FDE という解 ― 暗黙知と明示知をつなぐ、伴走型エンジニアリング ―

FDEに必要不可欠な明示知と暗黙知について、SECIモデルから、明示知と暗黙知の両方からお客様の声の活かし方を例に実装例まで説明しました。

Transcript

1. 夏の勉強会&交流会（FDE最新戦略）@クリエイター広場 株式会社イノベイティア 2026年6月17日(水) 19:00- FDE という解 ― 暗黙知と明示知をつなぐ、伴走型エンジニアリング ― うさぎさん商会| 2026.06.17 | LT
2. FRAMEWORK SECIモデルってしっていますか？ 共同化(Socialization) 暗黙 → 暗黙 現場に入り、肌で業 務を体感 表出化 (Externalization) 暗黙 → 明示 対話で言語化し、要 件に翻訳 連結化(Combination) 明示 → 明示 コード・設定・仕組 みに統合 内面化 (Internalization) 明示 → 暗黙 顧客が使いこなし、 新たな現場知に FDEは SECI の輪を、現場で一周まわす人。
3. AGENDA 本日お話しすること 01 自己紹介 02 課題― FDEに必要不可欠な資質としての明示知と暗黙知 03 提供価値 ― 暗黙知を明示知に翻訳する 04 お客様の声― 例：お客様の声を"商品改善"へ 05 実装例 05 まとめ & ご提案 06
4. 01 自己紹介
5. 自己紹介 ・名前：太田 博三(Hiromitsu Ota) ・所属先：サントリーコンシェルジュサービス株式会社 - 主な業務：生成AIを用いたナレッジマネジメント/業務効率化 ・職種：データサイエンティスト ・LT/学会発表：AGI（脳型人工知能）に向けた共同研究 「解釈可能性を高めて信頼し得るエージェントを実現するための 脳型認知モデル」2024年 人工知能学会全国大会 ※ポートフォリオ：こちら ・共著/翻訳 「改訂版 ウェブ解析士認定試験公式テキスト2020」2020年 「Juliaデータサイエンス」 2017年9月
6. 02 課題 FDEに必要不可欠な資質としての明示知と暗黙知
7. ひとつの問い FDEとは？ 「顧客先に深く入り込んで、技術で課題を直接解決する エンジニア」 です。 ……本当に？ - 明示知としてプロダクトに作り込み。それをコードや 設定という形式知に変換し、再利用可能にする（＝連 結化→内面化） - 現場の暗黙知を吸い上げる： 顧客自身も言語化できていない「業務の本質」を、 常駐して観察・対話することで掘り起こす
8. 03 提供価値 暗黙知を、明示知に翻訳する
9. THE GAP 客先でやること：暗黙知を明示知にする 高機能なAIを導入した。でも現場で形骸化する スペックの問題ではない 原因：現場の“暗黙知”を生成AIは知らない 言語化されていない業務の勘が抜け落ちる ツールと現場の間に、埋めるべき"溝"がある その溝を、人間が現場で埋める職種がいる
10. CORE VALUE FDE ＝ 暗黙知 → 明示知 の "翻訳者“ 暗黙知を明示知に変換する作業がFDEだ！ 暗黙知 現場の勘・言語化されてい ない業務 FDE 現場に常駐し観察・対話で 引き出す 明示知 コード・仕組み・AIの作り 込みとして固定化 人間が現場で泥臭くやる「暗黙知の形式知化」、それがFDE。
11. FRAMEWORK SECIモデルで見るFDEの動き 共同化(Socialization) 暗黙 → 暗黙 現場に入り、肌で業 務を体感 表出化(Externalization) 暗黙 → 明示 対話で言語化し、要 件に翻訳 連結化(Combination) 明示 → 明示 コード・設定・仕組 みに統合 内面化(Internalization) 明示 → 暗黙 顧客が使いこなし、 新たな現場知に FDEは SECI の輪を、現場で一周まわす人。
