ナレッジマネジメントはもう古いのか。失敗しないために見直す5つの構造

「ナレッジマネジメントは、もう古い」。そんな声を耳にすることがあります。社内wikiを入れても結局いちばん速いのは隣のベテランに聞くこと、という実感があれば、なおさらそう感じるはずです。

ですが、古いのはナレッジマネジメントという取り組みでもwikiやAIといったツールでもありません。古くなっているのはその下敷きにある「知識は貯めておけば、あとで管理・再利用できる」という前提のほうです。

ナレッジデータベースを立て、投稿を促す仕組みまで作ったのに、半年後には更新が止まり、例外対応のたびに特定の人へ質問が集中していく。たまった文書を生成AIに読ませても、文書に書かれていない判断、たとえば例外のときの線引きやさじ加減は出てきません。それらはそもそも貯める対象になっていないからです。これは置き場所の問題ではなく扱う対象の問題で、必要なのは知識の管理から判断の継承へ、扱うものそのものを置き換えることです。

この記事を最後まで読むと、次の5つが手に入ります。

• ナレッジマネジメントが形骸化する5つの構造的理由
• 自社のどこで止まっているかが分かる10問の診断
• 「管理する知識」と「継承する判断」という二層の仕分け方
• 生成AIを乗せても残る限界
• 自社の現在地を測る5段階

「なんとなく続かなかった」で終わらせると次のツールでも同じことが起きますが、どの理由でつまずいたのかが分かれば、次に何を変えればよいかが具体的に決まります。

運営者プロフィール

加藤晃寿郎（株式会社taiziii 代表取締役）。慶應義塾大学経済学部出身のエンジニア。在学中のスタートアップ設立、フリーランスを経てシステム開発会社を創業。企業のAI導入支援と、判断継承AIプラットフォーム「SkillRelay」の開発に従事。

1位

Amazonベストセラー獲得

著書『AI時代の経営デザイン』

データベースカテゴリ、2025年10月時点

ナレッジマネジメントが古いと言われる本当の理由

「古い」という言葉の中身はたいてい次のような体験です。立ち上げ時は盛り上がったwikiが、3ヶ月後には特定の数人しか書いていない。検索しても目当ての情報が出てこない。更新が止まり、半年前のルールが混ざり始める。結局、隣のベテランに聞くのがいちばん速い。この体験が積み重なって「KM＝古い・効かない」という印象ができあがり、次の取り組みにも「どうせまた使われなくなる」という空気が先に立ちます。

この感覚は、よく見ると一つの不満ではなく別々の3つの体験が混ざっています。これを「KM形骸化の3つの体感」として切り分けます。

• 第一に、探しても出てこない（検索面の失敗）。現場の言葉で検索してもたどり着けない。
• 第二に、欲しい判断が載っていない（対象の失敗）。あるのは規程や手順で、知りたかった「例外のときどうするか」は書かれていない。
• 第三に、情報が古い（鮮度の失敗）。半年前のルールで、いま使うと事故になる。一度この経験をすると、利用者は正しい情報まで疑うようになります。

この3つは原因も対処も違います。第一の「探せない」は分類を現場の言葉に直せば、第三の「古い」も更新のオーナーときっかけを決めれば改善し、どちらもツールや運用で動きます。ですが、第二の「欲しい判断が載っていない」だけは検索性を上げても更新しても解決しません。そもそも判断が貯める対象になっていないからです。後半は主にこの第二をどう解くかに焦点を当てます。

ナレッジマネジメントは1990年代、野中郁次郎らの知識創造理論を土台に世界へ広まり、2000年代にはグループウェアやナレッジデータベースの普及とともに導入ブームを迎えました。情報を一箇所に集めて共有すれば組織の知識が底上げされる、という期待です。その多くは数年のうちに形骸化していったように見え、「古い」と言われる背景には、この20年あまりの失敗の記憶があります。ただ、理論そのものが悪かったわけではありません（SECIモデルは後段で詳しく扱います）。消えていったのは理論ではなく「なぜそうするか」という判断のほうで、理論が扱う「知識」の地図の外に、現場で失われる「判断力」がある、ということです。

ただし、データを見ると様子が違います。「古くなった」のではなく、最初から完成していなかったことが分かります。管理職200名への調査では、暗黙知を組織的に記録・更新する仕組みがあると答えた人は今でも16.5%しかいません（出典　株式会社taiziii調べ、管理職〔課長以上〕200名・インターネット調査。以下同じ）。

同じ調査には、対照的な数字があります。マニュアル作成やOJTといった従来型の対策を暗黙知の継承に「有効」と感じている管理職は84.4%にのぼる一方、自身の引き継ぎで暗黙知が「十分に共有され、応用的な判断ができるようになった」と答えた人は19.5%にとどまります（※別の設問の対比であり、単純な差の計算はできません）。従来型の対策を有効と感じる人は8割を超えるのに、応用的な判断まで引き継げたと実感する人は2割に満たない。手段への満足が成果の不足を覆い隠している、とも言えます。

これが、形骸化が長く放置されてきた理由の一つです。

では、何がどう「最初から完成していなかった」のか。失敗のかたちを5つに分解します。

ナレッジマネジメントが失敗する5つの構造

5つの理由はそれぞれ独立した不具合に見えますが、後段で示すとおり根は1つで、運用で直るものと、貯める対象を替えないと直らないものに分かれます。各理由を典型的な場面から原因、具体例、自社チェック、最初の処方まで通して見ていきます。

5つの理由はそれぞれ別の場所でつまずきます。理由1は「入口」（貯めたものが使われない）、理由2は「対象」（貯める中身に判断が乗らない）、理由3は「再現」（乗せても同じ判断ができない）、理由4は「維持」（貯めたものが古くなる）、理由5は「目的」（貯めること自体が目的になる）です。多くの会社は入口でまず止まり、それを越えても対象と再現で本格的に行き詰まります。とくにこの2つは運用の工夫では越えられない壁です。

理由1　貯めても、検索されず使われない（ナレッジマネジメント失敗の入口）

立ち上げ直後は投稿が集まるのに、やがて書くのは特定の数人だけになり、半年後には更新が止まったページが並んで誰も開かなくなる。「貯めても使われない」という、入口にある現象です。

原因は書く側と探す側の両方の設計にあります。書く側は評価されず時間も割り当てられていないため、結局は善意に頼ることになります。探す側はフォルダやタグが「書いた人の整理の都合」で並んでいて、現場で実際に使う言葉と一致しません。この二つが同時に欠けているので、立ち上げの熱が冷めた瞬間に蓄積が止まります。この「探す側の問題」は知識継承の研究でも論点として整理されていて、受け手が自分の課題を持ち問いを立てなければ置かれた知識は使われません（受け手プル欠落モデル。株式会社taiziiiの整理）。

たとえば、あるチームが営業の提案ノウハウを「提案_2024_改訂版」というフォルダに集めても、現場の若手が困って検索する言葉は「値引きどこまで」「競合来たとき」です。整理の都合と現場の言葉がずれているので、書いた本人以外は二度とたどり着けません。調査でも、スキル継承の最大の障壁として「日々の業務が忙しく優先度が低い」が最も多く挙がっています（出典　株式会社taiziii調べ、管理職200名・インターネット調査）。これは規模の問題でもなく、NASAでも教訓を蓄積するデータベース（LLIS）が活用されず形骸化していると監察総監室が指摘しています（出典　NASA Office of Inspector General (2012) “Review of NASA’s Lessons Learned Information System,” IG-12-012）。

