ベテランが辞めたら終わり、という恐怖

中小企業の経営者なら、一度はこう思ったことがあるはずだ。

「あの人が辞めたら、この業務は誰が回すんだ？」

月給40万のベテラン社員の頭の中にだけある判断基準、段取り、ノウハウ。マニュアルには書かれていない。引き継ぎ資料を作っても、本人の3割も伝わらない。これが「属人化」の正体であり、中小企業の最大のリスクだ。

この問題に対して、一つの実験が面白い答えを出した。Wiredの記事「I Built AI Clones of My Coworkers. Things Got Weird」が報じた、同僚のAIクローンを作るという試みだ。

結論から言う。ベテランの知識をAIに移植する仕組みは、もう「未来の話」ではない。そしてそのコストは、月5万円程度まで下がっている。

何をやったのか——同僚をAIにコピーする実験

Wiredの記事で紹介された実験はシンプルだ。特定の同僚の発言パターン、専門知識、判断の癖をデータとしてAIに学習させ、「その人っぽく答えるAI」を作った。

重要なのは、これが単なるチャットボットではないという点だ。汎用的なFAQボットは「マニュアルに書いてあることを返す」だけだが、AIクローンはマニュアルに書かれていない判断基準や文脈を再現する。つまり、属人化していた暗黙知そのものを複製しようとしている。

記事では、あるクローンが即興劇の知識を持ち、別のクローンが特定業務の判断ロジックを持つなど、個人ごとの特性が反映されたことが報告されている。完璧ではないが、「あの人に聞かないとわからない」が「AIに聞けばだいたいわかる」に変わった。

この差は、中小企業にとっては天と地ほどの違いだ。

コストの構造が変わった——300万が5万になる世界

従来、ベテランの知識を組織に残す方法は限られていた。

• マニュアル作成：外部コンサルに頼めば100〜300万円。しかも作った瞬間から陳腐化する
• OJTによる引き継ぎ：半年〜1年かかる。その間、ベテランの生産性は半減する
• ナレッジマネジメントシステム導入：初期費用数百万＋月額数十万。大企業向けの仕組みで、10人規模の会社には重すぎる

これに対して、AIクローンのコスト構造はどうか。

• LLMのAPI利用料：GPT-4oクラスで月1〜3万円（利用量による）
• RAG（検索拡張生成）の構築：社内文書やチャット履歴をベクトルDBに格納。クラウドサービスを使えば月数千円〜1万円
• 初期のプロンプト設計・チューニング：自社でやれば人件費のみ。外注しても数十万円で済む

ざっくり言えば、ランニングコストは月5万円以下。ベテラン1人の月給が40万円だとすれば、その知識の7〜8割を月5万円で24時間稼働させられる計算になる。

しかもAIは辞めない。体調不良にならない。機嫌が悪い日もない。

「完璧じゃないと使えない」は間違い

ここで必ず出る反論がある。「AIなんて間違えるじゃないか」「ベテランの判断を100%再現できるわけがない」。

その通りだ。100%は無理だ。だが、考えてほしい。

今、ベテランが辞めた後に新人が引き継いだ場合、その再現率は何%だろうか？ 現実的には30〜50%がいいところだ。しかも習熟に半年以上かかる。

AIクローンが初日から70%の精度で答えられるなら、それは新人の半年後より上だ。しかも、フィードバックを重ねれば精度は上がり続ける。人間の引き継ぎと違って「教えたことを忘れる」ことがない。

完璧を求めて何もしないより、70%の精度で今日から動くほうが、中小企業にとっては圧倒的に価値がある。

具体的にどうやるのか——3ステップで始める

「面白いのはわかった。で、うちの会社でどうやるの？」という話をしよう。

ステップ1：ベテランの「判断ログ」を貯める

まずやることは、ベテランの判断をテキストデータにすることだ。大げさなシステムは要らない。

• 日報にSlackやChatworkを使っているなら、その履歴がそのまま学習データになる
• 顧客対応のメール履歴
• 過去の見積もり判断の記録
• 「なぜこの判断をしたか」を週1回、15分だけ録音してテキスト化する

3ヶ月も貯めれば、十分な量のデータが集まる。

ステップ2：RAGで「その人専用のAI」を作る

集めたデータをベクトルデータベースに格納し、LLMと接続する。いわゆるRAG（Retrieval-Augmented Generation）の構成だ。

技術的に難しく聞こえるかもしれないが、今はDifyやFlowise、あるいはGPTsのようなノーコード/ローコードツールで構築できる。エンジニアがいなくても、ITに少し明るい社員が1〜2週間で形にできるレベルまで来ている。

ステップ3：現場で使いながら育てる

AIクローンは、作って終わりではない。現場で使いながら「この回答は違う」「こういう場合はこう判断する」というフィードバックを重ねて精度を上げていく。

ここが肝だ。ベテランが在籍しているうちに始める必要がある。辞めてからでは、フィードバックをくれる人がいない。属人化対策とは、危機が来てからやるものではなく、余裕があるうちに仕込むものだ。

中小企業だからこそ勝てる構造

この話、大企業には実は真似しにくい。なぜか。

大企業は「全社統一のナレッジ基盤を作ろう」として、要件定義に半年、ベンダー選定に3ヶ月、導入に1年、結局使われない——というパターンを繰り返してきた。意思決定が遅く、現場の温度感と乖離する。

一方、10〜50人規模の中小企業なら、「来週からやってみよう」で始められる。ベテランと新人の距離が近いから、フィードバックループも速い。全社導入ではなく「まず1人のベテランの知識をクローンする」という小さな実験から始められる。

小さいことが、ここでは武器になる。

本当に怖いのは「技術の進化」ではない

AIクローンの技術は、今後さらに精度が上がるだろう。マルチモーダル対応で、テキストだけでなく画像や動画からも学習できるようになる。音声での応答も自然になる。

だが、本当に怖いのは技術の進化そのものではない。

「隣の会社がもうやっている」という事実だ。

同じ地域、同じ業種の競合が、ベテランの知識をAIで複製し、24時間対応できる体制を月5万円で作っている。一方、自社はベテランの退職に怯えながら、引き継ぎ資料を紙で作っている。

この差は、半年後には取り返しのつかない差になる。

まとめ：今日やるべきこと

属人化を解消する最終形態は、「ベテランの頭の中をAIに複製すること」だ。そしてそのコストは、もう月5万円まで下がっている。

今日やるべきことは一つ。自社で最も属人化している業務を一つ選び、そのベテランの判断ログを貯め始めることだ。

完璧なシステムを設計する必要はない。まず、Slackの履歴を整理するだけでいい。録音アプリで週1回、15分のインタビューを始めるだけでいい。

ベテランが辞めてから「あの知識、どこにも残ってない」と気づくのでは遅い。仕組み化とは、余裕があるうちに始めるものだ。

—