日本の「引き継ぎ文化」問題を克服する、業務起点AIエージェント

1. なぜ日本の大企業で「引き継ぎ問題」は終わらないのか──定期異動・昇進文化という構造的副作用

日本企業では定期的な人事異動や配置転換が行われているが、人材の確保や育成のあり方は、いまや経営の中核的な課題である。独立行政法人労働政策研究・研修機構（JILPT）の企業パネル調査でも、人手不足感やデジタル化人材の不足が継続的な課題として示されている。[1]そうしたなかで、部長、プロジェクト責任者、契約担当、こうした要所の担当者が周期的に入れ替わるたびに、経緯や判断の勘所といった暗黙知が、すっぽりと抜け落ちる。

これは単なる“引き継ぎが下手”という運用の問題ではなく、日本型雇用がもたらす構造的な副作用である。欧米企業では職務（ジョブ型）を軸に人材を配置するケースが多い一方、日本の大企業では人を軸とした人材ローテーションが行われることが少なくない。そのため業務知識が人にひもづきやすく、引き継ぎ問題が構造的に残りやすい。

さらに見落とされがちなのが、役割の変化に伴うナレッジ損失である。
熟練した担当者や判断経験を持つ人材ほど、昇進や役割変更によって現場実務から離れることがある。これは組織の健全な新陳代謝であると同時に、その人が培った判断基準が棚卸しされないまま失われるという副作用を伴う。ここに昇進を否定する意図はない。あくまで、異動や昇進という日本企業で広く見られる仕組みそのものが、意図せずナレッジの断絶を生み続けているのだ。
ここで本質的な課題として立ち上がるのが、「継承」と「進化」の分断である。引き継ぎは往々にして「前任者の状態を再現する」ことが目的化し、“改善のバトン”までは渡らない。担当者は替わっても、業務そのものの進化は止まる。「教える人がいなくなった」「マニュアルが更新されず形骸化している」といった摩擦は、その象徴だ。

しかも形式知として整理された手順書だけでは、「どう判断していたのか」「どこまでが交渉余地か」といった問いに答えられないことが多い。結果として後任は前任者に問い合わせ続け、“人”にナレッジがひもづいた状況から脱せない。定期異動・昇進という人事制度と、形式知への投資不足──この“二重の構造リスク”が、生成AI時代においてもなお、組織能力の停滞を招いているのである。

2. 生成AI活用の「再現性」と、その先の限界

こうした課題に対し注目を集めているのが、Microsoft 365 Copilotをはじめとした生成AIツールである。履歴データを参照し「Aさんならどう答えるか」を模倣して引き継ぎ資料を生成する試みは、短期的に非常に効果がある。総務省『令和7年版 情報通信白書』によれば、何らかの業務で生成AIを利用していると回答した割合は日本企業で55.2％であり、なかでも「メールや議事録、資料作成等の補助」が47.3%を占める。[2]

しかしこのアプローチには限界がある。重要なのは、「再現性」はあっても「標準化」には至らないという点だ。AIが模倣するのは“過去の人の判断”であり、それがルールに還元されていなければ、別の状況や別の担当者が使える「標準」にはならない。現場で問われるのは「Aさんならこう言う」ではなく「組織としてどう判断すべきか」である。人を起点としたAIエージェントは前者には答えられても、後者には答えられない。つまり、引き継ぎの“出発点”にはなっても、組織としての“答え”にはならないのだ。

この「個人の便利ツール止まり」は、日本のDX全体の傾向とも重なる。独立行政法人 情報処理推進機構（IPA）『DX動向2025』も、日本のDXが「内向き・部分最適」にとどまりがちだと指摘する。[3]「個々の業務効率化」には一定の効果があっても、それだけでは「組織ナレッジの高度化」にはつながりにくい。この構造こそ、“業務起点”への転換が必要な理由である。

3. 業務を起点とするAIエージェント構造へ

重要なのは、人を単位としたナレッジ再現ではなく、業務を起点としたAIエージェントの設計である。業務そのものに知識をひもづけ、構造的に再現可能な判断基準として整理する。
この思想が持続可能なナレッジ基盤を実現する鍵となる。

