現場知のデータ化

現場知のデータ化は、記録が面倒という問題ではなく、言葉にならない熟練の技能を、ロボットが学べる形のデータとして取り出す手段がまだ確立していない問題である。

30秒要約

• 熟練者の手順・力加減・例外対応といった技能の多くは暗黙知で、本人も言葉にできず、退職とともに失われている。
• 言語・画像と違い、身体動作や力の感覚はデータとして残しにくく、ロボットが学べる形に変換する手段が未確立。
• 最初の一歩は、テレオペや動作記録を通じて、熟練の技能を「ロボットが学べるデータ」として取り出す仕組みをつくること。

実装判断サマリー

項目	内容
いま何が問題か	言葉にならない熟練技能が、記録されないまま現場から失われている
なぜ今か	熟練世代の引退が進み、データ化しなければ永久に失われる局面にある
最大の制約	暗黙知（力加減・例外対応）をデータ化する手段の未確立
主なレバー	テレオペ・動作記録による技能の取り出し、学べる形への変換
最重要KPI	データ化された技能の数と、それで動くロボットの成立
争点	技能データの帰属（熟練者個人か、事業者か）

課題の定義（扱う／扱わない）

• 扱う：熟練者の手順・力加減・例外対応などの暗黙知を、ロボットが学べるデータとして取り出し残す難しさ。
• 扱わない：マニュアル化できる形式知の文書化（これは従来の技能継承の話）。本カードは「言葉にならない技能」のデータ化に絞る。
• 似て非なる：実機データの圧倒的不足（別カード）はデータ量の問題、本カードは「言葉にならない熟練技能」という質的に取り出しにくいデータの問題。

何が起きているか（データ）

• 熟練者の技能の多くは暗黙知で、本人も明確に言語化できず、退職や高齢化とともに失われている（技能継承は製造・建設・農業・介護など多分野で共通の課題）。
• 言語・画像はデータとして蓄積しやすいが、身体の動き・力加減・微妙なタイミングといった感覚は記録が難しく、ロボットが学べる形に変換する標準的な手段がない。
• テレオペや動作記録（モーションキャプチャ、力センサ、模倣学習）を使って熟練動作を取り出す研究・実践が進みつつあるが、現場で日常的に回る仕組みにはなっていない。
• データ化の標準やフォーマットが定まっておらず、取り出せても再利用・共有しにくい（模倣学習のデータ品質参照）。

なぜ先送りされてきたか

• 暗黙知は「人について回るもの」とされ、データ化するという発想自体が新しい。
• 力加減や感覚を捉えるセンシングと、それを学習可能データに変える技術が未成熟だった。
• 現場には記録の時間も動機もなく、技能は人から人へ口伝で受け継ぐものとされてきた。
• データ化しても帰属・対価・再利用の枠組みがなく、進める動機が弱かった。

原因構造

• 技術側：暗黙知（力・タイミング・例外判断）をセンシングし、学習可能なデータに変換する手段が未確立。
• 現場側：記録の時間・動機・スキルがなく、技能が人とともに失われる。
• 構造側：技能データの帰属・対価・標準が定まらず、蓄積・共有が進まない。
• これらが相互に強化し合い、データ化されない→熟練者の引退で失われる→学習の素材が枯れる、という悪循環になる。

誰が、どう困るか（影響）

• 現場・事業者：熟練者の引退とともに品質・生産性が落ち、再現できなくなる。
• 若手・後継者：学ぶ相手がいなくなり、技能の習得経路が断たれる。
• ロボット・AI開発者：質の高い動作データの源泉を失い、現場で使えるモデルが作れない。
• 社会全体：日本の現場技能という資産が、データとして残らないまま消える。

放置するとどうなるか（時間軸）

• 数年：熟練世代の引退が進み、言語化されない技能が個々に失われ始める。
• 中期（2030年代）：技能の空白が品質・生産性の低下として現れ、再現不能な現場が増える。
• 長期（2040年前後）：データ化された技能を持つ現場と、口伝が途絶えた現場の生産性格差が固定し、ロボットの学習素材としての国内現場知も枯れる。

解決の方向性

• 取り出す手段：テレオペ・動作記録・力センシングで、熟練動作を学習可能データとして取り出す。
• 学べる形への変換：取り出したデータを、ロボットが模倣・学習できる形式に整える。
• 日常的に回す仕組み：記録が現場の負担にならない形で、業務の中に組み込む。
• 帰属・対価の整理：技能データの帰属と対価を定め、データ化を進める動機をつくる。

