この記事の要点

• ナレッジエンジニアは専門家の知識と判断基準を引き出し、AIが使える形に変換する技術者
• 職種名の原典は1977年。AI研究者ファイゲンバウムがエキスパートシステム構築の担い手として定義した
• 当時から最大の難所は専門家から知識を引き出す「知識獲得」の工程で、この工程は今も自動化されていない
• 仕事内容は「引き出す」「構造化する」「AI資産化する」の3工程に分解できる
• 生成AIとRAGの普及で「AIに何を読ませるか」が成果を左右するようになり、知識を整える専門職が再評価されている
• なり方は隣接職種からの横展開が現実的。聞き出す技法と構造化の技術が核になる

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

「社内の資料は一通り読み込ませたのに、聞きたいことに答えてくれないんです」。「マニュアルに書いてある話は返ってくるのに、判断に迷う場面ほど一般論しか出てこない」。生成AIを業務に入れた職場で、こういう声を聞くことはないでしょうか。

まず疑うのはAIの側です。モデルを上位のものに替える、プロンプトを練り直す、読ませる文書を追加する。どれも自然な打ち手ですし、実際に効く場面もあります。

ただ、資料を足しても回答が一般論のままだと、現場は使うのをやめます。判断が要る場面ではやはりベテランに聞きに行く流れが戻り、質問はまた特定の人に集まります。導入した仕組みのほうは、試したところで止まったままです。

足りないのはモデルの性能ではなく、読ませる知識の側です。専門家の頭の中にあって、まだどこにも書かれていない判断を引き出し、AIが参照できる形に変換する。この工程を担う職種がナレッジエンジニア（knowledge engineer）で、職種名の原典は1977年、エキスパートシステムの時代までさかのぼります。当時から最大の難所だった「専門家から知識を引き出す工程」は、現在も自動化されていません。辞書と原典の定義、一度姿を消した経緯、仕事内容の3工程、生成AI・RAG時代に再注目される理由、必要なスキルとなり方までを順に解説します。

ナレッジエンジニアは専門家の知識をAIが使える形に変換する技術者である

辞書の定義でも対象は人工知能のシステム構築に置かれている

ナレッジエンジニアは専門家が頭の中で使っている知識と判断基準を引き出し、AIやシステムが参照できる形に変換する技術者です。国内の用語辞典も「エキスパートシステムの設計や構築を行う技術者。エキスパートシステムの開発には、人工知能の技術についての理解が必要なので、一般のシステムエンジニアとは区別される」と定義しています。

出典　ASCII.jpデジタル用語辞典　https://yougo.ascii.jp/caltar/ナレッジエンジニア

エキスパートシステムとは、専門家の知識をルールとして組み込み、専門家のように問題を解くことを目指した当時のAIシステムです。辞書の定義がいまもこの言葉で書かれているとおり、ナレッジエンジニアという職種名はエキスパートシステムの時代に生まれ、広まりました。職種を支える分野の側は、ナレッジエンジニアリング（知識工学）と呼ばれます。

職種名の原典は1977年のファイゲンバウム論文にある

職種としての原典をたどると、1977年の国際人工知能会議（IJCAI-77）に行き着きます。AI研究者のエドワード・ファイゲンバウムがこの会議で発表した論文が「The Art of Artificial Intelligence」です。論文は要旨の冒頭でこの職種を次のように定義し、後段に「2.2 The Knowledge Engineer」の節を置いています。

The knowledge engineer practices the art of bringing the principles and tools of AI research to bear on difficult applications problems requiring experts’ knowledge for their solution.

（ナレッジエンジニアは、解決に専門家の知識を要する困難な応用問題へ、AI研究の原理と手段を適用する技術を実践する者である）

出典　Edward A. Feigenbaum「The Art of Artificial Intelligence: 1. Themes and Case Studies of Knowledge Engineering」IJCAI-77 Proceedings・1977・pp.1014-1029　https://www.ijcai.org/Proceedings/77-2/Papers/092.pdf

注目したいのは、プログラムに詳しい人ではなく、専門家の知識を扱う人として定義されている点です。問題を解く力は推論の仕組みの強力さよりも専門家の知識に由来する、というのがこの論文を貫く考え方でした。だからこそ、知識を引き出してシステムに載せる専門の技術者が要る、という整理になります。1977年の定義ですが、社内の知見を生成AIに読ませようとして手が止まっている現在と、困っている場所は同じです。

ファイゲンバウムはその後、1994年にラジ・レディとともにACMチューリング賞を受賞しています。ナレッジエンジニアという職種名は、一時の流行語ではなく、AI研究の本流にいた研究者が定義した言葉だと分かります。

システムエンジニアとの違いは仕事の起点と成果物にある

ASCII.jpの定義には「一般のシステムエンジニアとは区別される」とありました。ナレッジエンジニアはシステムエンジニア（SE）の一種というより、起点と成果物が異なる別の役割です。定義に沿って整理すると次のようになります。

システムエンジニアの仕事は、要件が言葉になっていることを前提にできます。ナレッジエンジニアの出発点は、まだ言葉になっていない知識です。要件定義の前に「要件のもとになる知識を人の頭の中から取り出す」工程が挟まる、と考えると違いをつかみやすいでしょう。実際には一人が両方を担う場合もありますが、工程としては別物です。

職種名が前面から消えたのは知識獲得のボトルネックに原因がある

1977年に定義された職種が、なぜ長いあいだ前面に出てこなかったのか。理由は、定義した本人の論文にすでに書かれています。ファイゲンバウムは同じ論文で、応用指向の知的システムを作るうえで「ドメイン知識の獲得」こそがボトルネック問題だったと述べています。

出典　前掲Feigenbaum・1977

エキスパートシステムは、専門家の知識をルールの形で組み込んではじめて動きます。そしてルールを書くには、まず専門家から知識を引き出さなければなりません。この工程は人手のインタビューに頼るしかなく、多くの時間がかかります。しかも専門家は、自分の判断の根拠を必ずしも言葉にできません。知識を引き出す速度が上がらなければ、作れるシステムの数も、適用できる分野の広さも増えません。推論の仕組みがどれだけ進んでも、その手前の獲得の工程で詰まってしまいます。ファイゲンバウムはこの詰まりをボトルネックと呼びました。

その後の研究は、このボトルネックを軸に展開していきます。知識をどう引き出すかを扱う知識獲得の研究、引き出した概念の定義をどう揃えるかを扱うオントロジー工学へと続く流れです。

ボトルネックは、解決されて職種が要らなくなったのではなく、解決されないまま残りました。専門家から知識を引き出す工程は、その後のどの技術でも自動化されていません。ナレッジエンジニアという名前が表舞台から遠ざかったあとも、引き出す仕事そのものは、マニュアル作成や業務の引き継ぎという形で各職場に残り続けました。そして生成AIの登場で、この工程は「AIに何を読ませるか」という形で改めて表に出てきました。

仕事内容は引き出す・構造化する・AI資産化するの3工程に分かれる

現在のナレッジエンジニアの仕事は、専門家の知識を「引き出す」「構造化する」「AI資産化する」という3つの工程に分解すると全体像をつかみやすくなります。

引き出す　コツを正面から聞いても一般論しか返ってこない

最初の工程は、知識獲得（knowledge acquisition）と呼ばれてきた仕事です。マニュアルや議事録としてすでに文書になっている知識なら、集めて整えれば済みます。実務で価値が大きいのは、まだ文書になっていない知識のほうです。ベテランがどの手がかりを見て、どこで線を引いているのか。どちらも本人に聞くしかありません。

ただし「コツを教えてください」と正面から聞いても、返ってくるのは一般論にとどまりがちです。哲学者のマイケル・ポランニーは、人は語れる以上のことを知っていると指摘しました（出典　Michael Polanyi『The Tacit Dimension』1966）。技能習得の研究でも、熟達するほど判断は意識的な比較検討を経ずに、状況全体をとらえた直観として下されるようになると整理されています（出典　Hubert Dreyfus & Stuart Dreyfus『Mind Over Machine』Free Press・1986）。本人が根拠をいちいち意識していない以上、聞き方を工夫しなければ言葉は出てきません。

知識獲得の研究では、質問の仕方そのものが方法として蓄積されてきました。代表例が、消防指揮官など時間圧の高い現場の判断研究から生まれたCDM（Critical Decision Method）です。実際にあった事例に沿って、何に気づき、どの選択肢を検討し、どこで決めたのかをたどる質問技法です。

出典　Klein, Calderwood & MacGregor「Critical decision method for eliciting knowledge」IEEE Transactions on Systems, Man, and Cybernetics・1989・pp.462-472　https://ieeexplore.ieee.org/document/31053/

ほかにも、うまくいった案件と見送った案件を対比する、条件がどこまで変わると判断が変わるかを探る、例外的な事例を集めて聞く、といった聞き方が使われます。こうした聞き方をまとめて認知タスク分析（CTA）と呼びます。

構造化する　判断は平均せず帰属を保ったまま条件付きルールにする

引き出した知識は、そのままでは長い語りの記録にすぎません。2つ目の工程では、これを条件と結論の関係が分かる形に組み直します。「この案件は通した」「あの案件は止めた」という事例の集まりから、どんな条件がそろったときにどう判断するのかを、条件付きのルールとして書き起こしていきます。

条件付きルールに書き起こすときに大切なのは、複数の専門家の判断を平均して1本にまとめないことです。同じ業務でも、人によって見ている手がかりや置いている前提は違います。誰の、どの条件での判断かという帰属を保ったまま残し、例外は例外として分けて書きます。基準が並んだままでは現場が迷うのではないか、と思われるかもしれません。ただ、混ぜて丸めてしまうと、その基準がどの状況で成り立つのかをあとからたどれなくなり、外れたときに直せなくなります。

用語の整理も構造化の一部です。同じ対象が部署ごとに違う名前で呼ばれていたり、同じ言葉が違う意味で使われていたりすると、後の工程で検索や参照が正しく働きません。概念どうしの関係を明示的に定義していくオントロジー設計は、知識工学がこの問題に対して発展させてきた技術です。

AI資産化する　RAGに載せた時点では仕事は終わらない

3つ目の工程で、構造化した知識をAIが参照できる状態にします。代表的な仕組みがRAG（Retrieval-Augmented Generation・検索拡張生成）です。質問に関連する文書を検索で取り出し、その内容に基づいて回答を生成させる方法で、2020年に提案されました。

出典　Lewis et al.「Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks」NeurIPS 2020　https://arxiv.org/abs/2005.11401

RAGに載せた時点では、仕事はまだ終わりません。整備した知識でAIが実際に役立つ回答を返すか、専門家の見立てと突き合わせて確かめます。ずれの原因が知識の記述にあれば構造や書き方を直し、業務やルールが変わったら知識も更新します。AIは知識を参照して答えを組み立てる側であり、知識の正しさまで保証してくれるわけではありません。検証と更新を回し続ける運用の設計までが、AI資産化の仕事に含まれます。

再注目される理由は知識を獲得する工程だけが人に残ったことにある

生成と参照は進んだが獲得は自動化されていない

生成AIの普及で進んだのは、文章を生成する能力（LLM）と、手元の文書を参照して答える仕組み（RAG）です。一方、3工程の最初にある「専門家から知識を引き出す」工程は、いまも自動化されていません。AIは書かれた文書を読めますが、まだ書かれていない知識を専門家の頭の中から取り出す仕事は、依然として人の質問と対話に頼っています。

研究の側でも同じ見方が出ています。2023年の論文「Knowledge Engineering Using Large Language Models」は、LLMの登場は知識工学の基盤と実践を問い直すと述べました。そのうえで、記号的な知識表現とLLMを組み合わせるハイブリッド型の知識システムと、自然言語を介した知識工学という2つの方向を示しています。知識工学が不要になるのではなく、やり方を変えて続いていくという見取り図です。

出典　Allen, Stork & Groth「Knowledge Engineering Using Large Language Models」TGDK 1(1)・2023　https://drops.dagstuhl.de/entities/document/10.4230/TGDK.1.1.3

現場で不足しているのは手順ではなく例外時の判断基準である

再注目のもう一つの背景は、AIに読ませたい知識ほど文書に残っていないという現場の実情です。株式会社taiziiiの業務引き継ぎに関する実態調査では、引き継ぎで「これは教えておいてほしかった」と感じた観点の最多は「イレギュラーな状況や例外発生時の判断の基準」で、40.5%でした。

出典　株式会社taiziii「業務引き継ぎに関する実態調査」（従業員1,000名以上の大企業に勤務する管理職200名・インターネット調査・本調査2026年2月24日〜3月6日／追加調査2026年3月16日）　https://taiziii.com/knowledge-transfer-survey-2026/ （公開ページは調査の概要とダウンロード案内で、設問ごとの数値は同ページで配布のレポートに掲載）

また、株式会社taiziiiが属人化と技術承継を対象に実施した別の調査では、特定の人にしか分からない属人化した業務が「ある」と答えた管理職は計70.5%でした。

出典　株式会社taiziii「企業の属人化・技術承継に関する実態調査」（管理職（課長以上）200名・インターネット調査・2025年8月14日〜18日実施）　https://prtimes.jp/main/html/rd/p/000000005.000163598.html

手順書やFAQに載りやすいのは、決まった流れで進む定型の業務です。一方で引き継ぎの場面で足りなくなるのは、例外が起きたときにどこで線を引くかという判断の基準だった、というのが業務引き継ぎに関する実態調査（前掲）の結果でした。RAGは文書を検索して参照する仕組みなので、文書になっていない知識はそもそも参照できません。AIの導入を進めるほど、「読ませる知識を作る」工程が抜けていることがはっきりしてきます。ナレッジエンジニアの仕事は、この抜けている工程そのものです。

ナレッジマネジメントとの違いは活動の全体と工程という役割にある

ナレッジマネジメントは従業員の知識・経験を組織全体で共有し活用する経営手法です。制度づくりからツールの運用、共有する文化の醸成までを含む活動の全体を指します。ナレッジエンジニアはその全体像の中で、知識をAIやシステムが参照できる形に変換する工程を担う技術職にあたります。

両者は択一の関係ではありません。ナレッジ共有の取り組みが「貯めたのに使われない」「検索しても判断の答えが出てこない」で止まったとき、知識の形を変える工程を足すのがナレッジエンジニアの役割、という分担です。

ナレッジエンジニアに必要なスキルは4つに整理できる

中核になる4つのスキルのうち開発寄りは1つだけである

ここまでの3工程から逆算すると、必要なスキルは次の4つに整理できます。

4つのうち、開発寄りのスキルはRAG・LLMの理解だけです。残りの3つは、聞く、整理する、業務を知るという能力で、開発経験がなくても積み上げていけます。3工程のうち2つまでが、コードを書く前の仕事だからです。

求人を待つより隣接職種から地続きで入るほうが現実的である

親和性の高い入り口は4つあり、いまの経験のどこがそのまま活きて何を足すことになるかが、それぞれ違います。

• システムエンジニアから。要件を聞き出して形式化する経験は、そのまま知識獲得に活きます。足すのは、要件の手前にある判断を引き出す技法とRAGの理解です。
• データ整備・データ基盤の担当から。データを検索・参照できる形に整える仕事は、AI資産化の工程と重なります。対象を数値データから知識と判断基準に広げる入り方です。
• ナレッジマネジメント・マニュアル担当から。社内のどこに何が文書化され、何が抜けているかを知っている立場は、引き出す対象の特定で強みになります。
• 現場の専門家から。自分の領域の知識を自ら構造化する入り方です。4つのスキルのうち最も習得に時間がかかる対象領域の理解を、すでに持っています。

どの入り口から入る場合も、始め方は同じです。ベテランの判断に頼っている業務を一つ選び、その人に事例ベースで話を聞き、判断の条件を書き起こしてみる。引き出して構造化するというこの職種の中核工程を、そのまま小さく試したことになります。

よくある質問

ナレッジエンジニアリング（知識工学）とは何が違うのか

ナレッジエンジニアリングは分野・技術の名前で、ナレッジエンジニアはそれを実践する職種の名前です。1977年のファイゲンバウムの論文も、題名では分野を指してknowledge engineeringと呼び、その実践者をknowledge engineerと書き分けています（出典　前掲Feigenbaum・1977）。分野としては、エキスパートシステムから知識獲得の研究、オントロジー工学を経て、LLMやRAGの文脈で再び参照される流れをたどっています。

生成AIが進化すればナレッジエンジニアは不要になるのか

研究側で示されているのは、知識工学がなくなるという見方ではありません。記号的な知識表現との組み合わせや、自然言語による知識工学へと実践の形が変わる、という方向です（出典　前掲Allen, Stork & Groth・2023）。少なくとも現時点で、専門家の頭の中からまだ文書になっていない知識を引き出す工程は自動化されていません。AIが強力になるほど読ませる知識の質が結果を左右するため、知識を整える役割は生成AIと競合するものではなく、生成AIを活かす前提側にあると整理できます。

未経験からナレッジエンジニアになるには何から始めればよいか

隣接する経験を核にして、足りない要素を足していく入り方が現実的です。開発経験があるなら知識獲得の技法を、業務の専門性があるなら構造化とRAGの基礎を足します。職種名の付いた求人を探すことだけが入り口ではありません。いまの職場で、特定の人に依存している業務の判断基準を聞き出して書き起こす経験を作れば、それがこの仕事の最初の実績になります。

知識を整える工程がAI活用の前提になる

ナレッジエンジニアとは、専門家の知識を引き出し、構造化し、AIが参照できる資産に変換する技術者です。1977年にファイゲンバウムが定義した職種であり、当時から最大の難所は専門家から知識を引き出す知識獲得の工程でした。このボトルネックは解決されないまま残り、生成AIとRAGが普及した現在、「AIに何を読ませるか」という形で改めて表面化しています。

生成と参照の技術は進みました。それでも、まだ文書になっていない知識、とりわけ例外時の判断基準のような知識は、人が引き出して整えるほかありません。自社のAI活用が「検索しても欲しい答えが出ない」で止まっているなら、足りないのはモデルの性能ではなく、この変換の工程かもしれません。まずは、特定の人の判断に依存している業務を一つ選び、その知識がどこまで文書になっているかを確かめることから始めてみてください。

関連記事

• ナレッジエンジニアリング（知識工学）とは　エキスパートシステムから生成AIまで
• 認知タスク分析（CTA）とは　熟達者の判断を引き出す質問の方法
• 暗黙知はAIで形式知化できるのか
• 暗黙知の形式知化はなぜ失敗するのか
• ナレッジマネジメントとは何か
• AI Readyとは　生成AIが参照できる社内ナレッジの整え方

この記事の要点

• ナレッジエンジニアリング（知識工学）は、専門家の知識をコンピュータが扱える形に変換し、難しい問題を解くシステムを作る技術領域。1977年にファイゲンバウムが職能として体系化した
• DENDRALやMYCINといった初期のエキスパートシステムは、専門家の知識をIF-THENルールで表現して成果を上げた。導かれた原則は「力は知識にある」
• ブームの壁は推論技術ではなく「専門家から知識を引き出す」工程。ファイゲンバウム自身がドメイン知識の獲得をボトルネックと名指しした
• 挫折の後、CommonKADSによる方法論の標準化と、オントロジー工学による知識表現の整備が進んだ
• LLM・RAGの登場で知識工学は再評価されている。知識グラフとの統合と「自然言語による知識工学」が研究の焦点
• 知識獲得のボトルネックは現在も残る。RAGに参照させる知識を誰がどう引き出すかが、AI導入の実務を左右する

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

1982年に始まった第五世代コンピュータプロジェクトには、1992年度の終了までに約540億円が投じられました。成果として残ったのは、512プロセッサ構成のPIM/pをはじめとする5モデルの並列推論マシンです。その5年前の1977年、エドワード・ファイゲンバウムはすでに論文で、応用向けの知的システムを作るうえでのボトルネックは推論の仕組みではなくドメイン知識の獲得のほうだと指摘していました。予算と人が向かった先は推論を速く大きくする方向で、詰まっていたのはその手前でした。

出典　情報処理学会コンピュータ博物館「第五世代コンピュータ」　https://museum.ipsj.or.jp/computer/other/0002.html ／Edward A. Feigenbaum, “The Art of Artificial Intelligence: 1. Themes and Case Studies of Knowledge Engineering”, IJCAI-77 Proceedings, 1977　https://www.ijcai.org/Proceedings/77-2/Papers/092.pdf

社内の知識を生成AIに参照させるときも、最初に手をつけるのは検索の側です。社内文書をまとめて登録し、分割の仕方や検索の設定を調整し、モデルを選び直す。順当な進め方で、定型の問い合わせにはよく効きます。

それでも、例外案件の線引きや優先順位のつけ方を聞くと、返ってくるのは当たり障りのない一般論です。手順書に書いてあることは答えられても、書いていないことは答えられません。使う人は次第に離れ、判断が要る場面ではやはりベテランに確認の連絡をすることになります。

詰まっている場所は1977年と同じです。検索や生成の技術ではなく、参照させる知識を誰がどう引き出すか。この問いを正面から扱ってきた技術領域が、ナレッジエンジニアリング（知識工学）です。1970年代にエキスパートシステムとともに確立し、ブームと挫折を経て方法論とオントロジー工学に発展し、いまLLMやRAGの文脈で再び参照されています。原典の定義、エキスパートシステムの成果、知識獲得のボトルネック、CommonKADSとオントロジー、LLM・RAGでの再評価までを、一続きの歴史として解説します。

ナレッジエンジニアリング（知識工学）は知識を機械が扱える形に変換する技術領域である

定義の原典は1977年のファイゲンバウム論文にある

ナレッジエンジニアリング（knowledge engineering）は、日本語では「知識工学」と訳されます。専門家の知識を要する難しい問題にAI研究の原理と手段を適用し、問題を解くシステムを作る技術領域です。この定義の原典は、計算機科学者エドワード・ファイゲンバウム（Edward A. Feigenbaum）が1977年の国際AI会議IJCAI-77で発表した論文「The Art of Artificial Intelligence: 1. Themes and Case Studies of Knowledge Engineering」にあります。ファイゲンバウムは後の1994年にラジ・レディとともにACMチューリング賞を受賞した、この分野を代表する研究者です。

論文はこの技術の担い手を「ナレッジエンジニア」と呼び、次のように定義しています。”The knowledge engineer practices the art of bringing the principles and tools of AI research to bear on difficult applications problems requiring experts’ knowledge for their solution.”（ナレッジエンジニアは、解決に専門家の知識を要する困難な応用問題へ、AI研究の原理と手段を適用する技術を実践する）。

出典　Edward A. Feigenbaum, “The Art of Artificial Intelligence: 1. Themes and Case Studies of Knowledge Engineering”, IJCAI-77 Proceedings, 1977, pp.1014-1029　https://www.ijcai.org/Proceedings/77-2/Papers/092.pdf

実務の言葉に置き換えると、次の一連の工程を指します。専門家は長年の経験で身についた知識を使い、診断や分析のような難しい問題を解いています。その知識は本人の頭の中にあり、そのままではコンピュータで動きません。そこで専門家から知識を聞き出し、コンピュータが処理できる形式（当時は主にIF-THENルール）に書き換え、推論の仕組みと組み合わせてシステムに仕立てる。この「引き出す・変換する・組み込む」の全体が知識工学です。

この分野の主な節目は次のとおりです。

ナレッジマネジメントとの違いは「対象」ではなく「方法」にある

似た言葉にナレッジマネジメントがありますが、扱う対象が重なる一方で性格が異なります。ナレッジマネジメントは、従業員一人ひとりの知識・経験を組織全体で共有し、業務改善や価値創造に活かす経営手法です。制度・運用・場の設計が中心で、経営学の系譜に属します。ナレッジエンジニアリングは、知識をコンピュータが扱える形式に変換してシステムに組み込む工学で、AI研究の系譜に属します。同じ「専門家の知識」を扱っていても、前者は人と組織の仕組みに、後者は知識の表現と変換の技術に力点があります。

生成AIの導入では、この2つが同じ場所でぶつかります。経営手法として集めてきた知識をAIに参照させる段になると、その知識をどんな形式で書き表すかという工学側の問いを避けて通れなくなるからです。

エキスパートシステムの成果は知識を明示的なルールとして書き出せたことにある

DENDRALとMYCINは専門家の知識をIF-THENルールで表現した

知識工学の出発点は、特定分野の専門家と同じ水準で問題を解くことを目指した「エキスパートシステム」です。ファイゲンバウムの1977年論文は、その代表例としてDENDRALとMYCINをケーススタディに挙げています。

DENDRALは1965年に始まった化学分野のプロジェクトで、スタンフォード大学の質量分析研究室と共同で進められました。同論文はこれを「AI史上最も長く続いた継続的取り組みの一つ」と記しています。

MYCINは血液感染症の診断を扱う医療分野のシステムです。専門医の知識をIF-THENルール、つまり「もし条件1と条件2が成り立つなら、結論Xを支持する」という形式の規則として蓄積し、推論に使いました。同論文には実際に使われたルールの一つ（RULE 85）がそのまま掲載されています。それまで専門医の頭の中にしかなかった知識を、第三者が検証も再利用もできる明示的なルールの集合として書き出せるようになりました。ここがエキスパートシステムの大きな前進です。

出典　前掲Feigenbaum 1977（DENDRAL・MYCINのケーススタディ）

力は知識にある。システムの能力は推論手法より知識の質で決まる

エキスパートシステムの経験から導かれた原則が、同論文にある”in the knowledge is the power”（力は知識のほうにある）という一文です。システムの問題解決能力は主として専門家から得た知識に由来し、推論手法の一般性や強力さは二次的だ、という趣旨が述べられています。

出典　前掲Feigenbaum 1977

この原則は、知識工学という仕事がなぜ要るのかをそのまま説明しています。優れたシステムを作る鍵は、アルゴリズムを磨くことより、質の高い専門知識をどれだけシステムに移せるかにあります。だとすれば、専門家から知識を引き出して変換する工程こそが最も重要な工程になります。そして、まさにその工程が最大の壁になりました。

ブームが終わったのは推論技術ではなく知識獲得のボトルネックに原因がある

壁はブームが本格化する前の1977年にすでに名指しされていた

エキスパートシステムは1980年代に企業や研究機関へ広がり、1990年代にかけて期待が落ち着いていきました。ただし、つまずきの核心が後から判明したわけではありません。ファイゲンバウムはブームが本格化する前の1977年の論文で、すでにこう書いています。”the acquisition of domain knowledge was the bottleneck problem in the building of applications-oriented intelligent agents”（ドメイン知識の獲得こそが、応用指向の知的エージェントを構築するうえでのボトルネック問題だった）。

出典　前掲Feigenbaum 1977（§3.2.1）

ルールを処理する技術より、ルールのもとになる知識を専門家から引き出す工程のほうが難しい、という指摘です。専門家へのインタビューを重ねても、判断の根拠が思うように言葉になりません。哲学者マイケル・ポランニーは「人は語れる以上のことを知っている（We can know more than we can tell）」と述べ、熟達した人の知識には本人も言語化しきれない層（暗黙知）があることを指摘しました。インタビューの回数を重ねても言葉にならない部分が残るのは、聞き手の力量ではなく知識の側の性質によります。

出典　Michael Polanyi, *The Tacit Dimension*, Doubleday & Company, 1966

第五世代コンピュータプロジェクトの投資は推論を速くする方向へ向かった

日本もこの時代の当事者でした。1982年、通商産業省（現在の経済産業省）の主導で第五世代コンピュータプロジェクトが始まります。推進母体は新世代コンピュータ技術開発機構（ICOT）。「知識情報処理を指向した新しいコンピュータ技術の研究開発」を技術目標に掲げ、1992年度の終了までに約540億円が投じられました。成果としては、512プロセッサ構成のPIM/pをはじめとする5モデルの並列推論マシンが残っています。

出典　情報処理学会コンピュータ博物館「第五世代コンピュータ」　https://museum.ipsj.or.jp/computer/other/0002.html ／電子情報通信学会マイルストーン　https://www.ieice.org/jpn_r/assets/pdf/publication/milestone/d47-48.pdf

第五世代コンピュータプロジェクトの成否そのものより、見ておきたいのは投資の向きです。並列推論マシンという成果が示すとおり、プロジェクトの中心は「推論を速く、大規模にする」方向の技術開発でした。一方でファイゲンバウムが名指しした壁は、専門家の頭の中から知識を引き出すという、計算機の性能とは別種の問題です。力は知識のほうにあるという原則に立てば、推論をいくら強化しても、入れるべき知識が引き出せなければシステムは賢くなりません。ブームが去った後に研究が向かった先も、この「引き出す」と「表す」の2つの工程でした。

挫折の後に進んだのは知識の引き出し方と表し方の標準化である

CommonKADSは知識獲得を個人の力量から工程の問題へ置き直した

エキスパートシステムの反省を最も体系的に引き継いだ成果の一つが、CommonKADSと呼ばれる方法論です。シュライバー（Schreiber）ら7名の著書『Knowledge Engineering and Management: The CommonKADS Methodology』（MIT Press、2000年）にまとめられており、産学のコンソーシアムが約10年をかけて開発しました。扱う範囲が広く、組織のどの知識が重要かを見立てる知識マネジメントの段階から、知識の分析、システムの設計までを一続きの工程として置いています。

出典　Schreiber, Akkermans, Anjewierden, de Hoog, Shadbolt, Van de Velde & Wielinga, *Knowledge Engineering and Management: The CommonKADS Methodology*, MIT Press, 2000　https://direct.mit.edu/books/monograph/3278/

この方法論の意味は、知識の分析からシステムの設計までを、決まったモデル群に沿って進む標準の工程として書き下したことにあります。工程が標準化されていれば、知識の引き出しと設計が特定の開発者の経験に依存する度合いを下げられます。知識獲得のボトルネックを、個人の力量の問題ではなく、方法論で扱う工程の問題へ置き直した回答といえます。

オントロジーは知識の土台そのものを共有できる資産にする考え方である

知識の「表し方」の側でも標準化が進みました。計算機科学者トマス・グルーバー（Thomas R. Gruber）は1993年の論文で、オントロジーを「概念化の明示的な仕様（an ontology is an explicit specification of a conceptualization）」と定義しました。

出典　Thomas R. Gruber, “A translation approach to portable ontology specifications”, *Knowledge Acquisition*, 5(2), 1993, pp.199-220　https://tomgruber.org/writing/ontolingua-kaj-1993/

ある領域で使う概念（たとえば「顧客」「契約」「与信枠」）と概念どうしの関係を、人にも機械にも読める形で明示的に定義した仕様、と言い換えられます。定義が明示されていれば、別のシステムや別のチームが同じ知識を再利用できます。個別のシステムごとに知識表現を作り直すのではなく、知識の土台そのものを共有できる資産にする、という考え方です。オントロジー工学と呼ばれる分野に発展し、概念と関係をグラフ構造で表す現在の知識グラフ（ナレッジグラフ）に引き継がれています。

LLM・RAGの時代に知識工学は置き換えではなく組み合わせとして再評価されている

LLMと知識工学が交わる合流点はRAGと知識グラフの2つである

生成AIに社内文書を参照させる代表的な手法がRAG（Retrieval-Augmented Generation、検索拡張生成）です。LLMが答えを作る際に外部の文書を検索して参照させる枠組みで、原典はルイスらが2020年のNeurIPSで発表した論文です。モデルの学習だけに頼らず、外部に置いた知識を参照して答えの根拠にする構図がここで確立しました。

出典　Lewis et al., “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks”, NeurIPS 2020（*Advances in Neural Information Processing Systems* 33, pp.9459-9474）　https://arxiv.org/abs/2005.11401

もう一つの合流点が知識グラフです。パンらは2024年、LLMと知識グラフを相互に補完させながら統合していく研究のロードマップを、IEEEの論文誌で整理しました。言語を柔軟に扱えるLLMと、明示的で検証しやすい知識を持つ知識グラフを、対立ではなく組み合わせの関係として描く流れです。

出典　Pan et al., “Unifying Large Language Models and Knowledge Graphs: A Roadmap”, *IEEE Transactions on Knowledge and Data Engineering*, 36(7), 2024, pp.3580-3599　https://doi.org/10.1109/TKDE.2024.3352100 （オープンアクセス版　arXiv:2306.08302）

知識工学の研究者たち自身も、この状況を正面から論じています。アレンらは2023年の論文「Knowledge Engineering Using Large Language Models」で、LLMの登場は知識工学の基盤と実践を問い直すものだとし、今後の方向として2つを挙げました。ニューラルネットと記号的な知識表現を組み合わせるハイブリッド知識システムと、自然言語を使って知識工学の作業そのものを進める「自然言語による知識工学」です。ルールやオントロジーを人手で書いてきた時代の蓄積と、言語を直接扱えるLLMは、どちらかが他方を置き換えるのではなく、組み合わせて使うものとして位置づけられています。

出典　Allen, Stork & Groth, “Knowledge Engineering Using Large Language Models”, *TGDK（Transactions on Graph Data and Knowledge）*, 1(1), 2023　https://drops.dagstuhl.de/entities/document/10.4230/TGDK.1.1.3

知識を入れることとAIがそれを使えることは別である

長い文脈を扱えるLLMが登場すると、知識は整理せずそのまま全部渡せばよいのではないか、という発想が出てきます。この発想の限界を示した研究が、リウらの「Lost in the Middle」です。関連する情報が長い入力文脈の中央付近に置かれるとモデルの性能が落ち、文脈の先頭と末尾にあるときは高くなりました。つまり情報の位置に対して性能がU字型のカーブを描く、という報告です。

出典　Liu et al., “Lost in the Middle: How Language Models Use Long Contexts”, *Transactions of the Association for Computational Linguistics*, 12, 2024, pp.157-173　https://aclanthology.org/2024.tacl-1.9/

長い文脈にまとめて渡せば済むわけではない以上、どの知識を、どう構造化して、どこに置くかという設計は残ります。知識の表現と整理という知識工学の古典的な主題は、LLMの時代にも回答の質を左右し続けています。

1977年の指摘は対象を変えて現在のAI導入にも残っている

知識獲得のボトルネックは消えていない

エキスパートシステムの時代と現在では、知識の「入れ方」が大きく変わりました。違いと共通点を並べると次のようになります。

ルールを手で書く必要がなくなった分、導入の入り口は広がりました。しかしRAGが参照できるのは、文書になっている知識だけです。手順書・規程・FAQのようにすでに文書がある知識は、登録すれば検索と生成の対象になります。一方、例外案件の線引きや優先順位のつけ方のような判断は、そもそも文書が存在しないことがあります。存在しない文書は、どれだけ検索技術を高めても出てきません。

ドメイン知識の獲得がボトルネックだという1977年の指摘は、ルールを書く場面から、AIに参照させる知識を用意する場面へと対象を変えて残っています。エキスパートシステムの失敗から教訓を一つ選ぶなら、検索や推論の技術より先に、知識を引き出す工程を設計することです。

知識獲得研究の系譜は判断の引き出しに続いている

ボトルネックは放置されてきたわけではありません。これを解くために、専門家から知識を引き出す手法の研究（knowledge acquisition、知識獲得）が発達しました。代表例がCDM（Critical Decision Method）です。専門家の現場判断を研究した心理学者ゲイリー・クラインらが1989年に発表した面接手法で、過去の重要な判断場面を取り上げ、プローブ質問と呼ばれる問いを重ねて判断の手がかりを引き出します。消防指揮官や救急救命士など、時間圧の高い現場の専門家に適用されてきました。

出典　Klein, Calderwood & MacGregor, “Critical decision method for eliciting knowledge”, *IEEE Transactions on Systems, Man, and Cybernetics*, 19, 1989, pp.462-472　https://ieeexplore.ieee.org/document/31053/

