退職とともに失われる技術知識を、次世代が使える形へ
企業の中には、長年にわたって蓄積された技術資料があります。
過去案件の報告書。
設計資料。
調査結果。
Excelの集計表。
Wordで作成された手順書。
図面や写真。
スキャンされた紙資料。
これらは、会社にとって重要な財産です。
しかし、資料が保管されていることと、実際の業務で活用できることは同じではありません。
今回ご相談いただいた企業でも、長年蓄積された技術資料は存在していました。
一方で、
「どの資料に必要な情報があるのか分からない」
「過去の似た案件を探すのに時間がかかる」
「熟練者に聞かなければ判断の背景が分からない」
という課題がありました。
特に大きな経営課題となっていたのが、熟練技術者の退職による技術ナレッジの喪失です。
人が退職しても、資料は残ります。
しかし、
なぜその判断をしたのか。
どの条件を重視したのか。
過去に似た事例はあったのか。
どの資料を見れば判断材料が得られるのか。
こうした知識まで自動的に引き継がれるわけではありません。
そこで検討したのが、社内に蓄積された技術資料をAIで検索・参照し、次の業務で再利用できる仕組みです。
課題は「資料がないこと」ではなく、「必要な知識にたどり着けないこと」
多くの企業では、すでに大量の資料が保管されています。
問題は、情報が不足していることではありません。
情報はある。しかし、必要なときに見つけられない。
ここが、今回の本質的な課題でした。
たとえば、ある技術者が過去の類似案件を調べたいとします。
通常のファイル検索では、
案件名。
ファイル名。
作成者。
特定のキーワード。
などを手掛かりに探します。
しかし、実際の技術業務では、もっと複雑な条件で情報を探す必要があります。
たとえば、
「この地域で、似た地質条件があり、同じような構造物を扱った過去案件はないか」
「この条件で、過去にどのような問題が発生したか」
「似た案件では、どのような対策を選んだか」
といった検索です。
こうした質問は、単純なキーワード検索だけでは十分に対応できません。
同じ意味でも、資料ごとに異なる言葉が使われていることがあります。
必要な情報が、複数の資料に分かれている場合もあります。
そのため今回求められていたのは、単なる社内検索の改善ではありませんでした。
人が質問すると、関連する社内資料を探し、その根拠とともに必要な情報へたどり着ける仕組み。
それが検討の中心でした。
単純な「社内チャットボット」では足りない
生成AIを活用した社内サービスというと、
質問を入力するとAIが回答するチャットボットを想像しがちです。
しかし、技術ナレッジの継承では、会話できるだけでは十分ではありません。
重要なのは、
その回答が、どの社内資料を根拠にしているのか。
という点です。
技術業務では、AIが自然な文章を返したからといって、そのまま正しいとは限りません。
回答の根拠となった資料を確認できること。
参照した箇所を確認できること。
必要に応じて原文へ戻れること。
これらが重要です。
そのため今回の検討では、AIにすべてを判断させるのではなく、
社内資料から関連情報を探す。
質問に関係する箇所を整理する。
参照した資料を示す。
人が内容を確認して、最終判断をする。
という役割分担を重視しました。
AIは、熟練者の代わりになるものではありません。
熟練者が残してきた知識へ、次の世代がたどり着きやすくするための手段です。
PDF・Word・Excelを、横断して探せる状態へ
今回の対象となる資料は、一つの形式に統一されているわけではありません。
PDF。
Word。
Excel。
画像。
図表。
スキャンされた資料。
手書き文字を含む文書。
企業の技術資料は、長い年月の中でさまざまな形式で蓄積されています。
そのため、AIを導入する前に必要なのは、
「すべての資料をAIに入れること」
ではありません。
まず、
どの資料を対象にするのか。
どの形式に対応するのか。
古い資料と新しい資料をどう扱うのか。
