人数より業務変化を先に描く
AI時代の人員計画は「何人採用するか」「何人削減できるか」から始めるべきではない。最初に見るべきものは人数ではなく、業務の変化である。どの反復作業が自動化されるのか、どの判断業務がAIで拡張されるのか、どの確認・承認・例外処理が新たに発生するのかを見なければならない。
日本企業では人手不足、DX人材育成、リスキリング、ジョブ型人事が同時に進んでいる。そこに生成AIやAIエージェントが入ると、人員計画はさらに複雑になる。AIを入れれば人が減るという単純な話ではない。AIが下書きや分類を担う一方で、人は品質確認、リスク判断、顧客説明、例外処理、業務標準の更新を担うようになる。
この文章の結論は明確である。AI人員計画の単位は職種名ではなく、業務シナリオである。HRと人材育成部門は、採用人数を議論する前に、業務を自動化、拡張、再設計、維持、停止に分ける必要がある。そのうえで、build、buy、borrow、botの選択肢を比較し、どこを育成し、どこを採用し、どこを外部活用し、どこをAIに任せるのかを決めるべきである。
定員表を開く前に自動化・拡張・再設計を分ける
AI時代の人員計画は、年初の定員表を調整する作業ではない。人、業務、技術、外部人材、予算、リスクを同じテーブルに置き、複数のシナリオを比較する経営判断である。採用人数と人件費だけを見ていると、AIが実際の業務構造をどう変えるのかを見落とす。
McKinseyのHR Monitor 2026は、この転換がまだ初期段階にあることを示している。10カ国1,303名のHRプロフェッショナルを対象にした調査では、多くの企業が何らかの人員計画を行っている一方で、3年以上先を見通す戦略的な人員計画に取り組む企業は11%にとどまる。生成AIは、人と技術の比率そのものを変えるため、反応的なheadcount調整から、能力とシナリオに基づく人員判断へ移る必要がある。
Deloitteの2026 Global Human Capital Trendsも同じ方向を示している。89カ国9,000名以上のビジネスリーダーとHRリーダーを対象にした調査で、ビジネスリーダーの約7割は、今後3年の主な競争戦略を「速く機敏に動くこと」としている。AI時代の価値は、技術導入だけではなく、人と機械がどのように協働して仕事を進めるかを再設計することで生まれる。
したがって、AI人員計画で最初に問うべきことは「AIで何人減らせるか」ではない。「業務がどのように変わるか」である。AIが資料を作成するなら、人は確認者になるのか。問い合わせ分類が自動化されるなら、担当者は例外対応と顧客説明に集中するのか。コード生成が速くなるなら、レビュー、セキュリティ確認、品質保証の負荷はどう変わるのか。こうした問いなしに人数だけを動かすと、見えない負荷が現場に残る。
人数を合わせても、現場の仕事は軽くならない
AI導入で起きやすい誤解は、作業が自動化されれば業務が消えるという考えである。実際には、業務は消えるよりも形を変えることが多い。顧客対応でAIが回答案を作れば、入力時間は減るかもしれない。しかし担当者は、その回答が顧客状況に合っているか、規約や補償基準に反していないか、感情的に不適切な表現がないかを確認しなければならない。
もう一つの誤解は、AIツールを配れば生産性が上がるという考えである。生成AIを使えるようにしても、業務プロセスは自動的には変わらない。社員は、どの業務にAIを使ってよいのか、どの結果は人が必ず確認すべきか、どの情報を入力してはいけないのか、どの品質基準を満たすべきかを理解する必要がある。基準がなければ、AIは生産性向上の道具ではなく、新しい確認負荷になる。
日本企業では、人手不足への対応として採用、外注、DXツール導入、研修が別々に進みやすい。結果として、同じ業務をめぐって人材採用とAI導入が重複したり、AIで削減したはずの作業が別の部署の確認業務として復活したりする。人員計画が人数表のままだと、この構造が見えない。
人材育成部門が後追いで「AI研修」を提供しても、業務量、権限、評価基準、管理者の支援が変わらなければ定着しない。AI人員計画では、研修は後処理ではなく、業務シナリオの一部として設計する必要がある。
AI人員計画の単位は職種名ではなく業務のまとまりである
