研修メニューは増えたのに、成果指標は動かない。生成AI研修、DXリテラシー研修、データ活用研修、リーダーシップ研修とカタログは年々厚くなる。それでも提案書の品質、顧客対応のスピード、リスク事故の件数は、研修の本数ほどには変わらない。研修を増やすほど「研修は実施したが、仕事の進め方はあまり変わっていない」という結論がかえって鮮明になる。この逆説が、AI時代の人材育成の出発点である。
数字も同じ逆説を示している。BCGのAI at Work 2026調査では、回答者11,749人のうち88%が今後5年で大規模なアップスキリングが必要だと答えた。一方で、自分が適切に訓練されていると感じる回答者は36%にとどまる。McKinseyのHR Monitor 2026でも、HR専門家約1,300人と従業員約5,500人を対象にした調査で同じ種類のギャップが見える。従業員の24%は過去12か月間に会社の研修へ参加していないと回答した。従業員が実感している平均研修日数は3.4日である一方、HR専門家は6.2日と見積もっている。組織は、従業員が実際に経験している学習量よりも多くの学習が起きていると考えがちだ。
問題は研修コンテンツの量ではない。現場の成果目標、上司のフィードバック、職務ごとのスキル基準、業務成果物、評価指標が別々に動いている限り、メニューを増やしても結果は変わらない。本稿が扱うのは研修カタログではなく回路である。成果・フィードバック・スキル・学習・証拠の五つを一つのループとして設計し、90日で最初の一回転を回す手順を整理する。
AI研修がつまずくのは研修室の中ではなく、その外側である
AI研修がうまく成果につながらない組織には、よく似た流れがある。まず新しいツールを導入する。次に全社説明会や基礎研修を行う。研修後に受講率と満足度を確認する。一部の部署は自発的に活用を始めるが、多くの従業員は「自分の業務でどう使えばよいのか」がわからない。別の従業員は、会社が承認していない個人向けAIツールを使い始める。慎重な人はリスクを避けるために使わない。経営層は効果を求めるが、人材開発部門が示せる数字は受講率に偏る。
この状態を従業員の意欲不足として扱うと、処方を間違える。WEFは2026年6月の記事で、AI時代の課題を「テクノロジーができること」と「人が実際に使えること」のギャップとして整理している。技術が進んでも、人が現場で自信を持って使うには、スキル、役割変化の明確さ、継続学習、信頼が必要になる。学習は単発イベントではなく、仕事そのものに組み込まれなければならない。
Gartnerの2026年6月のオーストラリア調査も示唆的だ。回答者574人のうち、38%は仕事でAI利用を期待されていた。そのうち85%は企業向けAIツールを提供されているが、86%は個人向けAIツールも併用している。高い利用度と前向きな感情を持つAI Championsは17%、低利用で否定的なAI Resistersは56%だった。ツールを配布しても、支援、明確なルール、仕事の再設計がなければ、成果は一部の人に偏る。
McKinseyの調査でも同じ断絶が見える。従業員の71%がAIによって自分の仕事や必要スキルが変わると見ている。ところが、正式な生成AI研修を受けた比率は欧州25%、米国31%、中国49%にとどまる。ここから見える課題は、単にAI研修が足りないという話ではない。仕事の変化、スキル基準、学習機会、評価、キャリア形成が十分につながっていないことが本質である。
AI導入が進むと、人材育成の需要は急に増える。事業部門は「AIを活用したい」と言い、情報システム部門や法務・リスク部門は「安全に使ってほしい」と言い、経営層は「生産性向上を示してほしい」と求める。この状態で人事や人材開発部門が全社員向けの同一研修だけを配信すると、研修部門はすぐにボトルネックになる。最初に見るべきなのは、研修テーマではなく業務フローである。どの作業をAIが支援できるのか。どの判断は人が担うべきなのか。どのデータは入力してはいけないのか。どの成果物は上司が確認すべきなのか。ここを設計しないまま研修だけを増やしても、現場実装は進まない。
日本企業でも同じ問題が起こりやすい。研修は人事部門、AIツールはDX推進部門、セキュリティは情報システム部門、評価は各部門長、キャリアは人事制度というように、責任が分かれている。AI時代にはこの分断がそのままスキル転換の遅れになる。人材育成は、研修実施数ではなく、成果と学習をつなぐ設計で見直す必要がある。
人事がAI戦略の周辺にいると、リスキリングは遅れる
SHRMのState of AI in HR 2026では、HRにおけるAI活用の現状が整理されている。2025年12月にHR専門家1,908人を対象に行われた調査では、HR機能にAIを導入している組織は39%、2026年中に導入予定の組織は7%だった。AIの活用領域は採用27%、HR technology 21%、Learning and Development 17%、Employee Experience 14%である。
