AI人材の採用はどう進める？求人要件・選考設計・定着策を実務解説

AI人材の採用はなぜ難しいのか？

AI人材の採用が難しいのは、役割定義の曖昧さ、評価者の不在、労働市場の需給逼迫という三点が重なるためです。

三つの要因はそれぞれ別の工程でつまずきを生みます。要件定義、選考、条件交渉のどこで止まりやすいかを先に整理しておくと、打ち手の順番が決めやすくなります。AXを担う人材を考える前提となる全体像は、AXとは？DXとの違いと5層の構成要素で整理しています。AX人材の全体像（定義・必要スキル）は、AX人材とは？DX人材との違い・必要スキル・育成と採用の進め方で整理しています。

「AI人材」という言葉が広すぎるとどうなるか

AI人材は研究者から業務設計者まで職務の幅が広く、一語で求人を出すと応募者と現場の期待が噛み合いません。

同じ「AI人材」でも、次の4者では求められる素養がほとんど重なりません。

• 機械学習モデルを自前で学習させるエンジニア
• OpenAIやAnthropicが提供する生成AI（LLM）のAPIを組み合わせて業務アプリを作るエンジニア
• RAG（検索拡張生成）の検索精度を評価する担当
• AIエージェントに任せる業務範囲を決める業務設計者

経済産業省とIPA（情報処理推進機構）が公開した「デジタルスキル標準」（2022年12月公開、2023年8月にver.1.1へ改訂）は、DX推進人材を5類型に整理しています。ビジネスアーキテクト、デザイナー、データサイエンティスト、ソフトウェアエンジニア、サイバーセキュリティの5つです。まずこの粒度まで割ってから求人票を書く、という順番が現実的です。

採用面談に同席していると、「AIができる人が欲しい」という依頼の中身が、実は「業務フローを描き直せる人が欲しい」だったケースが少なくない印象があります。要件定義の前に、依頼を一度言い換える価値は大きいはずです。言い換えるうちに、外部から採らなくても社内の配置転換で足りると分かることもあります。

採る側に評価できる人がいないと何が起きるか

選考側にAI実装の経験者が不在だと技術的な深さを見抜けず、資格や肩書きだけで合否を判断してしまいがちです。

日本ディープラーニング協会（JDLA）のG検定・E資格のような公的な指標は、基礎知識の担保として有効です。ただし、E資格を持っていることが、そのまま本番環境でLLMアプリを運用できることを意味するわけではありません。同じように、Pythonの使用経験という記述だけでは、分析用のスクリプトを書いた経験と、推論APIを本番運用した経験を区別できません。何を見て何を見ないかを評価者側で事前に決めておく作業が、選考設計の実質的な出発点になります。

社内に評価できる人がいなければ、初期の技術面接に外部の実務者を同席させ、その場で評価観点を文書化してしまうのが手早い方法です。1回の面接で評価シートの原型が残れば、次回以降は自社だけで回せるようになります。

需給の逼迫で報酬レンジはどうずれるか

AI人材は事業会社・コンサル・スタートアップが同一人材を取り合うため、既存の給与テーブルに収まりません。

社内の等級制度に無理に押し込むと、内定辞退か入社後の不公平感のどちらかが表面化します。専門職コースの新設や、有期の高度専門職契約といった器を先に用意しておけば、選考の途中で条件交渉が止まる事故を防げます。器の設計は人事制度の変更を伴います。求人票の作成と並行して着手しておかないと、良い候補者が現れた時点では間に合いません。

AI人材の求人要件はどう定義する？

求人要件は職種名から作らず、解きたい業務課題と最初の1年で出す成果物から必要スキルを逆算して定義します。

最初に「誰が何を作るか」をどう分解するか

最初の1年で出す成果物を3つまで書き出すと、必要な技術スタックと経験年数がおのずと絞り込まれます。

たとえば「社内文書を対象としたRAG検索の内製立ち上げ」で必要なのは、埋め込みモデルの選定、チャンク設計、評価データセット作成の経験です。深層学習モデルを新規に設計した経験は必須ではありません。逆に「需要予測モデルの精度改善」なら、データサイエンティスト寄りの統計的素養が中心になります。成果物の書き出しは現場リードが担い、人事がその記述を求人票の語彙に翻訳する、という分担が実務的です。

デジタルスキル標準を共通言語にするには？

社外の標準を評価軸に据えると、事業部門と人事の間で「優秀さ」の解釈がぶれにくくなります。

デジタルスキル標準は、役割ごとに必要なスキル項目とレベルを示しています。そのため、求人票、評価シート、入社後の育成計画を同じ語彙でつなげられます。自社独自の言葉だけで運用すると、採用・配置・評価がそれぞれ別の基準で動き始めます。標準の5類型をそのまま使う必要はありません。自社の役割名と標準の類型を対応させた1枚の対照表があれば、社内の合意形成には十分です。

必須要件と歓迎要件はどう切り分けるか

必須要件は3項目以内に絞り、それ以外は歓迎要件に回すと、応募母集団を不必要に狭めずに済みます。

必須要件を7項目並べた求人票は、実質的に「該当者ゼロ」の宣言になりがちです。特に「AI関連の実務経験5年以上」のような条件は、母集団の設計として成り立ちません。生成AIの本格的な業務利用が広がったのは2023年以降だからです。年数の代わりに成果物の種類と担当範囲で条件を書くほうが、実態に合った絞り込みになります。

