TLAによる暗黙知発見モデル ― 生成AIを用いた知識構造の抽出
1 問題意識
組織における知識管理の研究では、Ikujiro Nonakaによる SECIモデル が広く知られている。
SECIモデルでは、知識創造は
- Socialization（共同化）
- Externalization（表出化）
- Combination（連結化）
- Internalization（内面化）
というプロセスによって進むとされる。
このモデルは、暗黙知を組織内で共有し、新たな知識を創造するプロセスを説明するうえで非常に有用である。
しかし現場の経験と照らし合わせたとき、一つの疑問が生じる。
そもそも暗黙知はどのようにして認識されるのか。
多くの場合、暗黙知は当人にとって「当たり前」の行動であり、その価値を本人自身が認識していない。その結果、言語化されることなく消失してしまう。
2 暗黙知の仮説：価値未認識知
現場観察から、次の仮説が導かれる。
暗黙知の一部は
言語化できない知識ではなく、
「価値を認識されていない知識」
である可能性がある。
つまり、
暗黙知
＝
価値未認識知
という仮説である。
人は自分の行動の中に含まれる知識を常に意識しているわけではない。
むしろ多くの場合、それは
「当たり前のこと」
として処理される。
その結果、組織の中には価値ある知識が存在していても、それが知識として認識されないまま失われていく。
3 生成AIの視点
ここで興味深いのは、生成AIがこの知識をどのように評価するかである。
生成AIは、人間のように主観的な「当たり前」を持たない。
そのため、次のような処理を行う。
行動ログ
↓
データパターン
↓
構造推定
↓
知識候補
つまり、生成AIは
「価値があるかどうか」ではなく
「パターンが存在するかどうか」
という観点でデータを評価する。
その結果、人間が価値を認識していない行動パターンが、知識として浮かび上がることがある。
4 TLAによる構造抽出
三層構造解析（TLA）は、
- Fact（事実）
- Order（構造ルール）
- Insight（洞察）
の三層で事象を分析するフレームワークである。
この視点で現場ログを分析すると、次の構造が見えてくる。
Fact
作業ログ
トラブル記録
行動履歴
↓
Order
行動パターン
判断ルール
因果関係
↓
Insight
知識
ノウハウ
改善原理
このとき、暗黙知は
Factは存在する
↓
しかしOrderが未認識
という状態であると考えられる。
生成AIとTLAを組み合わせることで、このOrder（構造ルール）を抽出することが可能になる。
5 TLAによる暗黙知発見モデル
以上を整理すると、次のモデルが導かれる。
従来モデル（SECI）
暗黙知
↓
対話
↓
言語化
↓
形式知
TLA暗黙知発見モデル
経験
↓
ログ（Fact）
↓
AI構造抽出（Order）
↓
知識発見（Insight）
このモデルでは、暗黙知は
人間が言語化する前に、
構造として発見される。
6 仮説的結論
以上の考察から、次の仮説が導かれる。
暗黙知の一部は
言語化できない知識ではなく、
本人がその価値を認識していない知識
である可能性がある。
生成AIと三層構造解析（TLA）を組み合わせることで、
現場データからその構造を抽出し、
暗黙知を再利用可能な知識として発見することができる可能性がある。
このアプローチは、従来のSECIモデルを補完する
「暗黙知発見モデル」として位置付けることができるかもしれない。
所感
当たり前のことが「当たり前でない」時代。
著者は、これこそが現在起きているAI革命の本質ではないかと考えている。
人が日常の中で「当たり前」と思っている行動や判断は、本人にとっては特別な知識ではない。しかし、それは別の人や別の組織にとっては「価値ある知識」である可能性がある。
つまり、
当人の「当たり前」は、
誰かにとっての「価値」になり得る。
そして、その価値を決めるのは、自分自身でも組織でもない。
それを必要とする人や組織である。
だからこそ、現場の記録の中から行動の構造を読み取り、そのエッセンスを抽出し、利用しやすい形で可視化する必要がある。
著者は、この役割を担うものが三層構造解析（TLA）であると考えている。