AIリテラシー：人工知能のスキルギャップを埋める

AIガバナンスセンターの研究員であるサム・マニング氏の最近の調査によると、米国では610万人の労働者がAIにさらされており、テクノロジーに適応するための設備が整っていません。一方、IBMが最近調査した経営幹部の半数近くが、自社の従業員にはAIテクノロジーを大規模に実装するために必要なAIスキルと知識が不足していると答えています。

AIが世界中の産業に与えると予想される影響を考えると、AIスキルのギャップは深刻な結果をもたらす可能性があります。IBM Institute for Business Valueの調査によると、経営陣の87%は、従業員は生成AIに取って代わられるよりも、増強される可能性の方が高いと考えています。

テクノロジーの潜在能力を効果的に活用できるかどうかは、業界全体に大きな影響を与える可能性があります。AIへの投資は150％急増しており、2030年までにAIによって企業の生産性が42％向上すると予測されています。ほとんどの組織（70％）は、生産性の向上をイノベーションと成長に再投資することを計画しています。

しかし、強力なAIリテラシー・プログラムがなければ、これらの広範な企業トランスフォーメーションは停滞する可能性があります。将来の職場をつくるために、高等教育機関と企業は、従業員の長期的な成功に必要な態度と能力を積極的に開発する必要があります。

AIリテラシーとは、AIシステムを理解し、監査し、思慮深く使用する能力です。エンジニア向けの技術的なスキルではなく、新入社員から経営幹部まで、組織のあらゆる部門とレベルの労働者にとって基盤となるコンピテンシーです。

AIの機能、制限、倫理的な配慮を理解することで、学習者は実践的スキルと概念スキルの両方を獲得できます。これらのスキルにより、AIリテラシーはAIテクノロジーの理解とAIの応用において、批判的思考を発揮することができます。

最も基本的には、AIリテラシーとは、AIで何ができ、何ができないかを知ることを意味します。例えば、機械学習モデルはデータ内のパターンを識別するものの、それでも人間による監視が必要であることを理解することです。より高度なAIリテラシーには、バイアスとリスクを理解することと、ワークフロー全体にAIをデプロイする方法について情報に基づいて意思決定することが含まれます。

デジタル・リテラシーが主にソフトウェアの使用方法を知ることに適用されるのとは異なり、AIリテラシーはより深い概念レベルを必要とします。

「AIがより日常的なコーディングとドキュメンテーションを処理するにつれて、専門家は総合的に考えることがますます期待されています」と、IBMのグローバル人材獲得およびエグゼクティブ・サーチ担当副社長のNatasha Pillay-Bemathは言います。必然的に、その役割は「システムをエンドツーエンドで理解し、AIのアウトプットの品質とバイアスを検証する」方向にシフトしています。

AIリテラシーは単なるコンピューター・サイエンスではありません。AIツールの使用方法を知り、ツールがどのように動作するか、どのように推論するか、どのタスクに適用するのが最適かを理解することです。また、仕事の進め方における根本的な変化でもあります。「AIの導入には、考え方の転換が必要です」と、IBM ConsultingのGlenn DittrichとKim Morickは文章で述べています。「技術的なスキルだけでなく、共感、クリティカル・シンキング、好奇心などの能力への投資が必要です」

AIが理解するペースは、AIの使用の劇的な増加に追いついていません。2022年にOpenAIのChatGPTがリリースされたことで、幅広い人々が初めて生成AIに触れるようになりました。現在、Gallup社によると、全就業成人の12%が、あらゆる部門でAIを日常的に使用しています。テクノロジー、金融、その他の普及率の高い業界の労働者がより多く利用しています。

しかし、カスタマー・サービス用チャットボットから生成コンテンツ・ツールまで、組織がこれらのツールを導入する中、多くの従業員はそれらを責任を持って効果的に使用するための基本的な知識が不足しています。

