# フィールドサービスの専門知識をAI時代にどう残すか:SightCall創業者 Thomas Cottereau 氏に聞く

- 番組: [The AI in Business Podcast](https://ai-curator.jp/podcasts/shows/cmv3z5c32001o5o100ot70lmn)（Daniel Faggella）
- 元のタイトル: Preserving Field Service Expertise in the Age of AI - with Thomas Cottereau of Sightcall
- 配信日: 2026年10月21日
- 長さ: 27分
- 要約作成日: 2026年10月21日
- トピック: [#フィールドサービス](https://ai-curator.jp/topics/%E3%83%95%E3%82%A3%E3%83%BC%E3%83%AB%E3%83%89%E3%82%B5%E3%83%BC%E3%83%93%E3%82%B9) [#暗黙知](https://ai-curator.jp/topics/%E6%9A%97%E9%BB%99%E7%9F%A5) [#ナレッジ管理](https://ai-curator.jp/topics/%E3%83%8A%E3%83%AC%E3%83%83%E3%82%B8%E7%AE%A1%E7%90%86) [#RAG](https://ai-curator.jp/topics/RAG) [#ナレッジグラフ](https://ai-curator.jp/topics/%E3%83%8A%E3%83%AC%E3%83%83%E3%82%B8%E3%82%B0%E3%83%A9%E3%83%95) [#Human-in-the-loop](https://ai-curator.jp/topics/Human-in-the-loop)
- URL: https://ai-curator.jp/podcasts/cmvhs39hh00025v11td5d6rwo

## 要約

The AI in Business Podcast に SightCall の CEO 兼創業者 Thomas Cottereau 氏が出演し、ベテラン技術者の暗黙知をどう捕捉し、信頼できる知識として残すかを語った。同氏は、課題は文書を増やすことではなく経験を残すことだと述べ、AI は答えを自ら生成するのではなく、専門家の知識を構造化する道具として使うべきだと主張する。日常業務の中での収集、人間によるレビュー、継続的に更新される知識基盤、既存の AI システムとの連携が要点として示された。

## ポイント

- マニュアルやナレッジベースにない「暗黙知(tribal knowledge)」こそが優秀な技術者の価値であり、ベテランの退職と新人の早期戦力化という二つの力が衝突していると指摘している。
- 現場で困った技術者の半数超が、検索や AI ではなく知っている同僚に電話する、というサーベイ結果を紹介している。
- AI に専門知識を創造させるのではなく、専門家のビデオ支援セッションや研修、同行指導の記録を AI が構造化し、手順書やショート動画に再構成するべきだという考えを示した。
- 収集した知識はナレッジグラフにマッピングして手順を生成し、最後に人間が確認する。AI 生成の手順書は 90〜95% 完成しているという顧客からのフィードバックを紹介している。
- 既存の AI プラットフォームは置き換えず、MCP サーバーなどで接続し、より信頼できる知識を供給する補完関係にすべきだと述べている。
- 知識収集は現場業務に組み込み、ガバナンスを設け、一度きりのプロジェクトにせず継続的に更新する。協力を引き出すには「代替される」ではなく「遺産を引き継ぐ」という伝え方が重要だとしている。

## 章立て

- [01:01] **暗黙知が失われる問題** — 優秀な技術者の知識がマニュアルに書かれておらず、退職で失われる課題と、情報と専門知識の混同について語られる。
- [04:10] **現場で起きる痛みの兆候** — 技術者が困ると同僚に電話する実態や、物理的な機器では視覚的な共有が必要である点が示される。
- [06:26] **AIは構造化の道具として使う** — AI に答えを作らせず、20回分の修理セッションなどから手順を再構成させるという基本原則を説明する。
- [09:39] **業務の中で知識を捕捉する** — ビデオ支援、トレーナーの録画、同行指導など、追加の負担をかけない収集方法と短い動画への分割が紹介される。
- [12:20] **正しさの担保と人間のレビュー** — 全部を LLM/RAG に投入する手法を批判し、ナレッジグラフに基づく生成と最終的な人間による確認を解説する。
- [16:03] **既存ドキュメントとの関係** — 既存の AI 基盤に文書を入れるだけでは不十分で、信頼できる知識の生成層を補完として足すべきだと述べる。動画制作コストの例にも触れる。
- [20:22] **リーダーが優先すべきこと** — 業務内への組み込み、ガバナンス、継続的な更新、サイロ化の回避という四つの原則が示される。
- [22:27] **組織全体の参加と結論** — ベテランの参加を促す伝え方と、人材とデータが差別化要因になるという見方、番組のまとめが語られる。

## 解説記事

The AI in Business Podcast の本エピソードでは、現場サービス向けプラットフォーム SightCall の CEO 兼創業者 Thomas Cottereau 氏が、フィールドサービスにおける専門知識の継承と AI の役割について語った。主張の核心は、課題は文書を増やすことではなく、ベテランの経験をどう残すかにあるという点だ。

