要点（90字）：人事のAI活用は採用・評価・労務・育成・配置の業務分解から始める。書類の構造化や労務問い合わせはAI適用度が高いが、合否・評価の最終判断は人間に残す。職業安定法・個人情報保護法への配慮が導入の前提条件である。
この記事の対象読者
- 採用・労務の業務量増に対して人員を増やせない人事責任者・経営層
- 採用AI・人事AIの導入を検討しているが、法的リスクを整理できていないDX/AX推進担当
- 書類選考・面接準備・労務問い合わせの工数を削減したい人事部門リーダー
- 人事評価やタレントマネジメントへのAI適用範囲を見極めたい意思決定者
人事のAI活用とは（要点3行）
- 人事のAI活用は、採用・評価・労務・育成・配置の5領域への業務分解から始める。領域ごとにAI適用度と法的制約が大きく異なるため、「人事全体にAIを入れる」という粒度では判断を誤る。
- AIの適用度が高いのは、書類の構造化・下書き生成・問い合わせ一次対応など「判断の手前」の工程である。合否・評価・処遇の最終判断を人間に残す設計が、実務上も法令上も前提になる。
- 採用領域には職業安定法・個人情報保護法・厚生労働省指針という明確な法的制約がある。公平性と個人情報保護を最初から設計に組み込むことが、導入の第一条件である。
導入手順の一般論（体制構築・PoC・全社展開の進め方）は「生成AI導入の進め方」に譲る。本記事は人事領域に固有の業務分解・ユースケース・法的配慮・KPI設計に集中する。
人事業務の5領域分解
人事の業務は、AI適用の観点から次の5領域に分解できる。領域ごとに「定型度」「扱う情報の機微性」「判断の重み」が異なり、この3つがAI適用可否を決める。
領域1：採用
母集団形成、スカウト文面作成、書類選考、面接調整、面接記録、内定フォローまでの一連の工程。応募数に比例して工数が膨らむ構造を持ち、書類確認と日程調整だけで採用担当者の稼働の大半が消えている企業は多い。一方で、応募者の個人情報を大量に扱い、合否という重い判断を含むため、5領域の中で最も法的制約が強い。
領域2：評価
目標設定、中間レビュー、評価コメント作成、評価会議、フィードバック面談。半期に一度、管理職の膨大な時間を消費する。評価そのものは人間の判断だが、評価材料の収集・整理・下書きには構造的な非効率が残っている。
領域3：労務
勤怠管理、給与計算、社会保険手続き、規程管理、従業員からの問い合わせ対応。定型度が最も高く、AI適用の初手に向く。特に「就業規則のここはどうなっているか」といった問い合わせ対応は、社内規程を検索基盤化すれば一次回答の大半を自動化できる。給与・経費など経理側と重なるバックオフィス業務の分解は「経理・バックオフィスのAI自動化」で整理している。
領域4：育成
研修企画、教材作成、受講管理、スキルデータの管理。教材・研修コンテンツの生成はAIの得意領域で、コンテンツ制作コストの構造を変えられる。研修そのものの選び方は「法人向けAI研修の選び方」で扱っている。
領域5：配置
要員計画、異動案の作成、後継者計画（サクセッションプラン）。スキルデータと業務データを突き合わせる分析はAIが支援できるが、異動・登用の決定は従業員の処遇に直結するため、AIの出力はあくまで判断材料にとどめる。
工程別AI適用マップ
5領域を工程に割り、AI適用度と「人間の最終判断が必須か」を整理すると次のようになる。
| 領域 | 工程 | AI適用例 | 適用度 | 人間の最終判断 |
|---|---|---|---|---|
| 採用 | 母集団形成 | スカウト文面の個別最適化、求人票ドラフト | 高 | 推奨 |
| 採用 | 書類選考 | 職務経歴書の構造化・要件突合・確認観点の抽出 | 高 | 必須 |
| 採用 | 面接 | ヒアリング項目の自動生成、面接記録の要約 | 高 | 必須 |
| 採用 | 内定フォロー | 候補者への情報提供、質問への一次回答 | 中 | 推奨 |
| 評価 | 材料収集 | 1on1記録・成果データの集約と論点整理 | 高 | — |
| 評価 | 評価確定 | 評価コメントの下書き支援まで | 低 | 必須 |
| 労務 | 問い合わせ | 規程・制度の検索基盤化と一次回答 | 高 | 例外時のみ |
| 労務 | 手続き | 申請書類のチェック、手続き案内の自動化 | 高 | 例外時のみ |
| 育成 | 教材・研修 | 研修コンテンツ・動画・確認テストの生成 | 高 | 推奨 |
| 配置 | 要員分析 | スキルギャップ分析、異動シミュレーション | 中 | 必須 |
