執筆：Swooo編集部／監修：諸藤 哲耀（株式会社アイビス Swooo）
人事業務のAI化は、「どのAIツールを入れるか」より先に「どの業務を、どの手段でAI化するか」を切り分けるところから始めると失敗しにくくなります。議事録の要約や求人票の下書きのように既製の生成AIツールで十分な業務がある一方で、自社固有の評価制度の運用や、採用管理・勤怠・給与といった複数システムをまたぐ処理のように、既製ツールでは手が届かず自社に合わせた開発が効く業務もあるからです。
さらに人事には、他部門のAI化にはない特有の論点があります。採用や評価は人の処遇を左右する判断であり、法令上の制約と、候補者・従業員からの受け止めを無視して効率だけを追うと、採用力そのものを損ないかねません。
この記事では、人事部門の責任者や経営層に向けて、人事業務のAI化の現在地、既製ツールとカスタム開発の切り分けと費用感、採用選考でAIを使う際の法的・倫理的な注意点、候補者体験のデータ、そして導入の進め方までを一通り解説します。なお、経理業務のAI化はシリーズ第1弾の記事で同じ枠組みで整理しています。
目次
人事業務別の早見表：ツールで済むか、開発が効くか
最初に結論の早見表を示します。人事の主要業務ごとに、既製ツール（生成AIサービス・採用管理システム等）で十分か、自社に合わせた開発が効くかを整理したものです。詳しい理由は後の章で解説します。
| 人事業務 | 向いている手段 | 理由 |
|---|---|---|
| 議事録・面談メモの要約 | 既製ツールで十分 | 汎用の生成AIツールで実用水準。人事部門で最も使われている用途でもある |
| 社内問い合わせのチャットボット（一般的な内容） | 既製ツールで十分 | FAQ登録型のチャットボットが成熟している |
| 求人票・スカウト文の作成 | 既製ツールで十分 | 生成AIの文章作成が得意とする領域。採用媒体側の支援機能も充実 |
| 応募書類の一次スクリーニング | 既製ツールで十分 | 採用管理システムの標準機能で要件との照合まで可能。ただし判断の確定は人が行う |
| 自社固有の評価制度・等級制度の運用支援 | 開発が効く | 評価基準が会社ごとに違うため、汎用ツールの前提と合わない |
| 採用管理・勤怠・給与など複数システムの連携 | 開発が効く | システム構成が自社固有で、汎用の連携機能では隙間が残る |
| 社内規程にもとづく問い合わせ対応 | 開発が効く | 就業規則や自社制度を参照する回答は、自社文書と接続する仕組みが必要 |
| 面接・適性のAIによる自動判定 | 慎重に検討 | 法的・倫理的な設計と候補者体験の検討が手段の選択より先 |
大づかみに言えば、「どの会社でも同じ形の業務」は既製ツール、「自社にしかない形の業務」はカスタム開発という切り分けです。ただし人事の場合は、これにもう一つの軸が加わります。その業務が人の処遇に関わる判断かどうかです。採用の合否や評価に関わる領域は、手段を選ぶ前に法令と倫理面の設計を固める必要があります。この点は後半の章で詳しく扱います。
人事AI化の現在地：企業全体では9割超、HR業務に絞ると濃淡が大きい
経団連が2026年4月に公表した「HR部門におけるAI等の活用に関する報告書」によると、企業全体では9割超が何らかの形でAIを活用しています（全部門を通じた活用率）。ただしHR部門の業務に絞ると景色は変わり、同報告書の調査では、最も進んでいる採用でも活用企業は約3割にとどまります。一方、日本の人事部「人事白書2025」では人事部門の66.5%が生成AIを活用していると回答しており、議事録要約のような身近な用途から入る動きはすでに広がっています。
中身を見ると、活用には明確な濃淡があります。経団連の調査（75社対象）では、採用25社・労務管理22社・人材育成20社と入口業務での活用が先行する一方、人事評価は13社、報酬は5社と、処遇に関わる業務では大きく減ります。象徴的なのが評価ツールの導入率で、同報告書が引用するOECD調査によると日本は5%、米国は83%という開きがあります。
なぜ処遇に関わる領域で止まるのか。同報告書はこの差の背景として、米国がジョブ型雇用で職務ごとの評価基準が明確である点を挙げています。基準が標準化されていれば、汎用ツールに載せやすいわけです。裏を返せば、日本企業の評価・等級制度は会社ごとに独自に作り込まれており、既製ツールが前提とする「標準形」が存在しないということです。つまり日本の5%という数字は、企業の取り組みの遅れというより、汎用ツールと業務構造のミスマッチを映した数字と読めます。この構造は、後述する「開発が効く領域」の話に直結します。