職種名は人員計画の単位として粗すぎる。同じ営業担当でも、ある人は新規提案を作り、別の人は既存顧客のフォローを行い、別の人はデータ分析と案件予測を担う。AIが変えるのは職種名全体ではなく、その中にある業務のまとまりである。資料収集、下書き、分類、要約、顧客説明、例外判断、承認、リスク確認、関係者調整といった単位で見る必要がある。
BCG Henderson Instituteの2026年分析は、この視点を強く示している。BCGは、今後2-3年で米国の仕事の50-55%がAIによって再構成される可能性があると推定している。同時に、タスクの自動化はそのまま雇用喪失を意味しないと説明する。4-5年の時間軸では10-15%の米国の仕事が潜在的に消える可能性も示しているが、それは失業予測ではなく、現時点のAI能力と業務自動化可能性に基づくシナリオである。
重要なのは、職種ではなくタスクで見ることだ。BCGはAI影響を、労働代替の可能性と需要拡張性の二つで整理している。ある業務は構造化され反復性が高いためAIが人の中核作業を代替しうる。別の業務はAIが一部を自動化するものの、人の判断、調整、問題設定が残る。さらに、AIでコストが下がることで需要が増え、新しい人の役割が生まれる領域もある。
この見方は、日本企業のジョブ型人事にも関係する。職務記述書を整備しても、その職務の中にある業務がAIでどう変わるかを見なければ、人員計画は古いままである。職務要件、スキル、研修、配置をつなぐには、職務名の下にある業務シナリオを分解する必要がある。
自動化・拡張・再設計は、異なる育成設計を要求する
業務シナリオは、少なくとも五つに分けるべきである。第一は自動化である。ルールが明確で、反復性が高く、例外が少なく、リスクが低い業務は自動化候補になる。この場合、人材育成部門は、既存担当者をどの業務へ転換できるか、転換にどれだけ時間がかかるか、残る確認業務を誰が持つかを見なければならない。
第二は拡張である。AIが下書き、推薦、要約、分析補助を行うが、人の判断が中心に残る業務である。この場合、研修はツール操作よりも、確認基準、判断基準、リスクの見極めに重点を置くべきである。AIの答えを速く受け入れる人ではなく、AIの答えを適切に疑い、直せる人を育てる必要がある。
第三は再設計である。AIを一部に入れるだけでは不十分で、業務フロー自体を変える場合である。承認段階が減る、顧客セルフサービスが増える、本社と現場の役割が変わる、データ入力のタイミングが前倒しされる。こうした変化では、研修だけでなく、役割定義、業務標準、管理者ガイド、評価指標を同時に変える必要がある。
第四は維持である。リスクが高く、顧客信頼や法的責任に関わる業務では、AI利用を限定する必要がある。金融、医療、製造品質、安全、個人情報、労務の領域では、自動化可能性より責任構造が先に来る。研修では、AIをどこまで使うかだけでなく、使ってはいけない境界を教えなければならない。
第五は停止である。AI導入の過程では、自動化すべき業務だけでなく、やめるべき業務も見つける必要がある。会議、報告、承認、転記、二重チェックが過剰なままAIを加えると、組織はさらに複雑になる。人員計画は、新しい技術を加える計画であると同時に、不要な仕事を減らす計画でもある。
build-buy-borrow-botは、人を減らす表ではなく選択肢を比較する表である
AI人員計画で使うbuild-buy-borrow-botは、単なる人材獲得の標語ではない。同じ業務ギャップを、内部育成、外部採用、外部活用、AIや自動化でどう埋めるかを比較する判断表である。
KPMGは、AIエージェントが人員計画に入ることで、組織は人間の労働力とデジタルワーカーを一緒に考える必要があると説明している。戦略的な人員計画は、重要なタスク、必要なスキル、そのスキルを人間またはデジタル資源のどちらで確保するかを決めるプロセスになる。
比較軸は四つある。第一は時間である。内部育成に半年かかるが、事業機会は2カ月後なら、採用や外部活用が必要になる。第二はコストである。採用が高く市場供給も不足しているなら、内部転換やbot活用が現実的になる。第三はリスクである。顧客信頼、規制、安全に関わる業務では、bot単独処理より人の確認が必要になる。第四は戦略性である。将来の競争力になる業務は、外部やAIだけに依存せず、社内に学習資産を残すべきである。
