なぜ人事はAI駆動人事になるべきか｜採用・評価・育成を、勘から仕組みへ

こんにちは、株式会社TIMEWELLの濱本です。

人事の仕事をしていると、こんな場面に覚えがないでしょうか。求人を出しても応募が思うように集まらず、母集団がやせ細っていく。ようやく面接にこぎつけても、評価する人によって「良い」の基準がまちまちで、同じ候補者でも面接官が変われば結論が変わる。せっかく採った人の受け入れは、気づけば特定の先輩の頭の中だけにやり方があって、その人が忙しいと新人が放置される。そして半年後、静かに退職の申し出が届く。

一つひとつは小さな綻びに見えても、積み重なると人事という機能そのものが疲弊していきます。この記事では、この痛みがなぜ生まれるのかを構造からほぐし、AIを補助として使いながら採用・評価・育成・配置を勘から仕組みへ移していく「AI駆動人事」という考え方を、政府の一次データと守るべき線とあわせて整理します。専門用語はそのつどかみ砕くので、AIに詳しくない方も置いていきません。まず自社の現在地が気になる方は、AIリテラシーの無料診断で人事チームがAIをどこまで理解しているかを確かめておくと、後半の話が具体的になります。

採用も評価も育成も、気づけば「あの人しか分からない」になっていませんか

最初に、多くの人事責任者が同時に抱えている痛みを、もう少し具体的に描いてみます。共感できる項目がいくつあるか、数えながら読んでみてください。

一つ目は採用の母集団不足です。求人媒体に載せても応募が来ない。来ても求める要件と噛み合わない。人事担当者は少ない母集団の中から無理に選ぶことになり、採用のミスマッチが起きやすくなります。書類選考の作業量も見過ごせません。応募が集中する求人では、一件ずつ職務経歴に目を通すだけで一日が終わることもあります。

二つ目は評価のばらつきです。面接でも人事考課でも、評価者によって基準が揺れます。ある面接官は熱意を重く見て、別の面接官は実績を重く見る。同じ人物でも評価者が違えば結論が変わり、後から「なぜあの人を通したのか」を説明できない。評価される側にとっても、基準が見えない評価は不信のもとになります。

三つ目はオンボーディングと育成の属人化です。オンボーディングとは、入社した人が組織になじみ、早く戦力になるまでの受け入れ全体を指す言葉です。この受け入れの手順や勘所が、特定の先輩や上司の頭の中にしかない。マニュアルはあっても更新されず、実際のやり方は口伝で受け継がれる。教える人が変わると教わる内容も変わり、新人の立ち上がりが運任せになります。

そして四つ目、これらの結果として離職が起きます。入ってはみたものの受け入れが手薄で、評価も納得できず、成長の道筋も見えない。人が辞めれば、また採用からやり直しです。母集団不足という一つ目の痛みに逆戻りし、人事は同じ輪を回し続けることになります。

なぜ人事の仕事は勘と属人化に寄っていくのか

では、なぜこうした痛みが繰り返し生まれるのでしょうか。担当者の努力不足ではありません。もっと構造的な理由があります。

いちばん根っこにあるのは、働き手そのものが減っているという事実です。総務省の情報通信白書によれば、日本の生産年齢人口、つまり15歳から64歳までの働く中心世代は、2020年の約7,509万人から2050年には約5,540万人へと、26.2%も減る見通しです¹。母集団が集まりにくいのは、個々の求人の巧拙より先に、そもそも採る相手の総数が細っているという前提があるからです。

出典：総務省『令和7年版情報通信白書（概要）』p.8 同じ白書のもとになった政府調査では、「少子高齢化に伴う労働力不足」を優先して取り組むべき重要な社会課題と答えた割合が60.4%にのぼりました¹。労働力不足は、いち企業の悩みではなく、国全体が向き合っている課題として認識されているわけです。人が足りない前提で、それでも採用・評価・育成を回さなければならない。これが人事の置かれた土台です。