エキスパートシステムから知識獲得、そしてオントロジー工学へ。この系譜で積み上げられた「引き出し方」は、現在の実務では専門家の判断を言語化する場面に引き継がれています。判断に迷った案件を時系列で振り返る。対照的な2つの事例を並べ、判断が分かれた条件を聞く。条件がどこまで変われば結論が変わるかを確かめる。こうした聞き方はいずれも知識獲得研究で体系化されてきたもので、まとめて認知タスク分析（Cognitive Task Analysis、CTA）と呼ばれます。

引き出した判断の残し方にも注意点があります。複数の専門家の判断を平均して一本のルールにまとめないことです。判断は人と条件に結びついています。基準が人ごとに分かれたままでは運用できないのではないか、と思われるかもしれません。ただ、誰の、どの条件での判断かという帰属を保ったまま条件付きのルールとして残すほうが、外れたときに原因をたどれますし、条件が変われば該当するルールだけを更新できます。知識を引き出す工程の設計と、帰属を保った残し方。この2つが、エキスパートシステム以来の研究蓄積から現在のAI導入が受け取れる実務的な教訓です。

よくある質問

ナレッジエンジニアリングとナレッジマネジメントはどう違うのか

ナレッジエンジニアリングは、専門家の知識を機械が扱える形に変換してシステムを作る工学です。ナレッジマネジメントは、組織の知識を共有・活用する経営手法で、制度や運用の設計が中心になります。扱う対象は重なりますが、前者はAI研究、後者は経営学の系譜に属します。

エキスパートシステムと生成AIは何が違うのか

エキスパートシステムと生成AIでは、知識の持ち方が違います。エキスパートシステムは、専門家から聞き取った知識をIF-THENルールとして明示的に書き、ルールに基づいて推論します。生成AIは、大量のテキストから学習したモデルが言語を生成し、RAGを使う場合は外部の文書を検索して参照します。一方で共通点もあります。どちらも結果の質が、与えられた知識の質に左右される点です。ファイゲンバウムが力は知識のほうにあると述べた原則は、生成AIの導入にも当てはまると考えられます。

知識獲得のボトルネックとは何を指すのか

知識獲得のボトルネックとは、エキスパートシステムを作る工程のうち、専門家から知識を引き出してシステムに移す部分が全体の進みを決めてしまう、という問題です。ファイゲンバウムが1977年の論文で指摘しました。専門家の知識には本人も言語化しにくい暗黙知が含まれるため、インタビューを重ねるだけでは引き出しきれないことが背景にあります。この構造は、生成AIに参照させる知識を用意する現在の実務にも残っています。

ナレッジエンジニアとはどのような職種か

ナレッジエンジニアは、専門家の知識を引き出し、機械が扱える形に変換してシステムに組み込む技術者です。1977年のファイゲンバウムの論文で職能として定義されました。エキスパートシステムの時代に生まれた職種ですが、LLM時代の知識工学を問い直す研究（前掲Allen et al. 2023）が出るなど、役割は再評価されつつあります。実務では、専門家から判断を引き出す工程と、引き出した内容をAIが参照できる形に構造化する工程の両方を担います。

知識工学を学ぶには何から読めばよいのか

一次資料の多くが無料で公開されています。出発点にはファイゲンバウムの1977年論文（IJCAI-77、PDF公開）が適しています。知識工学を職能として定義した原典であり、DENDRAL・MYCINのケーススタディも収められています。方法論を体系的に押さえるなら『Knowledge Engineering and Management: The CommonKADS Methodology』（MIT Press、2000年）、LLM時代との接続を知るならアレンらの2023年論文（オープンアクセス）が読みやすい選択です。

知識工学は過去の学問ではなくAI導入に続く蓄積である

ナレッジエンジニアリング（知識工学）は、専門家の知識をコンピュータが扱える形に変換して問題を解かせる技術領域です。1965年開始のDENDRALに始まり、MYCINなどのエキスパートシステムで成果を上げ、1977年にファイゲンバウムが職能として体系化しました。ブームの中心で壁になったのは推論技術の不足ではなく、専門家から知識を引き出す工程、すなわち知識獲得のボトルネックでした。その反省からCommonKADSという標準方法論とオントロジー工学が生まれ、知識の引き出し方と表し方が整備されていきました。

そして現在、LLMとRAGの登場でこの蓄積が再び参照されています。知識グラフとの統合や自然言語による知識工学という研究の流れは、古い技術の復権ではなく、明示的な知識と生成モデルの合流です。同時にLost in the Middleが示すとおり、知識を入れることと使われることは別であり、知識の構造化という古典的な主題は残り続けています。

これからAIに社内の知識を参照させるなら、順序が大切です。まず、すでに文書になっている知識と、まだ専門家の頭の中にある判断を分けます。前者は登録と検索の整備で進みます。後者には、知識獲得研究が積み上げてきた「引き出す工程」の設計が必要です。1977年に名指しされたボトルネックを知っておくことが、同じつまずきを繰り返さないための備えになります。

関連記事

• ナレッジエンジニアとは　仕事内容とAI時代に再注目される理由
• 認知タスク分析（CTA）とは　熟達者の判断を引き出す質問の方法
• 生成AI時代のナレッジマネジメントとは
• 暗黙知の形式知化はなぜ失敗するのか
• ナレッジマネジメントとは何か
• AIエージェント時代のナレッジマネジメント　実行するAIに渡す情報

この記事の要点

• 認知タスク分析（CTA）は作業手順ではなく、熟達者が頭の中で使っている手がかり・基準・迷いを聞き出すためのインタビュー技法群
• 「どうやっていますか」と聞くと手順しか返ってこないのは、熟達するほど判断が無意識化するため。質問のしかたを変える必要がある
• 中核手法のCDM（クリティカル・ディシジョン・メソッド）は、実際にあった難しい事例を4回たどり直しながらプローブ質問で判断を掘り下げる
• 対比質問・境界条件プロービング・仮想シナリオなど、CDM以外にも判断を引き出す質問の型がある
• CTAをもとに作った訓練の効果は、複数の研究をまとめた分析で一般に大きいとされる水準だった。ただし対象になった研究数は少なく、万能視はできない
• 引き出した判断は統合・平均せず、誰の・どの条件での判断かの帰属を保って残すのが実務の要点

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

「ふだんどうやって判断していますか」と尋ねている限り、ベテランの判断基準は出てきません。聞き手の力量が足りないからでも、相手が出し惜しみしているからでもありません。熟達した人ほど判断は無意識のパターン認識になっていて、状況から切り離した一般論の問いでは呼び出せないからです。

引き継ぎの場面では、まずベテランの時間を押さえます。業務の流れを最初から説明してもらい、録音を文字起こしして手順書に整える。丁寧で、実際に手順はきちんと残ります。

残らないのは判断のほうです。肝心なところを聞くと「ケースバイケースだから」で終わり、手順書は厚くなるのに、例外が起きると誰も決められません。株式会社taiziiiの調査でも、引き継ぎで不足していた観点の最多は例外発生時の「判断の基準」（40.5%）でした。結局は退職した本人に確認の連絡をすることになり、連絡がつかなくなった時点で止まります。

変えるべきなのは相手の熱意でも聞き手の粘りでもなく、質問の構造です。基準そのものを聞くのをやめ、基準が働いた実際の場面を聞く。この転換を手続きとして体系化してきたのが、認知タスク分析（Cognitive Task Analysis、CTA）と呼ばれる研究分野です。中核手法のCDM（クリティカル・ディシジョン・メソッド）の進め方、実務でそのまま使える質問文、そして効果を検証した研究でどこまで言えるのかを整理します。

出典　株式会社taiziii「業務引き継ぎに関する実態調査」（従業員1,000名以上の大企業に勤務する管理職200名・インターネット調査・本調査2026年2月24日〜3月6日／追加調査2026年3月16日）　https://taiziii.com/knowledge-transfer-survey-2026/ （公開ページは調査の概要とダウンロード案内で、設問ごとの数値は同ページで配布のレポートに掲載）

認知タスク分析（CTA）は頭の中の判断を分析対象にする技法群である

分析の対象は観察できる作業ではなく判断・知覚・状況把握である

認知タスク分析（Cognitive Task Analysis、CTA）は、熟達者の頭の中で起きている認知過程を引き出すために設計されたインタビュー技法の総称です。経営研究の方法論誌に2024年に掲載されたBrownらの論文は、CTAを「複雑な業務ドメインの専門性を支える知識要件を特定するために設計された半構造化インタビュー技法群」と定義しています。

名前のとおり、分析の対象が「認知」に置かれています。従来のタスク分析が「何をどの順でやっているか」という観察可能な作業を対象にするのに対し、CTAが対象にするのは判断・知覚・状況把握といった頭の中の働きです。

Brownらは人事責任者の例を挙げています。在宅勤務への急な移行を受けて人事責任者が新しい資源の配分を決めるとき、決定の瞬間とその後の実行手順は外から観察できます。観察できないのは、どの手がかりを使ったか、時間的な圧力や従業員の不安といった状況要因がどう影響したか、過去のどの経験を引き出して判断したかです。CTAはこの観察できない部分を質問で引き出し、他の人が使える形に変換します。

進め方は3つの段階に整理されています。

• 知識の引き出し。インタビューや観察で、業務の遂行に使われている認知過程を掘り起こす
• データ分析。発言を分類し、手がかり・戦略・知識要件を特定する
• 知識表現。判断の流れや要件を、職場で引き継げる形式にまとめる

出典　Olivia Brown, Nicola Power & Julie Gore “Cognitive Task Analysis: Eliciting Expert Cognition in Context”, Organizational Research Methods, 28(3), pp.375-404（2024年8月20日オンライン公開・2025年収録号）　https://journals.sagepub.com/doi/10.1177/10944281241271216

階層的タスク分析（HTA）との違いは答えられる問いにある

タスク分析という言葉からまず連想されるのは、業務を手順に分解していく図ではないでしょうか。その代表が階層的タスク分析（Hierarchical Task Analysis、HTA）で、手順と下位手順を枝分かれの分解ツリーに落とし込み、業務の構造を見えるようにします。CTAとの違いは次のとおりです。

両者は対立する手法ではありません。あらかじめ決めた手順で医療分野の論文を網羅的に探し、条件に合う81本を整理したレビュー研究（システマティックレビュー）では、HTAはCTAの一連の技法の一つとして集計されています。ただし同レビューは、多くのHTA研究が作業の分解にとどまり、意思決定の理解までは踏み込んでいなかったとも指摘しています。手順の分解図をどれだけ細かくしても、「ベテランはなぜそこで手を止めるのか」は書かれないままです。引き継ぎで足りないものが手順ではなく判断なら、必要なのは分解ツリーではなく、判断を引き出す側の技法です。

出典　Swaby, Shu, Hind & Sutherland “The use of cognitive task analysis in clinical and health services research — a systematic review”, Pilot and Feasibility Studies, 2022　https://doi.org/10.1186/s40814-022-01002-6

CTAが生まれたのは知識獲得のボトルネック問題に原因がある

CTAの源流の一つはAI研究にあります。1970〜80年代、専門家の知識をルールとして組み込んだエキスパートシステムの開発が進むなかで、開発者たちは共通の壁に突き当たりました。システムの部品となる知識を専門家の頭から取り出す工程が、どの技術的課題よりも難しかったのです。エキスパートシステム研究を主導し、後にチューリング賞を受賞したAI研究者エドワード・ファイゲンバウムは、1977年の論文でこの壁を「知識獲得のボトルネック問題」と名指ししました。応用指向の知的エージェントを作るうえでのボトルネックは、推論の仕組みではなくドメイン知識の獲得だという指摘です。

出典　Edward A. Feigenbaum “The Art of Artificial Intelligence”, IJCAI-77 Proceedings, 1977　https://www.ijcai.org/Proceedings/77-2/Papers/092.pdf

この壁を越えるために、専門家から知識を引き出す方法論の研究（知識獲得研究）が発達しました。CTAはこの流れの上にあり、知識をどう引き出すかという問いを面接技法として具体化した分野にあたります。引き出した知識をシステムに組み込む側の展開については、ナレッジエンジニアリング（知識工学）の歴史を別記事で整理しています。

心理学の側にも源流があります。1954年に心理学者フラナガン（J. C. Flanagan）が提唱したクリティカル・インシデント法は、実際にあった重要な出来事を再構成してもらい、行動の記述を得る手法でした。後述のCDMはこれを拡張したものです。Brownらの整理によれば、困難な状況で働く専門家が何を見てどう決めているのかを既存の手法では十分に掘り出せない、という問題意識がCTAという分野を形づくってきました。

出典　J. C. Flanagan “The critical incident technique”, Psychological Bulletin, 1954　https://doi.org/10.1037/h0061470

なぜ普通のインタビューでは手順しか出てこないのか

熟達するほど判断は語れなくなる

判断が語れないのは、聞き手の技量が足りないからではありません。熟達研究をたどると、語れなくなること自体が熟達の自然な帰結だと分かります。

技能習得の研究で知られるドレイファス兄弟（Hubert & Stuart Dreyfus）は、技能の習得を初心者から達人までの5段階でモデル化しました。初心者はルールに従って動きますが、段階が上がるにつれて、状況全体を把握したうえでの直観的な判断へ移っていきます。熟達するほど判断は、選択肢を意識的に比較する分析的な手続きを経ずに下されるようになり、本人が言語化しにくくなります。ベテランほど教えるのが難しくなるのは、判断がこの直観的な形に移っているためです。

出典　Hubert Dreyfus & Stuart Dreyfus “Mind Over Machine”, Free Press, 1986

さらに古い指摘として、科学哲学者マイケル・ポランニーの暗黙知があります。ポランニーは「We can know more than we can tell（人は語れる以上のことを知っている）」という言葉で、知識には本人にも言語化できない層があることを示しました。判断基準が出てこないのは隠しているからではなく、そもそも語れる形で保持されていないからです。暗黙知を書き出そうとしたときに何が起きるかについては、暗黙知の形式知化が失敗する理由を別記事にまとめています。

出典　Michael Polanyi “The Tacit Dimension”, 1966

現場の意思決定を直接調べたのが、消防士や看護師など専門家の現場判断を研究した心理学者ゲイリー・クラインらの自然主義的意思決定（NDM）研究です。クラインの観察では、熟達者は複数の選択肢を並べて比較するのではなく、状況を認知した瞬間に浮かんだ有力案を頭の中で検証し、即座に判断していました（RPDモデル）。選択肢を比較していないのだから、「なぜ他の案ではなくその案を選んだのですか」と聞かれても、比較の理由は語れません。

出典　Gary Klein “Sources of Power”, 1998

語れないという傾向は、数字でも報告されています。前掲の医療分野のレビュー研究は、専門家が口頭で作業を説明すると、遂行に必要な構成要素や判断ステップの抜けが最大で7割にのぼるとする先行研究を紹介しています。ここで引かれている原研究は外科手技の指導を対象にしたもので、7割はあくまで上限値です。

出典　Swaby et al., Pilot and Feasibility Studies, 2022（前掲）が引用する Sullivan ME, Yates KA, Inaba K, Lam L, Clark RE「The use of cognitive task analysis to reveal the instructional limitations of experts in the teaching of procedural skills」Academic Medicine, 89(5), 2014, pp.811-816　https://doi.org/10.1097/ACM.0000000000000224

「どう判断しているか」と一般論で聞くと手順が返る

原因は熟達者の側だけではありません。質問の構造にも原因があります。「ふだんどう判断していますか」という一般論の問いに答えるとき、人が参照できるのは意識に残っている層、つまり明文化された手順や教科書的な原則です。無意識化した判断は「あの案件のあの場面」という具体的な状況とセットで保持されているので、状況を外した問いでは呼び出す手がかりがありません。

聞く時間を長くすれば出てくるのではないか、と考えたくなります。ただ、同じ構造の問いを何度重ねても、返ってくる層は変わりません。だから聞き方のほうを逆にします。「判断基準を教えてください」ではなく、「最近、判断に迷った案件を一つ教えてください」。基準そのものを聞くのではなく、基準が働いた実際の場面を聞き、場面に付いてくる判断を拾います。CDMをはじめとするCTAの技法は、この転換を手続きとして体系化したものです。Brownらも、インタビューを一つの具体的な事例の文脈に固定することで、仕事全般を漠然と振り返るだけでは出てこない認知過程を発見できると説明しています。

出典　Brown, Power & Gore, Organizational Research Methods, 2024（前掲）

CDM（クリティカル・ディシジョン・メソッド）は実際にあった事例から判断を引き出す

CDMは同じ事例を4回たどり直すプローブ質問で進む

CDM（Critical Decision Method）は、CTAの中核に位置づけられる面接技法です。原典はクライン、カルダーウッド、マクレガーが1989年に発表した論文で、前述のクリティカル・インシデント法を拡張し、時間的な圧力・大量の情報・状況の変化のもとでの判断をプローブ質問（掘り下げの質問）で引き出す手法として設計されました。適用例として消防指揮官・戦車小隊長・救急救命士などが報告されています。

出典　Klein, Calderwood & MacGregor “Critical decision method for eliciting knowledge”, IEEE Transactions on Systems, Man, and Cybernetics, 1989　https://ieeexplore.ieee.org/document/31053/

方法論として特徴的なのは、同じ事例を一度で聞き終えず、観点を変えて複数回たどり直す点です。ホフマンらはCDMを「プローブ質問に導かれた複数回の事象回想」と説明しています。成果物には判断のタイムラインや判断要件の一覧などがあります。

出典　Hoffman, Crandall & Shadbolt “Use of the Critical Decision Method to Elicit Expert Knowledge”, Human Factors, 1998　https://journals.sagepub.com/doi/10.1518/001872098779480442

Brownらの整理では、CDMのインタビューは4回の反復（スイープ）で進みます。

第1スイープでは口を挟まず、話が本筋から離れそうなときだけ短く声をかけて戻します。第2スイープの語り直しは、記憶違いの修正だけでなく、聞き手が本人の用語で話すことで信頼関係を作る工程でもあります。掘り下げの質問が本格化するのは、判断の分岐点が時系列に並んだ後、第3スイープからです。

出典　Brown, Power & Gore, Organizational Research Methods, 2024（前掲）

質問文は手がかり・選択肢・根拠・不確かさの聞き漏らしを確かめる一覧として使う

第3・第4スイープで使う質問を、日常業務向けの言い回しで一覧にします。決まり文句として暗記するより、「手がかり・選択肢・根拠・不確かさ」を聞き漏らしていないか確かめる一覧として使ってください。

観点の構成は、Brownらが例示するプローブ表にもとづいています。

最後の反実仮想を含むWhat if系の質問は、応用の幅が広い部分です。集中治療室への患者受け入れ判断を調べた研究では、最終スイープで「初心者ならどう動いたと思うか」「やり直せるなら何を変えるか」「同じ場面に立つ人にどんな助言をするか」の3問を尋ね、熟達者の判断に共通する構造を引き出しています。

出典　Brown, Power & Gore, Organizational Research Methods, 2024（前掲。Power et al. 2018の紹介による）

CDM以外にも判断を引き出す質問の型が4つある

CDMは過去の事例の回想を軸にしますが、判断を引き出す質問の型はほかにもあります。知識獲得研究の系譜で使われてきた型のうち、企業の引き継ぎやヒアリングでそのまま使えるものを紹介します。

対比質問　判断が分かれた2つの案件を並べると条件が言葉になる

似ているのに判断が分かれた2つのケースを並べ、何が違ったのかを聞く型です。

• 通した案件と止めた案件
• 値引きを認めた案件と認めなかった案件
• クレームに即時対応した案件と様子を見た案件
• 設備を止めたケースと運転を続けたケース

単独の事例では「総合的に見て決めた」としか語れなかった判断も、対になる事例を並べると、どこが違って結論が分かれたのかが言葉になります。出てきやすいのは、許容できる範囲の境目、何を先に見るかの順番、優先順位、そしてリスクをどこまで許すかという感覚です。

境界条件プロービング　基準を聞くよりどこで判断が変わるかを聞く

判断が反転する条件を直接尋ねる型です。

• どこまでなら許容できますか
• 何が起きたら上長に戻しますか
• どの条件が揃うと例外扱いになりますか
• 数字が何%変わると判断が変わりますか
• 誰の了承があれば進められますか

「基準は何ですか」と正面から聞くより、「どこで判断が変わりますか」と聞く方が答えやすくなります。数字や条件を動かしながら、具体的な場面を思い浮かべて答えられるからです。引き継ぎ資料に落とすときも、境界条件は「この条件ではこうする」という条件付きルールの形へそのまま変換できます。

仮想シナリオと失敗事例　まだ起きていない場面と過去の分岐点から聞く

まだ起きていないが起こり得る場面を提示して、判断基準を引き出す型もあります。

• 納期が半分になったらどうしますか
• 相手が最重要の取引先だったら判断は変わりますか
• 担当者が新人だった場合、何を先に教えますか

あわせて有効なのが失敗事例のレビューです。失敗した事例には「どこで気づけたはずか」という具体的な分岐点が残っているため、判断基準が言葉になりやすくなります。

• 過去に見落とした兆候は何でしたか
• 早く気づけた人は何を見ていましたか
• マニュアルどおりにやったのに失敗したのはなぜですか
• 次に同じ状況になったら、どこで止めますか

ACTAはタスク図と知識監査で短時間に絞り込む

CDMを実務向けに簡略化した技法として、ACTA（Applied Cognitive Task Analysis、応用認知タスク分析）があります。ミリテロとハットンが開発した技法で、CDMより短い時間で実施できるよう設計されています。Brownらの整理では次の3段階で進みます。

1. タスク図の作成。対象業務を3〜7ステップに分け、どのステップが認知的に難しいかを特定する。目安として10〜30分程度
2. 知識監査。難しいステップについて、専門性の観点ごとに用意された質問で知識を掘り下げる
3. データ分析と知識表現。発言を分類し、手がかりと戦略を引き継げる形にまとめる

知識監査で使う観点には、状況の展開の予測、全体像の把握、他の人が見落とす手がかりへの気づき、仕事のコツ、標準手順を超えた即興、自分の実行状況のモニタリング、異常の検知などがあります。たとえば「状況の一部が目に飛び込んできて、他の人が気づいていないことに気づいた経験はありますか」のような質問です。知識監査を補うために、シミュレーションインタビュー（模擬場面での判断の聞き取り）やCDMを組み合わせる場合もあります。

出典　Brown, Power & Gore, Organizational Research Methods, 2024（前掲。Militello & Hutton 1998の紹介による）

効果研究は有望だが数が少なく万能視はできない

引き出した内容を訓練や教材に変換したとき、学習効果は本当に上がるのか。これを確かめるために、同じテーマの研究をいくつも集めて結果をまとめ直した分析（メタ分析）があります。Tofel-GrehlとFeldonがCTAに基づく訓練の研究を集めてまとめたところ、訓練による成績の差は一般に大きいとされる水準でした。原著もこれを大きい効果と位置づけています（効果量 g=0.871）。ただし原著自身が、対象となった研究数が比較的少ないこと、使われたCTAの手法と訓練の文脈によって差の大きさが大きく変わることを限定として明記しています。数字だけを切り取って「CTAを使えば必ず教育効果が上がる」と読むのは行き過ぎです。

出典　Tofel-Grehl & Feldon “Cognitive Task Analysis-Based Training: A Meta-Analysis of Studies”, Journal of Cognitive Engineering and Decision Making, 2013　https://journals.sagepub.com/doi/abs/10.1177/1555343412474821

同種の分析は外科教育の分野でも行われています。ここでは結果までは確認していないため、存在を挙げるにとどめます。

出典　”Cognitive task analysis-based training in surgery: a meta-analysis”, BJS Open, 2021　https://academic.oup.com/bjsopen/article/5/6/zrab122/6460901

医療分野全体では、1993年から2019年に発表された論文から条件に合う81本を整理した前掲のレビュー研究があり、時間的な圧力や不確実さの大きい外科・集中治療の領域を中心に、CTAの適用が20年間で着実に増えてきたと結論づけています。引き出しの技法として最も多く使われていたのはCDMでした。

出典　Swaby et al., Pilot and Feasibility Studies, 2022（前掲）

注意したいのは、これらの研究が測っているのは主に、引き出した内容を訓練プログラムに変換した後の学習効果だという点です。企業の引き継ぎにそのまま重ねられる数字ではありません。外科や消防の話であって自社の業務からは遠い、と感じる方もいると思います。それでも、聞き方を変えると教えられる中身が変わるという方向は、対象分野の違う複数の研究で共通しています。

実務での要点は対象業務の絞り込みと帰属の保持である

時間がかかるため判断の難しさが結果を分ける業務に絞る

CDMは1つの事例を4回たどり直すため、時間のかかる手法です。Brownらが紹介する緊急事態対応の指揮を扱った研究では、31名のインタビューで合計51時間を超えるデータが集まっています。すべての業務にこの密度の聞き取りをかけるのは現実的ではありません。

絞り込みの目安は2つあります。第一に、判断の難しさが結果を分ける業務に絞ることです。手順書どおりに進めば済む定型業務は、対象にする必要がありません。第二に、例外対応から着手することです。株式会社taiziiiの調査でも、引き継ぎで不足していた観点の最多は例外発生時の判断の基準でした。通常時の対応は既存のマニュアルで足りていることが多く、熟達者の判断が本当に必要になるのは例外時だからです。

対象者の人数には、専門家の認知過程を特定するには最低3〜5名という目安が引かれています（Brownらが紹介するCrandallらのガイドライン）。製造現場の技能伝承のように熟達者が退職間際の場合は、時間の制約がさらに厳しくなります。この場合は聞く範囲を広げるより、例外対応のうち再現できないと業務が止まるものから順に事例を選ぶことになります。技能伝承が進まない原因そのものについては、技術継承・技能伝承が失敗する理由を別記事で扱っています。

出典　Brown, Power & Gore, Organizational Research Methods, 2024（前掲）

引き出した判断は統合せず誰の・どの条件かの帰属を保つ

複数の熟達者から判断を聞き出すと、基準が食い違う場面が必ず出てきます。Aさんは15%の変動で案件を止め、Bさんは12%で止める、といった食い違いです。このとき2人の基準を「12〜15%で止める」と丸めてはいけません。判断はその人が置かれた条件と結びついて意味を持ちます。条件の違う判断を平均すると、どちらの状況でも使えない基準ができあがります。

実務では、誰の判断か、どの条件で成り立つか、例外はどこかを付けたまま、条件付きのルールとして別々に残します。食い違いは、消すのではなく掘る対象です。AさんとBさんで基準が違う理由をたどると、扱っている顧客層や案件の規模といった条件の違いが見つかることがあり、その条件こそが引き継ぐべき判断の中身になります。

よくある質問

認知タスク分析はどんな業務に向いているのか

判断の難しさが結果を左右する業務に向いています。Brownらは、CTAが適するのは複雑な認知、とりわけ本人が言語化しにくく外から観察もしにくい認知が焦点になる場合で、タスクの特徴や手順の記述が目的なら別の手法が適切だと整理しています。企業の実務でいえば、審査・品質判定・トラブル対応のように、例外やグレーゾーンのさじ加減が結果を分ける業務が第一候補です。手順書どおりに進めれば同じ結果になる定型業務には、かかる手間に見合いません。

インタビューにはどのくらい時間がかかるのか

事例の数と掘り下げの密度によって幅があります。参考として、Brownらが紹介する緊急事態対応の指揮を扱ったCDM研究では、31名で合計51時間を超えるインタビューが行われました。簡略版であるACTAは、タスク図の作成が10〜30分程度とされ、CDMより短い時間で実施できるよう設計されています。時間を削ること自体を目的にするより、対象業務を絞って1つの事例を深くたどる方が、得られる判断の密度は高くなります。

何人の熟達者に聞けばよいのか

専門家の認知過程を特定するには最低3〜5名という目安が、CTAのガイドラインとして引かれています（Crandallらの研究などをBrownらが紹介）。人数を増やすことより、対象者の選定が重要です。Brownらが紹介するグローバル企業の研究では、10年以上の上級管理職経験といった明確な基準で対象者を絞り込んでいます。熟達者が1名しかいない業務では、その1名の判断を条件付きで丁寧に引き出すことになります。

聞き手に業務の専門知識は必要か

その分野の専門家である必要はありませんが、用語と業務の流れを理解しておく必要はあります。BrownらはCDMの聞き手について、対象領域の用語や業務プロセスに慣れ、「準専門家」と呼べる程度の理解を持つことで聞き取りの質が上がると述べています。事前に手順書や過去案件の記録を読み込み、熟達者の使う言葉で問い返せる状態を作ってからインタビューに臨むのが現実的な準備です。

手順の聞き取りから判断の聞き取りへ切り替える

認知タスク分析は、熟達者に聞いても手順しか出てこないという問題への、研究に裏づけられた処方箋です。要点を整理します。

• 手順しか出てこないのは聞き方の構造の問題であり、熟達者の怠慢ではない。判断は熟達とともに無意識化する
• 一般論を聞かず、実際にあった1つの事例に絞って複数回たどるのがCDMの型
• 対比質問・境界条件プロービング・仮想シナリオを組み合わせると、判断の輪郭が条件付きで見えてくる
• 効果研究は有望だが数が少なく、万能視はできない
• 引き出した判断は統合せず、帰属と条件を保って残す

こうした聞き取りと構造化を職業として担ってきたのが、エキスパートシステムの時代から続くナレッジエンジニアという職種です。

関連記事

• 判断基準の作り方　属人化を減らす5つの問い
• 技術継承・技能伝承が失敗する理由　失敗の5つの構造
• 技能伝承とは　技術と技能の違いと進め方
• 暗黙知の形式知化が失敗する理由　書ける知識を見極める手順
• ナレッジエンジニアリング（知識工学）とは　エキスパートシステムから生成AIまで

この記事の要点

• 取り上げるのは良品計画・花王・トヨタ自動車の3社。紙のマニュアルから生成AIまで手段は違うのに、仕組みへの入れ方は共通している
• 成功事例の共通項は経営の位置づけ・更新の仕組み・使う場面の設計の3つ。いずれも「貯め方」の工夫ではない
• 失敗事例が実名で公開されることはまれ。匿名の失敗談は「書かれない・検索されない・使われない」の三段構造で読む
• どの事例でも、言語化される前の判断基準は仕組みの保管対象の外に残る
• 自社に移すときは規模ではなく構造をまねる。3つの共通項を自社の問いに置き換える
• 手順の共有か判断の継承か、対象を分けてから始める。ツール選定はその後

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

「その事例、どこに載っていた話ですか」。社内で他社の取り組みを紹介したときに、こう聞かれて答えに詰まったことはないでしょうか。

ナレッジマネジメントの進め方を決めるとき、まず他社の成功例を集めるのは自然な順序です。事例は企画や稟議の材料になりますし、検索すれば紹介記事も数多く見つかります。

ところが、読めば読むほど自社との距離が開いていきます。人数も予算も違う。成果が出たという結論は並んでいても、その会社が何を決めたから成果が出たのかまでは書かれていません。事例を何十社分読んでも、自社で何から始めるかは決まらないままになります。

事例から持ち帰るのは、企業名でも数値でもなく、仕組みに何を入れ、何を仕組みの外に残したままにしたかという構造です。今回取り上げるのは、良品計画・花王・トヨタ自動車の3社。3社に共通する成功の構造を3点に整理し、実名では出てこない失敗事例の読み方と、自社に移すときの読み替え方までを順に示します。用語の定義や全体像は、別記事「ナレッジマネジメントとは何か」で整理しています。

成功事例3社。手段は紙から生成AIまで違う

取り上げる3社は、公開時期が2019年から2024年までにわたり、手段も紙のマニュアルから生成AIまでさまざまです。

良品計画。MUJIGRAM約2,000ページは業務の仕組みとして位置づけられている

良品計画（無印良品）は、店舗業務の標準化を徹底した事例として知られています。当時の会長である松井忠三氏の記述によると、店舗で使うマニュアル「MUJIGRAM」は約2,000ページ、本部の業務基準書は6,000ページ超にのぼります。個人のやり方に任されがちな業務を、会社の標準として文書化した形です。

出典　松井忠三『無印良品の教え』（角川新書）の抜粋記事・プレジデントオンライン・2021年11月29日 https://president.jp/articles/-/52255 ／サービス産業生産性協議会（松井元会長インタビュー）・2015年 https://www.service-js.jp/activity/structure/muji/

注目したいのは分量そのものではありません。約2,000ページという分量は、放っておけば誰にも読まれない文書になってもおかしくありません。それでも使われ続けているのは、マニュアルが個人の工夫ではなく、業務のやり方を定める文書として位置づけられているからだと読めます。担当者が自分のやり方を覚えているのではなく、会社の標準として文書に書かれている状態です。この点が、後述する成功の共通項の1つ目にあたります。

花王。顧客の声をため込まず当日中に使う側へ渡す

花王は「花王エコーシステム」の名称で、お客さまから寄せられた全ての声をその日のうちに入力する仕組みを公開しています。入力された声は、マーケティング・商品企画・研究・生産・品質保証などの各部門が日々確認し、改善を検討します。

出典　花王公式サイト（サステナビリティ）・2026年閲覧 https://www.kao.com/jp/corporate/sustainability/topics-you-care-about/safety-quality/improve/

この事例で目を引くのは、いつ入力し、誰が確認するかが最初から決まっている点です。声が入力されるのは当日中、確認するのは各部門、確認の頻度は日々と、情報が動く道筋が仕組みとして定められています。集めた声をため込んでから分析するのではなく、集めたその日に使う側へ届ける設計です。ナレッジマネジメントというとデータベースへの蓄積を思い浮かべやすいのですが、花王の仕組みは集めた情報をその日のうちに使う側へ渡すところに重心があります。

トヨタ自動車。9つのAIエージェントはどの疑問をどこへ尋ねるかで分けてある

トヨタ自動車はMicrosoftと共同で、生成AIエージェント「O-Beya」を構築しました。Azure OpenAI Serviceを活用して構築された基盤の上で、エンジンや法規など9つのAIエージェントが稼働し、熟練エンジニアの知見の継承を狙う取り組みです。

出典　Microsoft News Center Japan・2024年11月20日 https://news.microsoft.com/ja-jp/features/241120-toyota-is-deploying-ai-agents-to-harness-the-collective-wisdom-of-engineers-and-innovate-faster/ ／Car Watch・2024年 https://car.watch.impress.co.jp/docs/news/1640801.html

この事例の特徴は、対象が定型の手順ではなく、熟練者の知見という言葉にしにくい領域に置かれていることです。エージェントがエンジンや法規といった領域別に分かれている構成からは、どの業務の疑問をどこに尋ねるかを想定した設計がうかがえます。一方で、公表されているのは仕組みの構成と狙い、それに運用規模までです。2024年1月の運用開始以降、パワートレーン関連の開発に携わる約800人のエンジニアが使える状態にあり、月間の利用回数は数百回とされています。継承がどれだけ進んだかを示す成果の数値は出ていません。AIを入れれば知見が継承できる、と読むのは早すぎます。成果が公表されるまでは、どの領域の疑問をどこへ尋ねるかという設計のほうを参考にするのが妥当です。

成功の共通項。3つとも「貯め方」の話ではない

3社の手段は、紙のマニュアル、顧客の声を各部門へ届ける仕組み、生成AIとばらばらです。それでも3社を並べると、共通する設計が3つ見えてきます。どこに何をどう貯めるかという話は、この3つに含まれません。

経営の位置づけ。業務プロセスの中に組み込まれている

1つ目の共通項は、ナレッジマネジメントが業務と別立ての活動になっていないことです。良品計画のMUJIGRAMと業務基準書は、業務のやり方そのものを定めた文書であり、業務の傍らで任意に書くノウハウ集ではありません。花王のエコーシステムでは、各部門が声を確認して改善を検討する工程が日々の業務に入っています。トヨタ自動車のO-Beyaも、有志の実験ではなく熟練エンジニアの知見継承という会社の課題に対して構築されたものです。

