「AIを推進したいが、社内にAI人材がいない」「採用しようとしたが、年収1,000万円超でも応募が来ない」「研修プログラムを始めたが、現場で使われない」——AI推進に投資する企業のほとんどが、人材戦略で躓く。

実態として、AI人材を外部採用だけで揃えるのは不可能 である。経済産業省の調査では、2030年にAI人材は最大12.4万人不足 すると予測されている。IPA「DX動向2025」では、58.5%の企業がDX推進人材が「大幅に不足」 と回答している。市場の絶対数が足りていない。

本稿では、採用・リスキリング・組織設計という三つの打ち手を、それぞれの限界を踏まえながらどう噛み合わせるかという視点で整理する。組織体制の詳細はAI Center of Excellence (CoE) の組成と運用、内製と外注の境界線はAI内製化 vs 外注で扱っているので、併せて参照されたい。なお人材戦略を語る前に押さえておきたいのは、そもそも自社が何の仕事をAIに任せるのかという問いである。これは人を増やす話ではなく、ヒトがやる必要のない仕事を見極めて引き算し、空いた工数を価値ある仕事へ再配置するという設計と表裏一体になっている。

人材不足は景気変動ではなく構造の問題

まず数字で現実を確認しておきたい。経済産業省が2019年に示した試算では、2030年にAI人材は最大で12.4万人不足するとされた。IPAの「DX動向2025」では58.5%の企業がDX推進人材は「大幅に不足」と回答し、不足を訴える企業は日本全体で85.1%に達する。この比率は米国・ドイツより顕著に高く、日本固有の課題として浮かび上がる。

調査 数値
経済産業省（2019年予測） 2030年にAI人材最大12.4万人不足
IPA「DX動向2025」 58.5%の企業がDX推進人材「大幅に不足」
同調査 日本企業の85.1%でDX推進人材が不足（米独より顕著）
国内AIエンジニア平均年収（2025年） 調査により幅があり、おおむね600万円台（558〜700万円台）。上位人材は1,000万円超を求めるケースも多い

この不足は一過性のものではない。需要が供給を構造的に上回っているため、好況・不況にかかわらず慢性的に続く。だからこそ採用単独の戦略は破綻する。当社が観測する市場相場では、東京・大阪などの大都市で優秀なAIエンジニアの年収は1,000〜2,000万円に達することも多く、GAFAをはじめとする海外企業との獲得競争に報酬パッケージで対抗できる国内企業は限られる。地方企業に至っては、採用市場へのアクセス自体が困難というのが実情だ。「AI人材を10名採用する」という目標を掲げても、市場の絶対数が足りていない以上、達成は望めない。

一方で潮目も変わりつつある。政府は2026年度までに230万人のデジタル人材育成を掲げ、2023年度には目標の約35万人を上回る約51万人を育成して達成率は約146%に達した。リスキリング市場も拡大が続き、矢野経済研究所の企業向け研修サービス市場調査では2025年度に約6,130億円規模と見込まれる。人材不足は構造的だが、それを補うリスキリングの土台は社会全体で整いつつある。この潮流を待つのではなく自社の戦略として能動的に取り込めるかどうかが、AI推進の成否を分ける。

したがって人材戦略は、外部から採れる人材を採り、その限界を社内人材のリスキリングで埋め、両者を活かしきる組織構造でつなぐ、という順序で考えるのが現実的だ。採用は市場枯渇とコストで頭打ちになり、リスキリングは習得時間と適性に左右される。どちらも単独では穴があるため、少数精鋭で全社をカバーする組織設計が三つ目の柱になる。以下、この三本の柱を順に掘り下げる。

