メディア
人事AX

人事評価・労務の AI 活用|人事10領域で AI を入れる順番と、人に残す判断の分け方

公開
執筆者: Offers AX 編集部・編集部

人事評価と労務の AI 活用は、集計・照合・下書き・要約を AI に任せ、等級・処遇・懲戒のように人の処遇を決める判断を人に残す分け方で進めると、現場の合意を得やすく、途中で止まりにくくなります。

人事の業務を10の領域に分けると、最初に AI を入れる場所は「効果が大きい」「データが手元にそろっている」「判断を人に残しやすい」の3つを満たす作業から選べます。評価と労務はどちらも毎月・毎期の集計と照合が多く、この3つを満たす作業が見つかりやすい領域です。

全社の AX(AI を前提に業務を組み替える取り組み)を人事から始める会社にとって、人事は全社員のデータと手続きを持つ部署です。人事で作った「任せる作業と残す判断」の分け方は、経理や営業の業務にもそのまま持ち出せます。人事を起点にする考え方は、人事 AX の用語ページも参照してください。

O
執筆者

編集部

Offers AX 編集部

株式会社overflow が運営する Offers AX の編集部です。全社の AI 導入(AX)を支援する現場の知見をもとに記事を制作しています。

この執筆者の詳細・記事一覧 →

人事の業務は10領域に分けると、AI を入れる場所が見える

人事の業務は、採用・労務・評価・育成・組織開発・人事企画・報酬・コンプライアンス・配置・退職の10領域に分けると、どこに AI を入れられるかが一覧で見えます。

Offers AX は人事の業務を10領域・111の課題に分解し、着手順を決める材料にしています。領域ごとの課題数と、AI に任せやすい作業の例は次のとおりで、退職・アルムナイの作業例だけは編集部が補ったものです。

領域 課題数 AI に任せやすい作業の例
採用 22 採用要件の定義、スカウト文面の一括生成、面接評価レポートの即時化
労務 14 就業規則の Q&A、36協定の超過検知、各種申請の一次確認
評価 12 目標設定の添削、評価データの点検、グループ共通の評価基準の整備
育成・研修 11 実案件に伴走するリスキリング、研修効果の測定
組織開発 10 サーベイ自由記述の分析、離職予兆の検知、1on1 の記録化
人事企画 10 人的資本開示の指標収集、人事データの統合と分析
報酬・等級 9 給与計算の検証、原資のシミュレーション、市場水準の把握
コンプライアンス 9 機密事案を社外に出さない処理、過去事案の検索、法改正への規程の追従
配置・異動 8 社員データの統合、社内の候補者の検索、処遇の類似ケースの提示
退職・アルムナイ 6 退職手続きの書類点検、退職面談の記録の要約

課題の数が多いのは採用・労務・評価の3領域で、合わせて48課題と全体の4割強を占めます。

このうち採用は、求人や候補者とのやりとりが中心で、ツールの選び方は人事担当者の実務の話になりがちです。全社の AX の起点として考えるなら、社員全員が関わる評価と労務のほうが、作った仕組みをほかの部門へ広げやすいでしょう。

表に並ぶ作業の多くは、「集計する」「照合する」「検知する」「検索する」「下書きを作る」「要約する」のように、データを扱って人の判断の材料をそろえる作業です。反対に、「等級を決める」「処分を決める」という作業が表のどこにも無いのが特徴です。AI に任せる範囲を作業の動詞で切り分けておくと、社内で説明するときにも誤解が生まれにくくなります。

着手順は「効果の大きさ」と「難しさ」の2軸で決める

着手順は、効果が大きく難しさが低い作業から始め、効果が大きく難しさが高い作業は、前提になる関門を先に解いてから入ると決めておくと迷いません。

ここでいう難しさは、AI の技術の難しさとは別物です。本番で動かすまでに越える関門の重さのことで、人事では主に次の4つが関門になります。

  • データが複数のシステムや紙に散らばっていて、社員単位で名寄せできない
  • 判断の基準が担当者の頭の中にあり、文章になっていない
  • 健康情報や懲戒の記録のように、扱いに法令上の制約がある情報を使う
  • 出力が、評語・給与・処分といった人の処遇に直結する