この土台の上で、人事の仕事は放っておくと属人化に寄っていきます。理由は単純で、人の判断が多く含まれる仕事だからです。誰を通すか、どう評価するか、どう育てるか。どれも正解が一つに定まらず、経験のある人ほど自分の感覚で速く処理できてしまう。すると、そのやり方が言語化されないまま個人に溜まっていきます。忙しさが加わると、記録を残す余裕もなくなり、勘とノウハウが特定の人の中に閉じ込められる。その人が異動や退職でいなくなった瞬間、組織は同じ判断を再現できなくなります。

つまり、母集団不足という外側の圧力と、属人化しやすいという仕事の性質。この二つが噛み合って、採用・評価・育成の痛みを再生産しているのです。ここを直さないまま人手だけで乗り切ろうとすると、疲弊が続きます。だからこそ、判断そのものは人に残しつつ、下ごしらえと記録を仕組みに移す発想が要ります。

AI駆動人事は、採用・評価・育成・配置をどう変えるのか

ここで登場するのがAI駆動人事です。難しく身構える必要はありません。人事の一連の流れの中で、情報の整理や下ごしらえといった重たい部分をAIに手伝わせ、人はより良い判断に集中する。それがAI駆動人事の骨格です。あくまで最終判断は人が担い、AIは補助に徹します。四つの場面に分けて整理します。

採用のスクリーニングでは、AIが応募書類の要点を整理します。スクリーニングとは、多くの応募の中から次の選考に進む人を絞り込む工程のことです。職務経歴や志望動機を一件ずつ読み込む作業を、AIが要約や論点の抽出という形で下ごしらえします。人事担当者は整理された情報をもとに判断でき、書類に埋もれる時間を候補者と向き合う時間に振り替えられます。合否そのものをAIに決めさせるのではなく、読む負担を軽くするのが要点です。

評価のばらつきに対しては、スキルの可視化が効きます。社員が持つ経験やスキル、過去の仕事の記録を一か所に集めて整理し、誰がどんな強みを持っているかを見える形にする。評価コメントの表現がばらついているとき、AIに観点をそろえる下書きを手伝わせることもできます。基準が見える化されれば、評価者による揺れを小さくし、評価される側への説明もしやすくなります。

育成の場面では、1on1の支援が挙げられます。1on1とは、上司と部下が定期的に一対一で話す短い面談のことです。話した内容をメモに残す作業は後回しになりがちですが、AIに要点整理を任せれば、次回への引き継ぎや育成テーマの積み上げが続けやすくなります。属人化していた育成の記録を、組織の資産として残していく足がかりになります。

配置の検討でも、可視化されたスキル情報が土台になります。どの部署にどんな強みの人がいて、どこが手薄なのか。勘だけに頼らず、整理された情報をもとに人の配置を考えられるようになります。

こうしたAI活用を一段進めた先に、最近よく語られる採用トレンドがあります。AIを深く使いこなす一人が、従来なら何人分もの仕事を担うという考え方で、「AI駆動人材を一人採れば百人分」といった言い方もされます。誇張気味の表現ではありますが、AIを前提に働ける人材の価値が上がっているのは確かです。この採用の潮流についてはAI駆動人材を採用して成果を百倍にする考え方の記事で詳しく扱っているので、あわせてご覧ください。経営層がこの変化をどう捉えるべきかは経営者のためのAI活用ガイドで整理しています。

AIをどこにどう入れれば自社の人事が実際に楽になるのか、その設計に迷うならWARPのようなAIコンサルティングの伴走も選択肢になります。大事なのは、道具を入れること自体ではなく、自社の人事のどの工程に効かせるかを見極めることです。

数字で見る、いまの企業のAI活用と人事への波及

AI駆動人事と言われても、まだ一部の先進企業の話に聞こえるかもしれません。そこで、いまの企業がAIをどこまで使っているのかを、政府の一次データで確かめておきます。数字はいずれも出典を添えます。

総務省の情報通信白書の本文によれば、いずれかの業務で生成AIを利用していると答えた日本企業は55.2%にのぼります²。すでに半数を超える企業が、なんらかの形で業務にAIを取り入れているわけです。このうち「情報・資料作成の補助」といった用途での利用率は47.3%とされています²。これは人事専用の数字ではありませんが、議事録や社内案内文、説明資料の作成といった、人事にも数多くある定型事務に転用できる領域だと言えます。人事の何割が削減できると断言できる政府データではないので、あくまで転用の余地を示す目安として受け取ってください。