重複した資料をどう整理するのか。
検索対象にしてよい資料はどれか。
を整理する必要があります。
AIナレッジ活用では、AIの性能だけでなく、情報をどう整えるかが結果を大きく左右します。
資料を大量に投入すれば、良い仕組みになるわけではありません。
必要なのは、
正しい人が、正しい情報へ、必要なときにたどり着ける状態をつくることです。
想定した仕組み
今回検討した全体像は、次のようなものです。
**社内に蓄積された技術資料
↓
PDF・Word・Excel・画像などを取り込み
↓
検索可能な形に整理
↓
利用者が自然な言葉で質問
↓
AIが関連する資料を探索
↓
関連箇所と回答候補を提示
↓
利用者が元資料を確認
↓
実務で最終判断**
たとえば、利用者が、
「この条件に近い過去案件で、注意すべき問題は何か」
と質問します。
するとAIが、社内資料の中から関連する案件を探します。
そのうえで、
関連する過去案件。
確認すべき資料。
過去に発生した問題。
対応内容。
参照した文書。
を整理して提示します。
人は、AIの回答だけを見るのではありません。
元の資料を確認し、現在の条件に本当に当てはまるかを判断します。
この形であれば、AIに判断を任せるのではなく、情報探索にかかる時間を減らす仕組みとして活用できます。
「詳しい人に聞く」から、「まず会社の知識を探す」へ
技術継承が属人化している組織では、
「この件は○○さんに聞けば分かる」
という状態がよくあります。
これは、経験豊富な人がいる間は効率的です。
しかし、その人が退職したとき、組織は大きな課題に直面します。
資料は残っていても、
どこを見ればよいか分からない。
判断の背景が分からない。
過去の経験と現在の課題を結びつけられない。
という状態になるためです。
AIナレッジ活用基盤の目的は、熟練者の価値を下げることではありません。
むしろ逆です。
これまで一部の人しか活用できなかった知識を、
若手技術者。
中堅社員。
別部署の担当者。
将来入社する社員。
も活用できる状態にする。
つまり、
個人の経験を、会社が継続して使える知識へ変える。
これが今回の大きな目的でした。
いきなり全社導入しない
今回の検討で重要にしたのが、スモールスタートです。
対象となる利用者は多くても、最初から全社へ展開する必要はありません。
むしろ、AIによるナレッジ活用では、最初から対象範囲を広げすぎると、
資料が多すぎる。
検索結果が安定しない。
不要な情報が混ざる。
利用者が使い方を理解できない。
といった問題が起きやすくなります。
そこで、まずは一部の部署や業務に対象を絞ります。
**対象部署を決める
↓
対象資料を限定する
↓
実際の質問で検索する
↓
回答精度を確認する
↓
使われ方を確認する
↓
改善する
↓
対象範囲を広げる**
この順番です。
重要なのは、AIがどれだけ高度かではありません。
実際の業務で、本当に使われるか。
ここを確認する必要があります。
検証すべきなのは「回答精度」だけではない
AI活用の検証では、
「正しい回答が出たか」
だけを見がちです。
しかし、実務で使える仕組みにするためには、それだけでは足りません。
たとえば、
必要な資料を見つけるまでの時間が短くなったか。
若手でも過去案件を探せるようになったか。
同じ質問に対して一定の品質で情報を探せるか。
元資料を確認しやすいか。
実際の業務で継続して使われるか。
といった点も重要です。
今回のような技術継承では、成果指標として、
資料探索時間の短縮
過去案件の再利用率向上
熟練者への問い合わせ削減
若手技術者の立ち上がり支援
技術判断のばらつき低減
などが考えられます。
AIの性能を評価するのではなく、
業務がどれだけ改善したかを確認する。
これが重要です。
権限管理なしでは、社内AIは広げられない
企業の資料は、すべての社員が自由に閲覧できるものばかりではありません。
部署によって見られる資料が違う。
案件によって関係者が違う。
機密性の高い文書がある。
顧客情報を含む資料がある。