実務では、次の3点を先に決めます。

• 第一に、書く作業を業務時間に組み込み、評価の対象にする。書いた件数や、その記録が他の人に使われた回数を評価面談で扱います。
• 第二に、分類を「書いた人の都合」から「探す人の言葉」へ寄せる。「提案_2024_改訂版」ではなく「値引きの上限」「競合が来たときの対応」と並べ替えます。
• 第三に、検索して出てこなかった言葉を記録し、次に書く優先順位にする。探されたのに無かったものこそ、本当に必要な知識です。

理由1は生成AIである程度は緩和できます。AI検索なら言葉のずれを意味で拾ってくれるからです。ただし緩和できるのは「探せない」面だけで、書かれていない・更新されていない供給側の問題は残ります。

自社チェック直近1ヶ月、現場メンバーの自発的な投稿と検索はあったか。投稿がゼロなら書く側のインセンティブが、検索はあるのに当たらないなら分類が現場の言葉とずれています。最初の一手は現場が使う検索語を5つ書き出し、分類と照らすことです。

理由2　形式知化できる知識しか乗らない（書ける知識と、書けない判断の境界）

多くのナレッジベースの中身は、規程、議事録、手順書、リンク集で大半が占められ、一番欲しかったはずの「ベテランの勘所」はありません。蓄積は増えているのに、現場が本当に知りたいことだけが抜けます。

これは誰の怠慢でもなく構造の問題です。書ける知識（手順・基準・事実）は集まりますが言語化しにくい判断は本人も書けないので最初から乗りません。調査でも、暗黙知が「十分に共有された」と答えた人は19.5%でした（出典　株式会社taiziii調べ、管理職200名・インターネット調査）。

ここで役に立つのが、「暗黙知は一種類ではない」という見方です。暗黙知の移転を事例から分析した経営学の研究者ダイナー（Dinur）は、暗黙知を技能型・因果型・認知型・複合型・文化型・アンラーニング型・タブー型・人間関係型・感情型の9種類に分類しました（出典　Dinur, A. (2011) “Tacit Knowledge Taxonomy and Transfer: Case-Based Research,” Journal of Behavioral and Applied Management）。因果型（「この条件なら後工程で問題が出る」という予測）と認知型（ベテランの問題の見立て方）は、過去の事例や条件を整理すれば文書化でき、検索とも相性が良いので乗ります。一方で、技能型（微妙な力加減、異音の聞き分け）、感情型（危険への違和感）、文化型（「この会社ではここまで確認する」という規範）、人間関係型（キーパーソンへの根回し）は、本人が言葉にできない、あるいは言葉にしても会話ログの要約では再現できないので、乗りません。

たとえば、ベテランの製造担当者が「この音はちょっと違う」と機械を止める。文章にすると「異音がしたら点検する」になりますが、肝心の「どの音が異音なのか」は本人の耳の中にあり、実演でしか継承できません（技能型）。一方、「在庫が基準を下回ったら発注する」という因果型はそのまま文書化でき、AI検索にも乗ります。書きやすいものから順に貯めると量は増えても価値は増えないので、件数ではなく「現場が知りたいことに答えられているか」を見ます。

実務では、次の3点を先に決めます。

• 第一に、抜き出したい知識が9タイプのどれに近いかをまず見立てる。文化型や感情型なら、文書化ではなく、ケース討議や同行、振り返りの場を設計します。
• 第二に、因果型と認知型は文書化に向くので、優先して条件付きルールに変換する。後段の「判断を引き出す5手法」が効くのは主にこの2タイプです。
• 第三に、「乗らない知識」を無理に文章にして満足しない。動画や演習で残すべきものを、文書置き場にただ溜め込まないことです。

自社チェック「例外のときどうするか」を検索して、答えは出てくるか。出てこないなら、ナレッジベースが因果型・明示ルールに偏り、技能型・感情型・文化型を取りこぼしている可能性が高いです。最初の一手は現場で「いちばん聞かれる質問」を3つ挙げ、それぞれが9タイプのどれかを見極めることです。

理由3　判断と文脈が抜け落ちる（5つの中で最重要・ナレッジマネジメント最大の課題）

文書はあり、読んでもいる。それでも同じ判断を再現できない理由はどこにあるのでしょうか。5つの理由の中で最も根が深く、ツールを替えても運用を頑張っても消えない問題です。

文書化の瞬間に、「なぜそうするのか」「どんな条件なら例外なのか」という文脈が抜け落ち、結論だけが残るからです。熟練者の価値が発揮されるのは手順では判断できない場面で、こうした知識は成功手順ではなく失敗経験や境界条件として本人の中にあります（例外・失敗記憶の欠落。株式会社taiziiiの整理）。その「なぜ」「どんな条件で」は本人にとって当たり前すぎて書く対象になりません。マニュアルは「どうすればよいか」の手段で、「なぜそう判断するか」の支援手段として設計されていないのです。

たとえば、マニュアルに「値引きは10%まで」と書いてあるのに、ベテランは15%引きを通したことがある。「長期契約の更新時期で、競合の参入があった場合」という条件はどこにも書かれていません。与信審査でも、基準上はすべて範囲内なのに、ベテランは「直近の取引が急に増えている」「同じ住所に別法人が複数ある」といった、数字の合計では引っからない違和感で見送ることがあります（固有名や実数値は使わない、仮の業務設定です）。品質判定でも「規格の数値内だが、いつもと振動の出方が違うので出荷を止める」という勘所は合否表のどこにも載りません。共通するのは、「基準はあるのに、基準だけでは判断しきれない」点です。ベテランは取引の経緯、相手の状況、過去の似た事例を重ね合わせて最終的な線を引きますが、この重ね合わせの部分は文書化されません。だから通常業務は新人でも回せるのに、基準だけでは決まらない場面になると判断はベテランに戻ります。

調査では、引き継ぎで不足していた判断の観点として最も多かったのが「イレギュラーな状況や例外発生時の判断の基準」（40.5%・複数回答）でした。続いて「業務の背景・目的」（38.5%）、「ベテランの着眼点」（37.5%）、「グレーゾーンのさじ加減・落としどころ」（34.5%）も上位に並びます（出典　株式会社taiziii調べ、管理職200名・インターネット調査）。

現場が本当に困る場面の答えはナレッジベースのどこにも書かれていません。「文書はこれだけ充実したのに、なぜまだ特定の担当者に聞くのか」の正体が、これです。

この「抜け落ち」には、評価や心理の事情も絡みます。判断の希少性が自分の価値を支えている面があり、すべてを言語化すると価値が下がるように感じられたり、「根拠を書いて事故が起きたら責任を問われるのでは」という不安があったりします（信頼・地位摩擦モデル。株式会社taiziiiの整理）。だから判断を引き出すには、ベテランを継承の監修者やレビュアーに位置づけるなど、知識を出すほど役割が高まる仕組みも必要です。

理由3が最重要なのはここが「貯める」という発想の限界そのものだからです。置き場所をwikiから生成AIに替えても、文書に判断が無ければAIにも判断は出せません。理由3を放置したままツールを新しくすることが、「ツールを替えたのに同じ場所でつまずく」の最大の原因です。

