Microsoft CEO Satya NadellaはAIを「人材の増幅器」と位置づけ、Skills-first economyへの移行を訴えるが、日本の職能資格制度と年功序列がスキルをほぼ完全に「見えない化」している事実を前にすると、この主張は根本的な問いを突きつける。増幅器が機能するためには増幅対象が存在しなければならない——日本企業の多くはそのスキルデータそのものを持っていない。個人のスキルを可視化・言語化しない限り、AIは人材を増幅するどころか、年功の濃霧をさらに深める道具に成り下がる。
AIは人材を増幅する——誰もが繰り返し口にする言葉だ。だが私は、この命題の「前提」に問題があると考えている。増幅するためには、増幅する「対象」が存在しなければならない。
AIが増幅できない国 — スキルが「見えない」日本でNadellaのビジョンは機能するか
Microsoftの最高経営責任者Nadellaは、AIを一貫して「人材の増幅器（amplifier of human capability）」と表現してきた。彼のビジョンの核心は二点に集約される。一つ目は、AIはスキルを持つ個人の生産性を乗数的に高めるということ。二つ目は、職歴や学歴よりもスキルそのものを評価軸にするSkills-first economyへの移行こそが、AI時代の組織と個人を解放するという信念だ。Microsoftが推進するAI copilot構想も、この信念の実装にほかならない。
私は基本的にこの方向性を支持する。だが日本市場に目を転じると、一つの根本的な問いが浮かぶ。
増幅すべきスキルが、そもそも「存在しない」（可視化されていない）としたら？
日本の雇用管理は、長らく職能資格制度と年功序列を基軸としてきた。職能資格制度とは、個人の潜在的な「能力の等級」によって処遇を決める仕組みだ。問題はこの「潜在的能力」が、具体的なスキルの束として定義されているわけではない点にある。多くの場合、等級は年数と評価者の主観的印象によって決まる。
結果として何が起きているか。日本企業の多くは、従業員が「何ができるか」を体系的に把握するデータを持っていない。人材データベースと呼ばれるものが存在しても、その中身は資格取得リストや研修受講履歴にとどまり、実際の業務遂行能力——どの水準でどの課題を解決できるか——は記録されていない。
採用という入口だけを見ても、AIを活用している日本企業は2024年時点でわずか16%にとどまる（Hays Japan「採用トレンド調査」2024年）[1]。スキルデータを体系的に整備・活用できている企業はさらに少ない。グローバルでは85%の企業がスキルベース採用を実施していると回答しており（TestGorilla 2025年調査）[2]、自己申告ベースとはいえ取り組みの優先度に大きな差がある。
これは努力不足の問題ではない。制度設計の問題だ。年功序列のもとでは、スキルを精緻に測る必要性がそもそも薄かった。昇給・昇格は在籍年数と評価者の裁量で決まるため、スキルを言語化するインセンティブが働かなかった。
ここで逆説が顕在化する。
NadellaのビジョンはAIを増幅器として描く。だが増幅器はインプットがなければ動かない。増幅器に「0」を入力すれば、出力もまた「0」だ。スキルデータが存在しない組織にAIを導入しても、AIは何を増幅するのか。年功序列の結果としての「階層的地位」を増幅するだけになりかねない。
これは日本のAI活用において、ほとんど語られていない死角だ。多くの議論は「どのAIツールを導入するか」に終始するが、ツールの前にデータの問題があり、データの前に言語化の問題がある。
もう一つ見逃せない構造がある。個人と組織の非対称性だ。
当の従業員本人は、自分がどんなスキルを持つかをある程度は知っている。しかし組織はそれを把握していない。この非対称が生む摩擦は深刻だ。スキルを正当に評価されないと感じる個人は離職を検討し、一方で組織はどの人材を失うリスクにさらされているかすら把握できない。AIを「採用効率化」のために導入しながら、既存の優秀な社員のスキルを把握できていない——こうした逆転現象が日本企業の現場では珍しくない。
私が携わる人材ポートフォリオの案件でも、「スキルを可視化しようとすると、そのための言葉がない」という壁に繰り返し当たる。能力の評価基準は存在するが、それが「何がどのレベルでできるか」という行動ベースの記述になっていないのだ。
では何から始めるべきか。AI導入の前に着手すべき三つのステップを示す。
第一に、スキルの「言語化」だ。
まず自社に存在するスキルを棚卸しし、行動ベースの記述（Behavioral Anchors）で表現する。「コミュニケーション能力」ではなく「多様な利害関係者に向けてロジックを三段構成で説明し、合意を形成できる」という粒度だ。これは時間がかかるが、AIに代替させることはできない。人間が判断し、言語化する作業だ。
第二に、スキルの「自己申告と検証の仕組み」だ。
個人が自分のスキルを申告し、プロジェクトの成果や360度評価によって検証されるループを作る。HRISへの統合が理想だが、まずスプレッドシートでも構わない。データが「ある」状態を作ることが先決だ。
第三に、スキルデータをAIに入力する設計だ。
ここで初めてAIが登場する。スキルデータが整備されれば、AIはその人材のポテンシャルをジョブ要件にマッチングし、育成の優先課題を示し、プロジェクト編成を最適化できる。NadellaのいうAI copilotは、この段階で真価を発揮する。