採用 — 何を採るかを決めてから採る

採用でまず躓くのは、「AI人材」を一括りに扱ってしまうことだ。実務上は役割の異なる職種が混在しており、それぞれ採用難易度も市場での希少性も違う。モデルの実装やデータ処理、本番運用を担うAIエンジニア／MLエンジニアは市場の中心で、採用難易度は最も高い。業務要件とAI技術を翻訳し、ロードマップを管理するAIプロダクトマネージャーは数自体が少なく、これも採りにくい。システム全体を設計し技術選定を担うAIアーキテクト、データ分析とモデル評価を担うデータサイエンティストが、それに続く。

タイプ 役割 採用難易度
AIエンジニア / MLエンジニア モデル実装、データ処理、本番運用 極高（市場の中心）
AIプロダクトマネージャー 業務要件とAI技術の橋渡し、ロードマップ管理 高（少数派）
AIアーキテクト / ソリューションアーキテクト システム全体設計、技術選定 高
データサイエンティスト データ分析、モデル評価 中〜高

ここで見落とされがちなのが、エンジニアだけ揃えても業務AIは動かないという点である。技術として作れることと、現場の業務に合う形で実装することは別の能力だ。両者を橋渡しするプロダクト視点の人材がいなければ、技術的には正しいが誰も使わないシステムが量産される。採用計画を立てる際は、最も採りにくいエンジニアから埋めようとするのではなく、橋渡し役を誰が担うのかを先に決めておくほうが、結果として無駄な実装を減らせる。

採用要件そのものも、解像度を上げる必要がある。「AI経験者」という曖昧な要件では、応募者の評価軸が定まらず、結局は前職の社名で判断するような採用に陥る。製造業のデータ分析経験といった業務領域、PythonやLangChain、PostgreSQLといった技術スタック、PoC設計から実装・本番運用までという責任範囲を具体的に書き下すことで、はじめて自社にとっての適性を測れるようになる。

報酬で市場相場に届かない中堅・地方企業は、フルタイム正社員という採用形態そのものを問い直したほうがよい。リモートワークを前提にすれば地方からでも優秀層にアクセスでき、副業や業務委託という形であれば、市場相場のフルタイム年収を払えなくても高スキル人材の時間の一部を確保できる。長期のコミットを引き出したいなら株式報酬を組み込む選択肢もあるし、特定の業界・技術領域に絞ったニッチ採用は、汎用人材の取り合いを避ける有効な手でもある。重要なのは、雇用形態を固定して諦めるのではなく、必要なスキルを必要な時間だけ確保するという発想に切り替えることだ。

採用チャネルにも同じ発想が当てはまる。通常の求人媒体に出稿しても、最も欲しい層はそもそも転職市場に出てこない。社員からのリファラル、技術カンファレンスや勉強会での接点づくり、オープンソースコミュニティやGitHub経由のアプローチ、ビザ支援まで含めた海外人材の受け入れといった、コミュニティ寄りの経路のほうが、優秀層へのアクセスでは媒体採用より効率がよい。手間はかかるが、母集団の質が根本的に異なる。

そして最も見落とされやすいのが、社内からの転換である。別職種の社員がAIスキルを習得するほうが、外部のAI技術者が自社の業務を一から学ぶより速いケースは少なくない。業務の文脈を理解している人材は、どの作業がAIに置き換えられるかを肌感覚で判断できるからだ。これは採用の話というより、次に述べるリスキリングの起点になる発想でもある。

リスキリング — 「使える」層と「作れる」層を分けて設計する

リスキリングを一律のプログラムで設計すると、たいてい中途半端になる。全社員に実装スキルを教えれば多くがついていけず脱落し、逆に全員にリテラシーだけ教えても本番システムを作れる人材は生まれない。だから対象を「AIを使える層」と「AIを作れる層」の二層に分け、それぞれ別の目標と投資水準を設定するのが現実的だ。