文書を増やすだけでは、判断と文脈の抜け落ちは直りません。直すには次の3点を先に決めます。

• 第一に、結論ではなく「なぜ」と「どんな条件で」をセットで聞き取る。値引き10%という結論ではなく、「どういうとき15%まで踏み込むのか」を引き出します。
• 第二に、通した案件と落とした案件を並べて差を聞く（後段の対比法）。違いが条件になります。
• 第三に、聞き取った条件を「○○ AND △△ のときは要注意」の形に書き換える。感覚を条件に翻訳することが目的です。

自社チェック文書に「なぜ」「どんな条件で」が書かれているか。最終判断は結局ベテランへの口頭確認に戻っていないか。戻っているなら、文書には結論だけが残り、条件が抜けています。最初の一手は直近の例外対応を1件選び、「どんな条件だったからそう判断したか」を本人に聞いて書き起こすことです。

理由4　更新されず陳腐化する（ナレッジマネジメント運用の落とし穴）

公開した日が品質のピークであとは古くなる一方です。更新の担当・きっかけ・基準を決めずに「貯める」だけを始めた場合の、ほぼ必然の結末です。新人が2年前のルールで処理して事故になり、「あそこの情報は信用できない」となった瞬間、ナレッジベース全体が使われなくなります。一つの古い文書が全体の信頼を落とします。

似た構造は自動化研究の古典でも指摘されてきました。仕組みを自動化・システム化するほど、その維持や例外対応という難しい仕事が人間の側に残ります（出典　Bainbridge, L. (1983) “Ironies of Automation,” Automatica, 19(6)）。ナレッジベースも同じで、立ち上げ時は構築に予算も人も付きますが、地道な手入れは成果が見えにくく放置され、この偏りが陳腐化を生みます。必要なのは利用ログ（使われているか）、結果検証（正しかったか）、訂正経路（直せるか）、廃止基準（消せるか）の4つを回す仕組みです（知識鮮度・検証ループ不全。株式会社taiziiiの整理）。1つでも欠けるとループが回りません。

実務では、次の3点を先に決めます。

• 第一に、主要な文書ごとに「オーナー」を1人決める。誰のものでもない文書は誰も直しません。
• 第二に、更新のきっかけをイベントに紐づける。トラブルが起きた、ルールが変わった、現場から「使えなかった」と報告が来た、という時に見直すと決めます。「定期的に全部を見直す」運用は負担が大きく、出来事に連動させるほうが続きます。
• 第三に、廃止基準を先に決める。1年以上使われず更新もない文書はアーカイブに移すか削除します。

これは、置き場所をwikiから生成AIに替えても残ります。AIに古い文書を読ませれば、古い情報を根拠に答えます。生きているナレッジの証拠は量ではなく、更新され続けているかどうかです。

自社チェックこの1年で「使えなかった」と報告された文書を、誰が直したか。「誰も直していない」なら、オーナーと訂正経路が無い状態です。最初の一手はよく参照される文書5つにオーナーと更新日を付けることです。

理由5　ツール導入が目的化する（ナレッジマネジメント手法選びの罠）

「ナレッジマネジメントを推進せよ」が、いつの間にか「ツールを導入せよ」にすり替わり、導入完了がゴールになります。本来の目的は品質のばらつきを減らし、引き継ぎを速め、新人を早く立ち上げることのはずでした。生成AIでも同じで、「AIで知識継承を」が「AIツールを入れる」にすり替わります。

この目的化は進めている本人たちには気づきにくいのが厄介です。導入は選定・契約・展開・研修と進捗が見えやすく、KPIも「登録件数」「アクティブ率」といったツールの数字になり、本来の目的を見失います。ツールが入り件数が増えるのに、現場では相変わらず例外をベテランに聞いている、という状態が典型です。この症状はAI導入の文脈では「PoC終着駅症候群」として整理できます（株式会社taiziiiの整理）。実証実験で一定の精度や好評を得た段階で満足し、本番運用に必要な更新・責任・評価・教育・業務プロセスへの接続を設計しないまま止まる失敗で、PoCで見る指標と本番で必要な指標（若手の自律判断率、ベテランへの問い合わせ負荷）は別物です。

実務では、次の3点を先に決めます。

• 第一に、ツール導入の前に「本番で誰の業務がどう変わるか」を一文で書く。「新人が例外案件を、ベテランに聞かずに3割は自分で判断できるようになる」と書けば、達成を後で確かめられます。
• 第二に、KPIをツールの数字から業務の数字へ置き換える。登録件数ではなく、ベテランへの例外質問が減ったか、新人の立ち上がりが速くなったかで測ります。
• 第三に、PoCの開始前に「本番化の条件」を決める。誰が承認し、誰が訂正し、教育とどうつなぐかを実証段階から含めておけば、終着駅で止まりません。

この理由5は生成AIの導入でとくに起きやすい点に注意が必要です。AIは新しさがあるぶん、導入そのものが成果に見えやすいからです。調査でも、AI導入への懸念として「費用対効果が不明確」が上位に挙がっています（出典　株式会社taiziii調べ、管理職200名・インターネット調査）。費用対効果が見えにくいのは成果を業務でなくツールの数字で測っているからでもあります。

自社チェック　KMの成果指標は業務の数字とつながっているか。登録件数やアクティブ率しか無いなら、目的化のサインです。最初の一手はKPIを1つ選び、「それが増えると現場の何が良くなるのか」を説明できるか確かめることです。

KM形骸化を見抜く10問

ここまでの5つの理由を、自社に当てはめるためのチェックリストにまとめました。「いいえ」が多い理由が、自社のKMが止まった場所です。点数で安心するためではなく、いいえだった問いの裏で何が起きているかを直視するためのものです。

1. 直近1ヶ月、現場メンバーの自発的な投稿があった（いいえ→理由1）／最初の一手は書く作業を業務時間に入れること。
2. 探したい情報は現場の言葉で検索して見つかる（いいえ→理由1）／最初の一手は現場の検索語を集めて見出しに反映すること。
3. ナレッジベースに、規程・議事録以外の「判断の基準」が載っている（いいえ→理由2）／最初の一手はよく聞かれる質問が9タイプのどれかを見極めること。
4. 「例外のときどうするか」を検索して答えが出る（いいえ→理由2・3）／最初の一手は直近の例外対応を1件書き起こすこと。
5. 文書に「なぜそうするのか」の理由が書かれている（いいえ→理由3）／最初の一手は結論に「なぜ」「どんな条件で」を一行足すこと。
6. 例外案件の質問は特定のベテランに集中せず分散して対応できている（いいえ→理由3）／最初の一手は最も質問が集中する人の判断を1つ言語化すること。
7. 主力となる文書は1年以内に更新されている（いいえ→理由4）／最初の一手は主要文書に最終更新日を表示すること。
8. 更新の担当者・タイミング・基準が決まっている（いいえ→理由4）／最初の一手は主要文書にオーナーを1人ずつ付けること。
9. KMの目標が業務の数字（品質・期間・問い合わせ件数）で語られている（いいえ→理由5）／最初の一手はKPIを1つ業務の数字に置き換えること。
10. KMのゴールがツール導入の先（業務がどう変わるか）に設定されている（いいえ→理由5）／最初の一手は「本番で誰の業務がどう変わるか」を一文で書くこと。

