集合的暗黙知とは何か AIに知識を移す前に押さえておきたい前提
生成AIやナレッジグラフを使った暗黙知の形式知化は、多くの企業で導入が進んでいるテーマです。しかし「熟練者の知恵をAIに移せば、その知識がそのまま組織に残る」と考えると、期待と実態にズレが生じる可能性があります。集合的暗黙知は個人の技能とは異なり、共同体の中で相互承認や信頼関係を通じて意味を持つ知識であるため、AIへの変換過程で内容の一部だけでなく、知識が知識として機能するための条件そのものが抜け落ちる可能性があるのです。本記事では、AIに埋め込んでも保存されやすい要素と、構造的に失われやすい要素を切り分け、実務でどう向き合うべきかを整理します。
なぜAIに集合的暗黙知を埋め込むと「必ず失われるもの」があるのか
Polanyiが示した「語れる以上のことを知っている」という限界
暗黙知研究の出発点となったのが、Polanyiの議論です。彼は、人は言葉にできる以上のことを知っており、たとえ説明や図解といった補助手段を用いても、受け手側の理解や協働に依存する部分がどうしても残ると論じました。つまり暗黙知の外在化とは、知識をゼロから完全に透明にする作業ではなく、すでにある暗黙的な基盤の一部を、別の媒体に写し取る作業にすぎないという見方です。この視点に立つと、AIへのデータ入力やルール化は「翻訳」に近く、翻訳である以上、原文と完全に同一のものにはなりにくいと考えられます。
Collinsの集合的暗黙知論 社会の所有物としての知識
さらに重要なのが、Collinsが提示した集合的暗黙知という概念です。Collinsは暗黙知を関係的暗黙知・身体的暗黙知・集合的暗黙知に分類し、集合的暗黙知を「社会の所有物」として位置づけました。個人が努力すれば言語化できる知識とは異なり、集合的暗黙知は共同体のメンバーシップ、相互作用、社会的文脈に依存しているという整理です。この立場からは、生成AIは集合的暗黙知そのものを持たず、外形的な表現を処理する存在にとどまる可能性があると指摘されています。理論的な論争は残るものの、暗黙知の中核が社会的文脈やメンバー間の相互作用に依存するという方向性については、多くの研究で共有されている見方といえます。
AIが再現できるもの できないもの 技能・文脈・慣習との違い
技能・文脈・慣習はAIに移送しやすい領域
すべての暗黙知が同じように失われるわけではありません。作業手順、典型的なパターン、用語の関係性、過去事例、微細な調整の傾向といった「内容」に近い要素は、観察データ、センサ、文書、対話ログ、ラベル付けなどを通じて、部分的にはAIへ移送できる可能性があります。実際に、機械学習は熟練者の技能を外形的に評価・検知する用途で活用が進んでおり、ラボ自動化の分野では、手順そのものではなく「同じ状態遷移」を再現するという発想で、これまで暗黙とされてきた微調整を物理的な代理指標として形式化する試みも見られます。企業実務でも、熟練者へのインタビューやワークショップ、エスノグラフィー、文書マイニング、知識グラフ化を通じて、暗黙知のかなりの部分をAI活用可能な形へ変換する取り組みが進められています。
参加性・規範拘束・責任回路は移送できない領域
一方で、共同体への当事者的な参加、相互承認や信頼に支えられた規範の拘束力、責任と制裁の回路、非言語的な合意がその場で形成・更新されていく交渉過程、そして歴史的な連続性が「今も進行し続けていること」自体は、内容ではなく実践のプロセスそのものに属します。これらは、ルールや文書、特徴量、埋め込み表現、知識グラフといった形式に変換された時点で、同一のものとしては保存されにくいと考えられます。研究室の技能を扱う日本語の状況的学習論でも、実験プロトコルや論文は知識資源の一部にすぎず、装置や道具、実演、感覚、共同体の組織そのものがなければ意味をなさないことが示されています。AIが受け取れるのは、あくまでこうした実践の「痕跡」であり、実践が意味を持つための地盤そのものではない、という整理が可能です。
企業事例に見るAI埋め込みの手法と限界
知識工学・ルール化とRAGによる暗黙知抽出