| 選択肢 | 適した状況 | 人材育成部門が確認する問い |
|---|---|---|
| Build | 社内人材が近いスキルを持ち、転換時間がある | 誰が転換可能で、どの実務課題を通過すべきか |
| Buy | 市場から即戦力専門性を確保する必要がある | 採用後に自社業務文脈をどう早く学ばせるか |
| Borrow | 需要が一時的、または特殊専門性が必要 | 外部成果物を社内知としてどう残すか |
| Bot | 反復性が高く、データアクセスとリスク管理が可能 | AIが処理する範囲と人の承認点をどう分けるか |
この表の目的は、人を減らすことではない。どの仕事をどの順番で変えるかを決めることである。ある業務はbotで処理し、ある業務は人の判断を拡張し、ある業務は外部専門家で短期的に補い、ある業務は内部人材を育てて長期的な競争力として残す。
日本企業では、人手不足を採用だけで解決しようとしてはいけない
日本企業にとってAI人員計画は、人手不足の問題と切り離せない。OECDのArtificial Intelligence and the Labour Market in Japanは、日本の職場におけるAI活用が国際比較で遅れている一方、多くの日本の従業員が今後AI利用の増加を予想していることを示している。また、2025年6月時点で日本企業の労働力不足感はコロナ前を上回り、悪化傾向にあると説明されている。
この状況で、人員計画を採用計画だけにすると行き詰まる。介護、製造、物流、サービス、IT、地域中小企業では、採用市場だけで必要な人材を確保することが難しい。だからこそ、どの業務を減らし、どの業務をAIで支援し、どの業務をOJTで転換し、どの業務を外部活用するのかを同時に設計する必要がある。
厚生労働省の中小企業リスキリング支援事業でも、DXの遅れ、人手不足、属人化、スキルギャップを整理し、リスキリングを組織課題の解決につなげる考え方が示されている。ここで重要なのは、学び直しを講座受講だけで終わらせないことである。日々の業務の中でできることを増やし、業務負担の軽減や組織成長につなげるという視点は、AI人員計画にもそのまま当てはまる。
DSSは参照軸であり、自社業務シナリオの代わりにはならない
日本企業がDX人材育成を考えるとき、IPAと経済産業省のデジタルスキル標準（DSS）は重要な参照軸になる。DSS ver.2.0は2026年4月に公表され、AXの進展やデータ活用の重要性を踏まえ、データマネジメントに関する改訂が行われた。DSSは、個人の学習と企業の人材確保・育成の指針として使える。
ただし、DSSは自社の業務シナリオそのものではない。IPAのFAQでも、DSS-Pには業種・職種を問わず汎用的に適用できる統一的な達成基準一覧はなく、各社の事業特性や育成方針に合わせて独自の評価指標を策定することが推奨されている。つまり、標準は辞書であり、業務設計は企業が行う必要がある。
AI人員計画では、DSSをスキル名の参照として使いながら、自社の業務に落とし込む必要がある。たとえば「AI活用」や「データマネジメント」というスキルを掲げるだけでは不十分である。営業提案、品質検査、物流計画、店舗運営、カスタマーサポート、経理処理など、具体的な業務シナリオの中で、どの判断と行動が必要なのかを定義しなければならない。
人材育成部門は未来組織図ではなく、転換経路を示す
AI人員計画における人材育成部門の役割は、全社員向けAI研修を実施することだけではない。人材育成部門は、業務の変化と人の変化をつなぐ役割を持つ。ある業務が自動化されたとき、既存担当者はどこへ移れるのか。ある業務がAIで拡張されたとき、どの確認基準と判断力が必要なのか。新しく発生するAI運用、データ確認、例外処理は誰が担えるのかを示す必要がある。
担うべき役割は五つある。第一に、重要業務をタスク単位に分解し、自動化、拡張、再設計の候補を整理する。第二に、転換可能な社員群、必要なブリッジ研修、習熟に必要な時間を見積もる。第三に、build-buy-borrow-botの選択肢ごとに、教育コストと転換リスクを示す。第四に、配置転換前後の実務課題、管理者フィードバック、定着指標を設計する。第五に、人員計画の会議で、育成で埋められるギャップと、採用・外部活用・AI導入が必要なギャップを分ける。
