LASSIC Media らしくメディア

監修・編集責任者：牛尾 昭昌（株式会社LASSIC 執行役員）

「AI人材を採用したい」という要望は増えていますが、募集を出したあとの手応えが薄いという声も同じくらい聞きます。原因の1つは、求める像が現実の不足と噛み合っていないことにあります。

独立行政法人情報処理推進機構（IPA）の「DX動向2026」は、AI関連人材の充足状況を人材の種別ごとに集計しています*1。これを読むと、不足感の動きが種別によってはっきり分かれていることが分かります。減ってきた種別と、高いまま動いていない種別があるのです。

本記事では、その構造から採用基準をどう組むかを整理します。要件の書き方そのものはエンジニア求人票の書き方と必須14項目、採用全体の詰まりどころはDX人材の採用、募集の前に決めておくことで扱っています。なお本記事は雇用による人材確保を前提としています。

AI導入の課題は、人材・リテラシー・ガバナンスの3つ

まず全体の課題認識を確認します。IPAの調査でAI導入・運用上の課題を見ると、「専門人材が不足している」が50.1%と最も高く、次いで「生成AIの効果やリスクに関する理解が不足している」が45.8%、「適切な利用を管理するためのルールや基準の作成が難しい」が39.7%となっています*1。

報告書は、人材不足・リテラシー不足・ガバナンス整備の遅れが三大課題となっている状況にあると整理しています*1。この3つは並列に見えますが、採用の観点からは順序があります。

2番目と3番目は、採用では解けません。効果やリスクの理解は社内の教育で広げるものであり、ルールや基準の作成は決める権限を持つ人の仕事です。外から人を採ってきても、社内の理解が薄ければ導入は進みません。採用で埋められるのは1番目だけという切り分けが要ります。

関連して、データ側の課題も見ておきましょう。データ整備・管理・流通の課題では「人材の確保が難しい」が51.2%と最も高く、次いで「データの標準化が難しい」36.8%、「管理システムが整備されていない」32.6%です*1。データ連携推進の課題では「社内にデータ連携を企画・推進・実装できる人材が不足している」が45.7%で最も高くなっています*1。

AIの課題として語られている人材不足は、実はデータ側の人材不足と重なっているわけです。この点は次節の集計にもはっきり出てきます。

不足感が減った種別と、高いまま動かない種別

ここが本記事の核心です。IPAはAI関連人材の充足状況を経年で集計し、多くの人材種別において「不足している」が過半数を占めていると報告しています*1。ただし種別ごとの動きが違います。

報告書の記述はこうです。「AIに理解がある経営・マネジメント層」および「AIツールを活用して、自社の事業に活かせる従業員」の「不足している」の回答率が他と比べて減少しているものの、「現場の知見と基礎的AI知識を持ち、自社へのAI導入を推進できる従業員」「データマネジメントの知見があり、社内で企画、推進できる人材」とともに、不足しているとの回答率は高いままとなっている——*1。

この構造は、採用基準の設計に直接効きます。不足している種別に共通しているのは、「AIの技術そのもの」ではなく「自社の業務やデータと、AIをつなぐ役割」だという点です。

「現場の知見と基礎的AI知識を持ち」という表現に注目してください。求められているのは高度なAI研究の能力ではなく、現場の業務を知っていて、そのうえでAIの基礎が分かるという組み合わせです。この組み合わせが希少なのは、片方だけの人は市場にいるからでしょう。

そしてもう1つが、データマネジメントの知見です。データ側の課題で「人材の確保が難しい」が51.2%と最も高かったこと*1と符合しています。AIを入れる前に、学習や参照に使うデータが整っていなければ動きません。

標準側も同じ方向に動いた——データマネジメント類型の追加

この読み取りを裏づける動きが、国のスキル標準の側にもあります。

IPAの「デジタルスキル標準」は2026年4月16日にver2.0が公開されました*2。改訂履歴には、生成AI活用が進む中でAIに学習させるデータの収集・整備・管理の重要性が高まっていることを背景に、類型の一つとして「データマネジメント」を追加したと記されています*3。

これによりDX推進スキル標準（DSS-P）の類型は6つになりました。ビジネスアーキテクト、デザイナー、データサイエンティスト、データマネジメント、ソフトウェアエンジニア、サイバーセキュリティです*3。データマネジメントの役割は、データの安全性・信頼性の確保と継続的な流通の仕組みの設計・実装・運用を行い、組織全体の人材を巻き込んだデータの利活用、データによる価値創出を促進する役割と定義されています*3。