12. HOW WE WORK FDEの進め方（具体例） PHASE 1 現場に入る 常駐・同行し、業務 をそのまま観察 PHASE 2 言語化する 対話で暗黙知を掘り 起こし要件化 PHASE 3 作り込む AI・仕組みを現場仕 様に実装 PHASE 4 定着させる 貴社メンバーが自走 できる状態へ
13. 04 例：お客様の声を"商品改善"へ 声には、2つの層がある
14. KEY INSIGHT お客様の声には、2つの層がある 明示知の声 ― 言葉で語られる要望 ― ・「ボタンを大きく」「この機能が欲しい」 ・アンケート・レビュー・問い合わせで集ま る ・AIでも拾える ＝ 「今あるもの」の最適化 暗黙知の声 ― 語られない行動・違和感 ― ・「特に困ってない」…なのに使われない ・行動や違和感に表れる（言語化されない） ・現場に立つFDEだけが拾える ＝ 新しい価 値 商品改善の"ジャンプ"は、暗黙知の側から生まれる。
15. CASE 01 ｜ 明示知の声 言われた声を、そのまま形にする お客様の声（明示） 「検索ボタンが探しにくい」 「右上に置いてほしい」と 具体的に要望 改善 ボタンを右上へ／文字サ イズも可変に 言われた通りに仕様化。速 く・確実 結果 「使いやすくなった」 既存の不満を解消（今ある UIの最適化） 明示知の声は、答えごと顧客が持っている。AIでも拾える"最適化"の改善。
16. CASE 02 ｜ 暗黙知の声 言われなかったことを、形にする お客様の声（明示） 「特に、困ってない ですよ」 要望はゼロ。アン ケートでは拾えない 現場で観察 紙のメモ帳に数字を 書き写している 「前回との差分が画 面で分からない」と 判明 改善 前回比・増減を自動 表示する機能を新設 誰も要望していな かった改善 結果 紙作業が消滅・棚卸 し時間が半減 「これが欲しかっ た」と後から気づく 暗黙知の声は、顧客自身も気づいていない。現場に立つFDEだけが拾える"新しい価値"。
17. SO WHAT 2つの"声"と、改善の質 明示知の声 暗黙知の声 形 言葉で語られる要望 語られない行動・違和感 取り方 アンケート・レビュー・問い合 わせ 現場の観察・対話 改善の質 今あるものの最適化 課題の再定義・新しい価値 拾えるのは AIでも拾える FDE（人）が現場で 例 「ボタンを右上に」 「紙に書き写していた」→ 差分 表示 お客様は"欲しいもの"は言えても、"本当に必要なもの"は言えない。
18. 05 実装例
19. SUMMARY ・明示知：お客様の声を商品改善に生かす→Dify等で実装 ・暗黙知：お客様の声に隠れた建前と本音を聞き出す ・明示知の実装例 Difyによるお客様の声による商品改善・サービス改善 インプットデータはお客様のクチコミやクレーム アウトプットは、商品改善案 ・暗黙知の実装例 サプリメントの定期購入開始時のお客様との対話応対の音声データ 階段の昇り降りがつらいから購入して試してみたい→建前 家族に迷惑をかけないように暮らしたいから、購入して試してみたい→本音 ※生成AIで声の高低も含めてヒアリングして分析してもらう - 明示知：Q:いつ頃から、どんな場面で、どこが痛みますか… →右膝です。 - 暗黙知：Q:痛みの解消ならサロンパスがいいですよ…なぜ？→2年後も自力で歩き回 りたい（→これが満たされないと解約されてしまう）
20. 06 まとめ
21. SUMMARY まとめ お客様の声には「明示知」と「暗黙知」の2層がある 言える要望(建前)と、言えない本音 明示知の声 → 今あるものの最適化 アンケートと生成AIの声の高低から拾う 暗黙知の声 → 課題の再定義・新しい価値 現場に立つFDEだけが拾える 商品改善の"ジャンプ"は、暗黙知の側から生まれる 「本当に必要なもの」を翻訳するのがFDE
22. NEXT STEP FDEの第一歩に！ 明示知の拾い方の実装例をPDFで販売しています！ 「Difyで作るお客様の声の商品改善と、業務効率化に 向けたボトルネックの発見」うさぎさん商会 暗黙知の拾い方、現場の“溝”がどこにあるか、一緒 に可視化しましょう！ Emailto: ota20260614@gmail.com