McKinsey社の最近の調査によると、AIフルエンシーへの需要は2年間で7倍に増加し、アメリカの求人情報における他のどのスキルよりも速いペースで増えています。一方、世界経済フォーラムは、世界の労働力に必要なスキルの40%が5年以内に変化すると予測しています。

スキル・ギャップは現実的な結果をもたらします。AIの限界を理解していない従業員は、アウトプットを過信してしまう可能性があります。懐疑的な従業員は、変革的なツールを十分に活用していないかもしれません。また、AIモデルを理解できないリーダーシップは、組織全体に真の価値を提供する実装を設計することはできません。テクノロジーがより洗練されるにつれて、これらのダイナミクスは複雑化します。

さらに、企業がAIエージェントやより自律的なソフトウェアを実装するにつれて、ガバナンス・システムはより複雑になります。直感的なアプリやダッシュボード、ノーコード・オプション、自然言語クエリーはすべてアクセシビリティーを向上させますが、安全に動作するにはAIフルエンシーが求められます。

一部のAIパイロット・プログラムが停滞し、組織がすぐに成果を得るのに苦労していることから、このテクノロジーの潜在可能性は単純な技術実装以上のものに依存していることが明らかになりました。組織は、ワークフローを再設計し、従業員が新しい働き方に適応することで、より大きな価値を見出すことができます。これらすべての作業には、AI関連の職場のツールとスキルに関する微妙な理解が必要です。

「エントリーレベルの役割は、純粋にタスク主導の業務から分析、問題解決、そして責任あるAIの使用へと移行しています」と、IBMのグローバル人材獲得およびエグゼクティブ・サーチ担当バイスプレジデントのNatasha Pillay-Bemathは言います。現在、新入社員にとっては学習の敏捷性が技術的スキルと同じくらい重要であると指摘しています。

AIリテラシーは、連動して機能する関連スキルのクラスターです。理想的には、特定の成果や役割に合わせた、分野横断的で実践的な能力のセットです。AIリテラシーの具体的な内容は、目指すスキルレベルによって変化する可能性がありますが、世界経済フォーラムは最近、教育現場におけるAIリテラシーのカリキュラム案を紹介しました。WEFの4本柱のAIリテラシーフレームワークには以下が含まれます。

• AIとの関わり：AIの用途を理解し、その成果を評価する
• AIを用いた制作：倫理的な配慮を念頭に置きながら、AIツールとの連携方法を理解する
• AIの行動管理：責任を持ってAIにタスクを委任し、人間の監督を確保する
• AIソリューションの設計：日常生活の問題を解決するためのAIの仕組みを理解する

AIリテラシーのその他の実践的な形式としては、次のようなものがあります。

• AIの仕組みを理解する：AIの概念を理解するうえで、ユーザーは、AIとは何か、機械学習システムがデータからどのように学習するか、またさまざまなソフトウェアやアルゴリズムの長所や限界について把握します。
• AIの評価：AIを批判的に評価する際、ユーザーはAIのアウトプットや意思決定の正確さ、偏り、信頼性を評価することができます。このプロセスとは、例えば、AIが生成した成果をいつ検証すべきか、いつ拒否すべきかを知ることです。
• AIの適用：AIを実際に適用するには、特定のタスクやワークフローに対するAIの効果的な使用方法を知ることが必要です。

AIの倫理的、社会的、ガバナンスのフレームワークの活用：責任あるAIリテラシーには、幅広い文脈におけるAIの影響、例えばプライバシーや公平性、説明責任、説明可能性などを理解することが含まれます。真にAIリテラシーの高いユーザーは、AIのデプロイが単なる技術的な決定ではないことを理解しています。

生成AIリテラシーは、大規模言語モデル（LLM）やその他の生成システムに焦点を当てたAIリテラシーの特定のサブセットです。生成AIツールが組織のワークフローにさらに組み込まれるようになるにつれて、この分野は急務となっています。