類型の下位区分であるロールとしては、データエンジニアやデータアーキテクトが置かれています*3。データアーキテクトは、組織・事業全体のデータ構造や流れ、利活用のあり方を俯瞰し、事業戦略に沿ってデータライフサイクル全般を見据えたデータアーキテクチャを設計・継続的に見直す役割とされています*3。

調査で不足が高いままの種別と、標準に新しく追加された類型が一致している——この符合は、採用要件を組むときの根拠として使えます。「AI人材」という括りで募集するのではなく、データマネジメントのロールとして募集するほうが、市場の候補者にも意図が伝わります。

スキルの深さの指定方法については求人票の書き方で扱った重要度の4段階が使えます。データマネジメントに関わるスキル項目も共通スキルリストに含まれており、どの深さを求めるかを段階で示せます*3。

効果を出している企業は、先に「業務とスキルの把握」をしている

もう1つ、採用の前段で差がつく点が調査に出ています。AIの影響を踏まえた人材育成・確保への着手状況です。

全体としては着手が進んでいません。ほとんどの項目において「検討の予定はない」と回答した企業が3割以上を占めており、「検討中だが未着手」を含めると、多くの企業でAIの利活用とその拡大を踏まえた人材育成・確保対応が着手されていない状況にあるとされています*1。項目別に見ると「効率化・自動化が見込まれる既存業務の把握」では「着手している」の回答率が19.0%と相対的に高いものの、他の項目は1割に満たない状態です*1。

ここでAI導入効果の高低で分けると、はっきりした差が出ます*1。

報告書は、AIによる効果が高いと実感している企業ほど業務変化や必要スキルの把握といった先を見据えた人材育成・確保に取組んでいると整理しています*1。なお「AI導入効果：高」は「期待以上の効果があった」「期待どおりの効果であった」、「AI導入効果：低」は「一定の効果はあった」「期待した効果はまだ得られていない」を集計したものです*1。

この結果は相関を示すものであり、把握すれば効果が出ると因果を言い切れるものではありません。ただ採用要件を書くために必要な材料が、そのまま「業務の把握」と「必要スキルの把握」であるという点は押さえておきたいところです。どの業務がAIで変わるのかが分かっていなければ、必要なスキルも書けません。

採用基準をどう組むか——3つの手順

ここまでを実務に落とします。

• ① 対象の業務を1つ特定する。「AIで効率化したい業務」を具体的に1つ挙げます。ここが決まらないうちは要件が書けません。効果を出している企業が先に着手している項目と同じ作業です。
• ② その業務に必要なのが、どの類型かを決める。データが散っていて整っていないなら、必要なのはデータマネジメントの役割です。データは整っていて活用の設計が課題なら、データサイエンティストの領域に近づきます。
• ③ 現場の知見をどちらから持ってくるかを決める。採用する人に業務理解まで求めるのか、社内の業務担当者と組ませる前提にするのか。ここを曖昧にすると、入社後に期待とずれます。

③がいちばんの分かれ目です。調査で不足が高いままの種別が「現場の知見と基礎的AI知識を持ち」という条件付きだったことを思い出してください*1。この両方を1人に求めると、候補者は極端に絞られます。

②の判断で迷ったときは、データの現状を1つ確認すると切り分けられます。「AIに読ませたい情報が、どのシステムのどのテーブルにあるか」を業務側の担当者が即答できるかどうかです。即答できないなら、まず必要なのはデータの整備を設計できる人であり、モデルを扱える人ではありません。逆に所在が明確で品質も分かっているなら、活用の設計に進める段階だと判断できます。この確認は数十分で終わるうえ、要件の方向を大きく変えます。

3行目の育成については、公的な助成の枠が使える場合があります。詳しくはDX人材は採用か育成か、助成金を含めて比較するで扱いました。ただし手続きに期限があるため、急ぎの案件には向きません。

2行目を選ぶ場合、組む相手を先に決めておくことが条件になります。「入社後に現場と話しながら覚えてもらう」という説明だけで進めると、現場側に工数が確保されておらず立ち上がりが止まります。この点は受け入れ設計の話でもあり、なぜ中途エンジニアは早期に離職するのかで整理した論点と重なります。

募集の言葉と、避けたい書き方

最後に、求人票に落とすときの注意点です。

「AI人材募集」「生成AIに詳しい方」という書き方は避けたほうがよいでしょう。範囲が広すぎて、候補者側から見て自分が対象か判断できません。前節で特定した業務と類型を使い、「どの業務をどう変えるために、どの役割を担ってほしいのか」を書く形にします。

