企業で生成AI研修を実施する機会が増えています。研修後の報告では、「100人が受講した」「受講率が90％を超えた」「満足度が5点満点中4.5だった」といった数字が並ぶこともあります。
もちろん、こうした数字に意味がないわけではありません。予定した社員が研修に参加したのか、内容を有益だと感じたのかを確認するためには必要です。
しかし、企業が費用と社員の時間を使ってAI研修を行う目的が、生産性向上や品質改善、売上拡大などにあるなら、受講率や満足度だけを見て「研修は成功した」と判断することはできません。
研修を受けることと、仕事が変わることの間には、いくつもの段階があるからです。
「全社員が受講した」はAI研修の成果なのか
海外の研修評価では、研修の効果を段階に分けて考える方法があります。代表的なものの一つが「カークパトリック・モデル」です。
このモデルでは、研修の効果を「受講者が研修をどう評価したか」「知識や技能を身につけたか」「学んだことを職場で実際に使ったか」「その結果、組織に成果が生まれたか」という4つの段階に分けて考えており、「研修に満足した」ことと、「仕事で使えるようになった」こと、さらに「会社として成果が出た」ことを、それぞれ別のものとして扱っている点に特徴があります。
研修後のアンケートで「分かりやすかった」「役に立ちそうだ」という回答が多かったとしても、翌月から仕事のやり方が変わったとは限りません。満足度は研修を改善するための大切な情報ですが、それ自体を業務成果とみなすことはできません。
研修で学んだ内容が、実際の仕事で使われるかどうかについても、以前から研究されています。
1988年にBaldwinとFordが発表した研究では、研修で身につけた知識や技能が、研修の場だけで終わるのではなく、実際の職場で使われ、さらに一定期間使い続けられることが重要だと整理されています。また、研修内容だけでなく、本人の特性や職場環境も、学んだことを実務に生かせるかどうかに影響します。
その後に提案された研修評価のモデル（LTEM）でも、「研修に参加したか」「内容を覚えたか」だけではなく、実際の仕事で判断や作業ができるようになったか、その学びが職場へ移ったかを重視しています。
さらに米国のROI Instituteが提唱する方法では、「受講者の反応」「学習」「実務での活用」「業務成果」と段階を追って確認し、その先で研修によって生まれた金銭的な効果と研修コストを比較します。研修以外の要因による影響も、できるだけ分けて考えます。
AI研修では「AIを使うようになった」だけでも足りない
生成AI研修では、もう一段階注意が必要です。
研修後にChatGPTやCopilotを使う社員が増えれば、一見すると研修が成功したように見えます。しかし、AIを使うこと自体が企業価値を生むわけではありません。
この点を示す研究があります。
Boston Consulting Groupのコンサルタント758人を対象にした実験では、AIが得意な領域のタスクでGPT-4を利用した人は、AIを使わなかった人より12.2％多くのタスクを完了し、作業時間も25.1％短縮しました。品質も改善しています。
ところが、AIの能力が及びにくい別のタスクでは逆の結果が出ました。AIを利用した人は、AIを使わなかった人より正しい解答に至る可能性が低くなりました。
つまり、AIの効果は業務によって均一ではないということです。
さらに、「AIを使えば速くなる」と本人が感じていても、実際の作業時間とは一致しない場合があります。
米国の非営利研究組織METR（Model Evaluation & Threat Research）は、経験豊富なオープンソース開発者を対象に、AIツールを使える場合と使えない場合で作業時間を比較する実験を行いました。
2025年前半のAIツールを対象にした実験では、AIを利用できた場合、対象となった作業の完了に平均で19％長い時間がかかった一方、参加者は実験前には「AIを使えば24％速くなる」と予想し、実験後でさえ「20％速くなった」と考えていました。
もちろん、この結果を「AIを使うと仕事が遅くなる」と一般化することはできません。対象は特定の条件下にある経験豊富なソフトウェア開発者です。METR自身もその後、より新しいAIでは生産性向上が大きくなっている可能性を示していますが、参加者の選び方などの問題から正確な効果はまだ判断しにくいとしています。
一方、AIによって明確な生産性向上が確認された研究もあります。5,179人のカスタマーサポート担当者を対象とした研究では、生成AIによる支援によって1時間当たりの問題解決数が平均14％増え、特に新人や経験の浅い層では34％の改善が確認されました。
大切なのは、「AIは生産性を上げる」「AIは生産性を下げる」ということではなく、誰が、どの仕事に、どのようにAIを使うかによって結果は変わるということです。
だからこそAI研修では、プロンプトの書き方やツールの操作方法を教えるだけでは足りません。「どの仕事ならAIを使うべきか」「どこで人間が確認すべきか」「どこから先は人間が判断すべきか」を考える能力も必要になります。
AI研修は「7段階＋研修前の状態」で考える
では、企業はAI研修をどう評価すればよいのでしょうか。
本稿では、既存の研修評価の考え方を踏まえつつ、AI研修の効果を次の7段階に分けて考えることを提案します。
- 1. 受講