一方で、人材育成部門が引き受けるべきでないこともある。人員削減目標や最終的な人数を単独で決めること。AI導入による生産性効果を研修だけで保証すること。受講履歴だけで転換可能人材を判定すること。ITアーキテクチャやAIツール選定の責任をすべて負うこと。これらは人材育成の役割を超えている。
90日パイロットは、二つか三つの業務だけを深く見る
全社の人員計画を一度にAIシナリオ型へ変えようとすると、調整だけで止まりやすい。最初の90日間は、二つか三つの業務を深く見る方がよい。たとえば、営業提案書の下書き、問い合わせ分類と一次回答、月次レポート、品質異常報告、コードレビュー支援など、頻度と成果が観察できる業務が適している。
1-2週目は、対象業務、KPI、リスク基準、データアクセス範囲、スポンサーを決める。目的はAIを試すことではなく、その業務の時間、品質、リスク、人の役割をどう変えるかを決めることである。
3-4週目は、業務を分解する。入力、処理ステップ、判断点、例外パターン、成果物、承認者、システム、現状の所要時間、頻度、エラー類型を記録する。この段階で、人数ではなく業務量とスキルで見る状態を作る。
5-6週目は、AI影響度を評価する。業務を自動化、拡張、再設計、維持、停止に分類する。技術可能性、データアクセス、例外率、リスク、顧客影響、人の確認点を確認する。この結果がAI impact heatmapになる。
7-10週目は、二つか三つの業務で小さな実験を行う。下書き、分類、要約、検索、確認補助などを試す。同時に、役割別の研修をつける。ツール操作だけではなく、判断基準、入力してはいけない情報、確認チェックリスト、例外処理を訓練する。
11-12週目は、build-buy-borrow-botを比較する。内部育成、採用、外部活用、AI適用を、コスト、速度、リスク、品質、長期的な能力形成の観点で比べる。13週目には、拡大するかどうかを経営に提案する。報告には、時間削減だけでなく、品質、確認負荷、社員受容度、スキル習熟、再配置可能人数、リスク、成果物当たりコストを含める。
| 期間 | 主な活動 | 成果物 |
|---|---|---|
| 1-2週 | 対象部署・業務、KPI、リスク基準を決める | パイロット計画書 |
| 3-4週 | 業務を分解し、時間・頻度・例外率を集める | 業務インベントリ |
| 5-6週 | 自動化・拡張・再設計・維持・停止に分類する | AI影響度ヒートマップ |
| 7-10週 | 小規模AI実験と役割別研修を行う | 実験結果、学習転移データ |
| 11-12週 | build-buy-borrow-botを比較する | 人員シナリオ2-3案 |
| 13週 | 拡大条件と予算を提案する | scale/no-scale提案書 |
AI 人員計画の実行前に確かめる問い
AI人員計画を始めるとき、人事と人材育成部門は次の問いを確認すべきである。
| 点検領域 | 主要な問い | 成果物 |
|---|---|---|
| 業務単位 | 職種名ではなく業務のまとまりに分解したか | 業務インベントリ |
| 現状業務量 | 時間、頻度、例外率、エラーを記録したか | baselineデータ |
| AI影響 | 自動化・拡張・再設計・維持・停止を分けたか | AI影響度ヒートマップ |
| 人の役割 | AI導入後の判断・確認・例外処理を定義したか | 役割変化表 |
| 選択肢 | build-buy-borrow-botを同じ基準で比較したか | シナリオ比較表 |
| 育成介入 | 転換研修、実務課題、管理者フィードバックを設計したか | ブリッジ学習経路 |
| KPI | 時間削減だけでなく、品質、リスク、過負荷を見たか | KPIダッシュボード |
このチェックは、AI導入を遅らせるためではない。むしろ、AIを実際の成果につなげるための最低条件である。業務を見ずに人数だけを動かすと、組織は速く変わったように見えるが、実際には確認負荷と例外処理を現場に残す。
