日本企業のAI人材育成・内製化の取り組み動向 ― 選択的内製化と三層育成

「デジタルスキル標準（DSS）」を活用した体系的な人材育成

デジタルスキル標準（DSS）は、経済産業省と情報処理推進機構（IPA）が策定した、企業のデジタル人材育成と個人の学習のための指針です。全ビジネスパーソンを対象とする「DXリテラシー標準」と、DX推進を担う専門人材向けの「DX推進スキル標準」の2部構成となっています。2026年4月に公表されたバージョン2.0では、データマネジメント類型の新設や、AI実装・運用、AIガバナンスに関するスキルの拡充など、AI・データ活用とビジネス変革に必要な能力が反映されました。

全社員を対象とするAI教育の拡大 ― 三層育成

AI教育の対象は、全社員・現場担当者・専門人材の三層へと広がっています。

• 第一層（全社員）：AIの基礎理解、安全な利用、情報倫理、出力内容の検証などの基礎教育
• 第二層（現場担当者）：AIを活用した業務改善や業務プロセスの見直しを担う実践人材の育成
• 第三層（専門人材）：AIエンジニア、データサイエンティストなど、AIシステムの開発・実装やデータ分析を担う人材の育成

実践型育成の導入とリスキリングの推進

座学やeラーニングに加え、実業務を題材とした演習、業務改善プロジェクト、社内勉強会などによる実践機会が拡充されています。現場担当者が課題発見、AIの適用判断、業務フローの再設計、実証実験（PoC）を一連のプロセスとして学ぶ伴走型支援も導入されています。

また、営業・企画・人事などの非IT職種や、現場業務に精通した社員を対象に、AI活用スキルを習得する機会も広がっています。ノーコード／ローコードツールや生成AIを活用し、プログラミングの専門知識に過度に依存しない業務改善能力を育てる取り組みも進んでいます。

AI内製化の拡大とその意義

外部ベンダーへの全面的な依存から、競争力に直結する業務システムやAI活用機能を自社で企画・開発・改善する方向への移行が進んでいます。自社の業務知識を生かした継続的な改善、技術ノウハウの蓄積、長期的なコスト削減によって競争力を強化できる点が内製化の意義です。また、金融・医療・製造など、法規制や社内ポリシーへの厳格な対応が求められる分野では、データ管理やセキュリティ確保の観点からも内製化のニーズがあります。

内製化を支える体制と技術

• 推進組織の設置：AI推進組織やCenter of Excellence（CoE）を設置し、全社的なAI活用の推進とノウハウの共有を図る
• 業務部門とIT部門の連携：現場の課題に即したAI活用を企画・開発・改善する
• ツールの活用：ノーコード／ローコードツールを活用する
• 基盤整備：データ管理、システム連携、アクセス制御、セキュリティ対策など、AIを安全かつ継続的に運用するための基盤を整える

外部リソースの活用と段階的な内製化

内製化する領域と外部に委託する領域を適切に見極めることで、コストや人材面の制約に対応できます。導入初期は外部リソースを活用しながら、企画・評価・運用など自社に必要な能力を段階的に強化し、持続的なAI活用体制を構築していくことが求められます。

人材育成と実践機会の確保

• 通常業務が優先されることによる学習時間の不足と、継続的なリスキリング時間の確保の難しさ
• 座学や知識習得を中心とした研修による、実業務でAIを活用する実践経験の不足
• 成功事例や失敗事例の共有不足により、個人の学習成果やノウハウを組織全体へ展開することの難しさ

組織体制と人事制度の整備

• 現場部門の業務知識とIT部門の技術知識の連携不足による、実効性の高いAIソリューションの企画・開発の難しさ
• 一部の社員に依存したAI活用の属人化と、社員間・部門間における活用能力の格差
• 全社的なAI推進と現場主導の取り組みの両立、および部門横断的な知識共有の難しさ
• AIスキルの可視化、キャリアパス、評価・報酬制度など、人材育成と人事制度の連携不足

実証実験から本格導入への移行

• 経営課題とAI活用を結び付ける構想・設計力や、費用対効果を適切に評価する能力の不足
• 実証実験（PoC）にとどまり、本番運用や全社展開への移行が進まない問題
• 導入目的や評価指標、運用責任が不明確なことによる、投資効果の把握と継続的な改善の難しさ

経営戦略と連動したAI人材育成

AI活用を単なる業務効率化にとどめず、事業成長や競争優位性の確立につなげるには、経営課題と連動した人材育成テーマの設定が欠かせません。短期的な業務改善効果だけでなく、中長期的な事業成果を見据えた育成が求められます。そのためには、経営層がAI活用方針を明確にし、事業戦略・人材戦略・技術戦略を一体的に推進することが重要です。

実践型学習と人事制度の連携

• 研修と実務の組み合わせ：育成制度を整備し、学習成果の業務への適用と継続的な学習意欲の向上を図る
• 貢献の適切な評価：AI活用の成果や内製化プロジェクトへの貢献を適切に評価する人事制度を構築する
• キャリアパスの整備：AIスキルを可視化し、専門職のキャリアパスを整備することで、エンジニアやデータサイエンティストが社内で長期的に活躍・昇進できる評価・報酬体系を確立する
• 社内コミュニティーの形成：成功事例や失敗事例を共有し、組織全体で知識・ノウハウを蓄積・活用する

ハイブリッド型内製化体制の構築

コスト・専門性・自社の競争力を考慮し、自社人材と外部専門家の知見を組み合わせたハイブリッド型の内製化体制を構築する動きが進むと考えられます。AIモデルやクラウドサービスなどの外部リソースを活用しながら、業務設計、データ活用、AIの評価・改善など、自社の競争力に直結する能力を段階的に内製化していきます。

あわせて、AI専門部署と現場部門が協働し、業務課題の発見から開発、評価、改善までを自律的に進める組織能力を強化すること、そして社内の知識・ノウハウの蓄積と外部パートナーとの連携を両立させる持続的なAI活用基盤を整備することが求められます。