「スキルデータ」の陳腐化はAI推論で解決　それによって可能になる人材ポートフォリオ構築とは

従来のスキル可視化における構造的限界とパラダイムシフト

　これまで多くの企業が取り組んできたスキル可視化の試みは、主に「社員による自己申告」と「人事による手動メンテナンス」に基づいています。しかし、この伝統的なアプローチは、現代のビジネス環境において持続不可能な限界を露呈しています。

　第1の課題は、データの更新における社員の負荷です。多忙な現場の社員にとって、数百の項目から自身のレベルを選択する作業は付随的な業務と見なされやすく、更新が滞ります。皮肉なことに、多様なスキルを高いレベルで保有する社員ほど多忙になりやすく、スキルデータが空のままになっている会社を多く見てきました。結果としてデータベースには古い情報が蓄積され、配置や育成に活用できない「死んだデータ」と化してしまいます。

　第2の課題は、組織全体のスキル体系（スキルライブラリ）を維持するための膨大な工数です。技術革新のスピードが加速する中、新たなスキルの定義を人手で行うには限界があり、市場価値の変化に更新が追いつきません。このような「入力」に依存した静的なモデルでは、人的資本をリアルタイムに最適化することは困難です。すべてを完全に網羅し続けることは現実的ではなく、結果として「運用できる範囲に縮退する」か「形骸化する」かの2択に陥りやすい点も、従来モデルの構造的な弱点です。

　しかし生成AIの進化が、スキル可視化のあり方を根本から変えました。社員にスキル入力を強いるのではなく、AIが日々の業務プロセスの中で残された「デジタルフットプリント（活動の痕跡）」を読み解き、能力を自律的に推論する時代が到来しています。

　デジタルフットプリントとは、チャットツールでの発言、メール、目標管理データ、1on1の記録、プロジェクトの成果物など、社員がデジタル上で残すあらゆる活動ログを指します。これらは「自認」ではなく「行動事実」に基づいています。生成AIはこれらの非構造化データから、高度な文脈理解を通じて、個人の専門性や潜在的なスキルを一定の前提とガバナンスのもとで、示唆として抽出・整理することが可能です。重要なのは、AIが“断定”するのではなく、推論の根拠（どの成果物・経験・記述が、どのスキルを示唆するか）を可視化し、人が検討できる形で提示する点にあります。

スキル推論のメカニズム：客観的な「供給データ」の生成

　スキル推論は、社内に散在する定性的な情報をAIが統合・解析することで行います。具体的には、キャリア面談シートや評価情報、さらには日々の業務報告といったテキストデータをインプットとして活用します。

　AIはこれらのデータと、外部の市場トレンドや業界標準のスキルライブラリを照合し、社員が現在どの程度の習熟度にあるかを判定します。このプロセスの要点は、単なるキーワードマッチングではなく、文脈から「どのような状況で、どの程度の難易度の課題を解決したか」を読み取ることです。これにより、社員の負担を最小限に抑えながら、常に最新のスキル情報を保持することが可能です。すべてを“最新・完全”にすることは難しくても、従来の自己申告型モデルに比べ、更新頻度・一貫性・運用継続性の面で大きな改善が見込めます。また、推論の根拠となった具体的な行動事実を提示することで、客観性と納得感を担保できる点も大きな特徴です。

　図1はある大手ITサービス業のお客様が、社員の目標管理、フィードバックコメント、職務経歴の記述データから社員のスキルの有無を判定した結果の抜粋です。判定結果もブラックボックスではなく、どの記述を参照し、どのように考え判定したか、その確信度まで含めてAIが説明してくれます。

　図2は同じお客様が、アビームコンサルティングが開発したスキル推論を用いて出力した、現状のジョブと組織別に適格な必須スキルを持つ社員の割合を示したポートフォリオのマップです。このように、組織×ジョブごとに必要なスキルがどれくらい不足しているのかを、ほぼリアルタイムでモニタリングすることが可能です。ここで示す可視化は特定企業に閉じた“特殊解”ではなく、職種横断・プロジェクト型で人が動く企業ほど適用余地が大きいアプローチです。