AI人員計画はheadcountではなく業務シナリオから始める
AI時代の人員計画は、headcount表ではなく業務シナリオ表から始めるべきである。どの業務が自動化され、どの業務が人の判断で拡張され、どの業務フローを再設計すべきかを見なければ、採用、研修、外部活用、AI導入はばらばらに進む。
人材育成部門の役割は、より重要になる。人材育成部門は、AI研修を何人に提供したかではなく、どの社員がどの業務へ転換可能か、どのギャップは育成で埋められず採用や外部活用が必要か、どの業務はbotと人が一緒に処理すべきかを説明しなければならない。リスキリングは、講座の提供ではなく、業務シナリオに沿った転換設計である。
この変化は、企業教育プラットフォームの役割も広げる。これからの学習プラットフォームには、受講管理だけでなく、業務変化、学習経路、実務課題、現場適用データをつなぐことが求められる。ただし、プラットフォームだけで人員計画は変わらない。まず組織が業務シナリオを見て、人とAIの役割を再定義する必要がある。
あわせて読みたい記事
- スキルベース報酬はリスキリングを本人任せにしない
- 学習時間の確保は本人の意欲ではなく人員計画の問題だ
参考文献
- McKinsey & Company, “HR Monitor 2026: A turning point for the people function”, 2026. https://www.mckinsey.com/~/media/mckinsey/business%20functions/people%20and%20organizational%20performance/our%20insights/hr%20monitor%202026%20a%20turning%20point%20for%20the%20people%20function/hr-monitor-2026-a-turning-point-for-the-people-function_final.pdf
- Deloitte, “2026 Global Human Capital Trends”, 2026-03-04. https://www.deloitte.com/us/en/insights/topics/talent/human-capital-trends.html
- BCG, “AI Will Reshape More Jobs Than It Replaces”, 2026-04-03. https://www.bcg.com/publications/2026/ai-will-reshape-more-jobs-than-it-replaces
- KPMG, “Rethinking Strategic Workforce Planning with AI Agents”, 2025. https://kpmg.com/us/en/articles/2025/strategic-workforce-planning-with-ai-agents.html
- OECD, “Artificial Intelligence and the Labour Market in Japan”, 2025. https://www.oecd.org/en/publications/artificial-intelligence-and-the-labour-market-in-japan_b825563e-en.html
- IPA, “デジタルスキル標準（DSS）策定の背景・目的”, page updated 2026-07-09. https://www.ipa.go.jp/jinzai/skill-standard/dss/about.html
- 厚生労働省, “中小企業リスキリング支援事業”, accessed 2026-07-10. https://reskilling.mhlw.go.jp/
- Mercer, “Global Talent Trends 2026”, 2026. https://www.mercer.com/insights/people-strategy/future-of-work/global-talent-trends/