L&DチームのAI能力とは、道具の操作ではなく、課題の分解、根拠の検証、学習データの線引き、設計の差し戻し、現場で禁止する範囲の判断である。研修担当者が自分で測る設問と、力ごとの判定基準、次の四半期の学習経路を整理する。導入前に確認すべき実務基準も示す。

L&DチームのAI能力、AIが作った研修案を差し戻せるか

月曜の朝、新任課長研修の改訂案が回ってくる。草案は金曜の午後、二時間で仕上がったという。学習目標が八行、モジュールが五つ、事例が十二件、評価設問が二十問、すでに埋まっている。事例の一つには国内メーカーのシフト再編の失敗談が、社名と年号まで付いている。その事例の出所を尋ねると返事が遅れる。草案を作った道具は答えられず、答えるべき担当者はまだ確かめていない。

L&DチームのAI能力とは、研修担当者が何をAIに任せ何を自分で判断するかを切り分け、その判断の根拠を組織が後から検証できる形で残す実務力である。アカウント数、指示文の長さ、制作期間の短縮率では測れない。

研修担当者のAI能力が、組織全体のAI研修の品質の上限を決める。 自分で検証できない成果物について、検証の基準を他者へ教える方法はないからである。

八つの設問と1.54という最低点が示す研修担当者の現在地

まず自分の部署を測る。次の設問のうち「この三十日以内に実際にそうした」と答えられる項目だけを数える。計画や意欲は数えない。

先月作った講座で、AIに任せた作業と人が判断した作業を一覧で分けている。
AIが引用した統計を一つ選び、原典のページまで開いた記録が残っている。
指示文に入れないと決めた学習データの項目を文書で管理している。
AIが作った設計案を、品質基準に届かないという理由で差し戻した事例がある。
現場研修で見せるAI活用と、禁じる活用を、それぞれ具体例で用意している。
メンバーごとにどの力が足りないかを名前を付けて言える。
AI成果物を配布した後に起きた誤りを追跡して残した文書がある。
道具を契約する前に、部署の力量を先に測った結果が残っている。

六つ以上ならその部署はAIを運用している。三つ以下ならAIを使っているだけで、運用してはいない。

この診断を個人の反省で終わらせてはならない理由は数字にある。LPIとAbodooは2022年10月から2026年5月まで、1,874組織に属するL&D専門職3,575名の自己評価による能力データを集めた。全能力の平均習熟度は4点満点で2.05、AIリテラシーは1.54とフレームワーク全体で最も低い。個別の能力に降りると、AIシステム相互運用が1.11、L&D向けのAIデータリテラシーが1.41である。逆にソリューション設計・開発は2.38、学習ファシリテーションは2.36で最も高い。

L&DチームのAI能力の自己評価でAIリテラシーが1.54と最も低いことを示すLPIの要約指標ページ

LPI・Abodooの公開要約版3ページ。自己評価である点を踏まえると、実態はこれより低い可能性が高い。WordPress掲載前に再利用の範囲を担当者が確認する。

この分布は一文で読める。研修担当者は長く続けてきた仕事に習熟し、いま組織が求める仕事では初級にとどまる。強みはAIがすでに補助する領域に集まり、弱みは人だけが責任を負う判断の領域に集まっている。

課題をAIに任せられる単位へ分解できないと指示文だけが長くなる

一つ目の力は分解である。「新任課長研修を作って」と頼めば、どの会社にも当てはまる平均値が返ってくる。依頼が大きいほど成果物は無難になり、無難な成果物は現場で使われない。

分解とは、講座制作を複数の作業に割り、作業ごとに入力資料、期待する成果物、検収者、不合格条件を決める仕事である。新任課長研修ならこう割れる。現場ヒアリングの録音から繰り返し現れる失敗場面を抜き出す作業はAIに任せる。その場面が研修で解ける問題なのか、権限設計の問題なのかを見極める判定は人が担う。学習目標の文章化はAIの草案に担当者が確定を重ねる。評価設問の難易度の偏りを点検する作業はAIに、その設問が知識ではなく判断を測っているかの検討は人に割り当てる。

