AIスキル推論：スキル台帳を自動で構築する方法

著者: Kevin Kim · 更新日: 2026年10月11日

AIスキル推論とは、機械学習と言語モデルを使い、すでに手元にある証拠（プロフィール、CV、職歴、プロジェクトでの業務、学習記録、フィードバック）から、各従業員がどのスキルをどのレベルで持っているかを割り出し、そのスキルを共通のスキル分類体系に紐づけて、全社で検索や比較ができるようにすることです。 全員にフォームのチェックボックスを埋めてもらい、1か月で古くなってしまう従来のやり方に代わるものです。

本ガイドは、「スキル台帳を作るように」と言われたものの、半年がかりの自己評価キャンペーンは避けたい人事責任者、タレント・人材開発の責任者、マネージャー向けです。テクノロジーが何をするのか、どんなデータが必要か、スキル分類体系がどう関わるか、出力をどう検証するか、プライバシーと公平性が問題になる場面を取り上げます。人事におけるAIセクションに位置づけられ、AI社内人材マーケットプレイスやAIによる人材開発に直接つながります。

重要なポイント

• 欧州委員会の多言語分類であるESCOは、3,039の職業と、それらに紐づく13,939のスキルを記述し、28言語に翻訳されています。スキルによる求職者と仕事のマッチングも用途の1つに挙げられています（ESCO）。
• 米国の職業データベースであるO*NETは四半期ごとに更新され、31.0版では208の職業が更新されました（O*NET Resource Center）。
• 世界経済フォーラム（WEF）のFuture of Jobs Report 2025は、2025年から2030年の間に、労働者の既存のスキルセットの39%が変化するか陳腐化すると見込んでいます。これは2023年の44%、2020年のピークである57%から低下した数字です（WEF）。
• 同レポートによると、労働者100人あたり59人が2030年までに研修を必要とし、11人は必要なリスキリングを受けられない見込みです（WEF）。
• GDPR前文第39項は、不正確な個人データが訂正または削除されるよう、あらゆる合理的な措置を講じるべきだとしており、これは推論されたスキルにも直接当てはまります（EUR-Lex）。

スキル推論が実際に行うこと

ACE Frameworkの用語では、スキル推論はテキストと構造化された人事データをIngestし、Analyzeしてスキルを抽出・分類し、本人が持っている、またはすぐに習得できそうな各スキルの習熟度や可能性をPredictします。抽出と分類のパターンの上に、推奨のレイヤーが乗っている形です。

この名称の下には、4つの作業がまとまっています。

1. 抽出。 CV、プロフィール、職務記述書、プロジェクトの記録、コース名からスキルへの言及を取り出します。
2. 正規化。 「SQLでレポートを作成」「データベースクエリを作成」「SQLによるデータ分析」を、スキル分類体系の1つの項目に対応づけ、同じスキルが3通りに数えられないようにします。
3. 推論。 書かれている内容を超えて推し量ります。サプライヤーとの交渉を主導し、予算を管理し、契約の要約を書いた人は、どの文書にも書かれていなくても、おそらく交渉力と商業面のスキルを持っています。
4. レベル付け。 直近性、プロジェクトの深さ、資格、同僚やマネージャーの意見といった証拠を使って、そのスキルの強さを見積もります。

AIが存在価値を発揮するのは3番目の作業ですが、最も間違いやすい作業でもあります。抽出はほぼ解決済みです。推論は確率であり、プロセスもそのように扱うべきです。

証拠の出どころ

スキル台帳の質は、その背後にある証拠で決まります。情報源によって、わかることは異なります。

最良の台帳は、複数の情報源を組み合わせ、証拠同士が一致するか食い違うかを確かめます。プロジェクトの記録、資格、マネージャーの推薦に裏づけられたスキルは堅実です。古いCVの1行にしか現れないスキルは弱いシグナルであり、そのように表示すべきです。データ面についてはAIのための人事データ基盤を参照してください。推論の質は、データの質とほぼ一対一で連動するからです。

スキル分類体系の構築

スキル分類体系とは、自由記述のテキストを比較可能なデータに変える共通の語彙です。これがなければ、「ステークホルダー管理」「ステークホルダーのマネジメント」「顧客との関係構築スキル」は3つの別物になり、誰も数えることができません。

現実的な選択肢は3つあります。

公開されているスキル分類体系を採用する。 ESCOとONETは、多くのチームが出発点とする2つの基準です。ESCOは国をまたいで共通言語を提供するよう作られており、スキルは職業に紐づけられ、28言語で利用できるとされています。これは多国籍の従業員を抱える企業にとって重要です（ESCO）。ONETは米国の職業について仕事と労働者の特性を記述しており、四半期ごとのサイクルで更新されます（O*NET Resource Center）。どちらも公開された基準なので、データの共有や監査が容易になります。

