.png&w=3840&q=75)
目次
DX が叫ばれて久しい昨今、AI の活用も DX の文脈で語られるようになりました。
DX の中核として求められる AI ですが、その AI の導入や利活用を進める人材はどういった人材なのでしょうか。またその人材に求められるスキルはどういったものになるのでしょうか。
本記事では、DX 推進のために必要な AI 人材とその育成方法についてご紹介してまいります。
なお、AI 人材に求められるスキルやキカガクの AI 研修については下記記事でもご紹介しております。
AI 研修をお探しの方はこちらの記事もご参考ください。
日本において、AI はどういった目的で導入されるのでしょうか。
下図は、DX 白書 2023 における AI の導入目的になります。米国と比較した際の日本特有の目的として、AI の活用を「生産性向上」「ヒューマンエラーの低減、撲滅」「品質向上」といった業務改善に関する項目が目立ちます。

出典:DX 白書 2023
つまり日本企業における AI の導入目的は、業務改善等を通した生産性の向上を目的としたもの多いことがわかります。
では、AI の利活用の状況はどうでしょうか。
下図は経年比較での日本における AI の利活用の状況です。2017 年に比べ、「導入している」が増えていることがわかります。

出典:DX 白書 2023
では次に、従業員規模別の AI の利活用の状況を見ていきましょう。
.jpg)
出典:DX 白書 2023
従業員規模が大きくなればなるほど導入している割合が増えていますが、ただ導入済みの企業の大多数は、全社的にではなく一部の部署で導入されているようです。
つまり、従業員数規模 301 以上の企業の一部の部署にて AI の利活用が進んできていますが、AI 活用のポテンシャルはまだまだあることがわかります。
では、この背景に AI の利活用が進まない要因はどこにあるのでしょうか。
下図の日米比での AI 導入の課題ですが、日本における導入の課題の大きな要因が「自社内で AI への理解が不足している」「AI 人材が不足している」のの2 つになっています。
.jpg)
出典:DX 白書 2023
つまり、そもそもの AI 導入を進める人材が不足しているということがわかります。さらに、全社または一部署において AI 導入を進めるにあたり、AI への理解や AI 導入の必要性の醸成がされないと AI 導入の阻害要因となることがわかります。
よって、AI の導入や利活用を推進するには、AI 導入・利活用を推進する人材と AI 導入の必要性や AI への理解が進んだ人材の育成の両面から実施する必要がありそうです。
育成パターン | 人材像 |
|---|---|
AI 推進人材 | AI 導入・利活用を推進する人材 |
AI リテラシー人材 | AI 導入の必要性や AI への理解が進んだ人材 |
では、上記を踏まえ育成すべき AI 人材の詳細を見ていきましょう。
AI 人材について明確な定義はありませんが、AI 人材について考える上で DX 白書 2023 の図表 5-79 の AI 人材の充足度を見てみましょう。
下図によると、AI 人材は次の 6 パターンがありそうです。
.jpg)
出典:DX 白書 2023
上図の AI 人材の 6 つの人材像と、前章での 2 つの育成パターンを組み合わせ見ましょう。
育成パターン | 人材像 |
|---|---|
AI リテラシー人材 | AI に理解がある経営・マネジメント層 |
AI 推進人材 | AI を活用した製品・サービスを企画できる AI 事業企画 |
AI 推進人材 | 先端的な 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 |
AI 推進人材 | 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 |
AI リテラシー人材 | AI ツールでデータ分析を行い、自社の事業に活かせる従業員 |
AI リテラシー人材 | 現場の知見と基礎的 AI 知識を持ち、自社への AI 導入を推進できる従業員 |
以上より、AI 人材は各階層で必要であり、かつ役割が異なるため求められる知識やスキルはリテラシー方面と技術&企画方面があることがわかります。
