はじめに：暗黙知×AIの問いを立て直す
熟練者の引退や人手不足を背景に、「ベテランの勘やコツをAIに覚えさせたい」というニーズが高まっています。しかし、暗黙知は文書やデータに保存された情報の塊ではありません。身体の動き、視線、タイミング、例外への感受性、仲間との役割分担のなかで発揮されるものです。
本記事では、暗黙知を「コピーする」発想から一歩進め、人間・AI・組織が互いに変化しながら新しい熟達を形成していくプロセス、すなわち「共進化的共同実践」という視点を紹介します。暗黙知の捉え方、代表事例、評価方法、実装設計、倫理面の課題を順に整理します。
暗黙知とは何か：AI時代の再定義
「言葉にできない知識」だけではない
暗黙知の議論は、Polanyiの問題提起や、暗黙知と形式知の相互変換を描いた野中郁次郎氏の組織的知識創造論（SECIモデル）を土台としています。ただしAIへの応用を考える場合、「言語化されていないもの」と定義するだけでは不十分です。
たとえば熟練大工の研究では、鉋（かんな）の調整時の視線の位置や、作業中に視線が先回りする動きなど、本人が説明しなくても計測可能な違いが観察されています。暗黙知には、判断だけでなく身体的・知覚的なパターンも含まれるのです。
暗黙知を5つの類型で捉える
AIで扱う観点からは、暗黙知を次のように分けて考えると整理しやすくなります。
- 身体・感覚運動知：力加減、リズム、姿勢など
- 知覚・パターン認識知：「いつもと違う」と気づく力
- 判断・例外処理知：通常のルールを破るべき条件の見極め
- 関係・協調知：誰に、いつ相談するか、引き継ぎの勘所
- メタ認知的暗黙知：「ここは自信がない」「専門家を呼ぶべきだ」という自己認識
類型ごとに、計測すべきデータもAI内での表現方法も、陥りやすい失敗も異なります。特に重要なのは、熟練者の「出した答え」だけを学習させてはいけないという点です。同じ結論でも、根拠・状況・確信度・代替案は異なる可能性があるためです。
AIへの「移植」アプローチとその限界
模倣学習は「動き」を写せても「判断」までは写せない
行動の流れそのものが暗黙知の中心であれば、模倣学習（Imitation Learning）が自然な選択肢になります。ただし、専門家と同じように動けることは、専門家と同じことを知っていることを意味しません。安全限界や稀な例外は、通常の作業データにはほとんど現れないからです。
そのため、成功事例だけでなく、失敗寸前の事例、判断を保留した事例、専門家に相談した事例を意図的に集めることが重要になります。これにより、AIは単なる行動のコピーではなく「判断の境界」を学べる可能性があります。
説明可能性は「表示すること」がゴールではない
AIの判断根拠を可視化する技術は有用ですが、説明を表示すれば安全になるわけではありません。医療分野の皮膚がん診断研究では、質の高いAI支援が診断を改善した一方、誤ったAIが専門家を含む医師を誤誘導したことも報告されています。
評価すべきは「説明を出したか」ではなく、正しいAIを採用し、誤ったAIを拒否できるようになったかという「適切な依存（Appropriate Reliance）」です。
共進化的共同実践（CEJP）という新しい視点
人間・AI・実践・文脈の動的な結びつき
共進化的共同実践（Co-Evolving Joint Practice）とは、熟達を個人の属性ではなく、人間、AI、共同実践、文脈が結びついて変化し続けるシステムとして捉える考え方です。
AIだけが学習するのでも、人間がAIに慣れるだけでもありません。共同作業の結果と相互評価から、人間の能力、AIの知識、組織の実践がそれぞれ更新されていきます。
相互適応の3段階
この共進化は、次の3段階に分けると理解しやすくなります。
- 人間→AIへの適応：AIの得意・不得意や、上書き（override）すべき条件を人間が学ぶ
- AI→人間への適応：AIが個人の専門性や現場状況に合わせる
- 共同実践の適応：これまで存在しなかった役割分担や手順が生まれる
第3段階まで到達して初めて、「移植」を超えた共進化と呼べるでしょう。
「答えるAI」より「問いを生むAI」
共進化の鍵は、AIが答える能力よりも問いを返す能力にあると考えられます。専門家には「なぜ通常手順を破ったのか」、新人には「決める前に何を確認すべきか」と問い返すAIは、双方の暗黙知を再構成する媒介者になり得ます。
