人事のAI活用事例と進め方｜採用・評価・労務の業務別に失敗例まで解説

人事は採用・育成・評価・労務のすべてでAIを使えますが、効果とリスクの度合いは業務ごとに大きく違います。社内規程の問い合わせ対応や求人票の下書きのように「判断を伴わない文章業務」から始め、書類選考の合否や人事評価のように「人の処遇を決める判断」は人が最終決定する設計を崩さないことが、現実的な進め方です。

人事のどの業務でAIを活用できる？採用・育成・評価・労務の事例は？

人事のAI活用は、採用・育成・評価・労務の4領域すべてで可能です。ただしリスクの度合いは「文章を作るだけか、人の処遇を左右するか」で大きく変わります。

生成AIやLLMが得意なのは、文章の作成・要約・分類と、社内文書を根拠にした回答です。一方で人事データは個人情報の塊で、採用の合否・評価・配置は本人のキャリアと生活に直結します。業務ごとの活用例とリスク水準を整理すると次の通りです。事例を読む前に、AXの全体像をAXとは？DXとの違いと5層の構成要素で確認できます。

採用と育成では、どんな使い方が成果につながりやすい？

成果が出やすいのは、求人票・スカウト文・面接質問の下書きのように、人が最後に手を入れる文章業務です。

採用担当者の工数の多くは、職種ごとの求人票の書き分け、スカウト文面の個別化、面接官向け評価シートの整備といった文章作業です。ここに生成AIを使っても、最終成果物は人がレビューするため誤りが本人の処遇に直結しにくく、効果も実感しやすい領域です。

育成では、Microsoft 365 CopilotやChatGPT Enterprise、Google Workspace の Gemini などの汎用ツールで、研修の事前課題・確認テスト・管理職向けの1on1ロールプレイの台本を作る使い方が考えられます。教材のたたき台を作る時間は減っても、自社の事例や言葉づかいに直す作業は残ります。この「直す作業」を工数見積もりに入れておかないと、期待した削減効果との差に失望しやすくなります。

評価と労務では、どこまでAIに任せられる？

評価と労務でAIに任せてよいのは、文章化と一次回答までです。評価の確定や懲戒・配置の判断は人が行う前提を崩さないでください。

人事評価では、評価者のメモを評価コメントの文章に整える用途が中心です。ここで注意したいのは、AIの整えた文章が実際より「良く」または「厳しく」読めてしまうことです。評価者本人が自分の判断と一致しているか確認する手順を、評価フローに組み込む必要があります。

労務の社内問い合わせ（「育休の申請期限は？」「慶弔休暇の日数は？」）では、就業規則や社内規程を検索元にしたRAG構成のAIエージェントがよく使われます。顧客対応と同じく、社内向けでも次の3点を設計時に決めておくことが判断基準になります。

1. 人への引き継ぎ条件：ハラスメント・メンタルヘルス・個別の処遇に関わる相談は、AIが回答せず人事の窓口へ回す
2. 回答の元データと更新責任者：規程改定のたびに、検索元の文書を誰が差し替えるかを明確にする
3. 対象外ユーザーへの代替手段：社用PCを持たない現場社員や、AIの利用を望まない社員のために、電話・対面の窓口を残す

職能別の活用全体像は部門別のAI活用事例、どの業務から着手するかの判断軸はAIユースケースの選び方で比較しています。

人事部門でAI活用を進める手順は？

人事のAI活用は、規程整備とデータ区分を先に済ませ、低リスク業務の小さな試行から段階的に広げる手順が基本です。

他部門と違うのは、最初に「どの人事データをAIに入れてよいか」を決めないと、試行すら安全に始められない点です。進め方を番号付きで示します。

1. データ区分を決める：氏名・評価・健康情報・応募書類など、人事データを「入力禁止／匿名化すれば可／入力可」に分類する
2. 利用目的を確認する：応募者・従業員に示している個人情報の利用目的に、AIによる分析が含まれるかを法務と確認する
3. 低リスク業務で試行する：求人票の下書きや規程の問い合わせ対応など、処遇に直結しない業務で1〜3か月試す
4. 効果と誤りを記録する：削減できた時間だけでなく、誤回答や修正にかかった手間も記録する
5. 中リスク業務へ広げる：書類要約や評価コメント支援へ広げる場合は、人の最終判断と記録の残し方を規程化する
6. 定期的に見直す：法改正・ツールの仕様変更・規程改定のたびに、データ区分と回答元の文書を更新する

