生成AI研修を職種別に設計する｜管理職・現場・情シスで変える到達基準

生成AI研修を全社員へ同じスライドで届けても、実際の判断は職種によって変わります。管理職は利用範囲と投資・停止の判断を担い、現場利用者は出力を確認しながら業務へ組み込み、情シスや法務は権限、ログ、契約、事故対応を設計します。

本稿は、研修の効果を何点と測るかではなく、誰に何ができる状態を求めるかを決めるための記事です。受講率や業務成果の測定は、別途、効果測定の設計として扱います。

一律研修が止まりやすい理由

「プロンプトを書ける」を全員の共通ゴールにすると、管理職には操作演習が多すぎ、情シスには統制の深さが足りず、現場には自分の業務へ移す橋がありません。さらに、同じ職種名でも扱うデータ、顧客への影響、承認権限が違います。

EU AI Act第4条は、AIリテラシーを、知識・経験・教育・訓練、利用される状況、影響を受ける人などを考慮して支援するよう、提供者・導入者に求めています。個人ごとに特定水準を保証しなければならない、という規定ではありません。EUの法令を日本企業へ直接適用する趣旨ではなく、役割と状況を設計に入れる海外の基準として読みます。

英国Skills Englandの2026年ベンチマークも、基礎スキルを技術、非技術、責任・倫理の3領域に分け、指示を書く、定型作業を支援させる、設定を調整する、リスクを理解する、出力を分析し誤りを見つける、といった観察可能な行動へ落としています。

3つの役割で到達基準を分ける

管理職：使うか、止めるかを判断できる

管理職のゴールは、高度な操作ではありません。部門の目的に照らし、どの業務を試す価値があるか、失敗時の影響は何か、誰が最終責任を負うか、継続・縮小・停止をいつ決めるかを説明できることです。

演習では、同じAI導入案に対して「顧客情報を入力する」「人の承認なしに外部へ送る」「誤りが出ても修正コストが小さい」など条件を加え、許可・要相談・禁止へ分類させます。最後に、導入を承認するだけでなく、撤退条件と報告先まで1枚にまとめてもらいます。NIST AI RMFが示す、役割・責任と人による監督を、意思決定の課題として扱う形です。

現場利用者：業務で安全に使い、確かめ、戻せる

現場では、ツールの名称を覚えるより、業務を小さく分ける力を確認します。入力してよい情報を分類し、AIに任せる下書きと人が判断する部分を分け、出力の事実・計算・引用を確認し、問題があれば担当者へ戻す。これを実際の帳票、議事録、提案書など、本人が扱う仕事で練習します。

合格基準は「きれいなプロンプト」ではなく、次の行動です。機密情報を入力前に止める、根拠がない出力へ出典を求める、顧客へ渡す前に人が確認する、使わない方がよい場合に使わない理由を言える。英国の基礎スキル benchmark が重視するリスク理解・誤り発見とも接続します。

情シス・法務・セキュリティ：仕組みで安全な利用を支える

この役割では、一般的なプロンプト講座だけでは不十分です。利用ツールとデータの棚卸し、ID・権限、保存・ログ、委託先と契約、脆弱性や漏えい時の連絡先、モデルやポリシー変更時の再確認を演習にします。

ケース演習では、社員が承認外のサービスへファイルを貼り付けた、生成物に誤情報が混じった、ベンダーの仕様変更で保存先が変わった、という事象を使います。受講者は、技術的に遮断するか、本人へ確認するか、法務・広報・経営へどの情報をいつ報告するかを決め、ログに残す項目を示します。NIST AI RMFのTEVV（テスト・評価・検証・妥当性確認）やガバナンスの役割を、運用の手順へ翻訳します。

役割別カリキュラムを組む順番

最初に役職名ではなく、業務上の責任を表にします。列は「使うデータ」「AI出力が影響する相手」「承認権限」「失敗時の被害」「必要な相談先」です。同じ営業でも、社内下書きだけの人と顧客へ自動返信する人は別コースにします。

次に、共通の30分程度の導入を置きます。AIの得意・不得意、社内の利用可能ツール、入力禁止情報、出力確認の原則、事故時の連絡先を全員へ伝えます。その後、管理職・現場・情シス／法務へ分岐し、各自のケース演習を行います。

研修後は、修了テストだけで終えず、管理された環境で小さな業務を試します。現場は成果物と確認記録、管理職は判断メモ、情シス・法務は棚卸しとインシデント対応表を提出します。30日・60日・90日で、ツールや社内規程の変更、ヒヤリハット、相談内容を教材へ戻します。英国政府のAI Skills for Business案が示す4つのペルソナ（AI Citizens、AI Workers、AI Professionals、AI Leaders）も、専門度の異なる学習経路を設計する参考になります。

到達度は一つの点数にしない

研修の判定は、少なくとも「知識」「行動」「判断」「運用」の4つに分けます。知識はルールや限界を説明できるか、行動は安全な入力・検証を実行できるか、判断は利用・保留・中止を選べるか、運用は記録と報告を回せるかです。管理職に現場のプロンプト試験だけを課したり、現場利用者に契約審査を要求したりしないことが大切です。

評価者には、合否の根拠を残してもらいます。「正解した」ではなく、「顧客情報を匿名化し、確認者を指定してから試した」のように行動で記述します。これにより、研修内容の不足と、アクセス権やツール設定など研修では解決できない問題を切り分けられます。

反証と適用限界

役割分けは便利な近似ですが、すべての会社に同じ3分類が当てはまるわけではありません。小規模企業では一人が管理職と情シスを兼ね、専門職では高いリスク判断と日常利用が同時に必要です。職種ラベルだけでコースを固定せず、データと権限の実態で分岐してください。

また、研修だけで安全性や法令遵守を保証できません。アクセス制御、承認フロー、ログ、契約、監視がなければ、受講者の努力に依存します。EU・英国・米国の資料は日本の法令や社内規程の代わりではなく、設計の観点を補うものです。個人情報、著作権、雇用評価、顧客契約に関わる利用は、公開・導入前に自社の法務・情報セキュリティと確認してください。

生成AI研修・定着支援を相談する

役割ごとの到達基準、実業務の演習、利用ルール、管理職の判断、事故対応まで一つの研修体系へつなげたい場合は、TechWorkerへご相談ください。

出典・確認範囲

一次情報と確認範囲

確認日：2026年9月8日。製品仕様・制度は更新されるため、導入時はリンク先の最新版を再確認してください。海外の制度・職業規範は日本へ直接適用せず、相違点と限界を本文に明記しています。

1. AIリテラシーは知識・経験・教育・状況・影響を受ける人を考慮して支援する
2. 基礎スキルは技術・非技術・責任倫理の3領域に整理できる
3. 英国の枠組みはAI Citizens等4つのペルソナを置く
4. AIリスク研修と人による監督は組織の役割・責任に関係する
5. AIの設計・導入・運用・TEVV・ガバナンスには異なる役割がある
6. AI技能と訓練の関係は調査結果であり、研修単独の因果効果ではない
7. 生成AIの活用とリスク管理を一体で扱う国内方針がある