AI時代の人材評価・配置はどう変わる？「AI込みで何を任せられるか」で考える

AIを使えば、これまで別の担当者や専門家へ頼んでいた調査、分析、資料作成まで、一人で進められることがあります。一方、整った成果物が短時間で出てきても、本人が内容をどこまで理解し、どの判断まで任せられるのかは、成果物だけでは分かりません。

「営業経験5年」「データ分析スキルは中級」「生成AIを毎日利用」といった情報は、人材を理解する手がかりになります。そこへ、実際に完遂できる仕事と、本人へ任せられる判断の範囲を加えます。

AI時代の人材評価では、職種、経験年数、保有スキルに加えて、 AIや業務ツールを使いながら何を完遂でき、どの判断や結果への対応まで本人に任せられるか を見ます。配置でも、現在の仕事に合うかを確認するだけでなく、次にどの経験を任せれば担当範囲や判断力が広がるかを考えます。

この記事では、人材の現在地を「専門性・能力」「仕事の完遂範囲」「判断・責任」の3層に分け、実際の仕事から評価・配置・育成をつなぐ方法を紹介します。

この記事のまとめ

• 職種、経験年数、保有スキルに加えて、AIやツールを使いながら何を完遂できるかを評価します。
• 評価は「専門性・能力」「仕事の完遂範囲」「判断・責任」の3層に分けると、できる作業と任せられる判断を混同しにくくなります。
• AIの利用量より、成果、本人の判断、品質確認、改善、必要な相談ができたかを見ます。
• 配置は、今任せられる仕事と、次に積ませたい経験の両方から決めます。

1. 人材評価では「AI込みで任せられる仕事」まで見る

職種、経験年数、スキルは、AI時代も人材評価の大切な情報です。そこへ「AI込みで任せられる仕事」を加えると、本人の能力を配置や育成へつなげやすくなります。

職種を見れば、経験してきた業務の範囲を推測できます。経験年数は、どのような案件や変化を経験してきたかを確認する入り口になります。保有スキルを確認すれば、使える知識や技術が分かります。これらは今後も、人材の経験と能力を知る手がかりになります。

変わるのは、同じ職種やスキルでも、AIやデータ、業務ツールを組み合わせることで担える仕事に差が生まれる点です。たとえば「データ分析スキル：中級」を、実際の仕事で担える工程に置き換えると、能力の使い道が具体的になります。

必要なデータを集め、AIに分析方法やコードの案を作らせ、実行結果を確認し、顧客への示唆までまとめられる。重要な分析条件は専門家に確認し、自分の権限を超える事業判断は上司へ相談できる。

この表現なら、本人が担える工程、AIの使い方、確認が必要な判断まで見えます。次に任せる仕事や、補うべき能力も話しやすくなります。

人材を学歴や職歴だけでなく、実際に示せるスキルから捉える動きは、採用にとどまらず、業績確認やキャリア開発にも広がっています。AI時代の評価では、そこからさらに一歩進めて、 スキルを実際の仕事へ結びつけ、どの成果まで持っていけるかを確認します。

ただし、「任せられる仕事」を一つの段階や点数だけで表すと、知識があること、作業できること、重要な判断を担えることが混ざります。そこで、本人の現在地を3層に分けて見ていきます。

2. 評価は「専門性・能力」「仕事の完遂範囲」「判断・責任」の3層で見る

AI込みで任せられる仕事は、「専門性・能力」「仕事の完遂範囲」「判断・責任」の3層に分けると捉えやすくなります。 知識があること、仕事を完了できること、判断や結果への対応まで担うことを分けて確認するためです。

ここでいう3層は、上から順に進む段階ではありません。一つの仕事を三つの観点から見るための整理です。

専門性・能力：仕事の構造と品質基準を理解しているか

仕事の目的、品質基準、失敗の兆候、例外を理解しているかを見ます。AIが得意な工程や誤りやすい条件を理解し、出力を評価できることも含みます。

仕事の完遂範囲：どの工程と品質まで完了できるか

AI、データ、業務ツール、周囲の支援を使い、どの工程まで完了でき、どの水準の品質を確保できるかを見ます。必要な情報を集め、相談すべき条件を見極めて仕事を完了することも含みます。

