ストーリー
田
田中VPoE
「CoEの設計ができたところで、次の大きなテーマに進もう。AI人材の育成だ。」
あなた
「全社展開するには、AIを使える人を増やさないと始まりませんよね。」
あ
田
田中VPoE
「その通り。だが闇雲にAI研修を行っても効果は薄い。まずは『誰に』『どんなスキル』が必要かを定義するスキルフレームワークが重要だ。」
なぜスキルフレームワークが必要か
| 課題 | フレームワークなしの場合 | フレームワークありの場合 |
|---|
| 育成対象 | 全員に同じ研修 | 役割に応じた最適な育成 |
| スキルギャップ | 何が不足か不明 | 可視化して計画的に対処 |
| キャリアパス | AI人材のキャリアが不明確 | 成長の道筋が明確 |
| 投資判断 | 育成投資の効果が測れない | KPIで効果を測定可能 |
AI人材の4つのペルソナ
ペルソナ定義
| ペルソナ | 対象者 | 必要スキル | 全社比率 |
|---|
| AIリーダー | 経営層・部門長 | AI戦略、投資判断、リスク理解 | 5% |
| AIプラクティショナー | CoEメンバー・データサイエンティスト | AI技術、MLOps、データエンジニアリング | 10% |
| AIビジネスユーザー | 各部門のAI推進担当 | ユースケース設計、要件定義、効果測定 | 20% |
| AIエンドユーザー | 一般社員 | AIツール利用、プロンプト作成、結果判断 | 65% |
ペルソナ別スキルマップ
AIリーダー
├── AI戦略立案 ──────── ★★★★★
├── 投資判断・ROI分析 ── ★★★★★
├── リスク・倫理理解 ── ★★★★☆
├── 技術トレンド把握 ── ★★★☆☆
└── AIツール利用 ────── ★★☆☆☆
AIプラクティショナー
├── AI/ML技術 ─────── ★★★★★
├── データエンジニアリング ★★★★★
├── MLOps ──────────── ★★★★☆
├── ビジネス理解 ────── ★★★☆☆
└── プロジェクト管理 ── ★★★☆☆
AIビジネスユーザー
├── ユースケース設計 ── ★★★★★
├── 要件定義 ─────── ★★★★☆
├── 効果測定 ─────── ★★★★☆
├── AI基礎知識 ────── ★★★☆☆
└── チェンジマネジメント ★★★★☆
AIエンドユーザー
├── AIツール利用 ────── ★★★★☆
├── プロンプト作成 ──── ★★★☆☆
├── 結果の判断・検証 ── ★★★☆☆
├── データリテラシー ── ★★☆☆☆
└── セキュリティ意識 ── ★★★☆☆
スキル評価の5段階モデル
| レベル | 定義 | 行動指標 |
|---|
| Lv1: 認知 | 概念を知っている | 用語を説明できる |
| Lv2: 理解 | 仕組みを理解している | 事例を挙げて説明できる |
| Lv3: 実践 | ガイドに従って実行できる | 定型的な業務でAIを活用できる |
| Lv4: 応用 | 自律的に活用できる | 新しいユースケースを設計・実行できる |
| Lv5: 指導 | 他者を指導できる | 組織の能力向上に貢献できる |
スキルギャップ分析の方法
分析ステップ
Step 1: 現状スキルの棚卸し(自己評価 + 上司評価)
↓
Step 2: 目標スキルレベルの設定(ペルソナ別)
↓
Step 3: ギャップの可視化(レーダーチャート)
↓
Step 4: 優先度の決定(ビジネスインパクト × 習得難易度)
↓
Step 5: 育成計画の策定(個人別 + 組織全体)
NetShop社のギャップ分析例
| ペルソナ | 現状人数 | 目標人数 | ギャップ | 対策 |
|---|
| AIリーダー | 2名 | 8名 | 6名不足 | 経営層向けAIリテラシー研修 |
| AIプラクティショナー | 5名 | 15名 | 10名不足 | 技術研修 + 中途採用 |
| AIビジネスユーザー | 10名 | 40名 | 30名不足 | 社内育成プログラム |
| AIエンドユーザー | 50名 | 500名 | 450名不足 | 全社eラーニング展開 |
まとめ
| 項目 | ポイント |
|---|
| 4つのペルソナ | AIリーダー、プラクティショナー、ビジネスユーザー、エンドユーザー |
| スキル評価 | 5段階モデルで可視化 |
| ギャップ分析 | 現状と目標の差を定量的に把握 |
| 育成の方向性 | ペルソナ別に最適な育成施策を設計 |
チェックリスト
推定読了時間: 30分