人事のAI活用とは？業務別の活用領域マップと進め方

人事にAI（人工知能）を活用するとは、採用・評価・配置・労務・育成といった人事業務のうち、判断の基準がすでに規程や過去の運用で決まっている定型部分をAIに任せ、従業員の処遇や合否に関わる意思決定そのものは人が握るという業務の再設計を指します。この記事では、人事業務を採用・評価・配置・労務・育成の5つに分解し、それぞれで「AIに任せやすい範囲」と「人が判断を握るべき範囲」を整理した領域マップと、人事専任がいない規模の会社でも始められる着手順を、当社malna自身の社内実践を交えて解説します。

「人事×AI」で検索すると、大手企業の活用事例を10選・15選のようにまとめた記事が多く見つかります。事例を眺めるのは参考になりますが、実際に自社で着手しようとすると、事例よりも「うちの会社はどの業務から始めればいいのか」「どこまでAIに任せてよいのか」という判断基準の方が欲しくなるのではないでしょうか。この記事では事例の羅列ではなく、業務ごとの領域マップと着手の判断基準を中心に整理していきます。なお、各業務領域の詳しい実務論点（評価の訴訟リスク、採用選考の公平性、労務の法令対応など）は本記事では扱わず、それぞれ業務特化の記事で今後深掘りする予定です。まずは全体像をつかんでいただくための記事だとご理解ください。

なぜ今、人事業務でAI活用の検討が進んでいるのか

人事部門には、もともとAIとの相性が良い業務が多く含まれています。有給休暇の残数確認のように規程を見れば答えが決まっている問い合わせ、複数部署から集まる評価コメントやスキル情報の整理、勤怠データの集計など、正解の基準がすでに決まっている定型業務が多いためです。

一方で、人事は経理と比べてAI活用の実務がまだ広がりきっていない領域だと当社は感じています。経理であれば請求書処理や月次照合のように、フォーマットが明確で自動化の効果を測りやすい業務が先行しやすいのですが、人事は「評価」「配置」といった従業員本人に直接影響する意思決定を含むため、どこまでAIに任せてよいのか判断に迷いやすいという事情があります。加えて、人事部門は採用競争への対応や制度改定など、扱う業務の種類自体が増え続けている部門でもあります。だからこそ、業務を分解して「任せる部分」と「握る部分」を先に決めておくことが欠かせないと当社は考えています。

人事業務を5つに分解して考える

人事業務は一括りに語られがちですが、実際には性質の異なる複数の業務の集合体です。この記事では、人事業務を次の5つに分解して整理します。

• 採用：母集団形成、書類選考、面接調整、内定者対応
• 評価：評価コメントの収集・整理、目標設定支援、評価結果の集計
• 配置・異動：スキル・希望データの整理、異動案・配置案の検討、離職の兆候把握
• 労務：勤怠管理、給与計算、社会保険・労務手続き、労務相談対応
• 育成：研修設計、オンボーディング、スキル開発支援

この5つは互いに独立しているわけではなく、たとえば評価データは配置の検討材料になり、勤怠データは労務相談の背景情報になるという形でつながっています。ただ、AI活用を検討する際の「任せてよい範囲」の線引きは業務ごとに異なるため、まずはこの単位で分解して考えることをおすすめします。

「AIに任せる」「人が判断を握る」の領域マップ

5つの業務に共通する判断基準を整理すると、次の表のようになります。

この表に共通しているのは、「情報を整理する・下書きを作る」というAIの得意な作業と、「決定する・処遇に反映する」という人にしか担えない作業を分けている点です。人事業務でAI活用の検討が難しく感じられるとしたら、多くの場合この2つを分けずに「人事業務全体をAIに任せられるか」という単位で考えてしまっているケースだと当社は感じています。業務を分解し、表の左側（下書き・整理）から着手すれば、迷いは大きく減るはずです。

業務別に見るAI活用の範囲

先ほどの領域マップを、業務ごとに少し具体的に見ていきます。それぞれの業務の詳しい実務論点（法的リスク、選考の公平性、社労士確認の要否など）は、各業務に特化した記事で今後扱う予定です。ここでは全体像をつかむための概要に留めます。