判断・責任：どの判断と結果への対応まで担うか

本人が行う判断、その理由を説明できる範囲、想定外が起きたときに対応・是正できる範囲を見ます。あわせて、上司や専門家の確認が必要な条件を分けます。

たとえば顧客分析なら、業務とデータの意味を理解しているか、分析から提案資料まで完了できるか、どの施策を提案するか判断できるかを分けて確認します。3層で見ることで、「分析ができる」という一つの表現に、知識、実行、判断を混ぜずに記録できます。

深める専門とAIで広げる領域の考え方は、AI時代に専門性はどう変わる？で紹介しています。AIを使って仕事を進める力の全体像は、AI時代に必要な能力とは？も参考にしてください。

3. 仕事の完遂範囲と判断・責任は分けて評価する

成果物を作れる範囲が広いことと、重要な判断まで任せられることは、別の軸で評価します。 AIによって調査、比較、初稿作成まで進めやすくなっても、判断の影響や戻しにくさは変わらない場合があるためです。

判断・責任の範囲は、本人の能力だけで決まるものではありません。役職、付与された権限、社内ルールによっても変わります。そのため、責任の範囲が広いことを、そのまま能力の高さとして扱わず、置かれた役割とあわせて確認します。

たとえば、担当者がAIを使って市場データを集め、競合を比較し、投資案を三つ作ったとします。ここまでの仕事を一人で完遂できても、数千万円の投資先を決める判断は、上司や経営会議が担うかもしれません。この場合、本人の仕事の完遂範囲は広い一方、投資の最終判断とその責任は上司や経営会議が担います。

反対に、担当する工程は限られていても、その領域で高度な判断を任せられる人もいます。法務の専門家が契約書の特定条項だけを確認する場合、仕事全体の担当範囲は狭く見えます。それでも、その条項が生むリスクを判断し、修正方針を示す責任は大きいでしょう。

二つの軸を分けると、次のように現在地を整理できます。

この表では、職種や役割に応じて、求める組み合わせを確認します。専門職では担当工程が限定されていても、特定領域の重要な判断を任せられることが価値になります。プロジェクト責任者には、広い仕事と複数の判断をまとめる力が必要です。

本人へ任せる判断の範囲は、金額、顧客への影響、安全や法務上のリスク、問題が起きたときの戻しやすさから決めます。通常の案件は本人へ任せ、一定の条件に当てはまる場合だけ上司や専門家へ相談する形にすると、裁量と統制を両立しやすくなります。

評価面談では、本人や上司の見立てを、一つの仕事に残った事実と照らして現在地を確かめます。

4. 一つの仕事を「成果・進め方・判断・確認・責任」から評価する

第2章の3層を実際に評価するときは、完成した成果物に加えて、進め方、判断、確認、責任を一つの仕事の中で見ます。 AIと本人の作業を細部まで切り分けることを目的にせず、本人がどこで判断し、何を確認し、必要な相手へ相談したかが分かる事実を集めます。

顧客分析から施策提案までを評価するなら、次の5項目を確認します。

まず成果では、依頼された資料を期限内に作ったかに加え、意思決定に使える内容になっているかを見ます。顧客の利用率低下を示す場合は、対象期間、比較条件、データの欠損を明らかにし、次の施策につながる仮説まで示せているかを確認します。

進め方では、目的に合う情報と手段を選べたかを聞きます。「過去の商談記録はAIで整理し、契約条件は原文を確認した」「集計コードはAIに作らせ、既知のデータで結果をテストした」と説明できれば、道具を使い分けた理由が分かります。

判断では、採用した案に加えて、選ばなかった案と理由を確認します。確認では、AI出力をそのまま使わず、数値、引用、計算、例外、顧客への影響をどのように確かめたかを見ます。責任では、提案後の結果を説明できるかに加え、想定外の結果が出たときに必要な報告や対応を行い、その経験を次回の進め方へ反映したかを確認します。

5項目の重みは、仕事の性質に合わせます。顧客へ直接影響する仕事なら判断と確認を重くし、定型的な社内作業なら成果と進め方を中心に見ます。

評価材料をまず一つの仕事単位でそろえると、成果物の見栄えやAI利用の印象に引っ張られず、次にどこまで任せられるかを話せます。評価は、その後の仕事の結果に応じて更新します。