そのため、AIナレッジ活用を広げるには、
利用者ごとに、検索できる資料を制御する仕組み
が必要です。
AIが便利でも、本来見られない文書の内容を回答してしまえば問題になります。
そこで、
利用者は誰か。
所属部署はどこか。
どの資料へアクセスできるか。
異動や退職時にどう権限を変更するか。
といった運用まで考える必要があります。
AIの回答画面だけを作れば終わりではありません。
企業で長く使うためには、
情報管理と運用設計まで含めて考えること
が重要です。
技術継承は、資料保存だけでは実現しない
多くの企業が、
技術資料を保存する。
マニュアルを作る。
共有フォルダへ入れる。
といった取り組みを行っています。
これらは重要です。
しかし、資料を保存しただけでは、技術継承は完了しません。
必要なときに見つけられること。
現在の業務と結びつけられること。
次の世代が理解できること。
実際に再利用されること。
ここまでできて、初めて技術知識が会社の資産になります。
今回の検討では、AIを導入すること自体を目的にしていません。
目指しているのは、
熟練者の知識を、会社から失われにくくすること。
そして、
次の世代が、過去の経験を現在の仕事に活用できること。
です。
AI導入の前に決めるべきこと
社内ナレッジ活用の相談では、
「どのAIを使えばいいですか」
という質問から始まりがちです。
しかし、最初に決めるべきなのはAIツールではありません。
まず確認するのは、
どの知識を残したいのか。
誰が使うのか。
どの業務で使うのか。
現在はどうやって情報を探しているのか。
どの資料が重要なのか。
どの情報は誰に見せてよいのか。
という業務と情報の設計です。
そのうえで、
検索だけで十分なのか。
AIによる要約が必要なのか。
複合条件での探索が必要なのか。
元資料の引用が必要なのか。
権限管理が必要なのか。
を整理します。
AIは最後に選びます。
ツールを決めてから業務を合わせるのではなく、業務課題を整理してから必要な仕組みを決める。
これが、無理のないAI導入につながります。
今回の検討から見えたこと
今回のご相談では、
熟練者が持つ技術知識を、退職とともに失わないこと。
過去資料を、次の業務で再利用できること。
若手や別部署の社員でも、必要な知識へたどり着けること。
という具体的な課題がありました。
そのために必要なのは、単なるチャットボットではありません。
社内資料。
検索の仕組み。
AI。
アクセス権限。
人による最終確認。
これらを適切につなぐ必要があります。
そして、最初から大きなシステムを作る必要もありません。
対象部署を限定する。
資料を絞る。
実際の質問で試す。
業務改善効果を確認する。
使えると判断できた部分から広げる。
この順番が重要です。
Sekimosoft合同会社では、AIそのものを販売するのではなく、
現在の業務を確認し、どこを変えれば経営改善につながるか
という視点からご提案しています。
AIは手段です。
大切なのは、
必要な情報を探す時間が減ったか。
熟練者の知識を残せたか。
若手が過去の経験を活用できるようになったか。
会社の技術資産が、次の仕事に使われるようになったか。
という成果です。
社内の技術ナレッジを、次の世代へ残せていますか
「詳しい人に聞かないと分からない」
「過去資料はあるが、探すのに時間がかかる」
「熟練者の退職後が不安」
「AIを使いたいが、何から始めるべきか分からない」
「全社導入の前に、小さく試したい」
このような課題がある場合は、まず現在の業務と資料の状態を整理することから始めます。
どの知識を残すべきか。
誰が使うのか。
どの資料を対象にするのか。
どのような質問に答えられれば価値があるのか。
どこまでAIに任せ、どこを人が判断するのか。
を整理します。
大規模なシステムを作る前に、
本当に使われる範囲から、小さく検証する。
それが、技術継承を成功させる第一歩です。
まずはDX診断で、自社の技術ナレッジにどのような改善余地があるか確認してみてください。