もう一つ、同報告書には重要な整理があります。AIは意思決定のサポートに留め、最終判断は人間が責任を持つという原則です。人事AI化の現在地は、「使う範囲は広がったが、判断を委ねる段階には踏み込んでいない」と要約できます。この線引きは本記事全体を貫く前提でもあります。
既製ツールで済む領域：ここで無理に開発しない
私たちはAIシステムの受託開発を手がける立場ですが、先にお伝えすると、人事業務のかなりの部分は既製ツールで十分です。人事白書2025によると、人事部門での生成AIの用途は、議事録要約が43.1%、チャットボットが26.0%、通知・メールの自動作成が20.6%と、文書まわりの定型業務が上位を占めます。現場が実際に使って定着しているのがこれらの業務だという事実は、そのまま「既製ツールで済む領域」の目安になります。
- 議事録・面談メモの要約：会議や1on1の記録を要約し、決定事項と宿題を整理する用途は汎用の生成AIツールで実用水準です。面談記録の蓄積は後の人材育成にも活きます
- 一般的な社内問い合わせのチャットボット：勤怠の締め日や申請方法など、FAQに落とせる問い合わせは既製のチャットボットで対応できます
- 求人票・スカウト文の生成：職種要件を渡して下書きを作らせ、人が仕上げる形はすぐに始められます。採用媒体やスカウトサービス側の支援機能も充実してきました
- 応募書類の一次スクリーニング：応募要件との照合や情報の整理は、採用管理システムの標準機能やAIオプションでカバーできます。ただし合否に直結させず、人が確認する前提の「下処理」として使うのが原則です
これらに共通するのは、業務の形が会社によってほとんど変わらないことです。形が同じ業務は、多数の企業で使われて改善が回っている既製ツールが最も安く、最も速く、最も安定します。月額数千円から数万円で使えるものを数百万円かけて開発するのは、投資対効果の観点で成立しません。
ツールを選ぶ際に一つだけ確認しておきたいのは、入力したデータの扱いです。応募者や従業員の情報を扱う以上、入力内容がAIの学習に使われない設定・契約になっているか、データの保管場所とアクセス権限がどうなっているかは、機能比較より先に確認する項目です。全社的な生成AI活用のルール作りは生成AIの業務活用ガイドで別途整理しています。
自社に合わせた開発が効く領域と費用感
一方で、既製ツールを何本並べても解消しない業務があります。共通するのは「自社にしかない形」をしていることです。人事領域の代表的なパターンを3つ挙げます。
自社固有の評価制度・等級制度の運用支援
前述のとおり、評価ツールの導入率が日本で5%にとどまる背景には、評価基準や等級要件が会社ごとに作り込まれていて汎用ツールの前提と合わない、という構造があります。裏を返せば、この領域こそ自社の制度に合わせた開発が効きます。
具体的には、自社の等級要件と目標設定の対応関係のチェック、評価コメントの下書き支援、評価者ごとの甘辛のばらつきの可視化などです。重要なのは、開発する場合でもAIの役割を「評価の材料を整えるサポート」に限定することです。評点の決定や処遇の判断をAIに委ねる設計は、経団連の報告書が示す「最終判断は人間の責任」という原則から外れますし、従業員への説明も困難になります。
採用管理・勤怠・給与など複数システムの連携
人事のシステムは、採用管理・労務手続き・勤怠・給与・タレントマネジメントと機能ごとにサービスが分かれがちです。その結果、入社が1人決まるたびに同じ情報を複数のシステムに入力する、月次で各システムからデータを出してExcelで突き合わせる、といった「システムの間を人が埋める」作業が発生します。
このシステム構成は会社ごとに違うため、汎用の連携機能では隙間が残ります。API連携で入社手続きの一連の登録を自動化したり、複数システムのデータを束ねて人員レポートを自動生成したりする仕組みは、開発でしか埋まらない領域です。複数のシステムをまたいで一連の処理を進める形は、AIエージェント型の自動化が向いています。仕組みと向き不向きはAIエージェント開発の解説記事で詳しく扱っています。
社内規程にもとづく問い合わせ対応
「育児短時間勤務は子が何歳まで使えるか」「慶弔休暇の日数と申請手順は」といった問い合わせは、就業規則や自社制度を参照しないと答えられません。FAQ登録型の既製チャットボットでは、規程の改定のたびにFAQを作り直す運用負荷が残ります。
就業規則・福利厚生規程・過去の照会対応などの社内文書を検索して回答を組み立てる仕組みは、生成AIと文書検索を組み合わせたRAG（検索拡張生成）の得意分野です。人事への定型問い合わせが減るだけでなく、回答の根拠となる規程の箇所を示せるため、口頭伝承になりがちな運用知識の整理にもつながります。
