TL;DR

生成AIの業務浸透は、職種の構成そのものを書き換えつつあります。データエンジニアリング、AIプロダクトオーナー、プロンプトエンジニアリング、AIガバナンス、GTMエンジニアといった新しい職種が企業価値を左右するようになり、同時に従来職種にも『AIを前提とした業務遂行能力』が必須になりました。本記事では、これから伸びる人材像、既存職種の変化、リスキリング戦略、評価制度の見直しを公開資料と実務観察から整理します。

序文 — 職種の構成が書き換わる時代

生成AIの浸透は、ツールの導入という枠を超えて、職種の構成そのものを書き換えつつあります。

これまで『できる人』として評価されてきたスキルの一部は、AIで代替可能になりつつあります。一方で、AIを前提とした業務遂行能力、AIの出力を評価する判断力、AIに任せる範囲を設計する能力といった、新しい競争軸が立ち上がっています。

Stanford AI Index Report、McKinsey State of AI、Stack Overflow Developer Survey などの公開調査が示唆するのは、AI活用が業務の基本動作になる移行期にあるということです123。2020年代後半にかけて、職種定義、キャリアパス、評価制度、採用基準、リスキリング設計 — 人事・タレント戦略の全領域が再設計を迫られます。

本記事では、これから伸びる人材像、既存職種の変化、リスキリング戦略、評価制度の見直しを整理します。対象は経営層、人事責任者、HRBP、事業責任者で、中長期のタレント戦略を設計する立場のリーダーを想定します。

AI時代に『伸びる』人材の3つの共通点

特定の職種ではなく、伸びる人材に共通する特性を整理します。

特性1 — ゴールを言語化できる力

エージェント型AIは、手続きではなくゴールに対して動きます。曖昧なゴール、抽象的な指示はAIの活用効率を下げます。『何が求められているか』を明確に言語化できる力は、AI活用の生産性を直接規定します。

これは管理職的スキルに近いですが、AIの時代には現場担当にも求められる能力となります。

特性2 — 出力を評価できる判断力

AIは誤りうる存在です。出力の質、事実性、業務適合性を判断できない人はAIを過度に信頼し、誤判断に至ります。

『これは使える／使えない』を即座に判断できる知見は、AI活用の成否を決めます。特に専門領域においては、AI出力の妥当性評価こそが人間の付加価値になります。

特性3 — 業務プロセスを再設計できる力

AIを既存業務にそのまま組み込む思考では、本質的な生産性向上は得られません。『この業務は本来どうあるべきか』をゼロベースで考え、再設計する能力が、事業インパクトを生みます。

この能力は、職種を問わず次世代人材の共通分母となります。

これから伸びる新しい職種

データエンジニア／データアーキテクト

AIの土台はデータです。データ基盤、品質、ガバナンスを設計・運用する人材への需要は急拡大しています。RAG、分析、AIエージェントのいずれでも、データ設計の質がプロダクト価値を左右します。

AIプロダクトオーナー／AIプロダクトマネージャー

業務課題とAI技術を接続する役割です。プロンプト設計、効果測定、ガバナンス、ユーザーフィードバックを一手に引き受ける新しいプロダクトオーナー像が立ち上がっています。

プロンプトエンジニア／AIワークフローデザイナー

特定の業務で最適な出力を引き出すプロンプトと、エージェントのワークフローを設計する専門職です。単独職種というより、既存の職種内で専門性として発達するケースが多い傾向にあります。

AIガバナンス専門職

AI利用ポリシー、リスク評価、規制対応、倫理指針を担う職種です。金融・医療・公共といった規制産業を中心に、法務・情シス・リスクマネジメントから派生した新職種として立ち上がりつつあります。

GTMエンジニア（Go-to-Market Engineer）

営業・マーケティング・カスタマーサクセスの業務プロセスを、AIとデータで自動化・最適化するエンジニアです。非技術職の業務を技術で強化する新しい役割で、SaaS企業を中心に増加しています。

