暗黙知を業務パフォーマンスに変える

製造業の成果は、貸借対照表に載らないリソース、すなわち経験豊富な労働者が持つ業務知識にますます依存しています。米国では、労働統計局のデータによると、製造業の労働力の25％以上が55歳以上であり、この層は退職が近づいており、数十年にわたるプロセス専門知識を持ち去ろうとしています。工場には、これらの労働者が知っていることを捕捉する信頼できるシステムがありません。その結果は測定可能です。米国国立標準技術研究所の調査によると、製造業におけるプロセスのばらつきは直接的に不良率と手直しコストを増加させます。新入社員は、実際のパフォーマンスを促進する非公式な知識をしばしば省略した公式手順に基づいて訓練されます。根本的な問題は構造的です。専門家の知識は人の中にあり、システムにはありません。APQCが実施した1,000組織の調査では、組織の92％が退職予定者から一貫して知識を捕捉しておらず、Cスイートのリーダーの58％がそのリスクを非常に深刻な懸念事項と述べています。

Emerjは最近、製造業におけるAIを用いた現場知識の拡大に関する一連のポッドキャストを開催し、PokaのCEO兼共同創業者Antoine Bisson、Smith+Nephewの製造・エンジニアリング・保守ディレクターSebastian Dykas、Ingersoll Randの企業戦略およびAIディレクターAnand Gnanamoorthyが、退職する労働力とともに重要な業務知識が失われる前に、それを捕捉、標準化、移転する方法について議論しました。本記事では、製造業者が専門知識のギャップを業務の天井にする前にそれを埋めるための、業界リーダーからの3つの重要な洞察を検討します。

生成AIによる業務知識変換：暗黙知とレガシープロセスを検証済みのデジタル作業指示書に変換することで、シフトや拠点をまたいで正確な業務コンテンツを維持するための時間、コスト、労力を削減します。Antoine Bissonは次のように提案します。経験豊富なオペレーターがタスクを実行する動画を撮影し、その動画をAIエンジンに入力して完全な作業指示書（ステップバイステップの指示、安全チェックポイント、証明ポイント、検証ゲートを含む）に変換します。これにより、数週間かかっていたドキュメント化作業が1回の専門家レビューに短縮され、知識捕捉を大規模に阻んできた作成ボトルネックが解消されます。

専門家知識の捕捉と構造化デジタル資産としての標準化：現場の専門知識を再現可能なプロセスに変換することで、生産リスクを低減し、廃棄物を最小限に抑え、出力品質を維持します。Sebastian Dykasは、規制対象の製造環境において、上級オペレーターと新人の間のパフォーマンスギャップがリーダーシップが認識しているよりもはるかに大きいことを説明します。あるシフトでの上級オペレーターの生産量は新人の2倍でした。彼は、トップパフォーマーからベストプラクティスを抽出し、再現可能な基準を構築し、すべてのオペレーターをその基準に訓練することを提案します。さらに、シフト間の歩留まりとスクラップのばらつきは、知識標準化の不足を示す診断信号です。

労働者中心のAI導入が採用の加速器に：AIをプロセスではなくオペレーターに結びつけることで、現場での採用が促進され、拡大に必要な勢いが生まれます。Anand Gnanamoorthyは、AIイニシアチブが頓挫する最も一般的な理由は技術的ではなく組織的なものであると指摘します。組織がプロセス最適化を優先すると、労働者はそれを押し付けられたと感じ、抵抗します。彼は、目標を個々のオペレーターの仕事をより簡単にすることに再設定し、各労働力の中の革新者と早期採用者を特定し、まず彼らに装備を提供し、価値を実証させることを提案します。

結論として、製造業者は、暗黙知を体系化されたデジタル資産に変換し、AI支援ドキュメントと労働者中心の導入戦略を活用することで、知識喪失の課題に対処できます。重要なのは、人間による検証が依然として不可欠であることです。規制環境では、専門家の承認なしにAI生成コンテンツを現場で使用することはできません。トレーニングの質の不一致も、シフト間のパフォーマンスを監視することで診断し、対処する必要があります。最終的に、知識捕捉を運用上の当然のことではなくエンジニアリング問題として扱うことで、製造業の将来の生産性を確保できます。