AIの進展には、目を見張るものがあります。人事領域においても、AIの存在を無視することはできません。

AIが人事にどのような影響を与えるのか。このコラムではこの問いにアプローチします。ただし、予言をするつもりはありませんし、サービスやトレンドを紹介するわけでもありません。

AIをはじめとした情報通信技術の利活用に関する研究や調査を手がかりに、人事領域における影響をいくらか推論しようと思います。その中には、すでにサービスとしてリリースされているものもあれば、開発途中、あるいはまだ開発に至っていない観点も含まれているかもしれません。

本コラムの想定読者は、企業の人事担当者およびHR事業者です。人事の仕事に関わる際の思考のきっかけの一つになれば幸いです。なお、エビデンスを取り上げつつも、そこから一歩進んだ推論を伴う点に注意してお読みください。

AIとその普及の背景

AIという用語を定義するところから始めましょう。特に経営学の文脈において、AIは、人間の推論、知覚、言語理解、判断、学習、問題解決などの認知的プロセスを模した手法を実装した技術を幅広く指します[1]。

一般的に、AIと言ったときにイメージしやすいのは、データをもとに学習を繰り返す機能と、言語を理解して作動する機能でしょう。特に後者は、一昨年頃から生成AIとして世界的な関心を呼んでいます。

AIが近年、これほどまでに注目されるようになったのは、デジタル化の進展により大量のデータが利用可能になったこと、計算能力の向上、深層学習をはじめとするアルゴリズムの発展、さらには産業界での実用化が進んでいることなどが影響しています。

また、人や組織とAIの関係について考えさせられる知見にも触れておきましょう。米国で行われた研究では、702種類の職業のうち47％が、66％の確率でITに代替される可能性があると示されました[2][3]。

タスクに対するIT普及の影響

経済学の分野では、ITと雇用の関係に関する実証研究が蓄積されています。これらの議論では、仕事の最小単位としてのタスクに着目し、ルーティンかノンルーティンか、認知的か身体的かに分けて、タスクの性質がITの影響をどのように受けるかを検討してきました。

米国のデータを用いた研究によれば、（知的であれ身体的であれ）ルーティンタスクはITの普及により置き換えが進んでいることがわかります[4]。

ルーティンタスクとは、繰り返し行われる規則性のある作業を指します。これらは何らかのルールに基づいて実行されます。認知的なルーティンタスクには、例えばデータ入力や定型的な事務処理があり、身体的なルーティンタスクとしては工場でのライン作業や書類のファイリングなどが挙げられます。

人事領域でIT化が進んだルーティンタスクと言えば、勤怠管理があります。出勤、退勤の記録や休暇の管理などは、多くの会社でシステムを用いて行われているでしょう。また、従業員の個人情報や異動歴、研修履歴などのデータの入力や更新も、IT化の恩恵を受けやすい作業です。

一方で、ノンルーティンタスクはITによる置き換えがあまり進んでいません。特に認知的なノンルーティンタスクはIT化の影響を受けにくいとされています。

これらは一定の手順に従う作業ではなく、複雑な情報を理解し、環境の変化に対応するなど、創造性や問題解決能力、分析力が求められる作業です。他者との相互作用を通じてタスクを遂行するという特徴もあります。

人事領域での認知的なノンルーティンタスクには、例えば人事目標の設定や戦略の立案、組織の構造やプロセスの変革などがあります。人材育成では、社員のスキル開発につながるプログラムの企画や設計が当てはまるでしょう。

日本におけるAIの影響

先に紹介した研究データは米国のものであり、IT全般の影響を考察していました。では、日本では、そして特にAIの場合、どうなのでしょうか。

国立研究開発法人 科学技術振興機構（JST）の社会技術研究開発センター（RISTEX）による2017年度の企画調査の結果を見てみましょう。同調査は慶應義塾大学の山本勲教授が代表を務め、私も部分的にではありますが協力しています。

調査によると、AIの活用や導入により反復的な作業、すなわちルーティンタスクが減少することが示唆されています。一方で、AIの活用や導入は、複雑な問題への対処、すなわちノンルーティンタスクを増やすことも示しており、これは非常に興味深い点です。