裏返すと、知識の共有を現場の善意に任せ、業務時間の外で書いてもらう形はこの共通項から外れます。事例を参考にするなら、最初に確かめたいのは自社でナレッジの入力や確認が業務として認められているかどうかです。

更新の仕組み。書いた時点ではなく使う時点の正しさを保つ

2つ目の共通項は、情報を新しい状態に保つ工程が仕組みに入っていることです。文書は書いた時点から古くなり始めます。制度や商品が変われば、書かれた内容と現実の間にずれが生まれます。古い情報が残ったままだと、参照した人が現行と違う手順で対応してしまい、やがて文書そのものが当てにされなくなります。

3社の中でこの点が最も分かりやすいのは花王です。顧客の声はその日のうちに入力され、各部門が日々確認します。情報が入る頻度と確認する頻度の両方が高く保たれているため、古い情報にもとづいて検討する余地が小さくなっています。

自社に引き付けるなら、書く仕組みより先に直す仕組みを確かめるのが実際的です。文書ごとに更新の責任者はいるか。最終更新日は読み手に見えるか。更新が止まった文書を見直す機会はあるか。この3点が決まっていない蓄積は、時間の経過とともに参照されにくくなります。

使う場面の設計。誰がいつ開くかが先に決まっている

3つ目の共通項は、知識を使う場面が蓄積より先に設計されていることです。花王では、確認するのは各部門、頻度は日々と決まっています。トヨタ自動車のエージェントはエンジンや法規と領域で分かれ、どの業務の疑問をどこに尋ねるかの対応が付いています。

使う場面が決まっていれば、何をどの粒度で残すべきかも決めやすくなります。順序が逆になり、まず貯めてから使い道を考える進め方を取ると、誰も開かない文書が積み上がりがちです。導入の企画段階で、誰が・どの業務の・どんな場面で開くかを具体的に1つ書き出せるか。書き出せないまま進めると、蓄積だけが先行して使う場面は後回しになります。

失敗に共通するのは貯めたまま業務に反映されない状態である

共有の仕組みを入れたのに定着しなかったという失敗談は、細部が違っても行き着く先は似ています。成功の共通項3つの裏返しにあたります。ただし、原因が1つに絞れるという意味ではありません。書く時間が業務として認められない、更新の責任者がいない、使う場面が決まっていないといった要因が重なって、結果として貯めるだけの状態に落ち着きます。

実名の失敗事例が出ないのは動機の問題。匿名の失敗談は構造で読む

成功事例と違い、ナレッジマネジメントの失敗が社名入りで公開されることはほとんどありません。うまくいかなかった経験には対外的に発表する動機がなく、公表すればツールの提供元や社内の関係者にも影響が及びます。その結果、失敗談は「A社では」「ある企業では」といった匿名の形でしか流通しません。匿名の失敗談は、実在の事例なのか典型例をまとめた作り話なのかを確かめようがありません。

だからといって、失敗から学べないわけではありません。匿名の失敗談を読むときは、個別の話の真偽ではなく構造に注目します。多くの失敗談は、書かれない（投稿が集まらない）・検索されない（あっても探されない）・使われない（見つかっても業務に反映されない）の三段のどこかに位置づけられます。出所の分からない失敗談を集めるより、この三段構造で自社の状態を点検するほうが実務に役立ちます。三段のそれぞれで何が起きるかは、別記事「ナレッジ共有が進まない理由」で詳しく扱っています。

貯めても再現されないもの。判断はどの事例でも仕組みの外に残る

成功事例を読むときに見落としやすいのは、仕組みに入っていないもののほうです。ナレッジマネジメントの仕組みに入るのは、手順書・規程・FAQ・顧客の声といった、言葉やデータになった知識です。良品計画のマニュアルは手順を、花王のエコーシステムは顧客の声という事実を扱います。一方、ベテランが例外的な場面でどちらを選ぶか、なぜ標準と違う対応を認めるかといった判断の基準は、本人も言葉にできていないことが少なくありません。書いてくださいと頼んでも、そのままでは文書にならない領域です。言語化される前の判断は、どの事例の仕組みでも保管対象の外に残ります。

トヨタ自動車のO-Beyaが熟練エンジニアの知見の継承を狙いに掲げているのは、まさにこの領域への取り組みです。ただし公表されているのは仕組みの構成までで、判断の継承がどこまで進んだかは公表されていません。

貯めるだけで終わった経験は、「ナレッジマネジメントはもう古い」という評価につながることがあります。ただ、問題は手法が古いことではなく、扱う対象を取り違えていることです。手順や規程のような管理する知識に対して仕組みは機能しており、判断のように仕組みの外にある対象が課題として残っているだけです。

事例を自社に移すには2つの読み替えが要る

規模ではなく構造をまねる。3つの共通項を自社の問いに置き換える

3社と自社では、人数も予算も扱う知識の量も違います。まねる対象を数値や仕組みの規模に置くと、大企業だからできたという結論で止まりがちです。移すべきは、3つの共通項がそれぞれの会社でどう業務に組み込まれているかという形のほうです。次の表では、右列に共通項を自社へ向けた問いとして置き換えています。

右列に1つでも答えられない問いがあれば、事例やツールの調査を広げる前に、そこを決めるほうが先です。3つとも、1部署・1業務の範囲からでも決められます。

手順の共有か判断の継承か。対象を分けてから始める

最後に、扱う対象を2つに分けておきます。1つは手順や規程、FAQのような、言語化済みか言語化しやすい知識です。この領域は3社の事例が示すとおり文書化との相性がよく、wiki型やマニュアル型のツールが有効に働きます。もう1つは、例外時の線引きやベテランの判断基準のような、言語化される前の知識です。こちらは置き場所を用意するだけでは集まりません。質問で引き出し、誰の・どの条件での判断かという帰属を保ったまま、条件付きのルールに変換する別の工程が必要になります。複数のベテランで判断が食い違う場合も、平均して1本にまとめるのではなく、それぞれの判断を条件ごとに分けて残します。

自社の課題がどちらの領域にあるかを分けてから始めると、事例の選び方もツールの選び方も絞り込めます。手順の共有が課題なら、ツールの比較検討に進めます。判断の継承が課題なら、ツールの機能一覧より先に、誰のどの判断を残すかの特定が出発点になります。

よくある質問

中小企業の参考になるナレッジマネジメント事例はあるか

この記事で扱った3社は大企業ですが、参考にする対象を構造に置けば規模の差は障害になりません。花王の仕組みから学べるのは規模ではなく、入力の期限と確認の頻度を決めるという設計です。同じ設計は、営業日報を翌朝の打ち合わせで確認するといった小さな運用でも再現できます。中小企業では、対象の業務と使う場面を1つに絞って始めやすい分、構造をまねる条件はむしろそろえやすいはずです。

事例で紹介されている数値は自社でも見込めるか

事例の数値を、自社で見込める効果の根拠に使うことはできません。良品計画の約2,000ページという分量も、同社の店舗数・商品数・オペレーションを前提にした結果です。導入時期も体制も違う組織の見積もりに、そのまま流用できるものではありません。事例の数値が参考になるのは、効果を測る指標の例としてです。利用者数・利用頻度・削減時間など、自社で何を測って取り組みを評価するかを決める材料にはなります。

SECIモデルは事例を読むときに役立つか

SECIモデルは、知識がどう共有され形式知になっていくかを整理する地図としては役立ちます。良品計画のマニュアル化や花王の声の共有は、野中郁次郎らが提唱したSECIモデルの言う表出化や連結化の観点で整理できます。一方でSECIモデルは知識の変換を扱う枠組みであり、この記事で残る課題とした判断の基準、つまりなぜそうするかは4つの段階のどこにも直接は乗りません。事例の整理にはSECIモデルを使い、判断の継承は対象の違う別の課題として分けて考えると混乱なく読めます。

失敗事例をもっと詳しく知る方法はあるか

社名入りの失敗事例集は、公開される動機が乏しいため今後も期待しにくいのが実情です。確実に調べられる失敗事例は、自社と身近な組織の過去にあります。以前導入して使われなくなった共有ツールや、更新が止まったマニュアルは、匿名の失敗談より詳しく検証できる一次情報です。いつから書かれなくなったか、検索はされていたか、最後に業務で使われたのはいつかをたどると、書かれない・検索されない・使われないのどこで止まったかを特定できます。

事例から持ち帰るのは構造と自社への問い

3社に共通していたのは、知識をどう貯めるかの工夫ではなく、業務のどこで使うかを先に決めていたことでした。

• 取り上げた3社は良品計画・花王・トヨタ自動車。手段は紙のマニュアルから生成AIまで違う
• 成功の共通項は経営の位置づけ・更新の仕組み・使う場面の設計の3つで、貯め方の工夫ではない
• 失敗は実名で公開されにくい。匿名の失敗談は書かれない・検索されない・使われないの三段構造で読む
• どの事例でも、言語化される前の判断は仕組みの保管対象の外に残る
• 自社に移すときは規模ではなく構造をまね、手順の共有か判断の継承かで対象を分けてから始める

事例は答えの一覧ではなく、自社で確かめる問いを引き出すための参考資料です。3社の名前や数値を覚えることより大切なのは、3つの問いを自社に向けることです。入力と確認は業務に入っているか。更新の責任者はいるか。誰がいつ開くかを言えるか。この3つが次の一歩につながります。

関連記事

• ナレッジマネジメントとは　SECIモデルと導入の手順
• ナレッジ共有とは　進まない3つの理由と進める順序
• ナレッジマネジメントはもう古いのか　見直すべき5つの構造
• 生成AI時代のナレッジマネジメント　RAGを使う前に整える手順

この記事の要点

• ナレッジ共有が進まない原因は「書かれない」「検索されない」「使われない」の3段階に分けられ、段階ごとに原因と対策が違う
• 書かれないのは動機と時間の問題、検索されないのは構造と鮮度の問題、使われないのは判断が書かれていない問題
• NASAにも教訓を共有する仕組みはあったが日常的に使われず、公的監査が2002年と2012年の2度にわたり記録を残した
• 研究上も、場やツールを用意するだけでは参加は起きない。テーマの関連性・組織の承認・成果の実感が参加の条件
• 解決の順序は「対象を絞る→書く内容を指定する→検索と鮮度を保つ役割を設計する→ツールを選ぶ」。ツール導入は最後
• 大企業の管理職200名への調査では、引き継ぎで暗黙知・勘所の共有に不足を感じた回答が計72.0%（株式会社taiziii「業務引き継ぎに関する実態調査」）

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

米国議会の監査機関であるGAO（米国会計検査院）は2002年の報告書で、NASAには教訓を捕捉・共有する仕組みがある一方、それが将来のミッションの成功に生かされている保証はないと指摘しました。その10年後、NASA監察総監室（OIG）は、教訓データベースがプロジェクトマネジャーに日常的に検索も投稿もされていないと報告しています。

出典　米国会計検査院（GAO）「NASA: Better Mechanisms Needed for Sharing Lessons Learned」2002年（GAO-02-195）　https://www.gao.gov/products/gao-02-195 ／NASA監察総監室（OIG）「Review of NASA’s Lessons Learned Information System」2012年（IG-12-012）　https://oig.nasa.gov/docs/IG-12-012.pdf

失敗が人命と巨額の予算に直結する組織でも、共有は止まります。社内wikiを立ち上げ、書き込みのテンプレートを整え、会議で投稿を呼びかける。ナレッジ共有では多くの組織がこの順で手を打ちますが、書き込みは最初の数週間をピークに減り、検索窓はほとんど使われず、古い記事だけが残っていきます。

原因を担当者の推進力や社員の意欲に求めると、対策は「もっと呼びかける」に戻ってしまいます。呼びかけを強めるほど書く側の負担は増えますが、投稿の数は戻りません。やがて共有の取り組みは、名前だけ残って動かなくなります。

先に決めるべきは、共有がどの段階で止まっているかです。ナレッジ共有は「書く」「探す」「使う」という流れのどこでも止まり得ます。書かれないのは動機と時間の問題、書かれても検索されないのは構造と鮮度の問題、検索されても使われないのは判断が書かれていない問題です。この記事では、ナレッジ共有の定義と期待される効果を短く整理したうえで、進まない理由を3つの断絶に分けて解説します。あわせて、NASAの公的監査記録と、人が共有に参加する条件を扱った研究を参照し、最後に仕組みで解決していく順序を示します。

ナレッジ共有とは。手順書だけでなく判断の記録まで対象になる

ナレッジ共有とは、業務を通じて個人が身につけた知識やノウハウを、組織のほかのメンバーが再利用できる形にして共有する取り組みです。対象になるのは手順書やFAQのような文書だけではありません。トラブル対応の経過、顧客対応で得た勘所、例外的な場面でどう判断したかという記録まで含まれます。

共有対象の範囲。つまずくのはほぼ暗黙知の側である

共有の対象は、形式知と暗黙知に分けて考えると整理しやすくなります。形式知は、手順書・FAQ・議事録・提案書のように、すでに言葉や図で表現されている知識です。暗黙知は、経験を通じて身についているものの、本人も言葉にしきれていない知識を指します。科学哲学者マイケル・ポランニーに由来する概念で、ベテランの勘所や判断のさじ加減は暗黙知にあたります。

形式知は複製も配布もできる一方、暗黙知は本人にとって当たり前になっているため、書き出す作業そのものに手間と技術が要ります。当社が大企業の管理職（課長職以上）200名に行った業務引き継ぎに関する実態調査でも、引き継ぎで困ったこととして最も多く挙がったのは「暗黙知が共有されなかった」（79件・39.5%・複数回答）でした。

出典　株式会社taiziii「業務引き継ぎに関する実態調査」（従業員1,000名以上の大企業に勤務する管理職200名・インターネット調査・2026年2月24日〜3月6日実施）　https://taiziii.com/knowledge-transfer-survey-2026/ （公開ページは調査の概要とダウンロード案内で、設問ごとの数値は同ページで配布のレポートに掲載）

なお、暗黙知のすべてが言語化できるわけではありません。それでも実際に起きているのは、書けるはずの知識までが共有されないまま止まっている状態です。

ナレッジ共有で期待される3つの効果は共有が回り始めた後に生じる

ナレッジ共有の効果として挙げられるのは、おおむね次の3つに集約されます。

3つとも、共有が回りはじめて初めて手に入るものです。多くの組織がつまずくのは、その手前にあたります。

ナレッジ共有が進まない理由は3つの断絶に分けられる

ナレッジ共有の流れを「書く」「探す」「使う」に分解すると、止まる箇所は3つに整理できます。知識が書き出されない、書かれたのに検索で届かない、読まれたのに実務で使われない、の3つです。

共有の不全は一部の組織の例外ではないと考えられます。当社が大企業の管理職（課長職以上）200名に行った業務引き継ぎに関する実態調査（前掲）では、引き継ぎにおける暗黙知・勘所の共有について、何らかの不足を感じたという回答が合計72.0%に上りました。内訳は「ある程度は共有されたが、まだ不明な点や迷う場面がある」44.5%、「手順中心の説明で、背景や判断基準はほとんど共有されなかった」15.0%、「手順さえも十分に共有されなかった」8.0%、「特に引き継ぎ自体がなかった」4.5%です。「十分に共有され、自分一人で応用的な判断ができるようになった」は19.5%にとどまりました。

出典　株式会社taiziii「業務引き継ぎに関する実態調査」（従業員1,000名以上の大企業に勤務する管理職200名・インターネット調査。本調査2026年2月24日〜3月6日／追加調査2026年3月16日）　https://taiziii.com/knowledge-transfer-survey-2026/

3つの断絶の全体像は次のとおりです。

第1の断絶「書かれない」。書く時間が業務の中に確保されていない

書く側から見ると、ナレッジの書き出しは本来業務に上乗せされる作業です。書く時間は目の前の業務時間から捻出するしかなく、書いたからといって評価や成果に直結するわけでもありません。しかも、手間を負うのは書く本人で、助かるのは後から同じ業務に当たる別の人です。この差を個人の善意だけで埋め続けるのは難しく、呼びかけの効果が続かないのはこのためだと考えられます。

当社が管理職200名に行った「企業の属人化・技術承継に関する実態調査」でも、スキル継承の最大の障壁を尋ねた設問では「日々の業務に追われ、継承の優先順位が低い」が29.5%で最多でした。書く意思がないのではなく、書く時間が割り当てられていません。第1の断絶の中心は、この時間の割り当てにあります。

出典　株式会社taiziii『企業の属人化防止 完全ガイドブック2026』（調査は「企業の属人化・技術承継に関する実態調査」・管理職（課長以上）200名・インターネット調査・2025年8月14日〜18日実施）。ガイドブックは https://taiziii.com/news/zokujinka2/ からダウンロードできます

動機の側には、もう1つ問題があります。何を書けば読み手の役に立つのかが、書く側から見えにくいことです。書く対象が指定されないまま「気づいたことを何でも書いてください」と呼びかけられると、書く側は題材選びの負担まで背負うことになります。何を書くかが決まっていない限り、投稿は後回しになります。

第2の断絶「検索されない」。一度空振りすると人に聞く行動へ戻る

書かれた知識が検索で届かない原因は、構造と鮮度に分かれます。

構造の問題は、置き場所とタイトルに現れます。書き手ごとにフォルダの切り方が違う、タイトルから中身が推測できない、同じテーマの記事が複数の場所に分かれている。この状態では、探す側が適切な検索語を思いついても目当ての記事にたどり着けません。投稿が増えるほど記事は雑多になり、構造を整える役割が不在のままなら検索性はむしろ下がっていきます。

鮮度の問題は、読み手の信頼に直結します。業務の手順が変わっても記事が更新されなければ、検索結果には古い情報が混ざります。読み手には、見つけた記事がいまも正しいかどうかを確かめる方法がなく、結局は担当者へ確認の連絡をすることになります。そして「探したが出てこなかった」「出てきたが古かった」という経験を一度すると、次からは検索より先に人に聞く行動へ戻りがちです。書かれているのに検索されない状態は、こうして続いていきます。

第3の断絶「使われない」。書かれているのは正常時の手順だけである

検索で文書にたどり着けても、実務で使えるとは限りません。多くの文書に書かれているのは、正常に進む場合の手順（How to do）です。ところが読み手が文書を開くのは、手順どおりに進まない場面であることが少なくありません。例外が起きたときに何を確認し、どの条件ならどう対処するのかという判断力（How to decide）の部分が書かれていなければ、文書はそこまでしか答えられず、読み手はベテランに聞きに行くことになります。

当社の業務引き継ぎに関する実態調査（前掲）でも、引き継ぎで教えておいてほしかった観点として最も多く選ばれたのは、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。次いで業務の背景や目的が38.5%、ベテランの着眼点が37.5%と続きます。手順は伝わったが、判断は伝わっていません。使われない文書の中身を確かめると、欠けているのは多くの場合この部分です。

出典　株式会社taiziii「業務引き継ぎに関する実態調査」（従業員1,000名以上の大企業に勤務する管理職200名・インターネット調査。本調査2026年2月24日〜3月6日／追加調査2026年3月16日）　https://taiziii.com/knowledge-transfer-survey-2026/

第3の断絶は、前の2つを悪化させます。読んでも役に立たなかった文書を読み手は次から当てにしなくなり、検索という行動自体が減ります。読まれない文書を書き続ける動機も保てません。3つの断絶は独立ではなく、使われないことを起点に循環します。同じ循環はマニュアルでも起きます。詳しくは別記事「使われないマニュアルはなぜ生まれるのか」で扱っています。

NASAでも共有は止まった。公的監査が残した一次記録

3つの断絶は、日本企業に特有の現象でも、社員の意欲の問題でもありません。そのことを示す一次記録が、NASAをめぐる2本の公的監査報告に残っています。NASAでは、ミッションの失敗が人命と巨額の予算に直結します。過去の教訓（レッスンズラーンド）を組織として共有する動機は、十分にあったはずです。その組織でも、共有は止まりました。

仕組みはあっても日常的に共有されない。GAOが指摘した文化的障壁

米国議会の監査機関であるGAO（米国会計検査院）は2002年の報告書で、NASAには教訓を捕捉・共有する仕組みがある一方、それが将来のミッションの成功に生かされている保証はないと指摘しました。教訓はプログラム・プロジェクトマネジャーによって日常的に特定・収集・共有されておらず、背景には時間の不足と、失敗への不寛容という文化的な障壁があるとしています。

出典　米国会計検査院（GAO）「NASA: Better Mechanisms Needed for Sharing Lessons Learned」2002年（GAO-02-195）　https://www.gao.gov/products/gao-02-195

指摘の内容は、第1の断絶と重なります。時間の不足は、当社の「企業の属人化・技術承継に関する実態調査」で障壁の最多だった「日々の業務に追われ、継承の優先順位が低い」と同じ構図です。もう一方の失敗への不寛容も、共有を止める力として見過ごせません。教訓として価値が高いのは失敗の記録ですが、失敗を書けば書いた本人や関係者の評価に響きかねない組織では、価値の高い知識ほど書かれないまま個人に留まります。

教訓データベースが周縁化したのは投稿と検索の両方が止まったからである

GAOの指摘から10年後の2012年、NASAの内部監査機関であるNASA監察総監室（OIG）が、教訓データベースLessons Learned Information System（LLIS）の監査報告を公表しました。報告はまず、LLISを過去の成功と失敗から得た知識を共有し、リスク低減や将来プロジェクトの改善に役立てる仕組みと位置づけます。そのうえで、プロジェクトマネジャーはLLISを日常的に検索も投稿もしておらず、運用要件の弱体化、利用の不足、部門ごとの実装や資金の差、モニタリングの不足によって、LLISは周縁化し価値が低下していると指摘しました。

出典　NASA監察総監室（OIG）「Review of NASA’s Lessons Learned Information System」2012年（IG-12-012）　https://oig.nasa.gov/docs/IG-12-012.pdf

データベースを用意しただけでは、書かれることも読まれることも保証されません。しかも、止まっていたのは投稿と検索の両方です。第1の断絶と第2の断絶が同時に起きており、どちらか一方への対策だけでは解決しなかったことがうかがえます。

ツールを導入したのに使われなかった経験は、「ナレッジマネジメントはもう古い手法なのではないか」という評価につながりがちです。ただ、2本の監査報告が指摘したのは手法の古さではありません。仕組みを置いたうえで、投稿と検索を業務に組み込む設計が欠けていたことです。

人はなぜ共有に参加しないのか。研究と監査が示す参加の条件

NASAの記録が示すのは、仕組みがあることと使われることの間にある距離です。では、人はどんな条件がそろえば共有に参加するのでしょうか。実践共同体の研究と、前述のGAO報告が、その条件を整理しています。

場を作るだけでは参加は起きない。実践共同体研究の指摘

実践共同体は、同じ実践に携わる人たちが日常的な交流を通じて互いに学び合う集団を指します。徒弟制を学習のモデルとして研究していた人類学者ジーン・レイヴと学習理論家エティエンヌ・ウェンガーが1991年の共著『Situated Learning』で名づけ、その後ウェンガー＝トレイナーらが発展させてきた概念です。ナレッジマネジメントの分野では、情報システム中心の初期の取り組みが期待した成果を出せなかった後、人どうしの学び合いに目を向ける枠組みとして広まりました。

ウェンガー＝トレイナーらは2015年の解説で、参加をめぐる思い込みを正面から否定しています。巧みなファシリテーションがあれば人は参加する、という想定は誤りだとしたうえで、参加が起きる条件を3つ挙げました。扱うテーマが自分に関係があり優先度が高いこと、参加の価値を組織が認めていること、参加した成果を本人が実感できることです。あわせて「ウェブサイトそれ自体は実践共同体ではない」と述べ、オンライン上には誰も使わないスペースがあふれているとも指摘しています。

出典　Etienne Wenger-Trayner and Beverly Wenger-Trayner「Introduction to communities of practice」2015年6月　https://www.wenger-trayner.com/introduction-to-communities-of-practice/ （同ページに「人類学者ジーン・レイヴとエティエンヌ・ウェンガーが徒弟制を学習モデルとして研究する中でこの語を作った」との記述あり）／Jean Lave & Etienne Wenger『Situated Learning: Legitimate Peripheral Participation』Cambridge University Press・1991

実践共同体は学び合いの場をめぐる理論であり、社内のナレッジ共有ツールの運用をそのまま説明するものではありません。それでも、場やツールを用意すれば共有が起きるという前提を見直す視点としては、そのまま参照できます。テーマの関連性、組織の承認、成果の実感という3つは、社内のナレッジ共有が第1の断絶を越えるための条件と読み替えられます。

成功組織に共通する4条件のうち技術システムは1つにすぎない

前述のGAOの2002年報告は、失敗の指摘だけで終わらず、知識共有に成功している組織の共通点も整理しています。挙げられているのは次の4つです。

• 経営のコミットメント
• 実装のための明確なビジネスプラン
• 知識共有を促すインセンティブ
• 情報アクセスを促す技術システム

出典　米国会計検査院（GAO）「NASA: Better Mechanisms Needed for Sharing Lessons Learned」2002年（GAO-02-195）　https://www.gao.gov/products/gao-02-195

技術システムは、この4条件の1つにすぎません。残る3つ、経営の関与、実装の計画、共有への動機づけは、いずれもツールの外側にある設計の話です。ツールだけを入れて残る3つを欠いたままの導入は、この整理に照らせば成功している組織の形から外れます。

仕組みで解決する順序。ツール導入は最後

3つの断絶と参加の条件を踏まえると、打ち手には順序があります。共有する対象を絞る、書く内容を指定する、検索と鮮度を保つ役割を設計する、そのうえでツールを選ぶ、という順です。ツールを先に入れて走りながら決める進め方もありますが、その場合も対象を絞る作業は後から必ず必要になります。順序を飛ばすと、雑多な投稿が積み上がった状態から絞り直すことになります。

なお、ツールの導入自体はまだ多数派の対策ではありません。前掲の「企業の属人化・技術承継に関する実態調査」では、スキル継承の対策として社内wikiやナレッジ共有ツールを挙げた管理職は13.0%にとどまりました（複数回答）。これから仕組みを整える組織が多いからこそ、導入の前に設計の順序を押さえておく意味があります。

出典　株式会社taiziii『企業の属人化防止 完全ガイドブック2026』（調査は「企業の属人化・技術承継に関する実態調査」・管理職（課長以上）200名・インターネット調査・2025年8月14日〜18日実施）。ガイドブックは https://taiziii.com/news/zokujinka2/ からダウンロードできます

全部書かせない。絞り込みの基準は失われたときの影響で決める

最初の設計は、共有する知識の範囲を狭めることです。米国のナレッジマネジメント研究団体APQCは、組織では日々多くの知識が生まれるが、そのすべてが重要なわけではないとし、事業戦略に沿ってビジネスクリティカルな知識領域を特定すべきだと整理しています。あわせて、技術への投資は戦略と設計の判断に従うべきだとも述べています。

出典　APQC「Knowledge Management Strategic Framework」2026年閲覧　https://www.apqc.org/expertise/knowledge-management/interactive-km-framework

「全員が何でも書く」という号令は、書く側の負担を最大にし（第1の断絶）、雑多な記事が増えて検索性を下げます（第2の断絶）。逆に対象を絞れば、書く負担と維持する範囲が同時に小さくなります。絞り込みの目安は次のとおりです。

• その知識が失われると業務が止まる、または品質が落ちる領域
• 特定の個人しか知らず、不在時に問い合わせが集中する業務
• 同じ質問やトラブルが繰り返し発生している業務

ネタ切れが起きるのは題材選びを書き手に委ねていることに原因がある

対象を絞ったら、次は何を書くかの指定です。ナレッジ共有の運用では「書くネタがない」「ネタが続かない」という悩みがよく挙がりますが、ネタを募集するという発想自体が、続かない原因になっているのではないでしょうか。題材選びを書き手の発想に委ねている限り、その負担は書き手に残り続けます。

読み手が求めている中身は、はっきりしています。前述の業務引き継ぎに関する実態調査（前掲）のとおり、引き継ぎで不足していた観点の最多は例外発生時の「判断の基準」（40.5%）でした。正常時の手順は既存の手順書でも伝わります。足りていないのは、手順どおりに進まないときに何を見てどう動いたかの記録です。そこで、ネタを考えて書くのではなく、業務の中で発生する次のような出来事を、そのまま書く機会として指定します。

• 例外対応の記録。何が起き、どの条件を確認し、どう判断したか
• 2回以上繰り返された質問と、その回答
• トラブル対応の経過と、判断が分かれた箇所
• 新しく担当した人がつまずいた箇所と、そのとき受けた説明

いずれも業務があれば必ず発生する出来事なので、ネタ切れが起きません。書き手が題材を発想する負担も消えます。「ネタを考えて書く」から「発生した出来事を書き残す」への転換が、第1の断絶への実務的な対処になります。

書く人とは別に構造と鮮度を保つ役割を置く

第2の断絶への対処は、投稿を集める担当とは別に維持の担当を決めることです。担う作業は次のとおりです。

• 置き場所とタイトルの型を決め、型から外れた投稿を直す
• 同じテーマの重複記事を統合する
• 業務の変更時に、関係する記事を更新するか廃止するかを決める
• 繰り返し聞かれている質問や、検索しても見つからなかった語を拾い、記事に反映する

この役割が不在のまま投稿だけが増えると、検索性はむしろ下がります。NASA OIGの監査がモニタリングの不足を周縁化の一因に挙げていたのも、維持する役割を置かなかった結果です。ツールの選定は、この役割設計を終えてからで遅くありません。

手順だけでなく判断の理由まで書く

最後は第3の断絶への対処、書く中身の質です。手順に加えて、なぜそうするのか、例外のときに何を確認するのかという判断の理由と条件まで書きます。

書き方には、守りたい原則が2つあります。1つめは、誰の・どの条件での判断かという帰属を残すことです。ベテランによって判断が分かれる場合、平均して1本のルールにまとめてしまうと、どの条件でどちらの判断に従うべきかという肝心の情報が消えます。「Aさんは条件Xのときはこう判断する」「Bさんは条件Yを重視する」と、人と条件を分けたまま残すほうが実務では使えます。

2つめは、書き切れない部分を無理に書かないことです。暗黙知のすべてが言語化できるわけではありません。言葉にできた判断基準を残したうえで、文書の末尾に「この条件に当てはまらない場合は誰に確認するか」という相談先を明記しておけば、文書は例外の場面でも読み手を次の行動につなげられます。

よくある質問

ナレッジ共有とナレッジマネジメントはどう違うのか

ナレッジ共有は、知識を書き出してほかのメンバーが使える状態にする活動を指します。ナレッジマネジメントは、その共有を含む全体の枠組みで、どの知識を対象にするかの戦略、蓄積と共有の仕組み、活用と更新のサイクルまでを含みます。共有はその中の一工程です。共有だけを単独で進めるより、対象の選定や維持の役割まで含めた全体の設計に位置づけるほうが止まりにくくなります。全体の枠組みについては、別記事「ナレッジマネジメントとは何か」で整理しています。

ナレッジ共有が難しいのは組織の規模や業種のせいなのか

規模や業種に固有の問題ではないと考えられます。教訓の共有に強い動機を持つはずのNASAでも、書かれない・検索されないという断絶は起きました。書く時間がない、書いても検索されない、読んでも判断が書かれていないという構造は、組織の大小を問わず生じます。むしろ小さな組織は、共有すべき対象を絞りやすく、鮮度を保つ範囲も狭いため、設計しだいで止まりにくい運用にできます。

ナレッジ共有のネタが集まらないときはどうすればよいか

ネタの募集をやめ、業務の中で発生する出来事を書く機会として指定するのが有効です。例外対応の記録、2回以上繰り返された質問、トラブル対応の経過、新任者がつまずいた箇所は、業務があれば必ず発生し、読み手の需要も大きい題材です。当社の業務引き継ぎに関する実態調査（前掲）でも、引き継ぎで不足していた観点の最多は例外発生時の判断の基準でした。題材を発想する負担を書き手から外すことが、運用が続く条件になります。

共有を評価制度に組み込めば書かれるようになるのか

動機づけは有効な打ち手の1つです。GAOの2002年報告も、知識共有に成功している組織の条件の1つに、共有を促すインセンティブを挙げています。ただし、投稿の件数だけを評価すると、書く動機は生まれても雑多な投稿が増え、検索性が下がるおそれがあります。共有する対象を絞ったうえで、参照された記録や実務で使われた記録に報いる形にするなど、量ではなく再利用に向けた設計とセットで考える必要があります。

共有されないのは社員の意欲でなく設計の問題

ナレッジ共有が進まないとき、止まっている箇所は「書かれない」「検索されない」「使われない」の3段階のどこかにあります。書かれないのは動機と時間が設計されていないから、検索されないのは構造と鮮度を保つ役割がないから、使われないのは判断の基準が書かれていないからです。いずれも社員の意欲の問題ではなく、設計の問題として対処できます。

NASAをめぐる2本の監査記録が示したのは、仕組みがあることと使われることの間にある距離でした。研究の知見も、場を作るだけでは参加は起きず、テーマの関連性・組織の承認・成果の実感という条件が要ると整理しています。だからこそ打ち手の順序は、共有する対象を絞る、書く内容を指定する、検索と鮮度を保つ役割を設計する、最後にツールを選ぶ、となります。そして書く中身では、手順だけでなく例外時の判断基準まで、誰の・どの条件での判断かを保ったまま残します。ここまで設計して初めて、書かれた知識は検索され、実務で使われるところまで届きます。

関連記事

• ナレッジマネジメントとは　SECIモデルと導入の手順
• ナレッジマネジメントの企業事例　成功事例に共通する設計
• ナレッジマネジメントはもう古いのか　見直すべき5つの構造
• 業務マニュアルの作り方　使われないマニュアルにしない手順
• AI Readyとは　生成AIが参照できる社内ナレッジの整え方

この記事の要点

• ナレッジマネジメントは、知識を貯めて使う取り組み。
• 判断まで再現したいなら、暗黙知と形式知の仕分けが欠かせない。
• SECIモデルや一般的なKM手法は、知識の共有に有効。
• 例外時の線引きやトレードオフ判断は、別に引き出して残す必要がある。
• 導入では、目的を業務の数字で決め、対象ナレッジを仕分けることが大切。
• 形式知はツールへ、判断は条件付きルールへ変換し、成果は判断の再現で測る。

この記事は、ナレッジマネジメントの基礎（定義・歴史・SECIモデル・主な手法・導入手順）を一通り押さえたうえで、なぜ多くの取り組みが途中で形骸化するのか、その真因と対処までをお伝えします。

ナレッジ共有の担当になると、たいてい一度はこんな場面に出くわします。マニュアルもツールも整えたのに、いざ例外的な案件になると、結局ベテランに電話して聞くことになります。知識が個人の頭の中にとどまったままだと、その人の退職で業務が止まり、新人は同じ質問を何度も繰り返します。

そこでよく取られる対処が、AI検索やナレッジ共有ツールを導入し、社内の知識をまとめて探せるようにすることです。

しかし、ツールを入れても例外時にどう判断するかという肝心の部分は出てきません。形骸化の最も根深い原因はツールでも文化でもありません。「知識は貯めておけば再利用できる」という前提が知識の一部、とりわけ「判断」には最初から成り立たないからです。手順や規程は貯めれば使えます。けれども「どんなときに例外を認めるか」のような判断は文書にすると前提の条件が書ききれず、読んだ人が再現できません。読まれているのに再現されない場合は、ツールを替えてもうまくいかないことがほとんどです。失われるのは知識ではなく判断力のほうです。

ですからこの記事では、基本の手順どおりに進める前に一度だけ、対象を「貯めて使える知識」と「貯めても再現されない判断」に仕分けることを提案します。定義からSECIモデル、主な手法、導入手順までの基本を押さえたうえで、なぜ判断が再現されないのかという構造を解き明かし、その仕分けをどう進めればよいかまでを順に解説します。

