熟練者が持つ「勘」や「コツ」といった暗黙知は、組織の競争優位性を支える重要な知的資産です。しかし、言語化が困難な暗黙知がどのように形成され、時間とともにどう変化するのかは長らく謎に包まれてきました。近年、行動観察ログの解析やAI技術の発展により、この暗黙知の実態と変化プロセスが科学的に解明されつつあります。
暗黙知とは？ポランニーの理論から理解する基本概念
形式知との違いと熟練者における暗黙知の特徴
ハンガリー出身の哲学者マイケル・ポランニーが提唱した暗黙知（Tacit Knowledge）は、「人間は言葉で説明できる以上のことを知っている」という概念に基づいています。マニュアルやルールとして文書化できる形式知に対し、暗黙知は個人の経験や直感に根差し、無意識に発揮される知識です。
熟練溶接工が火花の色から温度を直感的に察知する「勘」や、トップセールスが顧客の声色から本音を読み取る「洞察」は暗黙知の典型例です。これらは「やってみればわかる」としか説明できないものの、実際のパフォーマンスに大きな差を生み出します。
暗黙知は実践的な経験を通じて体得され、人の行為に深く埋め込まれる知識全般を指します。個人が「知ってはいるが言語化できない」知識であり、感覚を言語化することが困難なように、暗黙知も明文化するには困難があります。
Dreyfusモデルによる熟達化の段階的プロセス
Dreyfus兄弟の熟達化モデルでは、スキル習得は「硬直的なルール遵守」から「深い暗黙的理解に基づく直観的判断」への段階的移行プロセスとして整理されています。初心者は明確なルールに従って行動するのに対し、熟練者（エキスパート）は状況に応じた直観的判断に頼るようになります。
アンダーソンのACT理論における知識コンパイルの概念も、熟練に伴う暗黙知化を説明しています。知識コンパイルとは「スキルが宣言的段階から手続き的段階へ移行するプロセス」であり、コンポジション（複数の手順の統合）と手続き化（事実知識を行動ルールに埋め込むこと）というサブプロセスから構成されます。
これにより熟練者は個々のステップを意識せずとも作業を遂行でき、練習回数に応じて処理速度が飛躍的に向上することが説明されています。結果として、熟練者の知識構造は高度に統合化・簡略化され、必要な判断基準や手順が内在化されるのです。
暗黙知の可視化を可能にする行動観察ログ分析
視線追跡による熟練者の読み取り戦略の解明
暗黙知は本人にも自覚しにくく言語化も困難なため、インタビューやアンケートだけからその実態を捉えるのは難しいとされています。そこで近年注目されているのが、熟練者の行動データを時系列ログとして記録・分析する手法です。
上野秀剛らの研究では、ソフトウェアコードレビューの場面を対象に、初心者と熟練者の視線移動ログを比較分析しています。視線計測装置でレビュー中の目の動きを時系列に記録し、効率的なレビューア（バグ検出率・効率の高い人）と非効率なレビューアで視線パターンにどのような違いがあるかを調べました。
その結果、欠陥検出能力の高いレビューアほど特有の視線移動パターンを示すことが確認されました。具体的には、詳細設計書レビューとソースコードレビューでは熟練者が取るべき読み方が異なることが示唆されるなど、成績上位者と下位者で異なる視線パターンが定量的に明らかになっています。
熟練したレビューアは短時間で多くの不具合を見つけ出すために効率的な視線走査戦略（重要箇所を素早く見極める動き）を身につけており、これはまさに暗黙知として蓄積された「読みのコツ」と解釈できます。
身体動作センサーによる技能の定量化
身体動作を伴う技能領域では、映像解析やセンサー計測を用いた暗黙知の可視化が進んでいます。製造業や保守点検の現場では、熟練作業者の作業風景を高解像度カメラで録画し、姿勢推定（Pose Estimation）によって身体動作のキー特徴を抽出する手法が取られています。
外科手術の分野では腹腔鏡下手術の訓練システムにおいて、カメラ映像から手術器具の動きを自動追跡し、左右の器具の速度・軌跡・交差頻度・作業時間など複数の指標を算出する研究が報告されています。このシステムでは初心者と熟練者の動作データを比較し、例えば熟練者は左右の器具を交差させて視野を妨げる無駄な動きをほとんどしないことや、器具操作の速度・リズムが最適化されていることが示唆されています。
定量化された指標によって「どの動作が非効率か」「熟練者は何をしていないか（どのミスを犯していないか）」まで評価・フィードバックできるようになりつつあり、暗黙知として習得された巧妙なコツを数値で捉える試みといえます。
AI技術を活用した暗黙知のモデリング手法
大規模言語モデル（LLM）による暗黙知の言語化
近年は、AI技術を活用した暗黙知のモデリングも注目されています。大量の時系列データや非構造化データ（映像・音声・センサーログなど）からパターン認識や生成AIによって暗黙知を推定・言語化するアプローチです。
ケーススタディの一例として、熟練溶接工の作業映像と環境センサー（電流値・温度・音など）のログを蓄積し、GPTのような大規模言語モデル（LLM）に分析させる試みが挙げられます。具体的には、「作業開始何秒後にどのような微調整を行ったか」「火花の色や音の変化と調整操作にどんな関連がありそうか」といった仮説をLLMがデータから推論し、熟練者が言語化していない判断基準を文章として生成させるのです。
