海外事業の人材会議で、「生成AIの影響を受け得るASEANの就業者は約8,000万人」という数字が映し出される。本社側からはすぐに質問が出る。「それなら、東南アジアの全社員をAI基礎研修の対象にすべきではないか」。人材育成部門は各国の在籍者数に応じて、同じ受講目標を割り振ろうとする。大きな数字が、そのまま大きな受講者名簿に置き換わる瞬間である。
しかし、8,000万人は研修希望者の数でも、失われる雇用の数でも、現在AIを使っている人の数でもない。国際労働機関（ILO）が、2025年のASEAN雇用のうち、生成AIへの潜在的な曝露が「最低限」を上回る職業に就く人数を推計したものだ。ここでいうAI曝露度は、その職業に含まれる現在のタスクを生成AIが技術的に自動化、または支援し得る度合いを指す。実際の導入、職務の消滅、生産性向上、研修ニーズを直接測った値ではない。
ASEAN AI人材育成で最初にすべきことは、この母数を広げることではなく、細かく分けることである。国別平均からコース数を決める前に、どの現地法人のどのタスクに生成AIへの曝露があるのか、ツールが実際に使われているのか、誤りが起きたとき何を失うのか、学習後に実践する権限と時間があるのかを確かめる。結論は明確だ。職務がいつ消えるかを予測する研修より、タスクがどう変わるかを検証する学習を先に置くべきである。
8,000万人は受講対象ではなく、タスク変化を探す範囲である
ILOが2026年7月8日に公表したASEANブリーフを内訳まで見ると、判断は変わる。2025年のASEAN全雇用の22.9％、約8,000万人が、生成AIへの曝露が最低限を上回る職業に就いていた。一方、最高曝露群（G4）は全雇用の3.3％、1,170万人である。約67％は、生成AIへの曝露が特定されていない職業に集中していた。
22.9％の中でも強度は同じではない。低曝露（G1）9.1％、中程度の曝露（G2）8.2％、有意な曝露（G3）2.2％、高曝露（G4）3.3％に分かれる。端数処理のため、四つの比率の合計と22.9％には0.1ポイントの差がある。曝露なしとG1の間には別の「最低限の曝露」区分があり、22.9％はこの区分を除くG1～G4の合計である。G1は一部のタスクに自動化可能性があるものの、職業全体では曝露が低い。G2は曝露するタスクとしないタスクが混在する。G3は全体的な自動化・支援の可能性が高まるが、タスクごとの差が残る。G4は職業内の多くのタスクで、高く一貫した曝露が認められる。
図1．ILO『Generative AI and labour markets in ASEAN』PDFファイルの4ページ目。Figure 1の各国データは利用可能な最新年が異なり、曝露度は実際のAI利用率や人員削減率ではない。
この違いを無視して全員に同じ生成AI研修を課すと、二つの無駄が生じる。第一に、曝露が低い、または利用権限がない社員へ操作方法を教えても、職場での実践につながらない。第二に、高曝露タスクの担当者にも一般的なプロンプト研修しか提供せず、検証、承認、例外処理、顧客説明といった重要な行動を学習対象から外してしまう。
したがって8,000万人という数字は、「誰を全員受講させるか」には答えない。「どこからタスクを詳しく調べるか」を示す探索範囲である。全社必修研修の分母ではなく、どの現地法人から先に職務・タスクについての聞き取りと利用ログの確認を行うかを決める一次シグナルとして扱うべきだ。
42.2％と20.6％の間で、地域一律カリキュラムは成り立たない
最低限を上回る曝露の比率は、データがあるASEAN9カ国の間でも大きく異なる。シンガポール42.2％、フィリピン28.1％、インドネシア21.7％、ベトナム20.8％、タイ20.6％だった。シンガポールの知識集約型の職業構成、フィリピンのサービス・IT、ビジネスプロセス管理産業の比重など、国ごとの産業・職業構成が一部反映されているとみられる。
この順位を、そのまま研修予算の順位に置き換えてはいけない。Figure 1で利用可能な最新年は、シンガポール、フィリピン、インドネシアが2023年、ベトナムとタイが2024年で、ほかにはさらに古いデータも含まれる。ブルネイとマレーシアは、この国別雇用図には入っていない。ASEAN全体の時系列には観測値だけでなくモデル推計も使われている。ILOの付属資料は、すべての国・年を直接観測した値ではなく、地域トレンドを把握するためのモデル分布として解釈するよう求めている。
日本本社が見るべき単位は国だけではなく、国 × 機能 × タスク × 導入状況である。同じコンタクトセンターでも、フィリピン法人では英語応対の下書きに生成AIを試し、タイ法人では承認済みナレッジの検索だけを許可し、インドネシア法人では個人データの扱いやデータ整備を理由に導入を保留しているかもしれない。国の曝露度が似ていても、研修内容は変わる。