時間がなければ、まず問5・6（判断と文脈が抜けていないか）だけでも確かめてください。ここにいいえが付くなら、課題は最重要の理由3にあり、運用改善ではなく判断の引き出しへ進む必要がある、という見立てが立ちます。

診断は点数の合計ではなく、いいえの「偏り」を見ます。はいが8問でも、いいえが理由3に集中しているなら、課題は判断の欠落です。止まっている場所の組み合わせから、自社のタイプも見えてきます（この記事の整理であり、自社独自の診断手法として提示するものではありません。裏付け＝株式会社taiziii調べの整理）。

この10問の診断と結果タイプの早見表はExcel付録「KM形骸化チェックと5段階自己診断」としても用意しています。記入欄つきで、印刷してチームで回しながら使えます。

複数のタイプにまたがる会社も多く、もっとも多いのは「文書化止まり型」と「判断欠落型」だと考えられます。文書化止まり型は運用の工夫で前に進めますが、判断欠落型は文書は使われているのに判断が乗っていない状態で、判断の引き出しという別の取り組みが必要です。自社がこの2つのどちらに近いかを見るだけでも、次にやることが運用改善なのか判断の引き出しなのかが、はっきり分かれます。

ツールを替えても同じ場所でつまずく理由

「だったらツールを良いものに替えればいい」「運用をもっと頑張ればいい」と考えても、乗り換えた先で同じ場所につまずく会社が少なくありません。5つの理由は性質の違う2グループに分かれるからです。

第一のグループは運用で直る失敗です。理由1（使われない）、理由4（陳腐化する）、理由5（目的化する）は、評価への組み込み、分類の見直し、オーナーと更新トリガーの設定、KPIの再設計といった運用の工夫で改善でき、検索性の高いツールやAI検索を入れることも正しい投資です。これらに共通するのは貯める対象が判断ではなく管理する知識である点で、不満が「探せない」「古い」「ツールが目的化している」に集中しているなら、まずは運用を整えるのが近道です。

第二のグループは対象を替えないと直らない失敗です。理由2（言語化しにくい判断はそもそも乗らない）と理由3（乗せても文脈が抜け、再現されない）は違います。これは「貯める」という発想そのものの限界で、形骸化した社内wikiを高機能なナレッジツールへ移行しても置き場所だけ替えて貯める中身が規程と手順のままなら、半年後も「例外のときは、結局特定の担当者に聞いている」のまま。生成AIを乗せても返ってくるのは一般論で、ツールは3代目になったのにつまずく場所は1代目と同じです。

この切り分けを、この記事では「運用で直る失敗／対象を替えないと直らない失敗」と呼びます（この記事の整理＝中核となる二項対比。裏付けは本文の5理由と、後段の「知識の管理から判断の継承へ」という対象の置き換え）。10問で、いいえが理由1・4・5に集中しているなら、まだ運用で動く段階で、分類・オーナー・KPIを直せば状況は変わります。一方、運用を整えてもなお「例外はベテランに聞くしかない」が残るなら、いいえは理由2・3に集中しているはずで、努力の方向を「貯め方の改善」から「貯める対象の置き換え」へ切り替える必要があります。

両方の壁が混在する会社も多いはずです。その場合は、運用で直る理由1・4・5を先に整えて土台を作り、そのうえで理由2・3に取り組むのが現実的です。引き出した判断を、検索できず更新もされない場所に置けば同じように形骸化するからです。

古いのはツールではなく知識観である

5つの理由を並べると、根っこが1つであることが見えてきます。「知識は貯めておけば再利用できる」という前提です。この前提は規程や手順のような知識については正しいのに、例外時の判断のような対象まで適用してきたことが形骸化の正体です。打ち手は前提が当てはまる対象と当てはまらない対象を分けて、それぞれに合ったやり方を当てることです。

KMの理論的土台に、よく知られたSECIモデル（野中郁次郎）があります。共同化・表出化・連結化・内面化の4段階で組織の知識が生まれ共有される過程を示した優れた地図で、規程・手順・事例といった知識はこの輪で確かに回せます（出典　Nonaka, I. (1994) “A Dynamic Theory of Organizational Knowledge Creation,” Organization Science, 5(1)）。ただ、SECIは”知識”の地図です。組織で本当に失われるのは”判断力（なぜそうするか）”で、それはこの4段階のどこにも乗っていません。だから必要なのはSECIの続きをやり直すことではなく、対象そのものの置き換え、知識の管理から、判断の継承へなのです。既存の表出化・連結化に似た行為を部分的に使っても、成果の定義は「知識が回ったか」ではなく「同じ判断が再現できるか」に置きます。

SECIモデルを否定しているのではありません。地図が悪いのではなく、探しているものが地図の外にある。手放すべきなのは手段ではなく「この手段ですべてが扱える」という思い込みです。

置き換えとは書けるものは書いてもらい、書けないものは質問で引き出すことです。規程や手順はこれまでどおり貯めるので、取り組みを全部やり直す必要はなく、組織の知を2つに分けるだけです。

管理する知識規程・手順・FAQ・事実情報。これは貯めて検索できるようにすれば機能し、従来のKMもAI検索もここでは正解です。答えが一つに定まり、状況によって変わらず、書けば誰でも同じに読めるのが特徴で、ここを整えることが判断の継承に取り組む足場になります。調査では、AI導入で期待するメリットとして「業務品質の標準化・若手でもベテランに近い判断ができる」が最も多く挙がっています（出典　株式会社taiziii調べ、管理職200名・インターネット調査）。現場が求めているのは検索の速さだけでなく、若手がベテランに近い判断をできることです。

継承する判断例外時の線引き、さじ加減、優先順位。これは貯めるのではなく、別の工程が必要になります。状況によって答えが変わり、本人も言葉にしきれず、結論だけ書いても再現できないのが特徴です。調査で引き継ぎの不足として上位に挙がった「例外発生時の判断の基準」「業務の背景・目的」「ベテランの着眼点」「グレーゾーンのさじ加減」は、いずれもこの継承する判断にあたります（出典　株式会社taiziii調べ、管理職200名・インターネット調査）。この層には、①ベテランへの質問で引き出す、②答えを条件付きルールに変換する、③現場で同じ判断が再現されているかを確かめる、という3ステップが必要です。多くの取り組みが見落とすのが3つ目の「再現を確かめる」で、引き出して文書にしたところで満足すると、また理由3と同じ状態に戻ります。

この二層は業務を「手順のレイヤー」（やり方の順番）と「判断のレイヤー」（どんな観点で考え、どこで線を引くか）に分けて捉え直す見方でもあります。見積もり業務なら、見積書を作る操作の順番が手順、赤字寸前の案件を通すか断るかの線引きが判断のレイヤーです。多くの業務で、手順はすでに文書化されているのに判断のレイヤーがまるごと空白だと気づくはずで、この空白こそが判断の継承の対象です。以下、3ステップを手を動かせる粒度まで開きます。

ステップ1　判断を引き出す

最初のステップは本人も書けていない判断を、質問で引き出すことです。「判断基準を教えてください」と直接聞いても、たいていは「経験ですね」「ケースバイケースです」としか返ってきません。本人にとって当たり前すぎて言葉にする機会がなかっただけで、非協力的なのではありません。だから、引き出し方そのものを設計する必要があります。

