を身につける。 黙 式 知 4.内面化（Internalization） 3.連結化（Combination） 知 形式知から暗黙知へ 形式知から形式知へ 整理された知識を実際の業務で使い、個人が新たな経験や 手順書や作業日誌、設計資料、トラブル報告などを組み合わ 判断力として身につける。 せ、体系的な知識として整理する。 形式知 ここで既存知識と不足している情報を切り分けておくことで、次のステップでは、熟練者にしか答えられない内容 POINT にヒアリングを集中できる。 9
Page10

Slide 10

生成AIによって暗黙知はどう変わるのか 従来の暗黙知の形式知化は、熟練者へのインタビューとマニュアル作成が中心だった。 しかし、熟練者自身も無意識に判断していることが多く、言葉によるヒアリングだけでは、「微妙な手加 減」や「なぜその対応を選んだのか」といった本質的な知識まで引き出すことは難しい。 生成AIに加え、音声・画像解析やセンサーデータの時系列解析などを組み合わせれば、形式の異なる情報を 関連づけ、熟練者の判断材料や行動との関係を整理できる。そこから、異常が発生した条件、熟練者が着目 したポイント、選択した対応、その結果といった情報を関連づけて整理することも可能になりつつある。 これにより、個人の経験や勘に依存していた知識を言語として整理し、マニ ュアルや設計資料などの既存情報と関連づける作業を効率化できる。さらに、 整理した知識を必要な場面で検索・参照できるようにすることで、熟練者の ノウハウを組織全体で共有・再利用できる「デジタル知識資産」へと変えて いける。 ただし、AIが暗黙知をすべて自動的に抽出できるわけではない。身体感覚を伴う技能には、実際の作業を通じてし POINT か伝えられない部分もあり、AIが整理した内容には熟練者や現場担当者による確認も欠かせない。 そのため、AIに期待されるのは熟練者に代わることではなく、これまで言葉にしにくかった知識を引き出し、整理 し、現場で活用しやすくすることである。 10
Page11

Slide 11

【現場別】製造業における暗黙知の形式知化事例3選
Page12

Slide 12

【現場別】製造業における暗黙知の形式知化事例3選 製造業の暗黙知は、職人の身体動作だけを指すものではない。設計者が過去の不具合から予測するリスク、オペレー ターが設備の状態から選ぶ制御方法、品質保証担当者が膨大な資料から必要な情報を探し出す順番なども暗黙知に含 まれる。 企業・現場 形式知化する暗黙知 主なアプローチ 公開されている成果 ダイキン工業×日立製作所 カメラ・センサーによる計測と 滋賀製作所で運用を開始し、 ろう付け作業の動作や手加減 製造技能 標準動作モデル化 国内へ展開 デンソー×SOLIZE 熟練設計者の懸念点や 過去の技術情報をAIで再構築し、 品質問題や手戻りの再発防止に 設備設計 リスク判断 設計時に提示 寄与 日立製作所 検索時間約9割、 情報を探す順番や 熟練者へのヒアリング、生成AI、 分析・レポート作成時間 品質保証 トラブル分析の着眼点 AIエージェント 8割以上削減 12
Page13

Slide 13

【現場別】製造業における暗黙知の形式知化事例3選 1 ダイキン工業×日立製作所｜製造技能：ろう付け作業を標準動作モデルへ変換 ダイキン工業と日立製作所は、空調機の製造に欠かせない「ろう付け」を対象に、熟練技術者の技能をデジ タル化する取り組みを進めている。ろう付けは、金属部材をトーチで加熱して接合する作業であり、品質を 安定させるには、トーチの動かし方や角度、加熱温度などを細かく調整する必要がある。 両社は、熟練技術者の手の動き、トーチの角度・角速度、材料を供給する角度や 距離、母材の温度変化をカメラやセンサーで時系列に収集。これらを標準動作モ デルとして構築し、訓練者の作業データと統計的に比較できる「ろう付け技能訓 練支援システム」を開発した。これにより、従来は指導者が目視で伝えていた熟 練者と訓練者の違いを、数値に基づいて評価できるようになる。システムは2017 年10月から滋賀製作所で運用され、2018年時点では国内外の生産拠点へ導入範 囲が広げられている。 この事例は、「体で覚える」とされてきた技能を、動作と現象のデータに分解し、教育に再利用できる基準へ変換し た例である。ただし、技能習得期間の短縮率や品質改善率などの定量成果は、公表資料では示されていない。 出典：ダイキン工業ニュースリリース（2017年9月） 出典：ダイキン工業ニュースリリース（2018年10月） 13
Page14

