人事チームのための生成AI：日常業務での実践的な使い方

著者: Kevin Kim · 更新日: 2026年10月11日

人事チームのための生成AIとは、言語モデルを使って、人事が一日中作成しているテキスト、たとえば規程、従業員向けの連絡、職務記述書、面接ガイド、会議メモなどを下書きしたり要約したりすることであり、チームの外に出る前にすべてを人が確認します。 これは下書きと要約のためのツールであり、意思決定者ではありません。価値は、最初の下書きで節約できる時間にあります。リスクは、貼り付ける内容と、読まずに公開してしまうものにあります。

本ガイドは、ツールを禁止するのでも、各自の流儀に任せるのでもなく、チームにうまく使ってほしいCHRO、人事部長、人事マネージャー向けです。人事業務全体のどこにAIが入るかという全体像については、人事におけるAIから始めてください。このページは、文章の作成と要約という日常業務に絞っています。

重要なポイント

• SHRMの2024年1月の調査（米国の人事担当者2,366人が回答）では、採用にAIを使っている組織の65%が職務記述書の生成に、42%が求人票のカスタマイズに使っていると答えました（SHRM、2024年4月）。
• 2026年4月に要約されたSHRMの調査によると、正式なAI方針を持つ組織は半数弱にとどまり、その多くは整備が不十分です（SHRM、「AI in HR 2026」）。
• 職場でAIを使う人の78%が、自分のAIツールを持ち込んでいます。これは、31の市場の約31,000人のナレッジワーカーを対象にしたMicrosoftの調査に基づきます（Microsoft Work Trend Index、2024年）。
• ワシントン大学による、550件以上の履歴書を比較した3つの言語モデルの研究では、モデルは85%の確率で白人に結びつく名前を好み、黒人男性に結びつく名前を白人男性に結びつく名前より好んだことは一度もありませんでした（UW News、2024年10月）。
• スタンフォード大学の研究では、汎用チャットボットは法律に関する質問に対して58%から82%の確率でハルシネーションを起こし、専用に作られた法務調査ツールでさえ、回答の17%を超える割合で誤っていました（Stanford HAI、2024年）。

人事で生成AIが得意なこと

生成AIは、学習で身につけたパターンから新しいテキストを生み出します。オンボーディングのメールの最初の下書きを頼めば、もっともらしいものを数秒で出してくれます。それがすべての仕掛けであり、人事の仕事の多くは文章を書くことなので、聞こえる以上に役立ちます。

ACE Frameworkの用語では、以下で扱う内容の大半はGenerateの機能であり、Ingest（渡した文書を読む）やAnalyze（要約や比較）と組み合わさることもあります。2つのパターンで、ほぼすべてのケースをカバーできます。

• ジェネレーティブ・リサーチ： モデルに何かを説明させ、概要を作らせ、比較させて、白紙ではなく下書きから始められるようにします。例：「リモートワーク規程が通常カバーする主なセクションの概要を示してください。」
• ワークフロー・コパイロット： すでに行っている作業の中にモデルが入り、1つのステップを速めます。例：返信する前に、長いメールのやり取りを要約します。

どちらのパターンにも、1つの規則が共通しています。モデルが下書きを作り、責任を負う人が最終版に仕上げます。チームの標準を作るなら、この一文を冒頭に置いてください。この考え方のより詳しい解説は、ヒューマン・イン・ザ・ループにあります。

苦手なことも、同じくらい重要です。自社の実際の規程も、所在する法域の最新の規則も、従業員のことも知りません。完全に自信ありげに、間違ったことを言うことがあります。そして、何についても責任を問われることはないため、責任を負うのは自社です。

日常のタスク、確認ルール、貼り付けてはいけないもの

この表は、印刷して掲示すべき部分です。各行は、よくある人事のタスクと、生成AIがどう役立つか、出力を使う前に人が行わなければならない確認、そしてプロンプトに決して入れてはいけない情報を組み合わせています。

読み方について、いくつか補足します。

「貼り付け禁止」の列は、1つのテストに従います。 このテキストを、ベンダーのログや、無関係な人の画面で見られても平気か。プロンプトに、特定できる従業員とその人についての私的な情報が含まれているなら、答えはノーです。氏名は役割（「営業チームの従業員」）に置き換え、文脈から個人を特定できるものはすべて取り除いてください。

健康、傷病休暇、障害に関する情報は、原則として対象外として扱ってください。 健康データは、多くの法域でデータ保護法上の特別カテゴリーです。たとえばGDPRは、特別カテゴリーの個人データは、規則が特定の場合に認めない限り処理してはならないとしています（GDPR前文第51項）。所在する法域に独自の規則がある場合もあるため、例外を設ける前に法務に確認してください。

調査の詳細は、完全に除外します。 機密性は、懸念を申し出た人々と、訴えられた人々に対する約束です。承認済みの人事システムに組み込まれた要約ツールは、方針の下では許容されるかもしれません。公開チャットボットは許容されません。

