離職予測 AI は、離職の兆候を見つけて話す機会を作る仕組み
離職予測 AI の出力は「この人は辞める」という判定ではなく、過去に辞めた人と似た傾向がどの程度あるかを示す確率やリスクの区分です。使い道は、兆候が出ている部署や社員に早めに話を聞く機会を作ることに限られます。
離職そのものは珍しい出来事ではありません。2025年の1年間の離職率は13.7%で、一般労働者に限ると11.4%でした(厚生労働省「令和7(2025)年雇用動向調査結果の概況」2026年8月31日公表)。
年初にいた常用労働者の1割強に相当する人数が、1年のうちに離職している計算です。離職予測 AI は離職をゼロにする道具ではなく、防げたかもしれない離職に早く気づくための道具として位置づけるのが現実的でしょう。
人事の業務を10の領域に分けると、離職予兆の検知は組織開発の領域に入ります。どの領域から AI を入れるかの順番と、人に残す判断の分け方は、人事10領域で AI を入れる順番を整理した記事にまとめています。
個人の離職や辞退を予測するサービスには、行政の勧告と指導を受けた前例があるので注意が必要です。2019年、就職情報サイトの閲覧履歴等を基に学生が内定を辞退する確率を算出し、企業へ提供していたサービスが、運営会社への勧告の対象になったのがその例です。本人の同意なく第三者提供が行われた人数は26,060人に上り、サービスを利用していた企業にも、利用目的の通知・公表等を適切に行うよう指導が出ています(個人情報保護委員会「個人情報の保護に関する法律に基づく行政上の対応について」2019年12月4日)。
この件は採用前の学生が対象でしたが、予測を受け取って使う側の企業も指導を受けた点は、社員の離職予測を入れる会社にもそのまま関係する話です。仕組みを作ったのが外部の会社でも、目的を示して本人に説明する責任は使う会社に残ります。
決めること1: 使ってよいデータを、利用目的から逆算して決める
使ってよいデータは、「面談の機会を作る」という目的に必要で、なおかつ社員が自分のデータの使われ方を予測できる範囲に絞ります。
本人から得た情報から本人に関する行動・関心等の情報を分析する場合は、どのような取扱いが行われているかを本人が予測・想定できる程度に、利用目的を特定しなければならないとされています。例として挙がっているのは、行動履歴等の情報を分析して信用スコアを算出し、第三者へ提供する旨を示す書き方です(個人情報保護委員会「個人情報の保護に関する法律についてのガイドライン(通則編)」2026年6月一部改正)。
離職予測でも、勤怠やサーベイを分析して離職の兆候を把握し、面談などの機会を設けるために使うことを、社員向けの利用目的に書いておく必要があります。データごとの扱いは、次のように分けると判断しやすくなります。
| データ |
扱い |
理由 |
| 勤怠(残業時間・休暇の取得・遅刻の推移) |
使う |
業務量の変化を表し、面談で話す材料にもなる |
| 在籍年数・異動の履歴・上長の交代 |
使う |
職場環境の変化を表す |
| エンゲージメントサーベイの回答 |
回答時に目的を示した場合だけ使う |
匿名と説明して集めた回答を個人に結び付けると、説明と食い違う |
| 評価の推移 |
使うなら見る人を限る |
予測の結果が次の評価に逆流しないよう、仕組みを分ける |
| 健康診断・ストレスチェックの結果 |
使わない |
要配慮個人情報で、健康管理の目的で受け取った結果を離職予測に使うには本人の同意が要る。ストレスチェックの結果は本人の同意なく事業者に渡らない |
| 性別・年齢・国籍などの属性 |
入力に入れない |
属性による偏りを生む |
| 業務チャットの本文・私的な SNS |
使わない |
社員が予測できる使い方を超える |
健康に関する情報は、目的が離職の防止であっても混ぜない設計が前提です。要配慮個人情報は、法律が定める場合を除き、あらかじめ本人の同意を得ないで取得してはならないと定められています。取得した後も、特定した利用目的の達成に必要な範囲を超えて扱うときは、あらかじめ本人の同意が必要です(「個人情報の保護に関する法律」第20条第2項・第18条第1項)。
ストレスチェックの結果も同じで、検査を行った医師等は、本人の同意を得ないで結果を事業者に提供してはならないとされています(「労働安全衛生法」第66条の10第2項)。人事の手元に無いデータを、離職予測のために取り寄せる設計にはしないことです。
属性を入力から外しても、偏りが消えるわけではない点にも注意が必要です。人種や性別等の明らかなセンシティブ属性を取り除いたデータでも、関連する情報からその属性が類推されてしまう場合は、潜在的なバイアスの例として挙げられています(総務省・経済産業省「AI事業者ガイドライン(第1.2版)」2026年3月31日)。