製造・医療・教育の代表事例
製造業：対話型の技能伝承
日本では、ライオンとNTTデータによる洗剤製造工程の「勘所」抽出と生成AI検索化、NTTデータとFortienceによる「デジタルSECIモデル」など、暗黙知を対話可能な知識資源にする取り組みが見られます。後者は、専門家と若手の対話を通じて判断の視点を蓄積・更新していく構想で、「移植」から継続的な知識創造へ近づく事例といえます。ただし、多くはPoC段階であり、長期的な効果は今後の検証が待たれます。
医療：仕事の配分そのものを再設計
乳がん検診のランダム化試験（MASAI）では、AIのスコアで読影の振り分けを行うことで、検出性能を維持しつつ読影負荷を軽減できる可能性が示されました。ここで注目すべきは、AIの精度よりも**「誰がどの症例を読み、AIをどこに配置するか」という共同作業設計**が重要な変数になっている点です。
教育：人間の問いかけ方を変えるAI
教育分野のTutor CoPilotは、熟練チューターの指導法をモデル化し、授業中の人間チューターにリアルタイムで助言するシステムです。ランダム化評価で生徒の学習到達の改善が報告され、特に経験の浅いチューターの担当生徒で効果が大きかったとされています。AIが生徒に直接答えを与えるのではなく、人間の教え方そのものを変えた点が重要です。一方で、主要報告はプレプリント段階であり、教師の長期的な技能形成までは実証されていません。
共進化をどう評価するか
4条件の比較設計
共進化を実証するには、「AIあり／なし」の比較では不十分です。少なくとも**人間のみ、固定AI、適応AI、共進化型AI（振り返りや問い返しを含む）**の4条件を区別することで、AI側の学習と人間側の学習の効果を切り分けやすくなります。
重視すべき評価指標
- 共同成果：人間単独・AI単独を上回る相乗効果があるか
- 適切な依存：正しいAIを採用し、誤ったAIを拒否できるか
- 人間の学習と技能保持：AIを外しても能力が維持されるか
- 技能萎縮（deskilling）の有無：導入前後のAIなし能力の変化
- ペア過適合の検出：特定の人とAIの組み合わせだけで機能していないか
- 公平性：便益や損害が特定の層に偏っていないか
特に、AIを一時的に外したテストや、時間を置いた保持テストを定期的に行うことで、「便利になった」と「熟達した」を区別できます。
実装設計と倫理・ガバナンス
「行動＋理由＋文脈＋結果」をセットで記録する
共進化型システムでは、「何をしたか」だけでなく、なぜそうしたか、どんな状況だったか、結果はどうだったかを一連のエピソードとして保存することが基本になります。また、熟練者間の意見の不一致や少数派の方法も知識として残すことで、知識の平均化による喪失を防げる可能性があります。
自動更新ではなく「統制された継続学習」
現場データは継続的に集めても、モデル更新は自動で行わず、検証・専門家レビュー・段階展開・ロールバックを経るのが望ましいでしょう。頻繁に変わる手順や規則は版管理された検索基盤（RAG）で参照し、モデル本体と分離する設計も有効です。
「暗黙知は誰のものか」という問い
技能を提供した熟練者の役割が、そのAIによって縮小する可能性もあります。知識提供を無償の追加作業とせず、ナレッジ管理を明示的な職務として評価することが社会的受容の条件になり得ます。日本でもAI関連の法制度やAI事業者ガイドラインの整備が進んでおり、データ利用の目的、同意、責任分担を最初から設計に組み込む段階に入っています。
まとめ：知識の「移植」から熟達の「共創」へ
本記事の要点は次のとおりです。
- 暗黙知は身体・知覚・判断・協調・メタ認知にまたがり、単純なデータ化では捉えきれない
- AIへの「移植」は出発点として有効だが、研究対象としては不十分
- 人間・AI・組織が相互に変化する「共進化的共同実践」として捉え直すことが重要
- 評価は精度だけでなく、適切な依存、人間の技能保持、公平性、長期的影響まで含めるべき
- 実装では版管理と統制された更新、倫理面では知識提供者への配慮が欠かせない
目指すべきは「熟練をAIに保存した組織」ではなく、人間とAIが互いの限界を可視化しながら、新しい熟練を生み出し続けられる組織です。今後は、知識抽出から人間の学習、AIの再学習、組織慣行の変化までを長期的に追跡する研究が求められます。
コメント