労働時間に短期的な大きい変化がない場合、ルーティンタスクで減った分の時間がノンルーティンタスクに移っていると解釈することもできます。

人事において、このような変化が特に顕著に現れている分野が採用です。採用では多くのデータを収集でき、それに応じて採用管理システムなどのHRテクノロジーの導入が盛んになっています。

例えば、応募書類や候補者情報の収集や管理といったルーティンタスクはITによって代替され、かかっていた時間が削減されています。

さらに、最近ではAIを用いた特に初期選考での候補者評価が行われるようになっています。日本企業で一般的な採用のように構造化されていない中、候補者評価はノンルーティンタスクに分類され得ます。

こうして削減された時間は、採用担当者によって、候補者とのやり取りに振り分けられています。人対人のコミュニケーションをより丁寧に行うことで、企業理解を深め、志望度を高めるような働きかけが、まさにノンルーティンタスクとして時間を投じられているのです。

今後は一層影響が広がる可能性

AIをはじめとしたITの影響を受けて、ルーティンタスクが減少し、ノンルーティンタスクの重要性が増している国際的な動向は、人材マネジメントにどの程度の影響を与えるのでしょうか。

現段階での影響は限定的であるという解釈も可能でしょう。しかし、その影響の範囲や規模は今後大きくなっていくと推測します。

特に日本では、ルーティンワークが他国に比べて多く残されていることが指摘されています。具体的には、日本の労働市場におけるルーティンタスクの相対量は、OECDの22カ国中で4番目に多いのです[5]。

この背景には、メンバーシップ型雇用と称される日本的雇用システムが関係していることが指摘されています[6]。日本では仕事の範囲が明確ではなく、お互いの仕事が重なり合う程度が大きいため、ルーティンタスクが切り出しにくく、結果として、賃金の高低に関わらずルーティンタスクが保存されています。

ルーティンタスクが多く残っているというのは、今後AIに置き換えられるタスクがまだ存在するということを意味します。現在は雇用システムの特徴がAIの置き換えを難しくしていますが、AIの価格が下がり、使いやすくなれば、一気に置き換えが進む可能性があります。

また、AIの対応できる範囲が年々広がっている点も見逃せません。例えば、生成AIの普及を受けて、国内のメガバンクが積極的にAIを活用する方針を表明しています[7]。書類作成や社内手続きだけでなく、店頭での顧客対応にも段階的にAIを活かしていく計画が示されています。

従来ITが入り込みにくかったノンルーティンタスク、特に認知的なタスクもAIによる置き換えが進むことが考えられます。私自身の仕事でも、研究レビュー、データ分析、ライティング、編集など、AIの部分的な利活用が始まっています。

大企業ほどAIなどの先進的な技術に取り組んでいると指摘する研究もあります[8]。今後さらに精査が進むと考えられますが、もしそうであれば、大企業と中小企業との差が大きくなり、我が国が抱える課題がより深刻になり得ます。

ここで述べた一連の内容は、人事領域にも当てはまります。役職を問わず、日々ルーティンワークに追われる人事担当者は少なくないでしょう。それらのタスクがいずれAIに担われるようになるかもしれません。

また、私たちが「これは人間の仕事だ」と思っていたノンルーティンタスクの中にも、AIに置き換えられるものが出てくることも考えられます。

例えば、フィードバックに関する研究発表で、AIによるフィードバックと人によるフィードバックの効果に差が示されなかったという事例があります[9]。これはただちに効果の差がないことを意味するわけではありませんが、社員に対するフィードバックを必ずしもマネージャーだけが行うのではないとすれば、マネジメント教育やプロモーション基準の再考が必要になるかもしれません。

パーソナライゼーションも可能性の一つ

人事領域におけるAIの影響については、これまで様々な議論をしてきましたが、他に重要な点としてパーソナライゼーションが挙げられます。

人事の中でも、特に人材育成やキャリア開発において、パーソナライゼーションの重要性が高まっています。この背景には、労働市場の変化や求められるスキルセットの変動があります。

