生成AIの人事活用｜判断に使えるデータの4条件

生成AIの人事活用を検討すると、話はたいてい「何ができるか」から始まります。要約、ドラフト作成、問い合わせ対応、面談記録の整理。どれも実際に効きます。

ただ、社内で止まるのはその手前です。人事の数字を読ませようとした瞬間に、その数字がどこから来たのか誰も答えられない、という状態にぶつかります。モデルの性能とは関係のない話です。

この記事では、生成AIの人事活用で判断に使えるデータと使えないデータを分け、その条件を4つに整理します。数字はCapLeadのデモで使っているサンプルデータ（架空のグループ「サンライズHD」12社・従業員8,420名）です。実在の企業のデータではありません。

生成AIの人事活用で止まるのは、モデルではない

生成AIに人事データを読ませる話は、ふつう2段階で進みます。まず文章の仕事を任せる。次に数字を扱わせる。

前半は比較的うまくいきます。文章には正解がなく、読んだ人が直せるからです。問題は後半で、数字には正解があるのに、出てきた数字が正しいかどうかを読んだ人が判断できません。

生成AIは、与えられた表を読んで整合する文章を書きます。表が間違っていても、整合した文章が出ます。しかも自然な日本語で、根拠らしい説明つきで出てきます。人が書いた間違いより気づきにくいのはこの点です。

つまり、生成AIを人事で使うときのリスクは「AIが嘘をつく」ことより、「間違った前提のまま、速く大量に、それらしい答えが出る」ことにあります。手前のデータが整っていなければ、導入は失敗を加速させます。

ダッシュボードの導入と似ていますが、違う点がひとつあります。ダッシュボードは数字をそのまま出すので、おかしければ見た人が気づきます。生成AIは数字を文章に変換するため、途中の計算が見えません。同じ間違いでも、発見までの時間が長くなります。そして文章は、そのまま経営会議の資料に貼られます。

判断に使えるデータの4条件

読ませてよいかどうかは、次の4つで判定できます。

4つのうち3つまでは、生成AIを入れなくても必要になるものです。逆に言えば、生成AIの導入を検討することは、この4つの棚卸しを始める口実として使えます。

棚卸しの順番は、出どころを辿れるものからです。全社で指標を10個持っていても、元ファイルの行まで遡れるのはそのうち数個でしょう。その数個だけを生成AIに渡す対象とし、残りは対象外と明示してください。全部を整えてから始めようとすると、いつまでも始まりません。

4つ目だけが生成AI特有です。画面では非表示にしていても、要約文が「研究所の女性管理職は1名」と書いてしまえば、同じことが起きます。非表示のルールは、集計する側ではなく出力する側に持たせてください。

使えないデータの典型

現場で多いのは次の4つです。

• 手作業で加工された表。 元ファイルからコピーして、列を足して、別名で保存されたもの。加工の手順が残っていないので、再現できません。
• 分母が書かれていない比率。 「女性比率42%」とだけ書かれた数字は、何に対する42%か分かりません。生成AIはこれを平気で他の数字と並べます。
• 基準日の違う複数の表。 4月時点の在籍と、3月末の退職者を同じ表で扱うと、退職率が合いません。
• 自由記述をそのまま含むファイル。 サーベイの自由記述には、個人を特定できる記述が混ざります。要約の材料にすると、そのまま出力に現れることがあります。

判定に迷ったら、その表を作った人に「この列はどこから来ましたか」と聞いてみてください。即答できない列があれば、その表は生成AIに渡す対象から外します。聞ける相手がもう社内にいない表は、たいてい元データから作り直したほうが早く済みます。

このうち最初の2つは、そもそも人が読んでも判断できません。生成AIに読ませる前に、人が読んで判断できる状態かどうかを基準にすると、選別は速く進みます。

サンプルデータで確かめる：同じ質問、違う答え

具体例で見ます。「このグループの女性管理職比率は何%か」という質問に、生成AIが2つの表から答える場合です。

サンプルデータのグループでは、管理職（課長級以上）が840名、うち女性が82名で9.8%です。ところが同じグループには、係長・課長代理1,120名（うち女性270名）という段があります。