たとえば「契約審査」で考えたい。人起点（ビフォー）では、後任は「Aさんが過去にどう判断したか」を参照するが、理由が言語化されていなければ応用が効かない。
業務起点（アフター）では、まず判断基準・チェック項目・エスカレーション基準がルール化され、AIがそれに基づき支援する。誰が担当しても同じ品質が再現され、基準そのものを改善できる。

このとき、以下の二層構造が有効である。

① 業務特化AIエージェント（コア）：
契約判断、品質管理、収支分析、コンプライアンスなど業務領域単位のAIエージェント。
規定・マニュアル・ルールを起点に判断や対応を支援する。

② 引き継ぎ・人起点AIエージェント（補助）：
AさんやBさんに基づくAIエージェント。
過去の履歴や判断の癖を参照し、コアで補えない文脈を補完する。

動作としては、利用者の問いに対し、まず業務特化エージェントが規程に基づく標準回答を提示し、不足する文脈を人起点AIエージェントが補足する。標準＋文脈の両面から意思決定できる設計が理想である。

4. ナレッジを進化させる「組織メモリと還流」のサイクル

この構造の真価は、AIエージェントが判断を代替するだけでなく、「標準の継続的な更新」に貢献する点にある。現場での判断や例外対応を通じて得られた知見を規程やマニュアルに反映し、業務AIエージェントが更新後の標準を参照する。この還流こそが、属人知を“組織知”へと転換するサイクルである。

その中心に据えるのが「ナレッジコア」だ。これは図3のエコシステムの中心円にあたり、規程・ルール／業務マニュアル・手順書／判断基準・FAQ／テンプレートで構成される。
ただし重要なのは、これらを単に蓄積することではなく、AIが理解・検索・再利用できる形で管理することである。図の外周にある各業務特化AIエージェントは、いずれもこのナレッジコアを参照し、そこに知見を還元することで機能する。

ここで、「それは結局、マニュアルを整備してAIに読ませる従来のやり方と何が違うのか」という疑問が浮かぶかもしれない。違いは二つある。一つは、知識が”読むための文書”ではなく、AIが判断に使える“構造化された基準”として整理されること。もう一つは、一度作って終わりではなく、現場の判断が絶えず還流し、標準そのものが更新され続けることである。マニュアルが「静的な参照物」だとすれば、ナレッジコアは業務とともに育つ「動的な基盤」なのだ。
ここで視点を一段引き上げたい。この還流の仕組みを一つの業務にとどめず、バリューチェーン全体へ広げたとき、ナレッジコアは質的に別のものへと進化する。それが、組織そのものの記憶＝「構造化された組織メモリ」である。個人の頭の中にあった判断や経緯を、組織が保持し続ける記憶装置へと移し替える。単一業務の標準を回す段階から、全業務の判断知が組織に蓄積・連携される段階へ——ここに、単なる文書管理との決定的な差が生まれる。そうなれば目指すべきは「引き継ぎを上手にやること」ではない。引き継ぎという行為そのものを不要にすることである。担当者が替わっても、組織メモリが判断の履歴と根拠を保持し続けるなら、引き継ぐべき属人知はそもそも発生しないからだ。

この考え方は、人材の流動化が進む現在ほど重要性を増す。中途採用や人事異動、組織再編で担当者が替わり続けるなか、意思決定の背景や判断根拠を組織メモリとして蓄積できるかどうかが組織力の差となる。それができれば、新任者も短期間で文脈を把握して早期に戦力化でき、組織の意思決定能力そのものを継承できる。

もっとも、組織メモリは“貯めれば機能する”というものではない。情報を蓄積するだけでは価値は生まれず、必要なときに引き出し、再利用できる状態に整備されて初めて組織の資産として機能する。運用にあたっては、次の三点が要諦となる。

第一に、知識の反映先を定めること。現場の気づきをFAQ・判断基準・規程のどこに反映するか、その流通経路を設計する。第二に、更新の担い手を現実的に設計すること。FAQもマニュアルも放置されがちなのが実態であり、「AIが更新候補を提示し、人が承認する」という分担にすれば、メンテナンスの負担を抑えつつ標準を生かし続けられる。第三に、継続的に見直す前提で運用すること。標準は一度作って終わりではなく、業務変化に応じて改訂を重ねる。