逆に言えば、第三ステップから始めようとするから空回りする。多くの企業がAIツール導入を急ぎ、その後「データがなくて動かない」という壁に突き当たる。
通説はこうだ。「AIで人材活用を高度化できる」。
私が提示したい問いは別にある。「あなたの組織はまず、誰が何をできるかを言葉にしているか」。
NadellaのSkills-first economyというビジョンは正しい方向を示している。だがそのビジョンを日本で実現するには、AIの前にやるべきことがある。スキルを言語化し、可視化し、組織の共通言語にすること。それなしにAIを導入しても、年功の霧は晴れない。増幅器に霧を入力しても、出力は霧のままだ。
AIが本当の意味で人材を増幅するその日まで、まず私たちは「何を増幅するのか」を問い続けなければならない。
参考文献
[1] Hays Japan「日本の採用トレンド 2024」— 採用プロセスにAIを活用する日本企業は16%
[2] TestGorilla「The State of Skills-Based Hiring 2025」— グローバル85%の企業がスキルベース採用実施と回答（自己申告）
[3] Nadella, S. Microsoft公式ブログ・X投稿（2023〜2026）— human capital × token capital・Skills-first economy ビジョン
[4] World Economic Forum "The Future of Jobs Report 2025"（スキルベース採用動向・AI時代の雇用転換）
[5] McKinsey & Company "Skill shift: Automation and the future of the workforce"（2018）
[6] 厚生労働省「職業能力評価基準」整備状況報告（2024）
あとがき
このコラムを書きながら、私は自分のキャリアを振り返っていた。Mercerで人材案件に関わるようになって気づいたのは、日本企業の人事担当者が「人材のことをわかっていない」のではなく、「わかろうとするための言葉と仕組みを持っていない」という実情だ。それは怠慢ではなく、制度の産物だ。制度を変えるのは長い道のりだが、言語化から始めることは、今日からできる。Nadellaのビジョンを本当に実現したいなら、まずその一歩から。
voice 4.1: である調一貫・「私」出現3回（指定内）・あとがき有。冒頭フックを「誰もが繰り返し口にする言葉だ」起点の即物的対比に改善。定型的問いかけ構造から命題の「前提」への問い直しに転換。
slop 4.0: 「死角」「真価を発揮する」等一部常套句残存（軽微）。「増幅器に霧を入力しても出力は霧のまま」比喩は独自性あり維持。冒頭問いかけ定型から命題前提への問い直しに変換済み。
argument 4.1: 「2割未満」「6〜7割」の無出典統計を削除。Hays Japan 2024（採用AI活用16%[1]）とTestGorilla 2025（85%スキルベース採用実施[2]）の実出典データに置換。論証の基盤が実証データに整備された。
citation-factchecker 2ラウンド: citation_status: passed。「2割未満」「6〜7割」→unverifiable→削除・実出典に置換。[1]Hays Japan 2024 verified / [2]TestGorilla 2025 verified / WEF 2025 verified / McKinsey 2018 verified / 厚労省 2024 verified。
next iteration: score 4.07 ≥ 4.0 達成。介入見送り推奨。
voice 4.0
- である調一貫・「私」を3箇所使用（指定範囲内）・あとがき有・通説の裏提示（「AIで人材活用を高度化できる」を逆説で崩す）。概ねpersonal-voiceを充足。
- 減点（-1.0）：効果量の具体数字が「2割に満たない」「6〜7割」にとどまり、出典が弱い。次iterで統計ソースを特定・明記すると4.5圏に入る。
slop 3.9
- 「増幅器に霧を入力しても出力は霧のまま」等の比喩が独自性を持つ。言い切り短文が機能。
- 減点（-1.1）：「死角」「真価を発揮する」「長い道のり」等がやや常套。冒頭の問いかけ構造が定型的。Nadellaの主張の引用がパラフレーズ止まりで一次資料の迫力に欠ける（X投稿本文取得不可の制約による）。
argument 3.8
- 「スキルが見えない→増幅できない」という逆説の論理構造は独自性・説得力ともに高い。三ステップの実務示唆が具体的。
- 減点（-1.2）：一次資料（X投稿本文）未取得のため、Nadellaの具体的主張の引用がない。「スキルデータ保有企業2割以下」の出典が未特定（調査とのみ記載）。個人vs組織の非対称性に関するエビデンスが論理的主張にとどまり実証が薄い。
改善優先度（iter2 へ）
1. 「2割以下」「6〜7割」の統計に明確な出典を付与（厚労省・経産省・Mercer GTT等）
2. 個人vs組織の非対称を裏付けるデータを1点追加
3. 冒頭フックの文体を更新——現状の問いかけ構造が定型的すぎる
4. Nadellaの関連発言（公知のもの）をより具体的に引用
スコアバッジ＝黄（公開検討圏・要データ補強）。論点と構造は成立。統計出典の補強でargument 4.0+・total 4.1+到達見込み。
（iteration 1 が初版。以降の iter はここに新しい順で details 格納）