もう1点、社内向けの言葉と社外向けの言葉を分ける必要があります。デジタルスキル標準の類型名は社内で認識を合わせるための区分であり、そのまま職種名として市場に通じるとは限りません*3。「データマネジメント担当を募集します」ではなく、担う責務と主な業務を具体化した文が要ります。

また、AIに関する採用では期待値の設定にも注意が要ります。ガバナンス側の課題である「適切な利用を管理するためのルールや基準の作成が難しい」39.7%*1は、採用した人に丸投げできる問題ではありません。ルールを決める権限は社内にあります。採用した人がルールづくりを主導する前提なら、その権限をどこまで渡すのかを募集の段階で決めておくべきでしょう。

最後に順序の確認です。対象業務を1つ特定し、必要な類型を決め、現場の知見をどこから持ってくるかを決める。この3つが済んでから募集に入ると、要件が具体化されます。逆にこの3つが未定のまま「AI人材」で募集を出すと、応募が集まっても判断ができません。

採用までの期間を埋める必要がある場合は、業務委託を並走させる選択もあります。ただし要件が固まっていない段階で外に出すと判断の根拠が社内に残らないため、順序としては本記事の作業を先に置くのが無理のない進め方です。

まとめ：AI人材の採用基準で押さえる3つの視点

第一に、AI導入の課題は3つに分かれており、採用で埋められるのは1つだけだという点です。IPAの「DX動向2026」ではAI導入・運用上の課題として「専門人材が不足している」50.1%、「生成AIの効果やリスクに関する理解が不足している」45.8%、「適切な利用を管理するためのルールや基準の作成が難しい」39.7%が挙がり、人材不足・リテラシー不足・ガバナンス整備の遅れが三大課題と整理されています。後の2つは社内の教育と意思決定の問題であり、外から人を採っても解けません。第二に、不足の中身が移っているという点です。AI関連人材の充足状況では、「AIに理解がある経営・マネジメント層」と「AIツールを活用して自社の事業に活かせる従業員」の不足の回答率が他と比べて減少した一方、「現場の知見と基礎的AI知識を持ち、自社へのAI導入を推進できる従業員」「データマネジメントの知見があり、社内で企画、推進できる人材」は高いままです。データ整備・管理・流通の課題でも「人材の確保が難しい」が51.2%で最も高くなっています。求められているのはAIの技術そのものより、自社の業務やデータとAIをつなぐ役割です。第三に、標準側も同じ方向に動いたという点です。デジタルスキル標準はver2.0で、生成AI活用が進む中でAIに学習させるデータの収集・整備・管理の重要性が高まっていることを背景に、類型の一つとしてデータマネジメントを追加しました。実務としては、対象の業務を1つ特定し、必要な類型を決め、現場の知見を採用で持ってくるのか社内から持ってくるのかを決める。この3つを済ませてから募集に入ってください。

よくある質問

出典

1. *1　参考：独立行政法人情報処理推進機構「DX動向2026」（2025年度調査。調査期間 2026年4月中旬〜6月中旬）（https://www.ipa.go.jp/digital/chousa/dx-trend/rcu1hd0000017uk8-att/dx-trend-2026.pdf）。AI導入・運用上の課題、データ整備・管理・流通およびデータ連携推進の課題、AI関連人材の充足状況の種別ごとの動き、AIの影響を踏まえた人材育成・確保への着手状況とAI導入効果別の差の一次情報として（2026年8月確認）
2. *2　参考：独立行政法人情報処理推進機構「DX推進スキル標準（DSS-P）概要」（更新履歴：2026年4月16日 デジタルスキル標準ver2.0の公開に伴う更新）（https://www.ipa.go.jp/jinzai/skill-standard/dss/about_dss-p.html）。6つの人材類型の名称と役割の定義、およびデータマネジメントの位置づけの確認として（2026年8月確認）
3. *3　参考：独立行政法人情報処理推進機構「デジタルスキル標準 ver.2.0」（2026年4月16日公開）（https://www.ipa.go.jp/jinzai/skill-standard/dss/rcu1hd000000j76k-att/dss_ver2.0.pdf）。ver2.0の改訂履歴（データマネジメント類型の追加とその背景）、類型・ロール・共通スキルリストの構成、データアーキテクト等のロール定義の確認として（2026年8月確認）

Tweet