製造業特化の組織知AIプラットフォーム「汎知化AI Core」をリリース

社内文書のAI検索（RAG）から、判断を支えるAIへ

株式会社LIGHTz（本社：茨城県つくば市、代表取締役社長CEO：乙部 信吾）は、製造業特化の組織知AIプラットフォーム「汎知化AI」の中核となるサービス 「汎知化AI Core」 の提供を開始します。

文書に書かれたことを返すだけでは、現場の判断は変わらない。独自エンジンRe:Quidがベテランの暗黙知を引き出し、根拠とともに判断の拠り所を示します

サービスサイト（ https://lightz-inc.com/service/products/hanchika-ai/）

社内文書をAIで検索する仕組み（RAG）を導入しても、得られるのは文書に書かれた内容にとどまります。設計や品質の判断に欠かせない「なぜその値にしたのか」「どこが勘所か」は、多くの場合そもそも文書に残っていません。

汎知化AI Coreは、文書からの知識抽出に加え、独自の暗黙知抽出AIエンジンRe:Quid（リキッド）※がベテランへの問いかけを自動生成し、文書化されていない知見までを組織の資産として蓄積します。検索結果の提示にとどまらず、根拠とともに判断の拠り所を返す知のインフラを提供します。

※Re:Quidは汎知化AIのコアエンジンです。詳細は後述

汎知化AIは、組織の知識を蓄積・活用する基盤「汎知化AI Core」の基に、業務特化のAIエージェントアプリを必要な分だけ重ねられるプラットフォームです。

本リリースの汎知化AI Coreは、その本体にあたります。先行リリースした「汎知化AI for Meeting」（2026年7月提供開始）は、Coreの一部機能（会議からの暗黙知抽出）を切り出したもので、貯めた知識はそのままCoreに引き継がれます。

今後は、エンジニアリングチェーンの各領域を支える業務特化エージェントを順次追加します。
Coreに蓄積された組織知はすべてのエージェントが共有するため、いま貯め始めた知の資産は、プラットフォームの拡張とともに価値を増していきます。品質・製造の現場で得られた知見が設計初期のリスク検知（フロントローディング）に活きるように、部門や工程を越えて知がつながるほど、組織全体の判断の質が高まる基盤へと発展させていきます。

① 書いてあることの検索から、書かれていない知の活用へ

一般的なRAGとの違いは、扱える知識の範囲と、返ってくる答えの質です。

② 属人化していた判断を、誰でも引き出せるように

例えば、経験の浅い設計エンジニアが「この設計は技術的に成立するか。

想定されるリスクと対処方法は」と問い合わせると、過去の設計文書・トラブル対応記録に加えてベテランから抽出した判断基準を横断参照し、見立て・リスク・対処方法を根拠とともに提示します。特定の人に閉じていた判断を、部署・世代を越えて、いつでも誰でも引き出せるようにします。

③ データ整備は不要。投入して、問いに答えるだけ

事前の文書整理やタグ付けは不要です。手元のファイルや音声を投入すれば、AIが知識を抽出・構造化します。不足している暗黙知はAIがベテランへの問いとして自動生成するため、答えるだけで組織の知識が積み上がっていきます。聞く側にも答える側にも負担だった、ベテランへの確認作業を減らします。

なぜ、一般的なRAGにはできないことができるのか。

それを支えるのが、独自エンジンRe:Quid（リキッド）です。

Re:Quidは、投入されたナレッジの意味を繋げ、そこに欠落している暗黙知を見つけて埋める、汎知化AIの中核エンジンです。
LIGHTzには製造業出身のメンバーが数多く在籍し、創業以来10年、現場でベテランの思考を可視化する技術伝承コンサルティングを重ねてきました。業界と業務への深い知見、熟達者の判断構造をモデル化する独自手法BrainModel®※、そして自社のAI開発力──この3つが結集して、Re:Quidは成立しています。

※BrainModelとは、頭の中で行われている思考のネットワークを可視化・デジタル化することで業務に活用できる形にするLIGHTzの独自技術です。ノウハウの繋がりをネットワーク図として再現し、暗黙知を形式知化。組織全体で共有・活用できる資産へと転換します。

2つのステップで、組織の知を「判断に使える資産」に変えます。

STEP1　製造業フレームワークを活用した構造化 ── 意味を繋げる

投入された文書・音声から知識を抽出し、FMEAをはじめ製造業の現場で使われてきたフレームワークに沿って配置します。部品・故障モード・メカニズム・影響・対策という関係の軸の上で知識どうしの意味が繋がり、熟達者の判断構造を模したBrainModel®として連結されます。文書を機械的に切り刻むチャンク分割では失われる関係性がそのまま保たれ、検索時には必要な情報が関係性ごと漏れなく返ってくる──これが、製造業特化を掲げる理由です。

STEP2　構造化した情報から、欠落した知（”暗黙知”）を見つけて埋める

意味が繋がると、逆に「繋がっていない箇所」──語られていない判断の背景や理由──が浮かび上がります。Re:Quidはこの欠落を自ら検出し、ベテランへの問いを自動生成。答えるだけで、その場で既存の知識と同じ構造に連結されます。人がテーマを決めて聞き取る一般的なAIインタビューとは異なり、何を聞くべきかを知識基盤そのものが導き出す──蓄積→問いかけ→活用の循環が、1つのプラットフォームで閉じています。

① 投入する　

設計書・報告書・議事録・音声データなど、手元のナレッジをそのまま投入。AIが知識を抽出し、構造化します。

② 問いに答える　

語られていない判断の背景をRe:Quidが見つけ、問いを生成します。ベテランが答えるだけで、暗黙知が組織の知識として蓄積されます。

③ 判断を引き出す　

知りたいことをAIに聞けば、文書と暗黙知を横断して「どう判断すべきか」が根拠とともに返ります。

貴社のお困りごとに合わせた個別相談、デモを承ります。

ご相談内容に応じて、貴社データを用いた検証も可能です。

▶ お問い合わせはこちら

お問合せ

株式会社LIGHTz セールス部

お問い合わせフォーム：https://lightz-inc.com/contact/

メール：info@lightz-inc.com