ドメインエキスパートとは？AI時代に価値が高まる理由と3つの役割【2026年版】

最終更新：2026年9月29日

「また、AIが書いたコードのほうが綺麗だ……」。レビュー画面を閉じたとき、ふと不安になる。生成AIやAIエージェントがコード作成、文書整理、初期分析まで担う今、自分の専門性はどこに残るのか。ドメインエキスパートと呼ばれてきた人ほど、その問いは重い。

しかし、AIに任せられる仕事が増えるほど重要になるのが、「何を正解とするか」「どこまでAIに任せるか」を決められるドメインエキスパートである。

AIが強くなるほど、なぜ現場の専門家が重要になるのか。その答えを、一次情報と日本企業の事例からたどっていく。

📖 読了 14分｜🎯対象：エンジニア・非エンジニアの業務専門家／経営層・人事担当者
🛠 難易度：★☆☆ 入門〜実務者

✅ 先に結論

2026年のドメインエキスパートの価値は、知識量そのものではありません。業務知識をAIが使えるルールや評価基準へ変換し、出力を検証し、AIに任せる範囲を設計できることにあります。

AIに任せられる処理はAIへ。人間はその分、「何を正解とするか」「どこで介入するか」「誰が責任を持つか」を設計する側へ回ります。

この記事の著者・監修者　ケニー狩野（Kenny Kano）

Arpable 編集部（Arpable Tech Team）

株式会社アープに所属するテクノロジーリサーチチーム。人工知能の社会実装をミッションとし、最新の技術動向と実用的なノウハウを発信している。

役職：(株)アープ取締役。Society 5.0振興協会・AI社会実装推進委員長。中小企業診断士、PMP。著書『リアル・イノベーション・マインド』▶ 詳細情報

Toggle

ドメインエキスパートとは？

ドメインエキスパートとは、業務知識に加え、判断基準・例外・リスク・実務プロセスまで理解する専門家である。

ドメインエキスパート（Domain Expert）とは、特定の業界・業務について、判断基準・例外・リスク・実務プロセスまで理解する専門家です。AI時代には、その知識をルールや評価基準へ変換し、AI出力を検証し、任せる範囲まで設計します。

重要なのは、知識を持つことだけではありません。現場の暗黙知を、AIが参照・評価できる判断仕様へ翻訳し、運用のなかで改善し続けることです。

NISTのAI Risk Management Frameworkでは、AIが使われる産業や用途について知識を提供し、設計・評価を導き、出力を解釈する専門家を、AIシステムを支える重要な関係者として位置づけています。OpenAIやAnthropicの評価設計でも、ドメインエキスパートが評価基準や正解例を作り、AI出力を検証する役割が重視されています。

つまり2026年のドメインエキスパートは、「詳しい人」から「専門知識をAIシステムの品質へ変換できる人」へ役割を広げているのです。

なぜAI時代にドメイン知識の価値が高まるのか

AIが定型作業を担うほど、人間の価値は処理速度から文脈理解・専門判断・評価・責任設計へ移る構造である。

AIによって変わっているのは、「専門知識が不要になるかどうか」ではありません。専門知識が価値を生む場所です。

生成AIやAIエージェントは、コード作成、情報整理、文書の下書き、比較、初期分析といった多くの処理を高速化できます。一方で、自社固有の業務ルール、顧客との暗黙の約束、法規制の解釈、例外時の判断基準まで自動的に理解しているわけではありません。

ここで必要になるのがドメイン知識（Domain Knowledge）です。

AIエージェント時代、「文脈」が精度を決める

「Context is King」という言葉が示す通り、AIの性能だけでは業務品質は決まりません。顧客、規制、例外、社内ルールという文脈を、AIが参照・判断できる形にできるかが重要です。

RAGやAIエージェントを業務で機能させるには、資料を読み込ませるだけでは足りません。「何を正解とするか」「どの例外を許すか」「どの条件なら人間へ戻すか」といった業務ロジックまで形式知化する必要があります。

AIが高性能になるほど、問いは「モデルが賢いか」から「その企業の現実を正しく教えられているか」へ移っていきます。

PwCの「2026 AI Jobs Barometer」では、AIが基礎作業を担い、人間により専門的な仕事が残る「professionalised」職種に分類される求人広告件数は、2018年から2025年に39％増加しました。一方、「democratised」職種の求人広告件数は17％増で、求人広告件数の伸びは約2倍です。

ただし、これは「ドメインエキスパート」という職種そのものの求人広告件数が2倍になったという意味ではありません。PwC独自の職種分類に属する求人広告件数を比較した結果です。