#### 情報と専門知識は別物

Cottereau 氏はまず、情報と専門知識の混同が大きな誤解だと述べる。多くのサービス組織にはマニュアル、研修資料、ナレッジベースがあるが、優秀な技術者を優秀たらしめる部分はそこにない。同じ故障を何十回も見て身につく感覚、異常を知らせる音、次の一手を決める診断の勘といった「暗黙知(tribal knowledge)」である。

背景には、経験豊富な人材の退職と、新世代の技術者を素早く戦力化する必要性という二つの力の衝突がある。従来の対策は「もっと文書化する」ことだったが、専門家を現場から外して技術ライターに説明させる方式はうまくいかないと同氏は指摘する。同氏によれば、サーベイでは技術者が現場で行き詰まったとき、半数超が知っている同僚に電話するという。特定の機械については検索でも答えが出ず、導入済みの AI も信頼されていないためだ。

#### AI は「答えを作る」のではなく「知識を構造化する」

同氏が強調する原則は、AI に専門知識そのものを生成させてはいけないというものだ。知識は人の中にあり、AI は誰もやりたがらない裏方作業を担うべきだという。たとえばリモート支援チームが同じ修理を20回説明しているなら、その20回のセッションから AI が学び、次の技術者や顧客向けにステップバイステップの手順を再構成できる。

具体的には、映像をフレーム単位で解析し、音声、テキスト、作業指示書などの文脈情報と組み合わせてチュートリアルを作る。2時間の動画を丸ごと見せるのではなく、必要な場面を10秒程度の短い動画に切り出す点も特徴として挙げられた。

#### 日常業務の中で収集する

同氏は、「金曜午後に文書化の時間を設ける」といったやり方は結局何も起きないと述べる。有効な方法として、ビデオ支援セッションの録画、トレーナーによる説明の録画、若手がベテランに同行する際の記録を挙げた。録っておけば数年後に自分が忘れていても、作業番号や自然言語の質問で検索できる。同氏は Gartner が「知識創造の民主化」と呼ぶ流れに触れ、知識を作る人に特別な作業を課さず、透明に進めることが重要だと述べている。

#### 信頼性はナレッジグラフと人間のレビューで担保する

正しさを誰が判断するのかという問いに対し、同氏は二つのアプローチを対比した。一つは、すべてを大きな LLM や RAG(検索拡張生成)に放り込み、良い答えが返ることを祈る方法で、失望につながりやすいという。もう一つは、取り込みパイプラインで素材を組織固有のナレッジグラフにマッピングし、そこからチュートリアルを生成して、最後に人間がレビューする方法である。顧客からのフィードバックでは、AI が再構成した手順は90〜95%完成しており、残りは社内特有の略語やルールの調整だという。

既存資産との関係についても整理した。マニュアルやチケットを RAG や AI 基盤に入れるのは「アクセスと知能」の課題への対応で、それ自体は有益だ。しかし作業指示書には、技術者が何を見てその部品が原因だと判断したのか、交換のコツや注意点は残らない。この層を埋める「知識創造エンジン」が必要で、既存の AI 基盤は置き換えず、MCP サーバーなどで接続して、より信頼できる知識を供給すればよいと述べた。動画制作を代理店に頼めば約1万5000ドル、1か月かかるという例も挙げ、現場で録って AI に変換するほうが現実的だとしている。

#### リーダーへの助言と人の巻き込み方

リーダー向けには四点が示された。第一に、知識収集を別タスクにせず、日常業務の中に組み込むこと。第二に、誰がその機器の専門家で、誰が手順を承認するのかというガバナンスを設けること。50万ドルの機械の前では「もっともらしい答え」では足りないと同氏は述べる。第三に、知識を数か月のプロジェクトで終わらせず、製品や手順の変化に合わせて更新し続けること。第四に、別のサイロを作らず既存の AI 施策とつなぐことである。

人の巻き込み方も重要とされた。「カメラで記録してボットに置き換える」という伝え方では協力は得られない。30年の経験を次世代に残す遺産として協力を求め、チュートリアルを使った人がより良い方法を見つけたらフィードバックできる仕組みにすべきだという。同氏は Service Council の CEO の発言として、全社が同じ基盤モデルを使う時代の差別化要因は「人とデータ」になるという見方を紹介した。

#### まとめ

日本でも製造業や保守サービスでは熟練者の高齢化と技能継承が課題であり、本エピソードの議論は身近なものだろう。ポイントは、生成 AI を答えの作り手ではなく、現場の暗黙知を構造化する道具として位置づける発想と、人間のレビューによる信頼性の担保である。既存の AI 基盤への文書投入だけで済ませず、現場の映像や音声から継続的に知識を育てる仕組みを持てるかが注目点になる。なお、同氏は自社サービスの提供者であり、数値や効果は本人の発言である点には留意したい。

> この要約・解説記事は、元の音声の文字起こしをもとに AI（Claude）が日本語で作成したものです。出典: The AI in Business Podcast「Preserving Field Service Expertise in the Age of AI - with Thomas Cottereau of Sightcall」