このマップから導ける原則は2つある。第一に、適用度が高い工程は例外なく「判断の手前」にある。構造化・要約・下書き・一次回答は、判断の質を落とさずに工数だけを削れる。第二に、合否・評価・処遇に直結する工程は、適用度にかかわらず人間の最終判断を外せない。これは後述する法的配慮の要請でもある。応募者スクリーニングが「生成AI＋人間判断」の組み合わせ領域にあたる理由は「業務効率化AIの選び方」の2軸判断でも整理している。
採用実務のAI活用と自社実例
5領域のうち、投資対効果が最も見えやすいのが採用である。工程別に見る。
書類選考：読む作業と判断を分離する
書類選考の実態は「判断」よりも「読んで整理する作業」に時間が使われている。職務経歴書は書式も粒度もばらばらで、要件と突き合わせるには1通ずつ読み込むしかなかった。AIはここを変える。経歴を構造化し、募集要件との合致点・確認すべきギャップ・面接で深掘りすべき論点を抽出させれば、人間は「整理された材料をもとに判断する」ことに集中できる。
重要なのは、AIに合否を出させないことだ。AIの役割は判断材料の整理までとし、不合格の決定を含む合否判断は人間が行う。これは公平性の観点からの実務的な線引きであると同時に、候補者への説明責任を果たせる体制の条件でもある。
面接：準備と記録を自動化する
面接の品質は準備で決まるが、面接官は準備時間を確保できないのが常である。書類の分析結果からヒアリング項目を自動生成すれば、面接官ごとの質問のばらつきが減り、評価の比較可能性が上がる。面接後の記録も、要点の構造化までをAIが担えば、選考会議に出す情報の質が揃う。
自社実例：職務経歴書のAI事前分析
FDXは人材紹介事業の現場で、求職者の職務経歴書をAIが事前分析して不足項目を抽出し、求職者へ自動ヒアリングしてデータを補完する仕組みを構築した。書式の異なる経歴書を構造化し、不足情報の収集・補完までを自動化することで、コンサルタントの初期ヒアリング工数を削減している。企業の採用選考そのものではなく人材紹介のマッチング業務での実装だが、ポイントは共通する。AIの役割をデータの構造化・補完という判断材料の整備までに限定したことで、マッチングや選考の判断は常に人間側に残る（事例一覧）。
採用領域のKPI設計
効果測定は工数削減だけでなく、品質と公平性の指標を並走させる。
- 効率：応募1件あたりの書類確認時間、面接準備時間、選考リードタイム
- 品質：面接官間の評価ばらつき、選考通過者の入社後活躍度との相関
- 公平性：性別・年齢層など属性別の選考通過率の偏り（後述のバイアス監査）
- 候補者体験：選考中の離脱率、候補者アンケート
効率指標だけを追うと「速いが偏った選考」に気づけない。公平性KPIを最初から組み込むことが、人事領域のAI活用に固有の設計要件である。
評価・労務・育成・配置のAI活用
評価：下書きまでをAI、確定は人間
評価業務でAIが担えるのは、1on1記録・成果データ・周囲のフィードバックを集約し、評価コメントの下書きと論点を整理するところまでである。管理職は「書く」から「確認して判断する」に役割を移せる。一方、評価の確定やランク付けをAIに委ねるべきではない。評価は処遇に直結し、根拠の説明責任を負うのは評価者本人だからだ。
労務：問い合わせ対応が最初の一手
労務は5領域で最も定型度が高く、法的リスクも相対的に低い。特に就業規則・福利厚生・手続きに関する従業員問い合わせは、社内規程をAIが参照できる検索基盤にすれば一次回答を自動化できる。社内ナレッジを構造化してAIに接続する設計は「カンパニーブレインとは」で整理したアプローチがそのまま適用できる。
育成：コンテンツ生成でコスト構造を変える
研修教材・確認テスト・解説動画の制作は、生成AIで最もコスト構造が変わった領域のひとつである。FDXでは金融領域のAI教育で7コース73本の動画を全自動生成し、講師依存度を約60%低減した実績がある。教材の内製化と更新頻度の向上を同時に実現できる。
配置：分析は支援、決定は経営判断
スキルデータ・評価データ・業務データを突き合わせた要員分析や異動シミュレーションは、AIが人間より広い組み合わせを検討できる。ただし配置の決定は従業員の生活と経営戦略の両方に関わるため、AIの出力は選択肢の提示までとする。判断根拠を説明できないブラックボックスなスコアで異動を決める運用は、従業員の納得を得られない。
採用AIの公平性と個人情報保護の法的配慮
人事、とりわけ採用へのAI適用には、他領域にはない法的な制約線がある。ここを曖昧にした導入は、法令違反と企業ブランド毀損の両方のリスクを抱える。押さえるべき法令・指針と実務対応を整理する。