選択肢の比較

選択肢	効果	コスト	実現難度	主な副作用	前提・備考
テレオペ・動作記録で取り出す	高	中〜高	高	取り出せる技能が限られる	力・タイミングの記録が鍵
形式知化（マニュアル）の徹底	中	低〜中	中	暗黙知は取りこぼす	言語化できる範囲に限る
熟練者の動画記録のみ	低〜中	低	低	学習可能データにならない	記録はできるが使いにくい
データ化せず口伝継続	低	低	低	引退で失われる	現状維持

主体別アクション

メーカー・技術提供者

• レバー：力・タイミングを捉えるセンシング、学習可能データへの変換ツール。
• 変えるもの：記録できないものを、取り出せるものへ。
• 制約：暗黙知のセンシングの難しさ。
• 成果指標：データ化できた技能の種類・数。

SIer・導入支援者

• レバー：現場の業務に記録を組み込む設計、負担を抑えた収集。
• 変えるもの：人について回る技能を、現場に残るデータへ。
• 制約：現場の時間・協力。
• 成果指標：日常的に回るデータ化の仕組みの定着。

ユーザー企業・現場

• レバー：熟練者の協力、記録の優先順位づけ、データの蓄積。
• 変えるもの：口伝頼みから、データとして残す技能継承へ。
• 制約：熟練者の負担・協力意欲、帰属の不安。
• 成果指標：データ化された技能で再現できた業務。

研究者

• レバー：暗黙知のデータ化・変換手法、評価方法の確立。
• 変えるもの：取り出せなかった技能を、学べるデータに。
• 制約：力・例外対応の記録・評価の難しさ。
• 成果指標：データ化技能で動くロボットの成立、再現精度。

争点

• 帰属：技能データは熟練者個人のものか、雇用する事業者のものか。
• 対価：データ化に協力する熟練者への対価をどう設計するか。
• 範囲：どの技能を優先してデータ化するか（失われると影響が大きいものから）。

反対論・トレードオフ

• 「熟練の技能をデータ化して機械に渡すのは、職人の価値と仕事を奪う」（最も強い反対）：自分の技能がデータ化されれば、熟練者自身が不要になるという不安は当然ある。
  • 応答：目的は熟練者を置き換えることではなく、引退で失われる技能を残し、若手の習得を助けること。データ化への協力に正当な対価と帰属を設計することが前提で、技能を「奪う」のではなく「残す・受け継ぐ」枠組みにする必要がある。
• 公平性：データ化に協力した熟練者が報われない設計だと、協力が得られない。
• 副作用：データ化された技能が無断で共有・転用され、現場や個人の不利益になる懸念がある。

失敗のシナリオ（プレモーテム）

• 記録はしたが学習可能データにならない：動画は残っても、ロボットが学べない。
• 帰属・対価が曖昧で熟練者が協力しない：肝心のデータが集まらない。
• 記録が現場の負担になり続かない：日常的に回らず、点の記録で終わる。
• データ化された技能が無断転用される：協力者の不信を招き、以降のデータ化が止まる。

KPI

• 結果指標：データ化された技能の種類・数、それで再現できた業務。
• 中間指標：日常的に回るデータ化の仕組みの定着、変換ツールの整備。
• 副作用指標：データ帰属・転用に関する紛争件数。

未解決の問い

• 力加減・例外対応のような暗黙知を、どこまでデータ化できるか。
• 技能データの帰属と対価をどう設計すれば、熟練者の協力が得られるか。
• 失われると影響が大きい技能をどう見極め、優先するか。
• データ化された技能の無断転用をどう防ぐか。

すでにある良い事例

• 模倣学習・テレオペによる動作取得：熟練動作を記録して学習素材にする研究・実践が進んでいる（具体事例は※要出典確認）。
• 動作データセット形式の標準化（LeRobot等）：取り出した技能を共有可能な形で扱う基盤が整いつつある。

10年後の望ましい状態

• 失われると影響の大きい現場技能が、ロボットが学べるデータとして残っている。
• 記録が現場の負担にならない形で、業務の中に組み込まれている。
• 技能データの帰属と対価が整理され、熟練者が安心して協力できている。

出典・関連課題・更新履歴

• 出典：模倣学習・動作記録の研究動向、LeRobot 等のデータセット形式（具体事例・数値は※要出典確認）。
• 関連課題：ロボットを扱える人材の不在 / 実機データの圧倒的不足 / 模倣学習のデータ品質 / 動作のポータビリティ不在 / タスク定義能力の未成熟
• 更新履歴：2026-06-12 初版（draft・定量データ未検証）