企業がAIをどう位置づけているかも見ておきます。生成AIの活用方針を定めている企業の割合は、日本全体で約50%です¹。ただし内訳を見ると、大企業が約56%であるのに対し、中小企業は約34%にとどまります¹。この差は、裏を返せば、中小企業ほど早く動けば差をつけやすい領域だということでもあります。なお、この「活用方針を定めている約50%」と、先ほどの「業務で利用している55.2%」は別々の調査設問なので、大小をそのまま比べる数字ではない点だけ補足しておきます。

現場の温度差もデータに表れています。個人が生成AIを使った経験は、日本全体で26.7%ですが、年代別に見ると20代の44.7%に対し、50代は19.9%、60代は15.5%と開きがあります¹。人事部門の年齢構成によって、AI活用の巧拙が分かれる根拠になります。だからこそ、まずチームの理解度をそろえるところから始める意味があります。

導入でつまずく理由もはっきりしています。企業が生成AI導入で最も強く感じている課題は、「具体的な利用方法が分からない」ことでした²。技術そのものより、何にどう使うかの設計が普及の足かせになっているのです。ここは民間の一部の調査でも、特定タスクに絞った利用が生産性を押し上げたという結果が報告されていますが、そうした数字は調査対象や条件に依存する自社調べ・報道ベースの値であり、政府の一次情報とは区別して受け止める必要があります。

参考までに、書類選考の負担を単純化した試算を一つ挙げます。仮に応募100件を一件10分で読むと約16.7時間かかりますが、AIによる要約で下読みの時間を半分に減らせたとすれば、およそ8時間強の短縮になります。これはあくまで単純化した試算であり、実際の効果は求人の内容や運用によって変わります。政府が示した削減率ではない点にご注意ください。

便利さの裏で、人事だからこそ守るべき線

ここまで前向きな話が続きましたが、人事は人の情報を最も深く扱う部門です。だからこそ、AIを使う前に守るべき線をはっきりさせておく必要があります。過信は禁物です。

まず個人情報の扱いです。個人情報保護委員会は、生成AIサービスの利用について公式に注意喚起を出しています³。そこでは、個人情報を含む文章をAIに入力する場合、あらかじめ特定した利用目的の達成に必要な範囲かを十分に確認すること、そして入力した個人データが応答以外の目的、たとえば機械学習などに使われないかを提供事業者に確認することが求められています³。人事は病歴や信条といった要配慮個人情報を扱う場面があり、この種の情報は取得そのものに慎重さが要ります。応募者の書類を安易にAIへ貼り付ける前に、社内の入力ルールと利用サービスの仕様を確認することが出発点になります。

次に評価のバイアスです。総務省の白書は、AIのリスクを体系的に整理しており、技術的リスクとして「バイアスのある出力」「差別的な出力」「一貫性のない出力」、さらに判断の根拠が見えにくくなる「ブラックボックス化」を挙げています¹。採用や評価にAIをそのまま使うと、過去のデータに含まれた偏りをAIが受け継ぎ、特定の属性に不利な結果を出してしまう恐れがあります。だからこそ、合否や評価をAIに決めさせるのではなく、人が最終判断を担い、AIは情報整理に徹するという役割分担が欠かせません。

出典：総務省『令和7年版情報通信白書（概要）』p.9（AI事業者ガイドライン第1.1版より） 出力の正確さも過信できません。生成AIの応答は確率的な相関にもとづいて作られるため、事実と異なる内容の個人情報が出力されるリスクがあると、同じ注意喚起は指摘しています³。AIが要約した候補者情報を鵜呑みにせず、元の書類にあたって裏を取る習慣が要ります。

なお、採用に使うAIを高リスクと位置づけ、人による監督を義務づける枠組みは海外にもあります。これはEUの規制の話であり、日本の法律ではありません。日本で対応する国内文書は法的拘束力のないガイドラインという位置づけです。海外の動向は参考にしつつ、まずは足元の個人情報保護法と社内ルールを守ることが先決です。