職業安定法第5条の5と厚労省指針
職業安定法第5条の5は、求職者等の個人情報について、業務の目的の達成に必要な範囲内で収集・保管・使用しなければならないと定める（本人の同意がある場合その他正当な事由がある場合を除く）。
さらに同法に基づく厚生労働省の指針（平成11年労働省告示第141号、最終改正：令和6年厚生労働省告示第318号）は、原則として収集してはならない個人情報を明示している。
- 人種、民族、社会的身分、門地、本籍、出生地その他社会的差別の原因となるおそれのある事項
- 思想および信条
- 労働組合への加入状況
採用AIの文脈でこれが意味するのは、収集が禁止されている情報を、AIに推定させることも設計上排除しなければならないということだ。履歴書や適性検査データからこれらの属性を推定してスコアに反映する設計は、直接収集していなくても指針の趣旨に反する。厚生労働省が公正採用選考の原則として示す「本人の適性と能力に基づく採用」も同じ方向を指しており、AIの評価軸を適性・能力に関する要素に限定する設計統制が必要になる。
個人情報保護法：利用目的とプロファイリング
個人情報保護法上、応募者データのAI分析には少なくとも次の論点がある。
- 利用目的の特定と通知・公表：応募者情報をAIで分析・評価すること自体を利用目的に含め、プライバシーポリシー等で本人が認識できる形にする
- 要配慮個人情報：病歴・障害等の要配慮個人情報の取得には原則本人同意が必要。適性検査やAI分析の過程でこれらに触れる設計になっていないか点検する
- 第三者提供：AIによる分析結果（スコア等）を本人同意なく他社に提供することは許されない
第三者提供の論点を社会に突きつけたのが、2019年のいわゆるリクナビ問題である。就活サイト運営会社が学生の行動履歴から内定辞退率を予測し、本人の同意を得ないまま利用企業に提供していた事案で、個人情報保護委員会は運営会社に勧告・指導を行い、データを受け取った利用企業側にも指導が及んだ。同委員会の公表資料によれば、同意なく第三者提供が行われた本人は26,060人にのぼる。「技術的に可能で、企業側にニーズがある」ことと「法的・社会的に許容される」ことはまったく別だと示した事案であり、採用AIを設計するすべての企業が前提とすべき教訓である。
アルゴリズムバイアスと海外規制の動向
法令遵守だけでは足りない。AIは過去データの偏りをそのまま学習する。2018年にはロイター通信の報道により、米Amazonが開発していた採用AIが過去の応募データの偏りを学習して女性に不利な評価を示し、運用を断念していたことが明らかになった。過去の採用実績に偏りがある組織ほど、その偏りを増幅するリスクを抱える。
規制の潮流も明確である。EUのAI規則（EU AI Act）は、採用・選考・昇進・解雇など雇用に関わるAIシステムをハイリスクAIに分類し、リスク管理・データガバナンス・人間による監督などの義務を課す。国内でも総務省・経済産業省の「AI事業者ガイドライン」が、公平性・プライバシー保護・透明性・人間の判断の関与をAI利用者を含む事業者共通の指針として示している。法的拘束力の有無にかかわらず、この方向性に沿った設計が実務の標準になりつつある。
実務対応：リスクと対応の対照表
以上を実務に落とすと、次の対照表になる。
| リスク | 根拠・背景 | 実務対応 |
|---|---|---|
| 差別的事項の収集・推定 | 職業安定法第5条の5、厚労省指針 | 収集項目とAIの入力・推定対象を設計段階で制限し、定期点検する |
| 利用目的の不透明さ | 個人情報保護法 | AI分析の実施をプライバシーポリシー・応募者向け説明に明記する |
| 同意なきスコア提供 | 個人情報保護法、リクナビ事案 | 分析結果の第三者提供を原則禁止とし、例外は本人同意を取得する |
| アルゴリズムバイアス | Amazon事例、AI事業者ガイドライン | 属性別通過率を定期監査し、偏りの検知時は評価軸を見直す |
| 説明責任の欠如 | EU AI Act、公正採用選考の原則 | AIの評価根拠をログ保存し、合否の最終判断は人間が行い説明できる状態を保つ |
まとめれば原則は5つ。（1）AIは判断材料の整理まで、合否・処遇の最終判断は人間、（2）収集禁止情報は入力も推定もさせない、（3）AI分析の実施を本人に見える形で示す、（4）分析結果の外部提供は本人同意が原則、（5）属性別の通過率を継続監査する。この5原則を導入前に文書化しておくことが、採用AI導入の実質的な開始条件である。