5. AI活用は、利用量より成果・判断・確認・改善で評価する

AIを毎日使っていることや、多くのプロンプトを送っていることは、AIが職場へ定着しているかを見る材料になります。本人の能力は、その利用を仕事の成果へどうつなげたかで評価します。

利用回数を能力の中心指標にすると、回数を増やしやすい仕事を担当する人が有利になります。文章の初稿を頻繁に作る人と、月に数回ある重要な判断の検討にAIを使う人を、同じ利用回数で比べることはできません。出力を多く作ることが目標になると、確認されていない資料や似た案が増え、周囲のレビュー負担が大きくなることもあります。

全国の正規雇用者3,300人を対象にした2026年の調査では、AIを頻繁に使う人の中でも、情報収集、意思決定、結果確認といったメタ・スキルが高い層と低い層の間で、業務成果に差が見られました。利用量が同じでも成果は異なるため、能力評価ではAIを使った後の判断と行動まで確認します。

能力評価では、第4章の5項目を使い、AI利用が仕事の成果へつながったかを確認します。たとえば、複数案を目的に沿って比較し、根拠を検証したうえで一案を選べたかを見ます。実行後には、結果を踏まえてAIへ渡す情報や進め方を変えたかも確認します。

AIの利用頻度を測る場合は、評価の目的を分けてください。利用者が増えているか、研修後に試されているかを知りたいなら、導入施策の指標として役立ちます。本人へどの仕事を任せられるかを判断するなら、成果、判断、確認、改善を見ます。

「AIを使ったか」から「AIを使って仕事をどう前へ進めたか」へ質問を変えると、本人の能力と次の育成課題が見えます。

6. AIを仕事環境の一部として扱い、品質を守れるか確かめる

通常の評価は、普段利用できるAIを含む環境で行い、その状況で成果の品質を守れるかを見ます。 ただし、AI出力を評価するための基礎知識、AI障害時の対応、AIを利用できない業務については、必要に応じて別に確認します。

仕事では、表計算ソフトや業務システムなどの道具を使います。承認されたAIも仕事環境の一部です。そのため、AIなしですべてを再現できるかではなく、AIを使いながら仕事の目的と品質を理解し、判断や相談を適切に行えるかを評価します。

たとえばAIが分析コードを作った場合は、本人が集計内容を説明し、入力データと結果を確かめられるかを見ます。問題があれば、AIに修正させるのか、分析担当者へ相談するのかを判断できることも重要です。

AIを使わない確認は、確認したい能力や業務上のリスクがある場合に設けます。人とAIの役割、監督方法、障害時の対応は、利用場面のリスクに合わせて決めます。

AIを仕事環境の一部として認めたうえで、目的、品質、例外、相談、結果への対応を本人に求めることが、実務に合う評価につながります。

7. 公平な評価では、本人の能力とAI環境を分ける

成果を比べるときは、本人が担った判断や工夫と、会社が提供したAI・データ・支援環境を分けて見ます。 同じ能力を持つ人でも、使える環境によって進められる工程や成果量が変わるためです。

一方の部署では、高性能なAIを使って社内データを検索し、分析コードまで実行できるとします。別の部署では、利用できるAIが限られ、社内データへ接続できず、結果を手作業で移す必要があるかもしれません。成果量だけを比べると、この環境差を本人の能力差として扱ってしまいます。

評価時には、次の二つを分けて記録します。

たとえば、社内データへ接続できない環境で働く人が、公開情報と手元の記録を整理し、制約を明らかにしたうえで提案を作ったなら、その判断と工夫を評価できます。同時に、データ接続がないため分析範囲が限られたことは、本人の能力不足と分けて記録します。

個人がAIを使えることと、組織に利用ルールや管理職の支援があり、実際の仕事へ使えることは分けて考えます。

環境差を確認すると、評価の公平性だけでなく、会社が次に整えるべき条件も分かります。本人に研修が必要なのか、データへのアクセス権限が必要なのか、上司のレビュー時間が不足しているのかによって、打ち手は変わります。

