製造業におけるAIエージェント時代の技術承継とAX人材育成

第1章 はじめに

1.1 製造業を取り巻く環境変化

製造業を取り巻く環境は、生産年齢人口の減少、人材流動性の高まり、サプライチェーンの不確実性、品質・安全要求の高度化などを背景として、大きく変化しています。とりわけ、熟練者の暗黙知に依存することも多い製造現場では、ノウハウ継承の遅れが、品質、稼働率、保全、生産計画、設計精度に影響を及ぼす経営上の課題となっています。

1.2 技術承継が経営課題となる理由

従来の製造業の技術承継は、OJT（職場内訓練）、標準書の整備、技能マップの作成、教育体系の整備、熟練者によるレビューを中心に進め、一定の成果を上げてきましたが、環境変化の速さと人材制約を踏まえると、これらだけで維持と改善を両立することは難しくなっています。

特にものづくりの現場では、品質、稼働率、保全、生産計画、設計精度に関わる判断が日々発生し、これらを残されたリソースだけで維持し続けることは難しくなっており、結果として熟練知の喪失、育成期間の長期化、判断品質のばらつき、部門間での知識分断が進むリスクがあります。技術承継は、人材育成施策ではなく、将来の競争優位を維持するための経営能力再構築の課題として捉える必要があります。

1.3 AIエージェントがもたらした論点

こうした中で、人的資源を補完する存在としてAIエージェントへの期待が高まっています。デロイト トーマツ グループの支援事例でも、設備故障の要因分析、工場における生産統制、不良抑止に向けた設計高度化など、AIエージェントの適用範囲は着実に広がっています。

AIエージェントは単なる業務効率化ツールではなく、人が担ってきた業務の一部を代替・自律的に遂行する存在です。そのため、導入に際しては「どの業務をAIエージェントに委ね、人は何を担うのか」という役割分担の見直しが重要な論点になります。すなわち、AIエージェント時代の技術承継では、従来の4M（Man：人、Machine：機械、Material：材料、Method：方法）にAIエージェントを加えて再編し、人とAIエージェントの役割と責任を再設計することが求められます。

第2章 従来型技術承継の限界と求められる発想転換

2.1 従来型技術承継の限界

従来の技術承継は、OJTや業務文書の整備、技能マップの作成、教育体系の構築などを中心に進められてきました。これらは引き続き重要である一方、ものづくりの現場で求められる設備状態、品質要求、納期制約などを踏まえた総合的な判断は、熟練者の経験に依存する暗黙知として残りやすく、標準書や手順書だけでは十分に継承することが困難でした。

また、設計、製造、品質、保全、人材育成といった機能ごとに知識やデータが分断されているため、組織横断での知識活用や全体最適の実現も容易ではありませんでした。

さらに、AIエージェントを早期に導入した組織においても、AIエージェントの出力を誰が評価し、どこまで責任を負うのかを含めた運用設計が十分でないケースが少なくありません。言語モデルの高度化によって精度向上は期待できるものの、運用設計が不十分なままでは現場実装は進まず、むしろ属人化や責任の所在の曖昧さが残るリスクがあり、従業員を再雇用・再配置した事例も見られます。

2.2 課題の本質

従来の技術承継は、人から人への知識移転や経験による習熟を前提としてきました。そのため、現場で求められる判断の根拠や意思決定プロセスを明示的に整理・構造化する取り組みは必ずしも十分ではなく、個人に蓄積されやすいものでした。個別業務の効率化に寄与する一方で、熟練者が担ってきた判断や例外対応を安定的に移管することは困難でした。AIが何を根拠に判断したのか、誰がその妥当性を評価するのか、どこまで権限を委譲するのかが曖昧なことが課題です。

一方で、意思決定プロセスを整理する取り組みをしない場合、将来的な熟練知の喪失、育成期間の長期化、判断品質のばらつき、部門間の知識分断といった課題が深刻化する可能性があります。

課題の本質はAIを導入することではなく、人が担ってきた技能や判断をAIエージェントに移管可能な単位まで分解し、必要なデータ、評価基準、権限、人間の関与度合い、責任分担と一体で設計することだと考えます。すなわち、「誰が、どの業務の、どの判断を、どこまでAIエージェントに委ね、誰が評価し、最終責任を負うのか」を定義することが、AIエージェント時代の技術承継における課題になります。

