高度人材の知を継承・進化させるAI
「コーザルAIアシスタント」とは
— 組織知活用と人材不足解消に革新的アプローチ —
■ 日本の主な経営課題 — 暗黙知の流出、伝承先不足、組織知識の空洞化
総務省の調べによれば、2050年には日本の生産年齢人口（15〜64歳）が5,275万人へと減少し、2021年比で約3割減少すると見込まれています。労働力不足や経済規模の縮小に加え、伝承先となる人材の不足から、技能やノウハウの継承が滞るリスクが高まっています。また別の調査によれば、製造業の半数以上が技能継承に課題を抱え、熟練者や専門人材の退職に伴う暗黙知の流出が、現場力や研究開発力を脅かす深刻な問題となっています。
（出典：総務省「情報通信白書」2022年版、労働政策研究・研修機構「ものづくり産業における技能継承の現状と課題」）
■ 生成AIが受け皿になれるのか？
AIの進展により、組織に蓄積された知識をデジタル化して活用する動きは急速に広がっています。特に生成AIは、情報探索やコンテンツ生成の効率化を通じて、企業の知識活用に大きな期待を集めています。しかし生成AIが、ベテランや高度人材のノウハウを継承する受け皿になれるでしょうか？生成AIは学習済みの基盤モデルとそのパターンに基づいて、確率の高い回答を出す仕組みです。学習していないものは回答ができない上、間違っていても確率の高い文字列が回答として提示されることがあります。一方、高度な専門技術を持つ人は、生成AIのように起こりうるパターンを丸暗記してそこから確率的に判断をしている訳ではありません。さらに、過去のデータにはない未経験の状況下でも、過去の経験や知識を活用して成果をあげることができます。
■ 高度人材のノウハウは原因と結果の関係理解にあり
例えば、高度人材の例としてスパークリングワインの醸造責任者を考えてみます。気候はブドウにとって大きな影響を与えます。ある年は、春は寒く霜害が発生したためブドウがダメージを受け、夏は酷暑で成熟度が通常よりも早く進みました。醸造責任者は、ブドウ品種のブレンド比率を変えたり収穫日を思い切って前倒しをするなど様々な対策を打って、素晴らしいスパークリングワインを出荷しました。一方で、別の年は平穏な気候であり、特別な対策を何もしないことが良いワインに繋がりました。このような状況判断は、複雑な原因と結果の関係を考慮し、何をすればどのような結果になるのかを暗黙的に理解しているから出来ると考えられます。こうした因果関係のメカニズムはモデルとして表すことが可能です。
■ 解決策：因果モデルが "デジタルな熟練者・専門家" になる
当社の解決策は、"熟練者や高度人材が理解している因果関係のメカニズムをモデル化し、誰もが活用できるAIシステムとして実装する" ということです。このモデル化は、一見難しく聞こえる「構造的因果モデル」と呼ばれる学術的に立証された因果推論の手法に基づいて実装されますが、当社では、直感的に使えるインターフェースや生成AIの対話型UIを通じ、わかりやすくスムーズに作ることが可能です。これにより、現場のベテランや専門家に「なぜその結果になるのか」「こういう状況ではどうすべきか」を尋ねるのと同等の答えを、再現性と説明性を備えた形で提示できる、いわば "デジタル高度人材" を組織内に常駐させることが可能になります。
■ 高度人材の知を継承・進化させるAI「コーザルAIアシスタント」
当社が提供する "コーザルAIアシスタント" は、コーザルAI（因果AI／因果推論AIとも呼ばれる）、生成AI、AIエージェントそれぞれの長所を組み合わせることで、組織内に存在する高度な専門知識や暗黙知、判断ロジックを、再現性と説明可能性を備えた形で誰もが活用できるようにする斬新なカスタムソリューションです。単発的に因果関係を探索・推論するための分析ツールと違って、データの更新や人の判断を取り込みながら進化し続け、組織知として価値を高めていきます。
■ コーザルAIアシスタント — 3つの主要機能とプロフェッショナルサービス
コーザルAIアシスタントは、複数のAIエージェントが連携して、因果モデルの発見・改善・活用を自律的に実行します。専門知識から既知の因果関係を抽出し、頑健性評価や必要な変数の探索を通じて未知の関係を発見します。信頼度の高いモデルを管理者に提示し、人間の判断をフィードバックとして学習します。こうした「Human in the Loop（人間参加型）」設計により、因果モデルの品質を継続的に進化させることが可能です。また事前準備として、専門家から得た因果関係の知見を分析・整理し、必要な変数の取得やルール設計をもとに、高度人材の思考プロセスをモデル化するための様々なプロフェッショナルサービスを提供しています。
