AIは「熟練工の勘」という巨大なブラックボックスの前で立ち尽くす
産業界が数十年かけて蓄積してきた「熟練工の勘」や「コツ」と呼ばれる非定型データは、現代のAI実装における最大の障壁であり、ブラックボックスそのものである。
多くの企業が、熟練工の頭の中にあるノウハウをLLM（大規模言語化モデル）に学習させ、生成AIによって自動化しようと試みている。
しかし、その試みは、言語化不可能な「身体的知覚」の壁にぶつかり、泥臭い徒労に終わることが多い。
「なんとなく」という非言語データのデジタル転写に失敗するLLMの論理的限界
熟練工が長年の経験で培った「音の変化で異常を察知する」「振動のわずかな違いで工具の摩耗を知る」といった感覚は、現在のLLMでは記述しきれない。
例えば、マシニングセンタの切削条件調整において、熟練工は「キーンという高い音がしたら少し送りを落とす」といった判断を、数ミリ秒単位で行っている。
この判断プロセスを「プロンプト」として形式化しようとしても、その「高い音」の周波数成分や、どの程度「少し」落とすのかという、定量的なデータへの変換が極めて困難である。
結果として、AIが出力する指示は「異音が発生した場合は、加工条件を適切に調整してください」といった、現場では全く役に立たない抽象論に終始する。
トヨタ自動車が固執する「自働化」とAI自動化の決定的な乖離
トヨタ自動車が長年掲げる「人の知恵を付与した自働化」は、単なる全自動化（Automation）ではなく、異常が発生した際に機械が自ら止まり、人間が改善を加えるプロセスを指す。
ここには、AIが最も苦手とする「因果関係の特定」と「予期せぬ事象への適応」という、熟練工の主観的な判断が組み込まれている。
現在の生成AIは、膨大な相関関係から最もらしい解を導き出すことに長けているが、現場で発生する「なぜ今、この工具が折れたのか」という、たった一つの、しかし決定的な物理現象の因果関係を解明する能力はない。
AI自動化を急ぐあまり、この「人の知恵（熟練工の勘）」を軽視し、単にデータを流し込むだけの実装は、異常を検知できずに不良品を作り続ける、制御不能な産業インフラを生み出すリスクを孕んでいる。
物理デバイスと現場データの解像度不足がAIの推論を霧散させる
AIが現場で自律的に動くためには、物理世界を認識するためのセンサーデータが不可欠だが、そのデータの「解像度」と「信頼性」が極めて低いという、物理的制約が存在する。
熟練工の五感（視覚、聴覚、触覚、時には嗅覚）に相当するデータを、市販の産業用センサーで完全に代替することは、現在のテクノロジーでは不可能に近いためだ。
AIがいくら高度な推論能力を持っていても、入力されるデータがノイズだらけで、重要な情報が欠落していれば、出力される行動は必然的に誤ったものになる。
振動センサーの周波数帯域不足が暴くフィジカルAI実装の泥臭い現実
ある製造現場で、設備の予兆保全のために安価な振動センサーを導入したが、熟練工が感じ取っていた「異常な振動」を全く検知できなかった事例がある。
原因は、センサーのサンプリング周波数が低く、異常の初期段階で発生する高周波成分の振動を捉えきれていなかったためであった。
熟練工の身体は、骨伝導なども含めて、より広帯域で、かつ非線形な振動情報を統合的に処理している可能性がある。
このように、フィジカルAIの実装においては、高度なアルゴリズム以前に、どの物理量を、どの程度の解像度で、どこにセンサーを配置して計測すべきかという、極めてアナログで、泥臭い「現場の知恵」が不可欠となる。
非定型な現場データに対するアノテーションの徒労と自律学習の崩壊
AIの学習に必要な教師データを作成する「アノテーション」作業も、現場の非定型データの多さによって、莫大なコストと時間を強いる、物理的ボトルネックとなっている。
特に、外観検査AIにおいて、傷や汚れの種類、程度、光の当たり方による見え方の違いなど、無数に存在するパターンのすべてにラベルを貼る作業は、人間の労働力に依存せざるを得ない。
このアノテーション作業自体が、熟練工の判断基準に依存しているため、結局は「熟練工の時間を奪う」という本末転倒な事態が、多くのAIプロジェクトで発生している。
強化学習などを用いてアノテーションを不要にする試みもあるが、物理世界はシミュレーション環境ほど単純ではなく、報酬設計のミスによって、AIが想定外の物理行動をとり、設備を破壊するといったリスクが常に付きまとう。
「動作」の裏にある熱力学的・力学的制約がAIエージェントの五肢を縛る