SkillRelayでは、既存の知識抽出・認知科学の考え方を参照しながら、判断を引き出す質問の型を5つに整理して使います（株式会社taiziiiの実務整理）。5つすべてが単一の先行研究に由来するわけではありません。このうちCDMはKlein, Calderwood & MacGregor (1989) の手法に由来し、ほかの型も既存の質問技法に通じる考え方を組み合わせています。いずれもSkillRelayが基礎理論を発明したという位置づけではありません。

• 第一に、CDM（過去判断の再体験）。「直近で難しい判断をした案件を1つ思い出してください」と一件に入ってもらい、状況・手がかり・迷い・最終判断を再現してもらいます。「何を見て決めたか」と具体的に聞くと、「相手の口調が引っかった」「数字より取引の増え方が気になった」といった、ふだん意識しない手がかりが出てきます。
• 第二に、対比法。「通した案件」と「落とした案件」を並べ、何が違ったかを聞きます。違いそのものが判断の条件になります。理由3の値引き10%・15%の差も、この対比から「長期契約の更新時期で競合の参入があった場合」という条件が出てきます。
• 第三に、境界条件プロービング。「ギリギリOKだったのはどんなとき」「もう少しで見送るところだったのは」と端のきわどい事例を聞き、判断の境界線がどこにあるかを特定します。
• 第四に、仮想シナリオ。「もし売上が8%減だったら、この判断は変わりますか」と条件を動かし、判断が切り替わるスイッチを確かめます。
• 第五に、例外パターン抽出。「指標はすべて緑なのに、なぜか嫌な予感がした案件は」と、マニュアルに載らない警戒の勘所を聞きます。

これらに共通する核心は、「なんとなく違和感」という言語化されていない直感を対比法で条件に分解し、「○○ AND △△ のときは要注意」の形に変換することです。引き出しの目的は本人の感覚をそのまま記録することではなく、感覚を条件に翻訳することです。

使うときは、具体案件から入り、説明できないという反応を否定せず、出てきた条件を本人に確認します。抽象的な質問（「判断基準は」）から入らず、「先週いちばん迷った案件は」と具体的な一件から入ること。「これは説明できないんだけど」と言われても否定せず、「では、何を見てそう思ったのですか」と手がかりを一つずつ拾うこと。そして出てきた条件をその場で本人に確認し、「競合が来ていても初回取引なら違う」といった補正を引き出すこと。この往復で、感覚が条件へと固まっていきます。

引き出しは、一度の長いインタビューで全部を取ろうとするより、実際の案件が発生したタイミングで短く聞くのを繰り返すほうがうまくいきます。なお、この5手法が効くのは主に因果型・認知型です（理由2のタイプ分け）。技能型や感情型は質問だけでは引き出しきれない部分が残るので、文書化に固執せず、実演やケース討議、同行といった別の継承手段と組み合わせます。

ステップ2　条件付きルールに変換する

引き出した判断は、そのままでは「Aさんはこう言っていた」という個人の語りにすぎません。次のステップで、これを誰が参照しても同じに解釈できる条件付きルールへ変換します。

ここで使うのが、この記事の整理として紹介する「5W＋WHICH」での条件固定です（株式会社taiziiiの整理）。「赤字寸前でも通すことがある」と条件を付けずに残すと、新人は「赤字でも通していいんだ」と受け取ってしまいます。

そこで、WHO（誰が）、WHEN（いつ・どんな時期に）、WHY（なぜ）、WHAT（何を手がかりに・どの資料やシステムを見て）、WHICH（通常か例外か）を明示し、結論（OK・NG）とセットで残します。たとえば値引きなら、「WHEN＝長期契約の更新時期で、WHICH＝競合の参入という例外があり、WHAT＝契約継続年数と競合見積を確認したうえで、結論＝15%まで可」と固定すれば、別の担当者でも同じ判断にたどり着けます。目的は判断を縛ることではなく別の人が同じ場面で同じ結論を出せるようにすることです。

このとき、例外は必ず別のカードに分けます。「通常ルール　値引きは10%まで」を一枚、「例外ルール　長期契約の更新時期で競合参入があった場合は15%まで」をもう一枚と分けて持つと、現場はまず自分の案件が通常か例外かを判定し、該当するカードを見ればよくなります。

1トピック1カードを原則にし、例外が増えたらカードを増やすのが、更新しやすい形です。抜けやすいのが「禁止事項」で、「初回取引では、いかなる条件でも15%は適用しない」といった歯止めを書いておくと、例外ルールの拡大解釈を防げます。ベテランの価値は、踏み込まない判断にもあるからです。

ステップ3　再現できているかを確かめる

3つ目のステップが従来のKMには無かった発想です。引き出して条件付きルールにしただけでは、まだ「文書を作った」段階にすぎず、理由3で見たとおり文書があっても判断が再現されるとは限りません。だから、ここで成果の定義を変えます。「文書がある」ではなく、「同じ判断が再現できている」を成果と見なします。これを判断の品質保証と呼びます。

「文書がある」状態は、難しい案件になると結局ベテランに確認が入り、不在だと判断が止まります。「同じ判断が再現できている」状態とは、別の担当者が同じ条件の案件でベテランに聞かずに同じ結論にたどり着ける状態です。確かめ方は過去の判断案件を新人に解かせ、ベテランの実際の判断と一致するかを照合することです。一致率や例外質問がどれだけ減ったかを定点で見ます。文書の充実度（蓄積件数・閲覧数）ではなく判断の再現性を測るこの観点が、判断の品質保証です。

再現を確かめるときは、過去実例、理由の照合、定点確認の3点を見ます。

• 第一に、過去の実例を使う。実際にベテランが判断した過去案件を題材にすれば、正解があるので、一致したかどうかを客観的に確かめられます。
• 第二に、結論だけでなく理由も照合する。たまたま同じ結論にたどり着いても理由が違えば次の案件で外すので、「なぜその判断にしたのか」まで一致しているかを見ます。
• 第三に、定点で繰り返す。一度の照合では、たまたま当たったのか再現できているのか分かりません。間隔を決めて繰り返し、一致率の推移を見ます。

この成果の定義の転換こそが知識の管理と判断の継承を分ける線です。再現が確認できなければ引き出した条件にまだ抜けがあるので、もう一度ベテランに対比法で問い、抜けていた条件を足します。

3ステップを通すと、たとえば見積もり業務では、ベテランの「同じ赤字寸前でも、既存顧客で次の大型案件が見えているなら通すが、新規で一度きりなら断る」という線引き（CDMと対比法で言葉になる）が2枚のカードに固定され、若手がベテランに聞かずに同じ結論にたどり着けるようになります（固有名・実数値を使わない仮設定です）。文書の量は増えていません。増えたのは判断が再現できる人です。なお、複数のベテランで判断が異なる場合の扱いは、次のQ&Aで詳しく扱います。

ベテランが複数いて判断が割れたら、どうまとめればよいか

判断を引き出していくと、Aさんは「15まで」、Bさんは「12まで」と、ベテランによって基準が違う場面に必ずぶつかります。どちらが正しいのかを決めて一本化したくなりますが、ここで平均して一本のルールにまとめてはいけません。「12〜15」と丸めた瞬間に、Aさんの15が成り立つ条件もBさんの12が成り立つ条件も消えてしまいます。残るのは根拠を失ったレンジだけで、現場は「結局いくらまでなのか」が分からなくなります。