AI教育・ラーニングデザイナー

社内のAI研修・教育プログラムを設計・運用する職種です。人事・教育から派生した新しい専門性です。

デジタル倫理・責任あるAI専門家

AIの公平性、説明可能性、バイアス、社会的影響を評価・是正する役割です。大企業の先進的組織で導入が始まっています。

既存職種の変化

完全に消える職種は少ないですが、多くの職種で職務内容と評価基準が再定義されます。

営業

• 『提案書作成』『リサーチ』『メール送信』などの手作業工数が減少

• 『関係構築』『課題理解』『意思決定支援』といった人間力の比重が上昇

• AI活用度が営業生産性に直結

マーケティング

• コンテンツ生成、データ分析、広告運用の自動化

• 『戦略設計』『ブランド設計』『体験設計』の重要性が上昇

• AI活用が前提のマーケティングオペレーションが標準に

エンジニアリング

• コード補完・生成の浸透で、個人の生産性が大幅に変動

• 『アーキテクチャ設計』『業務理解』『レビュー能力』の価値が上昇

• コードを書くエンジニアから『システムを設計するエンジニア』への比重移行

カスタマーサクセス

• 一次問合せ対応の自動化

• パーソナライズされた顧客体験設計の重要性上昇

• 顧客の成果を出す戦略的パートナーへの役割転換

管理部門（法務・経理・人事）

• 定型文書・帳票・集計の自動化

• 『ルール設計』『ガバナンス』『戦略支援』の比重上昇

• 専門性＋AI活用の両利きが必須に

リスキリング戦略の設計

3層の教育プログラム

企業のAI研修プログラム設計 で詳述した3層構造は、リスキリングでも基本となります：

• ベーシック：全社員、AIリテラシーの底上げ

• 応用：職種別、実業務への適用

• リーダー：管理職、チーム運用・判断

実践機会の組み込み

研修のみでは定着しません。以下を組み合わせます：

• 社内AI活用プロジェクト：学んだスキルを実業務で使う機会

• AI活用ベストプラクティス共有：月次／四半期の事例共有会

• AIチャンピオン制度：各部門のAI活用リーダー育成

• メンタリング：先行ユーザーから後発ユーザーへ

学習サイクルの運用

学ぶ → 使う → フィードバックを得る → 改善する、というサイクルを組織的に回します。個人任せにせず、制度として定着させます。

評価制度の見直し

『AI活用度』を単独指標にする弊害

『AIを何時間使ったか』『AIで何件処理したか』といった活動指標を直接評価に組み込むと、目的と手段が入れ替わるリスクが生まれます。

推奨アプローチ：成果指標にAI活用を組み込む設計です。

推奨評価モデル

『何を達成したか』を主軸に、『AIをどう活用したか』『組織にどう貢献したか』を加点要素にします。

キャリアパスの再設計

• 伝統的な専門性の深掘りルート

• 業務横断の専門家ルート（例：AIプロダクトオーナー）

• 管理職ルート

• 技術専門職ルート（アーキテクト、データサイエンティスト等）

AIネイティブな新職種を含め、複数のキャリアパスを提示することで、多様な人材を惹きつけます。

採用戦略の見直し

スキル重視から能力重視へ

特定ツールの習熟度より、ゴール設定力・AIリテラシー・学習速度・業務横断的視野を重視する採用設計です。

選考プロセスへのAI活用テーマ

• 実務課題でのAI活用の仕方を問う

• プロンプト設計の工夫を見る

• AIと人間の役割分担の考え方を確認

• 既存業務を再設計する視点を問う

新卒採用の見直し

• ポテンシャル採用にAI協働能力を加える

• 学習速度とメタ認知能力の重視

• ジョブローテーションでの多角的経験

組織設計への影響

フラット化の進行

AI活用により、個人の影響範囲が拡大します。中間管理職の役割が、タスク管理から意思決定・関係構築・例外処理へシフトします。

チーム編成の変化

• 専門別チームから、業務成果単位のクロスファンクショナルチームへ

• AIプロダクトオーナーを軸にしたチーム組成

• 業務×技術×データの三位一体チーム

パートナー活用

内製では追いつかない領域（AIガバナンス、専門教育、特殊技術）は、外部パートナーとの連携で補います。内製と外部の最適配分が、タレント戦略の重要論点となります。

典型的な失敗パターン

失敗1 — AI活用度を評価しすぎる