開発費用の目安
カスタム開発の費用は、どの方式で作るかで大きく変わります。目安は次のとおりです。
| 開発方式 | 費用目安 | 人事業務での例 |
|---|---|---|
| LLM API活用（小規模） | 50万〜300万円 | 求人票生成の社内ツール化、面談メモの構造化・要約など単機能の組み込み |
| RAG・業務組み込み | 100万〜1,000万円 | 就業規則・社内規程を参照する問い合わせ対応、自社の評価制度に沿った下書き支援 |
| 事業プロダクト・AIエージェント | 500万〜3,000万円 | 入社手続きの複数システム横断の自動化、採用から労務までのデータ連携基盤 |
ポイントは、小さく始める選択肢があることです。いきなり大きな連携基盤を狙わず、まず数十万円から数百万円規模の単機能やRAGで効果を確かめ、成果が出た領域を広げていく進め方が現実的です。初期費用のほかに、保守・運用費（規程改定への追随やAIモデルの更新対応を含む）が継続的にかかる点も予算計画に含めてください。
採用選考でAIを使う際の法的・倫理的な注意点
ここからが人事特有の論点です。まず前提を正確に押さえてください。「AI採用」を直接規制する日本の法律や専用ガイドラインは、現時点では存在しません。ただしそれは「規制がないから自由」という意味ではなく、採用選考に昔からある法令と行政指針が、AIを使う場合にもそのまま適用されるという整理です。なお、以下は制度の一般的な説明であり、個別の適用判断は弁護士や社会保険労務士に確認してください。法的助言が必要な場面では、必ず専門家に相談することをおすすめします。
職業安定法5条の5：集めてよい情報の範囲
職業安定法5条の5は、求職者の個人情報について、業務の目的の達成に必要な範囲内で収集・保管・使用することを求めており、社会的差別の原因となるおそれのある個人情報の収集は原則として認められません。この制約は、AIに読み込ませるデータにもそのまま及びます。たとえば、応募者が提供していない情報をSNS等からAIで収集・分析して選考に使う行為は、収集の範囲の点で同条との関係が問題になりえます。「AIなら集められる」ことと「集めてよい」ことは別です。
個人情報保護法：要配慮個人情報と外部サービスへの提供
個人情報保護法20条2項は、病歴や信条などの要配慮個人情報の取得に原則として本人の同意を求めています。AIが応募書類や面接の録画からこうした情報を推定・抽出するような設計は、この規定との関係で慎重な検討が必要です。そもそもAIに扱わせない設計にするのが実務的な答えになります。
また同法27条は、個人データの第三者提供を原則として本人の同意にかからせています。応募者の情報を外部のAIサービスに入力する場合、それが委託にあたるのか第三者提供にあたるのか、入力データがサービス側の学習に使われないかを、契約と設定の両面で確認する必要があります。
厚生労働省「公正な採用選考」の考え方はAIにも及ぶ
厚生労働省が示す公正な採用選考の考え方では、本籍・出生地、家族の状況、思想・信条など、本人の適性・能力に関係のない事項を把握しないよう求めています。この指針にAI選考への直接の言及はありませんが、選考の手段が人からAIに変わっても、把握してはならない事項が変わるわけではありません。
AI特有の難しさは、意図せずこの原則を破りうる点にあります。過去の採用データで学習したAIは、出身地や性別と相関する特徴を手がかりに、事実上のふるい分けをしてしまうことがあります（いわゆるバイアスの問題）。AIを選考に使うなら、学習データに何が入っているか、判断の根拠を説明できるかを、導入前に点検する工程が欠かせません。
AIガバナンスの現在地：事業者ガイドラインとAI推進法
AI全般の枠組みとしては、総務省・経済産業省の「AI事業者ガイドライン」（2024年4月初版）が、AIを利用する事業者に人間中心・公平性・透明性などの取り組みを求めています。法的拘束力はありませんが、社内ルールを作る際の実務的な参照点です。2025年に成立したAI推進法は罰則のない基本法で、人事・採用に特化した規定はありません。
参考までに、EUのAI規則（AI Act）は採用や労働者管理に使うAIを「高リスク」に分類し、厳格な義務を課しています。欧州で採用活動を行う企業は適用対象になりえますし、国際的な議論はこの方向を向いています。「今の日本には専用規制がないから設計は後回し」という進め方は、数年後に作り直しを迫られる可能性が高いと考えておくべきです。