暗黙知をAIへ埋め込む手法としては、ルール化・知識工学、文書のNLP解析やRAG、知識グラフ化、機械学習、模倣学習、ラボ自動化、エージェントシミュレーションなど多様なアプローチが存在します。固定的な目標や線形的な工程は専門家システム化しやすい一方、複数の目標が競合する場面での判断はルール化が難しいという指摘もあります。施工記録から自然言語処理でノウハウを抽出する事例では、抽出された文章が実際の現場条件に合うかどうかの最終判断は、担当エンジニアが担う設計になっている点が特徴的です。ここからも、AIは候補の提示までを担い、採否の判断は人間側に残すという役割分担が現実的であることがうかがえます。
知識グラフとラボ自動化が捉える構造とプロセス
知識グラフは、エンティティ間の関係性や依存関係、来歴情報を保持しやすく、保全記録や故障分析プロセスと組み合わせて診断AIを構築する事例にも活用されています。ただし、知識グラフが表現できるのは構造化された関係性であり、現場の温度感や権力関係の運用、交渉のニュアンスまでは捉えにくい領域です。ラボ自動化の分野では、吸引速度や気泡の状態といった見えにくい現象を物理的な代理量として形式化する研究も進んでいますが、これも「同じ手順の再現」ではなく「同じ状態遷移の再現」を目指すものであり、その現象が共同体の中でどう意味づけられているかまでは扱っていません。エージェントシミュレーションについても、集団行動の創発や仮説検証には有望とされる一方、ブラックボックス性や検証の難しさが課題として指摘されています。
AI導入で失敗しないための実務的な設計原則
RoutineとExceptionを分ける
これらを踏まえると、AI導入の目的設定を見直すことが重要になります。目標を「集合的暗黙知の完全な保存」に置くと、過大評価につながる可能性があります。より現実的なのは、AIが担えるのは共同体知の痕跡・代理表現・圧縮・検索可能化・応答生成・部分的な推論支援であると位置づけることです。実務設計の観点では、定型的な業務（Routine）と例外対応（Exception）を分けるアプローチが有効と考えられます。定型業務では、生成AI、RAG、知識グラフ、履歴検索、模倣モデルなどが高い効果を発揮しやすい一方、例外対応の場面では、AIの役割を根拠提示や論点整理、過去事例の想起にとどめ、最終的な判断権限は人間側に残すという切り分けです。
人間組織側に残すべき機能
第二に、AIを最終判断者ではなく中間媒介者として位置づけることも重要な設計原則です。とくに価値が衝突する場面、権限に関わる判断、逸脱の是非、責任の帰属といった論点は、人間組織が引き受ける前提を維持する必要があります。第三に、徒弟制、実践共同体でのOJT、現場レビュー、エスノグラフィー、異議申立ての仕組み、監査といった機能を、AIの外側にあえて残しておくことが求められます。これらはAIの機能不足を補う暫定措置ではなく、そもそも集合的暗黙知が成立するための必須条件であるという理解が前提になります。説明可能性についても、NISTのAI RMFやRoyal Societyの議論が示すように、それ単体では信頼性や責任を十分に担保できず、文脈や制度、多様な関係者を含む社会的な運用体制と組み合わせて初めて機能するものと考えられます。
まとめ｜記事の要点と次の研究テーマの掘り下げ
本記事の要点は、AIに集合的暗黙知を埋め込む際に失われるのは、知識の内容そのものというより、その知識が共同体の中で効力を持ち続けるための社会的成立条件だという点です。技能、文脈、慣習、記述可能な価値観、暗黙のルールといった要素は、観察データや文書、知識グラフ、模倣学習などを通じてかなりの程度AIへ移送できる可能性がある一方、共同体への参加性、相互承認に支えられた規範拘束、責任と制裁の回路、非言語的合意の交渉過程、歴史的連続性の「現在進行形」そのものは、表象化と同時に外部化され、AIの外側に残り続けると考えられます。実務上は、AI導入の目的を「知識の完全保存」ではなく「痕跡の代理表現化」と位置づけ直し、例外処理や責任判断を人間組織側に明確に残す設計が求められます。
コメント