ベテランの勘をAIに引き継ぐ方法 — 重みを明らかにし、熟練者を検収者に据える (2)
勘を条件に分解したら、次はその条件をどう組み合わせるか、勘を信じてよい領域はどこまでか、熟練者をどこに置くかを決めなければなりません。グローブらの臨床予測対統計的予測のメタ分析、カーネマンとクラインの直観の条件に関する論文、韓国政府の製造暗黙知事業での熟練者報酬をめぐる議論、WHO手術安全チェックリスト研究をもとに、基準を完成させる原則と8段階の実行手順を整理しました。
条件を分解するのは始まりにすぎません。どう組み合わせるかは会社が決めることです。 そして、その基準の最後の検収者は、やはりベテランであるべきです。
第1回では、熟練者の勘を名前の付いたいくつかの条件に分解し、条件ごとに何で測るかを書く方法を扱いました。
分解したあとに残る3つの問い
条件と測定方法が決まると、プロジェクトはたいていこう進みます。データを集め、モデルを学習させ、精度を報告します。ところが、この流れの中でよく抜け落ちる問いが3つあります。
- 条件をどのような比重で組み合わせるのか。
- 熟練者の勘をどこまで正解として信じるのか。
- 熟練者はこの過程でどのような立場にいるのか。
3つの問いはいずれも、技術より判断に近いものです。だからこそ経営陣が自ら答えなければなりません。
原則1. 重みは隠さず、明らかにしてください
条件を組み合わせる段階で、多くのプロジェクトは「AIに任せて学習させよう」と先に進みます。学習で比重を見つけること自体は問題ありません。問題は、その結果がモデルの中に隠れ、誰にも見えなくなることです。
重みは技術ではなく判断です。品質と納期のどちらを重く見るのか、安全の余裕をどれだけ取るのかは会社が決めることです。条件ごとの比重を表や画面に出しておき、熟練者や管理者が「この条件がこんなに大きく扱われていて大丈夫ですか」と問いただせるようにしてください。見えていれば、ミスも早く見つかります。新しく加えた条件の比重が0で入っているといったミスは思いのほか多く、隠れていれば何か月も誰も気づきません。
基準を数式にしておくこと自体にも根拠があります。医学・金融・犯罪学分野の136本の研究をまとめたグローブらの2000年のメタ分析は、同じ情報を人が頭の中で総合するより、決められた数式で総合したほうが平均で10%ほど正確だったと報告しています。この差は判断者の経歴にかかわらず一貫して現れました。熟練者が間違っているからではなく、同じ人でも日によって少しずつ違う判断をするからです。
原則2. 勘を信じてよい領域と、そうでない領域を分けてください
すべてのベテランの勘が同じ品質というわけではありません。ダニエル・カーネマンとゲイリー・クラインは、直観をめぐって長く反対の立場にいた学者ですが、6年近い共同作業の末、2009年の共著論文で一つのことに合意しました。直観を信頼できるかどうかは2つの点で見分けられるということです。判断が下される環境に規則性があるか、そしてその人がその規則を学ぶフィードバックを十分に受けてきたか。論文は「主観的な確信は判断の正確さを示す信頼できる指標ではない」と断言しています。
これを会社の仕事に当てはめると、基準がはっきりします。
- 結果が早く、はっきり出る判断(不良かどうか、加工条件、設備の異常):名匠の勘は良い正解データです。基準化の最優先です。
- 結果が遅く、ぼんやり出る判断(新製品のヒット、5年後の市場、採用の成否):勘を正解データにすると、その人の偏りまで一緒に固めてしまいます。