下の層は全社員を対象に、AIを業務で使えるようにする。ここで身につけるべきは、ChatGPTやClaude、Copilotといった生成AIツールを自分の業務に当てはめて使う感覚、プロンプトを組み立てる基本、そして機密情報を入力してよい範囲を判断するためのセキュリティとコンプライアンスの理解である。とりわけ大切なのは、自分の業務のどこにAI活用の余地があるかを自力で見つけられるようになることだ。形式としてはオンライン研修に業務での実践と月次のフォローアップを組み合わせ、一人あたり20〜40時間相当を見込む。この層の狙いは技術力ではなく、現場が自分の手元の仕事を見直すきっかけをつくることにある。後述する引き算の見極めは、この感覚が全社に広がってはじめて機能する。

上の層は選抜した人材を対象に、AIを作れるようにする。IT部門やデータ部門の既存人材、各事業部の意欲ある中核人材、新たにAI推進担当に任命される人材が対象になる。LLM APIの活用やRAGの実装、ベクトルDBやAIフレームワークの扱い、AI評価フレームの実装論で扱うような評価基盤の構築、そしてAI業務システムの設計と運用までを射程に入れる。集中研修を数週間から数ヶ月かけて行い、実プロジェクトとメンタリングを組み合わせて、一人あたり200〜400時間相当を投じる。投資が大きいぶん、誰を選ぶかが成否を左右する。

プログラム設計で繰り返し効くのは、入口を「使う」体験から始めることだ。Pythonの基礎から積み上げる構成は正攻法に見えて、効果を実感する前に脱落者を生みやすい。明日の業務がChatGPTで変わるという即効性のある体験から入れば、参加者のモチベーションが続き、その後の本格的な学習にも耐えられる。座学だけでは定着しないため、研修期間中に自分の業務を題材にしたAI活用プロジェクトを必ず走らせ、学びと業務を一体化させる。そして研修を打ち切りにしないことだ。3ヶ月後・6ヶ月後の継続研修、社内勉強会、質問を受け付けるチャネルといった継続支援がなければ、せっかくの知識は数ヶ月で忘れられる。研修は修了がゴールではなく、現場で使い続けられて初めて投資が回収される。

社内のスキル定義には、経済産業省・IPAが策定したデジタルスキル標準をベンチマークとして使うとよい。自社独自の物差しで評価すると、社外人材との比較可能性が失われ、採用やリスキリングの効果測定がしにくくなる。費用面では、人材開発支援助成金やリスキリングを通じたキャリアアップ支援事業といった公的補助を手段の一つとして併用できるが、これは制度設計が頻繁に変わるため詳細はAI予算計画と社内稟議に譲る。記事の本筋はあくまで、誰に何を学ばせ、どう現場で使い続けさせるかにある。

成果を出している企業に共通するのは、経営層・部長級がリスキリングの第1期生になることだ。トップが先に学ぶと、研修と業務プロジェクトが自然に連動し、修了証の発行ではなく実プロジェクトの経験で人材を評価する文化が根づく。やがて修了者が次世代のメンターとなり、育成がコミュニティとして自走し始める。この循環が回り出すと、外部採用への依存度そのものが下がっていく。

組織設計 — 少数の専門人材で全社をカバーする構造

採用とリスキリングで確保した人材も、置き場所を間違えれば力を発揮しない。組織設計の本質は、限られた専門人材をどう配置すれば全社にAIの効果を行き渡らせられるか、という問いに答えることだ。

選択肢は企業のAI成熟度によって変わる。立ち上げ初期は、全AIプロジェクトを中央のCoEが担う完全中央集権型が向く。人材が少ないうちは知見を一箇所に集約したほうが立ち上がりが速いからだ。推進が広がる拡大期には、中央CoEを残しつつ各部署にAIチャンピオンを置くハブ&スポーク型が現実的で、中央の専門性と現場の業務理解を両立させやすい。成熟期には各部署が独立して推進する分散型へ移していく。

形態 特徴 適性
完全中央集権型CoE 全AIプロジェクトをCoEが担当 立ち上げ初期
ハブ&スポーク型 中央CoE + 各部署AIチャンピオン 拡大期（推奨）
完全分散型 各部署が独立してAI推進 成熟期