AIエージェント（ヒューマノイドロボットなど）が、熟練工のように物理世界で作業を行うためには、単に動きを模倣するだけでなく、その裏にある物理法則の制約をクリアしなければならない。
人間が「なんとなく」行っている動作は、実は熱力学的な効率や、力学的なバランス、材料特性への深い適応によって成り立っている。
AIは、これらの制約を無視して、視覚的な動きだけを最適化しようとするため、物理実装の段階で、動作の不安定化やエネルギー消費の爆発的な増大を招く。
波佐見焼の「カン」を模倣するロボットが直面するエネルギー消費の爆発
伝統工芸の現場では、例えば陶磁器の成形において、熟練工が土の「粘り」や「硬さ」の変化を指先の「カン」で感じ取り、瞬時に力を加減している。
これをロボットで再現しようとすると、多軸のアクチュエータと、超高感度の触覚センサー、そしてそれらをリアルタイムで制御するための巨大な演算資源が必要となる。
これらのデバイスを駆動し、計算を行うために必要なエネルギー量は、人間の熟練工が摂取する食事のエネルギー量を遥かに凌駕する可能性がある。
熟練工の勘は、実は、人間という身体システムが、最小限のエネルギーで物理世界に適応するために獲得した、極めて効率的な「演算結果」そのものなのである。
ロボット言語推論などによる「動き」の自動化は、このエネルギー効率という熱力学的制約によって、産業的な実用性を失う危険性がある。
多関節ロボットが自己干渉と関節トルク限界で論理的デッドロックに陥る瞬間
熟練工は、狭いスペースや、不安定な姿勢でも、難なく作業を行うが、これは身体のキネマティクス（運動学）的な冗長性を、主観的な感覚で制御しているからである。
一方、AIエージェントが多関節ロボットを制御する場合、逆運動学計算において解が無数に存在したり、特定の姿勢で関節が動かなくなる「特異点」に陥ったりする問題がある。
障害物を回避しながら作業を行うという、単純な論理に見えるタスクであっても、物理世界では、自己干渉（自分の腕同士がぶつかる）や関節トルク限界といった制約が複雑に絡み合う。
AIが論理的に導き出した「最短経路」が、物理的には関節を破壊する動きであることも珍しくなく、物理デバイスレベルでの緊急遮断プロトコルが実装されていない場合、取り返しのつかない事故につながる。
熟練工の身体性が規定する現場ガバナンスとAIによる責任の溶解
熟練工の勘に基づく判断は、その個人の「身体性」と深く結びついており、現場における権威と責任の所在を明確にしていた。
しかし、そのノウハウをAIモデルとして抽出し、誰でも利用できるようにした場合、その判断に対する責任が誰にあるのかが曖昧になる、ガバナンスの崩壊が起きる。
AIの推論プロセスがブラックボックスである以上、AIの指示に従った結果、事故や不良品が発生しても、その因果関係を解明し、再発防止策を講じることが、論理的に不可能になるためだ。
「私の勘では大丈夫」から「AIがそう言っている」への責任転嫁と判断力の退化
熟練工が「私の勘では、この設定でいける」と判断する場合、そこにはその人のキャリアを賭けた責任が伴う。
しかし、現場にAIが導入されると、若手作業員は「AIがこの設定を推奨しているから」と、自分の判断をAIに委ね、思考を停止させるリスクがある。
この責任転嫁の構造は、現場から「なぜ？」と問いかける姿勢を奪い、熟練工が持っていた、物理現象に対する深い洞察力（勘の源泉）を、次世代へ継承する経路を遮断する。
AIの判断が正しいかどうかの最終確認を熟練工に依存しているうちはまだ良いが、熟練工が退職し、AIだけが残された現場では、誰もその判断の妥当性を評価できない、ガバナンスの空白地帯が生まれる。
AIモデルに残留する特定の熟練工の「癖」という新たなセキュリティ脅威
ある特定の熟練工のデータから作成されたAIモデルには、その人の思考の「癖」や、稀にしか行わない「裏技」のような判断パターンが、残留している可能性がある。
これが、ローカルLLMにおける残留トークンの問題と同様に、企業の知的財産漏洩の死角となる。
例えば、競合企業が、そのAIモデルの推論パターンをリバースエンジニアリングすることで、その企業の製造プロセスのボトルネックや、品質管理の閾値を、物理的に特定されるリスクがある。
AI実装によって、熟練工の勘を言語化し、デジタル資産化したつもりが、実は、自社の産業ガバナンスを根本から揺るがす、脆弱性を生み出しているという皮肉な現実に、産業界はまだ気づいていない。