ここで「形骸化」と一括りにしましたが、実際の現場で起きていることは一様ではありません。形骸化には大きく3つの型があり、それぞれ原因の層が違います。1つ目は「貯まらない」型で、そもそも知識が投稿されず蓄積が立ち上がりません。2つ目は「使われない」型で、貯まったのに検索されず誰にも読まれないまま放置されます。3つ目は「効かない」型で、検索もされ読まれてもいるのに肝心の判断が再現されません。

この3つは表面の症状こそ「使われていない」で似て見えますが、効く対策はまったく違います。たとえば受注処理の手順書は1か所に集めて検索できるようにすれば多くの場合そのまま機能します。これは「貯める」やり方が効く知識です。一方で、与信の例外承認、つまり「この取引先には特例を認めるかどうか」という判断は、文書にして読まれていても新人が同じ結論を再現できないことがよくあります。前者は貯まらない・使われないで止まりやすく、貯めて検索できるようにすれば動きます。後者は貯めて読ませても効かず、止まる原因がそもそも別のところにあります。同じ「ナレッジ共有がうまくいかない」でも、止まっている層が違うわけです。この3類型は記事の後半で診断軸として詳しく扱います。

現在地のデータも添えておきます。当社の調査では、暗黙知の言語化・記録に組織的な仕組みで取り組んでいると答えた管理職は16.5%にとどまり、現在のスキル継承対策として社内wikiやナレッジ共有ツールを挙げた人も13.0%でした（株式会社taiziii調べ、管理職200名・インターネット調査。複数回答）。つまり「そもそも貯める仕組みを組織として持っている」会社がまだ少数派だという現在地がうかがえます。多くの組織にとって、形骸化を語る前にまず貯める仕組みをどう立ち上げるかが課題になっている段階だと読めます。

この記事を最後まで読むと、次の3つができるようになります。

• ナレッジマネジメントの定義・歴史・SECIモデル・主な手法という基礎を、人に説明できる程度に押さえる
• なぜ判断だけが貯めても再現されないのかという構造を、自社の業務に当てはめて見分ける
• 対象業務を選び、知識と判断に仕分け、どの型で止まりやすいか見当をつける、という具体的な進め方をつかむ

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とは（定義・歴史・メリット）

ナレッジマネジメントとは、従業員一人ひとりが持つ知識・経験・ノウハウ（＝ナレッジ）を組織全体で共有し、業務改善や価値創造に活かす経営手法です。ここで対象になるのは文書化された規程や手順だけではありません。ベテランの経験則や勘どころといった、まだ言葉になっていない知識も含みます。

ナレッジと「データ」「情報」はどう違うのか

ナレッジマネジメントの「ナレッジ」は、データや情報とは別の層を指します。ここを取り違えると、後の仕分けがうまくいきません。データは「在庫数500」のような事実の記録です。情報は「在庫が前月比で2割減った」のように、データに意味づけが加わったものです。そしてナレッジは「在庫がこの水準まで減ったら、来月の需要を見越して早めに発注する」という状況に応じて行動を選ぶための知識です。

なぜこの区別が重要かというと、データと情報はそのままシステムに格納して検索できますが、ナレッジの一部、とりわけ「どんなときにどう判断するか」は格納と検索だけでは伝わらないからです。たとえば与信の現場を考えます。取引先の財務データも、入金遅延が起きたという情報もシステムに残せます。けれども「このデータと、この遅延と、業界の景気感を合わせて見たとき、与信枠を一段絞るべきかどうか」という判断は、データの隣に置いても再現されません。判断には、どの手がかりをどう重みづけたかという本人の中にある条件の組み合わせが含まれているからです。

ですからこの記事では、ナレッジを一枚岩で扱わず、「データ・情報に近く、貯めれば使える層」と「判断に近く、貯めても再現されない層」に分けて考えます。この線引きが後で出てくる仕分け（ステップ2）の土台になります。

導入のメリットと、その実現で必ずつまずく所

導入のメリットとしては、次の3つがよく挙げられます。一覧で終わらせず、それぞれ「ではどう実現するのか」「どこでつまずくのか」まで見ていきます。

組織力の強化。個人の発見や失敗の教訓を、特定の人だけのものにせず、全員が使える状態にできます。これが実現すると、一人の成功や失敗が組織の財産になります。ただし、ここで効くのは「何をやったか」の記録だけではありません。たとえば改善活動の成功例を共有するとき、手順だけを残しても別の部署では条件が違って効きません。「なぜそれが効いたのか」という判断の部分まで言葉にできて初めて、他部署が応用できます。つまり組織力の強化は事実の共有と判断の言語化がそろったときに実現し、判断の言語化を省くとつまずきます。

人材育成の効率化。同じことを何度も口頭で教える負担が減り、教える側・教わる側の双方の時間が浮きます。新人が同じ質問を繰り返す状況を思い浮かべると分かりやすいでしょう。「この申請はどの書式を使うのか」「この承認は誰に回すのか」といった定型の質問は、FAQ化すれば確かに繰り返しが減ります。ただし、ここに限界があります。FAQの形に収まるのは答えが一つに決まる定型の質問だけです。「どの顧客に、どこまで値引きを認めてよいか」のような質問は、相手や状況で答えが変わるため質問と回答の一対一の形に収まりません。育成効率化のメリットは定型質問で大きく出る一方、こうした例外の判断はFAQ化しても残り別の手当てが必要です。

業務効率化。「探す時間」と「人に聞いて答えを待つ時間」が削減されます。散らばっていた文書が一か所で検索できるようになると、この効果は出やすいものです。ただし、探す時間が減るのは「探せば見つかる答えがある」場合に限られます。答えがそもそも誰の頭の中にしかなく文書化されていない場合は、検索を速くしても見つかりません。業務効率化は見つかるべき答えが文書になっていることが前提で、その前提が崩れている領域では効きません。

3つのメリットに共通するのは定型の知識ではしっかり効き、判断が絡む領域では別の工程が要る、という構造です。

なぜ今あらためて注目されるのか

理論としての出発点は1990年代です。経営学者の野中郁次郎らが日本企業の研究をもとに組織的知識創造の理論を発表し（出典　Nonaka, I. (1994) “A Dynamic Theory of Organizational Knowledge Creation,” Organization Science）、「Knowledge Management」として世界に広まりました。2000年代に入ると、グループウェアやナレッジデータベースといったツールの普及とともに企業への導入が進んだ、と整理されることが多いです。ただし、この20年あまりは同時に、「貯めたが使われない」という形骸化の歴史でもありました。この点は後の章で詳しく扱います。

ここで一つ、知識喪失の重みを示す公的資料を挙げておきます。経済産業省のものづくり白書は、技能を「人に内在する暗黙知主体の能力」と位置づけ、継承されずに失われた技能は容易に復活できないと述べています（出典　経済産業省「2019年版ものづくり白書」第1部第3章）。文書ではなく、人の中にある判断能力が失われ、しかも一度失うと復活が難しい。これは製造の技能に限った話ではなく、与信、品質管理、顧客対応など判断が物を言う多くの業務に通じる構造です。

そして今、ナレッジマネジメントがあらためて注目されているのには理由があります。ベテラン層の大量退職による知識喪失のリスクと、生成AIの登場による「貯めた知識を活用する手段」の進化が、同時に来ているためです。

この2つの要因には、当社調査の数字も重ねられます。属人化したスキルがどの年代に集中しているかを尋ねると50代以上が60.3%で最多でした。さらに、ベテランの退職を経営リスクと感じる管理職は74.5%にのぼります（いずれも株式会社taiziii調べ、管理職200名・インターネット調査）。退職で失われる知識がベテラン層に偏っていて、しかもそれを経営リスクと認識する声が多数派だという現在地が読み取れます。知識を失う圧力と知識を活かす手段の進化が重なった今は自社のナレッジマネジメントを見直す機会でもあります。

ナレッジの正体は暗黙知と形式知の間にある

何を貯められて何を貯められないかを見分けるには、まず「知識」を形式知と暗黙知に分けて捉えるのが出発点になります。

形式知は文書・数値・図表のかたちになっている知識です。規程、手順書、FAQ、設計書がこれにあたります。組織で共有でき、検索もできます。形式知が強いのは本人がいなくても他の人が読んで使える点です。受注処理の手順書がよい例で、書いて一か所に置けば書いた本人が休んでいても業務は回ります。

暗黙知は、まだ言語化されていない知識です。経験則、勘どころ、判断基準がここに入ります。「人は語れる以上のことを知っている」と論じた科学哲学者マイケル・ポランニーに由来する概念で（出典　Polanyi, M. (1966) The Tacit Dimension）、個人の頭の中にあり、退職とともに組織から消えます。ポランニーの議論はこの一文で要約されることが多いのですが、経営学の研究では、それ以外の関連概念も組織研究に読み替えられています。たとえば、対象に入り込んで分かる感覚（indwelling）や、注意を向けていない手がかりにも支えられて分かるという補助的気づき（subsidiary awareness）です（出典　ポランニーの知識論を組織研究の文脈で読み直した経営学者らの論文 Hadjimichael, Pyrko & Tsoukas, Academy of Management Review）。実務で押さえておきたいのは、暗黙知は「まだ書いていないだけ」とは限らず、本人が意識せずに手がかりを使っているためにそもそも言葉にしにくい構造を持つことがある、という点です。なお、これらはポランニー由来の理論であって、SkillRelayの手法そのものではありません。理論を地図として借りたうえで後半で扱い方の差分を出します。

ただ、実務ではこの二分法だけでは足りません。さらに細かく、知識をおおむね5つの粒度に分けて捉えると整理しやすくなります（本シリーズ共通の分類です。この5分類と、なぜ暗黙知ほど形式知化が難しいのかは、別記事『暗黙知の形式知化はなぜ難しいのか』で掘り下げています）。それぞれ、なぜ貯められるのか、なぜ貯められないのかまで見ていきます。

1. 明示ルール「在庫が一定数を下回ったら発注する」のような数値基準。条件と行動がはっきりしているため、そのまま文書になり、検索もできます。貯めれば使える知識の典型です。
2. 経験則「この時期は需要が伸びやすい」のような傾向の知識。そのままだと曖昧ですが、「過去3年、この月の出荷が平均で○割増えた」のように根拠まで添えれば文書になります。根拠を省くと読んだ人が信じてよいか判断できず貯めても使われにくくなります。
3. 言語化しにくい直感「この案件は何かおかしい」と感じ取る感覚。本人もうまく説明できないため本人に書いてもらう方式では貯められません。後述する質問で引き出す工程が必要です。
4. 条件付きルール「〜の場合は〜する」というIf-Then形式の判断基準。引き出して条件を明示できれば文書になります。直感（3）を変換した先がここになることが多く、変換さえできれば貯められる層です。
5. トレードオフ判断品質と納期のように相反する条件の重み付け。状況によって答えが変わるため、一本のルールには収まりません。「品質を優先する条件」と「納期を優先する条件」を、それぞれ別の条件付きルールとして残すことになります。

この章で押さえておきたいのは知識のどこまでがナレッジ共有ツールに素直に乗るのか、という線引きです。そのまま乗せられるのは①明示ルールと④条件付きルール、それに根拠まで書き出せた②経験則あたりです。③の直感と⑤の暗黙の重み付けは、「貯める」やり方では共有できません。ここを区別しないまま「全部ナレッジベースへ」と進めることが、形骸化の入り口になります。

暗黙知が全部は言語化できない理由

「暗黙知は言語化できない」とよく言われますが、これを額面どおりに受け取ると、引き出す工夫をする前にあきらめてしまいます。実務で役立つのは「言語化できる／できない」の二択ではなく、「なぜ言語化されていないのか」を問い分けることです。理由ごとに取るべき継承手段が変わるからです。

言語化されていない理由は、おおむね次の4タイプに分けられます（暗黙知をなぜ言語化しにくいかという問いは、暗黙知を事例研究から分類した経営学者Dinurの9分類が下敷きにあります。ここではそれを実務向けに4つへ圧縮した、実務向けに整理して示します。出典　Dinur, A. (2011) “Tacit Knowledge Taxonomy and Transfer,” Journal of Behavioral and Applied Management）。

1. 面倒だから本当は書けば済むのに書く時間が業務に組み込まれていないために頭の中に残ったままになっています。これは形式知化、つまり書いて一か所に置くことで解決します。最も手当てしやすいタイプです。
2. 身体感覚だから力加減や微妙な異変の察知のように、本人の体で覚えていて言葉にしにくいもの。これは文書化より、実地で見せて真似てもらう訓練が必要です。書類で渡しても再現されません。
3. 失敗経験に由来するから「過去にこの条件で痛い目に遭ったから、ここは慎重にする」という勘所。これは標準手順としてではなく例外や境界条件として残すと効きます。「やってはいけないこと」「危ない兆候」の形で書き出すのがコツです。
4. 組織内のタブーだから「この顧客にはこう対応する」「あの部署の案件は早めに根回しする」といった、表立って文書に書きにくい調整知。これは文書化より語ってよい場を設計することが先に来ます。

この問い分けがあると、「暗黙知だから言語化は無理」と一括りにせず、面倒なら書かせる、身体感覚なら訓練する、失敗由来なら例外として残す、タブーなら語り場を作る、と手段を選べます。次章以降の引き出し方も、このタイプ分けと対応します。

SECIモデルで扱える知識と扱えない判断

ナレッジマネジメントの理論的な土台がSECIモデルです。暗黙知と形式知が相互に変換されながら、組織の知識が創造されていくプロセスを示した理論で（出典　Nonaka, I. (1994) “A Dynamic Theory of Organizational Knowledge Creation,” Organization Science）、4つの段階の頭文字を取って名付けられています。

• 共同化（Socialization）一緒に働き、体験を共にすることで、暗黙知が暗黙知のまま人から人へ移る。OJTや弟子入りがこれにあたる
• 表出化（Externalization）対話や問いかけを通じて、暗黙知を言葉や図にする
• 連結化（Combination）言葉になった知識同士を組み合わせ、マニュアルや体系にまとめる
• 内面化（Internalization）形式知を実践の中で使い込み、自分の暗黙知として身につける

共同化は現場で一緒に動く場面です。たとえば新人がベテランの隣で受注対応を見て、相づちの打ち方や、相手のトーンの変化への反応を、言葉になる前に肌で受け取ります。これは説明されたわけではなく、同じ体験を共にしたから移った知識です。共同化が効くのはまだ言葉にできない身体感覚やリズムの部分です。

表出化は対話で暗黙知を言葉にする場面です。ベテランに「今のはなぜそう判断したのですか」と問い、本人がうまく言えなかったことを、問いを重ねて言葉や図にしていきます。ここが暗黙知から形式知への橋渡しです。後述する引き出しの工程は表面的にはこの段階に似ていますが、SECIの表出化を厚くするためだけの工程ではありません。判断を、誰の・どの条件での判断かという帰属を保ったまま扱うための入口です。

連結化は言葉になった知識を束ねる場面です。表出化で出てきた断片を、マニュアルや判断基準の一覧に整理し、体系としてまとめます。文書管理ツールやナレッジベースが活きるのはこの段階です。

内面化は整理された知識を使い込んで自分のものにする場面です。新人がマニュアルや条件付きルールを実務で使い、繰り返すうちに、いちいち参照しなくても動けるようになります。読んで終わりではなく、使って初めて身につくという段階です。

この4段階には、それぞれ適した「場」が必要だという指摘もセットで知られています。SECIモデルを提唱した経営学者の野中郁次郎と紺野登は、知識が生まれる関係や状況を「Ba（場）」と呼びました（出典　Nonaka, I. & Konno, N. (1998) “The Concept of ‘Ba’,” California Management Review）。共同化には体験を共有する創発の場が、表出化には本音で問い合える対話の場が、連結化には情報を持ち寄って組み立てる場が、内面化には実際に使ってみる実践の場が要る、という整理です。ツールだけでなく場の設計まで含めて考える点が、SECIモデルが今も参照され続ける理由の一つです。たとえば対話の場がないままインタビューだけ実施しても、ベテランは当たり障りのない話に留めがちで肝心の判断は出てきません。

SECIは”知識”の地図です。しかし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。規程・手順・事例といった知識は、SECIの輪で確かに回せます。一方、「どんなときに例外を認めるか」という判断力は言葉にしようとすると前提となる文脈が抜け落ち、ほかの知識と並べて体系にまとめた時点で「誰が・どんな条件で下した判断か」が見えなくなります。

だから必要なのはSECIの続き（内面化の追加や、輪をもう一周させること）ではありません。対象そのものの置き換え、つまり知識の管理から、判断の継承へです。具体的な進め方は後述する導入6ステップの「仕分け」（ステップ2）と「引き出して変換」（ステップ4）で扱います。

ここでCDMや対比法のような対話を使うため、表面的には表出化に似て見えます。ただし目的はSECIの輪を完成させることではありません。先に「管理する知識」と「継承する判断」を仕分け、判断については帰属と条件を保ち、再現できるかで検証する点が違います。SECIを診断の補助線として借りながら、成果の定義を判断の再現へ移す、という整理です。

誤解のないように添えておくと、ここでSECIモデルを否定するつもりはありません。知識の共有・創造の地図としての有効性は前提にしたうえで、扱う対象が違うという整理です。

この「地図の外」という見方は、SECIモデルへの学術的な批判とも通じます。SECIモデルを実証面から検討した経営学者Gourlayは、4つの変換モードのうち実証的な裏づけが弱いものがあると指摘し、さらに「本来的に暗黙な知識（inherently tacit knowledge）」が枠組みから抜け落ちていると論じました（出典　Gourlay, S. (2006) “Conceptualizing Knowledge Creation: A Critique of Nonaka’s Theory,” Journal of Management Studies）。重要なのはこの批判の当否を裁くことではありません。ここで借りたいのは4段階で表現しきれない知識が確かに存在する、という指摘の中身です。本来的に暗黙な知識とは、表出化して言葉に変換することそのものが難しい知識で、まさに「どんなときに例外を認めるか」のような判断がそこに含まれます。SECIモデルを丁寧に回しても、地図に載らない知識は地図の外に残り続けます。だからこそ、回し方の改善ではなく扱う対象そのものを判断に切り替える必要がある、というこの記事の論点に接続します。

SECIモデルを回しても判断が継承できない理由

「では、SECIモデルをきちんと回せば、最終的に判断も継承できるのではないか」という問いはよく出ます。判断の一部はSECIをどれだけ丁寧に回しても地図の外に残ります。理由は3つの構造にあります。

1つ目は表出化の段階での取りこぼしです。判断を言葉にしようとすると、その判断を支えている前提条件が一緒には書ききれません。「取引年数が浅くて、しかも発注額が急に増えたときは慎重にする」と書けても「ただし長年の付き合いで信頼できる先なら、急増しても通すことがある」という例外の感覚までは本人も全部は言い出せません。表出化で言葉になるのは判断の一部で、残りは本人の中に留まります。

2つ目は連結化の段階での帰属の喪失です。複数のベテランから出てきた判断を一覧に束ねて体系化すると、「これは誰が、どの条件で下した判断か」が見えなくなります。Aさんの基準とBさんの基準が混ざり、平均的な一本のルールに丸まるとどちらの判断の根拠も消えます。連結化は知識をまとめるのが得意ですが、判断をまとめると帰属が失われ再現できなくなります。

3つ目は内面化が起きる条件の問題です。形式知を使い込んで身につけるには、使う本人が問いを持って試行錯誤する必要があります。答えが先に与えられて考えずに使うだけでは判断は身につきません。SECIの輪を回しても、受け手が問いを持って実践する設計がなければ内面化は形だけになります。

この3つは、SECIモデルの欠陥というより、判断という対象がSECIの想定とずれていることの表れです。だから必要なのはSECIをもう一周回すことではなく、判断を取り出して帰属を保ったまま条件付きルールに変える、別の工程です。それを導入6ステップのステップ4で扱います。

ナレッジマネジメントの主な4つの手法

「ナレッジマネジメントの手法」には、解説書やメディアによって複数の類型整理があり、おおむね事例の共有、専門知識のQ&A、文書の集約や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。世界的には、APQC（米国生産性品質センター）がナレッジマネジメントの標準的なフレームを整備し、知識の創出・共有・活用のプロセスを体系化していることが知られています。また、ナレッジマネジメントシステムの運用要件を定めた国際規格ISO 30401も存在します。この記事で扱う4つの切り口は、これらの整理を踏まえた一般的な類型で、SkillRelay独自の手法ではありません。ここでは、それぞれの切り口を「扱える知識の種類」「乗りにくい知識」「効かせるコツ」と合わせて見ていきます。

事例の共有（ベストプラクティスの横展開）

営業成績上位者のやり方や改善活動の成功例など、社内の成功事例を集めて横展開する切り口です。扱えるのは形式知化できた事例です。乗りにくいのはその事例が効いた理由のうち本人が説明しきれていない判断の部分です。

効かせるには「何をやったか」だけで終わらせず、「なぜそれが効いたか」の判断まで言語化することです。たとえば営業の成功事例を共有するとき、ビフォーの典型は「初回訪問で製品デモを30分実施し、その場で見積もりを提示した。結果、受注に至った」という行動の記録だけが残るパターンです。これだと別の担当者が同じ手順をなぞっても相手が違えば効きません。アフターはここに判断を足します。「この顧客は導入を急いでいる様子だったので、検討を長引かせず、その場で見積もりまで出す方を選んだ。逆に、社内調整に時間がかかりそうな相手には、その場で見積もりを出さず、まず関係部署を巻き込む段取りを優先する」。こうして「どんな状況のとき、何を手がかりに、どちらを選ぶか」まで書けると、他部署でも条件に当てはめて応用できます。

専門知識のQ&A（社内FAQ・ヘルプデスク）

よくある質問と回答を蓄積し、自己解決を促す切り口です。扱えるのは答えが一つに決まる定型の質問です。問い合わせ対応の負荷を下げる効果が出やすく、定型的な知識には有効です。乗りにくいのは例外対応、つまり「この条件のときはどうするか」です。これは質問と回答の一対一の形に収まりにくく、領域として残ります。

効かせるには、定型と例外を最初から分けて運用します。ビフォーの失敗例は定型のFAQの中に例外的な判断を無理に押し込むパターンで、「この場合はケースによります」といった回答が増え、結局読んでも分からなくなります。アフターは定型は一問一答のFAQに、例外は「どんな条件のとき、どう判断するか」という別の形で持つ、と置き場所を分けることです。FAQに収まらないものを無理に収めようとしないのが、FAQを使いやすく保てます。

文書・知的資産の集約

特許・技術文書・顧客情報といった知的資産を一元管理し、経営資源として活用する切り口です。扱えるのはすでに文書になっている形式知です。散在していた文書が一箇所で検索できるようになる価値は大きいものの、扱いの中心はあくまで形式知の管理です。乗りにくいのは文書になっていない判断で、これは集約しても元から入っていません。

効かせるには、集約と同時に「現場の言葉で探せるか」を確かめます。ビフォーの失敗例は文書を整理する側の分類で棚に並べてしまい、探す人が使う言葉と一致しないパターンです。アフターはよく検索される業務の言い方を先に集め、それでヒットするようにタグや索引を作ることです。集約そのものより探す側の言葉に合わせる工夫が効きます。

顧客知識の共有

営業やカスタマーサポートが得た顧客の声・対応ノウハウを共有する切り口です。扱えるのは取引履歴や要望といった事実情報です。乗りにくいのは「この客先にはこう対応する」というさじ加減で、文字にしても伝わりにくい部分が残ります。

効かせるには、さじ加減を「相手の特徴」とセットで条件化します。ビフォーの失敗例は「A社には丁寧に対応する」とだけ書かれていて新しい担当者には何が丁寧なのか分からないパターンです。アフターは「A社は決裁に複数部署が関わるので、提案前に関係者を確認し、資料を部署ごとに分けて渡す」のように、相手の特徴と取るべき行動を結びつけて書くことです。これなら担当が替わっても、似た特徴の顧客に応用できます。

どの切り口も有効です。ただし共通しているのは中心にあるのが「形式知の管理」であることです。例外時の線引きやさじ加減、すなわち判断の継承は、どの切り口にもきれいには収まりません。次章で見る失敗の3つの型のうち、最も根深い型③は判断の継承がどの切り口にも収まらないところから生まれます。

4つの手法は喪失影響の大きい所から選ぶ

4つの切り口を前に、「どれから手をつけるか」で迷うことがあります。網羅的に全部やろうとすると、対象が広がりすぎて立ち上げの途中で力尽きます。そこで、始める場所を「喪失影響の大きい所から」選ぶ考え方が役立ちます。これは、何を知っているかを棚卸しする前に「その知識が失われると何が壊れるか」を先に問う進め方です。これは喪失の影響を先に見極めてから着手するという、株式会社taiziiiの整理に基づいています。

判断基準は3つです。

1つ目は事業への影響です。その知識が失われると、どの売上・利益・顧客価値が毀損するか。たとえば「主要顧客の与信判断」が失われると直接損失に直結する一方、「社内会議の議事メモの体裁」が失われても事業はほぼ揺らぎません。影響の大きい方から着手します。

2つ目は代替の難しさです。外部採用や外注、検索ツールで補えるものは後回しにできます。一方、特定のベテランの頭の中にしかなく、辞められたら誰も代われない判断は優先度が上がります。希少な判断と、誰でも代われる一般知識を同列に扱わないことがコツです。

3つ目は失われるまでの時間です。退職や異動が近いベテランが抱えている判断は待ったがききません。年代の偏りも目安になります。当社調査では属人化スキルの50代以上への集中が60.3%でした（株式会社taiziii調べ、管理職200名・インターネット調査）。時間的に切迫した所から先に引き出すのが、現実的な順番です。

この3つで絞ると、最初に手をつけるべき切り口も自ずと決まります。喪失影響が大きいのが定型の文書なら文書の集約から、判断なら次章以降の引き出しの工程から、という具合です。

なぜナレッジマネジメントは失敗するのか（3つの型）

ナレッジマネジメントの失敗談は数多くありますが、個別の事例を並べるより、型で整理したほうが自社への当てはめがしやすくなります。失敗のかたちは大きく3つに分けられます。これをこの記事では、形骸化の3つの型（貯まらない・使われない・効かない）と呼び、診断軸として使います。3つは症状が似て見えても、原因の層と効く対策がそれぞれ違います。

型1　貯まらないのはそもそも投稿されないからである

立ち上げ時は投稿が集まっていたのに、しだいに続かなくなるパターンです。原因ははっきりしています。書く時間が業務として割り当てられていません。書いても評価もされません。そして見落とされがちなのが逆インセンティブの存在です。

なぜ逆インセンティブが生まれるかというと、知識を出すことが本人にとって損になる構造があるからです。これは「熟練者が非協力的だ」という個人の問題ではなく、心理と立場が絡む構造の問題として捉える必要があります。

知識提供をためらう背景は、おおむね4種の仮説に分けて確認できます（株式会社taiziiiの実務整理）。従業員が求められた知識を意図的に隠す行動はknowledge hidingとして研究されています（出典　Connelly, C. E., Zweig, D., Webster, J. & Trougakos, J. P. (2012) “Knowledge hiding in organizations,” Journal of Organizational Behavior, 33(1), 64–88）。同研究は、AI代替への雇用不安や、以下の4分類を直接検証したものではありません。実務では、1つ目に雇用不安、2つ目に地位低下、3つ目に責任不安、4つ目に感情的抵抗という可能性を置き、本人への聞き取りで当てはまるかを確かめます。原因を決めつけず、該当する摩擦ごとに打ち手を変えるための分類です。

具体例で考えます。ある現場で、「この与信はこういう着眼点で見る」という勘所を、ベテランが一人で握っているとします。この勘所を本人が出すと、誰でも与信を判断できるようになり、本人にしか頼めなかった相談が減ります。本人から見れば、自分の立場の安全が下がる方向です。善意に頼る設計のままでは、この構造は変わりません。

介入では、知識を出すほど本人の役割が下がるのではなく、上がる構造に置き換えます。ベテランを単なる情報提供者にせず、引き出した判断ルールの認定者、新人演習のレビュアー、AI回答の監修者として位置づけます。知識を出すことが「自分の仕事を奪う行為」から「次世代を育てる立場に就く行為」に変われば逆インセンティブは弱まります。

型2　使われないのは検索されないからである

投稿は貯まったのに、検索されないパターンです。この型には、原因が2つあります。分けて見ると対策が立てやすくなります。

1つ目の原因は検索の不一致です。フォルダ構造やタグが「書いた人の整理の都合」で並んでいて、探す人が現場で使う言葉と一致しません。たとえば書いた側は「与信審査ガイドライン」という正式名称で登録しているのに、現場の新人は「取引先支払い大丈夫か」のような言い方で探すためヒットしません。情報は置かれているのに、たどり着けない状態です。

2つ目の原因は鮮度の劣化です。更新が止まり、古い情報が混ざり始めます。一度は正しかった内容も前提や条件が変われば古くなります。古い情報が混ざっていると分かると、現場は「あそこは当てにならない」と判断し検索すること自体をやめます。これは検索の精度とは別の、内容が信頼できるかどうかの問題です。鮮度が落ちるのは更新と検証の仕組みが回っていないからだ、という整理によります（株式会社taiziiiの整理）。

検索の不一致は現場の言葉に合わせる工夫で、鮮度の劣化は更新の仕組みで手当てします。両方を分けて対処しないと、片方を直しても使われないままになります。

型3　効かないのは判断が再現されないからである

最も見えにくい失敗は、検索もされ、読まれてもいるのに肝心の判断が再現されないパターンです。書かれているのが結論だけで、「なぜそうするか」「どんな条件で変わるか」が抜け落ちているため読んだ人が応用できません。文書はある、読んだ、それでも例外案件になるとベテランへの口頭確認に戻ります。それが型③の状態です。

この型③が起きていることは、当社調査の数字にも表れています。引き継ぎで困ったことを尋ねた設問では、「暗黙知が共有されなかった」が79件で最多でした。暗黙知や勘所の共有度を尋ねた設問では、「ある程度は共有されたが迷う場面がある」「手順中心で背景・判断基準はほとんど共有されなかった」などを合わせると、何らかの不足を感じている回答が72.0%にのぼります。さらに、不足していた判断の観点を複数回答で尋ねると、「例外発生時の判断の基準」が40.5%で最多でした（いずれも株式会社taiziii調べ、管理職200名・インターネット調査）。手順は引き継げても、例外時にどう判断するかという肝心の部分が最も多く欠落している、という現在地が読み取れます。これはまさに型③の症状です。

なお、組織的に貯める仕組みの普及度については、暗黙知の言語化・記録に組織的な仕組みで取り組んでいると答えた管理職が16.5%、「一部の部署で取り組んでいる」が37.0%、「個人の裁量に任されている」が21.0%でした。また、別の設問で現在のスキル継承対策を尋ねると、社内wikiやナレッジ共有ツールを挙げた人は13.0%にとどまります（複数回答）。組織的な「貯める仕組み」自体がまだ少数派だという現在地がうかがえます。

そして、仕組みを作った企業がそこで安泰かというと、そうとは限りません。先に触れたとおり、この20年あまりは「貯めたが使われない」という形骸化の歴史でもありました。仕組みを作っても、型①〜③のどこかで止まる例は珍しくない、というのがこれまでの経緯です。

3つの型のうち、最も根深いのは型③です。型①と型②は、評価への組み込みや検索性の改善といった、ツールと運用の工夫で直せます。しかし型③は、「貯める」という発想自体の限界に根ざしているため、ツールを替えても運用を頑張っても解決しません。なぜ「貯める」発想だけでは型③が残るのか、その構造の詳しい分析は、別記事『ナレッジマネジメントは古いは本当か』で扱っています。

どの型で止まっているかを見抜く3問

自社がどの型で止まっているかは、3つの問いでおおよそ見当がつきます。順に確かめてみてください。

1問目は、「ナレッジ共有ツールに、現場の知識が新しく投稿され続けているか」です。立ち上げ後に投稿が減って止まっているなら型①「貯まらない」です。書く時間が業務に入っているか、逆インセンティブが働いていないかを疑います。

2問目は、「貯まった文書は、現場の人に検索され、実際に読まれているか」です。投稿はあるのに閲覧されていない、検索してもヒットしないなら型②「使われない」です。検索の言葉の不一致と、鮮度の劣化のどちらが効いているかを切り分けます。

3問目は、「読まれているのに、例外案件になるとベテランへの口頭確認に戻っていないか」です。文書はあり読まれてもいるのに、肝心の判断が再現されず確認に戻るなら型③「効かない」です。これは貯め方の問題ではなく、判断を引き出して条件付きルールに変える工程が抜けているサインです。

3つは同時に起きていることもあります。その場合は、より上流の型①から順に手当てするのが基本ですが、事業への影響が大きい判断が型③で止まっているなら、そこを先に手当てする判断もあります。前章の喪失影響の3基準と合わせて、優先順位をつけてください。

導入で失敗しない6つの手順

導入手順は一般的なものと大きく変わりませんが、一点だけ、形骸化を防ぐ工程を加えます。ステップ2の仕分けです。

ステップ1　目的を業務の数字で具体化する

「ナレッジ共有の活性化」のような曖昧な目的にしないことが最初の分岐点です。「新人の問い合わせ対応時間を半減する」「○○業務の引き継ぎ期間を短縮する」のように、業務の数字で目的を置きます。

なぜ業務の数字が要るかというと、目的が曖昧だと成果指標が「登録件数」などツールの数字にすり替わるからです。登録件数は増やそうと思えば増やせますが、それが業務を変えたかどうかは分かりません。悪い例は「半年でナレッジを300件登録する」を目標に置くパターンです。300件登録しても、新人が例外案件で相変わらずベテランに電話していれば業務は何も変わっていません。良い例は「新人が一人で対応できる問い合わせの割合を、半年で6割から8割に上げる」のように、業務側の変化で測ることです。

この考え方は研修の効果測定モデルで知られる教育学者カークパトリックの4段階（反応・学習・行動・結果）のうち、行動が変わったか（レベル3）まで見ることに近いものです（出典　Kirkpatrick, D. L. (1959/1994) 研修効果測定の4段階モデル）。受講者が「学んだ」と答えたか（レベル2）で止めず、現場での行動や成果（レベル3・4）まで指標に含めると登録件数への逃げを防げます。

ステップ2　対象ナレッジを棚卸しし、仕分ける

対象業務の知識を洗い出したら、「貯めれば使える知識」（手順・規程・FAQ・事実情報）と「貯めても再現されない判断」（例外時の線引き・さじ加減）に分けます。この一手間が形骸化を防ぐ分岐点になります。仕分けのイメージは次のとおりです（末尾で配布している仕分け表テンプレートの簡略版です）。

この仕分けはExcel付録「知識の仕分け表」としても用意しています。印刷して、棚卸しの場でそのまま記入できます。

棚卸しは誰を呼び、何を問うかで精度が変わります。呼ぶべきなのはその業務を実際に回しているベテラン本人と、これから引き継ぐ側の両方です。片方だけだと、ベテランは「当たり前すぎて言わないこと」を省きますし、引き継ぐ側だけだと「何が分からないか分からない」状態になります。

問い方は業務を「手順」と「考え方」の二層に分けて聞くのがコツです（この二層構造はSkillRelayの独自の整理です）。手順の層は「どんな順番でやるか」、考え方の層は「どんな観点で見て、どこで線を引くか」です。さらに、状況を固定するために「5W＋WHICH」で問います。誰が（WHO）、いつ（WHEN）、なぜ（WHY）、何を見て（WHAT）、そして通常のケースか例外のケースか（WHICH）。この問い方をすると、「これは書けば済むこと」なのか「聞かないと出てこない判断」なのかがその場で見分けられます。前者は管理する知識へ、後者は継承する判断へ振り分けます。