重要な側面の1つは、ハルシネーションの概念を理解し、ユーザーにある程度の懐疑的な見方をしてAIのアウトプットに取り組むよう奨励することです。もう一つは、責任ある利用を優先することです。例えば、外部のAIシステムと共有すべきではないものを理解したり、タスクが生成AIの恩恵を受けないタイミングを認識したりすることです。

生成AIリテラシーのその他の重要な側面は次のとおりです。

• トレーニングデータを理解する
• IPおよび著作権の問題を検討する
• モデルの制限を認識する
• データ・プライバシーの意識を維持する

AIリテラシーは、強力なデジタル・トランスフォーメーションの基礎です。「意味のある導入には、単に新技術を活用する以上のものが必要です」とIBM ConsultingのHRテクノロジーパートナーであるKimberly Morick氏は語ります。「成功には、構造化データと非構造化データがどのように相互補完するかについての微妙な理解、AIの学習メカニズムへの洞察、そして重要な意思決定ポイントでの戦略的な人間の監視が必要です」

「この基盤がなければ、組織は強力なツールを導入して影響が限定的なものになってしまうリスクを抱えます」と同氏は付け加えます。

企業環境でAIリテラシーを構築するためのベスト・プラクティスには、次のようなものがあります。

効果的なAIリテラシー・プログラムは、組織の立ち位置を正直に説明することから始まります。企業のAIリテラシーの既存のレベルと将来必要となるリテラシーの種類の両方の観点からです。有意義な基準評価では、さまざまな側面でリテラシーを測定できます。

• どのようなツールがどの程度効果的に使用されていますか？
• どのような能力、どのようなコンセプトの理解が特定の役割に最も必要とされていますか？
• どのようなスキルが既に組織に存在していますか？それは、どうすれば最善の使い方ができますか？

基準評価をする際には、短期的および長期的に役割がどのように変化するかをマッピングすると便利です。組織は、仕事の再設計を計画することで、従業員が将来必要となるスキルを確実に身に付けられるようにし、AIリテラシーの実際のメリットを実感できるように支援します。

「ワークフローの自動化を、新しい創造的な仕事の可能性としてとらえることで、計画プロセスは潜在的な価値を解き放つことができます」と、IBMのHRおよびタレント・トランスフォーメーション担当アソシエイト・パートナーであるSarah Damenti氏は述べます。

多くの役割を持つ大規模な組織では、1つのカリキュラムでは不十分である場合があります。最前線の従業員とITスタッフを同時に対象とした画一的なトレーニングやWebセミナーは押しなべて、逆効果になる可能性があります。成功している組織は、役割ごとに異なるスキルが必要であることを認識し、トレーニングを適切にカスタマイズしています。AIを活用することで、組織は、既存のレベルの習熟度を考慮した、従業員の個々の役割に応じた学習パスを作成できます。

AIリテラシー・プログラムでは、従業員が遭遇する可能性のある特定のツールに基づいて学習を構築しますが、すべての従業員がAIの仕組みについて基本的な理解を持つことは不可欠です。このアプローチは、AIについての知識と、実際のワークフローでAIを効果的に活用する方法を知っているというギャップを埋めることができます。適切に設計されたAIリテラシー・モジュールは、抽象的な概念や一般的なツールについて従業員をトレーニングするのではなく、特定の実践的なシナリオを従業員に提供します。

真のAIリテラシーは、現実世界の状況においてAIの出力や潜在的な誤情報を批判的に評価する能力にかかっています。先進的な企業は、計画的な演習とフィードバックとともに、このスキルを明示的に教えています。評価に関する構造化された実践なしにAIシステムを頻繁に使用する従業員は、時間の経過とともにこれらのシステムへの依存度が高まる可能性があります。