研修を受けたか。指標の例：受講人数、受講率、修了率
- 2. 理解
知識・技能を身につけたか。指標の例：テスト、実技課題
- 3. AI利用
実務でAIを使ったか。指標の例：利用率、利用頻度、利用業務
- 4. 行動変化
仕事の進め方が変わったか。指標の例：AIへの委任、確認方法、作業方法
- 5. 業務プロセス変化
業務そのものが変わったか。指標の例：工程数、処理時間、処理件数
- 6. 成果
業務成果が改善したか。指標の例：工数、品質、処理量、売上、コスト、リスク
- 7. 経済価値
会社にどれだけ価値が生まれたか。指標の例：増加利益、削減費用、回避費用、ROI
これは既存の国際標準ではなく、AI研修を評価するために本稿で整理した考え方です。
特に分けたいのが、「AIを使ったこと」と「成果が出たこと」です。
MicrosoftのCopilotに関する企業向け分析でも、利用状況を確認する指標と、実際の業務成果を確認する指標は分けられています。業務成果としては、営業なら案件規模や顧客維持、財務なら予測精度、ITなら問い合わせの解決件数や解決時間、カスタマーサービスなら解決率などを組み合わせて分析できます。
ただ注意が必要な点として、「AIをよく使っている社員ほど成果が高い」というデータが見つかったとしても、それだけで「AIを使ったから成果が上がった」とは判断できないことです。
例えば、もともと仕事のできる社員ほど新しいツールを積極的に使っている可能性があります。営業部門なら、成績のよい社員ほどAIもよく使っていたというだけかもしれません。担当顧客、職種、経験年数、繁忙期かどうかなど、AI以外の条件も成果に影響します。
Microsoftも、Copilotの利用頻度が異なる社員グループの成果差について、統計的な有意性を確認したものではなく、役割や季節性など他の条件が影響する可能性があると注意しています。
そのため、利用率と成果の関係を見るだけでなく、研修前後の比較や、条件の近い社員・業務との比較などを組み合わせて考える必要があります。
研修前の数字がなければ比較できない
そして、7段階全体の土台になるのが「研修前はどうだったのか」という数字です。
例えば、研修後に提案書の作成時間が平均60分だったとします。
研修前に90分かかっていたなら30分短縮していますが、もともと60分だったなら改善していません。研修後の数字だけを見ても、効果は判断できないのです。
品質についても同じです。研修前後で、作業時間、処理件数、エラー率、手戻り件数、成約率、外注費、残業時間などを比較できて初めて、何が変わったのかが分かります。
一般財団法人 機械振興協会 経済研究所長で、AIと生産性に関する研究を行っている森川正之氏が、日本の就労者5,680人を対象に2025年11月に行った調査では、仕事でAIを利用する人は22.3％でした。
AI利用者について見ると、AIを使う業務は仕事全体の平均15.9％、その業務での効率化効果は平均24.4％で、仕事全体への生産性効果は平均6.2％と試算されています。効率化効果などは回答者による自己評価を含むため、この数字だけでAIによる因果効果を証明するものではありませんが、それでも、この結果はAI研修を考える上で示唆的です。
ある作業がAIで50％速くなったとしても、その作業が仕事全体の10％しか占めていなければ、「社員の生産性が50％上がった」とは言えません。
AI研修の効果も、特定の作業が速くなったことだけではなく、それが仕事全体や業務成果にどの程度影響したのかを見る必要があります。
AI研修は一度で終わらない――「学び続けるコスト」も投資に含まれる
AI研修には、もう一つ考えておかなければならない特徴があります。
学んだ内容の陳腐化が速いことです。
Stanford大学のHuman-Centered AI研究所が公表した「2026 AI Index」では、難度の高いAI評価指標で最先端モデルの成績が1年間で30ポイント上昇し、数年間は使えることを想定して作られた評価指標が数カ月で上限近くまで到達する状況も報告されています。
AIそのものの能力がこれほど速く変われば、特定ツールの操作方法、モデルごとの特徴、プロンプトの細かなテクニックなどを中心にした研修は、内容が古くなる速度も速くなります。
一方で、業務を細かな作業に分けて考える、AIの回答を検証する、人間が判断すべき領域を見極める、といった能力は比較的長く使えます。
AI研修では、「最新ツールの使い方」と「変化しても使える考え方」の両方をどう身につけるかが重要になります。
OECDも2026年に公表したAI時代のスキルに関する報告書で、継続的な能力向上や学び直しの機会を広げる必要性を指摘しています。
すると、AI研修にかかる費用の考え方も変わります。
例えば500万円でAI研修を実施した企業が、その500万円だけを研修投資額として効果を計算するとします。しかし実際には、その後も新しいモデルや機能、社内ルールへの対応が必要です。
経営管理上は、例えば次のように捉えた方が実態に近いでしょう。
AI研修の総コスト ＝ 初回研修費 ＋ 継続研修・アップデート費 ＋ 社員が学習する時間の人件費 ＋ 教材・利用ルールの更新費 ＋ 効果測定・フォローアップ費
継続学習まで含めれば、当然ながらAI研修への投資額は大きく見えます。
しかし、だからといって継続学習を削ればよいとも限りません。