AI人材の選考プロセスはどう設計する？

選考は経歴の確認ではなく、実際の業務に近い課題で判断の筋道と設計力を見る設計に置き換えるのが要点です。

実務課題では何を見ればよいか

コーディングテストの正答よりも、曖昧な要件をどう問い直すかを見るほうが予測妥当性は高くなります。

生成AIの活用が前提の職務では、コードを書く速度そのものの差は縮まっています。後から教えにくいのは、むしろ次のような設計判断です。

• その課題は本当にAIで解くべきか
• 評価指標をどう決めるか
• ハルシネーションが業務に与える影響をどう抑えるか

課題には自社の実データを模した匿名サンプルを使い、持ち帰り時間は2〜4時間程度に収めます。そうすると、応募者の負担と得られる情報量のバランスが取りやすくなります。

面接官の評価をどうそろえるか

面接官ごとに評価軸が違うと合否が相性に左右され、選考の再現性と説明可能性が失われます。

評価シートには、5段階のスコアに加えて、根拠となった発言を1行で書く欄を設けるのが実務的です。振り返り会で「同じ回答を高評価と低評価に分けた理由」を突き合わせると、社内の基準そのものが更新されていきます。この突き合わせを数回繰り返した組織では、面接官が交代しても評価のばらつきが小さくなる手応えがあります。

オファーまでの日数はどう縮めるか

競合と並行して選考が進む前提では、初回接触からオファーまでの日数短縮が意思決定を左右します。

面接日程の調整に2週間かかる体制のままでは、要件をどれだけ精緻にしても候補者を取り逃がします。選考フローの設計と同じ重みで、社内の日程調整権限を現場リードに委ねる運用を整えておく必要があります。オファー金額の決裁ラインも事前に確認しておきましょう。レンジ内なら役員会を待たずに提示できる状態にしておくと、日数の圧縮に直結します。

AI人材は採用と育成のどちらを選ぶ？

判断軸は必要な時期、スキルの希少性、業務知識の再現性の三つで、多くの企業は採用と育成の併用が現実解です。

三つの軸でどう切り分けるか

業務知識の比重が大きい役割は育成が有利で、技術的希少性が高い役割は外部採用のほうが速く立ち上がります。

業務設計の役割では、自社の商流や現場のルールを理解していることが成果の前提になるため、外部から採ると立ち上がりに時間がかかります。一方、MLOps基盤の構築のように技術が汎用的で、社内に経験者もいない領域では、採用や外部活用のほうが立ち上げが速い傾向があります。

併用時の役割分担はどう決めるか

併用する場合は、採用枠と育成枠の担当領域を先に線引きし、重複と空白の両方を防ぐ設計が必要です。

線引きがないまま両方を走らせると、採用した人材と育成中の社員が同じ案件で重なります。その結果、育成側が補助作業に回り、スキルが伸びない状態になりがちです。基盤構築と評価環境の整備は採用枠、業務側の要件定義と現場展開は育成枠というように成果物単位で割り当てておけば、同じ案件の中でも分担できます。

外部活用で社内に知識を残すには？

委託や副業では、成果物だけでなく設計判断の記録を残す条件を明記しないと、社内に何も残りません。

初期契約に次の条項を含めるかどうかで、1年後の内製化の余地が変わります。

• ドキュメントの提出
• 社内メンバーとのペア作業
• 評価データセットの帰属

ここを曖昧にしたまま複数年契約に入り、AIの運用が実質的に外部依存になっている状態は珍しくないように見えます。

採用したAI人材を定着させるには？

定着の鍵は入社直後の役割の明確さ、専門性を評価できる制度、そして孤立させない配置の三点にあります。

入社90日の立ち上がりはどう設計するか

最初の90日で何を誰とどこまでやるかを事前に決めると、期待値のずれによる早期離職を抑えられます。

AI人材の早期離職理由としてよく挙がるのは、報酬よりも「データにアクセスできない」「意思決定に関与できない」といった環境の問題です。入社初週にデータ基盤・権限・関係部署の窓口を揃えておくことは、地味ですが効果の大きい準備だと感じます。

このように段階を置くと、本人も周囲も進捗を共有しやすくなります。

専門性を評価できる制度とは何か

管理職への昇進しか報われない制度では、専門職として入った人材の中期的な行き先がなくなります。

専門職グレードの新設、社外発表や論文執筆を業務時間内に認めること、計算資源の利用枠といった要素は、報酬額と同じくらい効きます。前提として、マネジメントラインとエキスパートラインを分け、それぞれの昇格要件を明示しておく必要があります。昇格要件には、モデル精度のような技術指標だけでなく、業務側の成果への接続も含めておきましょう。そうすると事業部門からの評価も得やすくなります。

一人配置を避け、ガバナンスとどう接続するか

AI人材を1人だけ配置すると技術判断が属人化し、品質と定着の双方に影響が及びます。

2〜3名の小さなチームとして立ち上げるか、他部門の担当者を含む横断コミュニティに接続するのが現実的です。あわせて、外部規範を踏まえた社内ルールを整えておくと、現場が判断に迷って手が止まる場面を減らせます。外部規範としては、経済産業省・総務省が2024年4月に公表した「AI事業者ガイドライン第1.0版」や、2024年8月に発効したEUのAI法（AI Act）があります。DXの文脈で情報システム部門に閉じていた体制を、事業部門・法務・セキュリティを含む運用体制へ広げること。AX推進では、これが採用と同じくらい重要な工程になります。

採用は入口であって、成果はその後の配置と制度で決まります。求人票を書き始める前に、最初の1年で出す成果物を3つ書き出してください。それだけで、要件・選考・受け入れの設計はかなり具体的になります。

姉妹メディアの関連記事