2.3 AIエージェント時代の基本的な考え方

こうした課題に対して重要なのは、AIエージェントをツールのように導入するのではなく、目的を起点として業務、意思決定、資源配分を再設計することです。技術承継を知識の保存にとどまらず、判断を再現可能な状態へ移行する取り組みとして捉え直す必要があります。

その際の重要な考え方は、次の3つです。

第一に、企業はAIエージェントの利用者であると同時に、知識・データ・ルールの提供主体でもあることです。どの技能をどの粒度で定義し、どのデータやルールと結び付け、どの業務に適用するのかを整理し、AIエージェントに提供する仕組みが必要です。ここでは各社固有の事業戦略と整合するようなスキル定義・データ整備が重要となります。

第二に、業務実行に必要なAIエージェントと人のスキルを一元管理することです。例えば、AIエージェントのスキルを整備したうえで、AIの出力を評価できる適任者の過不足を可視化します。スキルに対する過不足から、配置転換や必要な研修の提案、採用計画への反映をAIエージェントの適用範囲に合わせて一体的に実施できるようになります。

第三に、AIエージェントと協業できるAX人材を育成することです。AIリテラシーの高さも重要ですが、AIエージェントにおいては業務文脈に照らして妥当性を判断し、AIを活用して業務変革を推進できるAX人材が求められていると考えます。

第3章 技術承継とAX人材育成に向けたアプローチ

前章の考え方をふまえ、AIエージェントを活用した技術承継を実現するためには、人とAIの役割分担を見直し、それを支える人材育成と導入プロセスを整備することが重要です。以下では、その具体的なアプローチを示します。

3.1 人とAIエージェントの役割を再設計する

ものづくりにおけるAIエージェントの活用を定着させるには、AIエージェントを単なるツールではなく、業務を担う実行主体として設計する必要があります。そのためには、「何を任せるのか」「どこまで実行させるのか」「誰が監督し責任を持つのか」を明確に定義しなければなりません。

まず、AIエージェントの職務を定義します。目的、担当業務、期待成果、参照情報、利用ツール、禁止事項を整理し、AIエージェントが担う業務範囲を明確にします。例えば保全業務では、設備状態の確認、過去トラブルの検索、保全計画案の作成をAIエージェントが担い、設備停止判断や作業指示は人が担うといった役割分担が考えられます。また、人材に職務や識別情報を割り当てるのと同様に、AIエージェントについても固有の名称、権限、担当業務を定義し、実行履歴を管理することが重要です。これにより、どのAIエージェントがどの判断や処理を行ったのかを追跡でき、評価や統制を容易にすることができます。

次に、実行範囲と権限を定義します。AIエージェントは業務システムへの入力やワークフローの起票、通知、データ更新などを実行できるため、アクセス可能なデータ、操作可能なシステム、実行可能な処理、承認が必要な条件を明確にする必要があります。特に設計変更、品質判定、発注、設備制御など影響の大きい業務については、人による確認や承認を必須とすべきです。また、停止条件、差戻し条件、操作ログ、復旧手順もあらかじめ定めておく必要があります。

さらに、監督方法と責任分担を定義します。業務リスクに応じてHuman-in-the-Loop（人による確認・承認）、Human-on-the-Loop（人による監視・介入）、Human-out-of-the-Loop（人は事前のゴール設定のみ）のように関与度を使い分け、AIエージェントの判断や実行結果について、誰が確認し、承認し、最終責任を負うのかを明確にします。あわせて、参照情報、実行内容、出力結果、修正・承認履歴を追跡できる状態を確保し、判断の透明性と説明責任を担保することが重要です。

3.2 AX人材を育成する

AIエージェントの活用が進むほど、その出力を評価し、業務上の妥当性を判断できる人材の重要性は高まります。特に、操業や品質に影響する意思決定では、AIエージェントの提案を採否判断するだけでなく、評価結果を踏まえて、AIエージェントに任せる業務範囲、人間の関与度合いを見直していく力が求められます。