グローバル人材育成に共通部分が不要という意味ではない。ただし、共通化する対象はツール画面ではなく原則である。入力を許可するデータと禁止するデータの範囲、人の最終責任、検証証跡、エラー報告、顧客への説明、学習履歴の利用範囲は、本社が最低基準として定められる。実例、言語、現地規制、承認者、実習タスクは現地法人が決める。地域共通コースを翻訳して配るより、共通統制と現地タスクモジュールを分ける方が実務に合う。
曝露度が高くても実利用が低いなら、操作研修から始めない
曝露度と導入率は別の軸である。ILOが引用するClaude.aiデータでは、コンピュータ・数学および教育関連のタスク群に結び付いた会話の比率が相対的に高く、事務・管理支援のタスク群では低かった。この分類はClaudeで何をしたかを示すもので、利用者の職種を示すものではない。この分析が扱うのは、2026年2月5日から12日までのAnthropicのClaude.ai利用データのうち、国別の観測数が3,000件を超えた経済である。一つのサービス上の会話は、生成AI全体の利用や企業導入を代表しないという限界も原文に明記されている。
シンガポールで2026年1～3月に実施された民間事業所調査にも、同じ隔たりが表れている。2,560事業所のうち71.5％は、業務でAI導入を始めていないと回答した。中核業務プロセスに統合した事業所は3.8％だった。従業員500人超の事業所では導入率が76.4％だったのに対し、25人未満では23.9％である。これはシンガポール一国の事業所調査であり、ASEAN全体の比率には置き換えられない。それでも、国の曝露度が高くても企業規模と統合段階によって準備状況が異なることは分かる。
研修の優先順位は、まず二つの軸を交差させて決める。
| タスクの潜在曝露 | 現場での導入状況 | 先に設計する学習 |
|---|---|---|
| 高い | 高い | 実際の成果物の検証、例外処理、承認・停止基準、事故対応の演習 |
| 高い | 低い | タスク観察、安全な試行範囲、データ・権限の準備、役割についての対話 |
| 低い | 高い | 過信の防止、人へ引き継ぐ条件、隣接タスクやシステムへの影響 |
| 低い | 低い | 短い共通リテラシーと相談経路、必要時に選べる発展学習 |
この表はILOが検証した分類モデルではなく、人材育成担当者が現場診断に使う運用案である。さらに、誤りの影響と実践可能性も加味する必要がある。同じ高曝露タスクでも、給与計算、与信判断、顧客苦情への回答では、損害の種類と承認規則が違う。受講者にシステム権限、実習データ、業務で使う許可がないなら、研修開講より環境整備を先にする。
女性4.8％、男性2.3％という差は、選抜基準を問い直している
ASEAN全体で高曝露職に就く比率は、女性4.8％、男性2.3％だった。タイとフィリピンでは、女性が高曝露職に就く可能性が男性の約3～4倍である。女性が事務・管理支援職や一部専門職に、男性が手作業・オペレーション職に集中していることが、この差に影響している。
図2．ILO、同ブリーフPDFの6ページ目。Figure 2は高曝露職に就く比率を性別・年齢別に比較している。個人の能力や実際のAI利用量を測った図ではない。
この数値は、「女性向けAI研修の人数を増やせばよい」という割当表ではない。高曝露職の変化コストが誰に集中するのかと同時に、高度なプロジェクトや設計・ガバナンスの機会が誰へ渡るのかを見よ、という警告である。基礎研修が女性の事務職に必修として集中し、モデル設計やデータプロジェクトが従来から技術職に就く男性社員に推薦によって割り当てられるなら、研修が職業分離を強めかねない。
選抜時に職位と上司推薦だけを使わない。実際のタスクを示す証拠、確保できる学習時間、自薦で応募できる経路、言語・勤務時間・端末へのアクセス条件を公開する。参加率だけでなく、実習データへのアクセス、高付加価値プロジェクトへの配置、承認会議での発言権、受講後の異動機会を、性別・年齢・雇用形態別に確認する。人数の少ない属性は、個人が推測されないよう集約方法や公開範囲を調整する。
若年層を一律に高リスク群とみなすのも適切ではない。ASEAN全体では、15～24歳と25歳以上の高曝露比率はおおむね近かった。インドネシアとフィリピンでは若年層が成人をやや上回ったが、国によって状況は異なる。フィリピンとタイの一部の高曝露・エントリー職で若年雇用が弱まった兆候も、生成AIの直接的な効果として立証されたわけではない。年齢ラベルではなく、実際のエントリー段階のタスクと配属経路を基準にする必要がある。
一つの職種名を、五つの欄からなるタスクマップに変える