さらに重要なのは、測定と関与の不足だ。AI投資の成果を正式に測定していない組織は56%に上る。AI戦略やビジョンにHRが直接、または協働する形で関与していない組織も52%ある。一方で、AI導入組織ではアップスキリングやリスキリングの機会が頻繁に生まれているという回答が57%あった。AI導入は必ずスキル転換を生む。しかし人事や人材開発が戦略と測定から外れていると、その転換は現場任せになる。
日本企業では、AI導入の議論がDX推進部門、IT部門、法務・コンプライアンス部門、事業部門を中心に進み、人事が後から「研修をお願いします」と依頼されることが少なくない。この順番では、人材育成は戦略設計ではなく、決まったツールの説明役になりやすい。従業員は、なぜそのツールを使うのか、自分の役割がどう変わるのか、どの成果を出すべきなのかを十分に理解しないまま研修を受ける。
AI時代の人事は、この順番を変える必要がある。ツール導入の前に、職務ごとの業務変化シナリオを整理する。役割別のスキル基準を更新する。現場マネジャーと一緒に適用課題を設計する。研修後には、受講完了ではなく、実務での成果物、フィードバック、スキル進捗、リスク低減の証拠を集める。この証拠は、評価、配置、社内公募、タレントマネジメント、次の育成施策に接続されるべきだ。
解決策は「成果・フィードバック・スキル・学習・証拠」の5段階ループである
診断が「つながりの欠如」であるなら、処方も「つなぎ直し」でなければならない。AI時代の人材育成は、五つの要素を一つのループとして運用する必要がある。これは複雑な理論ではなく、運用の順序である。
- 成果: 研修目標を、事業の言葉で書いた成果目標として先に決める。
- フィードバック: 上司のフィードバックで、目標と現在の成果物とのギャップを確認する。
- スキル: そのギャップを埋める職務別の遂行基準を書く。
- 学習: スキルギャップに応じて、学習と実践課題を仕事の近くに配置する。
- 証拠: 実務での成果物とフィードバックを証拠として残し、次の成果対話と学習設計に戻す。
ループが回り始めると、問いが変わる。これから問うべきなのは、「何人が受講したか」ではなく、「どの業務が変わったか」「どの判断基準が改善したか」「どのスキルギャップが縮まったか」「上司のフィードバックがどう変わったか」「成果の証拠がどこに残っているか」である。研修受講率や満足度は必要な管理指標だが、それだけではAIが変える業務スピードに追いつかない。以下、ループの五つの段階を順に設計していく。
ループ第1段階 成果: 目標は「受講完了」ではなく業務変化で書く
研修目標を「受講完了」から「業務変化」に変えることが、ループの起点になる。AIリテラシー研修の目標は、「全社員が基礎講座を受けた」では不十分だ。より実務的な目標は、「提案書作成のリードタイムが短くなった」「問い合わせ初期回答の品質ばらつきが減った」「上司のレビュー観点が標準化された」「個人情報や機密情報に関する入力リスクが減った」という形になる。目標が変わると、研修設計も変わる。講義より実習、実習より現場課題、現場課題より上司のフィードバックが重要になる。
成果目標は事業の言葉で書く。「AI活用力を高める」は方向性であり、目標としては弱い。目標は「提案書作成時間を20%短縮する」「問い合わせ一次回答の品質ばらつきを減らす」「新人の業務立ち上がり期間を短縮する」「上司のフィードバック頻度を月1回から週1回へ近づける」のように、観察できる変化で書く。
目標が決まったら、成果を生む業務行動を職務別に具体化する。同じAI研修でも、営業、カスタマーサポート、研究開発、人事、経理で適用場面は違う。営業では顧客業界の調査や提案書ドラフトが中心になる。カスタマーサポートでは問い合わせ分類と回答案作成が中心になる。人事では職務記述書、研修ニーズ分析、フィードバック要約、社内コミュニケーション文案が対象になりやすい。
ループ第2段階 フィードバック: 上司の問いが変わると、学習は仕事に入る
上司のフィードバックは、学習システムの一部として組み込む。従業員がAIを実務で使い始めると、最も重要な学習は研修室ではなく現場で起こる。AIが作ったドラフトのどこが弱いのか。どの根拠を追加すべきか。どの情報は入力してはいけないのか。どこまで人が判断すべきか。こうしたフィードバックがOJTの中で積み上がる。これを個人の経験に閉じ込めるのではなく、組織の学習資産として再利用することが必要だ。