企業内でもダイバーシティが進み、様々な属性や価値観を持つ社員が在籍しています。また、個人のキャリア志向も多様化しており、個々のニーズに応じた支援が求められています。

実践しているのは一部の先進的な企業に限られますが、社員一人ひとりに関するデータが収集できるようになり、より効果的な学習のタイミングや内容をレコメンドすることが可能になっています。

例えば、ソニーピープルソリューションズ株式会社では、学習のレコメンデーションに取り組んでいます[10]。

パーソナライゼーションの恩恵は、個々の社員だけでなく、マネージャーにも及びます。部下の多様性が増す中で、マネジメントの難易度は高まっています。効果的なマネジメントのヒントを得ることができれば、マネージャーは物理的にも精神的にも楽になるでしょう。

例えば、データドリブンなアプローチで、マネージャーに対する個別の支援を模索したデンソーとのプロジェクトがあります[11]。

AI導入はスムーズに進まない

とはいえ、人や組織に関する研究に慣れ親しんできた人からすると、AIの導入が簡単であるとは必ずしも言えず、疑問がないわけではありません。

昨年12月に、私は組織変革をテーマにセミナーを実施しました[12]。また、スタディスト社のセミナーでも同様のテーマで講演しました[13]。

ここで述べた共通のポイントは、人や組織は簡単に変わらないということ、そして新しいものに対する抵抗が生じるということです。

人は慣れ親しんだ方法を変えることを嫌がります。これは「現状維持バイアス」と呼ばれ、現状から離れることを損失と感じ、現状に留まろうとする傾向があります[14]。

また、新しいことに取り組む際、人は情報不足に襲われます。これを「不確実性」と言い、不確実性は大きなストレスをもたらし、可能ならば回避したいと考えます[15]。

これらの基本的な知見を参考にすると、どれだけ便利なAIであっても、社内の導入がスムーズにいくとは思えません。

さらに、人事領域におけるAIは個々のデータを扱います。プライバシーの懸念が生じるのは自然なことで、それがAIの使用に対する抵抗感をもたらすこともあり得ます。

また、実質的な恐れも生じる可能性があります。AIの導入により自分の仕事が減るとしたらどうでしょうか。雇用への不安を抱き、AIの導入に消極的になることもあるでしょう。

これは人事領域に限らない話ですが、AIの影響を考える際には、人や組織の抵抗を考慮に入れる必要があります。

ブラックボックス化を避ける工夫

AI導入時の抵抗を和らげるために、工夫が求められることは間違いありません。例えば、ブラックボックス化をできる限り減らすという工夫があります。

どのようなデータをどのように計算して、その答えを導き出したのかが分からないと、AIを利用する意欲が減退する恐れがあります。

筆者がAI活用について先進企業を対象にインタビューした際、AIエンジニアの中には、あえて最先端の手法を用いずに、人間が直感的に理解できる水準にとどめていると話す人がいて、印象に残っています。

AIの計算プロセスがブラックボックスになると、人事のように社員の職業人生に関わる意思決定を行う仕事では、説明責任を果たせなくなります。また、エラーが起きた際に原因を特定し、修正することも難しくなります。さらに、知らず知らずのうちに偏見や差別などのバイアスが潜んでいる可能性があり、それに気づきにくいのも問題です。

例えば、採用の評価にAIを用いる場合でも、なぜそのような評価結果になったのか、何らかの説明が必要になります。場合によっては恣意性が滑り込むものの、人の手による調整を加えたいと考える企業もあり、そうした機能を搭載するサービスも存在します。

ブラックボックス化の問題は、人事領域におけるAI利用の際にもう一つの観点を投げかけます。それは「予測さえできれば良いのか」という観点です。

例えば、筆者が知る限り、離職を予測するAIの可能性を探る企業は少なくありません。ビジネスリサーチラボでも離職予測に関する相談が入ります。「この社員はこのままでは離職するリスクがある」というアラートを出したいということです。

しかし、ここには「離職リスクがあると示されたところで、どう対応すれば良いのか」という課題があります（本コラムでは詳述しませんが、情報の取り扱いに関する課題もあります）。