ILO付属資料の高曝露群には、金融アナリスト、ウェブ・マルチメディア開発者、証券・金融ディーラー、融資担当者のほか、一般事務員、文書作成・データ入力担当者、経理・給与・人事事務員、コンタクトセンター販売員が含まれる。「専門職対定型職」という一行では捉えきれない構成だ。
職種名だけで研修を割り当てると、変えるべき行動が見えない。例えば給与担当者は、資料を集め、異常値を見つけ、規定を確認し、計算を承認し、社員からの質問に対して説明する。下書きや項目分類をAIが支援できても、規定解釈、機微情報の取扱い、例外承認、説明責任は人に残り得る。コースを設計する前に、代表的な成果物を一件たどり、次の五つの欄を埋める。
| タスクマップの欄 | 確認する問い | 研修へつなぐ証拠 |
|---|---|---|
| 成果物 | 何を作り、誰へ渡すのか | 実際の帳票、回答、分析、コード、承認記録 |
| AIの介入 | 検索・分類・下書き・計算のどこを支援するか | 利用ログ、修正前後の成果物、プロンプトではなく作業フロー |
| 人の判断 | 何を検証し、誰が最終承認するか | レビュー基準、根拠メモ、二重確認・停止記録 |
| 誤りの影響 | 間違うと顧客・社員・財務・安全に何が起きるか | エラー類型、重大度、復旧・エスカレーション事例 |
| 実践条件 | データ・権限・時間・指導者が実際にあるか | アクセス権、業務内学習時間、担当者、現地規制 |
タスクマップを大規模な職務分析プロジェクトにする必要はない。一つの現地法人の一つの職群で、頻度が高い、または誤りの影響が大きい成果物から始められる。ただし、社員への聞き取りだけで終えず、実際の成果物、システム上の手順、承認記録を合わせて見る。公開された職務記述と実際の仕事が違う場合は、現場のタスクを基に仮説を修正する。
曝露度を個人のリスクスコアにしてはならない。「あなたの職務はG4だから転換可能性が低い」「研修スコアが低い人は配置対象から外す」といった利用を、原資料は裏付けていない。曝露度は職業単位の技術的可能性であり、個人の雇用可能性、業績、学習能力を評価する道具ではない。
四つの学習トラックは、人の序列ではなく責任の違いで分ける
タスクマップができれば、全員一律の研修を四つの責任トラックへ変えられる。
- 基礎リテラシートラックでは、使用を許可されたツール、入力禁止データ、誤情報・偏り、人へ引き継ぐ条件、相談・事故報告の経路を扱う。全社員に長時間の操作演習を課さず、業務接点に応じて短く提供する。
- タスク実行トラックでは、実際の様式と事例を使い、下書き・検索・分類結果をレビューして修正する。速度だけでなく、根拠を確認し、手戻りを減らす行動を評価する。
- レビュー・承認トラックでは、品質基準、高リスク例外、停止権限、二重確認、顧客・社員への説明、事故後の振り返りを扱う。管理職と現場専門家が、受講者の承認範囲を明確にする。
- 構築・ガバナンストラックは、モデル・データ・システム連携の設計や、リスク・監査を担う少数の職務向けの発展学習である。技術、データガバナンス、セキュリティ、法務・倫理の検討を組み合わせる。
OECDが2026年6月に公表したブリーフは、高度なAIプログラミングやモデル開発を必要とする就業者は1％未満であり、より広い層にはデジタルスキル、データを活用・分析・解釈する力、問題解決、創造性、マネジメント能力が重要だと整理している。この値はASEANの現在の研修需要率ではない。複数のOECD研究を統合した知見で、同ブリーフに含まれる最新データも2024年末までである。ASEAN就業者の99％へ同じ非技術研修を配る根拠にもならない。
実務上の意味は、専門技術研修をなくすことではなく、それを必要とする限られた役割に絞って提供することだ。基礎リテラシーも動画一本で終わらせない。タスク実行者には自分の成果物を検証する機会を、承認者には止める権限を、構築者には現地言語・職種・代表性を検討する責任を与える。トラックは人の潜在力を示す等級ではない。担当するタスクと責任が変われば、別のトラックへ移れる設計にする。
日本本社は標準コンテンツより、現地で実行する権限を先に設計する
ASEANに複数の現地法人を持つ日本企業は、本社作成のeラーニングを翻訳するだけではグローバル人材育成を実現できない。本社は共通のリスク原則、学習成果を示す証跡の最低要件、データ保護、承認・エスカレーション基準を決める。現地法人は優先タスク、実習で使用を認める事例、言語、勤務日程、労務・規制条件を決める。現場管理職はOJTに使うタスク、指導者、実践時間、停止権限を用意する。人材育成部門は、この三層が一つの学習経験として機能するかを確かめる。
運営会議では、五つの問いを扱えばよい。
- この法人で曝露シグナルが高く、実利用も観測されるタスクは何か
- まだ使っていないが、役割についての対話と安全な試行が必要な高曝露タスクは何か
- 誤りの影響が大きく、実習より承認・停止規則を先に決めるタスクは何か