この進化の道筋はAI Center of Excellence (CoE) の組成と運用で詳しく扱っているが、要点は、最初から分散させると知見が散逸し、いつまでも中央集権だと現場が当事者にならない、という両端の失敗を避けることにある。

どの形態をとるにせよ、役割と責任の境界が曖昧だと組織は機能しない。全社AI戦略と経営層対話を担うCAIO、CoEの運営とリソース配分を担うCoE Head、実装と運用を担うAIエンジニア、プロジェクト管理と業務側との対話を担うAIプロダクトマネージャー、技術選定とシステム設計を担うAIアーキテクト、データ分析と評価を担うデータサイエンティスト、規程・リスク管理・監査を担うAIガバナンス担当、部署内の推進窓口となるAIチャンピオン、全社研修とコミュニティを担うAIエクスペリエンス担当——これらの責任を整理したのが次の表である。

役職 主な責任
CAIO / Chief AI Officer 全社AI戦略、経営層対話
AI Center of Excellence Head CoE運営、リソース配分
AIエンジニア / MLエンジニア 実装、運用
AIプロダクトマネージャー プロジェクト管理、業務側対話
AIアーキテクト 技術選定、システム設計
データサイエンティスト データ分析、評価
AIガバナンス担当 規程、リスク管理、監査
AIチャンピオン（部署別） 部署内のAI推進窓口
AIエクスペリエンス担当 全社研修、コミュニティ

中堅・中小規模の企業でこれだけの役職を別々の人に割り当てるのは非現実的で、実際には一人が複数の役割を兼ねることになる。それ自体は問題ない。重要なのは、兼任していても誰がどの責任を負っているかが明確であることだ。責任の所在が曖昧なまま兼任だけが進むと、ガバナンスの抜けや実装の停滞が起きやすい。

組織設計には、人を動かす側面と並んで、人を留める側面もある。優秀なAI人材を採用しても、社内で「孤立した技術屋」のまま3年で転職されては投資が無駄になる。鍵になるのは、社内に複数のキャリアの道筋を用意しておくことだ。ジュニアAIエンジニアからシニア、アーキテクト、CAIOへと専門性を深める縦の道もあれば、業務担当者がAIチャンピオン、AIプロダクトマネージャーを経て事業部のAI責任者になる横断的な道もある。専門職一本に閉じ込めず、横展開も含めて多様な経験を積めるよう設計しておくことが、定着につながる。

三本の柱は年次とともに重心が移る

三つの柱は同時に均等で動かすものではなく、フェーズによって重心が移っていく。立ち上げ期には外部からの即戦力が起点になり、拡大期にはリスキリングの比重が増し、定着期には組織が主役になる。具体的なイメージを年次で示すと、立ち上げ期の1年目は外部からAIアーキテクトとAIエンジニアを各1名ほど即戦力として迎えつつ、経営層・部長級10名前後にリテラシー研修を施し、意欲ある若手3名ほどを専門職育成に乗せる。組織としては経営直下に3〜5名の小規模CoEを置く。

拡大期にあたる2年目は、AIエンジニアを2名ほど追加しAIプロダクトマネージャーを迎える一方で、リテラシー研修を全社員に広げ、専門職育成を20名規模へと拡大する。組織はハブ&スポーク型へ移行し、各部署にAIチャンピオンを配置していく。定着期の3年目になると採用は量より質に転じて戦略的ポジション中心となり、リスキリングは継続改善と社内コミュニティの運営が主になる。組織面では各事業部のAI推進が自走し、CoEはアドバイザリーの役割へと退いていく。重心が採用からリスキリング、そして組織へと移っていくこの流れこそが、持続可能なAI推進体制の輪郭である。