ベンダー独自のスキル分類体系を使う。 多くのタレントプラットフォームが独自のものを備えています。すぐに始められますが、ベンダーの定義に縛られ、後で移行する際にはすべてを再マッピングすることになります。出口を確保するため、ESCOやO*NETへのマッピングを求めてください。

自社で構築する。 特定の機械、規制、製品など、公開リストではカバーされない専門的なスキルがある場合にだけ必要です。その場合でも、公開されたものを土台にして、薄い独自の層を上に載せることから始めてください。

どの道を選ぶにせよ、リストの選択そのものよりも重要な設計上の判断がいくつかあります。

• 使える大きさに保ちます。 何千もの細かいスキルは、マネージャーを圧倒します。多くの企業は、採用、異動、研修に関する実際の判断に対応する数百のスキルにまとめています。
• スキル、習熟度、証拠を分けます。 「Python」がスキル、「上級」がレベル、「2025年に本番サービスを2つリリースした」が証拠です。
• 責任者を置きます。 スキルは変化するため、誰かが追加、統合、廃止をしなければなりません。上記のWEFの数字、つまり2030年までにスキルセットの39%が変化するという点が、これを一度きりのプロジェクトにできない理由です。スキルがどれほど速く陳腐化するかについては、スキルの半減期と継続的なリスキリングを参照してください。
• コンピテンシーモデルと結びつけます。 スキルは人にできることです。コンピテンシーは、役割に期待される、より広い行動です。コアコンピテンシーのフレームワークはスキルを参照すべきで、重複させるべきではありません。

職種別の実例

タレントアクイジション。 採用担当者がデータエンジニアを必要としています。役職名で検索する代わりに、システムはプロジェクトの履歴と学習記録を合わせると必要なスキルになる従業員を見つけ出し、求人を外部に出す前に、3人の社内候補者を示します。

人材開発。 L&Dは、カスタマーサクセスチームの推論されたスキルを、今後2年間の製品計画が求めるものと比較します。アナリティクスとオンボーディング設計のギャップが研修予算になり、アンケートは不要です。これはAIによる人材開発で説明されているのと同じ考え方です。

社内異動。 倉庫の監督者のプロフィールには、計画立案、安全コンプライアンス、チームのコーチングが示されており、これらは業務計画担当の役割とよく重なります。推論によって、誰も思いつかなかった異動が浮かび上がります。これはAI社内人材マーケットプレイスにもつながります。

要員計画。 財務責任者が、四半期以内に新しい規制報告チームへ再配置できる人数を尋ねます。台帳は、隣接するスキルを数えることで、数週間ではなく数時間で答えます。

マネージャー。 チームを編成するプロジェクトリーダーは、提案された人材を証拠と信頼度とともに確認し、明らかに誤っている提案を1つ修正します。その修正がシステムを改善します。

スキル推論を段階的に導入する方法

1. まず判断を明確にします。 台帳が情報を提供する判断を2つか3つ挙げます。社内採用、研修予算、再配置などです。挙げられないなら、誰も使わないデータベースを作ることになります。
2. スキル分類体系を選びます。 ESCO、O*NET、またはベンダーのものを選び、実際に追跡するスキルの数を決めます。スキルを統合・廃止するルールを書き出します。
3. データを棚卸しします。 CV、職歴、学習記録、プロジェクトデータ、フィードバックがどこにあり、誰が所有し、どの程度整っているかを調べます。1人が2つのレコードにならないよう、識別子を修正します。
4. 法的根拠を確認します。 この目的でどの情報源を使えるか、従業員に何を伝えるか、データ保護影響評価が必要かどうかを決めます。法務や労使協議会を早い段階で巻き込みます。
5. 1つの部門でパイロットを実施します。 カスタマーサポートや財務のチームなど、ユースケースが明確なチームを1つ選びます。
6. モデルに推論させ、証拠を示します。 推論されたスキルにはすべて、情報源と信頼度を付けます。証拠がなければ、スキルとしません。
7. 人による検証を行います。 従業員にスキルの確認、修正、追加を依頼し、マネージャーにチームの確認を依頼します。意見の食い違いは、モデルがどこで失敗するかについてのデータとして扱います。
8. ゴールドスタンダードと照らして測定します。 サンプルについて、推論されたスキルを、アセスメントや丁寧なマネージャーレビューのような信頼できる情報源と比較します。適合率（推論されたスキルのうち正しいものの割合）と再現率（実在するスキルのうち見つかったものの割合）を追跡します。
9. 判断に結びつけます。 台帳を、社内ジョブマッチングや研修計画のような実際のワークフロー1つに組み込み、成果が改善するかを確認します。
10. 維持管理します。 証拠を継続的に更新し、精度は少なくとも年1回再確認し、スキル分類体系は定期的に見直します。