判定基準は単純である。一つの講座を八から十二の作業に割り、作業ごとに検収者と不合格条件をその場で書き出す。この表を描けなければ、まだ分解できていない。

LPIのデータでAIシステム相互運用が1.11と最低なのも同じ場所を指している。道具を業務の流れのどこに差し込むかを決められなければ、道具は流れの外で空回りする。分解ができると指示文はむしろ短くなる。

AIが付けた根拠は原典まで戻って初めて根拠になる

二つ目の力は検証である。生成ツールはもっともらしい出典の形式を上手に作る。機関名、年、ページ番号が並んでいても、その組み合わせが実在を保証するわけではない。形式は信頼の根拠ではなく、信頼を模倣する装置である。

検証は四段階で終わる。原典のリンクを自分で開く。当該ページで数字を目で探す。標本、期間、定義を確かめる。引用文が原典の結論を裏返していないかを見る。最後の段が最もよく崩れる。原典が「相関が観察された」と書いた箇所が、教材では「効果が実証された」に変わる。定義のずれも多い。ある調査の教育時間は法定研修を含み、別の調査は含まない。修了が評価の通過を指す場合も、出席だけを指す場合もある。

判定基準は時間で置く。直近の講座から引用数値を無作為に三つ抜き、三十分以内に原典の位置を示せれば合格である。三十分を超えるなら検証をしていないのではなく、検証の記録を残していない。記録のない検証は担当者が替わった瞬間に消える。数値の横に原典のURL、ページ番号、確認日を並べて残せば、次の改訂で同じ確認を繰り返さずに済む。

OECDはAIリテラシーを、AI技術を批判的に評価し、AIと効果的に対話・協働し、AIを道具として使う能力の集合と定義する。最初に批判的な評価が置かれている順序に意味がある。検証の力がない担当者を通過した教材は、組織のなかで誤りが最も速く広がる経路になる。

学習データの持ち出し線は法務より先に担当者が引く

三つ目の力は線引きである。学習データが外部モデルへ渡るのは、指示文の入力欄に貼り付けたその瞬間である。法務の確認はその後に来る。担当者が貼る前に判断しなければ、統制点はすでに過ぎている。

境界に置かれる資料は決まっている。人事評価のコメント、一対一の面談記録、未公表の組織改編案、顧客企業の事例、個人を特定できる学習ログ、アセスメントの結果票である。名前を消せば足りるという考えはここで崩れる。部署、等級、勤続年数を組み合わせれば少人数は再び特定される。十人の課の面談記録から氏名を消しても、課長は誰の話か分かる。

判定基準は一覧の有無である。学習データを、そのまま入れてよいもの、加工して入れるもの、いかなる形でも入れないものに分け、項目ごとに判断根拠と再確認日を書く。案件が出るたびに法務へ問い合わせて回答を待つなら、その部署に線はない。

LPIのデータでL&D向けのAIデータリテラシーが1.41と二番目に低い個別能力である事実は偶然ではない。学習データは人事データのなかで機微度が低いと誤解されやすいが、中身は個人が何をできなかったかの記録である。

AIが作った設計は人の差し戻し基準を通ってから配布する

四つ目の力は品質判定である。AIの草案はおおむね滑らかである。文が整い、構成が揃い、用語が一貫している。滑らかさは品質の証拠ではなく、品質判断を遅らせる要因である。

差し戻しの基準は五つの問いで足りる。学習目標が観察できる行動として書かれているか。事例が自社の制約と決裁構造を反映しているか。評価設問が知識ではなく判断を測っているか。演習の時間が現場の実際の日程に収まるか。難易度が対象者の現在の水準に合っているか。二つ以上が引っかかれば修正ではなく差し戻しである。

AIが得意な領域と不得意な領域は分かれる。構成、分量、用語の一貫性は得意である。組織の文脈、失敗事例の真の原因、現場が抵抗する地点は不得意である。後者は担当者がヒアリングと観察で得たものであり、学習済みのパターンからは復元されない。

判定基準は差し戻し率である。前四半期のAI草案の差し戻し率がゼロなら、草案が優れていたからではなく基準がなかった可能性が高い。差し戻しの理由が「不自然だ」の一つしかない場合も同じである。LPIでソリューション設計・開発が2.38と最も高い点は、ここで資産になる。設計を知る者だけが設計を差し戻せる。