部下の一人が離職する可能性があると言われても、普通はどのように働きかければ良いか分からないものです。何が要因か分からないと、対策を打つのが難しいものです。離職行動を促す要因は無数にありますが、その中でもどれが影響しているのか分からなければ、適切な対策を講じにくくなります。

予測できれば対策がすぐに明らかになる問題もあれば、対策を考えるために更なる情報が必要になる問題もあります。人事領域においては後者の問題が少なくありません。今後のAIは、この後者の問題に対応していくことが一層求められるでしょう。

AI導入を契機にした組織再編

AIの導入は、既存の特定タスクを置き換えるだけで終わるわけではありません。場合によっては、AIの導入を契機に、組織再編が進む、あるいは進めざるを得ないこともあります。

例えば、採用活動でAIを活用した結果、候補者の性格や能力を評価する「見極め」のプロセスが置き換わり、候補者の志望度を高める「惹きつけ」を担う人材の需要が高まることがあり得ます。これにより、採用に関与する人材が変わり、採用部門の再考が求められることになるでしょう。

他にも、AIをより活かすために、人事部門にデータ分析チームを作る必要が出てきて、人事企画の仕事内容が変わる可能性もあります。そうなると、人事部門の役割分担に変化が及ぶこともあります。

研修のデリバリー方法も変わるかもしれません。パーソナライズされた研修が導入されると、社員は個々に現在の自分に合った研修を選ぶようになります。これにより、研修部門の機能が変わり、企業によっては他の部門との統廃合が進む場合もあるでしょう。

もちろん、これらは未来を予言する類の話ではなく、AIがより大きな分業などに影響を与え得ることを理解していただくための例に過ぎません。

ただし、AIに限らず、ITの導入によって仕事の再定義が行われることは古くから指摘されており[16]、AIでも同様の変化が起きたとしても不思議ではありませんし、おそらく今現在も起きている企業があるでしょう。

AIは機能通りに用いられない

最後に、人事領域に限らず、AIに関連しては、過剰に技術的な議論に陥る傾向があり、注意が必要です。これについて詳しく見てみましょう。

1960年代中頃、経営情報システム（Management Information System; MIS）が大きな注目を集めました。MISは、データ処理を企業全体で統合し、マネージャーに必要な情報を適宜提供する能力を持っているとされました。

日本でも、この時期にMIS使節団を米国に派遣し、ブームが起こりました。しかし、マネージャーを対象とした観察調査では、マネージャーは組織が提供する公式の報告よりも、曖昧だが最新の情報を重視し、主に人を介してそれらの情報を得ていることが明らかになりました[17]。結果として、MISの導入は思う通りには進まなかったのです。

ITの性質や機能を考える際、「技術決定論」と呼ばれる視点がしばしば見られます[18]。これは、技術そのものが組織に直接適用されるという考え方です。しかし、MISの例など、多くの過去の事例は、技術決定論に基づく未来がなかなか訪れないことを示しています。

AIの導入に際しては、ブラックボックス化を避けるなどの多様な創意工夫が求められます。そうした工夫が、予期せぬ効果をもたらすこともありますし、開発者が当初想像していなかった方法でユーザーがシステムを利用することもあり得ます[19]。

例えば、社員のパフォーマンスを予測するAIが、本来は人材育成やキャリア開発のために使用される予定であったのにもかかわらず、昇進・昇格の判断材料として利用されることがあるかもしれません。

また、業務効率向上を目的として導入したAIにおいて、測定データが社員のストレスを反映していることが分かり、メンタルヘルス支援に使われるようになるケースも考えられます。

AIがいかに客観的で中立的に見えるとしても、その活用は人や組織の権力関係や政治的プロセスが埋め込まれています。異なる利害を持つ人によって、AIが政治的な手段として利用されることもあります。

これについては別のコラムで詳述したので[20]、ここではこれ以上述べませんが、AIが必ずしも機能通りに利用されるとは限らないことは、知っておくべきでしょう。人事領域においても、これは有効な知見となります。

脚注

[1] Perifanis, N.-A., and Kitsios, F. (2023). Investigating the Influence of Artificial Intelligence on Business Value in the Digital Era of Strategy: A Literature Review. Information, 14(2), 85.