ステップ3　形式知をツールに集約する

「貯めれば使える知識」は置き場所を一つに決めて集約し、現場の言葉で検索できる状態にします。複数の場所に散在したままでは型②「使われない」の状態から抜け出せません。集約のときに、現場がよく使う検索の言い方を先に集めておき、それでヒットするようにしておくと、後で「あるのに見つからない」を避けられます。

ステップ4　判断を引き出し、条件付きルールに変換する

「貯めても再現されない判断」は、本人に書いてもらうのではなく、質問で引き出します。なぜ書いてもらう方式がうまくいかないかというと、本人は自分の判断の前提を意識していないことが多く、白紙を渡されても「当たり前にやっていること」が出てこないからです。質問で具体的な場面を思い出してもらう方が判断が表に出てきます。

ここで使える質問の型として、SkillRelayで採用している5手法があります。これは既存の知識抽出・認知科学の考え方に通じる質問を、SkillRelay向けに組み合わせた株式会社taiziiiの実務整理です。5つすべてがKleinらの単一手法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、Klein (1998) は時間圧や不確実性のある現場で経験を積んだ意思決定者のRPDモデルを扱っています。基礎理論をSkillRelayが発明したという位置づけではなく、実務で使う5つの入口に整理した点がSkillRelayの役割です。質問の型まで具体に落とすと、次のようになります。

1. CDM（過去判断の再体験）実際にあった案件を一つ取り上げ、そのときの状況を順を追って思い出してもらいます。「あの案件のとき、最初に何を見ましたか」「次に何が気になりましたか」と、判断の場面を再生してもらう問い方です。
2. 対比法（通した案件と落とした案件の差）「通した案件」と「見送った案件」を並べ、その違いを聞きます。「この2件、何が違ったから判断が分かれたのですか」と問うと、本人の中の線引きが浮かび上がります。
3. 境界条件プロービング（ギリギリの閾値）「ギリギリOKだった案件はありますか」「基準の範囲内なのに、あえて見送った案件は」と、境界の事例を探ります。OKとNGの境目に、判断の核心があります。
4. 仮想シナリオ（反実仮想）「もし発注額がこの2倍だったら、判断は変わりましたか」と、条件を動かして反応を見ます。どの条件がどれだけ効くかが分かります。
5. 例外抽出（通常フローに乗らない勘所）「数字は悪くないのに、警戒すべきケースはありますか」と、通常の手順では拾えない勘所を聞き出します。

これらの問いで出てきた答えを、「〜の場合は〜する」という条件付きルールの形に変換してから載せます。この、なんとなくの違和感を条件付きルールに変える作業を、ここではパターンからルールへの変換と呼びます。

具体例で流れを見ます。ビフォーは「この案件はなんとなく危ない」という直感だけがある状態です。ここに対比法を使い、「通した案件と、落とした案件で何が違ったか」を問います。すると「落とした方は、取引年数が浅いのに発注額が急に増えていた」という差が出てきます。これを条件付きルールに変換すると、アフターは「取引年数が浅い AND 発注額が急増している → 与信を一段慎重にする」という、新人でも当てはめられる形になります。直感が再現できるルールに変わりました。

このとき守るべき原則が一つあります。複数のベテランで基準が違う場合、平均して一本のルールにまとめないことです。Aさんの基準とBさんの基準を足して2で割った瞬間に、どちらの判断の根拠も消えてしまいます。

具体例で言うと、与信判断で、Aさんは「取引年数の浅さ」を最も重く見て、Bさんは「業界全体の景気感」を最も重く見ているとします。この2人の基準を平均して「取引年数と景気感を総合的に判断する」と一本化すると、どちらの判断も再現できなくなります。正しくは、「Aさんの条件ルール　取引年数が浅い AND 発注額急増 → 慎重に」と「Bさんの条件ルール　所属業界の先行指標が悪化 → 与信枠を絞る」を、別々に残します。誰の・どの条件での判断かの帰属を保ったまま、複数の条件付きルールとして並べてください。例外は必ず別に分けます。

ベテランが協力してくれないときに試す3つの聞き方

ステップ4を進めると、ベテランが核心を話してくれない場面に必ず出くわします。これは前章の型①で見たとおり、本人の心理と立場が絡むためです。協力を得るには、役割づけ、具体案件、否定しない場づくりの3点を整えます。

1つ目は役割を変えることです。「あなたの知識を吸い上げます」という構図だと、本人は自分の希少性が下がると感じて身構えます。そうではなく、「引き出したルールを最終確認していただく認定者になってください」「新人の演習をレビューする立場をお願いします」と、知識を出すほど役割が上がる位置づけにします。出すことが損ではなく得になれば口は開きやすくなります。

2つ目は抽象論ではなく具体的な案件から入ることです。「あなたの判断基準を教えてください」と正面から聞くと、当たり障りのない一般論しか返ってきません。前述のCDMや対比法のように、実際にあった案件を一つ取り上げ、「あのとき、何を見て、どう判断したか」を一緒に振り返る方が、本人も思い出しながら具体を語れます。

3つ目は否定しない場を作ることです。引き出しの場で、出てきた判断を「それは非効率では」「今ならこうですよね」と評価し始めると本人は話すのをやめます。引き出しの段階では正しさを裁かず、まず全部出してもらいます。整理や検証はその後の工程に回します。

仕分けに時間がかりすぎるときの絞り込み基準

棚卸しと仕分けを丁寧にやろうとすると、対象が膨れ上がって終わらなくなることがあります。全部を仕分けようとしないことが進める前提です。絞り込みの基準は前章で挙げた喪失影響の考え方をそのまま使えます。

まず、事業への影響が大きい業務から手をつけます。失われると売上や品質、顧客信頼に直接響く判断を優先し、なくなっても困らない知識は後回しにします。次に、代替が難しいものを優先します。検索すれば見つかる、外注で補える知識は急ぎません。特定のベテランの頭の中にしかない判断を先に扱います。最後に、時間的に切迫したものを優先します。退職や異動が近い人が抱えている判断は待ったがききません。

この3つで絞ると、最初に仕分けるべき対象は、たいてい数件から十数件に収まります。まずそこだけを仕分け、ステップ3・4まで一周回してから次の対象に広げます。一度に全部ではなく、影響の大きい所から小さく回すと、形骸化せずに続けやすくなります。

ステップ5　業務プロセスに組み込む

「困ったらまずここを見る」を、業務フローの中に位置づけます。新人教育の教材としても使い、使われる場面を仕組みで作ることがポイントです。利用を個人の善意に任せる設計は、型①・型②の再来につながります。たとえば、新人が例外案件に当たったとき、まず該当の条件付きルールを参照し、それでも判断できなければベテランに確認する、という順序を業務手順そのものに書き込みます。参照が業務動線に組み込まれていれば使われる場面が自然に生まれます。

ステップ6　更新・検証の運用を設計する

誰が・いつ・何を基準に更新するかを、導入前に決めます。マニュアルや仕分けた判断ルールは、一度作れば終わりではありません。前提や条件が変われば古くなります。更新され続けているかどうかがその仕組みが現場で生きている証拠です。逆に、更新が一度も入っていないナレッジは、置かれているだけで使われていないサインだと考えてよいでしょう。

あわせて「使えなかった」という報告の窓口を作り、ナレッジが現場で機能しているかを検証し続けます。このとき確かめるのは読まれているかどうかではありません。「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。この観点を判断の品質保証と呼びます。

判断の品質保証はこの記事の独立した中心概念なので、もう一段分解しておきます。確かめるのは3つです。1つ目は存在ではなく再現です。文書が「ある」「読まれた」で満足せず、それを使って同じ判断が下せているかを見ます。2つ目は一致の度合いです。新人が変換後の条件付きルールだけを見て判断を下したとき、その判断が同じ案件でベテランが下す判断とどれだけ一致するか。一致が低ければ、ルールに前提条件が書ききれていないサインです。3つ目は例外時の到達点です。例外案件になったときに、文書で対応できたのか、結局ベテランへの口頭確認に戻ったのか。口頭確認に戻っているなら、その判断はまだ継承されていません。

この3つを測るには、登録件数や閲覧数といった活動量の数字だけでは足りません。いま挙げた「ベテランとの判断の一致」と「例外時に口頭確認へ戻ったか」を、検証の指標として運用に組み込みます。ずれが見つかった箇所は、ルールに前提の条件が書ききれていないサインなのでステップ4に戻って引き出し直します。

ツール・システムの種類と選び方

ナレッジマネジメントのツールは、おおまかに4つの類型に分けられます。

各類型を、向く場面・向かない場面・失敗の兆候まで見ていきます。

社内wiki型が向くのは現場のメンバーが自分たちで知見を書き足していく場面です。書きやすさが高く、更新の自由度があります。向かないのは統制が必要な規程や契約書のように、誰でも編集できると困る文書です。失敗の兆候は書く人が一部に偏り、構造がばらばらになって後から探せなくなることです。

FAQ型が向くのは答えが一つに決まる定型の問い合わせを減らしたい場面です。向かないのは例外的な判断のように、答えが状況で変わるものです。失敗の兆候は「ケースによる」という回答が増えてきたときで、これはFAQに収まらないものを無理に入れているサインです。

文書管理型が向くのは版管理や権限管理が要る統制文書です。向かないのは現場が気軽に書き足したい知見で、手続きが重いと投稿が止まります。失敗の兆候は最新版がどれか分からなくなることです。

検索型（エンタープライズサーチ）が向くのは既存システムを動かさずに、散在した文書の検索性だけ上げたい場面です。向かないのはそもそも文書化されていない判断で、これは横断検索しても元から存在しません。失敗の兆候は検索は速くなったのに「欲しい答えが出てこない」という声が残ることです。

ここで押さえておきたいのが、ツールで起きる失敗の2分法です。SkillRelayの整理では、AIや検索が「外す」失敗を、参照の失敗と解釈の失敗に分けます（SkillRelay独自の整理です）。参照の失敗は必要な情報にたどり着けない、あるいは情報が多すぎて埋もれる失敗です。解釈の失敗は情報はあるのに使い方が分からない、例外と通常が混ざっている、社内用語が揺れている失敗です。情報を増やすほど参照の失敗が起きやすくなるため、対策は「たくさん載せる」ではなく「トピック単位で絞って渡す」方向になります。ツール選びでも、何でも放り込める箱より、業務のまとまり単位で整理して出せるかを見る方が後で効きます。

選定の軸は4つです。

• 誰が書くか現場のメンバーが書くなら、書きやすさ・簡単さを最優先にする
• 誰が探すか新人が探すなら、検索性と、言葉の揺れに対する強さを重視する
• 既存システムとの連携普段の業務動線から離れた場所に置かない
• 運用負荷更新・整理にかかる手間を、導入前に見積もる

この4軸を、汎用の選定ミニケースで動かしてみます。たとえば「現場のメンバーが知見を書き、新人がそれを探して使う」という組み合わせを考えます。このとき効くのは第一に書きやすさです。現場が書くのが面倒だと、そもそも貯まりません（型①）。第二に、検索の言葉の揺れへの強さです。新人は正式名称を知らないので、口語的な言い方でも見つかる必要があります（型②）。逆に、版管理の厳密さは、この組み合わせでは優先度が下がります。誰が書いて誰が探すかが決まれば、4軸のどれを重く見るかが自ずと決まる、というのがこの軸の使い方です。

そして、限界も明示しておきます。どの類型のツールも得意なのは知識を貯めて探しやすくすることで、そこから先の「判断の継承」はツールの導入だけでは起きません。前章のステップ4（判断の引き出しと変換）を省略しないことが、ツール選定よりも先に来る条件です。

AI検索を入れればツール選定は不要になるのか

「高性能なAI検索を入れれば、ツールの種類や選定で悩む必要はなくなるのではないか」という見方があります。探す手段が強くなるのは確かですが、それで選定が不要になるわけではありません。むしろ、探す手段が強くなるほど、「何を載せるか」で差がつくようになります。

理由はこうです。AI検索が賢くなると、多少言葉が揺れても文書がどこにあっても、必要な情報にたどり着けるようになります。つまり前述の参照の失敗は、AI検索でかなり減らせます。しかし、解釈の失敗は減りません。載っている情報が結論だけで、どんな条件で使えるのかが書かれていなければ、いくら賢く検索しても使える答えは返りません。そして、そもそも判断が文書化されていなければ、AI検索の対象に入っていないので何も返りません。

だから、AI検索を前提にしても、ツール選定で見るべき点は消えません。むしろ「現場の言葉でトピック単位に整理できるか」「例外と通常を分けて持てるか」という、解釈の失敗を防ぐ観点が重みを増します。

生成AIで変わることと変わらないこと

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）の登場で、「探す・聞く」は大きく改善しました。生成AIによる検索・要約は、いまやナレッジツールの標準機能になりつつあります。前述の型②「使われない」のうち、検索性の問題に対しては、近年で最も大きな進歩です。聞き方を選ばなくても、言葉が多少ずれても、必要な文書にたどり着けるようになりました。

ただし、型②にはもう一つの柱があります。更新が止まり、古い情報が混ざる、という鮮度の問題です。これはAI検索を入れても自動では解消しません。むしろRAGは、古い文書を根拠にもっともらしく回答してしまうことがあります。検索の精度が上がるほど、その回答がいかにも正しそうに見えるため、土台になっている文書が古いことに気づきにくくなる、という新しい難しさが加わります。

そしてもう一つ、AIが手がかりにできるのはすでに文書のなかに書かれている内容です。判断が文書化されていない会社では、AIに聞いても自社の判断は返ってきません。これは検索ツールの性能の問題ではありません。検索の対象になる文書のなかに、そもそも判断が入っていないという、一段上流の問題です。「検証済みの正しい答えを返す」とうたう仕組みであっても、未文書の判断はその検証の対象にすら乗りません。だからこそ、この記事の仕分け（ステップ2）と判断の変換（ステップ4）は、AI時代にこそ効きます。「探す手段」が強力になった今、結果を分けるのは「何を載せるか」のほうに移ったからです。

ここで、長い目で見たときの注意も一つ挙げておきます。AIに答えを肩代わりさせる運用では、業務が速くなる一方、人が自分で考えて判断する機会が減り得ます。AIが知識のやり取りに入り込むことで、専門家から後継者への判断の受け渡しが細り、人が知識対象を理解する機会を失う懸念は、Scibelli & Stevens (2025) のレビュー論文でも論じられています（株式会社taiziiiの整理。出典　Scibelli, D. & Stevens, B. (2025) “Breaking the Chain of Knowledge Transfer: AI Shadows Implicit, Explicit and Tacit Exchange,” Issues in Information Systems, 26(3), 100–114）。たとえば、AIが原因候補や設計案をすぐ提示する運用では、若手が自分で仮説を立てる前に答えを受け取り、なぜその答えが妥当かを考える機会が減る可能性があります。短期の効率と、長期の判断力の育成を両立させる設計が必要です。

ですから、AIの使い方は作法が必要です。AIに答えを肩代わりさせるのではなく、材料を出させ、問いを深める相手として使うことです。たとえば、若手にまず自分の仮説を出させてから、AIに過去事例や関連条件を提示させ、両者を見比べてもらいます。AIが返した内容を最後に受け取って「これでよい」と判断するのは人間です。流暢で筋が通って見える回答ほど、間違っていても気づきにくくなります。だから何を載せるかと同じくらい、返ってきた内容を確かめて受け入れる人の目が必要です。

この現在地について、当社調査の数字も添えておきます。対話形式のヒアリングで判断基準を学習するAIエージェントに興味があると答えた管理職は59.5%でした。AI導入に期待するメリットを複数回答で尋ねると、「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こと」が54.6%で最多でした。一方、導入の最大の懸念としては、導入・運用コスト（23.0%）、セキュリティ（19.5%）、費用対効果が不明確（18.5%）が上位に挙がっています（いずれも株式会社taiziii調べ、管理職200名・インターネット調査）。期待は判断の標準化に向きつつ、コストやセキュリティ、効果の見えにくさへの懸念も同居している、という現在地が観察されます。

RAGを入れたのに自社の判断が返ってこないのはなぜか

「RAGを導入したのに、自社特有の判断を聞くと、当たり障りのない一般論しか返ってこない」という相談はよくあります。これはRAGの性能不足ではなく、もっと手前の問題であることがほとんどです。

RAGは社内の文書を検索して、その内容を根拠に回答を組み立てる仕組みです。つまり、回答の材料はあくまで「すでに文書になっている内容」です。ここに、自社の与信判断の勘所が文書として入っていなければ、いくらRAGが優秀でもその判断は返しようがありません。検索対象に存在しないものは検索できないからです。

具体例で言うと、「この取引先の与信枠を上げてよいか」とRAGに尋ねたとします。社内文書に与信の規程や過去の決裁記録はあっても「取引年数が浅いのに発注額が急増しているときは慎重にする」というベテランの判断が文書になっていなければ、RAGはその観点を踏まえた回答を返せません。一般的な与信の教科書的な答えは返るかもしれませんが、自社の判断は返りません。

これは、AI検索の精度の問題ではなく、検索の対象に判断が入っていないという上流の問題です。手当てはツールを乗り換えることではありません。ステップ4の引き出しと変換で、ベテランの判断を条件付きルールとして文書化し、RAGが参照できる場所に載せることです。判断を載せて初めて、RAGはその判断を踏まえて答えられるようになります。AIは載っているものを上手に探して見せる裏方で、載っていない判断を生み出すわけではない、という役割の線引きが、ここでも効いてきます。

生成AIを前提に置いたときのナレッジマネジメントの設計は、別記事『生成AI時代のナレッジマネジメント』で詳しく扱っています。

よくある質問

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ますが、おおむね事例の共有（ベストプラクティスの横展開）・専門知識のQ&A（社内FAQ）・文書や知的資産の集約・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。どの切り口も中心は形式知の管理で、判断の継承には別の工程が必要です（本文「主な手法」の章を参照）。

Q. SECIモデルとは何か

A. 共同化→表出化→連結化→内面化の4段階で、暗黙知と形式知が相互に変換されながら組織の知識が創造されるプロセスを示した理論です（野中郁次郎、1994年）。

Q. ナレッジマネジメントとSECIモデルの違いは何ですか

A. ナレッジマネジメントは組織の知識を共有・活用する経営手法という実践全体の呼び名です。SECIモデルはその理論的な土台の一つで、知識がどう創造されるかを4段階で説明したモデルです。関係でいえば、ナレッジマネジメントという実践を支える理論の一つがSECIモデル、という位置づけになります。なおこの記事の立場では、SECIモデルは知識の地図として有効である一方、例外時の判断のように地図の外にある知識もあるため、判断の継承には別の工程を足す必要がある、と整理しています（本文「SECIモデル」の章を参照）。

Q. ナレッジマネジメントと技術継承・属人化対策はどう違いますか

A. 重なる部分が大きいものの、力点が違います。ナレッジマネジメントは組織の知識を広く共有・活用することに重きを置きます。技術継承や属人化対策は、特定の人にしか分からない業務や判断が失われるのを防ぐことに焦点があります。この記事の言葉でいえば、規程やFAQのような「管理する知識」はナレッジマネジメントの集約で扱えますが、属人化の核にある「継承する判断」は、引き出して条件付きルールに変換する別の工程が必要です。なぜ属人化が解消しきれずに残るのかという構造は別記事『なぜ属人化は解消できないのか』で、判断そのものを引き継ぐ進め方は別記事『技術継承・技能伝承はなぜ失敗するのか』で詳しく扱っています。

Q. KMツールを導入すれば属人化は解消しますか

A. 文書化できる知識については解消に向かいますが、属人化の核にある判断はツールの導入だけでは解消しません。ツールが得意なのは知識を貯めて探しやすくすることです。例外時の線引きやさじ加減のように、まだ文書になっていない判断は、ツールに入れる前に引き出して条件付きルールに変換する工程が必要です。この工程を省くと、ツールを入れても例外案件では結局ベテランへの確認に戻ります（本文「ツール・システムの種類と選び方」の章を参照）。

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喪失のリスクと、属人化による非効率、つまり特定の人にしか分からない業務や都度の口頭確認を、個人の善意ではなく組織の仕組みで防ぐためです。

Q. 少人数・中小企業でもナレッジマネジメントは必要ですか

A. 規模が小さいほど、一人が抱える判断の比重が大きく、その人が抜けたときの影響も大きくなりがちです。大がかりなツールを入れるかどうかは別として、「どの業務の、誰の判断が失われると困るか」を特定し、影響の大きい所から判断を引き出して残しておく、という考え方は、人数にかわらず有効です。むしろ対象を数件に絞りやすい分、小さく始めやすい面もあります（本文「仕分けに時間がかりすぎるときの絞り込み基準」を参照）。

Q. 登録件数や閲覧数以外に、何を成果指標にすればよいですか

A. 「同じ判断が再現できているか」を成果指標に加えることをおすすめします。この記事ではこれを判断の品質保証と呼んでいます。具体的には、新人が変換後の条件付きルールだけを見て下した判断が、同じ案件でベテランが下す判断とどれだけ一致するか、例外案件で文書だけで対応できたか、それとも口頭確認に戻ったか、を見ます。登録件数や閲覧数は活動量の指標であって、業務が変わったかどうかは別途確かめる必要があります（本文ステップ6を参照）。

Q. ナレッジマネジメントはもう古いのでしょうか

A. 古くなったわけではありません。規程・FAQ・手順といった「管理する知識」を貯めて探しやすくする取り組みは、AI検索と組み合わせることでむしろ効きやすくなっています。ただし、それだけでは例外時の判断が再現されない、という限界は以前から指摘されてきたとおりです。古いか新しいかというより、「管理する知識」で正解だった部分はそのまま活かし、「継承する判断」には別の工程を足す、という使い分けが要る段階だと考えるとよいでしょう（判断を引き継ぐ工程の具体は、別記事『技術継承・技能伝承はなぜ失敗するのか』で詳しく扱っています）。

Q. 成功している企業の例はありますか

A. 規程・FAQ・手順といった「管理する知識」の領域では、検索性と運用を整えることで、問い合わせの削減や引き継ぎ負荷の軽減といった効果が出やすいことが知られています。一方、例外時の線引きまで含めた「判断の継承」は、これから取り組む段階の組織が多い領域です。固有の成功事例を挙げるよりも、自社のどの判断から手をつけるかを決める方が、先に効きます。

基本どおりに進める前に仕分ける

ナレッジマネジメントとは、個人の知識・経験を組織で共有し、活用する経営手法です。定義も、SECIモデルも、手法も、導入手順も、基本はここまで見てきたとおりです。ただ一点、「知識は貯めれば再利用できる」という前提だけは、知識の一部である判断に対しては成り立ちません。

手順や規程は、貯めて検索できるようにすれば機能します。ここは従来のナレッジマネジメントとAI検索が正解です。一方、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、同じ判断が再現されているかを確かめます。これが「判断の継承」という別の工程です。

最後に、次の一歩を3つの具体的な行動に落としておきます。

1つ目は対象業務を1つ選ぶことです。全社を一度に変えようとせず、失われると事業に響き、特定のベテランに依存していて、時間的にも切迫している業務をまず1つだけ選びます。

2つ目はその業務の知識を「貯めて使える知識」と「貯めても再現されない判断」に分けることです。手順・規程・FAQは前者へ、例外時の線引きやさじ加減は後者へ。この一手間が、形骸化を防ぐ分岐点になります。

3つ目はその取り組みが型①②③のどれで止まりやすいか、見当をつけることです。そもそも貯まらないのか、貯まっても使われないのか、読まれても判断が再現されないのか。止まる場所が分かれば、打つべき手も決まります。

ツールの選定や運用設計に入る前に、一度だけ、対象の知識を「貯めれば使える知識」と「貯めても再現されない判断」に仕分けてみてください。その一手間が、前任の取り組みが止まった場所を、今度の取り組みが越えられるかどうかの分岐点になります。

関連記事

• ナレッジマネジメントはもう古いのか　ナレッジマネジメントの古さと限界を確認する
• 生成AI時代のナレッジマネジメント　生成AI時代の進め方を見る
• 暗黙知の形式知化が失敗する理由　暗黙知と形式知の関係を深掘りする
• ナレッジ共有とは　進まない3つの理由と進める順序
• ナレッジマネジメントの企業事例　成功事例に共通する設計
• ナレッジエンジニアリング（知識工学）とは　エキスパートシステムから生成AIまで

※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。本文ステップ2で紹介した「管理する知識／継承する判断」仕分け表は、Excel付録「知識の仕分け表」として用意しています。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）
• 経済産業省「2019年版ものづくり白書」第1部第3章（技能＝人に内在する暗黙知主体の能力、継承されず失われた技能は復活困難）
• 野中郁次郎（Nonaka, I.）(1994) “A Dynamic Theory of Organizational Knowledge Creation,” Organization Science, 5(1), 14-37
• Nonaka, I. & Konno, N. (1998) “The Concept of ‘Ba’: Building a Foundation for Knowledge Creation,” California Management Review, 40(3), 40-54
• Gourlay, S. (2006) “Conceptualizing Knowledge Creation: A Critique of Nonaka’s Theory,” Journal of Management Studies, 43(7), 1415-1436
• Polanyi, M. (1966) The Tacit Dimension, Doubleday & Company
• Hadjimichael, D., Pyrko, I. & Tsoukas, H. “Beyond Tacit Knowledge: How Michael Polanyi’s Theory of Knowledge Illuminates Theory Development in Organizational Research,” Academy of Management Review（indwelling・subsidiary awareness等の補助概念）
• Dinur, A. (2011) “Tacit Knowledge Taxonomy and Transfer: Case-Based Research,” Journal of Behavioral and Applied Management（暗黙知の分類）
• Connelly, C. E., Zweig, D., Webster, J. & Trougakos, J. P. (2012) “Knowledge hiding in organizations,” Journal of Organizational Behavior, 33(1), 64–88. https://doi.org/10.1002/job.737
• Klein, G. (1998) Sources of Power: How People Make Decisions, MIT Press. https://mitpress.mit.edu/9780262112277/sources-of-power/
• 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
• Scibelli, D. & Stevens, B. (2025) “Breaking the Chain of Knowledge Transfer: AI Shadows Implicit, Explicit and Tacit Exchange,” Issues in Information Systems, 26(3), 100–114. https://doi.org/10.48009/3_iis_2025_2025_108 （AI仲介による知識移転の中断リスク。レビュー論文として参照）
• Kirkpatrick, D. L. (1959/1994) 研修効果測定の4段階モデル（反応・学習・行動・結果）
• APQC Process Classification Framework®／ISO 30401（ナレッジマネジメントの標準フレーム・運用要件。手法章の借用補強）

この記事の要点

• 暗黙知の形式知化が難しい主な理由は、性質の違う知識を同じ書き方で扱うこと。
• 手順、経験則、直感、条件分岐、トレードオフは、それぞれ残し方が違う。
• 書ける知識は文書化し、書けない判断は具体案件への質問で引き出すことが大切。
• 過去判断、対比、境界、仮定、例外の聞き方で条件を取り出す。
• 複数の判断は平均せず、誰のどの条件での判断かを残す必要がある。
• 形式知化の出発点は、書くことではなく仕分け。

「人は語れる以上のことを知っている」。暗黙知という概念を提唱した科学哲学者マイケル・ポランニーが半世紀以上前に残した言葉です（Polanyi, 1966）。語れないけれど確かに知っている。ベテランの判断の正体を、これほど短く言い当てた一文はありません。

だからこそ、多くの会社はその「語れない知」を語らせようとします。ベテランに2時間インタビューして議事録を作り、共有フォルダに置く。マニュアルツールで言語化を徹底する。生成AIに社内文書を読み込ませて引き出す、という対処もよく取られます。それでも若手はベテランと同じ判断ができるようにならず、担当者が辞めた瞬間に例外案件が止まります。文書だけが増えて、判断できる人は増えないという状態に陥りがちです。

しかし、インタビューもマニュアル化も生成AIへの読み込みも、例外時の「なんとなく見送る」という判断までは引き出せません。暗黙知の形式知化が進まないのは努力や工数が足りないからではありません。実は「暗黙知」と一括りにされる知識には、頑張れば書ける手順や基準と、文書にしてもそのままでは再現されない判断の知が混ざっています。後者は、たとえば数値はギリギリ基準内なのになんとなく見送る、といった判断です。これはそもそも文書化の外側にあります。ポランニーが「語れる以上のことを知っている」と言ったのは、まさにこの文書化できない判断のことでした。

この記事では、暗黙知の形式知化が難しい理由を、知識の粒度と判断の性質から整理します。そのうえで、書ける範囲をどう広げるか、残った判断をどう引き出すか、どんな手順で継いでいくかを解説します。

この記事を読むことで、下記について理解できるようになります。

• 自社の知識を5つの粒度に仕分けて、どこに手をかけるべきかを見分けられるようになります。
• 書ける範囲を、引き出す・言語化する・構造化するの3ステップで書き切れるようになります。
• 書けない判断は、正面から「教えてください」と聞くのをやめ、対比・境界・例外などの質問で条件付きルールへ直せるようになります。
• 複数のベテランで基準が食い違ったとき、平均して一本に丸めずに残す理由と方法が分かるようになります。
• 最後に置いた診断10問で、自社のどの業務から着手すればいいかが具体的に見えてきます。

読むだけで終わらせず、次に知識継承の業務に向き合うときの最初の一歩につなげること。これがこの記事の目標です。

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

暗黙知と形式知は何が違うのか

暗黙知とは経験や勘に裏打ちされているものの、本人もうまく言葉で説明できない知識のことです。科学哲学者マイケル・ポランニーが提唱した概念で、「人は語れる以上のことを知っている」という言葉で知られています（Polanyi, 1966）。

いちばん身近な例は自転車の乗り方です。乗れる人はバランスの取り方を確かに「知って」います。しかし、どのタイミングでどう重心を移しているのかを、言葉で説明することはできません。知っているのに、語れない。これが暗黙知です。

対になる概念が形式知です。文章・数値・図表で表現され読めば誰でも参照できる知識を指します。規程、手順書、価格表、チェックリスト、FAQなどがこれに当たります。

両者は表現のかたちから組織での扱われ方まで、次のように対照的です。

この概念を経営学に持ち込んだのが野中郁次郎です。暗黙知と形式知が相互に変換されながら組織の知識が生まれるとする「知識創造理論」を1990年代に発表し、世界のナレッジマネジメント論の土台になりました（Nonaka, 1994）。

先に一点、押さえておきたいことがあります。「暗黙知」は一つの種類ではありません。自転車の乗り方のように身体で覚えた感覚も暗黙知ですし、「この条件だと後工程で問題が出やすい」という経験から来る因果の読みも暗黙知です。両者は同じ「言葉にしにくい」知識ですが、継ぎ方はまったく違います。経営学の研究でも、暗黙知を一枚岩で扱わない整理が示されています。Dinur（2011）のケース研究は暗黙知を技能型・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種類に分け、どの移転手段も知識タイプと無関係に万能ではないと論じました（Dinur, A. 2011, Journal of Behavioral and Applied Management）。同じ「暗黙知」でも、身体で覚えるしかないもの、語りでしか継げないもの、条件を聞き出せば文書にできるものが混ざっています。継ぎ方を間違えないためには、この違いを最初に押さえておく必要があります。後で出てくる「知識の5つの粒度」という仕分けが、その見分け方になります。

職場での具体例

職場に当てはめると、両者は次のように分かれます。

形式知の例

• 経費精算の手順、承認フロー
• 製品仕様書、価格表、FAQ

暗黙知の例

• 見積もりで「この客先・この案件構成なら、リスクを見て少し高めに出す」というさじ加減
• クレームに発展しそうな案件に、早い段階で気づく力
• 検品で「音がいつもと違う」と気づく感覚
• 工程をどの順番で組むかという段取りの勘

いま「暗黙知の例」として並べた4つは、この記事の主題につながる点で実は性質がバラバラです。聞き出して書けば伝わるものと、書いても伝わらないものが混ざっています。

先ほどのDinur（2011）の分類に当てはめると、性質の違いがはっきりします。検品で「音がいつもと違う」と気づく感覚は、力加減や異音判定に近い技能型です。これは動画やセンサーで補えても、最後は身体に入れる訓練が必要です。見積もりのさじ加減は、「この客先構成だと後で値引き圧力が来る」という因果型と「この担当者の言い方は危ない」という感情型の混じったものです。クレームへの早い気づきは相手の声色や反応から危険を察知する感情型に近く、データだけでは継ぎにくいタイプです。段取りの勘は、何を先に押さえるべきかという問題の見立て方、つまり認知型に当たります（これらの分類はDinur 2011に基づく整理で、ここで挙げた業務例は説明のための汎用的な仮例です）。

ここで押さえたいのは、4つを「同じ暗黙知」とまとめて同じやり方で扱うと失敗するという点です。技能型に「対比インタビュー」をしても身体は動くようになりませんし、因果型を「とにかく一緒に働いて覚えて」とOJTだけで渡すのは遠回りです。タイプによって有効な継ぎ方が変わるからこそ、闇雲に「全部言語化しよう」とする前に、目の前の知識がどのタイプ・どの粒度なのかを見分ける必要があります。

タイプによる継ぎ方の違いを、もう少し具体に落とします。検品の異音判定のような技能型は、文章にしても伝わりにくく、実際に音を聞き比べる訓練とフィードバックが必要です。「この条件だと後工程で問題が出る」という因果型は、過去の不具合や条件の組み合わせを並べれば文書化や検索と相性がよく、AIにも乗せやすいタイプです。問題の見立て方のような認知型は、ベテランに考える過程を語ってもらいその問いの立て方ごと若手に渡すのが向いています。危険への違和感のような感情型はデータにしにくく、過去の事例を語り合う振り返りの場で継ぐことになります。同じ「言葉にしにくい」でも、文書で継げるもの、訓練で継ぐもの、語りで継ぐものに分かれる。この見極めを飛ばして、全部を「AIインタビューで抽出してナレッジベースに入れる」と決めてしまうと、技能型や感情型は手段が合わず、結局継がれません（このタイプ分けはDinur 2011の整理に基づき、業務例は説明のための汎用的な仮例です）。

暗黙知が共有されないのは、全部言語化できるという誤解に原因がある

書いたのに伝わらない。この現象の正体は性質の違う知識を「書く」という一つのやり方でまとめて扱っていることにあります。手順は書けば伝わりますが、判断は書いただけでは伝わりません。にもかわらず、形式知化の現場では両者が同じ作業として進んでいきます。

「形式知化」と呼ばれる作業は、おおむね次のような手順で進みがちです。ベテランにインタビューし、文字起こしして議事録にし共有フォルダに格納する。これで「言語化完了」とされます。

ところが当社の調査では、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管理職は19.5%にとどまり、72.0%は何らかの不足を感じていました（出典　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）。

不足していたものの中身を見ると傾向が読み取れます。引き継ぎで不足していた判断の観点・勘所（複数回答）は次の順でした（株式会社taiziii調べ・管理職200名・インターネット調査）。

1. イレギュラーな状況や例外発生時の判断の基準　40.5%
2. 業務の背景・目的　38.5%
3. ベテランの着眼点　37.5%
4. グレーゾーンの「さじ加減・落としどころ」　34.5%

上位に並んでいるのは、手順ではなく、すべて「判断」に関わる項目です。4つを一つずつ見ると、共通しているのは「文書の項目に収まらない」という性質です。

1位の「イレギュラーな状況や例外発生時の判断の基準」は通常フローに乗らない場面でどう線を引くかという知識です。マニュアルは通常手順を書くのが得意で、例外の判断は「ケースバイケースで対応」と書かれて終わりがちです。2位の「業務の背景・目的」はなぜその作業をやるのかという理由です。手順だけ覚えた若手は、前提が変わったときに作業を続けるか止めるかを自分で決められません。3位の「ベテランの着眼点」は同じ資料を見てもどこに最初に目をやるかという見方です。4位の「グレーゾーンのさじ加減・落としどころ」は白黒つかない案件をどこで折り合わせるかという判断です。どれも数値やフローでは書きにくく、ベテランの頭の中で動いているものです。