Slide 14

【現場別】製造業における暗黙知の形式知化事例3選 2 デンソー×SOLIZE｜設備設計：仕様変更から懸念点と対策をAIが提示 デンソーは、生産設備開発の垂直立ち上げに向け、SOLIZEの開発・設計業務向けAIソリューション 「SpectA DKM」を採用した。生産設備の設計では、製品仕様の複雑化や量産ラインの立ち上げ期間短縮が求 められる一方、熟練設計者の高齢化や退職による技術継承の希薄化が課題となっていた。過去の品質トラブ ルから何を懸念し、どの対策を優先するかという判断が、個人の経験に依存していたためである。 「SpectA DKM」には、デンソー工機部が蓄積してきた技術情報が取り込まれている。 設計者が仕様変更点を入力し、対象となるユニットや機能を選ぶと、AIが追加で検討 すべき条件を推奨する。さらに、関連性の高い品質トラブル事例や、予想されるリス ク、対策ノウハウを提示する仕組みである。これにより、熟練者が経験をもとに行っ ていた「懸念点の洗い出し」を、経験の浅い設計者も実施しやすくなる。 この事例の特徴は、熟練設計者の思考を一度にすべて言語化するのではなく、過去の成果物やトラブル情報を再構築 し、判断が必要な瞬間に提示できる知識基盤へ変えた点にある。公開情報では、品質問題や手戻りの再発防止に寄与 し始めているとされているが、削減率などの定量成果は示されていない。 出×Sプ2年1月O0レ典）2Lス5I：ZリデEリンーソスー（ 出典：デンソー×SOLIZE プレスリリース（2025年1月） 14
Page15

Slide 15

【現場別】製造業における暗黙知の形式知化事例3選 3 日立製作所｜品質保証：熟練者の情報探索プロセスをAIエージェントで再現 日立製作所は、大みか事業所の品質保証業務にAIエージェ 鉄道システムの品質保証業務を対象とした実 ントを適用し、熟練者の経験や知見に基づく判断の形式知 化を進めた。機器故障などの問い合わせに対応する際は、 証では、次の効果が確認されている。 過去の類似事例やマニュアルなど、複数の情報を関連づけ 約 て対策を導き出す必要がある。 類似するトラブル事例の検索時間 9割 削減 同社は、熟練者へのヒアリングを通じて、情報探索のパタ 不具合情報の抽出・分析時間 8割 以上削減 ーンやトラブル分析のプロセスを生成AIのプロンプトに反 映した。さらに、実際の業務を想定した質問と模範解答の 初報レポートの作成時間 8割 以上削減 組み合わせを100件以上作成し、熟練者のフィードバック を繰り返しながらAIエージェントの精度を高めた。 この事例は、熟練者が持つ「答え」だけでなく、答えへたどり着くための検索順序や分析プロセスまで形式知化した 点に特徴がある。2026年度を目標に、鉄道システム分野から電力や上下水道など、大みか事業所全体の品質保証業務 へ適用を広げる計画である。 出典：日立製作所ニュースリリース（2025年6月） 15
Page16