出力の検証

検証は、ほとんどのプロジェクトが信頼を得るか失うかの分かれ目です。組み込む価値のあるチェックは4つあります。

従業員による確認。 人は、どんなモデルよりも自分のスキルをよく知っています。推論されたスキルを承認、編集、削除できるシンプルな画面は、正解データをもたらし、本人に主体性も与えます。無報酬やコミュニティでの活動のように、モデルには見えないスキルも浮かび上がります。

マネージャーによる調整。 マネージャーが自分のチームについて推論されたレベルを、できれば合同で確認し、「上級」が部門を問わず同じ意味になるようにします。

サンプル監査。 ランダムなサンプルを抽出し、より強力な情報源と比較して、スキルの種類別に誤り率を計算します。コミュニケーションや判断力のようなソフトスキルは、成果物が明確な技術スキルよりも、一般に推論の信頼性が低くなります。

ドリフトの確認。 スキルの言葉は変わり、新しいツールが登場し、古いものは廃れます。昨年調整されたモデルは、今年の求人を読み違えるでしょう。定期的に再テストしてください。

その数字が何を意味するかについて、正直であってください。「推論、信頼度は中」と表示されたスキルは、会話のきっかけであって、資格ではありません。マネージャーがモデルの推測を認定された事実のように扱うなら、古くなったフォームを、責任の所在のないものに置き換えただけです。

プライバシー、公平性、法的な限界

推論されたスキルは、本人が入力していなくても、その人についての個人データです。そのように扱ってください。

目的の限定。 給与計算やコンプライアンスのために収集したデータが、いつの間にかスキルモデルに使われてはいけません。GDPR前文第50項は、新しい目的での追加的な処理は、原則として当初の目的と両立する場合にのみ認められるとしています（EUR-Lex）。目的を文書化し、従業員に伝えてください。

正確性と訂正。 推論は間違うことがあるため、本人がそれを確認して修正できる手段が必要です。前文第39項は不正確なデータの訂正または削除を求めており、前文第71項は、法的効果またはそれに類する重大な影響を及ぼす、自動化された処理による決定の対象とされない権利を述べています（EUR-Lex）。スキルスコアを、整理解雇や昇進の判断の唯一の根拠として使えば、まさにこの領域に該当します。

EUでは雇用に関わるAIは高リスクです。 欧州委員会は、雇用と労働者管理に関するAIツールを高リスクとして挙げており、その規則は2027年12月2日から適用されます（European Commission）。推論を使って、誰を役割や研修の対象として検討するかを決める場合は、これに該当する可能性があるため、弁護士に確認してください。EU以外では規則が異なり、変化しているため、現地の助言を得てください。

バイアス。 モデルが過去の昇進から学習すれば、スキルのある人ではなく、昇進した人を学習してしまうことがあります。言葉づかいも背景によって異なります。自分の仕事を控えめに表現する人もいれば、誇張して表現する人もいて、抽出は後者を評価してしまうことがあります。推論されたスキルのカバー範囲を、性別、年齢、勤務地、職種群の間で比較し、体系的に過小に記述されているグループがないかを調べてください。 データの最小化。 私的なSNS、個人的なメッセージ、モニタリングデータではなく、業務に関連する証拠を使ってください。そのシグナルを得るために人を監視する必要があるなら、それは誤ったシグナルです。

可視性。 誰が何を見られるかを決めます。従業員は自分のプロフィールを見られるべきです。マネージャーは自分のチームのものを見られるかもしれません。採用担当者による全社的な広範囲の検索は、同意を得た項目や、役割に関連する項目に限定すべきです。

よくある落とし穴

• 判断ではなく、ツールから始めること。 ユースケースのないスキル台帳は、使われないソフトウェアになります。
• 推論されたレベルを信用しすぎること。 スキルの有無は、深さよりも推論しやすいものです。信頼度を表示してください。
• コースの修了をスキルとして数えること。 モジュールを終えることと、それを実践することは同じではありません。
• スキル分類体系の保守を怠ること。 責任者がいなければ、重複と使われなくなったスキルが1年以内に積み上がります。
• 台帳を記録システムとして扱うこと。 それは生きた推定値であり、修正のループが必要です。
• 従業員を飛ばすこと。 人に対して行われ、人とともに行われないシステムは、信頼とデータの質をすぐに失います。
• 早すぎる段階で重大な判断に使うこと。 ペナルティ（人員削減の対象選定）ではなく、機会（マッチング、学習）から始めてください。
• 隣接するスキルを忘れること。 最も価値のある出力は、あるスキルに近い人が誰かであることが多く、それならリスキリングは短期間で済みます。

次に読む記事

スキル推論はデータ層です。それをどう活用するかが、価値を決めます。人を新しい役割に異動させることが目的なら、AI社内人材マーケットプレイスのガイドをお読みください。ギャップを埋めることが目的なら、AIによる人材開発をご覧ください。周辺のより広い分析についてはピープルアナリティクスとAIを、できあがった台帳を平易な言葉で照会する方法についてはAIによる人事レポーティングをご覧ください。