逆に言えば、手順は伝わっているということです。経費精算のやり方や承認フローは、文書にすれば引き継げています。伝わっていないのは判断のほうです。書いたのに伝わらないのは担当者の努力不足ではありません。性質の違う知識を、同じ「書く」というやり方で扱っていることが原因です。手順を書くのと同じ要領で判断を書こうとするから、判断のところだけ「総合的に対応する」のような中身のない記述になり、読んでも動けない文書ができあがります。

具体的な場面で考えてみます（以下は説明のための汎用的な仮の例です）。ある部署で、退職予定のベテランに2時間インタビューを行い、文字起こしを整え議事録を共有フォルダに置きました。関係者には「これで引き継ぎ完了」と共有されます。手順を確認する分には新人もこの文書で困りません。ところが3か月後、通常フローに乗らない例外案件が来ると、若手は文書を開いても判断できず結局は退職したベテランに電話をかけることになります。文書はたしかに増えました。しかし、判断できる人は一人も増えていません。

書いただけでは判断が継がれない理由

この現象には名前を付けておくと扱いやすくなります。この記事では、いま見た「文書化・検索化さえすれば継承が完了したと思い込んでしまう状態」を、表出化偏重トラップと呼んで整理します。これはSECIモデルの続きを補えばよいという意味ではありません。文書化された知識と、現場で再現すべき判断を分けないまま進めると、判断だけが成果物の外に残るという意味です（命名はこの記事独自の整理で、土台にしているのは表出化が継承の一部にすぎないというSECIの考え方です。Nonaka, 1994／Gourlay, 2006）。中身は3つに分解できます。

1. 入口ベテランに長時間インタビューし、議事録を共有フォルダに置いた段階で「言語化が終わった」とみなす。
2. 抜け落ち若手が判断を試し、ベテランがレビューし、同じ判断が再現できるかを確かめる工程が設計されていない。
3. 結果文書の数は増えるが、例外案件で若手が止まり、判断できる人が増えない。

抜け出すための対策はシンプルです。ナレッジの成果物を「読み物」で終わらせず一つひとつに「いつ使う場面か」「どんな演習で試すか」「誰がどの観点でレビューするか」「何ができたら合格か」を紐づけます。文書化と実践機会をセットで設計する、という発想です。なぜこの分解が役立つのかと言えば、「文書が足りない」のか「実践の場が足りない」のかを切り分けられるからです。多くの現場で足りないのは前者ではなく後者であり、そこに気づかないまま「もっと丁寧に書こう」と入口だけを厚くしても、結果は変わりません。

知識には5つの粒度がある（この記事の中心フレーム）

「性質の違い」をもう一段、実務で使える形に落とします。業務の知識は手のかり方で3つの群に分かれ、細かく見ると5つの粒度になります。聞き出せばそのまま書けるもの、根拠を添えれば書けるもの、聞き方を変えてはじめて書けるもの。この見分けがつくと、どこに時間をかけるべきかが決まります。

各粒度を、なぜ書けるのか・なぜ書けないのかまで見ていきます。

①明示ルール。数値や合否で言い切れる判断です。たとえば「在庫が安全在庫を下回ったら自動発注する」「申請額が10万円を超えたら部長承認」といったものです（汎用的な仮の例です）。聞けばそのまま書けますし書けば誰でも同じ結果を出せます。手はほとんどかりません。

②経験則。「この業種は決算期前に動きが鈍るから、見込みは保守的に置く」のような傾向の知識です（汎用的な仮の例です）。本人にとっては当たり前すぎて、聞かないと出てきません。書くときは結論だけでなく「なぜそう言えるのか」をセットにします。根拠が抜けると、若手は字面を覚えても前提が変わったときに自分で判断を更新できなくなります。たとえば「この業種は決算期前に動きが鈍る」だけを覚えた若手は、業界の決算期が変わったり商習慣が変化したりしたときに、古いルールを当てはめ続けます。逆に「決算期前は予算が締まって新規発注が止まりやすいから」という理由まで渡しておけば、若手は前提が変わったときに「なら今回は当てはまらない」と自分で判断できます。経験則は結論より理由のほうが継ぐ価値があります。

③パターン認識。「この決算書、なんとなく違和感がある」「この案件、嫌な感じがする」のように、本人も理由を言葉にできない直感です。ここがやっかいで、「書いてください」と頼んでも書けません。理由を聞いても「経験です」としか返ってきません。なぜ書けないのかには裏付けがあります。消防士や看護師など専門家の現場判断を研究した心理学者ゲイリー・クラインらの「自然主義的意思決定（NDM）」は、現場の熟達者が選択肢を一つずつ比べて選んでいるのではなく、目の前の状況を過去に経験したパターンと照合して、ほぼ瞬時に妥当な手を取り出していることを示しました（出典　Klein, G. 2016, “The Naturalistic Decision Making Approach,” Psychology Today）。本人の中では「比較して選ぶ」という言語化できる手続きを踏んでいないので、聞かれても説明のしようがないというわけです。ただし③は手が届かないわけではありません。後で見るように、聞き方を変えて「過去に似た場面はあったか」を引き出すと、その照合の中身が言葉になり、④の条件付きルールに変換できます（この変換の詳しいやり方は後の章で扱います）。

④条件付きルール。「売上が減っていても在庫も同時に減っているなら構造改革中と読む」のような、もし〜なら〜という形の判断です（汎用的な仮の例です）。条件と行動がはっきりしているので、聞き出せばそのまま書けますし若手はチェックリストとして使えます。③を変換した先がこの形です。

⑤トレードオフ判断。「スピードと正確性のどちらを優先するか」のように、相反するものの重み付けです。これも書けます。ただし「何によって優先順位が変わるか」という切り替えの基準を添える必要があります。「案件規模が大きいときは正確性、納期が迫る小口は速さ」のように、何を見て重みを変えるのかを明示します（汎用的な仮の例です）。重み付けの基準が抜けると、若手は「スピードと正確性のバランスを取る」という言葉だけを受け取り結局その場その場で迷うことになります。何を見て天秤の傾きを決めるのか、その「見るもの」を書くのが⑤を書くということです。

5つを通して見ると、書けるかどうかを分けているのは「条件が言葉になっているか」です。①④はもともと条件が言葉になっています。②⑤は条件はあるのに本人にとって当たり前すぎて言葉にしていないだけなので、根拠や基準を引き出せば書けます。③だけは、本人の中でも条件がまだ言葉になっておらず、過去の照合パターンとして眠っています。だから③は、聞き方を変えてその照合を言葉にする工程が要る。この一点が、③とそれ以外を分けています。

整理すると、書くときの手のかり方で3つの群に分かれます。①と④は、聞き出せばそのまま文書になります。②と⑤は、根拠と重み付けの基準を添えれば書けます。やっかいなのは③だけで、これは聞き方を変えてはじめて書ける形になります。

「暗黙知の形式知化が難しい」と言われるものの正体は、この③（および⑤の一部）の扱い方にあります。①や②と同じように「書いてください」と頼んでも、③は書けないからです。だから出発点は自社の知識がどの粒度なのかをまず仕分けることです。仕分けをせずに全部を同じ「書く」で進めると、書ける①②④⑤に時間を取られている間に本当に失うと困る③が手つかずで残ります。

SECIモデルで扱える知識と扱えない判断

暗黙知と形式知の話題で必ず登場するのが、SECIモデルです。

SECIモデルは、野中郁次郎が提唱した組織で知識が生まれ広がる4段階のプロセス理論です（Nonaka, 1994）。

• 共同化（Socialization）一緒に体験することで、暗黙知が人から人へ移る（弟子入り・OJT）
• 表出化（Externalization）対話や比喩を通じて、暗黙知を言葉にする
• 連結化（Combination）言葉になった知識同士を組み合わせ、体系化する（マニュアル・データベース）
• 内面化（Internalization）形式知を実践し、自分の暗黙知として身につける

世間で「形式知化」と呼ばれている作業は、この4段階のうち表出化に当たります。

そのうえで、この記事の軸はここにあります。SECIは”知識”の地図です。しかし、組織で本当に失われるのは”判断力（なぜそうするか）”であり、それはこの4段階のどこにも乗っていません。前章の5粒度で言えば、手順や基準といった知識はSECIの4段階で確かに共有・体系化できます。一方、「なぜそこで線を引くのか」という判断力は、表出化を頑張っても言葉になり切らず、連結化しても手順書の形式に収まりません。だから必要なのは、SECIの続き（内面化の追加）ではなく、対象そのものの置き換え、つまり知識の管理から、判断の継承へ、です。

なぜ「表出化だけ」で止まると困るのか、具体で考えます。表出化を頑張って、ベテランの語りを文章に起こせたとします。次の連結化で、その文章を他の手順書やFAQと組み合わせ体系的なマニュアルにまとめます。ここまでは整います。問題はその先です。例外時の判断、たとえば「数値は基準内だが、この取引先は前回と空気が違うから一段慎重に見る」といった判断は、文章にしても「総合的に判断する」までしか言葉にならず、手順書の項目に収まりません（汎用的な仮の例です）。マニュアルは完成したのに、肝心の判断は文書のどこにも残っていない。これが、前の章で名付けた表出化偏重トラップが起きている状態です。SECIの4段階を回したつもりでも、判断は地図の外にこぼれ落ちます。

なぜ連結化でも判断が拾えないのか、もう一段だけ補います。連結化は言葉になった知識同士を組み合わせて体系化する段階です。手順とFAQと規程を束ねて一冊のマニュアルにする、という作業がこれに当たります。組み合わせの素材は「すでに言葉になっているもの」なので、表出化でこぼれ落ちた判断は連結化の入力にそもそも含まれません。だから、いくら立派なマニュアル体系を作っても、例外時の判断はそこに現れないのです。これは作り手の手抜きではなく、表出化で言葉にできなかったものは連結化に渡らない、という工程の順番から来る構造的な抜けです。

誤解のないように添えておくと、これはSECIモデルの否定ではありません。知識の共有・創造の地図として、SECIは今も有効です（学術的には実証面からの批判的検討もありますが〔Gourlay, 2006〕、地図としての影響力は揺らいでいません）。この記事の整理は「SECIが間違っている」ではなく、「SECIが扱う対象の外側に、失われて困るものがある」というものです。地図そのものは正確でも、地図に描かれていない場所がある、という話です。だからこの記事は、SECIで描ける知識は素直にSECIで継ぎ、地図の外にある判断は別のやり方で継ぐ、という二段構えを取ります。共同化（一緒に働いて体で覚える）と内面化（実践して身につける）は地図の外にある判断を継ぐときにも効きます。ただし、これはSECIの輪を完成させれば判断まで渡るという意味ではありません。先に対象を判断として仕分け、誰の・どの条件での判断かを保った形に変換し、同じ判断が再現できるかを確かめる工程を別に置く、という意味です。最後まで言葉にならない部分は、共同化と内面化に頼ることになります。

形式知化できる範囲を広げる3つの手順

とはいえ、5粒度のうち①②④⑤は書けます。まずは言語化できる範囲を最大化するのが実務の基本です。書ける範囲を書き切ってはじめて「残ったのは本当に書けない③だけだ」と見極められます。順番が逆だと、書ける手順の文書化に追われている間に時間切れになり、いちばん継ぎたかった判断が手つかずで残ります。書けるものを先に片づけて、残りに集中する。この段取りのために、3つのステップで進めます。引き出す、言語化する、構造化する、の順です。

ステップ1　質問の型で引き出す

最初の関門は、ベテランから知識を引き出すことです。ここで「あなたの暗黙知を教えてください」と聞いても、ほとんど何も出てきません。本人は自分の判断を意識していないからです。有効なのは、具体的な案件・場面に紐づけて聞くことです。

ヒアリングで判断を引き出すには順番が必要になる

いきなり判断の基準を尋ねても出てこないので、過去の具体的な案件を起点に差分・境界・例外を聞いていきます。やり方は次の5つの型に整理できます（このうちCDMはKlein, Calderwood & MacGregor (1989) のCritical Decision Methodに由来します。聞き方の5分類はこの記事独自の実務整理です。クラインらのNDM研究〔Klein, 1998／Klein, 2016〕は、時間圧や不確実性のある現場で、経験を積んだ意思決定者が状況の手がかりを再認して行動案を検討する過程を扱っています）。

1. 過去判断の再体験（CDM）「直近で印象に残っている判断をした案件を、一つ思い出してもらえますか。そのとき、最初に何を見て、次にどう動きましたか」。実際にあった一件を時系列で語り直してもらいます。一般論ではなく具体の一件に戻すと、本人がそのとき見ていた手がかりを尋ねやすくなります。ここで示す質問はCDM全体を簡略化した入口です。原法は、重要事象を選び、時系列を再構成し、複数のプローブで手がかり・目標・選択肢などを掘り下げます（Klein, Calderwood & MacGregor, 1989）。聞いた後は、出てきた手がかりを「何を見て・どう判断して・どう動いたか」のメモに残します。

2. 対比で聞く「うまくいったA案件と、失敗したB案件、何が違いましたか」。2つの案件を並べると本人が無意識に見ていた差分が言葉になります。

• × 「どうやって判断していますか」（抽象的すぎて「経験です」で終わる）
• ○ 「先月通したこの案件と、見送ったこの案件、最初に違うと感じたのはどこでしたか」（具体の2件に差分を語らせる）
• 聞いた後は、出てきた「違い」を条件の候補としてメモに残します。

3. 境界で聞く（境界条件プロービング）「ギリギリでOKを出した案件はありますか。なぜOK側に倒したんですか」。判断の線引きがどこにあるかを引き出せます。

• × 「どこまでならOKですか」（範囲を問われても答えにくい）
• ○ 「これは通したけれど、あれは見送った。その2件の境目はどこでしたか」（実際の2件で閾値を語らせる）
• 聞いた後は、その閾値を「○○なら通す／○○なら見送る」の形にメモします。

4. 仮想シナリオで聞く（反実仮想）「もし、この案件で売上が8%減っていたら、判断は変わりましたか」。実際には起きなかった条件を仮に置いて、判断の境目を増やしていきます。一件の案件からでも、条件を少しずつ動かすことで複数の場合分けが引き出せます。なぜ効くかと言えば、ベテランの頭の中には言語化されていない場合分けが多数あり仮の条件を当てると「それなら別」と反応が返るからです。聞いた後は、増えた場合分けを別々の条件としてメモします。

5. 例外で聞く「このルールが通用しなかったケースはありますか」。ルールの適用条件と限界を確認できます。標準手順だけ残しても、ベテランの価値が出るのは手順では決められない場面なので、例外こそ聞き出します。聞いた後は、例外は通常ルールと混ぜず、別の項目として分けて記録します。

5つの型は別々に使うものではなく、一つの面談の中で組み合わせて使います。順番としては、まずCDMで具体の一件を語ってもらい、その案件を起点に対比（他の案件との差）、境界（OKとNGの境目）、仮想シナリオ（条件を動かしたら）、例外（通用しなかった場面）と掘り下げていくと、無理なく深くまで届きます。一般論から入ると「経験です」で止まりますが、具体の一件から入って条件を一つずつ動かしていくと本人も気づいていなかった場合分けが次々に出てきます。面談の所要時間は、一つのトピックでだいたい30分から1時間を見ておくと条件を出し切れることが多いです。

正面から暗黙知を聞いても出てこない理由

正面から「あなたの暗黙知は何ですか」「判断の基準を教えてください」と聞いても、ほとんど何も返ってきません。理由は、本人がその判断を意識していないからです。③パターン認識は、本人の中で「比較して選ぶ」という言語化できる手続きを踏まずに過去のパターンとの照合でほぼ瞬時に答えが出ています（Klein, 2016）。意識に上らない処理を「説明してください」と頼まれても、説明する材料が本人の中にないのです。

だから、抽象的な問いを具体的な一件に戻すことが、すべての型に共通するコツになります。「どう判断していますか」ではなく「あのとき、なぜ止めたんですか」。範囲を問うのではなく、実在した一件の理由を問う。聞かれた側も、具体の案件を前にすれば「あのときはこの数字が引っかって」と語り出せます。判断基準が言葉にならないのは本人の説明が下手だからではなく、説明できる聞き方をされていないだけ、というケースがほとんどです。

ステップ2　粒度に合わせて言語化する

引き出した知識を5粒度のどれかに判定し、書き方を変えます。同じ「書く」でも、粒度ごとに書き方を変えないと読んでも動けない文書になります。

• ①明示ルール・④条件付きルール→そのまま記述する
• ②経験則・⑤トレードオフ判断→「なぜそう言えるか（根拠）」「何によって優先順位が変わるか（重み付けの基準）」とセットで記述する
• ③パターン認識→この段階では書けないため、無理に書かず、次章の方法へ回す

ここで③を無理に文章化すると、何が起きるか。文書に残るのは「顧客の状況を総合的に判断する」「違和感があれば確認する」といった記述です。読んでも何を見て何をすればいいのかが分からず、若手は動けません。なぜこうなるかと言えば、③はまだ条件に分解されておらず本人の頭の中の照合をそのまま文字にしただけだからです。生成AIに渡しても同じで、「総合的に判断」としか書かれていなければAIも何を参照すればいいか分からず外します。情報はあるのに使い方が分からない、という解釈の失敗が起きます。

良い記述と悪い記述を、ビフォーアフターで比べてみます（汎用的な仮の例です）。

• ✕ 悪い記述　「顧客の状況を総合的に判断して、必要なら与信を再確認する」
• ○ 良い記述　「前年比で受注が減り、かつ担当者が3か月以内に交代した取引先は、与信を再確認する」

違いは、何を見るか（受注の前年比・担当者交代の有無）と、どうするか（与信の再確認）が条件と行動で書かれているかどうかです。良い記述のほうは、若手がそのまま判断の手がかりに使えますしAIにも参照させられます。この差を生むのが、前章の対比・境界・例外・仮想シナリオの質問です。悪い記述を良い記述に変えるには、「総合的に判断」の中身を質問で割っていきます。

そして、ステップ2には見落とされがちな仕事がもう一つあります。書けないものを「書けない」と判定することです。引き出した知識が③で、対比や仮想シナリオを尽くしてもまだ条件に割れないなら、無理に「総合的に判断」と書いて満足してはいけません。それは次章の変換工程に回す対象だ、と判定して保留します。見分け方はシンプルで、書いた文を若手に読ませて「これを読めば、自分で判断できますか」と聞き、「何を見ればいいか分からない」と返ってきたら、それはまだ③のままだということです。書けたつもりの文を増やすより、書けないものを正しく仕分けるほうが、後の工数を減らします。

判定が分かれるもう一つの場面が、社内用語の揺れです。同じものを部署によって違う呼び方で書いていると、書いた本人には通じても若手やAIには別物に見えます。たとえば「与信」「掛け売り審査」「取引可否チェック」が同じ業務を指しているのに混在していると、検索しても全部はヒットしません。言語化するときは、現場で実際に使われている呼び方に一つそろえ別名があるなら併記しておきます。中身を正しく書いても、呼び名がそろっていないと必要なときに見つからない文書になります。

ステップ3　探せる形に構造化する

最後に、書いたものを探せる形に整えます。ここを飛ばすと、せっかく書いた判断が文書のどこかに埋もれ、現場で参照されません。ポイントは、長文の読み物にしないことです。

判断の設計図で探せる単位にそろえる

長い議事録のままでは、必要なときに必要な判断にたどり着けません。そこで、業務ごとに判断を一枚のカードの形にそろえます。この記事ではこれを判断の設計図と呼びます（手順書が「やり方の順番」を書くものだとすれば、判断の設計図は「どんな観点で考え、どこで線を引くか」を書くものです。この整理は株式会社taiziiiの独自概念で、この記事ではその考え方を一般的に使える形にして紹介します）。

手順書と判断の設計図は役割が違います。手順書は、やることが決まっている作業を誰がやっても同じ順番で進められるように書きます。経費精算の入力手順や申請の承認フローがこれです。一方、判断の設計図が扱うのは、やり方の順番ではなく、どの観点で見てどこで線を引くか、という判断のほうです。同じ業務でも、通常案件は手順書で回り、例外案件は判断の設計図が要る、という分担になります。両方を一枚の長い文書に混ぜると、手順を探している人にも判断を探している人にも読みにくくなります。だから、手順は手順書に、判断は判断の設計図に、と置き場所を分けます。

判断の設計図は次の5つの要素で構成します。

1. どんな状況のとき（誰が・いつ・なぜ・何について・通常か例外か）
2. 何を手がかりに見るか
3. どこまで許容し、どこからNGか（線引き）
4. どの行動を取るか
5. 1トピック1カード／例外は別カードで管理する

「どんな状況のとき」は、誰が・いつ・なぜ・何について・通常か例外かの5つで状況を固定します（WHO・WHEN・WHY・WHATに加え、通常案件か例外案件かのWHICHを足す、という整理です。これも株式会社taiziiiの独自概念に基づきます）。ここを曖昧にすると別の状況にうっかり同じルールを当てはめてしまうからです。

空欄テンプレと記入例を並べると書く単位がはっきりします（記入例は汎用的な仮の例です）。

空欄テンプレ

• トピック名　（現場で実際に使う呼び方で）
• 状況（誰が・いつ・なぜ・何について・通常か例外か）
• 手がかり（何を見るか）
• 線引き（どこまでOK・どこからNG）
• 取る行動

記入例

• トピック名　与信の再確認（既存取引先）
• 状況　与信担当が／月次の取引先レビュー時に／焦げ付きを防ぐため／既存取引先の継続与信について／通常案件
• 手がかり　受注の前年比・担当者の交代有無
• 線引き　前年比で受注が減り、かつ担当者が3か月以内に交代→再確認する／どちらか一方だけなら通常どおり
• 取る行動　与信枠を見直し、上長に再確認の起票をする

このカード形式にすると、現場では「探せる単位」で参照できます。長文を上から読まなくても、トピック名で引いて状況が合うカードを開けば、その場の判断に必要なことだけが載っています。この判断の設計図は、Excel付録「その知識は書けるか診断と判断の設計図」に、トピック名・状況・手がかり・OKの線・NGの線・取る行動の記入欄を備えたワークシートとして同梱しています。記入例と空のカードを並べてあるので、業務ごとに書き込んでいけます。

1トピック1カードにし、例外は必ず別カードに分けるのには理由があります。一枚に通常も例外も詰め込むと、条件が変わったときにどこを直せばいいか分からなくなり更新されないまま放置されます。逆に、一枚が一つの判断に対応していれば、市場や案件構成が変わったときに該当するカードだけを差し替えられます。更新しやすさは、その判断が現場で使われ続けるかどうかに直結します。

保管先は社内wikiやナレッジ共有ツールで十分です。特定の製品でなければならない理由はありません。成果を分けるのはツールの選定ではなく中身です。とくに判断の条件が書かれているかどうかです。同じカード形式でも、「総合的に判断」としか書かれていないカードは検索でヒットしても役に立ちません。「何を見て・どこで線を引くか」が入っているかどうかで、使えるカードかどうかが決まります。

構造化のときに、もう一つ意識したいのは「誰が・いつ・何に困って、このカードを開くか」です。書く側の都合で章立てすると使う側が探せません。たとえば与信のカードなら、若手が月次のレビュー中に「この取引先、続けて大丈夫か」と迷った瞬間に開く、という使う場面を思い浮かべて、その言葉でトピック名を付けます。使う場面から逆算して名前と粒度を決めると必要なときに必要なカードが見つかります。逆に、使う人が問いを持たないまま大量のカードだけ置いても参照されずに古びていきます。書いて置くことと、使われることは別なので、誰がどの場面で開くかまで設計に含めます。

形式知化できない判断をどう継ぐか

ここまでの3ステップで、明示ルール・経験則・条件付きルール・トレードオフ判断のように、根拠や基準を添えれば言葉にできる知識は、ひととおり文書に落とせます。残ったのは③パターン認識、つまり「なんとなく違和感がある」「経験です」としか語られない判断です。ここが本題です。

なぜここが本題かと言えば、組織が本当に困るのは、まさにこの③が継がれないときだからです。前のほうで見た当社調査でも、引き継ぎで不足していた上位項目は、例外時の判断や着眼点といった③に近いものでした（株式会社taiziii調べ・管理職200名・インターネット調査）。手順は文書で残せても、③が残らないとその人が抜けた瞬間に例外案件が止まります。逆に言えば、③を継ぐ方法さえ持てば属人化のいちばん痛い部分に手が届きます。

③はそのままでは書けないだけで、手が届かないわけではありません。対話で条件に分解すれば、④条件付きルールに変換できます。

実例を1つ、丁寧に見てみましょう。あるベテランが決算書を見て、「この会社は、なんとなく違和感がある」と言うとします。ここで「違和感の正体を教えてください」と聞いても、答えは出てきません。聞き方を変えます。

「過去に、同じ違和感を覚えた案件はありますか」「ありますよ。売上は伸びているのに、営業キャッシュフローが2期連続でマイナスだった会社です」

この答えが出た瞬間、「なんとなく」は「売上増かつ営業キャッシュフロー2期連続マイナスなら深掘りする」という条件付きルールに変換できます。この形になれば、若手はチェックリストとして使えますしAIにも参照させられます。

最初の「なんとなく違和感がある」は③パターン認識でした。本人の頭の中で、過去に痛い目を見た会社のパターンと、いま見ている決算書が照合され警告だけが意識に上っている状態です。照合のもとになったパターンは「売上が伸びているのに営業キャッシュフローがマイナス」という具体の形を持っていました。質問でその具体に戻したことで頭の中にあった照合の中身が「条件」として外に出てきたわけです。出てきた条件を「もし〜なら〜する」の形に整えれば、④条件付きルールになります。③から④への変換とは、本人の中で言葉になっていなかった照合パターンを、過去の具体案件を経由して条件の形に取り出す作業だ、と言えます。

ここで大事なのは、若手に渡すのは「違和感を持て」ではなく「この条件を満たしたら深掘りせよ」だという点です。違和感そのものは経験を積まないと持てませんが、条件のほうは経験の浅い若手でも確認できます。ベテランが何年もかけて身につけた照合パターンの一部を、若手が経験を待たずに使える形に移し替える。これが、書けない判断を継ぐということの中身です。

この方法には関連する理論的背景があります。ゲイリー・クラインらは、消防士や看護師など、時間圧や不確実性のある現場で経験を積んだ意思決定者を研究してきました。自然主義的意思決定（NDM）研究では、そうした状況で、手がかりから状況を再認し、最初に思い浮かんだ実行可能な行動案を心的にシミュレーションするRPDモデルが示されています（Klein, 1998／Klein, 2016）。これは熟達者の判断や直感すべてを単一の仕組みで説明するものではありません。過去の重大な判断場面を再体験してもらい、手がかりや目標を複数の質問で掘り下げる方法は、CDMの原典で整理されています（Klein, Calderwood & MacGregor, 1989）。

1人のベテランに聞いても、判断の条件が出尽くさないときはどうするか

一人の経験には限りがあるので、出てきた条件が「これで全部」とは限りません。引き出した条件が少ないと感じたら、二つのやり方で別のパターンを引き出します。

一つは、前に挙げた仮想シナリオ（反実仮想）です。「もし売上が8%減っていたら、この判断は変わりましたか」と、実際には起きなかった条件を当てます。条件を少しずつ動かすと本人も意識していなかった場合分けが「それなら別ですね」と出てきます。先ほどの決算書の例なら、「売上が横ばいで営業キャッシュフローが1期だけマイナスならか」「在庫が同時に増えていたらか」と振っていくと、深掘りの条件が枝分かれしていきます（汎用的な仮の例です）。

もう一つは、引き出しが尽きたかどうかの目安を持つことです。新しい質問をしても、すでに出た条件の言い換えしか返ってこなくなったら、その人からの引き出しはおおむね飽和したと判断できます。逆に、新しい条件がまだ出てくるなら、続ける価値があります。一人で尽きたと感じたら、別のベテランにも同じ案件を見てもらい条件が増えるかを確かめます。

複数のベテランで基準が食い違ったら、どちらに合わせればいいのか

どちらかに合わせる必要はありませんし、平均して一本にまとめてもいけません。変換のときに守りたいのは、複数のベテランで基準が違っても平均して一本のルールにまとめないことです。

先ほどの決算書の例で言えば、Aさんは「営業キャッシュフローが2期連続マイナスなら深掘りする」、Bさんは「1期でも売上が前年割れなら深掘りする」のように、そもそも見ている条件そのものが違うことがあります。これを「だいたい同じだから」と一つの数値や一本の基準に丸めると消えるのは数値ではありません。各自が何を見て線を引いていたか、その条件が消えます。こうなると、どちらの判断の根拠も追えなくなります。

なぜ帰属を保つことが大事なのか、もう一段で言えば、判断の正しさは「誰が・どの条件で見たか」とセットで初めて検証できるからです。Aさんのルールが現場で外れたとき、「Aさんは営業キャッシュフローを見ていた」と分かっていれば、その条件のどこを直すかを議論できます。平均して「だいたいこのくらい」と丸めた一本のルールは、外れても誰のどの条件が原因か追えず、直しようがありません。だから、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します。例外は必ず別に分けます。複数の基準が併存していること自体は、現場では当たり前のことで、無理に統一する必要はありません。

条件付きルールに変換できても、それで終わりではありません。案件の構成や市場が変われば線を引く条件も変わります。一度書いたルールが半年後も一度も見直されていないなら、おそらく現場では使われていません。逆に、書いたものが更新され続けているなら、その判断はまだ生きて継がれています。

条件付きルールに直したあと、現場で使われ続けさせるには何が必要か

条件付きルールに変換しただけでは、棚に置いた文書と同じで、使われずに古びていきます。使われ続けさせるには、書いたものが現場の利用結果でメンテナンスされる流れを最低限つくります。

具体的には、3つを決めておきます。第一に、誰がそのカードのオーナーかを決めます。第二に、現場でルールが外れたときに誰にどう修正を申し出るかの経路を決めます。第三に、いつ見直すか（たとえば四半期ごと、または対象市場に大きな変化があったとき）を決めます。これらがないと、ルールは正しかった瞬間のまま固定され、状況が変わっても誰も直さず、やがて「現場と合わない文書」になって参照されなくなります。

もう一つ、使われ続けるかどうかを左右するのが、受け手の側の問いです。条件付きルールは、使う若手が「この判断、自分ならどうするか」という問いを持っているときにこそ使われます。問いを持たない人にカードを渡しても開かれません。だから、若手に小さな判断の責任を早めに任せ、実際に迷う場面を作ることが、ルールを使わせる近道になります。困ったことがある人は、答えのありかを自分から探します。逆に、困っていない人にいくら良いカードを用意しても参照は定着しません。書く側だけでなく、使う側が問いを持てる状況を作ることまでが、継承の設計に入ります。

書いて終わりにせず、使われた結果が書き手に戻ってくる流れを設計しておくこと。これが、変換した判断を継承につなぐ最後の一歩です。

この方法には限界もあります。これを使っても、全部は言語化できません。長年の身体感覚や場の空気の読みのように、最後まで言葉にならない部分は残ります。そこは実践の場とフィードバックで継ぐしかありません。文書化と実践機会は、セットで設計するものです。書ける部分は条件付きルールにし、どうしても残る身体感覚は実践で継ぐ。この二段構えが現実的です。

その知識が書けるかを見抜く10問

ここまでの仕分けを自社で試すためのチェックリストです。対象の業務を1つ思い浮かべて、10問に「はい/いいえ」で答えてください。「いいえ」が付いた設問で、その知識の扱い方が判定できます。各設問には、「いいえ」だったときの次の一歩を添えています。この診断は、Excel付録「その知識は書けるか診断と判断の設計図」としても用意しています。「はい／いいえ」の記入欄と判定の見方を表にまとめてあるので、印刷して業務ごとに使えます。

1. その業務には、数値やYes/Noで言い切れる判断基準がある（いいえ→①型ではない。設問4以降で粒度を見極める。次の一歩　まず明示ルールがある業務から仕分けを始める）
2. その基準だけで、例外のない案件なら新人でも処理できる（いいえ→手順の記述が不足。まず①④型の文書化から。次の一歩　通常案件の手順を書き切ってから例外に進む）
3. 「ただし〜の場合は別」という例外の条件が、文書に書かれている（いいえ→④型の追記余地。次の一歩　例外条件を「例外で聞く」質問で引き出して別カードに書く）
4. 例外対応のやり方を、本人以外のメンバーが説明できる（いいえ→③型の疑い。次の一歩　対比・境界・例外の質問で条件に分解する）
5. 「なぜその基準なのか」の根拠が、文書に書かれている（いいえ→②型。次の一歩　根拠とセットで書き直し、前提が変わったとき更新できるようにする）
6. 優先順位を何で切り替えるか（スピードか正確性か等）を、本人が言葉にできる（いいえ→⑤型の重み付けが暗黙。次の一歩　「何を見て重みを変えるか」を聞き出して明示する）
7. 判断の理由を聞かれたとき、本人は「経験です」以外の言葉で説明できる（いいえ→③型。次の一歩　過去の具体案件に戻して対比・境界・例外で引き出す）
8. 過去の「ギリギリで通した／見送った」案件を、理由付きで挙げられる（いいえ→③型。次の一歩　境界の質問から始め、2件の境目を聞く）
9. 同じ状況なら、担当者が違っても判断はおおむね一致する（いいえ→人ごとに基準が異なる。次の一歩　平均せず、帰属を保って別々のルールとして残す）
10. その人が不在の日でも、例外案件が止まらずに処理できている（いいえ→③型の判断が未継承。次の一歩　継承の優先対象として、その業務から着手する）

判定の目安

• A　今すぐ文書化できる（①④型）…1〜3がおおむね「はい」
• B　根拠を添えれば文書化できる（②⑤型）…5・6に「いいえ」が付く
• C　対話で引き出す必要がある（③型）…4・7・8・10に「いいえ」が付く

最初に着手すべきなのは喪失影響の大きい業務である

診断でA・B・Cが分かったら、次は着手順序です。すべてを一度にやろうとすると、業務の数だけ仕分けが膨らみ、プロジェクトが肥大化します。順序の付け方はシンプルで、「その知識が失われると、どの業務がどれだけ困るか」が大きいものから1つ選びます。

この記事ではこの優先順位の付け方を喪失影響先行マップと呼んで整理します（何を知っているかの棚卸しより先に、失うと何が壊れるかを定義する、という考え方です。命名はこの記事独自の整理で、土台は知識継承を「保存」でなく「失うと困る能力の特定」から始めるべきだという整理にあります）。

喪失影響の大きさは、いくつかの問いで見当がつきます。その知識が失われると、どの売上・品質・顧客対応が崩れるか。若手が一人前になるまでの期間がどれだけ延びるか。外部採用や外注で補えるか、それとも社内のこの人しか持っていないか。これらに「影響が大きい」「補えない」と答えるほど、優先度は上がります。逆に「重要そうだから」という曖昧な理由で全部を残そうとすると、希少な判断も一般的な手順も同じ棚に並び、優先順位が見えなくなります。

判定がCで、しかも設問10（その人が不在でも例外案件が止まらないか）が「いいえ」の業務は、最優先候補です。書けていない判断（C型）であり、かつその人が抜けると止まる（喪失影響が大きい）という、二つの条件が重なっているからです。逆に、判定がAで誰がやっても結果が同じ業務は、急いで継ぐ必要はありません。影響の大きい1業務から始め、そこで5粒度の仕分けと条件付きルールへの変換を一巡させてから、次の業務に広げます。一巡やってみると、自社の判断がどのくらい条件に割れるか、どこで割れずに残るかの感覚がつかめます。その感覚を持って2業務目に進むと、最初よりずっと速く回せます。