現場研修では見せる操作より止める場面を先に決める

五つ目の力は基準づくりである。現場へAI活用を教えるとき、見せる操作の一覧だけを用意すると、受講者は境界を学ばない。上手な使い方を学んだ者はより多く使い、どこで止まるかを学ばなかった者はより危うく使う。

禁止の一覧が先に来る。顧客の個人情報を外部ツールへ入力する行為、未公表の財務数値を要約させる行為、懲戒・評価・採用の最終判断をモデルへ委ねる行為、出典を確かめていない文を社外文書へ載せる行為が並ぶ。実演はその後である。良い実演は使い方を見せる場面ではなく、担当者が結果を疑って手を止める場面を含む。

L&DチームのAI能力の五つの課題のうちガバナンス・標準・安全な利用が1.53と最も低いLPIの棒グラフ

LPI・Abodooの公開要約版5ページ。五つの課題のうちガバナンス・標準・安全な利用だけが1.53で、発達の基準線2.0から大きく離れている。WordPress掲載前に再利用の範囲を担当者が確認する。

同じ資料で、人の強みとリーダーシップの維持は2.17、変化の速度への追随は2.11、AI文化と行動変容は1.99、学習戦略へのAIの組み込みは1.87である。最も急を要する課題が最も低い点数を受けている。判定基準は準備物で置く。次の研修で見せる三場面と止める三場面を、画面単位で用意できていれば合格である。

五つの力は意欲ではなく観察できる行動で判定する

能力の議論が曇るのは判定の仕方である。「AIに関心が高い」「積極的に活用している」といった表現は何も判定しない。五つの力はそれぞれ成果物で確かめる。

実務力	合格の判定基準	できていないときの兆候
課題の分解	講座を8〜12の作業へ割り、作業ごとに入力・成果物・検収者・不合格条件を書く	指示文が長くなり、同じ依頼でも結果が毎回変わる
根拠の検証	引用数値を無作為に三つ抜き、三十分以内に原典の位置を示す	出典一覧はあるが、そのページを開いた者がいない
データの線引き	学習データを許可・加工・禁止の三欄へ分け、根拠と再確認日を書く	案件が出るたびに法務へ問い合わせて回答を待つ
設計の差し戻し	前四半期のAI草案の差し戻し理由を項目別に示す	差し戻し率がゼロ、または理由が「不自然だ」だけ
実演と禁止	次の研修の実演三場面と禁止三場面を画面単位で用意する	使い方だけを教え、止める地点を教えない

自己評価だけで測れば点数は常に甘くなる。LPIのデータも自己評価でありながらAIリテラシーが1.54にとどまった点は覚えておく価値がある。判定は会議室でファイルを開く方法で行う。部会で一人が実際の作業分解表や差し戻し記録を画面に映せば、その場で判定は終わる。

この診断は人事評価ではない。誰が足りないかを示すためではなく、誰にどの学習を割り当てるかを決めるためのものである。

制作スピードは五つの力のうち一片にすぎない

「AIで講座の制作期間を半分にした」という報告は、五つの力のうち分解を部分的に証明するだけで、残りの四つについては何も語らない。速度の指標だけを立てると、検証も線引きも差し戻しもすべて費用に見える。差し戻しは日程の遅れであり、検証は追加工数であり、禁止一覧の作成は当面の成果として見えない。

実際に減ったのは草案作成の時間であって判断の時間ではない。判断の時間まで一緒に削れば、削った分は後に訂正の費用として戻ってくる。

OECDは高度なAIスキルを、AIシステムを開発したり高度に活用したりするために必要な能力と定義し、それを持つ労働者は全体の約1%だとみる。大半の労働者に必要なのはAIと相互作用するためのリテラシーであり、リテラシーの訓練は高度なAIスキルの訓練と同じくらい重要だというのが同じ報告の判断である。研修担当者はその1%ではなく、リテラシーの最前線に立つ。制作工場の管理者ではなく、判断基準の管理者だという意味である。