この4つを基準に10領域を並べたのが次の表です。編集部の整理で、データのそろい方によって会社ごとに位置は変わります。

領域 効果の大きさ 難しさ 難しさの主な理由 最初に入れやすい作業
労務 大 低〜中 勤怠・申請のデータはそろっていることが多い。健康情報は扱いに制約がある 36協定の超過検知、申請の一次確認
評価 大 中 評価データはあるが、基準の言葉が部門ごとに違う 評価データの点検、目標設定の添削
採用 大 低〜中 文面と記録の作業が多い。合否は人が決める 面接記録からのレポートの下書き
育成・研修 中 低 処遇に直結しにくい 研修アンケートの要約
組織開発 中 中 自由記述は回答者が特定されない扱いが要る サーベイ自由記述の分類
人事企画 大 高 複数システムのデータ統合が前提になる 開示指標の定義と収集元の棚卸し
報酬・等級 大 高 給与データの機密性が高く、処遇に直結する 給与計算結果の検証
コンプライアンス 大 高 懲戒や通報の情報は社外に出せない 過去事案の検索
配置・異動 中 高 社員データの統合が前提になる 社員データの項目の棚卸し
退職・アルムナイ 小 中 退職理由に機微な情報が含まれる 退職手続きの書類点検

表の読み方は単純で、効果が大きく難しさが低い労務・評価・採用から1つを選び、3か月ほどで実測の数字を出します。人事企画・報酬・配置のように効果が大きく難しさが高い領域では、AI を作る前に社員データの統合という関門を先に解くのが近道です。

難しさは固定された値ではありません。社員データの統合が済むと、人事企画の指標収集、配置の候補者検索、報酬の検証のように同じデータを使う作業がまとめて動かせるようになります。

関門の重さを測るときは、平均点より最も低いところを見ます。Offers AX 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「存在しない」から「AI Ready」までの5段階で確かめ、最も低い領域から手を付けます。例えば判断の結果や理由を記録する運用がそもそも無い状態なら、AI を作る前に記録の形式をそろえる作業が最初の一手です。

10領域・111課題の分解と6領域の段階チェックで着手順を決める進め方は、Offers AX のサービスページで公開しています。自社の人事のどこから入れるかを一緒に決めたい場合は、1時間の無料相談を申し込むからご連絡ください。

評価は、点検と下書きを AI に任せ、評語と等級を人に残す

人事評価の AI 活用では、評価データの点検・目標の添削・コメントの下書き・会議資料の集計を AI に任せ、評語・等級・昇降格を決める判断を人に残します。

業務 AI に任せる作業 人に残す判断
目標設定 目標の文を添削し、等級の期待水準とのずれを指摘する 目標の水準を承認する
期中の記録 1on1 の記録を要約し、成果と行動の事実を時系列に並べる どの事実を評価の根拠にするかを決める
評価データの点検 未入力、評語とコメントの食い違い、評価者ごとの分布の偏りを洗い出す 偏りを直すかどうか、どう直すかを決める
評価コメント 評価者のメモからフィードバック文の下書きを作る 本人に伝える内容と伝え方を決める
評価調整会議 部門別の分布や前期との比較の資料を集計する 最終の評語と等級を決める
昇格・降格 昇格要件を満たすかを、規程と評価履歴に照らして確かめる 昇格・降格を決める

右の列を人に残す理由は、公的な指針にも書かれています。AI事業者ガイドラインは公平性の項目で、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たうえで、潜在的なバイアス等に留意するよう求めています(総務省・経済産業省「AI事業者ガイドライン(第1.2版)概要」2026年3月31日公表)。

