「AI人材を採用するなら、機械学習を実装できるエンジニアを探すことになりそうだ」とお考えの方は多いのではないでしょうか。世の中で紹介される「AI人材に必要なスキル」の一覧は、その多くが研究者と開発者を前提に組み立てられているため、要件もそちらへ寄りやすくなります。ところが実際に求人票を書く段になると、機械学習を扱える人なのか、生成AIを日々の業務に組み込める人なのかで社内の意見が割れます。
しかし、記事制作の工程にAIを組み込んで運用してきた弊社の立場から言えるのは、事業会社で先に足りなくなるのは高度なアルゴリズムを扱える人ではなく、AIを使って何をするかを企画し、出てきた結果を業務で使える水準まで引き上げられる人だということです。公的な調査でも、日本企業が最も不足していると答えたのはこの層でした。
本記事では、AI人材という言葉が指す3つの立場の整理から、自社に必要な人材像を決める手順、採用・社内育成・外部活用の選び分けまで、制作支援の現場の視点で順を追ってお伝えします。
- AI人材が指す3つの類型と、多くの企業が実際に必要としている層
- よく引用される「不足の数字」がどんな前提で計算されているか
- 採用から着手した企業がつまずく理由
- 自社に必要なAI人材を定義する4つのステップ
- 採用・社内育成・外部活用を選び分ける基準
AI人材とは、AIに関わる3つの立場をまとめた呼び方
AI人材に法令上の定義はなく、話す人によって指す範囲が変わります。ただ、公的な試算では比較的はっきりした区分が使われてきました。経済産業省が平成31年4月に公表した「IT人材需給に関する調査」では、AI人材を「AIを実現する数理モデルについての研究者（学術・研究機関を除く）」「AI機能を搭載したソフトウェアやシステムの開発者」「AIを活用した製品・サービスの企画・販売者」の3つと定義しています。
AI人材は「AIを作る人」だけを指す言葉ではありません
見落とされやすいのは3つ目、企画・販売にあたる層が最初から含まれている点でしょう。世の中で見かける「AI人材に必要なスキル」の一覧は、その多くが1つ目と2つ目、つまり研究者と開発者を前提に組み立てられています。しかし事業会社が採用や育成で行き詰まっているのは、たいてい3つ目の層です。
研究する人、開発する人、業務に組み込む人
研究にあたる層は、モデルそのものの精度や新しい手法を扱います。国内でこの層を自社で抱える必要があるのは、AIを製品の中核に据える企業に限られるでしょう。
開発にあたる層は、既存のモデルやAPIを自社のシステムに組み込み、動く状態まで持っていきます。社内にエンジニア組織があるなら、既存メンバーの担当領域を広げる形で確保できる場合が多いといえます。
そして業務に組み込む層は、どの業務のどの工程をAIに渡すかを設計し、出てきた結果を業務で使える水準まで持ち上げる役割です。プログラミングよりも、業務の工程を分解する力と、出力の良し悪しを判定する基準づくりが問われます。
IT人材・DX人材との違いは、対象よりも起点にある
IT人材はシステムや情報技術を扱う人の総称で、AI人材はその一部と重なります。ただし先ほどの経産省調査でも、AI人材にはユーザー企業の事業部門や研究開発部門に属する人が含まれるため、IT人材の枠に完全には収まらないと注記されていました。
DX人材との違いは、扱う対象よりも出発点の置き方だと考えると整理しやすくなります。DX人材は「事業をどう変えるか」から入り、手段としてデジタル技術を選びます。AI人材は「AIで何ができるか」を起点に、適用できる業務を探すことが多い。どちらが正しいという話ではなく、片方だけだと空回りしやすい関係です。
社内で「AI人材が必要だ」という話が出たときは、まず3類型のどれを指しているのかを確認してください。ここが揃っていないまま議論を進めると、研究者向けのスキル要件で企画職を募集する、といったずれが起こります。
AI人材が不足しているといわれる根拠と、その数字の読み方
「2030年にAI人材が12.4万人不足する」という数字を、提案資料や記事で見かけた方は多いはずです。出所は先ほどの経済産業省「IT人材需給に関する調査」で、経済産業省・厚生労働省・文部科学省の三省連携により、経済産業省情報技術利用促進課とみずほ情報総研が事務局となって試算されました。