給与データは、独立したカテゴリーです。 個人の報酬、交渉中のレンジ、株式報酬の付与は、その目的で会社が承認したツールにのみ入力すべきです。

応用できるプロンプトの例

よいプロンプトは、モデルに役割、文脈、形式、制約を与えます。これらは応用するための例であり、そのまま写すためのスクリプトではありません。技術の詳細は、プロンプトエンジニアリングにあります。

規程の下書き（機微データなし）： 「2か国に従業員がいる従業員300人のソフトウェア企業向けに、1ページのリモートワーク規程を下書きしてください。対象資格、機器、勤務時間、セキュリティ上の期待事項、例外の承認方法をカバーしてください。米国の8年生（中学2年生）レベルの平易な言葉を使ってください。現地の法律で異なる可能性があるセクションには[法務確認]と記してください。」

面接ガイド： 「カスタマーサポートのチームリーダー向けに、行動面接の質問を6つ作成してください。それぞれについて、強い回答が示すものと弱い回答が示すものを挙げてください。質問は職務内容にのみ関連させてください。年齢、家族、健康、出身については尋ねないでください。」

職務記述書の書き直し： 「この職務記述書を、すべての要件が本当にその職務に必須のものになるよう書き直してください。必須条件とあればよい条件を分けてください。性別に偏った表現や排除的な表現に印をつけ、中立的な代替案を提案してください。」

自分のメモからの会議の要約： 「チームの計画会議のメモです。氏名は役割に置き換えてあります。5つの箇条書きで要約し、そのあと担当者と期限つきでアクションを一覧にしてください。日付や担当者が欠けている場合は、推測せずに『記載なし』と書いてください。」

承認済みの規程の文面からのFAQの下書き： 「以下の規程の文面だけを使って、従業員からの次の5つの質問への回答を書いてください。規程が質問に答えていない場合は、作り話をせず、その旨を述べてください。」

最後の2つのパターンに注目してください。モデルに「記載なし」と言うよう指示したり、「以下の規程の文面だけ」を使うよう指示したりすると、作り話の内容は減りますが、なくなりはしません。出力は、やはり元の資料と照らして読む必要があります。

4つの落とし穴

ハルシネーション

モデルは、真実かどうかにかかわらず、流暢なテキストを生成します。AIのハルシネーションは人事では、規程の下書きに存在しない法律の引用が入る、FAQに作り上げられた福利厚生の規則が入る、誰も下していない決定が加えられた会議の要約になる、といった形で現れます。

その数字は小さくありません。スタンフォード大学の研究者は、汎用チャットボットが法律に関する質問に対して58%から82%の確率でハルシネーションを起こし、法務調査専用に作られたツールでさえ、回答の17%を超える割合で誤った情報を出したと明らかにしました（Stanford HAI）。これは法務調査であって人事の下書きではないため、人事の誤り率として読まないでください。法律に隣接するあらゆることへの警告として読んでください。

結果は雇用主に返ってきます。2024年、ブリティッシュコロンビア州の審判所は、Air Canadaのウェブサイトのチャットボットが顧客に誤った払い戻し情報を伝えたことについて同社に責任があると判断し、チャットボットは別個の存在だという主張を退けました（McCarthy Tétrault）。これは人事の事案ではありませんでしたが、原則は通用します。AIが下書きしたFAQが、育児休業について従業員に誤ったことを伝えた場合、「AIが書いた」という言い訳はほとんど通用しないでしょう。

対策は、担当者名の入った確認ルールです。AIが関わったすべての文書には、それを読み、事実と数字を元の資料と照らして確認し、承認する担当者がいます。

生成されたテキストのバイアス

言語モデルは人間の文章から学習し、人間の文章にはバイアスが含まれています。その影響が最も明確になるのは、モデルに人を評価させる場合です。ワシントン大学の研究では、3つの言語モデルが、500件を超える求人にわたって550件以上の履歴書を比較し、人種と性別を示すように名前を変えました。モデルは85%の確率で白人に結びつく名前を好み、男性に結びつく名前は52%、女性に結びつく名前は11%の確率で好み、黒人男性に結びつく名前を白人男性に結びつく名前より好んだことは一度もありませんでした（UW News）。

その研究が検証したのは、意思決定のタスクである履歴書の順位づけでした。日常の下書きは、リスクがより低いものの、同じ傾向が求人広告、パフォーマンスフィードバックの下書き、面接の質問に紛れ込む可能性があります。「ロックスター」や「デジタルネイティブ」を求める求人広告を書くよう頼まれたモデルは、誰にも気づかれないまま排除的な表現を再現するかもしれません。

実践的な規則が2つ役立ちます。第一に、汎用の生成ツールを、候補者や従業員の順位づけ、スコアリング、スクリーニングに使わないでください。これらの用途は雇用法の対象であり、場所によっては監査や通知に関する特定の規則の対象でもあるため、統制されたプロセスで行うべきものです（AIにおけるバイアスとAIガバナンスを参照）。第二に、求人広告、フィードバック、コンピテンシーの質問のような、人についてのあらゆるテキストは、公開前に偏った表現がないか意識的にチェックしてください。

機密性

機密性は、人事が他のどの部門よりも誤りを許されない領域です。人事は社内で最も機微なデータ、つまり健康、給与、家族の事情、苦情を保有しています。公開ツールに入力したものはすべて、そのベンダーの規約の下で保存、審査、利用される可能性があり、取り戻すことはできません。

最も簡単な対策は、ほとんどがテクノロジーではなく方針です。

• 承認済みのツールと、それぞれが何のために承認されているかを明示します。
• 上の表にある貼り付け禁止リストを、自組織に合わせて調整して公開します。
• 自社のデータをモデルの学習に使わせず、管理者向けの制御機能を提供するエンタープライズ向けのツールを選び、契約が実際に何と書いているかを読みます。
• 既定で匿名化します。氏名ではなく役割。給与ではなくレンジ。日付は一般化します。

自社がEUまたは英国で事業を行っている場合は、早い段階でデータ保護責任者を関与させてください。どの個人データがどのツールに触れるかを知りたがるはずです。

シャドーAI

シャドーAIとは、会社が承認していないAIツールを従業員が使うことです。人事では、善意から始まることがよくあります。誰かが規程の書き直しに遅れていて、無料のチャットボットを開くのです。

非常によくあることです。Microsoftの2024年Work Trend Indexは、約31,000人のナレッジワーカーを対象にした調査で、AIを使う人の78%が自分のAIツールを職場に持ち込んでいることを明らかにしました（Microsoft Work Trend Index）。自社の人事チームも例外ではないと考えてください。シャドーAIのページで、さらに詳しく扱っています。

禁止はほとんどうまくいきません。人々は静かに使い続け、報告しなくなるからです。より良い手は、十分に使える承認済みの選択肢と、覚えられる短い方針、そして「これは大丈夫か」と安全に尋ねられる手段を提供することです。それがなければ、ツールは地下に潜ります。

チームが守れるルールを定める

SHRMの2026年4月の調査要約は、正式なAI方針を持つ組織は半数弱で、その多くは整備が不十分であること、AIの取り組みを主導するのは通常ITであること、AI戦略に何らかの形で関わっている人事部門は半数に満たないことを報告しています（SHRM）。人事のデータと人事の従業員が懸かっているのですから、ここには人事が主張すべき席があります。

使えるチーム標準は、1ページに収まります。

1. 承認済みのツール。 一覧にし、それぞれを何に使ってよいかを明記します。
2. 貼り付け禁止リスト。 個人データ、健康データ、調査の詳細、給与データ、候補者の資料、未発表の決定。
3. 確認ルール。 AIが関わったすべての出力には、使う前に事実を検証する担当者が人として決まっています。
4. 開示。 AIが関与したことを、従業員や候補者にいつ伝えるべきかを決め、はっきりと伝えます。
5. プロンプトによる意思決定はしない。 生成ツールは下書きと要約を行います。候補者の順位づけ、パフォーマンスの評価、懲戒の推奨はしません。
6. エスカレーション。 判断に迷うときに誰に尋ねるか、機微な情報が誤って貼り付けられた場合に誰がインシデントを扱うかを定めます。

標準には、短い研修を組み合わせてください。SHRMは、人事でAIを使っている組織のうち、AIとともに働くために従業員を教育またはスキルアップさせたのは約30%にとどまると報告しており（SHRM、2024年4月）、大半のチームは研修を受けていないことになります。よい例と悪い例のプロンプトを実際に使った1時間のセッションは、長い方針文書よりも効果があります。

混乱を招かずに始める方法

10のユースケースを一度に展開しないでください。リスクが低く、件数の多いタスクを2つか3つ選び、1か月運用します。

1. 機微なデータが関わらないタスクを選びます。 職務記述書の下書き、汎用的な規程の概要、オンボーディングのメールが、出発点として適しています。
2. まず確認ルールを決めます。 最初のプロンプトを書く前に、出力の種類ごとに誰が承認するかを決めます。
3. 小さなプロンプトライブラリを作ります。 誰かがうまくいくプロンプトを書いたら、制約も含めて保存し、他の人がゼロから始めなくて済むようにします。
4. シンプルな指標を追跡します。 最初の下書きで節約できた時間、確認者が加える修正の数、公開前に見つかった誤りです。これらから、ツールが役立っているか、どこで失敗するかがわかります。
5. ユースケースはゆっくり追加します。 従業員対応のようなリスクの高い業務に進むのは、リスクに見合ったツールと承認がある場合に限ります。

最大の成果は、速さではないとわかるチームが多くあります。一貫性です。文書間で揃った規程の文言、1つの形式に従う求人広告、就業規則集と同じ用語を使うFAQなどです。

全体像のなかでの位置づけ

日常の下書きは、リスクを抑えられ、効果がすぐに表れるため、人事でAIを始める最も簡単な入り口です。また、その後のステップの土台にもなります。出力を確認し、データを守り、人に責任を持たせることを学んだチームは、AIを使ったスクリーニングや分析のようなリスクの高い業務に取り組む態勢が整っています。そうした習慣を身につけていないチームは、その穴を抱えたまま進むことになります。

原則はシンプルに保ってください。生成AIは下書きをします。人が決めます。そして、見知らぬ人へのメールに書かないようなことは、プロンプトにも入れません。