IPAが示すように、日本のDXの課題は「内向き・部分最適」から「外向き・全体最適」への転換である。[3]業務起点のAIエージェントと組織メモリの還流サイクルは、その“全体最適”への具体的な処方箋となる。そして、異動・休職・退職、さらには災害までも、これらは「重要な人がいなくなる」という一点で共通する。組織メモリは、そうした事態に備える一種の“人的BCP（事業継続）”としても機能するのである。

5. 異動のたびに“組織能力”をリセットしない仕組みへ

ここまで見てきた「組織メモリ」の議論が行き着く先は、シンプルな一点に集約される。重要なのはAIの導入そのものではなく、人が異動しても組織の記憶と能力が失われない仕組み――異動のたびに組織能力をリセットしない仕組みをつくることである。

そして、この仕組みづくりは、全社的な大改革として身構える必要はない。まずは一つの業務からでよい。 自部門で属人化している判断を一つ選び、その基準を言語化して組織メモリに残す――それだけで、担当者が替わっても失われない知識が一つ増える。特別なツールや大きな予算がなくとも、一業務部門から今日にでも着手できる。ここが、この取り組みの現実的な出発点である。

その設計のなかで、AIと人の役割は明確に分かれる。AIは、組織メモリを必要なときに引き出し、業務で活用するためのインターフェースとなる。 一方、人は、実務の中で生まれた新たな判断や例外対応を組織メモリへ還流し、標準を更新・進化させ続ける役割を担う。 すなわち、現場に求められる役割は「答える人」から「標準を設計し、育てる人」へと転換する。AIに使われるのではなく、AIが参照する標準を設計する主体へ、である。

こうした小さな取り組みが各部署に広がり、やがて相互に連携したとき、組織全体の記憶として大きな力を持つ。その段階では、IT・業務・人事が部門の境界を越えて連携し、「どの知識を組織として保持するか」「誰が更新に責任を持つか」「どのように日々の業務で使い続けるか」を、組織として設計することが重要になる。ただし、それはあくまで到達点であって、入口ではない。

異動や昇進が避けられない以上、そのたびに知識が失われる構造を放置するのか、それとも組織の記憶として残す仕組みを備えるのか。その選択が、これからの組織能力の差を決める。AIによって人の役割を奪うのではなく、人がAIとともに知識を進化させる――それを支えるのが、「業務起点で設計されたAIエージェント」と「組織メモリを軸とした知識循環のサイクル」なのである。

6. おわりに

引き継ぎ文化の課題は、業務が滞ることではなく、知識が“人”に閉じたまま進化が止まることにある。これを乗り越える鍵は、業務にAIを“導入”することではなく、AIを前提に業務そのものを設計し直すことだ。判断基準を標準化して“組織メモリ”に蓄積し、AIと人が使いながら更新する。この循環が、属人知を組織知へと変えていく。

そして、この仕組みがもたらすのは、業務の継続性だけではない。組織メモリに蓄積された判断知は、新たに加わる人材が早期に高い水準で判断を下すための“土台”となる。人は定型的な引き継ぎ作業に費やす時間を減らし、標準を設計し、例外に対応するという、より付加価値の高い役割へと軸足を移していける。そして組織は、人が入れ替わっても能力を失わず、経験を重ねるほど賢くなる「学習する組織」へと近づいていく。属人知を組織知へ変える営みは、結果として、人と組織の双方を育てるのである。

重要なのは、完璧な仕組みを一度に構築することではなく、標準を言語化し、運用しながら継続的に更新していく姿勢を組織に定着させることである。その第一歩は、自社のどの業務に属人化リスクが潜むかを整理することから始まる。

「引き継ぐ」から「引き継がなくてよい」へ──。本稿が、自社の業務と組織知のあり方そのものを問い直す契機となれば幸いである。

【出典】

[1]独立行政法人労働政策研究・研修機構（JILPT）（2023）, “人への投資と企業戦略に関するパネル調査（JILPT企業パネル調査）（第1回）調査シリーズNo.232”, https://www.jil.go.jp/institute/research/2023/232.html（参照2026年7月13日）
[2]総務省（2025）, “令和7年版 情報通信白書”, https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/r07/html/nd112220.html（参照2026年7月13日）
[3]独立行政法人情報処理推進機構（IPA）（2025）, “DX動向2025”, https://www.ipa.go.jp/digital/chousa/dx-trend/tbl5kb0000001mn2-att/dx-trend-2025.pdf（参照2026年7月13日）