この数字を引用するときは、前提まで見ておいたほうが安全です。同じ調査には、もうひとつのシナリオが並んで載っています。
AI需要の伸び | 2018年 | 2025年 | 2030年 |
|---|---|---|---|
低位シナリオ（年率10.3%） | 3.4万人 | 2.7万人 | 1.2万人 |
平均シナリオ（年率16.1%） | 3.4万人 | 8.8万人 | 12.4万人 |
平均シナリオでは需給ギャップが2030年に12.4万人まで広がりますが、低位シナリオでは1.2万人まで縮小します。同じ試算の中で、前提の置き方によって結論が逆を向きます
供給側の試算も押さえておきたいところです。同調査は、2018年に1.1万人規模と試算されたAI人材が、2030年には約11倍の12.0万人まで拡大すると見込んでいました。つまり12.4万人という数字は、供給が11倍に増えたうえでなお足りない、という意味を持ちます。加えてこの試算の基準年は2018年で、生成AIが広く使われるようになる前の市場観に基づいたものでした。
※ 出典：経済産業省「IT人材需給に関する調査（概要）」（平成31年4月）。AI人材の需給ギャップは、AI人材の生産性が年0.7%上昇することを前提とした試算です。
数の不足より、どの類型が足りないかを見る
より新しい調査を見ると、不足の内訳が浮かび上がります。情報処理推進機構（IPA）の「DX動向2025」によれば、DXを推進する人材の「量」について「やや不足している」「大幅に不足している」と回答した日本企業は85.1%で、米国の23.8%、ドイツの44.6%を大きく上回りました。日本の数値は2022年度が83.5%、2023年度が85.7%とほぼ横ばいで、改善の兆しは見えていません。
同じ調査では、AI関連人材の不足感を3つの類型に分けて聞いています。
類型 | 日本 | 米国 | ドイツ |
|---|---|---|---|
AIを活用したソフトウェアやシステムを実装できるAI開発者 | 53.7% | 19.3% | 29.1% |
AIを活用した製品・サービスを企画できるAI事業企画 | 61.0% | 14.5% | 25.9% |
先進的なAIアルゴリズムを開発したり学術論文を書けたりするAI研究者 | 41.0% | 19.6% | 27.2% |
日本が最も足りないと答えたのは、AI事業企画の人材でした
高度なアルゴリズムを扱う研究者よりも、AIを使って何をするかを企画できる人のほうが足りない。この結果は、採用要件をエンジニアのスキルセットに寄せがちな実務の感覚とは食い違います。
※ 出典：IPA「DX動向2025」（2025年6月）。数値はIPA調査分析ディスカッション・ペーパー2025-02「DX動向2025-AI時代のデジタル人材育成」（2025年10月）より引用。
さらに同ペーパーは、DXを推進する人材の育成について、日本企業の36.6%が「とくに支援をしていない」と回答したことを示しています。米国は1.0%、ドイツは1.9%。不足を訴える割合が最も高い国が、育成の手当てを最もしていない国でもある、という並びになっています。
「AI人材を採用する」から始めるとつまずく理由
不足の数字を見た経営層から「AI人材を採ろう」という指示が降りてくる。よくある流れですが、ここから着手すると止まりやすい構造があります。
経営者求人票を書こうとしたのですが、必須スキルの欄で止まってしまいました。Pythonと書くべきなのか、生成AIの業務活用経験と書くべきなのか、社内でも意見が割れています。
Writers-hub編集部
その迷いは、募集する側の問題というより、任せる業務が決まっていないサインだと考えたほうが早いです。先に「どの業務のどの工程をAIに渡すか」を1つ決めてしまうと、必要なスキルは自然に絞れます。
人材要件は、任せる業務を決めるまで書けません
採用から始めた場合に起きやすいのは、次のような状態です。
- 求人票の「AI人材」が社内で定義されておらず、面接官ごとに評価軸が違う