手段が目的化し、本来の業務成果が埋没します。対策：成果主義を主軸に、AI活用を加点要素として設計します。

失敗2 — 教育投資のみで実践機会がない

研修を受けても業務に接続されません。対策：実践機会と組み合わせます。

失敗3 — 既存評価制度の固執

AI時代の働き方に合わない評価制度を維持することで、AI活用が個人の評価を下げる矛盾が生じます。対策：制度をAI前提に書き換えます。

失敗4 — 新職種の採用を外注に頼りすぎる

外部パートナー任せでは知見が組織に蓄積しません。対策：内製化の段階設計と、外部との知見移転を含めた契約設計を行います。

現場で効いた実装原則 — 肩書きに囚われない職種設計を、まず自社で試す

Farleap（ファーリープ）は、AI時代のタレント戦略支援においてAI導入とタレント戦略を一体で設計することを方針としています。ツール導入や研修プログラムの単独実行ではなく、職種再設計・リスキリング・評価制度・採用戦略を同時に動かすことで、組織の競争力を本質的に引き上げます。

提供内容：

• タレント戦略アセスメント（現状の職種構成、スキル分布、評価制度）

• 職種再設計（新職種の定義、既存職種の再定義）

• リスキリングプログラム（研修＋実践機会）

• 評価制度の見直し支援

• 採用戦略の設計

自社でも、従来の肩書きに囚われない職種設計と、AI前提の評価運用を先行して実践しています。

まとめ — AI時代の競争力は人材戦略で決まる

生成AIの浸透は、人材戦略を抜本的に見直す契機です。これから伸びる人材を採用・育成・登用する仕組みと、既存職種をAI前提に再定義する仕組みの両方が必要となります。

技術導入と人材戦略を切り離すと、投資効果が希薄になります。両者を一体で動かすことが、AI時代の組織競争力の源泉となります。

関連記事として、企業のAI研修プログラム設計、AI利用ポリシー策定ガイド、DX人材の内製化と育成戦略、エンタープライズAI導入の成功法則 を参照してください。

出典

本記事は一般的な情報提供を目的としたもので、法的・税務的助言に代わるものではありません。詳細は利用規約をご確認ください。

よくある質問

AI時代に『伸びる』人材の共通点は何ですか？

『ゴールを言語化できる力』『AIの出力を評価できる判断力』『業務プロセスを再設計できる力』の3点が共通点です。特定のAIツールを使いこなす能力より、業務とAIの橋渡しができる思考が長期的に伸びます。

これから伸びる新しい職種は？

データエンジニア、AIプロダクトオーナー、プロンプトエンジニア、AIガバナンス専門職、GTMエンジニアなどが代表例です。既存の職種定義に収まらない横断的な役割が増え、組織図に『新しい職種』を追加する動きが加速しています。

既存の職種は消えますか？

完全に消える職種は少なく、多くは『AIを前提に仕事を進める形』に再定義されます。データ入力・定型文書作成・一次問合せ対応といったタスクは自動化が進む一方、判断・関係構築・例外処理・創造性を要する業務は依然として人間が担います。

リスキリングはどう進めるべきですか？

全社員向けのベーシック、職種別の応用、管理職向けのリーダーという3層の教育プログラムに加えて、社内プロジェクトでの実践機会を組み合わせることが重要です。座学だけでは定着しないため、『学ぶ → 使う → フィードバックを得る』サイクルを組織に組み込みます。

評価制度はどう見直すべきですか？

『AI活用度』を単独指標として評価するのではなく、成果指標にAI活用を組み込む設計が推奨されます。『何を達成したか』を主軸に、『AIをどう活用したか』『組織への学びを共有したか』を加点要素にする形です。

採用方針はどう変わりますか？

特定スキルの縦深より、ゴール設定力・AI活用のリテラシー・学習速度・業務横断的な視野が重視されるようになります。新卒採用では、既存のポテンシャル採用の枠組みにAIとの協働能力を加える設計が広がりつつあります。

Footnotes

1. Stanford University HAI, "AI Index Report 2024" ↩

2. McKinsey & Company, "The state of AI in early 2024" (2024年5月) ↩

3. Stack Overflow, "Developer Survey 2024" ↩