実務では、次の3点を先に決めます。

• 第一に、数字を聞く前に「どんな条件のときの判断か」を先に聞く。たいてい、AさんとBさんは違う場面（Aさんは長期契約、Bさんは新規取引）を想定していて、条件を揃えないと本当は両立する判断を無理に対立させてしまいます。
• 第二に、誰の・どの条件での判断かの帰属を保ったまま、別々の条件付きルールとして残す。
• 第三に、どちらが上位かを決めない。場面が違えば両立するからです。どうしても同じ条件で判断が割れる場合は、その違いが残る理由（重視するリスクが違う、過去の失敗経験が違う等）まで記録しておきます。

良い例は、「Aさんは、長期契約の更新時で競合参入があった場合に15%まで」「Bさんは、新規の単発取引では12%まで」と、誰が・どの条件で、を併存させること（捏造の数字は足さず、汎用の仮例で示しました）。帰属を保てば、後で判断が間違っていたと分かったときも、その条件だけを見直せます。複数のベテランの判断は平均する対象ではなく、それぞれが条件付きの資産として並んでいる、と捉えるのが正確です。

生成AIでナレッジマネジメントは置き換えられるのか

「生成AIに全部読ませれば、ナレッジマネジメントの問題は解決する」と考えたくなります。ここで分けるべきなのは、AI検索で改善する問題と、参照先に判断がないため残る問題です。

まず、効く部分は確かにあります。AI検索やRAG（社内文書を検索し、その内容を根拠に回答するAIの仕組み）は「管理する知識」の活用を大きく改善しました。AI検索は言い回しが違っても意味で拾えるので、現場の言葉と文書の言葉のずれを埋め、複数文書の要約もできます。理由1の検索面の失敗にはよく効きます。問題はこれで全部が解決すると思い込むことで、検索が速くなっても欲しい判断が載っていないという問題は残ります。

ただし、乗り換えても残る限界が2つあります。生成AIの性能が上がっても検索や要約が速く正確になるだけで、文書に書かれていない判断を生み出すことはできません。

一つはAIは文書に書かれていない”自社の判断”を、根拠付きでは返せないことです。判断が入っていないナレッジベースにAIをつなぐと、一般知識や推測で空白が補われることがあります。「この値引きは通すべきか」と聞いても、自社の「長期契約の更新時期で競合参入があれば15%まで」という線引きが文書に無い以上、それを自社の基準として再現する根拠はありません。自社の判断を返してほしいなら、まず自社の判断を文書に入れる必要があります。

もう一つはAIの答えを検証する工程が要ることです。AIへの信頼が高い人ほど、出力を批判的に吟味する労力が減る傾向が、知識労働者319名の自己申告調査で報告されています（出典　Lee, H.-P. et al. (2025) “The Impact of Generative AI on Critical Thinking,” Proceedings of ACM CHI 2025、Microsoft Research × Carnegie Mellon University）。これは自己申告に基づく関連であり、AIが原因だと立証したものではありません。また、自動化された出力を十分に検証せず採用する自動化バイアスは以前から研究されています（出典　Parasuraman, R. & Manzey, D. H. (2010) “Complacency and Bias in Human Use of Automation: An Attentional Integration,” Human Factors, 52(3), 381–410）。同研究は、生成AI、初心者との比較、「説明させる」介入の効果を直接検証したものではありません。本記事では実務上の管理策として、AIの答えをそのまま採用せず、利用者に根拠と適用条件を説明させ、人が確認する工程を置きます。

この2つに、さらに長期の問題が重なります。AIが答えを返すほど、若手は熟練者に聞かず、自分で考える機会を失い、後継者が判断の原理を経験しないまま育つ、という事態が起こりえます（AI仲介による理解空洞化。株式会社taiziiiの整理）。ベテランへの依存がAIへの依存に置き換わっただけで判断できる人は増えません。だからAIを入れる目的は「判断できる人を不要にすること」ではなく「判断できる人をより速く育て、より多く増やすこと」に置くべきです。

つまり、生成AIはKMの探す苦労（検索面）をかなり解決しましたが、供給の側（理由4など）は残り、理由3（判断が無い）には手が届いていません。先に判断を言語化し、帰属を保った条件付きルールの形でAIが参照できるよう整え、それからAIを乗せる。整った判断があれば、AIはヒアリングの問いの設計、引き出した判断の構造化、ルールを根拠にした回答、若手の仮説とルールの差の提示、古いルールの検知といった工程を速める支援手段になります（具体的な整え方は別記事『生成AI時代のナレッジマネジメント』で詳述します）。

RAGの精度を上げれば、自社の判断もAIが返せるようになるのか

「RAGの精度を上げれば解決するのでは」と考える方もいるかもしれません。参照元を絞り内容を検証すればAIの回答精度は確かに上がり、これは「管理する知識」には有効な打ち手です。ですが、自社の判断が返ってこない原因は精度ではありません。AIは参照元に書かれていることしか返せないので、判断が入っていなければ精度をどれだけ上げても回答は一般論になります。RAGの改善が効くのは「載っているのに見つからない」状態であり「そもそも載っていない」状態には効きません。技術の精度を上げる前に、参照する中身に判断を入れる。この順序がAI投資を無駄にしないための前提になります。

それでもナレッジマネジメントが有効な場面

この記事は「KMをやめよう」という話ではありません。むしろ、KMが今も最適解である領域がはっきりあります。既存のKMやSECIを切り捨てる話でもなく、扱う対象が違うだけです。大事なのはKMが得意な領域と、別のやり方が要る領域を線引きすることです。

規程・手順・FAQ・定型ナレッジといった「管理する知識」の領域では、従来型のKMとAI検索の組み合わせが今も最適解です。「有給休暇の繰り越しは何日まで認められるか」「この経費は会議費か交際費か」といった答えが一つに定まる問いは規程や手順に書けばAI検索で誰でもたどり着けます。こうした知識に、わざわざベテランへのヒアリングや条件付きルールへの変換といった重い工程をかける必要はありません。逆に、判断の継承に注目するあまり管理する知識を後回しにすると、足元の問い合わせ対応で人手が取られ、肝心の判断の引き出しに割く時間がなくなります。管理する知識を素直に整えて足元を軽くし、空いた力を判断の継承に向ける。二層は、どちらかを選ぶものではなく、両方を、それぞれに合ったやり方で扱うものです。

仕分けの目安はシンプルで、答えが一つに定まり検索で足りるなら管理する知識、毎回「どう線を引くか」を問われベテランに確認が入るなら継承する判断です。一つの業務の中に両方が混ざるので、業務まるごとを分類するのではなく、業務の中の作業を一つずつ見て仕分けます。要は、「KMをやめる」のではなく、「KMの守備範囲を正しく引き直す」ということです。

判断の継承は、どの業務から着手すればよいか

判断の引き出しは手間のかかる工程なので、最初の対象選びを誤ると効果が見えないまま止まり、逆に最初の1テーマで成果が出れば次へ広げやすくなります。優先順位は、喪失影響、業務の性質、判断比重の3条件で決めます。