例えば、短時間勤務の利用や休暇の取り方が特定の性別や年代と強く結び付いていると、属性を入れなくても予測が属性に引きずられます。この点は、作った後に決めること5の方法で確かめる対象です。生成 AI に人事データを入れるときの個人情報保護法上の論点は、生成AIに個人情報を入れてよいかを整理した記事で扱っています。
決めること2: 予測は個人名より先に、組織の単位で見せる
予測の見せ方は、まず部署やチームの単位で傾向を見せ、個人名を出すのは見る人と使い道を絞れたときだけにします。
見せ方ごとに、得るものと気をつけることは次のとおりです。
| 見せ方 |
得るもの |
気をつけること |
| 組織の単位(部署ごとの傾向) |
業務量や管理の課題を部署ごとに見つけられる。個人が特定されにくい |
誰に話を聞くかは、人が別に決める |
| 個人の単位で、人事の担当者だけが見る |
面談の対象を早く決められる |
見る人の範囲と記録の残し方を規程に書く |
| 個人の単位で、上長も見る |
現場ですぐに動ける |
上長の見方が予測に引きずられやすい |
上長に個人の予測を見せる形を最後に回すのは、人の判断が AI の出力に寄りかかるおそれがあるためです。AI の出力結果が公平性を欠くことのないよう、AI に単独で判断させるだけでなく適切なタイミングで人間の判断を介在させる利用を検討し、その際には人間の判断が自動化バイアスに左右されない対策を講じるべきとされています(総務省・経済産業省「AI事業者ガイドライン(第1.2版)」2026年3月31日)。
自動化バイアスは、機械の出した答えを人が必要以上に信じてしまう傾向のことです。「リスクが高い」と表示された部下に、上長が無意識に重要な仕事を任せなくなれば、それ自体が離職の理由を作ることになりかねない、という点が問題です。
海外では、社員を評価・監視する AI そのものを規制の対象にする動きもあります。欧州では、昇進や契約の終了に影響する決定、仕事上の業績や行動の監視と評価に使う AI システムが、高リスクに分類されています(EU「Regulation (EU) 2024/1689(AI Act)」Annex III・2024年6月13日)。
欧州に拠点や社員がある会社は、離職予測の仕組みが対象に該当するかを法務と確かめておくと安全です。規制の全体像は EU AI 規則の用語ページで説明しています。
決めること3: 予測を見た後の動きを、面談と支援に限る
予測を見た後にとってよい動きは、面談の機会を作る、業務量を見直す、異動やキャリアの希望を聞くといった、本人を支える動きに限ります。
反対に、予測を評価・昇格・賞与・配置の判断材料にすること、退職を勧めるきっかけにすること、重要な仕事から外す理由にすることは、規程で禁止しておくのが前提です。予測が示すのは過去に辞めた人との似かただけで、その人が何に困っているかまでは分かりません。
処遇の判断に AI の出力を持ち込むと、偏りがそのまま人の処遇に移ります。偏りがどこから生まれるかは AI バイアスの用語ページが詳しく、使い道を面談に限る理由もそこから読み取れるはずです。
運用の前に決めておくのは次の3つです。
- 予測をきっかけにした面談で何を聞くかのひな型(業務量・人間関係・キャリアの希望など)
- 予測を見た人、とった動き、その後の結果の記録の残し方
- 予測が外れていたと分かったときに、予測の結果をいつまで保存し、いつ消すか
記録を残すのは、後から「予測を処遇に使っていない」と説明できるようにするためです。AI の出力と人の判断を分けて残しておけば、社員から問い合わせや異議があったときにも答えられます。
Offers AX は、人に残す判断を先に決めてから離職予兆の検知を作る
Offers AX は、人事の業務を10領域・111の課題に分解し、その中に離職予兆の検知を含めています。AI の出力は下書きや参考情報として扱い、事実の認定・合否・処遇は人が判断する前提で設計します。決めること1〜3で書いた使い道の制限は、作り始める前に規程の言葉にしておく項目です。
着手の前には、業務ルール・システム基盤・組織力学・意思決定・法務と統制・人とスキルの6領域を5つの段階で確かめ、平均ではなく最も低い領域から手を付けます。離職予測なら、使ってよいデータの規程や社員への説明文書が無いまま AI を作り始めないよう、法務と統制の準備を先に進める順番です。
仕組みは原則としてお客様の環境に構築し、当社の環境に顧客のデータを保持しません。数週間で動くプロトタイプを作って実際の業務で確かめてから本実装へ進み、効果は実測した数字で続けるかを判断する設計です。