現場で繰り返される躓きと、その背後にある構造

人材戦略の失敗は、たいてい三本の柱のどれかに偏ったことから生じる。最も多いのが採用への依存だ。「AI人材を10名採用する」と数値目標を立てても、市場相場と社内給与の差が埋まらず採用は進まず、しかもリスキリングを並行していないため社内に育つ人材もいない。打ち手は、採用目標を年2〜3名といった現実的な数字に抑え、空いた余力をリスキリングへ振り向けることである。市場の絶対数が足りない以上、採用で穴を埋めようとすること自体が無理筋なのだ。

研修を施したのに使われない、という躓きもよく起きる。プログラムを受講させても業務でAIを使う機会を与えなければ、知識は数ヶ月で忘れられる。これを避けるには、研修期間中に必ず業務AIプロジェクトへ参画させ、学びをその場で実務に落とすしかない。座学と実務を切り離した瞬間に、研修は修了証を配るだけのイベントに堕する。

経営層が学ばないことも、根の深い失敗だ。トップがAIリテラシーを持たないまま現場にだけ「AIをやれ」と指示しても、稟議の判断も投資の支援もできず、推進は宙に浮く。だからこそ経営層が最初の受講者になり、自ら日常業務でAIを使う体験を持つことに意味がある。判断する側が手触りを持っていなければ、現場の提案の良し悪しを見極めようがない。

採用したAI人材を留められない失敗も少なくない。社内で孤立した技術屋のまま処遇され、3年でモチベーションを失って退職していく。前章で述べたとおり、縦と横の両方に伸びるキャリアの道筋を設計し、経営への参画機会も含めて多様な経験を積ませることが、定着の前提になる。

費用面で公的支援を取りこぼす失敗もあるが、これは制度を知っているかどうかの問題に過ぎず、リスキリングや採用の設計が正しければ補える。詳細は中小企業のAI導入完全ガイドに譲る。

これらの躓きに共通するのは、人を「増やす」ことだけに意識が向き、何の仕事をAIに任せて人を「空ける」のかという問いが抜けている点である。人材戦略を採用・育成の枠だけで考えると、増員のコストばかりが膨らんで成果に結びつかない。発想を反転させ、ヒトがやる必要のない仕事を引き算して空いた工数を価値ある仕事へ再配置するという上位の設計に人材戦略を従わせると、採用すべき人数もリスキリングの対象も自ずと絞り込まれていく。人材戦略は単独の打ち手ではなく、業務の引き算と再配置を実現するための手段なのだ。

まとめ

AI時代の人材戦略は、採用・リスキリング・組織設計を噛み合わせて組み立てる。どれか一つに偏った戦略は構造的に破綻する。採用は市場の絶対数が足りないため必ず限界に突き当たるので、リスキリングを並行させて社内に厚みを持たせる。研修は受けさせるだけでは定着しないため、実プロジェクトと一体で運用する。そして確保した人材を全社に効かせるために、CoE型からハブ&スポーク型、分散型へと組織を成熟度に応じて進化させる。政府も大規模なリスキリング支援を進めている今、この潮流を能動的に取り込みながら自社の人材ベースを構造的に強化できるかどうかが、AI推進の長期的な競争力を左右する。

ただし忘れてはならないのは、人材戦略はそれ自体が目的ではないという点だ。何の仕事を引き算し、空いた工数をどこへ再配置するのか——その上位の問いに人材戦略を従わせてはじめて、採用とリスキリングの投資が成果につながる。

AX Boostでは、AI人材戦略の設計と実装支援をFDE型コンサルティングの一環で提供している。採用要件の定義からリスキリングプログラムの設計、CoEの組成までを、現場に入り込んで一貫して伴走する。技術導入そのものではなく、どの仕事を引き算して人をどこへ再配置するかという経営文脈の見極めから入るのが、当社のアプローチである。詳細はFDE型コンサルティング完全解説を参照されたい。

主要参照ソース

本稿で引用した数値・出典は以下の一次ソースに基づく。

関連記事: