人事におけるAI：概要、ユースケース、限界
Turn this article into takeaways for your work.
Each assistant summarizes the article only for you and suggests best practices for your work.
人事におけるAIとは、機械学習と言語モデルを使って、人に関わる業務のうち反復的でルールの多い部分（スクリーニング、日程調整、ポリシーに関する質問への回答、文書の下書き）を処理し、従業員データからパターンを見つけ出すことです。一方で、誰かの仕事、給与、キャリアに影響する判断は人が担い続けます。 単一の製品というより、採用、オンボーディング、サポート、育成、退職といった既存のプロセスに組み込める機能の集合です。
本ガイドは、人事部門のどこにAIを置くべきか、安全に導入するには何が必要か、どこには置くべきでないかを検討するCHRO、人事ディレクター、人事マネージャー向けです。AI for HRコレクションの概要編であるため、人事部門全体のレベルで解説します。エージェントの観点から9つの具体的な導入例を知りたい場合は、AI agents for HRをご覧ください。
重要なポイント
- Mercerが2026年2月に米国の約450社を対象に実施した調査では、報酬計画、制度設計、管理にAIを使っていたのは16%にとどまり、半数を超える企業は検討段階でした（Mercer QuickPulse, US AI survey）。
- Mercerの「Global Talent Trends 2026」（2025年9月から10月に、経営幹部、人事責任者、投資家、従業員の約12,000人を対象に実施）では、従業員の40%がAIによる失職を心配しており（2024年は28%）、AIが感情に与える影響をデジタル戦略に含めている人事責任者はわずか19%でした（Mercer Global Talent Trends 2026）。
- ワシントン大学が、3つの言語モデルに500件を超える実際の求人に対して履歴書を順位付けさせたテストでは、白人に多い名前を選んだ割合が85%だったのに対し、黒人に多い名前は9%でした（University of Washington）。
- 欧州委員会は、履歴書の仕分けソフトウェアなど、雇用と労働者管理のためのAIツールを高リスクに分類しており、これらの規則は2027年12月2日から適用されます（European Commission, AI regulatory framework）。
人事におけるAIの本当の意味
ベンダーの言葉を取り除くと、人事におけるAIとは、人に関するデータと文書に適用される4つの働きです。読み取る（履歴書、ポリシー、サーベイのコメント、チケット）、スコアリングまたは予測する（どの応募者が職務に合致するか、どのチームに離職リスクがあるか）、書く（職務記述書、内定通知書、ポリシーの要約）、そして業務を振り分ける（休暇申請を適切な承認者へ、特殊なケースを専門担当者へ）という働きです。
これは、HRISがすでに実行しているワークフローのルールとは異なります。ルールは「開始日を過ぎたら、初日のチェックリストを送る」と言います。モデルは「この応募者の経験は、この職務で成功した人たちに似ている」、あるいは「この育児休暇に関する質問はポリシーの第4項に該当する」と言います。ルールは予測可能で低コストです。モデルは雑多な入力にも対応できますが、監視が必要な間違いを犯します。しかも人事では、その間違いが一人の人に降りかかることがあります。
主な処理を担う技術は2つの系統です。予測モデルは、応募者記録、勤続年数、給与レンジなどの構造化データからスコアリングと予測を行います。生成モデルは、テキストから下書きと要約を作ります。実際のワークフローの多くは、この2つをつなげて使います。ACE Frameworkの用語では、その流れはIngest、Analyze、Predict、Generate、Executeを通ります。
従業員ライフサイクルのどこにAIが適合するか
ツールではなく、従業員の歩みに沿って考えてください。このコレクションの次の記事AI across the employee lifecycleでは、段階ごとに詳しく見ていきます。ここでは概要として、エージェントのページとは別の切り口で、業務の内容、AIが担う部分、引き続き人が決める部分を整理します。
| ライフサイクルの段階 | AIが担うこと | 引き続き人が決めること |
|---|---|---|
| ソーシングと採用 | 職務記述書の下書き、書面の基準に照らした応募者の検索と順位付け、面接の日程調整 | 誰を次の選考に進め、面接し、採用するか |
| オンボーディング | 新入社員の質問への回答、タスクの完了状況の追跡、歓迎資料の下書き | ビザの問題や入社日の延期などの例外対応 |
| 人事サービスとサポート | 自社文書に基づくポリシーや福利厚生の質問への回答、案件の振り分け、返信の下書き | 紛争、医療や法律に関わる休暇、機微な苦情 |
| 人材開発 | 役割とスキルのデータに基づく講座の推薦、進捗の要約 | 育成計画と昇進 |
| パフォーマンスと報酬 | 評価に使う情報の集約、未提出の評価の通知、報酬データのベンチマーク | 評価、報酬の決定、是正措置 |
| エンゲージメントと定着 | サーベイコメントのクラスタリング、悪化傾向にあるチームの通知 | 対応策と、結果の使い方 |
| 退職手続き | 退職チェックリストの実行、退職面談のテーマの要約 | 雇用終了の判断と最終給与の承認 |
職種別の実例
どの職種でも共通するパターンは同じです。AIは量と最初の下書きを担当し、判断は人が担います。
タレントアクイジション。 1つの職務に400人の応募がある場合、採用担当者はモデルに書面の要件に照らして並べ替えさせ、上位層と残りの一部を自分で読めます。リスクはここに集中しており、その理由はこのページの後半の調査が示しています。
人事オペレーションとサービス。 従業員が、使わなかった有給休暇は繰り越せるかと尋ねます。検索ベースのアシスタントは、ハンドブックの該当条項を見つけ、わかりやすい言葉で答え、出典へのリンクを示します。質問が健康状態に触れている場合は、人に引き継ぎます。多くのチームにとって、これは量が最も多く、リスクが最も低い出発点です。
人材開発。 モデルは、職務に必要なスキルとその人が修了した内容を突き合わせ、次に受ける3つの講座を提案できます。育成計画を変更する内容は、引き続きマネージャーが承認します。
報酬。 チームは、市場ベンチマークや給与レンジの案内文の下書きにAIを使っています。上記のMercerのデータは、これがまだ初期段階であることを示唆しています。検討している企業は多いものの、使っている企業は少数です。
ピープルアナリティクス。 モデルは、離職がどこに集中しているか、どのオンボーディングのステップが早期退職と相関しているかを明らかにできます。出力は結論ではなく、調査の手がかりとして扱ってください。レポートから予測へ進む成熟度の道筋は、people analytics and AIで扱っています。
従業員向けコミュニケーション。 生成ツールは、お知らせ、ポリシーの要約、マネージャー向けの話し方のポイントを下書きします。うまく使えば、1文書あたり1時間を節約できます。不注意に使えば、自信に満ちた誤りを全社に公開することになります。これがハルシネーションの問題です。
人事AIを導入する手順
- ツールではなく、プロセスを選ぶ。 量が多く、ルールに基づき、すでに文書化されている人事業務を挙げます。ポリシーに関する質問、面接の日程調整、文書の下書きは、通常これに当てはまります。価値、リスク、データの準備状況で評価してください。
- 購入前にリスクを分類する。 人を順位付けする、スコアリングする、選別するものは高リスクです。質問に答えるもの、人がレビューするためのテキストを下書きするものは低リスクです。低リスクから始めます。
- データとポリシー文書を整える。 AIは与えられたものに基づいて答えます。古いハンドブックや不統一な役職名があると、自信満々に間違った回答が生まれます。HR data foundationsのガイドでは、よくある欠陥と準備状況のチェックリストを扱っています。
- 人によるチェックポイントを文書で定める。 各ユースケースについて、誰がレビューし、何を確認し、何を上書きできるかを明記します。これがヒューマン・イン・ザ・ループ設計の実践であり、クリックして通すだけではなく、実質的なステップでなければなりません。
- ローンチ前にバイアスをテストする。 現実的なデータでグループ間の結果を比較します。ベンダーがツールのテスト方法を説明できないなら、それも一つの答えです。
- 1つのプロセスを1四半期かけてパイロット導入する。 削減できた時間、エラー率、レビュー担当者による修正件数、従業員や候補者からのフィードバックを測定します。
- ガバナンスを整える。 責任者を決め、ツールが何をし、どのデータに触れるかを記録し、見直しの頻度を設定します。
- チームを教育する。 採用担当者とHRビジネスパートナーは、ツールにできないことを理解する必要があります。その土台づくりがAIリテラシーの目的です。
導入状況：エビデンスが示すこと
ベンダーの調査は、「利用」を緩く定義するため、導入率が高く出る傾向があります。より狭い定義を用いた独立調査では、もっと慎重な状況が見えます。Mercerが2026年2月に米国の約450社に実施したパルス調査では、半数を超える企業が検討していたにもかかわらず、報酬業務にAIを使っていたのは16%だけでした。関心と利用のこのギャップは、導入初期の技術に見られる典型的な形です。
人の側面も、ツールと同じくらい重要です。Mercerの「Global Talent Trends 2026」では、従業員の40%がAIに仕事を奪われることを心配しており（2024年は28%）、AIが感情に与える影響をデジタル導入計画に織り込んでいた人事責任者は19%にすぎませんでした。人事がこの不安に対処しないままAIプロジェクトを進めれば、信頼を守るべき部門が、不安の原因になってしまいます。コミュニケーション計画は、導入後に考えるものではなく、導入の一部です。
人事におけるAIの限界
人事は「素早く動く」やり方に向かない領域です。限界は5つのグループに分かれます。
バイアス。 モデルは過去のデータから学習し、過去の採用には過去の好みが反映されています。ワシントン大学の研究は、最近の最も明確な例です。研究者は、白人と黒人の男性と女性に多い120の名前を履歴書ごとに入れ替え、500件を超える実際の求人に対して3つの言語モデルに順位付けさせました。システムは、白人に多い名前を85%の割合で選んだのに対し、黒人に多い名前は9%、男性に多い名前は52%に対し、女性に多い名前は11%でした。これは特定のモデルに対する研究上のテストであり、あらゆる商用製品を測ったものではありません。それでも、自社のデータでテストすることがなぜ重要かを示しています。概念はAIにおけるバイアスで説明しています。
法規制。 ベンダーからツールを購入しても、リスクまで引き渡せるわけではありません。Mobley v. Workdayでは、カリフォルニア州の連邦裁判所が2025年5月16日、年齢差別の集団訴訟について条件付きで認定しました。ベンダーが、そのスクリーニングツールを使う雇用主の代理人として責任を負いうるという理論に基づくものです（Proskauer analysis）。これは手続き上の一歩であり、本案についての判断ではありませんが、監視の目がどこへ向かっているかを示しています。ニューヨーク市では、Local Law 144により、自動雇用判断ツールを使用する雇用主は、使用から1年以内にバイアス監査を実施し、結果の概要を公表し、候補者に通知することが求められ、市は2023年7月5日から執行を開始しました（NYC Department of Consumer and Worker Protection）。EUでは、雇用と労働者管理のためのツールはAI法の下で高リスクとされ、欧州委員会自身が挙げる例が履歴書の仕分けソフトウェアです。欧州委員会は、AI Omnibusによる延長を経て、これらの規則が2027年12月2日から適用されるとしています（European Commission）。また同法の前文44は、職場で人の感情状態を検出するシステムは禁止されるべきだと述べています（Regulation (EU) 2024/1689）。規則は国や州によって異なるため、人に関するあらゆる判断にAIを使う前に、顧問弁護士に確認してください。
プライバシー。 人事データは、企業が保有するデータの中でも特に機微なものの一つです。従業員の記録を公開チャットボットに貼り付ければ、データ漏えいになります。従業員が承認されていないツールを独自に使うことは、シャドーAIと呼ばれる別のリスクです。誰かに聞かれる前に、どのデータをどのツールに入れてよいかを決めておいてください。
過度な自動化。 失敗のパターンは、ロボットが誰かを解雇することではありません。誰にも説明できない理由で候補者が不採用になること、あるいは危機的な状況にあることを人に聞いてほしかった従業員が、丁寧なボットの返答を受け取ることです。人へつながる道を簡単に確保してください。ツールが判断に影響する場合は、その仕組みを説明できるようにしておく必要があります。これが説明可能なAIの考え方です。
精度。 生成ツールは、間違ったことを流暢に述べます。日数が間違っている休暇ポリシーの要約は、要約がないよりも悪い結果を招きます。回答に出典を求め、公開されるもの、または実行に移されるものは人がレビューしてください。
借りて使えるリスクフレームワーク
独自の枠組みを作る必要はありません。NIST AI Risk Management Frameworkは、2023年1月26日に初めて公表された任意のフレームワークで、作業をGovern、Map、Measure、Manageの4つの機能に整理しています（NIST）。人事チームにとっては、これが次のような平易なタスクになります。責任者を割り当てる（Govern）、各ユースケースとその影響を受ける人を洗い出す（Map）、精度とバイアスをテストする（Measure）、本番で監視し修正する（Manage）。
測定すべき指標
速度と公平性を合わせて追跡してください。人を不平等に扱う速いプロセスは、失敗です。
- 効率： 人事への質問に対する初回応答までの時間、面接の日程調整にかかる時間、文書の下書きに費やす時間です。
- 品質： レビュー担当者に修正されたAI回答の割合と、監査で見つかったエラー率です。
- 公平性： あらゆるスクリーニングや順位付けのステップで、グループ間の結果を比較し、定期的にレビューします。
- 体験： 候補者と従業員の満足度と、人に取り次いでほしいと求められる頻度です。
次に読む記事
今四半期に1つだけ取り組むなら、文書化された人事プロセスを1つ選び、人によるチェックポイントを定めて、パイロット導入してください。さらに深く学ぶ準備ができたら、日常業務でgenerative AI for HR teamsがどう使われるかを読む、how AI changes the HR operating modelとその中の役割を確認する、あるいはAI agents for HRのページで最初のエージェントを選ぶとよいでしょう。どれを選ぶ場合も、まずポリシーを文書にしてください。AIの公平さと正確さは、与えるルールとデータで決まります。
Senior Customer Retention Strategist