AIで暗黙知は形式知化できるのか

「生成AIに社内文書を読み込ませれば、暗黙知を形式知化できるのではないか」という問いをよく聞きます。結論を言えば、文書を読み込ませるだけでは、暗黙知は出てきません。理由は単純で、暗黙知は文書に書かれていないからです。書かれていないものは、どれだけ高性能なAIでも参照のしようがありません。

ここを取り違えると、期待と結果がずれます。AIに社内文書を全部読ませれば、ベテランの判断まで吸い上げてくれる、と考えたくなります。けれども、文書に入っているのは①明示ルールや手順といった、すでに言葉になっている知識です。③パターン認識のように、ベテランの頭の中だけにあって文書化されていない判断は、入力に存在しないので出力にも現れません。AIは、ないものを生み出すのではなく、あるものを探して並べ替える手段です。だから、暗黙知を扱いたいなら、まず人への質問でそれを言葉にし、文書の側に入れてやる必要があります。順番は、AIに読ませる前に、人から引き出す、です。

一方で、AIには適した役回りがあります。「聞き手」です。前章の対比・境界・例外といった質問を生成し、ベテランの答えをさらに深掘りし出てきた内容を条件付きルールの形に整理する。こうした補助は、AIが得意とするところです。

ここで線を引いておきたいのは、AIがやるのは判断ではなく、材料の提示と問いかけだということです。AIは「この案件は通すべきです」と決めるのではなく、「過去に似た条件の案件はこれだけあります」「この点はまだ条件が決まっていません」と材料を並べ、問いを返します。決めるのは人です。たとえばベテランへのヒアリングで、AIが「その判断、もし売上が減っていたら変わりますか」と問いを投げ、ベテランの答えを条件の候補として書き留める。あるいは、出てきた条件に矛盾がないかをAIが指摘し、人が確認して直す。AIは引き出しと整理を支える側に置き、最後の線引きは人が握る。AIに線引きまで任せてしまうと、なぜその判断なのかを誰も説明できなくなり現場で修正もできなくなります。

AIに任せるほど若手の判断力が育たない理由

AIに任せると若手の判断力がかえって育たなくなるのではないか、と考える方もいるかもしれません。これは検討すべき懸念です。AIを「答えだけを返す支援手段」として使う運用では、若手が自分で仮説を立てて検証する機会が減る可能性があります。

この記事では、この可能性を「AI仲介による理解空洞化」と呼んで整理します。これは実証済みの現象名ではなく、AIが専門家から後継者への知識の受け渡しを介在・代替すると、人が知識対象を理解する機会を失うおそれがあるという理論的な懸念を、実務向けに表した名称です（Scibelli & Stevens, 2025。同論文はレビューであり、因果を検証した一次研究ではありません）。中身は3つに分解できます。

1. 入口　AIが原因候補・手順・回答を即座に提示する。初動は速くなり、若手もすぐに「それらしい答え」を得られる。
2. 抜け落ち若手が自分で仮説を立て、試し、外し、考え直すという試行錯誤を経験しない。だから判断の原理が身につかない。
3. 結果通常時は回るが、AIが答えを持たない例外時に止まる。あるいはAIの答えを検証せず受け入れる依存が進む。

抜け出す鍵は、AIを「理解を省略する支援手段」ではなく「理解を検査し、深める支援手段」として使うことです。順番を変えるだけで、同じAIが逆の働きをします。先に人間が考え、後でAIに当てる。具体的な使い方を、3ステップの会話例で示します（汎用的な仮の例です）。

1. 若手が、設備異常の原因仮説を自分で3つ出す（先に人間が考える）。
2. AIが、過去の類似条件や関連事例を並べる（人間の仮説と突き合わせる材料を出す）。
3. ベテランが、若手の見落としや、AIが並べた事例との違いを指摘する（人が判断し、理由を言葉にする）。

この順番なら、AIは若手の思考を肩代わりするのではなく、思考を広げる側に回ります。AIに「正解を出させる」のではなく、「反例を出させる」「なぜそう言えるかを問い返させる」使い方にすると、若手は答えを受け取るだけでなく、自分の仮説を検証する経験を積めます。

AIに渡すときは、絞ってトピック単位で渡す

AIを聞き手・整理役に使うとき、もう一つ実務で効くコツがあります。一度に大量の文書を渡すのではなく、絞ってトピック単位で渡すことです。AIが外すときの外し方は、大きく2種類に分けて考えると対策が立てやすくなります。

一つは参照の失敗です。必要な情報がどこかにはあるのに、AIがそこにたどり着けず埋もれてしまう外し方です。社内文書を丸ごと読み込ませると起きやすく、情報を増やすほど目当ての一文が見つかりにくくなります。対策は、絞って渡すこと、トピック単位に分けて渡すことです。

もう一つは解釈の失敗です。情報には辿り着けたのに使い方が分からず外す外し方です。例外と通常が同じ文書に混ざっている、社内用語が揺れている、「総合的に判断」としか書かれていない、といった場合に起こります。対策は、前章の判断の設計図のように「いつ・何を見て・どこで線を引くか」を条件で固定しておくこと、例外は別カードに分けること、用語を現場の言い方で一つにそろえることです。

具体で言えば（汎用的な仮の例です）、与信判断について聞きたいのに、規程・FAQ・過去の議事録を全部まとめて渡すと、AIは関係の薄い箇所まで読んで的外れな回答をします（参照の失敗）。一方、「与信の再確認」というトピックのカードだけを渡しても、そこに「前年比で受注が減り、かつ担当者が3か月以内に交代したら再確認」と条件で書かれていなければ、AIは「状況に応じて確認」としか答えられません（解釈の失敗）。両方を避けるには、トピックで絞って渡し、かつそのトピックの判断が条件で書かれている状態にしておくことです。AIに渡す前の整理が、AIの当たりやすさを決めます。

なお、AIが整理して出してきた条件付きルールも、最後にそれでよいと受け入れて判断するのは人です。受け取った側が、なぜその条件で線を引くのかを理解し、現場で修正・運用できなければ、いくら整った文章でも使えるルールにはなりません。継承がどこまで進むかは、最後にそれを受け入れる人が判断できる範囲で決まります。

AIで暗黙知をどこまで形式知化できるのか、その可能性と限界は、別記事「暗黙知はAIで形式知化できるのか」で掘り下げています。

よくある質問

Q. 暗黙知と形式知の違いは何ですか

A. 言葉になっているかどうかです。暗黙知は経験や勘に基づき本人もうまく言語化できていない知識です。形式知は文章・数値・図表で表現され、誰でも読んで参照できる知識です。詳しくは「暗黙知とは何か」の章をご覧ください。

Q. 暗黙知と形式知は誰が提唱したのですか

A. 概念を提唱したのは科学哲学者のマイケル・ポランニーです。経営理論に展開したのが野中郁次郎で、暗黙知と形式知の相互変換から組織の知識が生まれるとする知識創造理論を発表しました。

Q. 暗黙知を形式知に変えるサイクルとは何ですか

A. SECIモデルと呼ばれる、共同化→表出化→連結化→内面化の4段階です。世間で「形式知化」と呼ばれる作業は、このうち表出化に当たります。ただし、例外時の判断力はこの地図が扱う対象の外にあるため、対話による条件分解という別の工程が必要です。

Q. 暗黙知の引き出し方

A. 「あなたの暗黙知を教えてください」とは聞かないことです。本人は意識していないため、答えられません。具体的な案件に紐づけて、対比（うまくいった案件と失敗した案件の違い）・境界（ギリギリの判断の理由）・例外（ルールが通用しなかったケース）の3つの型で質問します。詳しい聞き方は「引き出す　質問の型」の章で5つの型として解説しています。

Q. 暗黙知を形式知化すると、結局どうなるのですか（得られるものと残るもの）か

A. 得られるのは、書ける範囲（明示ルール・経験則・条件付きルール・トレードオフ判断）が文書として共有・検索できるようになり、若手が同じ判断を再現しやすくなることです。一方で残るのは、長年の身体感覚や場の空気の読みのように、最後まで言葉にならない部分です。そこは実践とフィードバックで継ぐしかありません。「全部書けるはず」と構えるのではなく、書ける範囲を書き切り、残った判断は質問で条件化し、それでも残る部分は実践で継ぐ、という三段構えが現実的です。

Q. なぜ暗黙知は共有されないのですか（短く言うと）か

A. 性質の違う知識を、同じ「書く」というやり方でまとめて扱っているからです。手順は書けば伝わりますが、判断は書いただけでは伝わりません。当社調査でも、引き継ぎで不足していた上位項目はすべて判断に関わるものでした（株式会社taiziii調べ・管理職200名・インターネット調査）。詳しくは「なぜ暗黙知は共有されないのか」の章をご覧ください。

Q. 暗黙知を継承するには、何から始めればいいですか

A. 書く前の仕分けから始めます。まず影響の大きい業務を1つ選び、その知識が5粒度のどれかを診断します。書けるもの（①②④⑤）は3ステップで書き切り、書けないもの（③）は対比・境界・例外などの質問で条件付きルールに変換します。複数のベテランで基準が違うときは平均せず、帰属を保って別々に残します。記事末尾の診断10問を使うと、自社のどこから着手すべきかが具体的に見えてきます。

形式知化は書く前の仕分けで決まる

「暗黙知の形式知化が難しい」の正体は、性質の違う知識を「書く」という一つのやり方でまとめて扱ってきたことにありました。明示ルールと条件付きルールは、そのまま書けます。経験則とトレードオフ判断は、根拠と重み付けの基準を添えれば書けます。そしてパターン認識の判断は、書く前に、対比・境界・例外の質問で条件に分解する工程が必要です。その際、人によって違う基準は平均せず、帰属を保ったまま残します。

この記事で整理した内容は、次に知識継承の業務に向き合うときに、こんな順で使ってみてください。

1. 影響の大きい業務を1つ思い浮かべ、記事末尾の診断10問に答えます。
2. その業務の知識が①〜⑤のどの粒度かを仕分けます。
3. 書ける①②④⑤は「何を見て・どこで線を引くか」を条件と行動の形で書き出します。
4. 書けない③は、過去の具体案件に戻して「あのとき、なぜそう判断したのか」を質問し、条件付きルールに直します。
5. 複数の人で基準が違ったら、平均せず別々のカードとして残します。

ここまで進めると、最初の一業務の判断の設計図が一枚できます。

文書が増えたのに判断できる人が増えていないなら、それは努力不足ではなく、仕分けをせずに書き始めたという順番の問題です。これまで徒労に感じていたとしても、進め方の順番を変えれば、止まっていた継承は動き出します。「書けるもの」を書き切り、「書けないもの」は聞き方を変える。まずは影響の大きい業務を1つ、その一歩から始めてみてください。

関連記事

• 暗黙知をAIで形式知化する方法　AIによる形式知化の可能範囲を見る
• 技術継承・技能伝承が失敗する理由　技術継承の失敗構造を見る
• 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へ戻る
• 認知タスク分析（CTA）とは　熟達者の判断を引き出す質問の方法
• 判断基準の作り方　属人化を減らす5つの問い
• ナレッジエンジニアリング（知識工学）とは　エキスパートシステムから生成AIまで

※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。自社の知識が「書けるか・書けないか」を仕分けられる「その知識は書けるか診断（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）
• Polanyi, M. (1966) The Tacit Dimension, Doubleday & Company（邦訳　マイケル・ポランニー『暗黙知の次元』）
• 野中郁次郎（Nonaka, I.）(1994) “A Dynamic Theory of Organizational Knowledge Creation,” Organization Science, 5(1), 14-37
• Gourlay, S. (2006) “Conceptualizing Knowledge Creation: A Critique of Nonaka’s Theory,” Journal of Management Studies, 43(7)
• Klein, G. (2016) “The Naturalistic Decision Making Approach,” Psychology Today（ブログ「Seeing What Others Don’t」2016年2月1日）
• Klein, G. (1998) Sources of Power: How People Make Decisions, MIT Press. https://mitpress.mit.edu/9780262112277/sources-of-power/
• 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
• Dinur, A. (2011) “Tacit Knowledge Taxonomy and Transfer: Case-Based Research,” Journal of Behavioral and Applied Management（暗黙知を9種類に分類）
• Scibelli, D. & Stevens, B. (2025) “Breaking the Chain of Knowledge Transfer: AI Shadows Implicit, Explicit and Tacit Exchange,” Issues in Information Systems, 26(3), 100–114. https://doi.org/10.48009/3_iis_2025_2025_108 （レビュー論文として参照）

この記事の要点

• ナレッジマネジメントが古いと言われる原因は、ツールよりも前提にある。
• 知識を貯めれば使われる、という考え方だけでは判断が残らない。
• 失敗の構造は、検索されない、形式知しか乗らない、文脈が抜ける、更新されない、導入が目的化すること。
• 規程や手順の管理と、例外時の判断の継承は分けて扱うことが大切。
• AIやwikiに載せる前に、誰が何を見て線を引くかを引き出す必要がある。
• 成果は文書数ではなく、後任が同じ判断を再現できるかで見る。

「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
• ナレッジ共有とは　進まない3つの理由と進める順序
• ナレッジマネジメントの企業事例　成功事例に共通する設計
• AIエージェント時代のナレッジマネジメント　実行するAIに渡す情報

※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/

この記事の要点

• 生成AIが得意なのは、すでに文書化された知識の整理・要約・検索。
• 社内データに判断基準が残っていない場合、AIの回答は一般論に寄りやすい。
• 暗黙知を扱う起点は、資料を読ませることではなく、本人に具体案件を聞くこと。
• 仮定・境界・根拠・例外の質問で、判断を条件に分解することが大切。
• 引き出した判断は平均せず、誰のどの条件での判断かという帰属を保つ。
• 若手が実案件で使い、ベテランが確認する工程まで含めて初めて継承になる。

生成AIは、社内のどこにも書かれていない自社固有の判断を、根拠のある事実として再現することはできません。

当たり前のようでいて、これは暗黙知をAIで形式知化しようとするときに見落とされがちな前提です。たとえば、ある会社で与信判断を長く担ってきたベテランが退職することになり、引き継ぎのために過去の稟議書・取引先とのメール・審査会議の議事録を一通り生成AIに読み込ませたとします。「この取引先、与信枠を上げてよいか」と聞くと、AIは財務指標の見方や一般的なチェック項目をそれらしく並べてくれます。ところが、現場の担当者が本当に知りたかったのは別のことです。「そのベテランなら、この案件をどう見るか」。決算書の数字はどれも基準内なのに、なぜかそのベテランだけが「この組み合わせは危ない」と言って枠を絞った、あの判断です。それが、いくら読み込ませても出てきません。答えは流暢なのに、どこか教科書的で、自社の判断にはなっていない。その違和感にははっきりした理由があります。

やっかいなのは、世間の一般論を「ベテランの判断」と思い込んだまま、業務が回り始めてしまうことです。通常案件は一般論でもそれなりに処理できてしまうため、例外案件で問題が起きるまで、誰も間違いに気づけません。

そこでよく取られる対処が、社内データを生成AIに読み込ませてベテランの暗黙知まで答えさせようとすることです。データ量を増やし、最新モデルに入れ替えれば、いずれ「そのベテランの判断」が出てくるはずだ、という期待です。

しかし、データを足してもモデルを替えても、ベテランの判断基準をそのまま取り出せるとは限りません。これはデータ量やモデル性能だけの問題ではないからです。社内データに残っているのは、稟議結果、メール、議事録、手順書など、すでに言葉や記録になった情報です。一方で、ベテランが例外案件で何を重視し、どの条件なら線を引き直すのかという判断基準は、多くの場合、文書には残っていません。参照先に判断基準が入っていなければ、生成AIはそれを自社固有の判断として取り出せません。モデルは一般知識や推測で空白を補うことがありますが、それは本人の判断を再現したものではありません。AIが引き受けられるのはすでに言葉になっている知識を整理することと、本人から判断を言葉にしてもらうための聞き役を務めるところまでです。最後に「これでよい」と確かめるのは人の側に残ります。

この記事では、まず、なぜ読ませても暗黙知が出てこないのか、その構造を解き明かして真因を示します。そのうえで、生成AIにできること・できないことの切り分け、「読ませる」から「聞かせる」への発想の転換、判断を引き出す質問の型、引き出した判断を本当に継承するための設計まで、どう考えどんな手順で進めればよいかを解説します。

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

AIで形式知化できる暗黙知とできない判断の境界

「暗黙知はAIで形式知化できるのか」という問いに、先に答えます。できる範囲と、できない範囲がはっきり分かれています。

生成AIが力を発揮するのは次の2つの場面です。

• （A）すでに言葉になっている知識の整理・要約・検索・構造化。文書として存在する知識の加工は、現時点でも実務で活用できます。たとえば、半年分の審査会議の議事録を渡して「決定事項だけを時系列に並べて」と頼めば、どの案件をいつ・どういう条件で承認したかの一覧を短時間で下書きできます。ただし、抽出漏れや誤要約は起こり得るため、原文との照合は人が行います。
• （B）まだ言葉になっていない知識を、本人への質問で引き出す対話の支援。AIが質問役となり、ベテランの頭の中にある判断を言葉にしていく使い方です。たとえば「新規取引先の与信、何を見て決めますか」と聞き、「だいたい直近3期の利益と、社長の人柄」と返ってきたら、「では利益が出ていても見送ったことは」と一歩踏み込む。この往復を重ねると、本人も意識していなかった判断の手がかりが言葉になっていきます。

逆に、どうしてもできないことが残ります。

• （C）文書のどこにも書かれていない判断を、社内データから自動で抽出すること。書かれていないものは、どれだけデータを増やしても出てきません。退職したベテランの判断を社内データから探そうとしても、本人が書き残していなければ、返ってくるのは「与信判断では財務の健全性とキャッシュフローを確認しましょう」といった教科書的な回答です。それは正しくても、そのベテランの判断ではありません。

生成AIに期待が集まりやすいのは（C）です。「全部読ませれば、ベテランの頭の中が再現できるはずだ」という期待です。なぜ多くの人の期待が（C）に向くのか。生成AIは文章を読み、まとめ、それらしく語ることが得意です。その能力を日々見ていると、「読んだものから、書かれていないことまで推し量ってくれる」と感じたくなります。人間のベテランがそうしているように見えるからです。けれども、人間のベテランは文書を読んでいるのではなく、自分の経験を思い出して判断しています。その経験は文書には書かれていません。期待が（C）に向くのは自然なことですが、つまずくのもここです。

一方で（A）と（B）はいまの生成AIでも着実に成果につながります。期待の置き場所を（C）から（A）（B）に移す。それがこの記事の提案の中心です。

まず（A）でAIの実力を正しく評価し、次に（C）ができない理由を仕組みから説明します。そのうえで、なぜAIが文書を扱う場面で判断を外すのかを「3つの失敗」として切り分け、（B）という現実解（「読ませる」から「聞かせる」への転換）を、具体的な質問文と判定フローまで落とし込みます。最後に、引き出した判断が本当に若手へ継承されるための設計まで踏み込みます。

生成AIが得意なのは、すでに書かれた知識の整理である

「データを読み込ませる」アプローチが効く領域は確かにあります。入力に書かれている知識を加工する作業なら、生成AIは人手を大きく上回ります。理由は単純で、これらの作業は「新しい判断を生む」のではなく「すでにある情報を別の形に組み替える」だけだからです。

代表例がRAG（検索拡張生成）です。これは、AIが回答を組み立てる前に社内文書を検索し、見つかった内容を根拠として答える仕組みです。「就業規則のどこに書いてありますか」「過去に似たトラブルはありましたか」といった質問に、出典つきで即答できます。問い合わせ対応や調べものにかかる時間を減らす使い方です。

散在した文書の構造化も得意です。具体的な作業と、それがどう変わるかを挙げます。

• 複数の議事録から決定事項だけを抜き出し、時系列に並べる。半年分・十数回分の会議メモを人手で読み返し、決まったことだけを抜き出して並べ直すのは、数日がかりの仕事になりがちです。同じ作業を生成AIに頼めば、短時間で一覧の下書きが上がってきます。担当者は出てきた一覧が正しいかを確かめる側に回れます。
• 報告書や手順書の表記ゆれを統一する。「お客様」「顧客」「クライアント」が混在した数百ページの文書を、用語を決めて統一する作業も、人手だと見落としが出ます。生成AIなら全文を通して一貫させた案を返します。
• 長文のマニュアルを要約し、FAQ形式に変換する。読まれていない分厚いマニュアルを、現場が実際に検索する形の質問と回答に組み替える。元の文章に答えが書いてあれば、この変換は得意分野です。

人間がやれば数日かかるような作業が、短時間で終わることもあります。整理した文書を基に定型的な問い合わせへの一次回答を任せれば、担当者に届く質問もその分減ります。形式知の「整理が追いつかない」「探しても見つからない」という問題に対して、生成AIは強力な解決策です。

RAGを入れても回答精度が上がらない理由

社内文書を全部つないでRAGを入れたのに、回答が的外れだったり教科書的だったりして、何が足りないのか分からない、という相談はよく寄せられます。原因を切り分けるには、失敗を大きく2種類に分けて見ると整理しやすくなります。

一つは、参照の失敗です。必要な情報は社内文書のどこかに書いてあるのに、検索の順位付けで上位に来なかったり、取り出せてもコンテキストに入らなかったりして、AIに届いていない状態です。RAGの失敗点を整理したBarnettらの報告でも、必要な内容が存在していても、検索、コンテキスト投入、抽出のどこかで落ちることが示されています（出典　Barnett, S. et al. “Seven Failure Points When Engineering a Retrieval Augmented Generation System,” arXiv, 2024）。同報告は単一の対策効果を確立したものではありません。実務では、検索範囲を対象トピックで絞る、取得結果を点検する、必要箇所がコンテキストに入ったかを確認する、というように失敗点ごとに検査します。

もう一つは、解釈の失敗です。情報そのものは渡せているのに、AIがそれをどう使えばいいか分からない状態です。通常案件向けの基準と例外案件向けの基準が同じ文書に混ざっていたり、同じものを部署ごとに違う言葉で呼んでいたりすると、AIは文脈を取り違えます。対策は、使う条件を明示してから渡すこと、例外は通常と別に分けること、社内用語の定義をそろえることです。

この「参照の失敗」と「解釈の失敗」という切り分けは、SkillRelayが現場の失敗を整理したものです（株式会社taiziiiの整理）。RAGの精度が上がらないとき、まずこの2つのどちらかを疑うと、打ち手が決まります。情報が足りないのか（参照）、使い方が伝わっていないのか（解釈）。詳しくは後の「AIが暗黙知を外す3つの失敗」の章で、3つ目の失敗もあわせて切り分けます。

ただ、1点見落としがちな点があります。いま挙げた仕事はすべて「すでに言葉になっている知識」の加工だということです。RAGも要約も構造化も、入力された文書に書かれていない「自社固有の判断」を生み出すことはできません。参照の失敗と解釈の失敗を両方つぶしても、そもそも文書に判断基準が書かれていなければ、AIはそれを自社固有の判断として根拠付きでは返せません。

ここで確認すべきなのは、その大量の文書の中に、ベテランの判断基準が本当に含まれているかどうかです。

AIが語られなかった判断を出せない理由

最初の与信判断の例で見た「流暢だが教科書的な答えしか返らない」という違和感の正体を、仕組み・第三者の指摘・実証研究から説明します。

まず仕組みの話です。社内文書を使う構成では、RAGが関連文書を検索してコンテキストとしてLLMに渡し、LLMが学習済みの知識とそのコンテキストを手がかりに回答を生成します。RAGは文書を探して渡す仕組みであり、文書にない自社固有の判断を新しく作る仕組みではありません。ベテランが文書に書かなかった判断基準（たとえば「数値はすべて基準内だが、この組み合わせのときは危ない」といった知識）は、参照文書に存在しないため、自社固有の根拠として再現できません。一方、LLMが一般知識から推測して空白を補うことはありますが、それがその会社や本人の判断である保証はありません。モデルを最新版に替えたり参照文書を増やしたりしても、判断基準そのものが記録されていなければ、この問題は残ります。

では、参照文書に判断基準が無いとき、AIはどう答えるのでしょうか。多くの場合、回答が止まることはありません。学習済みの世間一般の知識で答えが組み立てられます。具体的に見てみます。ある会社が、ベテラン審査担当の判断を引き継ごうと、過去の審査結果だけをAIに読ませたとします。審査結果には「承認」「否決」の事実は残っていても「なぜこの案件を否決したか」という理由は書かれていません。そこで「この新規案件をどう審査すべきか」と聞くと、AIは止まらず、世間で一般に語られる審査の観点を流暢に並べます。AIの回答は、もっともらしく、しかし「自社の判断」ではない一般論になります。最初に述べた「流暢なのに教科書的」という違和感の正体がこれです。教科書的なのは当然で、AIは文字どおり、世間の教科書的な知識から答えを作っていたのです。

知識の流れを扱う地図としては、暗黙知と形式知の循環を整理したSECIモデルが広く知られています。ただ、そこで扱われているのはあくまで「知識」です。現場で本当に消えていく「なぜそう判断するか」という判断力は、その地図の外にあります。ここで問題にしているのも、まさにその外側の領域です（SECIの地図と判断継承がどうずれるのかは、別記事『暗黙知の形式知化はなぜ難しいのか』で扱っています）。

データ量や最新モデルだけでは暗黙知が出てこない理由

いまは出てこなくても、データをもっと食わせて次世代モデルに替えれば、そのうち「そのベテランの判断」が出てくるのではないか、という期待もよく寄せられます。しかし、モデルを替えても出てきません。理由は性能ではなく構造にあります。

仕組みのところで述べたとおり、AIは入力にない内容も一般知識や推測から生成できます。しかし、それを自社固有の判断として信頼できる根拠はありません。判断基準が文書に書かれていない限り、入力をいくら大きくしても、そのベテラン固有の判断基準は入っていないままです。モデルが高性能になれば、書かれている情報を組み合わせて推測する力は上がります。けれども、推測で埋めたものは「そのベテランの判断」ではなく、それらしい一般論です。むしろモデルが高性能になるほど、その一般論は流暢で本物との見分けがつきにくくなります。

データ量とモデル性能で解決するのは先に挙げた（A）の領域、つまり「書かれているのに見つからない・整理されていない」という問題です。「そもそも書かれていない」という（C）の問題はデータ量でもモデル性能でも解決しません。打ち手が違うのです。後者の打ち手は、本人に聞いて言葉にしてもらうこと、つまり（B）です。

一般論を信じ込むと何が起こるのか。通常案件で気づけない理由

ここが、この章でいちばん注意したいところです。AIが返した一般論を「ベテランの判断」と受け取ってしまうと、何が起きるのか。

まず、人間の側に一般論を疑いにくくする傾向があります。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名への自己申告調査で報告されています（出典　Lee, H.-P. et al. “The Impact of Generative AI on Critical Thinking,” ACM CHI 2025。Microsoft Researchとカーネギーメロン大学の研究チームによる査読付き調査）。この研究は「一般論をベテランの判断と誤認する」ことそのものを示したものではありませんが、流暢なAI出力ほど人は吟味を緩めやすいという傾向は、誤認のリスクを高める方向に働きます。人が自動化された仕組みの出力を鵜呑みにしやすいことは、人間と自動化の関係を研究した心理学者らによって「自動化バイアス」として以前から知られてきました（出典　Parasuraman, R. & Manzey, D. H. “Complacency and Bias in Human Use of Automation: An Attentional Integration,” Human Factors, 52(3), 2010）。つまり、「それらしい一般論」が返ってくるだけでなく、返ってきた一般論を疑いにくいのです。

そのうえで、通常案件では気づけません。理由はこうです。一般論は世間で広く通用するように作られた知識です。だから、世間並みの普通の案件、つまり通常案件であれば、一般論でもそれなりに正しい答えを返します。新規取引先の与信を「直近3期の利益とキャッシュフローを見て判断する」という一般論で処理しても、ごく普通の取引先なら大きく外しません。問題が表に出るのは一般論が通用しない例外案件です。「財務指標はすべて健全なのに、社長が直前に交代していて、しかも業界全体が縮小局面に入っている」といった、複数の条件が重なった案件です。ベテランなら「この組み合わせは危ない」と止めるところを、一般論は健全な財務指標だけを見て「問題なし」と通してしまう。回収トラブルが起きて初めて、「あれは一般論だった」と気づくわけです。

だからこそ、AIの出力を人間が確かめる工程を最初から設計に組み込んでおく必要があります。

確かめる工程が要るのはミスを拾うためだけではありません。AIがどれほど流暢で高度に見える答えを返しても、その内容を人間が判断し、修正し、責任を持って受け入れられなければ、業務では使えないからです。受け取る人が中身を理解できる範囲を超えてしまうと、その出力はいくら速くても組織の成果にはなりません。最終的に「これでよい」と受け入れるのは人の側です。

AIが暗黙知を外す3つの原因

ここまでで、「書かれていれば加工できる」「書かれていなければ出てこない」という大きな線を引きました。ただ、現場で「AIの答えが教科書的だ」「的外れだ」と感じるとき、原因はもう少し細かく分かれます。原因が分かれば、打ち手も分かれます。そこで、AIが暗黙知を外す失敗を3つに切り分けます。これはSkillRelayが現場の失敗を整理した診断軸です（株式会社taiziiiの整理。この記事ではこれを「3つの失敗」と呼びます）。

3つの失敗は、次のように分かれます。

失敗①　参照の失敗（必要情報に辿り着けない・埋もれる）

必要な情報は社内文書のどこかに書いてあるのに、AIがそこに辿り着けていない状態です。RAGでは、必要な内容が検索で上位に来ない、取得されてもコンテキストに入らない、入っても生成時に使われない、という失敗が起こります（出典　Barnett, S. et al. “Seven Failure Points When Engineering a Retrieval Augmented Generation System,” arXiv, 2024）。たとえば、ある製品の検査基準が品質マニュアルにきちんと書いてあるのに、関連しない数百ページの規程と一緒に渡したために、AIが別の製品の基準を引いてきて答えてしまう、という外し方です。原因は「情報が無い」ことではなく「情報に届いていない」ことです。対象トピックで検索範囲を絞ることは実務上の一手ですが、それだけで解決すると一般化はできません。取得結果、コンテキスト投入、最終回答の各段階を分けて点検します。これとは別に、情報が長い入力へ入った後も、冒頭や末尾に比べて相対的に中央に置かれた情報が使われにくい傾向が報告されています（出典　Liu, N. F. et al. “Lost in the Middle: How Language Models Use Long Contexts,” Transactions of the Association for Computational Linguistics, 12, 2024）。

失敗②　解釈の失敗（情報はあるが使い方が分からない・例外と通常が混在・社内用語が揺れる）

情報そのものは渡せているのに、AIがそれをどう使えばいいか分からない状態です。よくあるのは、通常案件向けの基準と例外案件向けの基準が、同じ文書に区別なく書かれているケースです。たとえば品質検査の文書に「キズがあれば不合格」と書いてある一方、別の段落に「ただし、ごく浅いキズで機能に影響しない部品は、納期優先のときに限り出荷可」という例外が混ざっている。AIは両方を等しく読んで、通常案件なのに例外ルールを当てはめてしまう、あるいは逆をやります。社内用語の揺れも同じです。同じ部品を現場では「A型」、図面では「旧仕様」と呼んでいると、AIは別物として扱います。対策は3つです。使う条件を明示してから渡すこと、例外は通常と別のカードに分けること、社内用語の定義をそろえること。SkillRelayの整理では、これを「5W＋WHICH」（誰が・いつ・なぜ・何を使い・通常か例外か）で条件を固定する、と呼んでいます（株式会社taiziiiの整理）。

失敗③　そもそも無い（暗黙知＝書かれていない）

これがこの記事の中核です。失敗①も②も情報自体は社内のどこかに存在していました。だから、絞って渡す・条件を固定する、という打ち手で直せます。けれども失敗③は、情報がそもそもどこにも書かれていません。ベテランの判断基準は、定義からして言語化されていない暗黙知だからです。「この組み合わせのときは危ない」という勘所は本人の頭の中にあるだけで、文書にも、データにも、メールにも残っていません。だから、絞っても条件を固定しても出てきません。対策はただ一つ、本人に質問して引き出すことです。失敗①②が「AIが既存文書を扱う場面の失敗」なのに対し、失敗③だけは打ち手の方向が違います。読ませるのではなく、聞かせる。次の章のテーマです。

この3分解の使い方は診断です。AIの答えが教科書的・的外れだと感じたら、まず「その判断基準は、社内のどこかに文章で書かれているか」を問います。書かれているのに出てこないなら、失敗①か②です。絞って渡す、条件を固定する、で直せる可能性が高い。書かれていないなら、失敗③です。これはRAGの強化では直りません。本人に聞くしかありません。原因を取り違えると、書かれていないものを探してデータ連携を増やし続ける、という徒労に陥ります。切り分けが最初の一歩です。

暗黙知を扱うにはAIに読ませる前に聞かせる

暗黙知を引き出す起点を、資料を読ませることから本人に質問することへ切り替えます。失敗③で見たとおり、暗黙知は、データの中ではなくベテランの頭の中にあるからです。起点が「本人に質問する」ことになると、AIに任せる役割も変わります。文書の読み手ではなく、本人から話を引き出す質問者（インタビュアー）です。

そして、AIは聞き手に向いています。向いている理由は4つあります。

理由①　聞き直しの回数に制約がない。人間の聞き手が相手だと、「さっきも聞いたのに、また確認するのは申し訳ない」という遠慮が生まれます。すると、いちばん知りたい核心を踏み込みきれずに終えてしまいます。AIが相手なら、その遠慮がありません。同じ論点を、遠慮なく何度も角度を変えて確認できます。たとえば「先ほど『社長の人柄を見る』とおっしゃいましたが、具体的にどこを見ますか」「人柄が良くても見送ったことは」「逆に人柄に難があっても通したことは」と、同じ論点をしつこく掘り下げても、相手は嫌な顔をしません。掘り下げた先に、本人も気づいていなかった判断基準が出てきます。

理由②　時間の制約が緩い。人間のインタビュアーを押さえるとなると、双方の予定を合わせる必要があり、まとまった時間も必要です。AIが相手なら、多忙なベテランの都合のよい時間に、例えば15分前後に分けて対話できます。移動中の10分ほど、会議の合間の15分ほどでも積み上げられます。日程調整の負担が消える分、協力のハードルが下がります。

理由③　回答をその場で構造化・記録できる。人間が聞き取ると、その場のメモは残っても、後で読み返すと文脈が抜けていることがあります。AIが相手なら、話した内容が消えず、しかも「いまの話は『新規顧客×値引き要求』の条件ですね」とその場で整理しながら進められます。整理された記録がそのまま残るので、聞きっぱなしにならず後工程のルール化につながります。

理由④　聞き手の力量による差が出ない。人間のインタビューは、聞き手の経験や勘どころに品質が大きく左右されます。上手な聞き手なら核心を引き出せても、不慣れな聞き手だと表面的な話で終わります。質問の設計を一度作り込んでAIに持たせれば、誰が回しても同じ水準の聞き取りを繰り返せます。聞き手を育てる時間がいらない分、すぐに横展開できます。

逆に言えば、AIの聞き取りは質問の設計で決まります。何を・どの順で聞くかが定まっていなければ、何度やり取りを重ねてもただの雑談で終わってしまいます。設計の中身は、後述する「質問の4つの型」で具体的に示します。

暗黙知を扱うAI活用では、「読ませる」だけでなく「聞かせる」設計が必要です。文書を検索するだけでは、まだ語られていない判断基準は出てきません。

多忙なベテランから判断を引き出すには具体案件から入る

「聞かせるのが現実解なのは分かった。でも、肝心のベテランが多忙で、なかなか時間を取ってくれない」。これは導入の現場でいちばん多いつまずきです。当社調査でも、スキル継承の最大の障壁として「日々の業務多忙で優先度が低い」が最多に挙がっています（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）。協力を得るには、聞く単位を小さくし、相手の役割を監修者として位置づけ、具体案件から入る設計が必要です。