• 第一に、喪失影響で選ぶ。「この判断ができる人がいなくなると、どの売上・品質・安全・顧客信頼が壊れるか」を先に考え、失うと事業が壊れるものから選びます（喪失影響先行マップ。株式会社taiziiiの整理）。調査でも、属人化の領域として「専門的な判断基準（法務・経理・品質管理等）」が60.3%で最多でした（出典　株式会社taiziii調べ、管理職200名・インターネット調査）。
• 第二に、業務の性質で選ぶ。意思決定の文脈を分類する枠組みとして、英国の研究者デイヴ・スノーデン（Dave Snowden）が提唱したCynefin（クネビン）フレームワークは業務を、答えが決まっているClear、専門家の知見で解けるComplicated、因果が読みにくいComplexなどに分類します。Clear領域はAI検索に任せ、経験が要るComplicated領域から始めます。
• 第三に、判断比重の高い業務から手をつける。審査、見積もり、品質判定、例外対応といった、毎回「どう線を引くか」を問われる業務です。データ入力や定型処理のように誰でも同じ結果になる業務はマニュアルとAI検索で足ります。

この3条件は重ねて使います。たとえば与信審査は間違えると貸し倒れにつながり（喪失影響大）、専門家の判断が要り（Complicated）、人によって可否が変わる（判断比重高）。この3つが重なる業務は効果がもっとも大きく、始めやすい対象です。属人化の度合いではなく失ったときの事業影響で選ぶのが要点で、最初の1テーマで型ができれば二つ目以降は速くなり、一つを完遂して横に広げるほうが早く全体に行き渡ります。

KMがどこで止まるかを測る5段階

自社のKMがどこまで進み、どこで止まっているかは次の5段階に照らすと見えてきます（既存の成熟度モデルの引用ではなく、ここまでの5つの理由からこの記事が整理した5段階です）。5つの理由が「どこでつまずくか」、5段階は「どこまで来たか」を示します。

この5段階は採点表ではなく、自社がいまどこにいて次にどの壁が来るかを知るための地図です。AIだけ先に入れてレベル4の見た目なのに判断が無いままレベル2の中身、という飛び級のずれも起こるので、見た目の段階ではなく典型症状で自社を照合するのが正確です。

レベル1（属人化）「その判断は特定の担当者しかできない」が当たり前の状態です。文書が無いので退職や異動のたびに知識が消えますが、日常が回っているぶんリスクが見えにくいのが特徴です。調査でも、属人化業務があると答えた管理職は70.5%にのぼり、その多くが50代以上に集中していました（出典　株式会社taiziii調べ、管理職200名・インターネット調査）。

レベル2（文書化）「wikiは作ったが、検索されない」状態で、多くの企業がここで止まります。調査でも、組織的な記録・更新の仕組みがあると答えた人は16.5%にとどまり、大半はレベル2以下にいると考えられます（出典　株式会社taiziii調べ、管理職200名・インターネット調査）。原因は量ではなく、探せないこと・現場の言葉と合っていないこと・判断が載っていないこと。レベル2から3への壁が「使われない」（理由1・2）です（暗黙性タイプ分岐モデル）。

レベル3（実践接続）文書が研修や業務フローで実際に使われ、管理する知識が回り始めた状態です。レベル3から4への壁は「判断が無い」こと。手順は回るのに例外になるとベテランに戻る、理由3に対応する最も厚い壁です（受け手プル欠落モデル、表出化偏重トラップ）。

レベル4（AI活用）聞けばAIが答える状態です。ここで2つの危険があります。判断が文書化されていないままAIを乗せると一般論しか返らないこと（見た目はレベル4でも中身はレベル2のまま）、そしてAIの答えを誰も検証しなくなること（自動化バイアス）です（PoC終着駅症候群、AI仲介による理解空洞化の制御）。

レベル5（継続更新）更新と検証が回り続けている状態です。利用ログ・結果検証・訂正経路・廃止基準の4つが回り、古い判断が放置されません。次に進むべきは判断の品質保証、つまり「同じ判断が再現できているか」を定点で観測することです（例外・失敗記憶の欠落、知識鮮度・検証ループ不全への対応）。

打ち手を順序として並べると、喪失影響で対象を選び、知識タイプを診断し、継承の体験を設計し、AIの役割を制御し、継続的に改善する、という流れになります（株式会社taiziiiの整理。この記事が段階に対応づけたものです）。多くの企業はレベル2あたりで止まりやすい状態です。どの壁の前にいるかが分かれば、打ち手は決まります。

この5段階の現在地チェックと次の一手はExcel付録「KM形骸化チェックと5段階自己診断」の2枚目のシートにもまとめています。形骸化チェックの結果と並べて、自社の現在地を確かめられます。

ナレッジマネジメントでよくある質問

Q. ナレッジマネジメントはなぜ必要なのですか

A. ベテランの退職による知識の喪失と、属人化による非効率を、個人の善意ではなく仕組みで防ぐためです。調査では、ベテランの退職を経営リスクと感じる管理職は74.5%、属人化業務があると答えた管理職は70.5%で、その多くが50代以上に集中していました。属人化が起きている領域としては、専門的な判断基準（法務・経理・品質管理等）が60.3%で最も多く挙がっています（出典　株式会社taiziii調べ、管理職200名・インターネット調査）。つまり、いま組織が失おうとしているのは手順よりも判断のほうです。貯めて検索できれば足りる「管理する知識」と、引き出して条件付きルールに変換する必要がある「継承する判断」を分けて扱うことが、形骸化を避ける前提になります。

Q. ナレッジマネジメントの4つの手法

A. 解説書やメディアによって複数の類型整理があり、事例の共有・専門知識のQ&A・文書の集約・顧客知識の共有といった切り口で紹介されることが多いです。ただし、どの類型も中心にあるのは「管理する知識」です。手法の分類を選ぶより先に効くのは「管理する知識／継承する判断」の仕分けです。仕分けをせずに手法だけ選ぶと、理由2・3（書けない判断は乗らない、文脈が抜ける）に必ずぶつかります（詳細は別記事『ナレッジマネジメントとは』で扱っています）。

Q. 成功している企業はあるのですか

A. 規程・FAQ・手順といった「管理する知識」の領域は、検索性と運用を整えれば問い合わせ削減などの効果が出やすい領域です。一方「判断の継承」まで含めた取り組みは、各社がこれから挑む領域です。気をつけたいのは成功事例の見え方で、「ナレッジツールを全社導入した」「登録件数が増えた」は、判断が再現できるようになったという話とは限りません。成功の基準を「文書が揃ったか」ではなく「同じ判断が再現できているか」（判断の品質保証）に置くと、自社の達成度を正しく測れます。他社事例から学べるのはツールの選び方ではなく、判断を引き出して再現を確かめるという進め方のほうです。

Q. 生成AIがあればKMは不要になりますか

A. 不要になるのは「探す苦労」です。AIは書かれたことしか参照できないため、判断の言語化はむしろAI時代の前提条件になりました。文書に判断が入っていなければ、AIの精度をどれだけ上げても返ってくるのは一般論で、しかもAIが流暢に答えるぶん、それが自社の判断なのか世間の一般論なのかを見分けにくくなります。だからAI時代には、判断を言語化して参照元に入れておくことと、AIの答えを検証できる人を組織に残しておくことの両方がこれまで以上に重要になります。AIはKMを不要にするのではなく、KMの前提条件を引き上げた、と捉えるのが正確です。