採用

採用業務では、求人票やスカウト文面の下書き作成、応募書類の内容整理、面接日程の調整といった定型部分から着手しやすい領域です。一方で、書類選考の一次整理は実質的な足切り（合否判断の一部）になりうるため、学習データに起因する属性バイアス（性別・年齢・国籍など）が入り込まないよう注意が必要な領域でもあります。合否そのものの判断は人が担うべき部分だと当社は考えています。どこまでAIに任せてよいかを見極める基準としては、応募数の規模（数百件規模の書類選考であれば一次整理の効果が大きく、数十件程度であれば人による確認で十分な場合が多い）、職種の専門性（専門知識を要する職種ほど、AIによる一次整理の精度検証を厚くする必要がある）、選考段階（書類選考に近い工程ほど任せやすく、最終面接に近づくほど人の比重を上げる）の3点が目安になると当社は考えています。採用実務にAIをどこまで組み込み、外部人材をどう関わらせるかという観点は、自社の採用業務にAI活用を組み込むでも扱っています。

評価

評価業務では、評価コメントの要約や目標設定の下書き作成、複数部署の評価データの集計といった、判断の前段階にある整理作業がAIに任せやすい範囲です。一方で、評価点数の決定や処遇への反映そのものをAIに行わせることは避けるべきだと当社は考えています。評価は従業員の処遇に直結するため、公平性やブラックボックス化への懸念、場合によっては法的なリスクにも関わる領域です。任せてよい範囲を見極める基準としては、評価者一人当たりが担当する評価対象者の人数（人数が多いほど整理業務の負荷が大きく、AIの効果も出やすい）、評価基準・尺度の明文化の度合い（基準が曖昧なままAIに整理を任せると、評価者ごとの解釈のズレをAIがそのまま拾ってしまう）、扱うデータの性質（勤怠・目標達成率のような定量データは集計しやすいが、評価コメントのような定性データは要約の過程で意味が変わるリスクがあるため人による確認が欠かせない）の3点が挙げられます。この論点は評価特化の記事で正面から扱う予定です。

配置・異動

配置・異動の検討では、スキル・評価・異動希望といったデータを整理し、異動案・配置案の下書きを作るところまでがAIに任せやすい範囲です。ただし、最終的にどの部署にどの人を配置するかという決定は、組織事情や本人の事情を踏まえて人が握るべき部分です。離職予測のようなスコアリングも、本人に不利益な形で単独使用しないという前提が欠かせません。任せる範囲を判断する基準としては、対象となる人数の規模（数百人規模の全社異動であればデータ整理の下書き作成が特に有効）、スキル・評価データの整備状況（データが古い・不完全な状態でAIに整理を任せると誤った異動案が出やすい）、離職予測スコアを使う場合の説明可能性（本人や上司にスコアの根拠を説明できる設計になっているか）の3点が目安になります。

労務（勤怠・給与）

労務は、勤怠データの集計や給与計算のチェックといった、規程・計算式に基づく定型業務が多く、AIとの相性が比較的良い領域です。一方で、法改正への対応や個別事情を踏まえた労務相談への回答は、社会保険労務士など専門家の確認を前提に進めるべき領域だと当社は考えています。任せてよいかどうかは、業務の定型度（規程や計算式が明文化され、例外パターンが少ない業務ほど任せやすい）、例外対応の発生頻度（休職・育児休業・退職など個別事情を伴う対応が多い業務は人の比重を上げる）、法改正への追随の必要性（頻繁に制度が変わる領域は、AIの回答が最新でない可能性を前提に運用する）の3点で見極めることをおすすめします。

人材育成×AIをどう位置づけるか

人材育成の領域でも、他の業務と同じ「情報を整理する・下書きを作る」対「決定する」の区分がそのまま当てはまります。AIに任せやすい範囲としては、研修資料やオンボーディング資料の下書き作成、新入社員向けFAQの整理、評価・スキルデータから見えるスキルギャップの棚卸しなどが挙げられます。例えば、部署ごとに内容の異なるオンボーディング資料を一から作る代わりに、既存資料をベースにAIで部署特性に応じた下書きを作り、内容の正確性は育成担当が確認するという分担であれば、負荷を抑えながら着手できます。一方で、どのスキルを重点的に育成するかという方針そのものの決定、評価・配置とどう連動させるかという設計は、組織の事業方針や個々の事情を踏まえる必要があるため、人が担うべき部分です。なお、育成テーマそのもの（研修設計論、育成体系の作り方など）はすでに大手人材系メディアが手厚く解説している領域でもあり、本記事ではAI活用に関わる範囲に絞って扱っています。育成方針の決定や評価との紐付けは人が担うべき部分だという考え方は、これまで見てきた他の業務領域と変わりません。

従業員の個人情報をAIに入力する際の注意

ここまで紹介した業務は、いずれも従業員の氏名・給与・評価・健康状態といった個人情報を伴います。採用・評価・配置・労務・育成のどの業務でAI活用を検討する場合も、まずこの注意点を確認してから進めることを強くおすすめします。

