主要ポイント
AI学習プラットフォームを導入すれば、スキルベースHRDが自動的に完成するように見える。しかし実際には逆である。プラットフォームはデータを入れる器であり、どのスキルをどの職務・業務・成果と結びつけるかを決めなければ、推薦学習、AIコーチング、能力診断も表面的な機能にとどまる。
CompTIAの2026年Workforce and Learning Trendsは、組織の83%がスキル懸念への対応を高い優先順位に置き、HR専門家とITリーダーの62%が今後1年間でAI研修予算の増加を予想していると示す。一方、同じ資料は正式な全社的アップスキリング・リスキリングプログラムを持つ企業が34%にとどまると説明する。予算と関心は高まっているが、スキルをどう定義し蓄積するかに関する運用構造はまだ不足しているという意味だ。
したがって、2026年のHRDの問いは「どのAI学習プラットフォームを買うか」より先に、「自社のスキルデータはどの意思決定に使われるのか」であるべきだ。スキルデータは研修受講記録ではなく、職務変化、学習経路、業務適用、社内異動、成果検証をつなぐHR運用データである。
スキルベースHRDはプラットフォームではなくデータモデルから始まる
スキルベースHRDを始める際、よく先に検討されるのはLMS、LXP、AI学習推薦ツールだ。もちろんツールは必要である。しかしツールが先に来ると、「学習コンテンツを多く推薦するシステム」は作れても、「どのスキルがどの業務転換に必要かを説明するシステム」は作りにくい。
Deloitteの2026 Global Human Capital Trendsは、競争優位が静的な人材配置から、人、スキル、データ、テクノロジーをリアルタイムにオーケストレーションする方式へ移ると説明する。ここでの核心は技術そのものではなく接続構造だ。人の現在の役割、必要なスキル、業務変化、データ、技術活用が一つの流れとして結びつく必要がある。
CompTIAの調査対象には、HR専門家とITリーダーを含むworkforce development関連の回答者が含まれる。この標本ではスキル懸念への対応優先度は高いが、正式な全社的アップスキリング・リスキリングプログラムの保有率は34%にとどまる。このギャップはプラットフォーム不足だけでは説明しにくい。より根本的な問題は、スキルをどの単位で定義し、どのデータで確認し、どのHR意思決定に結びつけるかを決められていない点にある。
スキルデータモデルは少なくとも四つの質問に答える必要がある。第一に、職務別に重要なスキルは何か。第二に、現在の従業員のスキル水準をどう確認するか。第三に、学習後の実際の業務適用をどう見るか。第四に、その結果を配置、社内異動、役割転換、成果管理にどう結びつけるか。
第一のデータは「職務名」ではなく「業務とスキルの接続」だ
スキルデータ設計の出発点は職務名ではない。同じ職務名の中でも、自動化される業務、人が続けて担うべき判断業務、AIとともに遂行すべき検証業務は異なる。第5回で見たように、リスキリング対象者の選定も職務全体ではなく変化する業務を基準にすべきだ。第6回のデータ設計も同じ原則に従う。
CompTIAは、現在使われている訓練形式として、職務役割ベースの訓練64%、基礎AIスキル訓練64%、コンプライアンス・セキュリティ62%、ワークフロー関連訓練62%、高度AI訓練53%を示す。この数字は、研修がすでに「職務役割」と「ワークフロー」単位へ移っていることを示している。したがってスキルデータも、職務名の下に単純な能力リストを付けるだけでは不十分だ。
実務では、職務を三段階に分けると有用である。第一に職務名だ。たとえば採用担当者、研修担当者、営業管理者のように組織がすでに使っている役割単位である。第二に主要業務だ。採用担当者なら、候補者ソーシング、面接運営、採用データ分析、オンボーディング連携があり得る。第三に業務別の必要スキルだ。データ解釈、面接設計、利害関係者コミュニケーション、AIツール活用、個人情報判断のように、より小さな単位へ下りる必要がある。
このように設計すれば、プラットフォームの学習推薦も変わる。「採用担当者にAI研修を推薦」ではなく、「候補者ソーシング自動化後に残るデータ検証と候補者体験設計スキルを強化」する形で推薦できる。スキルデータは研修カタログの分類表ではなく、業務変化マップであるべきだ。
第二のデータは学習履歴ではなくスキル熟練度の変化だ
多くの組織のLMSには、受講履歴、修了率、満足度、テスト点数が残る。しかしこれだけでは、従業員が実際にどのスキルをよりうまく使えるようになったのか、どの業務を担えるようになったのかを説明しにくい。スキルベースHRDで必要なデータは、「研修を受けた」ではなく、「どのスキル熟練度がどの水準からどの水準へ移ったか」である。
SHRMの2026年AI in HR報告書は、HR組織のAI投資成功を正式に測定していないとの回答が56%だと示す。調査対象と産業構成は韓国企業と異なり得るが、AI導入と学習投資が増える状況で測定構造が追いついていない問題を示している。AI学習プラットフォームも同じだ。修了率だけが残れば、投資成果を説明しにくい。