検証を省いた成果物と力なしに買った道具は同じ請求書を残す

検証せずに配布した成果物は四つの費用を残す。誤った数値が事業部の報告書へ再引用される。存在しない事例を現場が事実として学ぶ。訂正の通知が出て人材開発部門の資料全体の信頼度が下がる。そして作り直しの工数がかかる。

最も高くつくのは作り直しではなく三つ目である。一度訂正すれば次の講座のすべての数値が疑われる。人材開発部門が事業部へ資料を持って行くたびに出典の質問が先に来る組織は、たいていこの経験をしている。

力を備える前に道具から導入した部署の失敗経路もほぼ同じである。デモで感嘆し、年間契約を結び、全員へアカウントを配る。最初の二週間は利用が跳ね上がり、六週を過ぎると数名しか残らない。更新の時期には「自社には合わなかった」という結論が出る。原因は道具ではない。分解がなくどの作業へ入れるか分からず、検証手順がなく結果を業務文書へ載せられず、線引きがなく使える学習データを渡せなかった。学習戦略へのAIの組み込みが1.87にとどまるという数値は、この経路を要約している。

研修担当者の力量差がL&DチームのAI能力の上限を決める

この構造は単純で、そして冷たい。研修担当者は組織のAI利用の基準を設計し教える立場にある。自分ができない判断はカリキュラムに入らない。

伝播は三段で進む。担当者が検証しなければ教材に検証手順が載らない。教材になければ受講者は検証を学ばない。検証を学ばなかった受講者が作った成果物を、担当者は再び検収できない。三段が一周すると、組織はAIを多用するのに誰も結果に責任を負わない状態へ達する。

全社向けAIリテラシー研修の実効性が担当者の力量に従属する理由はここにある。優れたカリキュラムを外部から購入しても、社内の検収者がその基準を判定できなければ基準は保たれない。OECDが財政的な誘因に偏った政策の限界を指摘し、キャリア支援、官民連携、指導者養成の仕組みのほうが幅広い対象へ届くとみたのも、同じ構造を別の層で述べたものである。教える側の力量が先に来る。

日本企業はDSSと職能資格の間に担当者の力量配置を置く

日本企業の人材開発部門は、本社の集合研修と現場のOJTを橋渡しする位置にある。橋の上に立つ人が生成AIの成果物を検収できなければ、本社が配る教材も現場の指導項目も同時に緩む。まずこの位置を確認しておく。

五つの力を全員が同じ水準で備えよという要求は、四名から八名という一般的な規模では現実的ではない。配置で対応する。課題の分解と設計の差し戻しはインストラクショナルデザイン担当が持つ。根拠の検証はリサーチとコンテンツの担当が主導しつつ、最低基準は全員が共有する。学習データの線引きは人事データと個人情報の担当と共同で決める。実演と禁止の基準は部門長が最終承認する。検証だけは例外なく全員共通にする。一人へ寄せればその人が隘路になり、隘路はやがて省略される。

経済産業省とIPAのデジタルスキル標準ver.2.0は、データマネジメントの類型を新設し、AIの活用やガバナンスに関わるスキルを補強する方向で改訂された。この外部標準を職能資格や等級表へそのまま貼り替えるのではなく、社内の担当者に必要な五つの力と突き合わせ、どの欄が空いているかを見るために使う。社内公募やリスキリングの講座を設計する側の力量が空欄のままなら、受け手の学習経路も設計できない。外部委託の講師や制作ベンダーが入る区間にも同じ基準を当てる。AIで作った成果物を納品する際、どの作業にどの道具を使い誰が引用数値を確かめたかを契約に書いておかなければ、検収の責任は静かに人材開発部門へ移ってくる。

次の四半期に確かめるのは受講履歴ではなく判断の証拠だ

学習経路は四つの区切りで組む。最初の二週間は全員が八つの設問で自己診断し、成果物で相互に確かめる。四週目には最も低い力を一つ選び、進行中の講座へ実際に適用する。八週目には禁止一覧と差し戻し基準を文書で確定し、現場のパイロット研修で実演と禁止の場面を検証する。十二週目には道具の契約を、力量の測定結果と併せて見直す。

四半期末に確かめる証拠は次のとおりである。