最初に整えるべきルールとデータは何？

最初に決めるのは、人事データの入力可否の区分と、応募者・従業員に示している利用目的との整合性です。

全社向けの生成AI利用ガイドラインがあっても、人事データは一般の業務データより厳しい扱いが必要です。たとえば健康診断結果やストレスチェックの情報は、個人情報保護法上の要配慮個人情報にあたり得るうえ、厚生労働省の「労働者の心身の状態に関する情報の適正な取扱い指針」の対象でもあります。原則としてAIへの入力対象外とし、例外は個別に審査する運用が無難です。

また、利用するツールが入力データをモデルの学習に使わない設定か、データの保存場所・保存期間はどうかを、契約と管理画面の両方で確認しておきます。個人データの扱いは生成AIと個人情報の扱い方で詳しく扱っています。

試行から本格導入へ広げるときの判断基準は？

本格導入に進むかどうかは、削減時間だけでなく、誤りの発生率と修正の手間、利用者の受け止めで判断します。

人事のAI試行では、「便利だった」という定性的な感想だけで本格導入を決めがちです。しかし、たとえば規程問い合わせのAIエージェントが古い規程を根拠に回答していた場合、労務トラブルの火種になります。試行期間中に最低限そろえたい記録は次の通りです。

費用面の見積もりはAI導入費用の相場、ベンダー比較の観点はAIベンダーの選び方を参照してください。

採用や人事評価にAIを使うときの法規制とリスクは？

日本では職業安定法と個人情報保護法、海外ではEU AI規則や米ニューヨーク市の条例が、採用AIに直接関わる主な規制です。

採用・評価は、各国の規制で最も慎重な扱いを求められる領域の一つです。日本に拠点を置く企業でも、海外拠点での採用や、海外ベンダーのツール利用を通じて影響を受ける可能性があります。

日本の企業が押さえるべき法令とガイドラインは？

日本で押さえるべき柱は、職業安定法の求職者情報の規律と、個人情報保護法の利用目的の特定・通知です。

日本の実例として参考になるのが、2019年の「リクナビ」内定辞退率予測サービスの問題です。学生の閲覧履歴などから内定辞退の可能性を予測し企業に提供していた件で、個人情報保護委員会は運営会社への勧告と利用企業への指導を行い、厚生労働省も職業安定法に基づく行政指導を行いました。サービスの提供側だけでなく、データを受け取った利用企業も指導の対象になった点は、ツールを「使う側」の人事にとって重い教訓です。法令全体の整理はAI規制への対応にまとめています。

海外の規制や訴訟から読み取るべきリスクは？

海外では採用AIを高リスクと位置づける規制や訴訟が進んでおり、バイアス検証と人の関与の記録が実務上の焦点です。

• EU AI規則（Regulation (EU) 2024/1689）：採用・選考、昇進・解雇、業務の割り当て、成績のモニタリングに使うAIを、附属書IIIで「高リスク」に分類しています。職場での感情認識AIは、2025年2月2日から原則禁止です。高リスクAIの義務の適用開始は当初2026年8月とされていましたが、欧州委員会が延期を含む見直しを提案しており、最新の適用時期はEUR-Lexや欧州委員会の公式情報で確認が必要です。
• ニューヨーク市 Local Law 144：自動化された雇用判断ツール（AEDT）を使う雇用主に、年1回の独立したバイアス監査、監査結果の要約の公開、候補者への事前通知を求めています（2023年7月5日から執行）。
• 訴訟・報道：米国では、Workdayの応募者スクリーニングが年齢差別にあたると主張するMobley v. Workday訴訟で、2025年に集団訴訟としての手続きを進めることが認められたと報じられています。2018年には、Amazonが過去の採用データで学習した選考AIが女性に不利な評価をする傾向を示したため、利用をやめたとロイターが報じました。

これらに共通するのは、過去の人事データには過去の偏りが含まれており、それを学習・参照したAIは偏りを再生産しうるという点です。ベンダーが「バイアス対策済み」と説明していても、自社の応募者層で属性ごとの通過率に差が出ていないかを、導入企業側でも確認する体制が必要です。