- 採用競争の相手が同業ではなく、待遇水準の高い他業種になっている
- 入社後に任せる業務が決まっておらず、既存業務の片手間になる
- 評価する側にAI活用の経験がなく、成果を判定できない
3つ目と4つ目は、採用の巧拙とは別の話です。採用は入口を通す活動でしかなく、通した先に仕事と評価の仕組みがなければ定着しません。実際、IPAの調査で日本企業の36.6%が育成支援をしていないという結果は、入口の後ろが用意されていない企業が一定数あることを示唆しています。
先ほどの調査でAI事業企画の不足感が最も高かった点も、ここに重なります。企画できる人が足りないということは、AIで何をするかを決める工程が社内で埋まっていないということです。その状態で開発者を採用しても、指示を出す側がいません。
採用市場では、同業以外の企業と候補者を取り合っている
AI人材の求人は業種をまたいで出ています。製造業の企業が候補者と面談したとき、同じ人にIT企業や外資系のコンサルティング会社が声をかけている、という状況は珍しくありません。IPAの調査で日本のAI関連人材の不足感が米国やドイツを大きく上回っていたのも、限られた候補者に多くの企業が集中している状態と重なります。
ここで待遇だけを軸に競おうとすると、体力勝負になります。中堅・中小企業が取れる現実的な差別化は、任せる業務の具体性のほうでしょう。「AI活用推進担当」という職名だけの求人と、「受注データの照合工程を対象に、AIの出力を検証して業務手順を更新する権限を持つ」と書かれた求人では、候補者が入社後を想像できる度合いが違います。
さらに、具体的に書くと応募数は減ります。ただし減るのは、そもそも自社の業務に関心がない層でしょう。母集団の大きさより、面接で業務の話ができる比率のほうが、確保できるかどうかに効きます。 次章で触れるステップ4まで進めておけば、こうした具体的な記述は自然に書けるはずです。
自社にとってのAI人材を定義する4つのステップ
では、何から着手すればよいのか。順番としては、業務を決めてから人を決めます。抽象的な人材要件を先に議論しても、判断材料が出てこないためです。
このステップは、社内の誰か1人が机上で埋めるものではありません。対象業務の担当者を必ず入れてください。工程の分解は、実際にその作業をしている人でないと粒度が粗くなります。
複数を並行して検討すると、要件が平均化して誰にも当てはまらない人物像になります。件数が多い、手順が決まっている、間違えても致命傷にならない。この3条件に当てはまる業務から選ぶと検証しやすくなります。
1つの業務は、たいてい5から10程度の工程に分かれます。情報を集める、下書きを作る、事実を確認する、体裁を整える、承認を取る。この粒度まで下ろすと、「AIに渡せる工程」と「人が判断する工程」の境目が見えてきます。
AIに渡す工程についても、出力を受け取って合否を判定する人を必ず置きます。判定者がいない工程は、品質が誰の責任でもない状態になり、運用開始後に破綻しやすい部分です。
ここまで来ると、求人票にも研修カリキュラムにも書けるようになります。「Pythonが書ける」ではなく「請求データの突合工程で、AIの出力と原票を照合し差し戻し基準を運用できる」といった記述に変わるはずです。
ステップ3の判定者について補足します。私たちが記事制作の工程にAIを入れたとき、最初に決めたのは執筆者のスキル要件ではなく、どの工程の出力を誰が差し戻すかでした。合格の基準は誰でも言えます。読みやすい、正確である、といった言葉です。難しいのは不合格の基準のほうで、ここを言葉にできる人が1人いるかどうかで運用の安定度が変わりました。
AIに任せる業務が、まだ1つに絞れていませんか
ステップ1と2は、社内だけで進めると「AIに向いていそうな業務」の議論で止まりがちです。手順が決まっていて件数が多い業務から候補を出し、工程単位で切り分けるところまでを一緒に整理します。
採用・社内育成・外部活用をどう使い分けるか
必要な人材像が言葉になったら、それをどう確保するかの検討に移ります。選択肢は中途採用、社内育成、外部活用の3つで、それぞれ得意な局面が違います。