実務の要点は3つに集約できます。①AIに入力するデータを、法令と公正採用の考え方が許す範囲に絞る。②AIの役割は情報の整理と候補の提示までに留め、合否を含む最終判断は人が行う。③応募者に対してAI利用の説明を用意する。この3点を最初に固めれば、多くの論点は設計段階で回避できます。
候補者体験を数字で見る：AI面接に77.5%が「受験意欲が下がる」
法令と並んでもう一つ、採用でのAI活用には見落とされがちな制約があります。候補者がどう受け止めるかです。
マイナビの2026年卒学生を対象とした調査（2025年5月）によると、AIが面接を行う場合、77.5%の学生が「受験意欲が下がる」と回答しています。理由の上位は「人に評価してほしいから」が41.2%、「AIに判断されたくないから」が38.2%。効率化のために導入した仕組みが、応募者の約8割の意欲を下げるとしたら、それは採用手法として本末転倒です。
ここにあるのは、選考の効率と候補者体験のトレードオフです。採用は企業が選ぶ場であると同時に、候補者から選ばれる場でもあります。人手不足で売り手市場が続くほど、後者の比重は増します。この調査は新卒学生が対象ですが、「AIだけに判断されて落とされた」という体験が口コミや採用サイトのレビューで広がるリスクは、中途採用でも変わりません。書類選考の返答が数分で届く、不合格通知の文面が明らかに機械的、といった細部からも応募者はAIの関与を感じ取ります。効率化した工程が候補者にどう見えているかを、一度応募者の側から点検してみる価値があります。
では採用でAIを使うべきではないのかというと、そうではありません。設計の答えはシンプルで、AIを候補者から見えない裏方に置き、候補者に見える接点は人が担うことです。
- 裏方に向く業務：日程調整、応募書類の情報整理、面接記録の構造化、評価のばらつきの点検、スカウト文の下書き。候補者の体験を損なわずに工数を削減できます
- 人が担う接点：面接、合否の判断と伝達、入社前のフォロー。「人に評価してほしい」という候補者の期待に応える部分です
- 開示の設計：選考プロセスでAIを使う場合は、どの工程で何に使っているかを説明できる状態にしておきます。前章の法的整理とも重なる論点です
AIで面接の時間そのものを置き換えるのではなく、AIで事務作業を減らして面接と候補者フォローに使える時間を増やす。この向きで設計すれば、効率化と候補者体験は対立しません。
導入の進め方：低リスク業務からのスモールスタート
人事のAI化は、処遇に関わる判断から遠い業務ほどリスクが小さく、始めやすくなります。おすすめは次の5ステップです。
- 業務の棚卸しと切り分け：冒頭の早見表を使い、自社の人事業務を「既製ツールで済む」「開発が効く」「処遇に関わるため設計が先」の3つに仕分けます。業務ごとの月あたり工数も見積もっておくと、後の効果測定の基準になります
- 低リスク業務で既製ツールを導入：議事録要約・文面生成・チャットボットなど、合否や評価に関わらない業務から着手します。ここで得られる時短効果と社内の習熟が、次の投資の土台になります
- 効果測定と「残った手作業」の特定：ツール導入後もなお残る手作業（システム間の転記、規程を調べて答える問い合わせ対応など）こそ、自社特有の業務＝開発が効く領域です。どの業務に月何時間かかっているかを記録します
- PoC（概念実証）：残った業務のうち効果が大きそうなものを1つ選び、小規模に検証します。規程問い合わせのRAGなど、社内向けで失敗の影響が小さい業務がPoCの題材に向いています
- 本番開発と展開：PoCで効果が確認できた業務を本番システムとして開発します。採用選考に関わる仕組みを作る場合は、この段階で法務・社会保険労務士のレビューを開発工程に組み込みます
この順序の利点は、各段階で投資判断を見直せることです。ステップ2で十分な成果が出れば、そこで止めても構いません。開発に進むのは、ツールでは埋まらない業務が実際に残り、その工数が数字で見えている場合だけです。
体制面では、業務のルールを知っている人事の現場メンバーに要件整理の段階から参加してもらうこと、応募者・従業員データを扱う以上は情報管理の責任者を最初に決めることの2点を押さえてください。開発を外部に依頼する場合は、人事系SaaSとのAPI連携の実績と、AIの出力を人が確認するワークフローの設計経験があるかを確認するとよいでしょう。精度が出なかった場合の代替案まで示せる会社であれば、検証段階からの伴走を任せやすくなります。
Swoooの人事AI開発支援について
