判断の担い手が、退職とともに消えていく

設備保全の優先度づけ、需給運用の勘所、安全審査の目利き、稟議の通し方。企業の重要な判断は、往々にして少数のベテランに集中しています。そして退職や異動のたびに、その判断基準は引き継がれないまま失われていきます。

一方で、生成AIの業務活用は着実に進みました。文書作成、要約、議事録、翻訳、コード補助。しかし多くの企業で、AI活用は「作業」の自動化に止まり、「判断」には届いていません。何を良しとするかの基準が暗黙知のままではAIに渡せず、成果物の品質は使う人のスキル次第。全社に展開するほど、品質の差がはっきり出てきます。これが多くの企業の現在地ではないでしょうか。

本稿では、この二つの問題、つまりベテラン知見の喪失とAI活用の頭打ちが実は同じ根を持っており、判断基準の明文化という一つの打ち手で同時に解決できることを論じます。

作業を手伝うAIと、判断まで任せられるAIは別物である

まず認識すべきは、両者が単なる成熟度の違いではなく、構造的に別物だということです。

作業を手伝うAI（多くの企業の現在地）

  • 文書作成、要約、翻訳、議事録、コード補助が中心
  • 何を作るかは人が細かく指示する
  • 品質は指示者のスキルに依存する（属人性はむしろ拡大する）
  • 成果物の合否基準は、レビュアーの頭の中にある

この状態でも効率は上がります。しかし判断は依然として人に閉じたままです。むしろ危険なのは、判断基準が暗黙知のままAIを広げると、成果物は速く大量に生まれる一方で品質はばらつき、レビューの負担とリスクがかえって増えることです。

判断まで任せられる状態

  • 判断基準を文書化し、組織として承認と改訂の管理を行う
  • AIには手順の細かな指示をやめ、目的と条件と判断基準を渡す
  • 基準に照らした点検と修正を、AI自身の工程に組み込む
  • 判断根拠と生成過程がログとして残る（監査可能）

この状態に至って初めて、品質が基準に、根拠が記録に、知見が資産に変わります。

規制産業では、なぜその判断かを説明できることが前提になる

エネルギー、製造、金融といった規制産業では、この転換にはもう一つの必然性があります。保安規制、環境規制、株主への説明責任。AIが関与した判断ほど、根拠となる基準と生成過程を後から辿れること、すなわち監査性が、導入の必須条件になるからです。

「AIが作ったので根拠は分かりません」は、規制当局にも、監査人にも、株主にも通用しません。データ整備の次に必要なのは、判断基準の整備です。判断が言葉になって初めて、AIに業務を安心して任せられるのです。

仕組みは3つ：判断基準書、任せ方のルール、自動検証の仕組み

では、具体的に何を整備すればよいのか。必要な仕組みは3つです。

1. 判断基準書 ― ベテランの暗黙知を明文化する

ベテランの判断は、いまは口伝の域を出ません。判断基準書づくりは、それを楽譜に書き起こす作業です。楽譜になれば、誰が弾いても同じ曲になる。AIに渡せるのも、楽譜になった判断だけです。

具体的には、対象業務の良い例と悪い例の実物をもとに、AIの力も借りながら判断の勘所を文書化します。ポイントは、各項目に社内規程などの根拠を紐付け、部門責任者が承認し、改訂履歴を管理すること。個人のメモを超えて、組織の承認済み文書として扱うことで、初めてAIに渡せる基準になります。

2. 任せ方のルール ― 目的と条件を渡して、任せる

AIへの依頼を「目的・条件・判断基準書の参照・出力先」の型に統一します。手順を細かく指示するのをやめ、基準の範囲内でAIに最適な進め方を考えさせる。これは最新のAIエージェントの能力を引き出す依頼設計であると同時に、利用範囲の制限設定と組み合わせることで、統制の効いた任せ方を実現します。

3. 自動検証の仕組み ― AI自身に点検・修正させる

成果物を判断基準書に照らし、改善点や誤りの候補を挙げさせて修正する検証工程を自動化します。重要なのは、検証役のAIを作成役と分離すること。同一のAIによる甘い自己採点を防ぎ、検証と修正の記録を毎回残します。この記録が、そのまま監査対応の材料になります。