この段階の鍵は、現場マネジャーの問いである。マネジャーが「研修を受けてきてください」と言うだけなら、学習は研修で終わる。マネジャーが「今月の提案書品質をどう変えるか」「AIの出力を誰がどの基準で確認するか」「良い活用例とリスク例を次回会議でどう共有するか」と問い始めると、学習は仕事に入る。フィードバックは、次の段階で扱うスキル基準の原材料でもある。現場で繰り返される指摘こそ、組織がまだ持っていないスキルの一覧だからだ。
ループ第3段階 スキル: 「できる」ではなく条件と品質で基準を書く
スキル基準を書き直すべき理由は、AIがスキルの中身そのものを変えているからだ。BCGのAI at Work 2026調査では、回答者の72%が、AIによって自分の役割に求められるスキルへの期待が変わったと答えている。60%は「十分に良い」と認められる水準そのものが上がったと答え、52%はAIの出力を確認・修正する時間が増えたと答えた。昨日の職務記述書では、今日の遂行基準を説明できないということだ。
BCG AI at Work 2026：AIによって変わった仕事の側面――役割に求められるスキル期待の変化72%、単純業務の代替67%、「十分に良い」の基準上昇60%などを示す図表 — AI時代の人材育成の根拠図表
スキル基準は職務別に再定義する。AI活用を全社共通テーマとして扱うことは、初期浸透には有効である。しかし一定段階を過ぎたら、職務別の基準がなければ学習は曖昧になる。営業、経理、人事、開発、製造、カスタマーサポートでは、AI活用の場面もリスクも違う。同じ「AIを活用できる」という表現では、実務行動を導けない。
基準の書き方も重要だ。スキル基準は「できる」ではなく、「どの条件で、どの品質でできるか」として書く。たとえば「生成AIを使える」では不十分だ。より実務的には、「機密情報を除外したうえで業務文脈を与え、AIが作成したドラフトを社内基準に照らして検証し、修正理由を説明できる」と書く。ここまで具体化すると、研修、OJT、評価、フィードバックが同じ方向を向く。
基準が立つと、研修の中身も変わる。研修は「ツールの使い方」を説明する場ではなく、仕事の基準を変えるプロセスになる。営業部門であれば、プロンプトの書き方だけでは足りない。顧客理解、提案書ドラフトの検証、顧客データの扱い、上司レビューの観点、最終成果物の品質基準を合わせて設計する必要がある。カスタマーサポートであれば、回答文の生成だけではなく、例外対応、トーン確認、個人情報の扱い、エスカレーション基準まで含めるべきだ。
スキル基準はゼロからつくらない: DSSとDX銘柄2026が土台になる
日本では、IPAと経済産業省が進めるデジタルスキル標準が重要な基盤になる。DSSは、すべてのビジネスパーソン向けのDXリテラシー標準と、DX推進人材向けのDX推進スキル標準で構成されている。2026年4月には、AX、つまりAIトランスフォーメーションの進展やデータ活用の重要性を反映してver.2.0が公開された。
DSSの実務上の価値は、研修カタログを増やすことではない。職務や役割ごとに必要なスキルを言語化し、学習内容と実務経験をつなげることにある。日本企業がAI時代の人材育成を進めるなら、まず「全員に同じ研修」ではなく、「全員が持つべきDXリテラシー」と「職務別に必要なAI・データ活用スキル」を分けて設計するべきだ。
IPAが2026年6月に公開したDX銘柄2026の情報も参考になる。DX銘柄2026では、AI活用を前提に、変革の範囲、質、スピードを高める企業が評価されている。紹介される観点には、経営ビジョン、DX戦略、組織づくり、デジタル人材の育成・確保、データ活用、AI活用、成果指標が含まれる。これは人材育成が研修部門だけのテーマではなく、経営・事業・組織設計と一体であることを示している。
日本企業で人材育成を見直すなら、DSSをスキル定義の基盤にし、DX銘柄の観点を経営接続の基盤にするのが現実的だ。つまり、スキルを定義し、現場業務に埋め込み、成果指標につなげる。この三つがそろって初めて、リスキリングは制度ではなく実務になる。
ループ第4段階 学習: 短く、頻繁に、仕事の近くに置く
学習がループの4番目に来るのは偶然ではない。成果目標、フィードバックで確認したギャップ、職務別のスキル基準が定まって初めて、学習は正確に狙いを定められる。順序が逆になり学習が先に来ると、組織はまた研修カタログを厚くする習慣に戻ってしまう。
学習は短く、頻度高く、仕事に近い場所に置く。2時間の集合研修を一回行うよりも、30分の事前学習、60分の実習、1週間の適用課題、上司フィードバック、同僚レビュー、次の課題という組み合わせの方が現場に残りやすい。AIツールは変化が速いため、長いカリキュラムを完成させるより、更新し続けられる学習リズムを作る方が重要である。
ループ第5段階 証拠: 受講率の代わりに見るべき三層の数字
証拠が残らない研修は、またイベントに戻る。証拠は大げさなものでなくてよい。適用前後の成果物、作業時間、エラーの種類、上司のコメント、顧客の反応、社内レビューの結果、AI利用ガイドの遵守状況を残し、それを次の研修設計と成果対話に使うことが重要だ。