では、各育成パターンにどういった知識やスキルが求めれ、どういった研修カリキュラムを組む必要があるかみていきしょう。
本章では、AI 人材に必要なスキルを経済産業省とIPA(独立行政法人情報処理推進機構)にて設定されたデジタルスキル標準をもとにみていきましょう。
デジタルスキル標準とは、ビジネスパーソン全体に向けた DX の基礎知識やマインドスタンスを学習するための項目や、DX を推進するうえで必要な人材とスキルをまとめた指針で、DX リテラシー標準と DX 推進スキル標準から構成されています。
デジタルスキル標準についての解説はこちらの記事でも実施しています。
まず、AI 導入の必要性や AI への理解が進んだ人材である、AI リテラシー人材に求められるスキルや知識を見ていきましょう。それにあたり、デジタルスキル標準の構成要素の一つある、DX リテラシー標準を参考にみていきます。
DX リテラシー標準とは、全てのビジネスパーソンが身につけるべき能力・スキルの標準を明示したものです。そこにおける AI に関連する項目は下図のようになります。
内容 | 説明 |
|---|---|
|
|
また、上記を前提として自社に導入した AI ツールの知識や使いこなし方というもの必要になってきます。
つまり、DX 推進の手段として活用する AI に関する概要や技術の全体像等を理解することで、自社課題を解決する AI 技術についての解像度を高め、自社にとっての AI の必要性を認識し、社内における AI への期待値調整、AI ツールの効果の最大化を図るための知識・スキルが必要となります。
次に、AI 導入・利活用を推進する人材である AI 推進人材に求められるスキルや知識を見ていきましょう。それにあたり、デジタルスキル標準の構成要素の一つある、DX 推進スキル標準を参考にみていきます。
DX 推進スキル標準とは、DX を推進する人材の役割や習得すべきスキルの標準を示した指針です。
その DX 推進スキル標準において DX を推進する人材のタイプを 5 つ示していますが、その中で AI に関する人材像は「データサイエンティスト」になります。
人材類型 | 役割 |
|---|---|
データサイエンティスト | DX の推進において、データを活用した業務変革や新規ビジネスの実現に向けて、 |
そのデータサイエンティストは次の 3 つの詳細な区分に分けられます。
それぞれの詳細な役割区分と求められるスキルを見ていきましょう。
人材類型 | 詳細な役割区分 | 必要なスキル |
|---|---|---|
データサイエンティスト | データエンジニアリング | ・データ活用基盤設計 |
データサイエンティスプロフェッショナル | ・数理統計/多変量解析/データ可視化 | |
データビジネスストラテジスト | ・データ理解/活用 |
つまり、DX における AI ・データサイエンティストに求められる役割は、データ戦略立案から実現のリード、データ解析、データ分析基盤の整理と、顧客価値の最大化やビジネス価値創出のためのデータ活用の全般だということがわかります。
上記のようなスキルや知識を習得させるために、何を学んでいく必要があるでしょうか。
上記に引き続き、デジタルスキル標準の DX リテラシー標準と DX 推進スキル標準をベースに見ていきましょう。
DX リテラシー標準にある AIを リテラシーを向上させるための学習項目例は次のとおりになります。
内容 | 学習項目例 |
|---|---|
AI の歴史 |
|
AI を作るために必要な手法・技術 |
|
人間中心の AI 社会原則 |
|
AI の得意分野・限界 |
|
AI に関する最新の技術動向 |
|
上記のように、AI について歴史から、AI の技術についての概要、また AI の最新動向まで全般的に学習していきます。
ここでのポイントは次のようになります。
AI リテラシー育成は、対象者の属性が多いため、その属性に合わせて適切な育成方式を選ぶ必要があります。
対象 | 形式 | 詳細 |
|---|---|---|
経営陣 | 講演形式 | 確保できる時間が少ないため、 |
全従業員 | eラーニング | 関係者が多くなるため、管理と進捗把握、 |
このリテラシー教育の目的の一つとして、AI 導入の必要性を知ってもらうことがあります。