Q. KMとSECIモデルは何がどう違うのですか

A. SECIモデルは共同化・表出化・連結化・内面化の4段階で、組織の知識が生まれ共有される過程を示した地図です（出典　Nonaka, I. (1994) “A Dynamic Theory of Organizational Knowledge Creation,” Organization Science, 5(1)）。KM（ナレッジマネジメント）は、その地図も含めて知識を組織的に活用しようとする実務の総称で、SECIが理論の枠組み、KMがそれを含む実務、という関係です。両者に共通するのは扱う対象が「知識」だという点です。この記事の立場はSECIもKMも知識については優れた枠組みである一方、組織で本当に失われる「判断力（なぜそうするか）」は、SECIの4段階のどこにも乗っていない、というものです。だから必要なのはSECIの続きや内面化の強化ではなく、扱う対象を知識から判断へ置き換えることです。SECIを否定するのではなく、SECIが扱う範囲の外に、別に取り組むべき対象がある、という整理です。

Q. 暗黙知は、本当に全部は言語化できないのですか

A. 全部は言語化できません。暗黙知という言葉のもとになったポランニーの議論は、「私たちは語れる以上のことを知っている」という点を出発点にしています。技能型（微妙な力加減）や感情型（危険への違和感）は、言葉にしきれない部分が残ります。ですが、「全部は無理」と「何もできない」は違います。因果型や認知型の判断は対比法や境界条件プロービングで条件に分解でき、条件付きルールに変換できます。目指すのは本人の感覚を100%写し取ることではなく、別の担当者が同じ条件で同じ判断にたどり着ける程度まで条件を言語化することで、言語化しきれない部分は実演やケース討議に分けるのが現実的です。

Q. 「判断の品質保証」とは、具体的に何を測るのですか

A. 文書の量ではなく、判断の再現性を測ります。具体的には、ベテランが過去に判断した案件を10件選び、その判断を伏せて若手に解かせ、実際の判断と何件一致したか（一致率）、そしてベテランへの例外質問がどれだけ減ったかを、定点で観測します。一致率が上がっていれば継承が進んでいる、横ばいなら条件付きルールに足りない部分がある、と読みます。結論だけでなく理由の一致も見ると、たまたま当たったのか原理を理解して当てたのかを区別できます。従来のKMの指標（蓄積件数・閲覧数）はツールの活用度を表しますが、判断が再現できているかは表しません。完璧な計測でなくてよく、粗くても定点で見続けることが大事です。

Q. 少人数・中小企業でも判断の継承はできるのですか

A. できます。むしろ対象が絞りやすいぶん始めやすい面があります。重要なのは、いちばん「特定の担当者しかできない」判断が事業に響く業務を1つだけ選び、その人に対比法と境界条件プロービングで質問し、5W＋WHICHで条件付きルールに変換することです。少人数の場合、特定の一人に判断が集中していることが多く、その人が抜けると事業が止まるリスクも大きいぶん、取り組む価値はむしろ高いといえます。立派なシステムは要らず、最初は表計算ソフトやドキュメント1枚でも、条件付きルールの形で判断を残せれば十分始められます。

Q. 判断の継承を始めてから成果が出るまで、どのくらいかかるのですか

A. 調査では、引き継ぎ期間そのものは「2週間〜1ヶ月未満」が最多である一方、前任者と同等の戦力化までには3ヶ月以上を要するという、期間の非対称性がみられました（出典　株式会社taiziii調べ、管理職200名・インターネット調査）。この非対称性は、引き継ぎで渡せるのは主に手順で、判断は期間の中で自動的には移らないことを示しています。だからこそ、成果は「引き継ぎ期間が終わったか」ではなく「同じ判断が再現できているか」で測るべきです。最初のテーマは時間がかっても、やり方が分かれば2つ目以降は速くなります。

古いのはナレッジマネジメントではなく前提である

「ナレッジマネジメントは古い」。その感覚の正体はツールの古さではなく「知識は貯めれば管理できる」という前提の限界でした。規程や手順は貯めて検索できれば機能しますが、例外時の線引きやさじ加減は引き出して、帰属を保った条件付きルールに変換し、再現を確かめる、「判断の継承」という別の仕事です。置き場所を替えても貯める対象が判断でなければ同じ場所でつまずき、判断へ広げれば、wikiでもAIでも判断の継承を支える仕組みになります。問われていたのはツールではなく何を扱うかでした。

形骸化は努力が足りなかったからではなく、努力の向き先が「貯める」に固定されていたから起きていました。向き先を「判断を引き出して再現する」に変えれば、これまで貯めてきた規程や手順も活きます。足りなかったのはその隣に判断のレイヤーを置くことだけでした。

この記事で整理した内容は次の5つです。

• 形骸化を5つの構造的理由で言い当てること
• 10問の診断で、自社がどの理由で止まっているかを特定すること
• 運用で直る失敗と、対象を替えないと直らない失敗を切り分けること
• 管理する知識と継承する判断を仕分け、判断は引き出して条件付きルールに変換し、再現を確かめること
• 5段階で自社の現在地を測ること

どれも、特別なツールや大きな投資を前提にしません。最初の一歩は文書のどこにも書かれていない「判断」をいま誰が持っているかの棚卸しです。影響の大きい業務を1つ選び、その判断を持つ人の名前を書き出してみてください。名前が特定の一人に集中していたら、そこが自社のいちばん脆いところであり、判断の継承を始める最初の場所です。

関連記事

• ナレッジマネジメントの基礎と導入手順　ナレッジマネジメントの基礎を整理する
• 生成AI時代のナレッジマネジメント　生成AI時代の更新点を見る
• 暗黙知の形式知化が失敗する理由　暗黙知と形式知の限界を確認する

※この記事は、知識ではなく”判断力”の継承に取り組む株式会社taiziiiが運営しています。自社のKMがどこで止まっているかを確かめられる「KM形骸化チェック（10問）」の配布版は、こちらからダウンロードできます。

出典・参考文献

• 株式会社taiziii「企業の属人化防止完全ガイドブック2026」掲載調査（管理職〔課長以上〕200名・インターネット調査。資料記載の調査期間：2025年8月14日〜18日、2026年2月24日〜3月6日）
• 野中郁次郎（Nonaka, I.）(1994) “A Dynamic Theory of Organizational Knowledge Creation,” Organization Science, 5(1), 14-37
• Dinur, A. (2011) “Tacit Knowledge Taxonomy and Transfer: Case-Based Research,” Journal of Behavioral and Applied Management
• NASA Office of Inspector General (2012) “Review of NASA’s Lessons Learned Information System,” IG-12-012
• Bainbridge, L. (1983) “Ironies of Automation,” Automatica, 19(6)
• Lee, H.-P. et al. (2025) “The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers,” Proceedings of ACM CHI 2025（Microsoft Research × Carnegie Mellon University）
• Parasuraman, R. & Manzey, D. H. (2010) “Complacency and Bias in Human Use of Automation: An Attentional Integration,” Human Factors, 52(3), 381–410. https://doi.org/10.1177/0018720810376055
• Klein, G. A., Calderwood, R. & MacGregor, D. (1989) “Critical Decision Method for Eliciting Knowledge,” IEEE Transactions on Systems, Man, and Cybernetics, 19(3), 462–472. https://doi.org/10.1109/21.31053
• Klein, G. (1998) Sources of Power: How People Make Decisions, MIT Press. https://mitpress.mit.edu/9780262112277/sources-of-power/