1. 因果知識抽出エージェント群
文献・業務資料などテキストデータから既知の因果関係を自動的に抽出し、事前知識としてルールに適用することが可能です。専門家から得た因果関係の知見に加え、体系的にわかっている知識を取り込むことが可能です。モデルへの適用は、専門家の判断を得た上で実施します。
2. 自律型因果モデリングエージェント群
本エージェント群は、オーケストレーター・エージェントを中心に、複数の因果推論エージェントを連携・制御しながら自律的に動作します。既知の因果モデルに加え、頑健性評価の結果をもとに、可能性の高い未知の因果関係や交絡因子を発見・補完して提示します。さらに、ユーザーの用途に応じてCATE（条件付き平均処置効果）やRCA（根本原因解析）などの結果を提示しつつ、管理者との対話を通じてモデルの仮説検証や改良を自律的に繰り返します。従来、人手によって試行錯誤しながら行っていた因果関係の発見や検証、モデル更新といったプロセスをエージェントが担うことで、これまでにないスピードと精度で因果モデルの構築と進化を実現します。
3. コーザルRAG（Retrieval-Augmented Generation）
承認済みの因果モデル＝「コーザルアセット」（当社での呼称）を活用し、対話型UIを通じて根拠ある回答や反実仮想のシナリオを提示します。これにより、一般ユーザーは専門家に直接質問するのと同様に、因果的な洞察を即座に得ることが可能になります。さらに、外部データやリアルタイムデータを継続的に監視し、因果モデル上での変化を自動的に検知します。その結果、リスクの兆候を早期に把握し、対策や改善機会を自律的に推奨します。
■ セマンティックレイヤーの実装サービス
AIエージェントを業務や意思決定の現場で活用するためには、高度な推論能力を持つだけでなく、人や組織が使う言葉やデータの「意味」を正しく理解していることが不可欠です。実際の業務現場では、同じ言葉であっても部門や職種によって指す内容が異なったり、データ項目に暗黙の前提条件が含まれていたりすることが少なくありません。データベース上では同じコードやカラム名であっても、組織や業務によって意味合いが異なるケースも多く、こうした違いを理解しないままAIがSQLなどを用いてデータを扱う場合、意図とは異なる結果につながるリスクがあります。ヴェルトが提供するセマンティックモデル層の実装サービスでは、組織固有の用語体系、業務文脈、データ定義を構造化し、コードとして管理されているデータと、その背後にある業務上の意味を対応付けることで、AIエージェントがそれらを共通の意味理解のもとで扱えるようにします。因果モデルによる判断の根拠と、セマンティックモデルによる意味理解が組み合わさることで、AIエージェントが、組織の前提や文脈から逸脱しない、再現性と一貫性のある処理が可能になります。
■ 導入効果
⚫︎ 属人化の解消とノウハウの組織活用
ベテランや専門人材の判断プロセスを因果モデルとして機能化し、退職や異動に左右されないノウハウの継承と、データに基づく発展を実現します。通常、忙しくて聞けない高度人材のノウハウを多くの人が活用できるだけでなく、組織の知識として発展させ、開発や問題対応など複雑な業務での再現性を確保することが可能になります。
⚫︎ 意思決定における説明可能性の確保
「なぜその結論に至ったのか」を因果関係を示すモデル（コーザルアセットと呼ぶ）によって可視化し、結論の背景となる前提条件や因果経路を明らかにします。これにより、経営層や現場担当者は意思決定の根拠を第三者に説明できるようになり、社内外に対する透明性や納得感を高めることが可能になります。また施策の打ち手と効果を具体的な数値で定量化して示すことができ、問題の解決や、投資の優先順位付けなどを高速化します。
⚫︎ 生成AIとの組み合わせで知的業務を高度化
コーザルAIアシスタントでは、自組織内の経験則と信頼度の高い知識を保有するため、生成AIが得意とする汎用知識を活用した調査やアイデア出しを利用しながら、自組織での具体的な対策をシミュレーションすることが可能です。これにより事業企画や問題対応などの知的業務において、具体的な根拠を持った推察が可能となり、知的業務の高度化・効率化と企業全体でのAI活用価値を拡張します。
⚫︎ ITサービスのインテリジェント・エンジンとしての利用
コーザルAIアシスタントをリアルタイムなデータ更新と合わせることで、原因と結果の関係に基づいたリスク検知や個別最適化された推奨などを行うことが可能です。ヘルスケアサービスや、製造・金融・物流をはじめ様々なITサービス連携により今までにない付加価値を提供できます。