そのため、AX人材には業務や判断基準への理解に加え、データやルールを踏まえて品質・安全・稼働への影響を評価できる能力が必要です。また、AI活用を組織能力として定着させるためには、採用、配置、育成、評価制度と連動した人材育成が重要になります。

さらに、人とAIが共通して参照できるスキルマトリクスを整備することで、業務に必要な知識、判断、経験を可視化し、人材育成とAI適用を一体的に設計できるようになります。これにより、定型業務はAIへ移管し、熟練者は評価、改善、例外対応などの高付加価値業務に注力できるため、組織全体の能力向上につながります。

3.3 AIエージェントを段階的に導入する

AIエージェントの活用を定着させるためには、現場へ安全に導入するための段階的な導入プロセスと、導入後に役割や適用範囲を拡大していく継続的な育成・再配置プロセスを分けて考えることが重要です。

まず、段階的導入を進めます。

第1段階では、課題と目的を明確化します。経営層と関係部門が、品質、稼働率、教育期間、設計手戻りなどの経営課題を特定し、目的、対象業務、制約条件を定義します。技術承継そのものを目的化するのではなく、事業成果と結び付けることが重要です。

第2段階では、判断基盤を整理します。業務責任者、熟練者、データ管理者が中心となり、必要なデータ、評価指標、判断基準を整理します。暗黙知を含む技能をどの粒度で構造化するか、KPIやKRIをどのように設定するかが重要になります。

第3段階では、運用モデルを設計します。業務部門、情報システム部門、AIガバナンス担当部門が連携し、業務ルール、レビュー方法、承認フロー、ログ管理、監査、教育計画を整備します。また、AIが提案する業務と人が判断・承認する業務の境界を明確にします。

第4段階では、PoCやシミュレーションを通じて実装可能性を検証します。精度だけでなく、工数削減効果、再現性、例外対応力、現場での受容性を評価し、本番適用の可否を判断します。

第5段階では、本番運用へ移行します。運用責任者によるモニタリングのもとで、業務成果、リスク、利用状況を継続的に確認し、改善を進めます。

3.4 AIエージェントを継続的に評価し、改善する

これまで、人とAIエージェントの役割分担、AIエージェントを活用・評価できるAX人材の育成、段階的な導入方法について述べてきました。しかし、AIエージェントは導入して終わりではありません。人材に対するタレントマネジメントと同様に、AIエージェントについても継続的に評価し、育成・再配置していく必要があります。

具体的には、AIエージェントに対しても、人への業務配属と同様に、担当業務、参照情報、業務ルール、禁止事項、評価指標、エスカレーション条件を定義した上で業務に参加させます。運用開始後は、精度、工数削減効果、再現性、例外対応力、修正率、差戻し率、利用者評価などを継続的にモニタリングします。

成果が安定しているAIエージェントについては、対象業務、利用部門、接続システム、委任範囲を段階的に拡大します。一方、期待水準に達しない場合は、参照データ、業務ルール、プロンプト、ツール連携、評価基準などを見直し、再調整を行います。

このように、AIエージェントを継続的に評価・改善しながら活用範囲を拡大することで、人とAIの役割分担を現場の実態に合わせて進化させることができます。さらに、新たな言語モデルやツールを取り込みながら役割や委任範囲を拡張していくことが、企業の競争力強化につながります。

第4章 おわりに

4.1 期待される成果

以上のアプローチにより、企業は熟練者の経験や勘に依存していた判断を、データとルールに基づいて再利用可能な資産へ転換できるようになります。これにより、人材の異動や退職による影響を受けにくい経営基盤を構築するとともに、人とAIが協調して意思決定を行う組織へ移行することが可能になります。

その結果、技術承継の効率化にとどまらず、品質、稼働率、保全、生産計画、設計精度といった競争力の源泉となる判断能力を組織全体で継続的に強化できるようになります。

4.2 本稿のメッセージ

技術承継とAX人材育成の本質は、AIエージェントへの業務移管を通じて、意思決定、業務、責任分担を再設計することにあります。AIエージェント時代において競争力を左右するのは、単なる業務の自動化の規模ではなく、自社の技能、判断、データ、責任構造を再設計し、人とAIが協調して価値を生み出す実行基盤を構築できるかです。