運用ルールとしてのマスキング・匿名化

AIサービスに人事データを入力する際は、氏名や識別情報をマスキング・ダミー化する、あるいは個人が特定できない形に加工してから入力する、という運用ルールを整えることが最初の一歩です。例えば評価コメントの傾向を整理させる場合であれば、氏名を伏せて部署・等級などの属性だけを渡す、といった工夫が考えられます。

技術的な担保も合わせて確認する

ただし、運用ルールや従業員のモラルだけに頼るのは十分ではありません。利用しているAIサービスが法人向けプランであるか、入力データが学習に使われない設定（学習利用のオプトアウト）になっているか、ゼロデータリテンション（入力データを処理後に保持しない）オプションが提供されているかを、技術的な担保として確認することを強くおすすめします。これらの設定の有無は、サービス提供者が公開している利用規約やデータ処理に関する契約条項、セキュリティ・プライバシーに関するヘルプページのいずれかに明記されているのが通常です。個人向けの無料プランと法人向けプランでは取り扱いが異なる場合が多いため、現在契約しているプランがどちらに該当するかをまず確認してください。

従業員への周知も忘れない

マスキングや技術的な担保を整えたとしても、従業員が「自分の人事データがAIサービスに入力されている」ことを知らないまま運用を進めるのは望ましくないと当社は考えています。生成AIの利用可否を定めた社内ガイドラインの中に、人事データの取り扱い方針（どの業務でAIを使うか、匿名化の方法、利用しているサービスの種類）を明記し、従業員に周知しておくことをおすすめします。周知の有無は、後から評価や異動の根拠について説明を求められた場面での納得感にも関わってきます。

AIに入力してはいけない情報

具体的には、マイナンバー、健康診断結果や病歴といった要配慮個人情報、懲戒・処分の詳細、評価における具体的な指摘内容と実名の組み合わせといった情報は、マスキングや匿名化なしにAIサービスへそのまま入力すべきではないと当社は考えています。こうした情報を扱う必要がある場合は、氏名を伏せた形に加工する、あるいは学習利用オプトアウト等の技術的な担保が確認できているサービスに限定して利用するといった対応が必要です。

こうした個人情報の取り扱いに加えて、生成AIの利用可否・入力禁止情報を定めた社内ガイドラインをまだ整備していない場合は、業務のユースケースを広げる前にガイドラインの整備を先に進めることをおすすめします。ガイドラインの具体的な策定手順は生成AIの社内ガイドラインの作り方で扱っています。

なお、個人情報保護法との関係を含む法的な判断は本記事が扱う範囲を超えるため、断定的な記載は避けています。自社の運用が制度上の要件を満たしているかどうかは、弁護士など専門家に確認することをおすすめします。

人事専任がいない会社でも始められる着手順

情報システム部門や人事専任の担当者がいない規模の会社でも、次の順番で進めることで着手しやすくなります。

1. 業務を洗い出す：採用・評価・配置・労務・育成のうち、繰り返し発生している定型業務をリストアップする
2. 領域マップで仕分ける：前段の表を参考に、「AIに任せやすい」業務から着手する
3. 個人情報の取り扱いルールを先に確認する：前段の注意点を必ず先に確認し、社内ガイドラインの有無を確認する
4. 推進担当を決める：人事担当者全員がAIツールを操作する必要はない。仕組みを構築できる担当者を最低一人決める
5. 小さく試して成果物の形を決める：一次回答の下書き、集計レポートなど、現場が使いやすい形式を試しながら決める
6. 人が確認・決定する工程を残したまま運用を広げる：AIが作った下書き・整理結果を人が確認する工程を外さずに、対象業務を広げていく

この順番で進めることで、「評価にAIを使ったら公平性を問われた」「個人情報の取り扱いで後から問題になった」といった事態を避けやすくなると当社は考えています。特に3番目の確認を後回しにして着手範囲を広げてしまうケースが多いため、順番を入れ替えないことをおすすめします。

malnaが実際に進めている人事関連のAI活用

ここまでの内容が机上の整理で終わらないよう、当社malna自身の実践を紹介します。当社は社員十数名の規模で、専任の人事部門はありません。それでも、Claude Codeなどのエージェント型AIツールを使い、人事・労務に関わる一部の業務を自動化の仕組みに置き換えています。

例えば、採用候補者へのメッセージ下書きを作成する際に、応募状況や候補者の特性に応じたルールをAIに参照させる運用をしています。また、社内の面談・1on1の音声を文字起こしする仕組みを使い、議事録作成にかかっていた時間を減らしています。日程調整についても、社員同士の空き時間確認をAIに依頼して片付ける運用に切り替えています。いずれも、AIが下書きや整理結果を作り、最終的な判断・確認は人が行うという役割分担を崩さずに進めている点は、経理・総務の自動化と同じ考え方です。経理・総務のAI活用についてはバックオフィスのAI活用、総務特化の進め方については総務のAI導入は何から始めるかで扱っていますので、あわせてご参照ください。