人事AI導入の順序と定着の設計
法的リスクの低い工程から着手する
人事領域の導入順序は、効果の大きさだけでなく法的リスクの低さで決める。推奨順序は次のとおり。
- 労務問い合わせ対応（1〜3ヶ月目）：規程の検索基盤化と一次回答の自動化。個人の評価に関わらず、効果測定も容易
- 採用の書類構造化・面接準備（3〜6ヶ月目）：判断材料の整理に限定して適用。前述の5原則を文書化してから着手
- 評価材料の集約・下書き支援（6〜12ヶ月目）：評価制度と接続するため、人事制度側の整理と並走
- 配置・タレント分析（12ヶ月目以降）：データ基盤が揃ってから。出力は選択肢の提示に限定
最初に法的リスクの高い合否判定に近い工程から入ると、公平性設計が追いつかず、導入自体が止まる。逆順が定石である。
PoCの成功基準に公平性を含める
人事AIのPoCは、工数削減率だけで合否を判定してはならない。属性別通過率の偏り、AI出力の説明可能性、現場の運用負荷を成功基準に含め、開始前に数値化する。PoC設計の一般的な判定ゲートは「AI PoCが失敗する5つの構造的理由」で整理したものがそのまま使える。
運用の引き受け手を人事部門内に作る
採用要件も評価制度も毎年変わる。プロンプトや評価観点の更新を外部ベンダー任せにすると、制度変更のたびに改修待ちが発生する。日常の運用・改善は人事部門内の担当者が担い、技術的な改修は外部パートナーが伴走するハイブリッド体制が現実解である（参考：「AI内製化の進め方」）。
導入前チェックリスト：判断基準と確認方法
導入を意思決定する前に、次の7項目を確認する。ツール選定・ベンダー選定の共通チェックとして使える。
| 判断基準 | 確認方法 |
|---|---|
| 合否・評価の最終判断が人間に残る設計か | 業務フロー図でAIの出力から意思決定までの経路を確認。「AIが不合格を確定する」分岐がないこと |
| 収集禁止情報を入力・推定しない統制があるか | 入力データ項目の一覧と、プロンプト・モデルの評価軸定義を書面で確認 |
| 利用目的にAI分析が明記されているか | プライバシーポリシーと応募者向け告知文面の現物を確認 |
| 分析結果の第三者提供が統制されているか | データの提供先一覧と同意取得フローを確認。ベンダーのデータ利用条項も確認 |
| バイアス監査の仕組みがあるか | 属性別通過率のモニタリングレポートの様式と実施頻度を確認 |
| AIの評価根拠を説明できるか | 個別の出力について「なぜこの観点が抽出されたか」の根拠表示・ログを実機で確認 |
| 制度変更に追従できる運用体制か | 評価観点・プロンプトの更新権限が誰にあるか、更新の所要日数を確認 |
7項目のうち1つでも確認できない場合、そのツール・体制での本番導入は見送るべきである。特に上から4つは法的配慮に直結するため、妥協の余地がない。
FDXの人事AI活用支援
FDX株式会社は、人事領域のAI活用を業務分解から実装・定着まで現場常駐型で支援する実装パートナーです。Forward Deployed Engineerが人事部門の現場に入り、5領域の業務分解、法的配慮を組み込んだ設計、PoC、本番化、運用の引き渡しまでを一気通貫で並走します。人材紹介事業の現場で構築した職務経歴書のAI事前分析・自動ヒアリングをはじめ、実装実績は事例一覧で公開しています。自社の人事業務のどこから着手すべきかを見極めたい場合は、AX診断またはAX Factoryの無料相談をご利用ください。
よくある質問（FAQ）
Q1. 人事のAI活用はどの業務から始めるべきか？
A. 法的リスクが低く定型度の高い労務問い合わせ対応から始めるのが定石である。次に採用の書類構造化・面接準備、その後に評価材料の集約、最後に配置・タレント分析へ進む。合否判定に近い工程から入ると公平性設計が追いつかず、導入自体が止まりやすい。
Q2. 採用の合否判定をAIに任せてもよいか？
A. 任せるべきではない。AIの役割は経歴の構造化や確認観点の抽出など判断材料の整理までとし、不合格の決定を含む合否判断は人間が行う設計が実務の標準である。EUのAI規則が雇用関連AIをハイリスクに分類し人間による監督を求めるなど、規制の潮流も同じ方向を示している。
Q3. 採用AIで扱ってはいけない情報は何か？
A. 職業安定法に基づく厚生労働省の指針により、人種・民族・社会的身分・門地・本籍・出生地など社会的差別の原因となるおそれのある事項、思想および信条、労働組合への加入状況は原則収集が禁止されている。収集だけでなく、AIにこれらを推定させてスコアに反映する設計も指針の趣旨に反するため排除する必要がある。