さらにPwCは、AIの影響が大きい職種で新たに加わる仕事は、共感・判断・創造性といった人間中心の能力を必要とする確率が2.5倍高いと分析しています。AIは専門性を一律に消すのではなく、人間の仕事の重心を「処理」から「判断・評価」へ動かしているのです。

世界経済フォーラム「Future of Jobs Report 2025」でも、2030年までに労働者のコアスキルの約39％が変化すると予測されています。学歴や肩書だけでなく、「何ができるか」「どの文脈で判断できるか」が評価される時代へ移りつつあります。

ドメインエキスパートの3つの役割：Teacher・Judge・Director

AI時代の専門家は、知識を仕様化するTeacher、出力を評価するJudge、権限と責任境界を設計するDirectorへ役割を広げる。

ドメインエキスパートの新しい3つの役割：Teacher, Judge, Director

では、AI時代に専門職の仕事はどう変わるのでしょうか。Arpableでは、主要AI企業や標準機関の一次情報に共通する専門家の仕事を、Teacher（教師）・Judge（裁判官）・Director（監督）の3つに整理しています。

※Teacher／Judge／Directorは各社の公式職種名ではなく、OpenAI、Microsoft、Google、Anthropicなどの一次情報に共通する専門家の実務を、Arpable編集部が3つの役割に整理したものです。

1. Teacher（教師）：暗黙知をAIが使える「仕様」に変える

Teacherは、単にマニュアルや資料をAIへ渡す人ではありません。

現場に蓄積された暗黙知を、入力例、模範回答、判断ルール、失敗例、例外条件へ分解し、AIが参照し、判断し、評価できる形へ変換します。MicrosoftがMachine Teachingで示しているように、AIや機械学習の専門家でなくても、対象業務に詳しい人が自らの知識を構造化してシステムへ渡すことが重要になります。

企業固有の業務知識を意味や関係性まで含めて構造化する考え方は、Palantirのオントロジー設計にも通じます。

「自分なら何となく判断できる」という暗黙知を、AIでも再現可能な判断仕様へ変えていく。ここにTeacherの価値があります。

2. Judge（裁判官）：AIの正解条件を定義する

Judgeは、AIの間違いを見つけるだけではありません。

何を合格とするかを定義し、境界事例を判定し、その判断を評価基準や正解データとして残す役割です。AIの回答が文章として自然でも、業務上正しいとは限りません。

Google Cloudは、ドメインエキスパートによるHuman-in-the-Loop評価を、AIの評価を現場の品質基準へ結び付ける重要な手段として位置づけています。人間による評価を使って、自動評価の精度を調整する考え方も示しています。

AnthropicやOpenAIも、専門家が評価タスクや採点基準を設計する重要性を強調しています。

Judgeに求められるのは、「この回答は70点」と言うことではありません。なぜ70点なのかを説明し、その判断を次の評価に再利用できる形で残すことです。

3. Director（監督）：AIの目的・権限・停止条件を設計する

Directorは、単にAIへ指示を出す人ではなく、AIの職務設計者です。

目的と成功条件を定め、利用できるツールやデータ、書き込み権限、要承認操作、停止条件、例外時の人間へのエスカレーションまで設計します。

AIエージェントが「答えるAI」から「行動するAI」へ進むほど、この役割は重要になります。OpenAIのエージェント構築ガイドは、高リスクな操作の前に人間へ引き継ぐ設計を勧めています。MicrosoftのCopilot Studioにも、処理を一時停止して人間の判断を求める仕組みや、AI審査と人間承認を組み合わせる多段階承認があります。

LangGraphのようなAIエージェント基盤でも、Human-in-the-Loopや中断・再開の設計は本番運用の重要な論点です。

AIに何をさせるかだけではなく、「何をさせてはいけないか」を決めることも、ドメインエキスパートの仕事です。

あなたの業務で、AIに「させてはいけないこと」は何か。それはなぜ、させてはいけないのか。その答えを言語化することも、専門性の一部になっていきます。

日本企業に見る「専門知識×AI」の勝ちパターン

国内事例では、熟練者の知識そのものだけでなく、正解条件や評価基準をAIへ移す役割がすでに現場で生まれている。

では実際の現場で、この3役はどう現れているのか。事例に入る前に、専門職の価値がどこへ動いているのかを一度整理しておきます。

AI時代における専門職の役割変化——「処理」から「判断・責任境界」へ（一次情報と業務特性をもとにArpable編集部が整理）
職種	これまでの主な価値	AI時代に比重が高まる価値
医療専門職	情報整理・記録・初期分析	患者背景を含む最終判断、AI出力の検証、説明責任
生産技術・保全	機械の調整・トラブル対応	熟練者の判断基準・例外処理を形式知化し、AIへ移す
法務・金融	契約・財務資料の初期確認	リスク許容度、境界事例、経営判断を含む評価