| 中途採用 | 社内育成 | 外部活用（委託・伴走支援） | |
|---|---|---|---|
| 着手までの速さ | △ 募集から着任まで時間がかかる | △ カリキュラム設計から始まる | ◎ 対象業務が決まっていれば早い |
| 要件が固まっていない段階 | × 求人票が書けない | △ 教える内容が決まらない | ◎ 要件の言語化から着手できる |
| 社内にノウハウが残るか | ○ 個人に依存しやすい | ◎ 仕組みとして残せる | ○ 移管を前提にすれば残る |
| 対象業務が増えたときの拡張性 | △ 人数がボトルネックになる | ◎ 育てた人数だけ広がる | ○ 委託範囲の見直しが必要 |
| 方針転換のしやすさ | × 雇用を前提に判断が重くなる | △ 学習にかけた時間が戻らない | ◎ 契約単位で見直せる |
表のとおり外部活用に◎が多く並びますが、これは「外注し続けるのが最善」という意味ではありません。3つは排他ではなく、時間の使い方を組み替える選択肢だと捉えてください。
現実的な進め方の一例を挙げます。要件が固まっていない最初の1業務は外部と一緒に動かし、運用の型ができた時点で社内に移す。移した後の運用を担う人を育成で確保し、対象業務が増えて手が足りなくなった段階で採用を検討する。この順番なら、求人票を書く時点で任せる業務と評価基準が揃っています。
逆の順番、つまり採用を先に置く判断が有効な場面もあります。AIを自社製品の中核機能として実装する計画があり、要件も工数も見えている場合です。この条件では、開発を担う人が社内にいないと計画そのものが動きません。判断の分かれ目は、確保したい人材が既存業務の改善を担うのか、新しい製品の開発を担うのかにあります。前者なら業務の切り分けが先、後者なら人の確保が先、と整理すると迷いにくくなるでしょう。
なお、3つの選択肢を同時に走らせるのは避けたほうが無難です。同じ業務に対して外部委託と社内育成を並行させると、判定基準が二重になり、どちらの成果物を正とするかで現場が止まります。対象業務を分けるか、時期をずらすかのどちらかで整理してください。
外部活用を選ぶ場合、契約時に「何を社内に残すか」を書いておくかどうかで結果が変わります。成果物だけを受け取る契約だと、翌年も同じ状態から始めることになりかねません。手順書、判定基準、失敗例の記録まで納品範囲に入れておけば、育成の教材としても使えます。
AI人材の育成でつまずきやすい3つの場面
社内育成に着手した企業から相談を受けるとき、内容はおおむね3つに集約されます。研修そのものの質より、研修の前後に問題があることが多いといえます。
研修は受けたが、実務に降りてこない
最も多い形です。受講者の元の業務が100%残ったまま研修だけが追加されると、学んだ内容を試す時間が確保できません。研修の設計と同時に、受講後3か月間の担当業務を組み替えるところまで決めておくと、この停滞は避けやすくなります。
経営者研修は好評だったのですが、半年たっても業務での利用が広がりません。受講者に聞くと「使う場面がない」と言われてしまいます。
Writers-hub編集部
使う場面がないのではなく、既存の業務手順の中にAIを使う工程が定義されていないのだと思います。手順書の該当箇所を書き換えて、その工程はAIの下書きから始めると決めてしまうのが早いです。
出力の良し悪しを判定できる人がいない
AIが出したものが使える水準かどうかを、誰が判断するのか。ここが空いていると、担当者は不安から全文を書き直すか、逆に無検証で通すかのどちらかに寄ります。
出力の不合格ラインを言葉にできる人が要ります
判定基準は抽象的な品質論ではなく、具体的な差し戻し条件として書くほうが機能します。記事制作の例で言えば、出典のない数値が入っている、社名や商品名の表記が公式と違う、同じ主張が別の言い方で繰り返されている、といった条件になります。業務が変われば条件も変わりますが、いずれも「見れば判定できる形」に落ちている点は変わりません。
- 差し戻す条件が、担当者以外にも同じ判定になる言葉で書かれている
- 判定する人が工程ごとに決まっていて、不在時の代理も決まっている