3つが揃って初めて、AIの成果物を基準に照らして説明できる状態になります。単発のAI研修やツール導入とは、目的そのものが異なる取り組みです。

土台となるのは、データを社外に出さない実行環境

この仕組みを企業で運用するには、セキュリティ設計が土台になります。満たすべき要件は3つ。業務データが社外のAIベンダーに渡らないこと、誰が使ったかの記録が個人単位で残ること、データの持ち出し経路を統制できることです。

以下は、当社が支援で標準としているAWSでの構成例です。どのクラウドを土台にするかは各社のIT環境によって異なり、他のクラウドサービスでも同等の要件を満たす構成は実現できます。

  • 推論はAWS Bedrock（複数のAIモデルを自社のクラウド環境から利用できるAWSのサービス）経由で実行する。AWSの公式ドキュメントによれば、モデル提供元は顧客のプロンプトと出力にアクセスできない構成が取られています
  • 一度の認証で各サービスを利用できるシングルサインオン（IAM Identity Center）により、誰がいつ何を実行したかを個人単位で記録する
  • AIの外部Web参照は業務要件に応じて制限し、データの持ち出し経路を統制する

無断利用（シャドーAI）を禁止で抑え込むやり方には限界があります。安全な公式ルートを用意して統制する、管理された導入の考え方です。判断基準書と検証記録という業務レイヤーの統制と、実行環境というインフラレイヤーの統制が揃って、監査に耐えるAI活用が成立します。

効果は3つの指標で測れる

この取り組みの効果は、実測可能な3指標で検証できます。

品質：基準適合率。成果物が判断基準書の各項目を満たす割合。自動検証の仕組みの導入前後で比較し、品質のばらつきが基準に収束することを確認します。

効率：作成・レビュー工数。成果物1件あたりの作成時間とレビュー時間。ベテランの関与を、作る工程から最終判断へ移せたかを測定します。

統制：記録の完備率。AIが関与した成果物のうち、判断根拠と作成過程と修正履歴の記録が揃っている割合。目標は100%です。

そして副次的ですが、長期的には最も重要な資産が生まれます。明文化された判断基準そのものです。これはAIのためだけでなく、新人教育や技術伝承の教材として残ります。退職とともに消えていた判断基準が、初めて組織の資産になるのです。

人の役割は「代替」ではなく「昇格」

最後に、この取り組みが人に与える影響について触れます。AIが担うのは、基準化できる作業と一次判断まで。人の役割は、次の領域へ移ります。

  • 報告書や計画書を書く → 基準を定義し、例外と高リスク案件を裁く
  • 成果物を1件ずつレビューする → 自動検証の仕組みの結果を監督する
  • 若手に口頭とOJTで教える → 判断基準書として知見を残し、改訂する
  • 定型の問い合わせに追われる → 現場や取引先との関係構築に時間を使う

いずれも、人にしかできない領域への移行です。ベテランは作業者から、基準を作り例外を裁く側へ昇格する。この設計は、労働組合や現場への説明可能性という観点からも重要です。AI導入を役割の昇格として設計できるかどうかが、全社展開の成否を分けます。

まとめ：データ整備の次は、判断基準の整備

生成AIの活用が作業で頭打ちになっているとすれば、足りないのは判断基準の明文化です。ツールや研修を追加しても、ここを飛ばすと頭打ちは変わりません。判断が言葉になれば、AIに任せられる。任せた過程が記録に残れば、監査に耐えられる。そして明文化された基準は、退職で消えるはずだった知見を、組織の資産に変えます。

始め方は大きくなくて構いません。判断が特定の担当者に依存し、成果物がテキストで検証可能な業務を一つ選び、ベテランへの実例インタビューから判断基準書の初版を作る。そこから、判断を資産に変える循環が始まります。

DSB Consultingでは、判断基準書づくりから任せ方のルール設計、自動検証の仕組みの構築、実行環境の整備までを一気通貫で支援しています。どの業務から始めるかの整理からで構いませんので、無料相談をご利用ください。

出典（一次情報）