「本人に何が足りないか」と「会社が何を用意できていないか」を分けると、評価結果を適切な育成と環境整備へつなげられます。

8. 配置は「今任せられる仕事」と「次に積ませる経験」の両方から決める

人材配置では、現在の能力で成果を出せる仕事に加えて、支援を受けながら担当範囲・専門性・判断力を広げる仕事を決めます。 今できる仕事だけに合わせ続けると、本人が新しい経験を積む機会が限られるためです。

89カ国の事業・人事リーダー9,000人超を対象にした2026年の調査では、61％の組織が、職務やポストに加えて、タスク、スキル、成果に基づいて人材を配置していると回答しました。AI時代の配置では、固定されたポストへ人を当てる考え方に加えて、必要な成果に合わせて人、AI、データ、専門家を組み合わせる場面が増えると考えられます。

配置を決めるときは、次の4項目を並べます。

1. 今任せられる仕事
   一人で完遂できる工程と、本人へ任せられる判断を確認します。
2. 次に任せる仕事
   現在より担当工程や判断を一つ広げた仕事を選びます。
3. そこで積ませる経験
   顧客との対話、仮説検証、例外対応、意思決定、結果の振り返りなど、その仕事を通じて本人に積んでもらう経験を決めます。
4. 必要なレビューと支援
   上司が確認する時点、専門家へ相談する条件、必要なAI・データ環境を用意します。

たとえば、顧客分析から施策案の作成までは一人でできる社員がいるとします。次の配置では、三つの施策案から一案を選び、その理由を上司へ説明し、レビュー後に顧客へ提案するところまで任せます。この配置では、判断基準を使って案を選び、顧客の反応から判断を振り返る経験を積んでもらいます。

次の配置では、現在地を少し超える仕事や、異なる領域へ移る経験も候補になります。本人の希望、事業上の必要性、失敗した場合の影響、支援体制を確認したうえで、任せる範囲を決めます。

管理職が仕事、判断、成長をどう設計するかは、AI時代の管理職の役割とは？で詳しく紹介しています。若手育成やOJTの具体策は、AI時代の人材育成から確認できます。

現在の適材適所と、次の成長機会を同じ配置の中で考えると、事業成果を守りながら本人に任せられる範囲を広げられます。

まとめ

評価結果は、等級やランクを決めるだけでなく、次の配置を実行し、育成と支援を用意するために使います。 最初から評価制度全体を変えなくても、一つの仕事を単位に運用を始められます。

評価面談では、第4章の成果物、判断理由、確認内容、実行結果を使って現在地を確かめます。そのうえで、第8章で決めた次の仕事を任せ、必要な学習、AI・データ環境、上司や専門家のレビューを用意します。

本人との会話では、評価者の見方だけでなく、本人がどこまで担えると考えているか、次にどの経験を積みたいかも確認します。認識が異なる場合は、抽象的な能力の議論ではなく、実際の成果物や判断理由へ戻ると、違いを具体的に話せます。

不足する能力が分かったら、次に任せる仕事との差から学ぶ内容を決めます。仕事起点で学び直す方法は、AI時代のリスキリングは何を学ぶべきか？で紹介しています。個人がキャリア全体から次に積む経験を考える場合は、AI時代のキャリアはどう変わる？も参考にしてください。

評価記録は、次に任せた仕事の結果から更新します。どの工程と判断を一人で進められたか、どこで確認が必要だったか、結果を受けて何を変えたかを記録します。AIや業務ツールが変わった場合も、現在の環境で任せられる範囲を確かめ直します。

AI込みで何を任せられるかを記録し、次の仕事の結果から更新します。

参考資料

• A Skills-First Labour Market｜OECD
• Workforce planning to extend work span in aging Asia｜Mercer
• 2026 Work Trend Index Annual Report｜Microsoft WorkLab
• AI環境における人材とマネジメントに関する定量調査｜パーソル総合研究所
• Orchestrating for agility｜Deloitte Insights
• 「縦・横・斜め」の移動により活躍の可能性を広げるミスマッチ解消｜リクルートワークス研究所
• AI Risk Management Framework｜NIST