- 女性、若年層、交替勤務者、有期雇用者・業務委託人材、小規模拠点のどこにアクセス障壁があるか
- 研修後のシステム権限、業務内学習時間、上司のフィードバックを誰が担保するか
答えが出ていない現地法人に、修了率目標を先に課してはならない。まず一つの職群のタスクマップを作り、安全に扱える実務事例で実行・レビューの学習を試す。結果が良ければ、同じツールを全地域へ複製するのではなく、同じ判断手順を別の現地タスクへ適用する。現地法人は本社コンテンツの配信先ではない。タスクの実態を示す証拠を蓄積し、カリキュラムを改訂する共同設計者である。
日本本社にとっては、既存のOJTや職能等級との連動も重要になる。ただし、受講履歴を人事評価や配置転換の判断に自動連携しない。現地の就業規則、労使への説明の要否と手続き、個人データの取扱いを確認し、学習支援の記録と人事判断に使う証拠を分ける。海外現地法人だから本社基準を弱めるのでも、国内制度をそのまま当てはめるのでもなく、共通原則と現地の手続きの両方を満たす。
四半期ごとに、受講率より先に見る七つの数字
ASEAN AI人材育成のダッシュボードが登録者数と修了者数だけなら、最初の母数の誤りを繰り返す。少なくとも次の七つの指標を、国・職務・性別・年齢・雇用形態別に見る。ただし、人数の少ない属性が特定されないよう公開単位を管理する。
| 指標 | 確かめる問い |
|---|---|
| タスク調査の範囲 | 優先職群の実際のタスクと成果物をどこまで確認したか |
| 曝露と導入の不一致 | 潜在曝露は高いが、実利用・準備が低いタスクはどこか |
| 実践機会率 | 学習後、業務上認められたタスクを実際に担当したか |
| レビュー品質 | 根拠確認、修正、停止・エスカレーションが基準に沿ったか |
| 重大エラー・手戻り | 速度向上の裏で品質コストが増えていないか |
| アクセス・配置格差 | 誰が学習時間、指導者、高付加価値タスク、承認経験から外れたか |
| 役割の明確さ | AIが担うこと、人が責任を持つこと、次回の見直し日について合意したか |
研修前後で処理時間が短くなっても、研修の因果効果と断定しない。システム改善、業務量、繁閑、管理職の交代、選抜偏りが同時に影響し得る。同じタスクの従来の基準値と比べ、ツールのバージョン、権限、人員構成の変化も記録する。最低限を上回る曝露のある職業の雇用が、2017年の約6,600万人から、2022年の7,400万人、2025年の8,000万人へ増えたというILOの推移も同様である。広範な職務消滅がまだ見えないことは示すが、AIが雇用増を生んだ証拠ではない。
ダッシュボードの目的は、研修成果を大きく見せることではない。次の四半期にどのタスクを深め、どのコースを止め、どこへデータ・権限・指導者を先に投資するかを決めることである。修了率が高くても、実践機会とレビュー品質が低ければ展開を保留する。参加人数が少なくても、高リスクタスクの誤りや役割の混乱が減ったなら、より重要な進展かもしれない。
8,000万人という数字は、危機を誇張したり予算を膨らませたりするための言葉ではない。職種名と国別平均の下に隠れたタスク差を探すためのシグナルだ。ASEAN AI人材育成は、できるだけ多くの人に、できるだけ早く同じコースを届ける競争ではない。曝露度と導入を分け、誤りの影響と実践機会を確認し、責任に合う学習を配置する企業ほど、安全で公正なタスク転換を進められる。
あわせて読みたい記事
参考文献
- International Labour Organization, Generative AI and labour markets in ASEAN: Significant exposure, limited disruption, uneven preparedness (2026-07-08): https://www.ilo.org/publications/generative-ai-and-labour-markets-asean-significant-exposure-limited
- International Labour Organization, Annexes — Generative AI and labour markets in ASEAN (2026): https://www.ilo.org/sites/default/files/2026-07/Annexes_Brief_GenAI-Labour-Markets-ASEAN.pdf
- OECD, AI and skills: What we know so far (2026-06-05): https://www.oecd.org/en/publications/ai-and-skills_f843b352-en/full-report.html