本記事で詳しく扱うのは、熟練者の知見がAIの精度を左右する、日立とダイキンの2事例です。医療、法務、金融について表で示した役割変化は、一次情報と業務特性を踏まえたArpable編集部の見立てであり、業界ごとに最終判断の責任、規制、求められる説明可能性は異なります。

共通しているのは、AIを「競合」ではなく、専門家の判断を拡張し、再利用可能にする仕組みとして使っている点です。

日立・大みか事業所：熟練者が「正解」をAIへ教える

対応する役割：Teacher（知識を与える）／Judge（出力を評価する）

日立製作所の大みか事業所では、社会インフラ制御システムの品質保証業務に生成AIを活用しています。

ポイントは、単に既存文書をRAGで検索させたことではありません。

日立の公表資料によると、熟練者と生成AIの専門家が、実際の業務を想定した質問と模範回答を100件以上作成し、生成AIの回答を熟練者自身が評価しました。

さらに、回答精度を見ながら、熟練者の検索順序、判断基準、例外処理を追加して改善しています。ここで熟練者の役割は、個別案件へ答えることだけではありません。「何を正解とするか」をAIシステムへ実装し、改善を導くTeacher兼Judgeへ広がっています。

日立は、鉄道システム分野の検証で、類似事例の検索時間を約9割削減できたと説明しています。

ダイキン×日立：設備保全の暗黙知をAIへ移す

対応する役割：Teacher（知識を与える）／Judge（出力を評価する）

AIの診断に、熟練の保全技術者が点をつける。ダイキン工業と日立製作所が共同で検証している工場設備の故障診断AIエージェント。その評価は、そんな形で行われました。

設備図面をナレッジグラフへ変換し、保全記録や故障原因分析のプロセスと組み合わせて、AIの診断に利用できる形にしたうえで、熟練保全技術者2人が原因と対策案を5段階で評価しました。

5種類の設備について各5件、計25件の故障状況を対象に確認した結果、熟練保全技術者の評価では90％以上、回答時間は10秒以内でした。あくまで試験運用段階の限定的な検証結果であり、すべての設備や故障へ一般化できるものではありません。

重要なのは数字だけではありません。AIの品質を決めているのが、熟練者が持つ「この診断なら現場で使える」という判断基準である点です。

専門家の暗黙知が消えるのではなく、組織内で再利用できる品質基準へと形を変えていることが、この事例から見えてきます。

キャリア戦略：AI時代のリスキリングは「T型」から「π（パイ）型人材」へ

AI時代のπ型人材は、深い業務専門性と、AIの評価・権限・人間介入まで設計するAI協働設計力を併せ持つ人材である。

これからの時代、一つの専門性を持つ「I型」や、それに広い知識を加えた「T型」人材から、もう一歩進んだ「π（パイ）型人材」が重要になります。

ただし、専門知識を持っているだけで、その価値が自動的に守られるわけではありません。判断基準や例外処理を自分で言語化しなければ、AIも組織も、別の誰かが書いた基準で動き始めます。

だからこそ、これから問われるのは「何を知っているか」だけではなく、「その知識をどう判断へ使うか」を説明できる力です。

第二の専門軸は「AI協働設計力」

第1の軸：深い業務知識・ドメイン専門性——「何が正しいか」を知っている
第2の軸：AI協働設計力——「何を正しいとし、どこまでAIへ任せるか」を設計できる

この2つの軸は独立していません。深い専門性があるからこそ、AIに任せる範囲と任せない範囲を的確に切り分けられます。専門性の深さが、AI協働設計力の精度を決めるのです。

以前であれば、AIリテラシーは「プロンプトを書ける」「生成AIを使える」という意味で語られることもありました。

しかし2026年の企業利用では、それだけでは足りません。AIリテラシーとは、問いと前提を定め、業務をAIが扱える形へ分解し、出力と根拠を検証し、評価基準を言語化し、権限・責任・人間介入の境界まで設計する実践能力と捉える方が実態に合っています。

2026年版「AI協働設計力」を構成する6つの能力
能力	実務でできること
問い・前提の設計	目的、対象ユーザー、利用文脈、成功条件を先に決める
業務の分解	専門知識を手順、ルール、例外、判断条件へ分ける
出力の検証	正確性、品質、信頼性を既知の正解や人間評価で確かめる
根拠確認	出典、引用、データの来歴を原資料へ戻って確認する
評価基準の言語化	合格条件、失敗類型、境界事例を評価ルールへ変える
権限・責任境界の設計	要承認操作、停止条件、人間への引き継ぎ条件を決める