証拠を見る枠組み、つまり学習効果測定のダッシュボードは三層で考えるとよい。第一層は運用指標である。受講率、完了率、満足度、課題提出率、研修参加時間などが入る。これは必要だが、最終指標ではない。運用指標だけでは、人材開発部門の活動量は見えるが、組織能力の変化は見えにくい。
第二層はスキル指標である。役割別スキル診断、スキルギャップの縮小、適用課題の通過率、上司評価、同僚レビュー、手戻り率の変化などが入る。AI研修であれば、承認ツールの利用率、検証チェックリストの遵守率、機密情報入力のリスク、成果物品質の評価も含めることができる。
第三層は成果指標である。業務リードタイム、成果物品質、顧客反応、営業生産性、エラー削減、社内異動、役割転換の成功率、上司フィードバック頻度などが入る。すべての研修がすぐに売上へ直結する必要はない。しかし、各研修がどの業務成果につながるのかは明確にしておくべきだ。
証拠を残す組織と残さない組織の差は、BCGの調査にも表れている。業務プロセスを再設計するReshape・Invent企業では、AIの価値創出が適切に測定されていると答えた従業員が52%で、ツール配布にとどまるDeploy企業の27%を大きく上回った。大規模なリスキリングを経験したという回答も65%対47%、プロセス再設計に参加したという回答も43%対12%と差が開いた。測定とリスキリング投資が一緒に動くとき、AI変革は人の変化につながる。
BCG AI at Work 2026：Reshape・Invent企業とDeploy企業のAI戦略の明確さ、ガードレール、プロセス再設計への参加、成果測定、リスキリング投資の差を比較した図表 — AI時代の人材育成の根拠図表
三層をつなげると、人材育成の会話は変わる。「今期は3,000人が研修を受けました」ではなく、「カスタマーサポートのパイロットで一次回答作成時間が短くなり、上司レビューの観点が標準化され、機密情報関連のリスクが下がりました」と説明できる。これがAI時代の人材育成に必要な信頼の作り方である。
ループの最初の一回転は90日で回る
最初の30日は、診断と基準づくりに使う。人事・人材開発部門は、IT、セキュリティ、DX推進部門、事業部門のマネジャーとともに、AI活用がすでに起きている業務を確認する。公式ツールの利用状況だけではなく、個人向けAIツールの利用、非公式な自動化、繰り返しの文書作成、データ分析、顧客対応業務も見る。この段階の成果物は研修一覧ではない。業務変化マップである。
次の30日は、職務別パイロットを設計する。全社一斉研修を大きく開く前に、2〜3の職務や業務場面を選ぶ。営業提案、カスタマーサポート、採用、社内文書作成、教育ニーズ分析などが候補になる。各パイロットには、事前診断、基本原則の学習、職務別実習、現場適用課題、上司フィードバック、成果証拠の収集を入れる。人材開発担当者は講師というより、運用デザイナーとして動く。
最後の30日は、展開と制度化に使う。パイロット結果をもとに、職務別スキル基準と業務テンプレートを整える。プロンプトテンプレートだけでは足りない。業務依頼書、検証チェックリスト、機密情報の扱い、上司フィードバックシート、適用事例の記録様式まで用意する。効果が見えたパイロットは全社展開してよいが、職務別の適用課題は残すべきである。
この90日で最も重要な変数は、第2段階で述べたマネジャーの問いである。マネジャーが何を問うかが、ループの回転速度を決める。
「ループまで回す余力がない」という反論は半分だけ正しい
「成果測定まで入れると研修運営が重くなる」という反論は妥当だ。すべての研修に同じレベルの測定を求める必要はない。優先順位を決めればよい。AI活用、リーダーシップ、営業、カスタマーエクスペリエンス、安全、セキュリティのように、業務成果やリスクへの影響が大きいテーマから始める。その他の研修は運用指標中心で管理しつつ、重点施策だけ実務証拠を残す。
「現場マネジャーが忙しくてフィードバックできない」という課題も現実的だ。しかし、フィードバックのない研修は現場転移が弱い。長いコメントは不要である。適用課題ごとに三つだけ聞けばよい。何が良くなったか。どこにリスクがあるか。次に何を変えるか。この三つを繰り返すだけでも、学習の質は変わる。
「AIツールがすぐ変わるため、研修内容が古くなる」という懸念もある。だからこそ、ツール機能より原則と仕事の基準を教える必要がある。ボタンの位置や機能名は変わる。しかし、良い問いを作る力、出力を検証する力、根拠を確認する習慣、セキュリティ基準を守る態度、同僚と成果物をレビューする方法は簡単には古くならない。
自社のループはどこで切れているか: 10の点検質問
次の10の質問のうち「いいえ」になる箇所が、ループの切れ目である。そこが次の90日の出発点になる。