Slide 16

熟練技術者の暗黙知をAIで形式知化する最新アプローチ
Page17

Slide 17

熟練技術者の暗黙知をAIで形式知化する最新アプローチ 熟練技術者の暗黙知をAIで形式知化するには、まず既存の知識を整理し、不足している情報を明らかにする必要があ る。そのうえで、熟練者の判断プロセスを引き出し、現場で活用・更新できる仕組みへと落とし込んでいく。 製造業の暗黙知を形式知化する3つのステップ 取り込むこと 目指す状態 STEP1 マニュアルや報告書などを収集・構造化する 何があり、何が足りないかが分かる 既存知識を整理する STEP2 対話・記録・観察から判断プロセスを抽出する 熟練者の判断を他者が理解・再利用できる 暗黙知を引き出す STEP3 知識基盤やAIエージェントへ組み込む 知識が使われ、新しい経験が蓄積される 現場で活用・更新する 17
Page18

Slide 18

熟練技術者の暗黙知をAIで形式知化する最新アプローチ STEP① 既存知識を整理し、不足している情報を特定する 最初に、マニュアルや報告書、図面、作業日誌、過去のトラブルレポートなど、社内にすでに存在する知識を整理する。 目的は、単に文書を一か所に集めることではない。 どの業務や判断がすでに文書化されているかを把握し、文書の重複や矛 盾、判断理由や例外条件が抜けている箇所を確認することで、熟練者へ 聞かなければ分からない「知識の空白」を明らかにする。 生成AIや大規模言語モデル（LLM）を活用すれば、設備名、事象、原因、 判断、対応策などの項目を文書から抽出し、横断的に整理できる。 ここで既存知識と不足している情報を切り分けておくことで、次のステップでは、熟練者にしか答えられない内容 POINT にヒアリングを集中できる。 18
Page19

Slide 19

熟練技術者の暗黙知をAIで形式知化する最新アプローチ STEP② 熟練者の判断プロセスを引き出す STEP①で特定した知識の空白を対象に、熟練者の判断基準や着眼点を引き出す。 主な情報源は「対話」「記録」「観察」の3つである。 情報源 向いている知識 主な抽出方法 暗黙知を構造化する7項目 ケース型ヒアリング、若手からの質問、 対話 着眼点、優先順位、例外条件、判断理由 AI回答への修正 状況・前提条件 選択した行動 繰り返される判断、 注目した情報 判断の理由 記録 作業日誌、報告書、OJT音声、業務ログの分析 明文化されていない運用ルール 判断のきっかけ 対応後の結果 観察 手加減、動作、作業速度、タイミング 映像やセンサーによる熟練者と若手の比較 対応の優先順位 POINT AIへの「ダメ出し」から暗黙知を引き出す 熟練者の暗黙知を引き出す方法として、AIが作成した回答案を確認・修正してもらうアプローチも有効である。 「この条件では別の対応を取る」といった指摘には、普段は言語化されていない判断基準や経験則が表れる。「ど こを、なぜ修正したのか」まで記録することが、暗黙知の抽出につながる。 対話・記録・観察で引き出した知識は、次のSTEP③で現場に組み込んでいく 19
Page20

Slide 20

熟練技術者の暗黙知をAIで形式知化する最新アプローチ STEP③ 現場で活用・更新する仕組みをつくる STEP①で整理した既存知識と、Step②で引き出した判断知識を統合し、 必要な場面で検索・参照できる知識基盤を構築する。 暗黙知の形式知化は、熟練者から知識を一度抽出すれば完成するもので はない。 実際の業務では、新たな判断や例外的なケースが生まれるため、それら を継続的に知識へ反映していく必要がある。 POINT Human-in-the-Loop（ヒューマン・イン・ザ・ループ） AIによる処理の途中に人が入り、出力内容を確認・評価・修正する考え方。「AIが回答や提案を出す、人が内容を確 かめる、修正した結果を次の処理に活かす」というサイクルを繰り返す。 AIに判断を任せきるのではなく、「AIが提示する、人が確認・修正する、知識として反映する」という循環をつくる ことが、現場で信頼される知識基盤につながる。 20