一つ目は、短い単位に分割することです。理由②でも触れたとおり、AIが相手なら時間の制約が緩いので、まとまった2時間を確保しようとせず、移動の合間や会議前の15分ほどに区切って聞きます。「今日はこの1トピックだけ」と区切れば、ベテランも構えずに応じやすくなります。

二つ目は、本人を「情報提供者」ではなく「監修者」として位置づけることです。「あなたのノウハウを吸い上げたい」と言われると、自分の希少性が下がる、置き換えられる、と感じて、肝心な判断を話してくれないことがあります。この摩擦は、知識を出すことが評価や地位の低下につながると受け取られたときに起きます（株式会社taiziiiの整理）。そこで、ベテランを「若手の判断をレビューする監修者」「AIの整理が合っているかを認定する人」として立てます。役割が「奪われる側」から「次世代を育てる側」に変わると、協力が引き出しやすくなります。これは、引き出した内容を必ず本人に戻して確認する運用とも整合します。

三つ目は、例外の話から入ることです。「あなたの判断基準を教えてください」と正面から聞くと、本人も言葉にしづらく、答えに詰まります。代わりに「いままでで、いちばんヒヤッとした案件は」「基準は満たしていたのに、見送ったことは」と、印象に残っている具体的な場面から入ると人は話しやすくなります。語りやすい入口から入って、そこから判断基準を掘り下げる順番です。

自社のケースで「読ませる」と「聞かせる」のどちらを選ぶべきかは、次の2つの質問で判定できます。

質問1　その知識は、すでにどこかの文書に書かれていますか

• 書かれている → それは暗黙知ではなく、整理されていない形式知です。RAG・要約・構造化（できることA）で活用できます。先の「3つの失敗」でいえば、失敗①②の領域です。
• 書かれていない → 質問2へ進みます（失敗③の領域）。

質問2　その知識を持っている本人に、まだ話を聞けますか

• 聞ける → 対話で引き出します（できることB）。この後の「質問の4つの型」をそのまま使ってください。
• 聞けない（すでに退職している等） → データからの自動抽出（できないことC）に頼ることはできません。間接的な方法に切り替えます。手順はこうです。まず、過去の案件記録（稟議書・検査記録・対応履歴など、結果だけでも残っているもの）を集め、そこから「この人はこういう条件のとき、こう判断していたのではないか」という仮説を組み立てます。次に、その仮説を、当時を知る社員や、近い業務を担う有識者に見てもらい、「この読み方で合っているか」を確かめます。仮説と確認の往復を重ねて、確からしい部分だけを条件付きルールとして残します。ただし、これは本人に聞くより確度が落ち、手間もかかります。だからこそ、本人がいるうちに聞くのが、最も確実で、コストも小さい方法です。

判断を引き出す4つの質問型

「聞かせる」と言っても、「あなたの暗黙知を教えてください」と正面から聞くのは得策ではありません。本人も意識せずに使っている知識なので、答えに困ってしまうからです。必要なのは、判断が言葉になって表に出る場面を質問で作ることです。

見落とされがちなのですが、AIに良い仕事をさせるとき、出力の質を決めているのは最後の調整ではなく、最初に渡す入力です。そしてその入力を書く作業の正体は、自分の頭の中にある前提や判断の基準を言葉にすることそのものです。だから、AIに良い指示を書くことと、ベテランの暗黙知を言葉にすることは、実は同じ作業の表と裏なのです。

だからこそ、次の4つの型は、AIへの指示文（プロンプト）にそのまま使えますし、人間が聞き取りをするときの質問例としても機能します。なお、4つの型の背景には、判断を引き出すための手法（過去の判断を本人に再体験してもらう、通した案件と落とした案件を対比する、ギリギリの境界を探る、仮定の状況を投げる、例外パターンを集める、の5つ）があります。これらはSkillRelayが知識工学・認知科学をもとに整理した独自の引き出し手法です（株式会社taiziiiの整理）。4つの型は、この手法を現場で使いやすい質問の形に翻訳したものです。

この4つの型は、Excel付録「判断を引き出す質問4型ワークシート」としても用意しています。質問例ごとに、ベテランの回答と条件付きルールへの変換を書き込める記入欄をつけてありますので、印刷して聞き取りに使えます。

型①　仮定で判断パターンを広げる

この型では、「もし条件がこう変わったら、判断は変わりますか」と仮定を立てて聞きます。現実に起きた案件だけを材料にすると、ベテランの判断のうち、たまたま起きた状況の分しか観察できません。実際には起きなかった状況での判断は、頭の中にあっても表に出ません。仮定の条件を少しずつ変えながら聞くことで、まだ言葉になっていない判断のパターンを引き出せます。

例を挙げます。与信判断の場面です。

質問　「この取引先、いまは与信枠を上げてよいと判断されましたね。もし直近の売上が8%減っていたら、判断は変わりますか」

ベテラン　「8%なら、まだ上げる。10%を超えてくると、いったん止めて理由を確かめる」

質問　「その『理由を確かめる』というのは、何を見るんですか」

ベテラン　「一過性の減少か、構造的なものか。たとえば主要顧客が1社抜けただけなら、また戻る見込みがある。複数顧客から少しずつ減っているなら、これは危ない」

最後の往復で、「売上8%減」という単純な数字の話が、「減少の原因が一過性か構造的か」「複数顧客からの減少は危険」という判断基準に変わりました。「なんとなく売上が落ちたら警戒する」という曖昧な状態から、「複数顧客から少しずつ減っている場合は、構造的な問題として警戒する」という言葉にできる形になりました。

型②　判断が切り替わる境界線を数値化する

この型では、「どこを境に、判断が切り替わりますか」とOKとNGの境目を数字で特定します。「利益率が何%を下回ったら再検討しますか」「在庫が何個を切ったら危険と見ますか」といった聞き方です。境界線が数字になると、本人以外の人が同じ線を引けるようになります。「なんとなく利益率が低いと不安」では、若手は再現できません。「9%を切ったら再検討」なら誰でも同じ判断ができます。

例を挙げます。在庫管理の場面です。

質問　「この部品、いつ発注をかけるか、何を見て決めていますか」

ベテラン　「在庫が少なくなってきたら、かな」

質問　「『少なくなってきたら』というのは、だいたい何個くらいですか」

ベテラン　「うーん、感覚だけど、50個を切ったあたり」

質問　「では40個なら必ず発注しますか。60個ならまだ大丈夫ですか」

ベテラン　「40個なら絶対かける。60個でも、納期が長い部品なら早めにかける」

最初は「少なくなってきたら」という言葉にならない感覚でした。最初から正確な数字が出なくても構いません。「だいたい50個」が出たら、「では40個ならどうか、60個ならどうか」と一段ずつ確かめていきます。最後には「40個で必ず発注、ただし納期の長い部品は60個でも発注」という、納期という条件まで含んだ境界線が出てきました。

型③　判断の根拠を分解する

この型では、「その判断の根拠は、数値ですか、過去の経験ですか、リスクの直感ですか、それとも社内ルールですか」と根拠を要素に分けます。「なんとなく」の一言の中には、種類の違う根拠が混ざっています。分解してみると、数値で検証できる部分、過去の具体的な事故の記憶に基づく部分、ルールで決まっていた部分が分かれて見えてきます。分かれた要素は、それぞれ別の形で文書化できます。数値の部分は基準として、経験の部分は事例として、ルールの部分は規程として残せます。

分解するとき、根拠を5つの種類で受け止めると整理しやすくなります。SkillRelayの整理では、知識の粒度を、明示ルール（社内規程に書いてあるもの）、経験則（おおむねこうするという経験的な勘どころ）、パターン（言語化しにくい直感）、条件分岐（「もし○○なら△△する」というIf-Then）、トレードオフ（二つの良いことが両立しないときの重みづけ）の5つに分けています（株式会社taiziiiの整理）。分解した要素をこの5つのどれかに当てはめると、文書化の方法が決まります。

例を挙げます。企画の良し悪しを見極める場面です。

質問　「この企画、通すと判断されましたね。何が決め手でしたか」

企画責任者　「なんとなく、いけると思った」

質問　「その『いける』は、数字の根拠ですか、過去に似た企画が当たった経験ですか、それともリスクが低いという直感ですか」

企画責任者　「数字というより、過去にこの層向けの企画が当たったから。あと、初期投資が回収できる範囲だったのが大きい」

質問　「『回収できる範囲』というのは、いくらまでなら通しますか」

企画責任者　「初期投資が、想定売上の3割を超えなければ」

「なんとなくいける」が、「過去にこの顧客層向けの企画が当たった経験（経験則）」と「初期投資が想定売上の3割以内（明示できる境界線）」の2要素に分解されました。前者は事例集に、後者は基準として、別々に残せます。

型④　例外を掘り起こす

この型では、「基準を満たしているのに見送ったケースはありますか」「逆に、基準を外れていたのに通した案件はありますか」と例外を聞きます。ルールに書かれている本当の判断は、通常案件ではなく例外にこそ現れます。通常案件は、ルールどおりに処理すれば済むので、ベテランの判断力はほとんど使われていません。ベテランの真価は、ルールでは割り切れない場面で発揮されます。通常案件だけを聞いても本当の判断基準は出てこないため、例外を聞きます。

例を挙げます。品質検査の場面です。

質問　「検査基準を満たしているのに、出荷を見送ったことはありますか」

検査責任者　「ある。基準は全部クリアしていたけど、表面の仕上がりがいつもと違う感じがして、止めた」

質問　「『いつもと違う感じ』というのは、具体的に何を見たんですか」

検査責任者　「色味が、わずかにムラっぽかった。基準の範囲内だけど、この取引先は仕上がりにうるさいから、念のため」

質問　「では、その取引先以外なら、同じムラでも出荷しますか」

検査責任者　「する。基準内だから。問題はその取引先だけ」

「なんとなく止めた」が、「基準内でも、仕上がりに厳しい特定の取引先向けには、色味のムラがあれば見送る」という、取引先という条件つきの判断に変わりました。これは通常の検査基準には書かれていません。例外を聞いて初めて出てきた判断です。

当社の調査でも、引き継ぎの際に不足していた判断の観点として最も多く挙がったのは「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。現場が本当に困る場面の判断は、通常案件をいくら聞いても出てきません。例外を聞くのです。

「なんとなく」で止まる理由と、具体案件・対比で聞き直す方法

4つの型を使っても、「いやあ、長年やってると分かるんだよ」「なんとなく、としか言えない」で止まってしまうことがあります。その場合は、抽象的な説明をさらに求めるのではなく、具体的な案件と対比に戻して聞き直します。

一つは、具体的な案件を一つ、目の前に置くことです。抽象的に「あなたの判断基準は」と聞くと「なんとなく」になりますが、「先月のあの案件、なぜ止めたんですか」と特定の一件に絞ると、人は具体的に思い出せます。まず印象に残っている案件を一つ話してもらい、「そのとき何が引っかったのか」を掘り下げてから、仮定や境界線の質問に進むと、答えが出やすくなります。

もう一つは、対比で聞くことです。「なんとなく危ない」と返ってきたら、「では、危なくなかった似た案件と、何が違いましたか」と、通した案件と止めた案件を並べて差を聞きます。人は一つのものを説明するのは苦手でも、二つを比べて違いを言うのは得意です。「あっちは社長が長く続いていた、こっちは直前に交代していた」のように、比べた瞬間に、判断を分けていた条件が言葉になります。それでも出てこない要素は、言葉にしきれない身体感覚に近い部分かもしれません。その扱いは「形式知化できない判断はどう扱うか」の章で改めて触れます。

なんとなくを条件付きルールに変える

質問への回答を、そのまま議事録として保存するだけでは不十分です。それでは、検索されない文書が一つ増えるだけです。引き出した発言を、他人とAIが使える形にするには、決まった手順があります。

やり方はこうです。まず、引き出した発言を要素に分解します（型③でやった作業です）。次に、その要素を「〜の場合は、〜を見て、〜なら、〜する」という条件文の形に組み直します。最後に、組み直した条件文を本人に戻して、「この整理で合っていますか」と確認します。この3ステップを踏んで、初めて他人とAIが使える形式知になります。条件文への変換と本人確認を省くと、後で本人の意図とずれたまま固まってしまいます。この一連の作業は、Excel付録「判断を引き出す質問4型ワークシート」の記入欄に沿って進められます。

この手は、製造現場の勘や技能だけのものではありません。与信判断、審査、企画の良し悪しの見極めといった、数字や言葉で扱うホワイトカラーの判断業務にも、同じ質問の型がそのまま効きます。むしろ言語化の手がかりが多いぶん、引き出しやすい領域でもあります。

変換の例を2つ示します。

一つ目は与信判断です。出発点は「経験的に、危ない案件は何となく分かる」という発言です。これを4つの型で分解していくと、たとえばこう変わります。「新規顧客で、かつ初回から値引き要求が強い案件は、過去に回収トラブルが多かったため、与信枠を一段階下げて取引を始める」。ここまで来れば、若手も参照できますし、AIの参照文書（RAGの対象）にも加えられます。

二つ目は、品質検査の見送り判断です。型④の例で出てきた発言を変換します。出発点は「基準内だけど、なんとなく止めた」でした。これを条件文にすると、こうなります。「仕上がりに厳しい取引先（A社・B社）向けの製品は、色味のムラが基準内であっても、目視でムラが認められる場合は出荷を見送り、再検査に回す」。どの取引先のとき（条件）、何を見て（色味のムラ）、どうなら（目視で認められる）、どうする（見送って再検査）が、すべて言葉になりました。これなら、ベテランがいなくても、若手が同じ判断にたどり着けます。

このとき、守るべき原則が一つあります。複数のベテランで判断が分かれた場合に、平均して一本のルールにまとめないことです。平均してはいけない理由を例で示します。Aさんは「利益率が15%を切ったら再検討」、Bさんは「12%を切ったら再検討」と言ったとします。違うからといって「12〜15%」と丸めた瞬間に、両方の根拠が消えてしまいます。Aさんが15%で線を引くのは、Aさんが担当する新規顧客中心の取引では回収リスクが高いからかもしれません。Bさんが12%なのは、Bさんの担当が長年の固定客中心で、多少利益率が下がっても回収は堅いからかもしれません。「12〜15%」と丸めると、この「なぜその線なのか」という条件がまるごと失われ、どちらの状況にも当てはまらない中途半端な数字だけが残ります。

だから、誰の・どの条件での判断なのかという帰属を保ったまま、別々の条件付きルールとして残します。「新規顧客中心の取引では15%（Aさん基準）」「固定客中心の取引では12%（Bさん基準）」と、条件つきで両方残す。例外は必ず別に分けます。判断が人によって違うこと自体は問題ではありません。条件が違えば適切な判断も違うからです。違いを消さずに残しておけば、「どの条件ではどちらのルールを使うか」を後から検討できます。

判断が食い違うときは平均せず帰属を保つ

ベテラン2人に聞いたら判断基準が違った、どちらが正しく、どちらを採用すべきか、と迷う場面があります。いま述べた帰属の話に直結する疑問です。

どちらかを選ぶのでも、統合するのでもなく、条件で分けます。食い違いの多くが「正しい・間違い」ではなく「前提条件の違い」だからです。先のAさん15%・Bさん12%の例で見たとおり、二人は別々の状況を前提に、それぞれの状況では正しい線を引いています。どちらかを正解と決めて一本化すると、もう片方の状況で外します。

だから、まず食い違いの背後にある条件の違いを聞き出します。「Aさんは15%、Bさんは12%とのことですが、お二人の担当されている取引先のタイプは違いますか」と確かめれば、たいてい前提の違いが出てきます。そのうえで、「どの条件ではどちらの基準を使うか」を条件分岐の形で残します。本当にどちらかが古い・誤っているとはっきりした場合だけ、片方を廃止します。ただしその判定は、本人たちと業務責任者が確かめる仕事であって、AIが「Aさんが正しい」と評価する話ではありません。AIは食い違いを見つけて「ここが違っていますが、どちらの条件ですか」と問い返すところまでです。

「なんとなく」を条件付きルールに変えていく作業は、現場の管理職にとって遠い話ではありません。同じ調査で、AIとの対話形式でベテランの判断基準を引き出すスキル継承に「興味がある」と答えた管理職は59.5%にのぼります。また、AI導入に期待するメリットとして最も多く選ばれたのは「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ようになること」（54.6%・複数回答）でした。期待の最上位は判断をそろえることでした。

抽出した判断が継承に変わらない3つの理由

ここまでで、暗黙知を引き出す方法までたどり着きました。けれども、引き出せたら継承が完了するわけではありません。むしろ、引き出した後にこそ見落とされがちな落とし穴があります。「言葉にして文書に残した」ことと「次世代が同じ判断をできるようになった」ことは、別のことだからです。

引き出した判断が継承につながらない失敗を、3つの空洞として整理します。これは知識継承の失敗パターン（表に出して終わる・AI仲介で理解が空洞化する・知識の鮮度が検証されない、の3つ）を、株式会社taiziiiが「3つの空洞」として再整理したものです。引き出して終わりにしないための設計図として使えます。

空洞①　表に出して終わる空洞

文書化やAIによる要約ができた時点で「継承できた」と誤認してしまう失敗です。引き出した判断を条件付きルールにして保存すると、達成感があります。けれども、ルールが文書になっただけでは、若手がそれを使って同じ判断ができるとは限りません。読んで分かった気になることと、実際の案件で使えることの間には距離があります。文書化は継承の一部であって、終点ではありません。

処方は、ルール一つひとつに「使う場面」「演習課題」「レビュー観点」「合格基準」を紐づけることです。たとえば与信の条件付きルールを残したら、それで終わりにせず、過去の実案件を使った演習を用意し、若手に同じ判断をさせてみて、ベテランがレビューする。この一連をセットにして初めて、文書が継承の支えになります。

空洞②　若手が考えなくなる空洞

AIが答えを返すほど、若手が自分で判断を組み立てる訓練の機会を失っていく失敗です。AIに聞けばそれらしい答えが返ってくるので、若手は自分で仮説を立てたり、根拠を考えたりせずに済んでしまいます。短期的には速いのですが、長期的には、若手が「自分で判断する力」を育てられません。

この懸念には、実証研究の裏づけがあります。高校数学を対象にしたランダム化比較試験（RCT）では、練習中にAIが使える生徒は成績が上がりましたが、AIを外した最終試験では、答えをそのまま出すタイプのAIを使っていた群が、AIを一度も使わなかった生徒より17%低い結果になりました（出典　Bastani, H. et al. “Generative AI Without Guardrails Can Harm Learning,” PNAS 2025。査読付き・RCT。ただし高校数学・短期という限界があります）。AIが答えを「渡す」と、その場の成果は出ても、本人にスキルが残らないことを示した結果です。先のCHI 2025の調査でも、AIを使うと人間の役割が「自分で考える」から「AIの出力を検証する」側に移っていく傾向が報告されています。

ただし、ここで終わらせるのは早計です。同じBastaniの研究は、逆も示しています。答えをそのまま渡すのではなく、ヒントだけを出すタイプのAI（解き方の手がかりは出すが、答えは本人に考えさせる設計）にすると、悪影響はほぼ消えました。つまり、空洞②は「AIが悪い」のではなく「答えを渡す設計が悪い」のです。設計次第で防げます。

処方は、AIに答えを渡させるのではなく、問いを深める使い方に切り替えることです。具体的な学習ループを示します。設備異常の原因を考える場面なら、まず若手に「原因の仮説を3つ挙げて」と考えさせます。次にAIが過去の類似事例を提示します。最後にベテランが、若手の仮説の見落としを指摘します（株式会社taiziiiの整理）。この順番だと、若手は先に自分の頭で考えてから、AIと突き合わせ、ベテランから学びます。AIが思考を肩代わりするのではなく、思考を広げる役割になります。

空洞③　更新されず腐る空洞

一度引き出して文書化したルールを、誰も更新せず、廃止もせず、放置してしまう失敗です。業務条件・顧客・規制・設備は変わります。去年は正しかった判断基準が、今年も正しいとは限りません。けれども、抽出済みのルールは「正解」として保管されがちで、現場で合わなくなっても訂正されません。古いルールを参照したAIが、いまは通用しない判断を返すようになります。

処方は、ルールに更新の仕組みを持たせることです。具体的には3つです。誰がそのルールの更新責任を持つかを決める（更新責任者）。いつまで有効かを決める（有効期限・適用条件）。現場が「このルール、もう合っていない」と気づいたときに直せる経路を作る（現場からの訂正申請と承認フロー）。この3つがあると、ルールは固定された文書ではなく、現場の変化を取り込み続ける形になります（株式会社taiziiiの整理）。

AIで引き出した判断を読むだけでは継承にならない理由

条件付きルールをきれいに整えてAIに載せたら、若手はそれを読むだけで自分では考えなくなるのではないか、という心配が出てきます。空洞①と②に直結する、もっともな懸念です。

答えは読むだけの設計にしなければよい、です。空洞②で見たとおり、AIが答えをそのまま渡すと若手のスキルは育ちませんが、ヒント型にして本人に考えさせると悪影響はほぼ消えます。だから、引き出したルールを若手にそのまま読ませて終わりにするのではなく、「まず自分で判断してみる→ルールやAIと突き合わせる→ずれた理由を考える」という順番を設計に組み込みます。文書化したルールは、答えを配るためではなく、若手が自分の判断を照らし合わせる基準として使う。同じ文書でも、使い方の設計で、継承にも空洞にもなります。

暗黙知AIツールを選ぶ前に分けたい3つの役割

ここまで読んで導入を考え始めた方のために、実装の観点を2つ整理します。「人間とAIで何を分担するか」と「ツールをどう選ぶか」です。

人間にしか担えない仕事が、3つ残ります。

一つ目は、対象の選定です。すべての業務・すべてのベテランから引き出すのは現実的ではありません。どこから着手すれば事業へのリスクが大きいかという優先順位は、事業の文脈を知る人間にしか判断できません。たとえば「この製品ラインの品質判断は、担当が一人に集中していて、退職が近い」という事情は、現場を知る管理職が決めることです。

二つ目は、内容の最終確認です。AIによる整理や条件文への変換が、本人の意図とずれていないかは、本人にしか分かりません。AIが「初回値引き要求が強い案件は警戒」とまとめても、本人が「いや、値引き要求そのものより、要求の仕方の強引さを見ている」と思っているなら、その差はベテラン本人にしか埋められません。

三つ目は、業務で使う最終責任です。引き出したルールを実際の案件に適用するかどうかの判断と、その結果への責任は、組織として人間が負うものです。AIが「過去の類似案件ではこう判断されていた」「この条件が前回と違う」といった判断材料を出しても、承認するかどうかを決め、結果を引き受けるのは人間です。

一方、AIに任せられるのは主に次の働きです。

一つ目は、質問の生成と深掘りです。4つの型を業務や案件に合わせて言い換え、回答に応じて次の質問を続けます。「8%減ならどうか、10%ならどうか」と一段ずつ掘る作業は、設計しておけばAIが繰り返せます。

二つ目は、回答の構造化です。発言を「〜の場合は、〜する」という条件付きルールの下書きに変換します（確定は本人の確認後です）。

三つ目は、過去の発言との食い違いの確認です。「以前は○○というご説明でしたが、今回の条件では逆になっています。どちらの条件でしょうか」と確かめ、あいまいな部分を残さず言葉にしていきます。ここでもAIは「どちらが正しい」と評価するのではなく、食い違いを見つけて問い返すところまでです。

ツールの選び方も、ここまでの整理がそのまま使えます。「暗黙知 AI」で探すと多様な製品が見つかりますが、大きくは3つの層に分かれます。

• 検索型（RAG・社内AIチャット）　すでに書かれた形式知を探して活用する層。見分け方は「書かれているものを速く正確に探す」ことをうたっているかです。
• インタビュー型書かれていない暗黙知を、対話で引き出す層。見分け方は「本人に質問して言語化する」「ヒアリングで判断基準を引き出す」ことをうたっているかです。
• 構造化支援型引き出した知識をルールやFAQの形に整理する層。見分け方は「引き出した内容を条件付きルールや教材の形に変換する」ことをうたっているかです。

選ぶときに見るべきは、自社の課題がどちらなのかという一点です。「書かれているのに探せない」ことなのか、それとも「そもそも書かれていない」ことなのか。診断の例を挙げます。「就業規則の内容を聞かれても、担当者が毎回マニュアルを探すのに時間がかかる」なら、答えは文書にあるので検索型です。「ベテランの与信判断を若手に引き継ぎたいが、判断基準がどこにも書かれていない」なら、文書を探しても無いので、検索型をいくら強化しても解決せず、インタビュー型から検討することになります。先の「3つの失敗」でいえば、失敗①②なら検索型、失敗③ならインタビュー型です。

検索型とインタビュー型は課題で導入順が変わる

両方とも課題で、どちらから入るか迷う場合があります。実務上は「引き出す」が先、つまりインタビュー型が先です。

理由は、検索型は参照できる文書が増えるほど答えの質が上がるからです。インタビュー型でベテランの判断を引き出して条件付きルールにすると、それが検索型の参照対象として追加されます。つまり、先に引き出しておくと、後から入れる検索型の精度が上がる。順番が逆だと、検索型を先に入れても、肝心の判断基準が文書に無いままなので、教科書的な答え（失敗③）から抜け出せません。引き出してルール化したものを検索型に載せて初めて、両者がかみ合います。だから「引き出す→ルール化→検索型に載せる」の順で、インタビュー型を先に検討します。

言語化できない判断を継ぐには実践機会が必要になる

最後に、誠実な限界の話をしておきます。対話で引き出しても、すべてが言語化できるわけではありません。哲学者のマイケル・ポランニーは、暗黙知を論じた著作で「私たちは、語れる以上のことを知っている」と述べました（Polanyi, M. (1966) The Tacit Dimension。借用理論として出典明記）。人間の知には、言葉にしきれない部分が必ず残るということです。

機械の音のわずかな違い、顧客の声のトーンから感じ取る温度感、その場の状況を踏まえた読み。こうした身体感覚に近い部分は、質問を重ねても条件文になりきらない領域として残ります。たとえば「いつもと違う音がしたら止める」という判断は、「いつもの音」を文章では伝えきれません。「AIに聞かせれば全部言語化できる」とは、ここでも主張しません。

身体感覚に近い判断は実践で継ぐ

では、言語化できない部分は諦めるのか。そうではありません。文書化できない部分は、文書ではなく実践の場で継ぎます。現実的な進め方はこうです。

まず、言語化できる部分は、これまでどおり条件付きルールにします。次に、言語化しきれなかった身体感覚の部分は、実際の場面で若手に経験させます。たとえば機械音の違いなら、若手に実機の前で判断させ、「いまの音、どう感じた」「なぜそう思った」と理由を言葉にしてもらい、ベテランの判断と突き合わせます。このフィードバックの往復を重ねると、最初は言葉にできなかった感覚が、少しずつ「高い音が混じったら要注意」のように言葉になっていきます。言葉にしきれない部分は、若手の身体に経験として蓄積されます。

この進め方は、若手が自分で問いを持ち、実案件で試し、レビューを受けるという往復が要点です（株式会社taiziiiの整理）。受け身で聞くだけでは身体感覚は移りません。先のBastaniの研究が示した「答えを渡さず考えさせる」設計と同じで、若手自身が判断し、理由を説明し、ベテランと突き合わせる過程を通してこそ、言葉にならない部分も継がれていきます。

つまり結論は、文書化（言語化できる部分）と実践機会（できない部分）のセットで設計することです。どちらか一方では足りません。文書化だけでは身体感覚が抜け落ち、実践だけでは判断基準が人によってばらつきます。両方を組み合わせます。そもそも暗黙知の形式知化がなぜ難しいのか、その全体像は別記事『暗黙知の形式知化はなぜ難しいのか』で掘り下げています。

よくある質問

Q. 暗黙知をAIで言語化できる範囲はどこまでですか

A. 範囲は3段階に分かれます。すでに文書化された知識の整理・要約・検索・構造化は、AIに任せやすい領域です。ただし、原資料との照合と最終確認は人が行います。文書にない判断は、本人への質問を介せば「〜の場合は〜する」という条件付きルールの形で、部分的に言語化できます。質問でも言語化しきれない身体感覚などの部分は、実践とフィードバックで継ぐ領域です。たとえば与信判断なら、財務指標の確認は文書整理（第1段階）、「複数顧客から少しずつ減っている場合は警戒」は対話で引き出すルール化（第2段階）、「取引先の担当者の様子から感じる違和感」は実践で継ぐ部分（第3段階）、と分かれます。

Q. 暗黙知を形式知化すると、どうなりますか

A. ベテランが退職しても、若手が同じ条件で同じ判断にたどり着けるようになります。具体的には、「なんとなく危ない」という本人にしか分からなかった判断が、「新規顧客で初回から値引き要求が強い案件は、与信枠を一段階下げる」のような条件付きルールになり、若手も参照でき、AIの参照文書にも加えられます。当社調査でも、AI導入に期待するメリットの最多は「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ようになること」（54.6%・複数回答）でした。ただし、文書になっただけでは継承は完了しません。若手が実案件で使い、ベテランがレビューする工程まで設計して、初めて判断がそろいます。

Q. 何から始めればよいですか

A. 問い合わせが集中している業務と、依存度の高いベテランを1人選ぶことからです。理由は、対象を絞らずに全業務から始めると、すぐにプロジェクトが肥大化して重要な判断が埋もれるからです。質問の4つの型を使って、まず1業務分の判断を条件付きルールにしてみてください。小さな単位で始めれば、効果を確かめながら対象を広げられます。

Q. どの業務・どのベテランから着手すれば失敗しにくいですか

A. 「失われると事業への影響が大きく、かつ本人にまだ聞ける」業務とベテランからです。判断の手順は、まず「この人の判断が失われたら、どの品質・納期・顧客・収益が壊れるか」を業務ごとに見積もります。次に、その中で退職や異動が近い人を優先します。影響が大きくても本人がまだ何年も在籍するなら急ぎませんが、影響が大きく本人が近く退職するなら最優先です。当社調査では、属人化したスキルが集中する年代として50代以上が最多（60.3%）に挙がっており、退職時期の近いベテランから手をつけるのが現実的です。

Q. なぜ暗黙知は社内で共有されないのですか

A. 理由は2つあります。一つは、暗黙知が定義からして言語化されていないため、本人も「何を共有すればいいか」が分からないことです。「あなたの判断基準を教えて」と言われても、無意識に使っているので答えに詰まります。もう一つは、共有することが本人にとって得にならないと感じられる場合があることです。自分の希少性が下がる、置き換えられる、という心理的な摩擦があると、肝心な判断は出てきません。前者は質問の4つの型で引き出すこと、後者はベテランを監修者として位置づけて貢献が評価される形にすること、で対処します。

Q. RAGとの違いは何ですか

A. RAGは「すでに書かれたものを探して答える」仕組みです。暗黙知の引き出しは「まだ書かれていないものを質問で言葉にする」工程で、RAGの前段に当たります。順番が大事で、先に引き出して条件付きルールにした判断をRAGの参照対象に加えれば、両者はつながります。逆に、引き出す前にRAGだけ強化しても、判断基準が文書に無いままなので、教科書的な答えしか返りません。

Q. ベテランの判断の引き出し方が分かりません。具体的にどう聞けばよいですか

A. 「あなたの暗黙知を教えて」と正面から聞かず、判断が表に出る場面を質問で作ります。4つの型が使えます。型①は仮定（「もし売上が8%減なら判断は変わりますか」）、型②は境界線の数値化（「利益率が何%を下回ったら再検討しますか」）、型③は根拠の分解（「その判断の根拠は数値ですか経験ですか」）、型④は例外（「基準を満たしているのに見送ったことは」）です。最初に、印象に残っている具体的な案件を一つ話してもらい、そこから掘り下げます。

Q. 退職してしまったベテランの判断は、もう取り戻せないのですか

A. 本人に聞くより確度は落ちますが、間接的に近づける方法はあります。過去の案件記録（稟議書・検査記録・対応履歴など）から「この人はこういう条件のとき、こう判断していたのではないか」という仮説を立て、当時を知る社員や近い業務の有識者に「この読み方で合っているか」を確かめてもらいます。仮説と確認の往復で、確からしい部分だけを条件付きルールとして残します。ただし、これは本人に聞くより手間がかり、確度も劣ります。だからこそ、本人が在籍しているうちに聞くのが最も確実です。

Q. 形式知化できたかどうかは、何で確かめればよいですか

A. 「文書が一つできた」ことではなく、「同じ条件で、別の人がベテランと同じ判断にたどり着けるか」で確かめます。手順は、条件付きルールにした後、若手に同じ案件で判断させてみて、ベテランの結論とそろうかを照合します。そろわなければ、ルールの条件が足りないか、言語化しきれない部分が残っています。この再現性が取れて初めて、判断が継承できたと言えます。文書の数や検索回数では測れません。

暗黙知はデータではなく人から引き出す

「暗黙知はAIで形式知化できるのか」という問いへの答えは、できる範囲とできない範囲を分けて考える必要がある、です。すでに言葉になっている知識の加工（A）と、本人から引き出す対話の支援（B）はできます。文書に書かれていない判断を、データから自動で抽出すること（C）はできません。

社内データを読み込ませても教科書的な答えしか返ってこなかったのは、AIの性能不足でも、現場の使い方の問題でもありません。参照した文書の中に、判断基準が書かれていなかったからです。AIは、存在しない判断基準を検索で見つけることも、一般論から自社固有の線引きとして復元することもできません。そして打ち手は、データを増やすことではなく、AIに任せる役割を変えることです。文書の読み手から、本人への質問者へ。「読ませる」から「聞かせる」へ、です。

ベテランがまだ社内にいるなら、引き出すための時間は残されています。質問の4つの型を使って、1業務分だけ試してみてください。「なんとなく」が一つ条件文に変わったとき、この転換の意味が実感できるはずです。

関連記事

• 暗黙知の形式知化が失敗する理由　暗黙知がなぜ言葉にしにくいのかを深く見る
• AIで業務引き継ぎを進める方法　引き継ぎでAIに任せられる範囲を確認する
• 生成AI時代のナレッジマネジメント　AI時代のナレッジ設計に接続する
• 認知タスク分析（CTA）とは　熟達者の判断を引き出す質問の方法
• AI Readyとは　生成AIが参照できる社内ナレッジの整え方
• ナレッジエンジニアとは　仕事内容と再び注目される理由

※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。ベテランから判断を引き出す「質問の4つの型」テンプレート（AIへの指示文として使えるプロンプト例つき）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）
• Polanyi, M. (1966) The Tacit Dimension（邦訳『暗黙知の次元』）
• 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
• Bastani, H. et al. (2025) “Generative AI Without Guardrails Can Harm Learning: Evidence from High School Mathematics,” PNAS
• Bainbridge, L. (1983) “Ironies of Automation,” Automatica, 19(6)
• Dinur, A. (2011) “Tacit Knowledge Taxonomy and Transfer: Case-Based Research,” Journal of Behavioral and Applied Management
• Scibelli, D. & Stevens, B. (2025) “Breaking the Chain of Knowledge Transfer: AI Shadows Implicit, Explicit and Tacit Exchange,” Issues in Information Systems, 26(3), 100–114. https://doi.org/10.48009/3_iis_2025_2025_108 （レビュー論文）
• Barnett, S., Kurniawan, S., Thudumu, S., Brannelly, Z. & Abdelrazek, M. (2024) “Seven Failure Points When Engineering a Retrieval Augmented Generation System,” arXiv:2401.05856. https://doi.org/10.48550/arXiv.2401.05856
• Liu, N. F. et al. (2024) “Lost in the Middle: How Language Models Use Long Contexts,” Transactions of the Association for Computational Linguistics, 12, 157–173. https://doi.org/10.1162/tacl_a_00638