最初の一歩は「どこに効くか」を見極めることから

守るべき線を押さえたうえで、では何から始めればよいのか。ここが人事責任者にとっていちばん知りたいところだと思います。

やってはいけないのは、いきなり全社の人事プロセスをAIで置き換えようとすることです。導入で最もつまずく理由が「利用方法が分からない」ことだった以上、大風呂敷を広げるほど頓挫しやすくなります。おすすめしたいのは逆で、自社の人事のどこに時間と負荷が偏っているかを書き出し、効果が見えやすい定型業務を一つだけ選んで小さく試すことです。書類の要約、面接後のメモ整理、社内案内文の作成。このあたりは失敗しても被害が小さく、効果を実感しやすい入口です。

もう一つ、着手前にやっておきたいのが、人事チーム自身のAI理解度を把握することです。年代によって使いこなしに差が出るのはデータでも見た通りで、教える側の理解がそろっていないと、どんな道具を入れても定着しません。AIリテラシーの無料診断で現在地を確かめておくと、どこから教育を始め、どの業務から任せるかの設計がぶれにくくなります。

そのうえで、自社の人事のどこにAIが効くのか、入力ルールをどう定めるかといった設計に迷うようでしたら、WARPの担当までご相談ください。元大手企業でDXやデータ戦略を担ってきた専門家が、月次で伴走しながら、AIを人事の現場に落とし込むお手伝いをしています。号令と現場のあいだには、いつも翻訳が必要です。その翻訳を一緒に進めるところから始めましょう。

まとめ

長くなったので、要点を整理します。

• 採用の母集団不足、評価のばらつき、育成の属人化、離職は、それぞれ独立した問題ではなく、人手不足と仕事の属人化という構造がつなげて再生産しています
• 生産年齢人口は2020年の約7,509万人から2050年に約5,540万人へ減る見通しで、母集団が細るのは個々の求人より前の前提です¹
• AI駆動人事は、スクリーニングの下ごしらえ、スキルの可視化、1on1の記録整理、配置の検討をAIが手伝い、人は判断に集中する考え方です。最終判断は人に残します
• 日本企業の55.2%がいずれかの業務で生成AIを利用しており、資料作成補助など人事に転用できる領域も広がっています²
• 人事は要配慮個人情報を扱うため、個人情報の入力ルール、評価のバイアス、出力の正確さの三点を必ず押さえる必要があります¹³
• 始め方は、効果の見えやすい定型業務を一つ選んで小さく試すこと。あわせてチームのAI理解度を確かめておくと設計がぶれません

人事は、人の可能性を扱う仕事です。だからこそ、下ごしらえや記録といった重たい部分をAIに任せ、人にしかできない判断と対話に力を注げる状態をつくる意味があります。勘と属人化から仕組みへ。その最初の一歩を、まずは自社のどこにAIが効くのかを見極めるところから始めてみてください。

参考文献・一次情報

Footnotes

1. 総務省『令和7年版情報通信白書（概要）』（2025年7月）。生産年齢人口の見通し（p.8）、社会課題としての労働力不足60.4%（p.10）、企業の生成AI活用方針・個人の利用経験の年代別/国別データ（p.6）、AIのリスク分類（p.9）。https://www.soumu.go.jp/main_content/001019264.pdf ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸

2. 総務省『令和7年版情報通信白書』本文「企業におけるAI利用の現状」。いずれかの業務で生成AIを利用している企業55.2%、情報・資料作成の補助での利用率47.3%、導入課題として「利用方法が不明確」が最多。https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/r07/html/nd112220.html ↩ ↩² ↩³ ↩⁴

3. 個人情報保護委員会『生成AIサービスの利用に関する注意喚起等について』（令和5年6月2日）。個人情報を含むプロンプト入力時の確認事項、要配慮個人情報の取得（個人情報保護法第20条第2項）、確率的相関にもとづく不正確な出力のリスク。https://www.ppc.go.jp/news/careful_information/230602_AI_utilize_alert/ ↩ ↩² ↩³ ↩⁴