Q4. AIの方が人間より公平に採用選考できるのではないか？
A. そうとは言えない。AIは過去データの偏りをそのまま学習するため、Amazonの採用AIが女性に不利な評価を示して運用断念に至った事例のように、人間の偏りを増幅するリスクがある。AIで面接官ごとのばらつきを減らせる面は確かにあるが、属性別通過率の継続監査と人間の最終判断を組み合わせて初めて公平性を担保できる。
Q5. リクナビ問題から企業が学ぶべきことは何か？
A. 応募者データのAI分析結果を本人の同意なく第三者に提供したことが個人情報保護委員会の勧告・指導につながり、データを受け取った企業側にも指導が及んだ。技術的に可能で企業にニーズがあっても、本人の認識と同意を欠くプロファイリングは法的にも社会的にも許容されない。利用目的の明示と同意取得の設計を導入前に固めることが教訓である。
Q6. 人事評価にAIを使う場合の注意点は？
A. AIの適用は1on1記録や成果データの集約、評価コメントの下書きまでにとどめ、評価の確定やランク付けは評価者である人間が行う。評価は処遇に直結し、本人への説明責任を評価者が負うためである。下書き支援だけでも管理職の評価業務の負荷は大きく下がる。
Q7. 人事AIの効果はどのKPIで測るべきか？
A. 応募1件あたりの書類確認時間や選考リードタイムなどの効率指標に加え、面接官間の評価ばらつきなどの品質指標、属性別の選考通過率の偏りという公平性指標を並走させる。効率指標だけを追うと、速いが偏った選考になっていることに気づけない。
次に読むべき記事
- 生成AI導入の進め方｜PoC止まりを越える5つのステップ
- 経理・バックオフィスのAI自動化｜工程別適用マップと導入順序
- 法人向けAI研修の選び方｜実務定着まで届く研修の見極め方
まとめ
- 人事のAI活用は採用・評価・労務・育成・配置の5領域に業務分解し、領域ごとにAI適用度と法的制約を見極める
- AIの適用度が高いのは書類構造化・下書き・問い合わせ一次対応など「判断の手前」の工程であり、合否・評価・処遇の最終判断は人間に残す
- 採用領域には職業安定法第5条の5・厚労省指針・個人情報保護法という明確な制約があり、収集禁止情報はAIによる推定も含めて設計段階で排除する
- リクナビ問題とAmazonの事例は、同意なきプロファイリングとアルゴリズムバイアスという2大リスクの実例である。公平性KPI（属性別通過率）の継続監査を最初から組み込む
- 導入順序は法的リスクの低い労務問い合わせから始め、書類構造化、評価支援、配置分析へと段階的に広げる
出典・参考文献
- 職業安定法（昭和22年法律第141号）e-Gov法令検索 https://laws.e-gov.go.jp/law/322AC0000000141
- 個人情報の保護に関する法律（平成15年法律第57号）e-Gov法令検索 https://laws.e-gov.go.jp/law/415AC0000000057
- 厚生労働省「職業紹介事業者、求人者、労働者の募集を行う者、募集受託者、募集情報等提供事業を行う者、労働者供給事業者、労働者供給を受けようとする者等が均等待遇、労働条件等の明示、求職者等の個人情報の取扱い、職業紹介事業者の責務、募集内容の的確な表示、労働者の募集を行う者等の責務、労働者供給事業者の責務等に関して適切に対処するための指針」（平成11年労働省告示第141号、最終改正：令和6年厚生労働省告示第318号）
- 厚生労働省 公正採用選考特設サイト「公正な採用選考の基本」 https://kouseisaiyou.mhlw.go.jp/basic.html
- 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」（令和元年12月4日） https://www.ppc.go.jp/files/pdf/191204_houdou.pdf
- 総務省・経済産業省「AI事業者ガイドライン（第1.2版）」（令和8年3月31日） https://www.meti.go.jp/shingikai/mono_info_service/ai_shakai_jisso/pdf/20260331_1.pdf
- 欧州連合「AI規則（Regulation (EU) 2024/1689、EU AI Act）」
- Reuters「Amazon scraps secret AI recruiting tool that showed bias against women」（2018年）