そのために AI 導入や活用の事例は、自社課題に沿ったものや、所属業界に直結するものにカスタマイズして実施することで、活用イメージや危機感の醸成に繋がる可能性が高いからです。
では実際に AI の導入や利活用を推進する人材を育成するために必要な学習項目例を見ていきましょう。
必要スキル | スキルの説明 | 学習項目例 |
|---|---|---|
データ理解/活用 | グラフ/図表等を含む統計情報や | ・データ理解(データ理解、意味合いの抽出、洞察) |
データ/ AI 活用戦略 | 事業戦略や組織的課題、顧客ニーズ等を踏まえて、 | ・着想/デザイン(着想、デザイン、AI 活用検討、開示/非開示の決定) |
データ/ AI 活用業務の設計/事業実装/評価 | データ/ AI 戦略上の目的の実現に向けたアプローチを設計した上で、 | ・アプローチ設計(データ入手、AI-ready、アプローチ設計、分析アプローチ設計) |
数理統計多変量解析/データ可視化 | 統計学的知見に基づく手法を用いて、 | ・基礎数学 (統計数理基礎、線形代数基礎、微分/積分基礎、集合論基礎) |
機械学習/深層学習 | 機械学習や深層学習、 | ・機械学習 |
データ活用基盤設計 | データから成果を生むデータ活用基盤の準備において、 | ・環境構築(システム企画、システム設計、アーキテクチャ設計) |
データ活用基盤実装/運営 | データから成果を生むデータ活用基盤を実装し、円滑かつ効果 的に運用するために必要なデータを扱うスキル | ・データ蓄積(DWH、分散技術、クラウド、リアルタイム処理、キャッシュ技術、データ蓄 積技術、検索技術) |
上記のように、多岐にわたったスキルや知識を習得していく必要があります。
すでに落ち着いてきましたが、新しい技術が流行りはじめると、とりあえずその技術を学習させるという流れが起こります。
ただ、上記のようにこれだけ学習項目が増えると、もぐらたたきのように学習をすすめても実際に活用されないものとなってしまいます。
それを防ぐためにも、まずは自社のビジョンや戦略策定、自社課題から逆算して、解決につながる技術を選定していく必要があります。
実際に AI に関する技術力が社内にストックされてきても、ROI への正確な見積もりや社内調整、プロジェクト推進等、AI を活用してビジネス価値を生み出すのに別のスキルが必要になります。
AI といえば技術の方に目がいきがちですが、せっかく培った AI 技術やツールを利活用するためにも、技術同様この推進スキルが別途必要になってきます。
せっかく技術を学習してもそれが現場に活きないという話を伺います。
というのも AI はデータに依存し、育成で扱うデータが自社データと関係ないもののことが多く、そこで GAP が生じ AI を活用する前段階でいきなり躓いてしまうことがあります。
そこで、そういった課題を解決できる実現場に近いデータや形式で育成を行っていく必要があります。
本記事では、日本における AI の利活用状況から、AI 人材、AI 人材の育成方法について見てきました。
ChatGPT の登場により、真の意味で DX をなし得るには AI 技術はきっても切れないものになります。その利活用には、本記事で紹介したような複数のハードルがあります。
本記事が、そのハードルの解決に尽力されている方のご参考になれば幸いです。
.jpg)
キカガクでは活躍する DX 人材を育成するため様々な研修をご提供しており、各コースの詳細やその他研修については下記の資料にてご紹介しております。
無料で受けられる講座や可視化サービスであるアセスメントの無料デモ等もご用意しておりますので、研修をご検討されている方のご参考になれば幸いです。
最後までお読みいただき誠にありがとうございました。
すぐにわかる キカガク資料 3点セット
資料をダウンロードキカガクDX・AIブログでは、DX推進に役立つ情報を発信しています。

全新入社員をDXの担い手に。2ヶ月の研修がもたらした、新人が起点となる業務変革の連鎖
株式会社ブリヂストン

伝統の「カイゼン」をDXで変革。 アセスメントとプロジェクト型研修で“学び”を“実践”に変える、デンソー流育成術
株式会社デンソー

【データエンジニア/BIツール活用者育成】データ基盤構築とBI活用で研究員のデータ分析力を底上げする第一三共の人材育成
第一三共株式会社