このようなAI支援により、暗黙知の一部を半構造的な知識として抽出・可視化し、新人教育用のマニュアルやQ&A資料に落とし込む試みも行われています。例えば前述の溶接のケースでは、LLMが「どんな音やビード（溶接痕）の色味変化に注目すべきか」「どのタイミングで電流を微調整しているか」といったポイントを推測し、新人向けの注意事項やチェックリストを自動生成することを目指しています。
マルチモーダルデータからの知識抽出
この分野はまだ新しい試みですが、将来的にはビッグデータ規模のログ蓄積により暗黙知の兆候を掴み、AIに熟練者の振る舞いを模倣させることも可能ではないかと期待されています。現状では暗黙知を完全に理解することは難しいものの、暗黙知の兆候となるようなデータをビッグデータ規模で集めることができれば、あたかも暗黙知に基づいた挙動を人工知能に行わせることは可能かもしれません。
行動ログ分析により、ヒアリングでは把握しきれない熟練者の判断や手順がデータとして可視化され、暗黙知の一端が浮き彫りになります。このように、行動観察ログの解析とAI技術の活用によって、時間経過に伴うスキル習熟プロセスを捉え、暗黙知の形成・変容を可視化する方法論が各領域で模索されています。
熟練段階と暗黙知の対応関係
初心者から専門家への暗黙知変遷プロセス
理論研究から実証研究まで一貫して示唆されるのは「熟練者ほど多くの暗黙知を内包し、それがパフォーマンスの差異を生む」という点です。一般に、初心者（Novice）は経験不足で暗黙知がほとんど形成されておらず、与えられたルールやマニュアル（形式知）に忠実に従います。
中級者（Competent）になると、一部の状況対応について経験的なコツ（部分的な暗黙知）を獲得し始めます。彼らは原則に加え状況に応じた指針（「場合によっては〜する方がよい」といったmaxim）を持ち始め、効率も上がります。
熟達者（Proficient）になると、かなりの部分で判断が自動化・直観化されます。自分の行動を言語で説明することが難しくなり、「なぜそうするのか」と問われても「経験上そう感じるから」「体が覚えているから」といった答えしかできなくなります。
エキスパート（Expert）の域では、膨大な暗黙知のネットワークによって支えられた高度に直感的・統合的な知識体系を持ち、極めて創造的・柔軟に対処します。彼らは通常の状況ではほとんど意識せずに正確無比なパフォーマンスを発揮し、未知の状況においても過去の暗黙知を組み合わせて斬新な対応策を見出すことがあります。
暗黙知の種類と統合化メカニズム
森の分類によれば、暗黙知は4種類・4層（判定型・加減型・感覚型・手続型）に分類できます。エキスパートは質的判断の暗黙知・量的調整の暗黙知・感覚的暗黙知・手続的暗黙知といった複数種類の暗黙知を高次元で統合しています。
これはつまり、環境のわずかな変化を察知して予測を立てる「判定型」、微妙な力加減や量を経験的に調整する「加減型」、五感を駆使して僅かな感覚情報を捉える「感覚型」、そして複雑な手順や状況対応そのものが身体化された「手続型」の暗黙知が、エキスパートの行動を多層的に支えているということです。
熟練が進むにつれ、これら暗黙知はますます洗練され相互に組み合わさって、初心者には見えない次元での状況把握と行動制御を可能にします。熟練者は複数の暗黙知を階層的に保持し、伝承には各層への働きかけが必要と指摘されています。
また、熟練の進行に伴い知識の構造そのものが変化します。初心者期には個々の行動や知識がバラバラで文脈から切り離されがちですが、熟練するにつれて経験に裏打ちされた知識同士が統合され体系化されます。例えば、熟練エンジニアは過去の多様なケースから暗黙のパターンを学習しており、新しい問題に直面した際も「どこかで見たような兆候だ」という直感（=過去事例とのマッチング）で早期に問題点を察知できます。
まとめ
暗黙知と熟練度向上の関係を総括すると、暗黙知は熟練化の「結果」であると同時に「原動力」でもあるといえます。経験の蓄積により生まれた暗黙知（結果）がさらなる高度なパフォーマンスを可能にし（原動力）、その実践からまた新たな暗黙知が創発されるという好循環が、エキスパートの卓越した技能を支えています。
逆に言えば、暗黙知を適切に形式知化（言語化・モデル化）して他者に伝承することができれば、熟練化のプロセスを加速・効率化できる可能性があります。しかし暗黙知の完全な解明・共有は容易でなく、多くの現場で属人化した暗黙知の継承断絶リスクが指摘されています。
その解決に向けて、行動ログ解析やAIによる知識抽出などの技術は、暗黙知の一端でも可視化・共有しうる新たな手段として期待されています。今後さらなる研究が進めば、ポランニーが指摘した「人は語れる以上のことを知っている」という命題に対し、「人はデータ解析とAIの力で、語れないこともある程度明らかにできる」と応答できる日が来るかもしれません。
人間の熟練と暗黙知のメカニズムを理解し活用することは、技能伝承の効率化や教育訓練の高度化、組織知の強化に直結する重要課題であり、引き続き理論・実践両面からの深化が求められています。
コメント