- 研修目標が「受講完了」ではなく、業務変化として書かれているか。
- 職務別にAI活用場面と禁止場面が整理されているか。
- 研修前後の業務成果物を比較できるか。
- 上司フィードバックが研修設計に含まれているか。
- 学習結果が評価、配置、社内公募、タレントマネジメントと接続されているか。
- AI研修にセキュリティ、個人情報、著作権、検証責任が含まれているか。
- 承認ツールと個人向けAIツールの利用実態を把握しているか。
- 受講率以外に、スキル進捗と実務適用の証拠を見ているか。
- 人事・人材開発部門がIT、セキュリティ、DX推進、事業部門とAI導入の議論に入っているか。
- 研修結果が次の学習設計に戻るループがあるか。
研修を増やす組織より、学習が成果に流れる組織が強い
AI時代には、学習速度が競争力になる。ただし、その速度は研修本数を増やすだけでは生まれない。成果目標が明確で、スキル基準が具体的で、フィードバックが頻繁に行われ、学習の証拠が次の意思決定に使われるときに生まれる。
人材育成は「研修を提供する機能」から、「組織がより良く仕事を進めるための運用システム」へ移行する必要がある。これは人材開発部門だけの仕事ではない。事業部門、IT、セキュリティ、DX推進、人事制度、経営層が一緒に扱うべき経営課題である。人事がこの接続を設計できるとき、AI研修は一過性の流行ではなく、組織能力を更新する仕組みになる。
あわせて読みたい記事
- [2026年企業研修トレンド：研修運営からリアルタイム適応力へ] (slug: 2026-ai-adaptive-learning-hrd-trends-ja)
- [AIリテラシー研修の設計：単発セミナーより三層の業務内トレーニングが成果を生む] (slug: ai-literacy-workflow-training-ja)
参考文献
- McKinsey, HR Monitor 2026: A turning point for the people function: https://www.mckinsey.com/capabilities/people-and-organizational-performance/our-insights/hr-monitor
- World Economic Forum, How to close the gap between what technology can do and what people are able to do with it: https://www.weforum.org/stories/artificial-intelligence/close-gap-what-ai-can-do-people/
- Gartner, HR Survey Finds AI is Boosting Productivity but Widening Workforce Divisions in Australia: https://www.gartner.com/en/newsroom/press-releases/2026-06-02-gartner-hr-survey-finds-ai-is-boosting-productivity-but-widening-workforce-divisions-in-australia
- SHRM, The State of AI in HR 2026 Report: https://www.shrm.org/topics-tools/research/state-of-ai-hr-2026/full-report
- Deloitte, 2026 Global Human Capital Trends Through a Workday Lens: https://www.deloitte.com/global/en/alliances/workday/perspectives/deloitte-global-human-capital-trends-workday-lens.html
- BCG, AI at Work 2026: Why Strategy Matters More Than Tools: https://www.bcg.com/publications/2026/ai-at-work-why-strategy-matters-more-than-tools
- IPA, DX銘柄2026: https://www.ipa.go.jp/pressrelease/2026/press20260605.html
- IPA, デジタルスキル標準（DSS）策定の背景・目的: https://www.ipa.go.jp/jinzai/skill-standard/dss/about.html