AIのライセンスを導入していても、社員が古い使い方を続けて新機能を活用できない、新しいリスクを理解していない、AIが使える業務が増えているのに従来の用途にしか使っていないのであれば、AIそのものへの投資価値も十分に引き出せないからです。
継続学習はAI投資とは別に発生する「余計な教育費」というより、AIから価値を生み続けるために必要な維持費という側面があります。
AI研修を「受けさせる施策」から「業務を変える投資」へ
AI研修の目的が、社員に生成AIの基礎知識を知ってもらうことであれば、受講率や理解度を測れば十分でしょう。
しかし、生産性向上、人手不足への対応、品質向上、売上拡大、コスト削減などを期待して研修を行うのであれば、それだけでは足りません。
受講したのか。
理解したのか。
AIを使ったのか。
仕事の進め方が変わったのか。
業務プロセスが変わったのか。
その結果、工数、品質、処理量、売上、コスト、リスクはどう変わったのか。
そして、その変化は企業にどれだけの経済価値をもたらしたのか。
この順番で見ていく必要があります。
そのためには、研修が終わってから「何を測ろうか」と考えるのではなく、研修を始める前に「どの業務を、どう変えたいのか」を決め、研修前の状態を測っておくことが重要です。
同時に、AIは変化が速いため、一度研修を実施して「教育完了」と考えることも難しくなっています。
AI研修の成果は、何人が受講したかではなく、研修によって仕事がどう変わったかで見るべきです。
そしてAI時代には、その変化を一度起こして終わりではなく、社員が新しいAIを学び続け、業務を更新し、その能力を成果へ転換し続けられるかまで含めて、研修への投資を考える必要があります。
---
主な参考資料
- Kirkpatrick Partners, “The Kirkpatrick Model”
- Baldwin, T. T. & Ford, J. K., “Transfer of Training: A Review and Directions for Future Research,” Personnel Psychology, 1988
- Work-Learning Research, “LTEM: The Learning-Transfer Evaluation Model”
- ROI Institute, “ROI Methodology”
- Dell'Acqua et al., “Navigating the Jagged Technological Frontier,” Organization Science
- METR, “Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity”
- METR, “We are Changing our Developer Productivity Experiment Design,” 2026
- Brynjolfsson, E., Li, D. & Raymond, L. R., “Generative AI at Work,” NBER
- Microsoft Learn, “Copilot Analytics introduction” / “Copilot Business Impact report”
- 森川正之「人工知能・ロボットと労働環境：就労者調査による分析」一般財団法人 機械振興協会 経済研究所、2026年
- Stanford Institute for Human-Centered AI, “The 2026 AI Index Report”
- OECD, “Skills in the AI age,” 2026
https://www.kirkpatrickpartners.com/the-kirkpatrick-model/
https://onlinelibrary.wiley.com/doi/10.1111/j.1744-6570.1988.tb00632.x
https://www.worklearning.com/ltem/
https://roiinstitute.net/roi-methodology/
https://pubsonline.informs.org/doi/10.1287/orsc.2025.21838
https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/
https://metr.org/blog/2026-02-24-uplift-update/
https://www.nber.org/papers/w31161
https://learn.microsoft.com/en-us/viva/insights/copilot-analytics-introduction
https://www.jspmi.or.jp/system/column.php?id=188
https://hai.stanford.edu/ai-index/2026-ai-index-report/technical-performance
https://www.oecd.org/en/publications/skills-in-the-ai-age_972bd15e-en/full-report/component-4.html