- 差し戻した事例が記録され、次の指示文の改善に使われている
- 判定にかかる時間が、AIを使う前の作業時間より短くなっている
4つ目は見落とされがちな観点です。検証に元の作業と同じだけ時間がかかっているなら、その工程はまだAIに渡すべきではないのかもしれません。
評価制度が追いつかず、個人の熱意で止まる
AIを使って処理量が2倍になっても、評価が変わらなければ担当者に利点はありません。むしろ検証の手間だけが増えます。導入初期は熱心な数人が支えますが、その人が異動すると元の手順に戻ることが少なくありません。
対策として現実的なのは、個人の努力量ではなく工程が変わったかどうかを見る形に切り替えることです。手順書が更新されたか、判定基準が文書化されたか、他部署が同じ手順を使えるようになったか。成果物の量ではなく、仕組みの更新を評価対象に置くと、属人化を抑えやすくなります。
研修は実施したのに、業務が変わらないままになっていませんか
研修と実務の間で止まる原因は、教える内容よりも、手順書と判定基準と評価の3点が更新されていないことにあります。対象業務の工程設計から、社内に残す判定基準の作り方まで、実際に運用が回るところまで伴走します。
AI人材に関するよくある質問
社内で人材像を議論する際に出やすい論点を、4つにまとめました。定義そのものより、確保の判断に関わる部分を中心に取り上げます。
IT人材は情報技術を扱う人の総称で、AI人材はその一部と重なります。ただし経済産業省の調査では、AI人材にユーザー企業の事業部門や研究開発部門の人材も含まれるため、IT人材に完全には包含されないと注記されました。DX人材との違いは出発点にあり、DX人材は事業課題から入るのに対して、AI人材はAIでできることから入る傾向が強いといえます。
業務に組み込む層であれば、社内育成で確保できる可能性は十分にあります。既存業務を理解している人のほうが、工程の分解と判定基準づくりでは有利だからでしょう。一方、モデルの研究や大規模な実装を担う層を短期間で育てるのは現実的ではないため、その部分は採用か外部活用で補う判断になります。
対象業務の範囲によって大きく変わるため、一律の目安を示すのは適切ではありません。判断の仕方としては、期間から逆算するのではなく、1つの業務で判定基準が文書化され、担当者以外でも同じ判定ができる状態を最初の到達点に置くと進捗を測りやすくなります。
基礎知識の有無を確認する材料としては使えます。ただし資格は、対象業務の工程を分解できるか、出力の合否を判定できるかまでは示しません。選考では、実際に扱っている業務を題材にして、どの工程をAIに渡すか説明してもらう形のほうが判断しやすいでしょう。
まとめ
AI人材という言葉は、研究する人、開発する人、業務に組み込む人という3つの立場をまとめた呼び方です。公的な調査で日本企業が最も不足していると答えたのは、高度な研究者ではなく、AIを活用した製品やサービスを企画できる層でした。
不足を示す数字を扱うときは、前提の確認が欠かせません。よく引用される2030年12.4万人という値は、AI需要が年率16.1%で伸びる平均シナリオの結果であり、同じ試算の低位シナリオでは1.2万人まで縮小します。数字の大きさより、自社の業務にどの類型が必要かを見極めるほうが判断の役に立ちます。
確保に着手する前に決めておきたいのは、次の3点です。どの業務のどの工程をAIに渡すか。その出力を誰がどんな基準で判定するか。判定の記録を誰が次の改善につなげるか。この3点が決まっていれば、採用でも育成でも外部活用でも、要件のずれは小さく収まります。
合同会社Writers-hubは、記事制作の工程にAIを組み込んで運用してきた立場から、対象業務の切り分け、判定基準の設計、社内への移管までを支援しています。自社にとってのAI人材像がまだ言葉になっていない段階でも、業務の棚卸しからご相談いただけます。
自社にとってのAI人材像を、業務から決めるところから始めませんか
どの業務から着手すべきか、内製と外部活用のどちらが合うか。現在の体制と業務量をうかがったうえで、進め方の選択肢を整理してお伝えします。