スキル熟練度データは、最初から複雑にする必要はない。たとえば4段階程度で始められる。1段階は概念理解、2段階はガイドに沿った遂行、3段階は独立遂行、4段階は他者へのコーチングまたは業務改善提案である。重要なのは、この段階が研修コース名ではなく、実際の業務行動と結びつくことだ。
たとえば「生成AI活用」というスキルを一つに置くと、データは曖昧になる。HRD担当者には、研修ニーズ分析の草案作成、学習コンテンツの構造化、アンケート回答の要約、研修効果レポート草案のレビューのように、業務別行動へ分ける必要がある。そうして初めて、研修前後の診断、管理職フィードバック、プロジェクト適用事例が一つのスキル変化データにつながる。
第三のデータは研修後の業務適用だ
スキルデータがHRD内にとどまれば、「研修をうまく運営した」という報告は可能でも、「組織の働き方が変わった」という説明は難しい。研修後にどの業務に適用されたのか、どのプロジェクトに投入されたのか、どの役割転換につながったのかが合わせて記録される必要がある。
TalentLMSの2026 L&D Reportは、HRマネジャー標本を中心にL&D設計、予算、優先順位、成果測定方式を扱う。この資料は、L&D成功の補助指標としてビジネスインパクト37%、キャリア成長結果31%、研修満足度28%を示す。満足度よりもビジネスインパクトとキャリア成長結果が合わせて言及される点は重要である。学習データが実際の業務と社内移動につながるべきだという信号だからだ。
業務適用データは、大掛かりな生産性指標から始める必要はない。研修後30日以内に適用した業務、適用アウトプット、管理職確認、同僚フィードバック、プロジェクト投入有無、自動化または改善した業務単位のような小さなデータから始められる。核心は、「研修終了」と「業務変化」の間を断ち切らないことである。
たとえばAI研修を受けた従業員が、報告書草案作成時間を短縮したか、顧客問い合わせ分類基準を改善したか、反復業務を自動化したか、議事録要約品質をレビューする基準を作ったかを確認する必要がある。こうしたデータが蓄積されて初めて、次回扱う成果指標も修了率ではなく、適用、移動、役割転換中心に設計できる。
HRD実務チェックリスト：プラットフォーム導入前に確認すべき6つのデータ質問
AI学習プラットフォームやLXPを検討する前に、HRDはまずデータ質問を整理する必要がある。CompTIAの2026年資料で、AI研修予算の増加を予想したHR専門家とITリーダーが62%である点は、投資圧力が高まっていることを示す。しかし正式なアップスキリング・リスキリングプログラム保有企業が34%という数字は、投資前にデータ構造を点検する必要があるという警告でもある。
第一に、自社はスキルをどの単位で定義するのか。職務名、職務能力、業務、行動指標、ツール活用能力が混在していれば、プラットフォームに入れても検索と推薦の品質は低くなる。
第二に、スキルと業務の接続表があるか。「AI活用能力」のような広い表現より、「研修満足度の自由記述回答を要約し、改善課題を分類する」のように業務行動と結びついた表現が必要だ。
第三に、現在水準をどう診断するか。自己診断だけを使うのか、管理職確認を加えるのか、課題遂行結果を見るのか、プロジェクト成果物を見るのかを決める必要がある。診断方式がなければ、学習推薦は個人の関心事推薦にとどまる。
第四に、学習後の変化をどう記録するか。修了有無、診断点数の変化、業務適用事例、管理職確認、プロジェクト投入有無が最低限の候補データになり得る。
第五に、このデータをどのHR意思決定に使うのか。研修推薦だけに使うのか、社内異動、役割転換、後継候補群、プロジェクト配置、人員計画までつなげるのかによって、必要なデータ水準は変わる。
第六に、個人情報と評価リスクをどう管理するか。スキルデータは従業員の成長支援と配置意思決定に有用だが、不透明な評価やレッテル貼りに使われれば信頼を失う。データ収集目的、アクセス権限、保存期間、個人へのフィードバック方式は、プラットフォーム契約より先に決める必要がある。
HRが次に見るべき方向
2026年のアップスキリング・リスキリングの核心は、より多くの研修コンテンツを配置することではない。どの業務が変わり、どのスキルが必要で、誰がどの水準にあり、学習後どの業務に適用したのかを説明できなければならない。この説明可能性がスキルデータの役割である。
プラットフォームはこのデータをうまく集め、見せることができる。しかしデータモデルがなければ、プラットフォームは修了率とコンテンツ推薦を繰り返すだけだ。逆に、業務・スキル・診断・学習・適用・検証の流れが整理されていれば、小さなLMSやスプレッドシートでもパイロットを始められる。
次回は、このデータがどの成果指標へつながるべきかを扱う必要がある。リスキリングの成果は修了率だけでは説明しにくい。社内異動、役割転換、業務適用、生産性改善、管理職評価、プロジェクト投入といった指標が合わせて必要だ。スキルデータは、その成果指標を作るための基礎インフラである。