例えば、カリフォルニア大学サンタバーバラ校のテクノロジー管理准教授であるMatt Beane氏は、AIを使用してユーザーが自分の選択を熟考することを促すアプローチを実践しています。Beane氏がIBMに語ったように、同氏は小規模な見習いチームと組み、AIツールを使用した一連の課題を通じて小さなグループを指導するシニア従業員と仕事をしています。報告セッション中、グループは一連の質問に答えて、無意識の思い込みを明らかにし、代替的な解決策を見つけます。

効果的なAI学習実践の基盤の1つは、社内のチャンピオンのネットワークです。さまざまな部署で活躍している人たちは、AIに精通し、知識とエクスペリエンスを共有する意欲があります。多くの場合、AIリテラシーに対する熱意は上層部から徐々に流れ出てきます。主要な利害関係者は、AIを使用し、それが組織にどのように価値をもたらすかを理解する必要があります。

従業員が新しいツールの可能性に期待を寄せていれば、AIリテラシー・プログラムに深く関与する可能性が高くなります。

これらの社内チャンピオンは、従業員が実験している新しいAIのユースケースや予期せぬ失敗を浮き彫りにすることもできます。このフィードバック・ループは、ポリシーと学習プログラムを組織全体でのAIの使用方法の現実に結び付け、さらなるトレーニングに役立てるために不可欠です。

強力なガバナンス教育プログラムがなければ、AIリテラシーは不完全です。効果的なエンタープライズAIリテラシー・プログラムは、明確なガバナンス・フレームワークとともに構築されます。このアプローチにより、許容される使用に関する明示的なポリシーを確立し、どのような種類のデータをAIシステムに入力すべきか、またAI生成のアウトプットを使用前にどのように帰属すべきかをユーザーに教えることができます。また、AIリテラシー・プログラムによって、ガバナンスの保護手段があらゆるレベルの従業員に見えるようになり、コンプライアンス文化が促進される必要があります。

学習には試行錯誤が必要であり、真のAIフルエンシーには、反復を重視する文化を育む必要があります。実際にはこのアプローチは、社内のハッカソンなどの実験に時間とリソースを費やすことを意味します。Morick氏はこの考え方を「スタートアップ企業のように考えること」と呼んでいます。

「AIは全員の主導権を握っています」と同氏は言います。「全員が責任を持ち、説明できる必要があります。どうすれば自分の業務で高い成果を出すことができるのか？自分の業務から組織へ、迅速で価値の高い成果をもたらすにはどうすればよいのか？」実験のための安全なスペースを意図的に作ることで、組織は長期的なAIリテラシーを育み、新しいアイデアへの情熱を刺激することができます。

AIリテラシーを1回限りの取り組みではなく、永続的な組織の優先事項として扱う組織は、成功する可能性が高くなります。この優先事項は、今後数年間で労働時間の3分の1を自動化できるようになったときに差し迫った課題となります。AIリテラシーを一度限りの取り組みとして扱う組織では、数カ月以内に従業員の遅れが発生するでしょう。また、従業員のスキルや将来の幸福度を高める機会も逃しています。

AIの学習エクスペリエンスを継続的に優先するには、構造的なコミットメントと既存の人材開発プロセスへの統合が必要です。また、長期的なスキル開発についても、これまでとは違う考え方ができるようになります。

例えば、別のスキルの育成に重点を置いて、新卒採用の採用を倍増している組織もあります。2026年の時点で、CEOの67％がAIによってエントリーレベルの人員数が増えると考えており、IBMは最近、エントリーレベルの雇用を今年3倍に増やすと発表しました。しかし、これらの役割は、より日常的な手動タスクよりも、AIに対する批判的な分析と人間による監視を優先するように再設計されました。

「もしエントリーレベルの採用に投資し続けなければ、3〜5年後にはどうなるのでしょうか？」とPillay-Bemathは問いかけます。「パイプラインは存在しません。井戸はただ枯れてしまうだけです」

AIリテラシーを優先することは、退役軍人の従業員に専門能力開発を提供することだけを意味するのではありません。持続的な成功のために、組織全体でスキルがどのように開発されるかを再考することです。