人事のAI活用でよくある失敗と、AIが向かないケースは？

典型的な失敗は、処遇判断をAI任せにすることと、回答の元データを更新しないことです。少人数の判断や高度な感情的配慮が必要な場面はAIに向きません。

人事は「一度の失敗で信頼を大きく損なう」部門です。AI導入全般の失敗パターンはAI導入の失敗事例で扱っていますが、ここでは人事に特有のものに絞ります。

人事のAI導入で起きやすい失敗パターンは？

起きやすい失敗は、スコアの過信、古い規程を参照した誤回答、従業員への説明不足による不信感の3つです。

構造的につまずきやすいのは2つ目です。AIエージェントの構築はシステム部門、規程の改定は人事・労務と担当が分かれていると、改定時に検索元の文書が差し替えられないまま運用が続くおそれがあります。導入時のプロジェクトでは見落とされやすく、運用が始まってから表面化しがちです。対策として、Human-in-the-Loopの設計の考え方で「どこで人が確認するか」を業務フローに書き込んでおくことをおすすめします。

AIを使わないほうがよいのはどんな場面？

ハラスメント・メンタル不調の相談対応、退職勧奨や懲戒の判断、少人数データからの評価推定は、AIに向きません。

• ハラスメントやメンタルヘルスの相談：相談者は、内容よりも「誰が、どう受け止めてくれたか」を重く見ます。AIの一次対応がかえって相談をためらわせるおそれがあります。
• 懲戒・退職勧奨・降格の判断：個別事情の考慮と手続きの公正さが問われる場面で、判断根拠を説明しにくいAIの出力は使いづらいものです。
• 少人数の組織での評価推定：統計的な傾向をつかむにはデータが足りず、少数の事例に引きずられた結果になりやすくなります。
• 応募者に事前説明していないデータの分析：SNSの投稿や閲覧履歴など、応募者が想定していない情報の分析は、前述の職業安定法・個人情報保護法の観点から慎重であるべきです。

AIで効率化を図れる業務でも、「使わない」と決めた範囲を明文化しておくこと自体が、従業員の安心と制度への信頼を支えます。

企業規模や既存の人事システムによって進め方は変わる？

進め方は企業規模と既存の人事システムで変わります。中小企業は汎用の生成AIから、大企業はHRシステムのAI機能と全社ガバナンスの統合から始めるのが現実的です。

中小企業と大企業では、何から始めるべき？

中小企業は汎用の生成AIによる文章業務から始め、大企業はデータ区分と人事システム連携の設計から始めるのが基本です。

中小企業では、人事担当者が総務や経理を兼ねていることも多く、AI活用の効果は「担当者1人の残業時間」にはっきり表れます。反面、AIの出力を二重に確認する人手がないため、処遇に関わる業務への適用は慎重にすべきです。進め方の全体像は中小企業のAI導入で解説しています。

既存のHRシステムがある場合は、どう組み合わせる？

既存のHRシステムがある場合は、まずそのシステムが提供するAI機能の対象範囲とデータの扱いを確認し、不足部分だけを汎用ツールで補います。

タレントマネジメントシステムや採用管理システム（ATS）の多くは、AIによる要約・マッチング・分析機能の搭載を進めています。こうした機能は既存の人事データと権限管理の中で動くため、データを外部ツールに持ち出すより統制しやすいのが利点です。一方で、次の点はベンダーへの確認が欠かせません。

1. AI機能の提供状況（一般提供か、ベータ版・早期アクセスか）と、日本の契約で利用できるか
2. 入力データや人事データがモデルの学習に使われるか、使われない設定にできるか
3. マッチングやスコアの算出根拠をどこまで説明できるか、属性ごとの偏りを検証した資料があるか
4. 海外拠点で使う場合、EU AI規則などの規制に対するベンダーの対応方針

機能が十分でない場合は、汎用の生成AIやRAGで補完する構成になります。この場合、HRシステムからデータを書き出す運用が増えるほど情報漏えいのリスクが高まるため、書き出しの手順と権限を明確にしておきます。ツールごとの比較は法人向け生成AIツールの比較を参照してください。

人事のAI活用で問われるのは「AIをどこまで使えるか」より、「どこで人が判断し、その判断をどう説明するか」です。文章業務で小さく始め、データ区分・引き継ぎ条件・使わない領域を明文化しながら広げることが、従業員と応募者の信頼を損なわずに成果を積み上げる近道です。

姉妹メディアの関連記事