本メディアを運営するSwooo（東証グロース上場・株式会社アイビス）は、AI駆動開発とノーコードを組み合わせた受託開発で、業務システムを含む累計50件以上の開発を支援してきました。人事領域でも「うちの業務はツールで済むのか、開発が必要なのか」という切り分けの段階からご相談いただけます。既製ツールで足りる場合はその旨をお伝えした上で、開発が効く領域に絞ったご提案をします。
よくある質問
Q. 人事のAI化はどの業務から始めるべきですか？
議事録・面談メモの要約か、求人票・スカウト文の下書き生成から始める企業が多いです。人事白書2025でも人事部門の生成AI用途の1位は議事録要約（43.1%）でした。どちらも合否や評価に関わらず、失敗の影響が小さいため、社内の習熟を進める入口に向いています。効果が見えたら、ツール導入後も残った手作業（システム間の転記や規程参照の問い合わせ対応など）の自動化を検討する順序をおすすめします。
Q. AIで応募者を不合格にしてもよいのでしょうか？
AIによる選考自体を直接禁止する日本の法律は現時点でありませんが、職業安定法や公正な採用選考の考え方といった既存の枠組みはAIを使う場合にも適用されますし、経団連の報告書もAIは意思決定のサポートに留め最終判断は人間が責任を持つという整理を示しています。合否の確定を人が行う設計にしておくのが実務上の標準です。個別のケースの適法性は弁護士・社会保険労務士に確認してください。
Q. AI面接ツールは導入しないほうがよいですか？
一律にやめるべきという話ではなく、候補者体験への影響を織り込んで判断すべき、というのがデータからの示唆です。マイナビの調査ではAI面接に77.5%の学生が受験意欲が下がると回答しています。応募が集まりにくい職種や母集団形成を重視するフェーズでは影響が大きいため、まずは日程調整や面接記録の整理など候補者から見えない業務でAIを使い、面接そのものは人が行う構成を検討する価値があります。
Q. 応募者の履歴書をChatGPTなどに入力しても問題ありませんか？
個人向けの無料プランをそのまま使うのは避けてください。応募者の情報は個人データであり、外部サービスへの入力は個人情報保護法27条の第三者提供や委託の整理、入力内容が学習に使われない設定・契約の確認が前提になります。法人向けプランで学習利用をオフにする、氏名などを伏せてから扱う、社内ガイドラインで入力可否を明文化する、といった手当てをした上で使うのが実務的です。
Q. カスタム開発の費用と期間の目安を教えてください
単機能のLLM API活用なら50万〜300万円、社内規程を参照するRAG型なら100万〜1,000万円、複数システムを横断するAIエージェント型なら500万〜3,000万円が目安です。期間はPoCで1〜2ヶ月程度、本番開発は規模により数ヶ月単位を見込みます。対象業務の範囲と連携するシステムの数で変わるため、業務内容を伝えた上で概算見積もりを取るのが早道です。
まとめ：切り分けと「最終判断は人」が人事AI化の軸
人事業務のAI化のポイントを整理します。
- 企業全体では9割超がAIを活用する一方、HR業務に絞ると最も進む採用でも約3割（経団連報告書）。評価ツール導入率は日本5%・米国83%（同報告書引用のOECD調査）。この差は取り組みの遅れではなく、日本の評価制度が自社固有で汎用ツールと合わない構造による
- 議事録要約・チャットボット・求人票やスカウト文の生成・書類の一次スクリーニングは既製ツールが成熟。この領域で開発はしない
- 自社固有の評価制度の運用支援、採用管理・勤怠・給与など複数システムの連携、社内規程を参照する問い合わせ対応は開発が効く。費用はLLM API活用で50万〜300万円、RAGで100万〜1,000万円、AIエージェントで500万〜3,000万円が目安
- AI採用専用の日本の法律はないが、職業安定法5条の5・個人情報保護法・公正な採用選考の考え方といった既存の枠組みがAI利用にもそのまま適用される。入力データの範囲・最終判断の所在・応募者への説明の3点を設計段階で固める
- AI面接には77.5%の学生が受験意欲が下がると回答（マイナビ調査）。AIは候補者から見えない裏方に置き、面接と最終判断は人が担う設計にすれば、効率化と候補者体験は両立できる
人事のAI化で最も避けたいのは、効率化の数字だけを見て、処遇の判断や候補者との接点までAIに寄せてしまうことです。既製ツールで済む業務はツールに任せ、自社にしかない業務に開発投資を絞り、判断と対話は人に残す。この軸さえ守れば、人事のAI化は着実に成果を積み上げられます。自社の業務がどちらに当てはまるか判断がつかない場合は、切り分けの段階からお気軽にご相談ください。