管理職の範囲に係長・課長代理を含めた表を読ませると、(82+270)÷(840+1,120)＝18.0%という答えが返ります。含めない表なら9.8%です。

8.2ポイントの差です。どちらの回答も、与えられた表に対しては正しい計算です。モデルは間違えていません。間違えているのは、どちらの表を読ませたかが記録されていない状態のほうです。

賃金差異でも同じ形になります。サンプルデータのグループは男女間賃金差異が74.2%ですが、同一等級内で比べると87.3%まで縮みます。生成AIに「男女の賃金差はどのくらいか」と聞いたとき、どちらの表を読んだかで、賃金制度の問題に見えるか登用構造の問題に見えるかが変わります。出てくる文章はどちらも自然で、どちらにも根拠らしい説明がつきます。読んだ人が違いに気づく手がかりは、本文のどこにもありません。

同じことは離職率でも起きます。分母を期首在籍にするか平均在籍にするか、定年退職を含めるかで数字が動きます。定義の置き方は「離職率の計算方法」で扱いました。公表側の定義は「女性管理職比率の公表」にまとめています。

比較する集団の指定も、データの一部です

もうひとつ、数字そのものより効くものがあります。誰と誰を比べたか、という指定です。

候補者の選抜を例にすると、サンプルデータでは全体順位で上位10%を取ったとき女性の該当率は8.9%、男性は15.4%です。同性内で順位をつけると女性12.1%、男性12.4%でほぼ同じになります。同じデータ、同じスコア、同じ「上位10%」で、変えたのは順位をつける集団だけです。

生成AIに「候補者を挙げて」と頼むとき、この指定はたいてい既定値のまま通り過ぎます。そして既定値が結果を決めます。詳しくは「次世代リーダー候補の選抜で女性が少なくなる理由」で扱いました。

同じことは年代や職種でも起こります。在籍年数の分布が違う集団を横並びにすれば、順位はその分布を反映します。能力の差として読む前に、何がそろっていないかを見てください。

比較集団の指定は、プロンプトの一部ではなくデータ基盤側の設定として持ってください。プロンプトに書くと、書いた人ごとに変わり、後から再現できなくなります。

よくある失敗

• PoCを文章の仕事で始めて、そのまま数字に広げる。 文章で成功した体験が、数字でも通用するという感覚を作ります。評価の基準が違うので、数字は別のPoCとして設計してください。
• 出力の正しさを人が抜き取りで確認する。 量が増えると確認が追いつきません。確認すべきは出力ではなく、読ませたデータのほうです。
• 社外サービスに人事データをそのまま渡す。 委託先の扱い、保存期間、学習利用の有無を契約で確認してから渡します。確認が取れないなら、渡す範囲を減らします。
• 少人数の区分を生成に渡す。 一定人数に満たない区分は、集計からも生成の入力からも外してください。出力側だけで止めると、いつか漏れます。
• 定義の版を持たない。 定義は必ず変わります。いつ変えたかが残っていないと、去年の出力と今年の出力の差が施策の効果なのか定義変更なのか説明できなくなります。作り方は「人的資本開示の女性活躍3項目」で触れています。

Floraの支援：読ませる前に、出どころと範囲を固定する

Flora株式会社の「CapLead」は、グループ各社に散在する人事・人的資本のデータを一つの基盤で管理し、指標ごとの定義を版で固定して、元ファイルの行まで遡れる出典を残します。集計や生成の出力には、その定義と出典が紐づきます。人数の少ない区分は、画面にも書き出しにもメール本文にも出ません。

生成AIを人事で使うかどうかにかかわらず、この状態は必要になります。まず30分、貴社グループのデータの持ち方をお聞かせください。

まとめ

生成AIの人事活用でつまずくのは、モデルの性能ではなくデータの状態です。出どころが辿れる、定義が固定されている、時点がそろっている、範囲が制御できる。この4条件を満たさない数字を読ませると、もっともらしい間違いが速く大量に出ます。

サンプルデータでは、管理職の範囲の取り方ひとつで9.8%と18.0%に分かれました。どちらもモデルの計算としては正しく、記録がなければどちらを見ているかも分かりません。状態を測る指標の選び方は「eNPSとは」にまとめています。

--- CTA: 30分ヒアリング（無償）を申し込む → /ja/caplead