同じガイドラインはアカウンタビリティの項目で、関係する情報を文書化して一定期間保管し、必要なときに参照できる状態にしておくことも挙げています。評価に AI を使うなら、AI が何を指摘し、人がそれを採用したか見送ったかを記録に残しておきましょう。評価に異議が出たときに、AI の出力と人の決定を分けて説明できます。

海外では、評価に使う AI そのものを規制の対象にする動きがあります。EU の AI 規則は、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 システムを高リスクの区分に挙げています(EU「Regulation (EU) 2024/1689(AI Act)」Annex III・2024年公布)。欧州に拠点や社員を持つ会社は、評価に使う AI が対象に該当するかを法務と確かめておくのが安全です。

最初に入れやすいのは評価データの点検です。評価が締まった後の点検なら、AI の出力は人が確かめる候補のリストにとどまり、評語そのものを動かしません。未入力や食い違いの洗い出しは正解がはっきりしていて、出力が合っているかを担当者がすぐ確かめられる点も始めやすい理由です。

うまくいかない場合もあります。評価基準の言葉が部門ごとに違うと、AI の点検は食い違いを大量に出すだけになり、担当者の確認作業がかえって増えます。その場合は、AI を広げる前にグループ共通の評価基準をそろえる作業が先です。点検が回り始めたら、次の期には目標設定の添削へ広げるのが自然な順番です。

労務は、照合と検知を AI に任せ、措置と処分を人に残す

労務の AI 活用では、規程の検索・勤怠と申請の照合・超過の検知・事実の時系列の整理を AI に任せ、就業上の措置や懲戒の処分を決める判断を人に残します。

業務 AI に任せる作業 人に残す判断
就業規則の問い合わせ 規程から該当する条文を引き、回答の下書きを作る 解釈が分かれる問い合わせへの回答、規程の改定
36協定の管理 勤怠データから、上限を超えそうな社員を月の途中で知らせる 業務の配分を見直す、本人と面談する
各種申請 記入漏れ・添付漏れ・規程との食い違いを一次確認する 規程の例外を認めるかを決める
健康管理の集計 拠点の報告・人事システム・勤怠のデータを突き合わせて集計する 医師の意見を踏まえた就業上の措置を決める
懲戒事案 聞き取りの記録を時系列に整理し、過去の類似事案を検索する 事実を認定し、処分を決める

36協定の管理は、AI に任せる効果が見えやすい作業です。時間外労働の上限は原則として月45時間・年360時間で、臨時的な特別の事情があって労使が合意する場合でも、時間外労働は年720時間以内、休日労働を含めて月100時間未満・2〜6か月平均80時間以内にしなければなりません。月45時間を超えられるのは年6か月までです(厚生労働省「時間外労働の上限規制 わかりやすい解説」2019年8月公表)。

条件が5つあり、複数の月をまたいだ平均で判定するものも含まれるため、月末に表計算で集計するだけでは、超えた後に気づく形になりがちです。AI に任せるのは毎日の勤怠から超過の見込みを出し、上長へ知らせるところまでにします。仕事の配分をどう変えるか、本人とどう話すかは人が決めます。

健康管理の集計も、照合の量が多い作業です。Forbes JAPAN に掲載された JT 人事部の事例では、Offers AX とともに拠点の報告・人事システム・勤怠システムの3系統のデータの照合と集計レポートの作成を自動化し、作業時間は約15時間から数十分になりました。集計の結果を見て、誰にどの措置をとるかを決めるのは引き続き人の仕事です。

健康情報は、評価の仕組みと混ぜないように設計します。健康診断の結果などの健康情報は要配慮個人情報に該当する場合が多く、ストレスチェックの結果は、本人の同意を得ていない場合、解雇・昇進・異動に直接の権限を持つ監督的地位にある者に取り扱わせてはならないとされています(厚生労働省・個人情報保護委員会「雇用管理分野における個人情報のうち健康情報を取り扱うに当たっての留意事項」2023年10月27日改正)。健康管理の AI と評価の AI は、入力に使うデータもアクセスできる人も分けて作るのが前提です。