よくある質問

Q. AIと人事の関係は？

A. 人事業務のうち、評価コメントの整理や書類の一次整理、勤怠データの集計といった定型業務をAIに任せ、合否・評価点数・異動といった従業員の処遇に直結する意思決定は人が握る、という関係性が基本になると当社は考えています。AIが人事の判断そのものを代替するという関係ではありません。

Q. AI人事のデメリットは何ですか？

A. 主なデメリットは、評価や合否の判断根拠が本人に説明しづらくなる「ブラックボックス化」、学習データに含まれる過去の傾向がそのまま反映されることによる属性バイアスの引き継ぎ、そして人事専任がいない会社では運用ルールの整備が後手に回りやすいことだと当社は考えています。AIに任せる範囲を「整理・下書き」に限定し、決定そのものを人が担う体制にしておくことで、これらのデメリットの多くは軽減できます。

Q. 人事評価においてAIは公平な視点ですか？

A. AI自体が公平性を保証してくれるわけではないと当社は考えています。評価コメントの要約や集計は評価者間の記述のブレを減らす効果が期待できますが、学習データや評価者が入力する情報に偏りがあれば、AIの出力にもその偏りが引き継がれます。公平性を高めるには、AIの出力をそのまま採用せず、評価者が根拠を確認したうえで最終判断を下すプロセスを残すことが欠かせません。

Q. 人事現場でAIをどのように活用すればよいのでしょうか？

A. まず自社の人事業務を採用・評価・配置・労務・育成に分解し、それぞれで「AIに任せやすい範囲」を洗い出すことから始めるのが現実的です。本記事の領域マップと着手順を参考に、影響範囲の小さい業務（問い合わせの一次回答、資料の下書き作成など）から試すことをおすすめします。

Q. AIに入力してはいけない情報は何ですか？

A. マイナンバー、健康診断結果や病歴といった要配慮個人情報、懲戒・処分の詳細、評価の具体的な指摘内容と実名の組み合わせは、マスキングや匿名化なしにそのまま入力すべきではないと当社は考えています。詳しくは前段の「従業員の個人情報をAIに入力する際の注意」をご確認ください。

Q. 人事専任の担当者がいない会社でも、人事のAI活用は進められますか？

A. 可能だと考えています。当社malna自身も専任の人事部門を持たない社員十数名の規模で、自動化の仕組みを構築できる推進担当を社内に一人置く形で進めています。全員がAIに詳しい必要はありません。

Q. 自社に合った進め方が分からない場合、どうすればよいですか？

A. 社内にAI活用を推進できる人材がいない場合は、社内育成と外部活用を組み合わせて進める選択肢もあります。外部のAI人材の活用についてはAI人材の業務委託活用ガイド、社内に任せられる人がいない場合の分岐点についてはAI導入を任せられる人がいない問題で扱っています。

さいごに

人事業務は、評価・配置・労務のように従業員本人への影響が大きい意思決定を含むため、経理・総務と比べてAI活用の線引きに迷いやすい領域です。ただし、業務を採用・評価・配置・労務・育成に分解し、「情報を整理する・下書きを作る」というAIの得意な部分と「決定する」という人にしか担えない部分を分けて考えれば、着手できる範囲は決して狭くありません。

当社malnaは、専任の人事部門を持たない中小企業でありながら、Claude Codeなどのエージェント型AIツールを活用し、採用・労務に関わる一部の業務を自動化の仕組みに置き換えてきました。この記事で紹介した領域マップと着手順が、自社の規模や体制にかかわらず「まず何から始めればいいか」を考えるきっかけになれば幸いです。人事担当者を評価する制度そのものではなく、AIを使いこなす業務委託人材の評価という逆向きのテーマについては業務委託のAI活用人材、稼働と成果をどう評価するかで扱っています。

「自社の場合、どの業務から始めればいいか具体的に相談したい」という方がいらっしゃいましたら、ぜひ当社までお気軽にご相談ください。AIを活用できる人材を外部から迎えたいという場合も、AI人材の業務委託活用ガイドやAI導入を任せられる人がいない問題でご紹介している内容が参考になるはずです。

malnaへのお問い合わせはこちら

自社のAI導入・AI活用について相談したい場合は、企業からのご相談もご検討ください。

最後までお読みいただき、ありがとうございました。