[2] Frey, C. B., and Osborne, M. A. (2013). The future of employment: How susceptible are jobs to computerisation? OMS Working Papers September, 18. Oxford Martin School.

[3] この分析から10年以上が経過していますが、予測通りになったとは言いにくい面もあります。というのも、ITによる代替可能性の予測は機械学習研究者の主観的なデータに基づいており、ITの価格変動やITによって新しく生まれる職業が考慮されていなかったからです。

[4] Autor, D. H., Levy, F., and Murnane, R. J. (2003). The skill content of recent technological change: An empirical exploration. Quarterly Journal of Economics, 118(4), 1279-1333.

[5] De La Rica, S., and Gortazar, L. (2016). Differences in Job De-Routinization in OECD Countries: Evidence from PIAAC. IZA Discussion Paper No. 9736.

[6] 山本勲（2017）『労働経済学で考える人工知能と雇用』三菱経済研究所。

[7] 金谷義弘・カナヤヨシヒロ（2023）「生成AIと社会経済構造の変化：ChatGPTとOpenAI, Microsoft, Googleを中心に」『商経論叢』第74巻、45-72頁。

[8] 岩本晃一・田上悠太（2018）「人工知能AI等が雇用に与える影響：日本の実態」『RIETI Policy Discussion Paper Series』18-P-009。

[9] 下川詩乃・藤岡実紀・一山了・高屋葵・成清奈々子（2021）「AIを用いた健康経営を促す施策の検討」『人工知能学会全国大会論文集 第35回』一般社団法人人工知能学会。

[10] 仕事を通じた成長の科学：自ら成長する環境をつくるには（セミナーレポート）

[11] 株式会社デンソー｜人事データを活用した上司と部下面談の質向上

[12] 組織を変える・組織が変わる：組織変革の理論と実践（セミナーレポート）

[13] 組織変革を阻む「心理的障壁」の乗り越え方　～組織学習のプロセスや人間の心理から見る「6つのポイント」～

[14] Samuelson, W., and Zeckhauser, R. J. (1988). Status quo bias in decision making. Journal of Risk & Uncertainty, 1, 7-59.

[15] Milliken, F. J. (1987). Three types of perceived uncertainty about the environment: State, effect, and response uncertainty. Academy of Management Review, 12(1), 133-143.

[16] Woolgar, S., and Grint, K. (1991). Computers and the Transformation of Social Analysis. Science, Technology, and Human Values, 16(3), 368-378.

[17] Mintzberg, H. (1973). The Nature of Managerial Work. Harper & Row.

[18] Markus, M. L., and Robey, D. (1988). Information Technology and Organizational Change: Causal Structure in Theory and Research. Management Science, 34(5), 583-598.

[19] Orlikowski, W. J., and Hofman, J. D. (1997). An Improvisational Model for Change Management: The Case of Groupware Technologies. Sloan Management Review, Winter 1997.

[20] データは本当に客観的・中立的か：データ分析を再考する

---

執筆者

伊達 洋駆　株式会社ビジネスリサーチラボ 代表取締役
神戸大学大学院経営学研究科 博士前期課程修了。修士（経営学）。2009年にLLPビジネスリサーチラボ、2011年に株式会社ビジネスリサーチラボを創業。以降、組織・人事領域を中心に、民間企業を対象にした調査・コンサルティング事業を展開。研究知と実践知の両方を活用した「アカデミックリサーチ」をコンセプトに、組織サーベイや人事データ分析のサービスを提供している。著書に『60分でわかる！心理的安全性 超入門』（技術評論社）や『現場でよくある課題への処方箋 人と組織の行動科学』（すばる舎）、『越境学習入門 組織を強くする「冒険人材」の育て方』（共著；日本能率協会マネジメントセンター）などがある。2022年に「日本の人事部 HRアワード2022」書籍部門 最優秀賞を受賞。