懲戒では、AI の役割をさらに絞ります。労働契約法第15条は、懲戒が労働者の行為の性質や態様その他の事情に照らして客観的に合理的な理由を欠き、社会通念上相当と認められない場合は、権利の濫用としてその懲戒を無効とすると定めています。AI に任せるのは事実の整理と過去事案の検索までで、事情を踏まえて処分の重さを決めるのは人です。

人事データを AI に渡す前に、3つのことを決める

人事データを AI に渡す前に、使ってよい目的の範囲、データを置く場所、人が判断した記録の残し方の3つを決めておくと、後から法務や情報システムに止められずに済みます。

1つ目は目的の範囲です。個人情報保護委員会は、生成 AI サービスに個人情報を含むプロンプトを入力する場合、特定された利用目的を達成するために必要な範囲内であることを十分に確認するよう求めています。本人の同意なく入力した個人データが応答の出力以外の目的で扱われる場合は法の規定に違反する可能性があるとし、提供する事業者がその個人データを機械学習に利用しないこと等を確かめるよう注意を促しています(個人情報保護委員会「生成AIサービスの利用に関する注意喚起等」2023年6月2日公表)。評価の点検に使うなら、評価の目的で集めたデータだけを渡し、健康情報や懲戒の記録は入力に含めないのが基本です。

2つ目はデータを置く場所です。入力したデータが学習に使われないことを契約で確かめるか、自社の管理する環境の中で AI を動かすかのどちらかを選びます。Offers AX 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。高機密の人事案件では、クラウドの LLM を使わずに貸与 PC の中で処理を完結させ、外部への通信を止めたうえで端末内の暗号化・アクセス制御・監査ログを設計に含める構成を実装しています。

Offers AX の構成は、サービスページの「お客様の既存環境に構築します」と「クラウドが使えない領域にも、実装した実績があります」の節で公開しています。

3つ目は記録の残し方です。AI の出力は下書きや参考情報の位置づけにとどめ、事実の認定・合否・処遇は人が判断する、と社内の規程に書いておきます。そのうえで、AI の出力に対して誰が何を決めたかを残す仕組みを最初から作ります。社内ルールの作り方は AI ガバナンスの記事と、用語ページのデータガバナンスを参考にしてください。

最初の3か月は、評価の点検か36協定の検知から始める

人事から AX を始めるなら、最初の3か月は評価データの点検か36協定の超過検知のどちらか1つに絞り、実測の数字で続けるかを決めると、次の領域へ広げやすくなります。

  1. 1か月目: 対象の作業を1つ選び、今の手順、かかっている時間、使うデータを書き出す。人に残す判断も1行ずつ書き、規程に載せる
  2. 2か月目: 動くものを作り、実データで回す。AI の指摘を人が採用したか見送ったかを、毎回記録する
  3. 3か月目: 作業時間と見落としの件数を導入前と比べ、続けるか、直すか、やめるかを決める

続けると決めたら、同じデータを使う隣の作業へ広げます。評価データの点検なら目標設定の添削へ、36協定の検知なら各種申請の一次確認へ、という順番です。検証で終わらせずに本番へ移す考え方は AI の PoC の記事、外部と作った仕組みの運用を社内へ移す手順は生成AIの内製化の進め方で扱っています。

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。評価と労務で作った「任せる作業と残す判断」の表は、ほかの部門の業務を棚卸しするときのひな型としても使えます。

AI を全社の成果につなげる Offers AX

コンサルティング・AI エージェント開発・内製化支援の3本柱で、実装まで支援します。無料相談を受け付けています。

無料で相談する

Offers AX のサービスを見る

記事一覧へ