進め方は Offers AX のサービスページで公開しています。自社の人事データで離職の兆候をどこまで扱えるかを一緒に整理したい場合は、1時間の無料相談を申し込むからご連絡ください。
決めること4: 本人への説明は、導入前に文書で示す
本人への説明は導入前に行い、使うデータ・目的・使わない用途・見る人・問い合わせ先の5つを文書にして示すのが基本です。
内定辞退率の件では、運営会社に対し、本人が同意に係る判断を行うために必要と考えられる合理的かつ適切な範囲の内容を明確に示すよう指導が出ました。当時のプライバシーポリシーは、第三者提供に係る説明が明確であるとは認め難いとされています(個人情報保護委員会「個人情報の保護に関する法律第42条第1項の規定に基づく勧告等について」2019年8月26日)。
これは第三者提供の同意を求める場面での指導ですが、本人が判断できる中身を明確に示すという考え方は、社員への説明にもそのまま持ち出せるものです。規程の片隅に一文を足しただけでは、説明したことにはなりません。
社員向けの説明文書に入れる内容は、次のとおりです。
- 何のデータを分析するか(勤怠・在籍年数・異動の履歴など、項目の名前で書く)
- 何のために使うか(面談や業務の見直しの機会を作るため)
- 何に使わないか(評価・昇格・賞与・配置の判断には使わない)
- 誰が見るか(人事の担当者の範囲、上長に見せるかどうか)
- 問い合わせと異議の窓口
予測の理由をどこまで示せるかも、説明の質を左右する要素です。どの要因が予測を押し上げたかを人が読める形で出せる仕組みにしておけば、面談の場でも「残業が3か月続けて増えている」のような事実から話を始められます。
仕組みの考え方は説明可能な AI の用語ページが参考になるでしょう。労働組合や従業員の代表と導入前に話し合う場を設けておくと、社員が抱く懸念を運用の前に拾えます。
決めること5: 精度は、過去のデータと集団ごとの偏りで確かめる
精度はベンダーが示す数字で判断せず、自社の過去のデータで確かめます。見るのは全体の合い方と、部署や属性の集団ごとの偏りの2つです。
確かめ方の基本は、過去のある時点に戻って予測を出し、その後の1年で実際に辞めたかと照らし合わせる方法です。その際、次の2つの割合を分けて見ます。
- 予測で「高い」とした人のうち、実際に辞めた人の割合(適合率)
- 実際に辞めた人のうち、予測が「高い」と拾えていた人の割合(再現率)
適合率が低いと、辞めるつもりのない社員に面談が集中します。再現率が低ければ、本当に話を聞くべき人を取りこぼすことになります。どちらを重く見るかは、面談に割ける人手と、取りこぼしたときの重さで決めましょう。
次に、部署・年代・性別・雇用形態などの集団ごとに、「高い」とされる人の割合や外れ方が大きく違わないかを確かめます。バイアスを生み出す要因はアルゴリズム・学習データ・AI モデルの学習過程などの技術要素や、AI 利用者の振る舞いを含めて多岐にわたるため、公平性の問題となりうるバイアスの要因となるポイントを特定することが求められています(総務省・経済産業省「AI事業者ガイドライン(第1.2版)」2026年3月31日)。
属性は予測の入力には入れず、確かめるためだけに使うのが原則です。入力から外した属性で結果を分けて比べると、決めること1で触れた、関連する情報から属性が類推される偏りを見つけられます。
予測は作った時点で最もよく合い、時間がたつとずれていきます。組織の改編や人事制度の変更があると、過去のデータの傾向が当てはまらなくなるためです。半年に1度などの見直しの時期と、偏りが見つかったときに使うのを止める条件を、最初に決めておきます。ずれが起きる理由と見張り方はモデルドリフトの用語ページで説明しています。
最初の3か月は、組織の単位の試行から始める
最初の3か月は組織の単位で傾向を見る試行に絞り、面談につながったかを数えてから、個人の単位へ広げるかを決めます。
- 1か月目: 5つの決めごとを文書にし、社員への説明と利用目的の更新を済ませる。使うデータの項目を確定する
- 2か月目: 過去のデータで適合率・再現率と集団ごとの偏りを確かめ、部署ごとの傾向を人事の担当者だけで見る
- 3か月目: 傾向をきっかけに行った面談と業務の見直しの件数、その後の離職の有無を記録し、続けるか、直すか、やめるかを決める
予測の数字が良くても、面談に結び付かなければ入れた意味は薄くなります。続けるかどうかは予測の合い方よりも、話を聞く機会が増えたか、手を打てた離職があったかで判断するのがよいでしょう。
うまくいかない場合もあります。過去の離職者が少ない部署では傾向をつかめず、予測が安定しません。その部署は予測の対象から外し、定期の面談やサーベイで状況をつかむ方法を続けるのが無理のない選択です。人事を起点にした AX の記事は人事 AX のカテゴリにまとめています。