基準を作ると、基準がもともと区別できない領域も見えてきます。条件がほぼ同じ事例どうしでは、点数の差は小さく出るしかありません。このとき画面の色や順位で差を誇張すると、区別できないものを区別できるふりをすることになります。「この範囲では基準は優劣をつけられない」と書いておくことも、基準の一部です。
ですから最初のバージョンの基準は、「これが最善」を選ぶ判定機としてより、「これは確実に違う」をふるい落とすふるいとして使うほうが安全です。
原則3. 熟練者をデータ提供者ではなく検収者として迎えてください
暗黙知プロジェクトが最もよく崩れるのは、技術ではなく人のところです。
第1回で紹介したプレス工程の課題(韓国語)は、成果物の基準を「名匠の検収を経たゴールデンデータセット1,500件以上」としました。熟練者がデータを差し出す人ではなく、何が正解かを確定する人として組み込まれている構造です。
反対の事例もあります。同じ政府事業で熟練技術者に支払う研究手当は人件費の20%が推奨基準でしたが、産業日報の報道(韓国語)によると、30チーム中14チームがそれより低く計上し、あるコンソーシアムは0.97%程度でした。49人が参加したあるチームに割り当てられた総額が594万ウォンだったという事例も出ました。生涯をかけて積み上げたノウハウを出してほしいと頼みながらこの程度の待遇では、出てくるのはマニュアルにすでに書かれている内容だけになる可能性が高いでしょう。

専門家が基準を握っているときに結果が良くなるという根拠もあります。世界保健機関(WHO)が作った19項目の手術安全チェックリストを8か国の8病院に導入した2009年の研究では、死亡率は1.5%から0.8%に、入院中の合併症は11.0%から7.0%に減りました。チェックリストが外科医の代わりをしたのではありません。熟練者たちがいつもしていた確認を言葉にし、全員が同じ順序で行うようにしたのです。

AIで基準を作るとき人の役割がどう変わるのかは、AX、人の役割はどう変わるのか?でさらに詳しく扱いました。
もう一つ、基準を一度作ったら固定してしまわないでください。原材料が変わり設備が変われば、勘も変わります。熟練者はその変化に体でついていきますが、文書として固めた基準はついていけません。四半期に一度でも、基準と現場の判断が分かれた事例を集めて合わせ直す場を設けてください。この場を取り仕切る人も熟練者であるべきです。
実行手順:勘一つを基準に変える8つのステップ
- 判断を一つ選びます。頻繁に繰り返され、結果がすぐに確認でき、その人がいないと止まってしまう判断が適しています。
- そばで観察し、尋ねます。「なぜ今止めたのですか」「何が見えましたか」をその場で尋ね、録音してください。会議室のインタビューより現場のほうが適しています。
- 5〜8個の条件に分けて名前を付けます。熟練者が使っている言葉をそのまま名前にすると、抵抗が少なくなります。
- 条件ごとに測定方法とデータの出所を書きます。ないデータは別に印を付けます。
- 重みの草案を作り、熟練者と一緒に調整します。重みは画面や文書に見える形で出ていなければなりません。
- 過去の事例で照合します。結果がわかっている事例を入れ、基準と熟練者の判断がどこで分かれるかを見ます。方法はAIがつくったものを、どう検証していますかにまとめてあります。
- 基準が区別できない領域を文書に残します。「この条件では人が見なければならない」という一文も基準です。
- 熟練者の名前と報酬を基準に結び付けます。誰が作った基準なのかが残っていてこそ、直すときに尋ねる相手がいます。
まとめ
分解した条件を組み合わせるときは、重みを明らかにし、勘を信じられる領域を分け、熟練者を検収者に据えてください。そうすればAIが使える基準になり、その方が退職したあとも会社に残ります。
基準を作る仕事は、熟練者を置き換える作業ではなく、熟練者が知っていることを会社の言葉に書き写す作業です。だからこそ、基準の最後の検収者はやはりその方であるべきです。
このテーマを実際に試してみた記録はAIで風水の吉地を探す(韓国語)にまとめてあります。
連載「ベテランの勘をAIに引き継ぐ方法」
- 勘を測れる条件に分解する
- 重みを明らかにし、熟練者を検収者に据える(この記事)
参考資料
- Grove ほか, Clinical versus mechanical prediction: a meta-analysis (2000)
- Kahneman, Klein, Conditions for intuitive expertise: a failure to disagree (2009)
- 세계일보, 숙련공의 손길 AI로 데이터화… 명장의 감 다 살렸어 (2026)(韓国語。世界日報「熟練工の手わざをAIでデータ化…名匠の勘をすべて生かした」)
- 산업일보, 제조 암묵지 AI 데이터화 사업, 숙련 기술자 보상 기준은 미흡 (2026)(韓国語。産業日報「製造暗黙知AIデータ化事業、熟練技術者の報酬基準は不十分」)
- Haynes ほか, A surgical safety checklist to reduce morbidity and mortality in a global population, NEJM (2009)