現場の育成が苦しくなると、『もっと教えられる人が必要だ』という話になりがちです。AIをOJTへ組み込みたい育成設計者が抱えているのは「AIを入れると人の指導を減らせると思う一方、品質が不安」という問題です。必要なのは、人を増やす前に、何を仕組みに移し、何を人に残すかを分けることです。
この記事で持ち帰ること
先に変えるべきなのは、AIは一次支援、人は判断・品質・責任という分業を理解することです。
AI-OJTが解決しようとする3つの問題
- 質問できる時間が先輩の予定に依存
- 同じ説明が繰り返される
- 練習・修正履歴が残らない
AIは常時性と反復に強みがありますが、業務責任と正確性を引き受けるものではありません。
AIに任せる仕事
- 用語・基本手順の説明
- 質問の整理
- ケース問題・ロールプレイ
- 文章・コードの一次フィードバック
- 過去の学習内容の想起
- 次に確認すべき観点の提示
回答の出典・前提・不確実性を示せる環境が望まれます。
人が担う仕事
- 顧客・事業・法務・安全に関する判断
- 例外対応
- 品質基準と優先順位
- 本番環境の承認
- 本人の状態・関係性を踏まえた支援
- 最終評価
AIと人の境界を業務リスクで決めます。
AI-OJTを作る5ステップ
- 対象業務を一つ選ぶ
- 標準手順・良い例・禁止事項を整理
- AI一次支援と人へのエスカレーションを定義
- 検証環境で練習
- 小さな実務で検証し教材へ戻す
AI回答のリスクを管理する
AIは誤った回答を返すことがあります。回答だけで正しさを判断せず、社内で承認された手順や原典と照合してください。
機密情報を入力しない、出力を検証する、参照元を確認する、本番反映前に人が承認する、という確認条件を持ちます。
効果を何で見るか
質問件数の減少だけでは不十分です。解決時間、自己修正、成果物品質、先輩の高価値レビュー時間、重大エラー、学習者の安心を見ます。
人の工数削減と育成品質を同時に評価します。
最初のPoCに向く業務
頻度が高い、標準化できる、失敗しても戻せる、機密が少ない、成果をレビューできる仕事です。
顧客・医療・法務・重大な安全判断を最初の対象にしません。
AI-OJTは、人の教える力を高価値領域へ集中する仕組み
AI-OJTの中心はAI性能ではなく、業務分解、参照情報、エスカレーション、検証環境、人レビューです。
小さな対象で検証し、AIが正しく答えた回数より、学習者が自分で修正し、人へ適切に相談できるようになったかを見ます。
AI-OJTの小さな検証テーマを設計する
Hatch IT/CodeNestでは、AIによる学習支援と現役エンジニアの伴走、実案件OJTを組み合わせています。導入時は、自社業務に使う参照資料、AIへ任せる範囲、人が確認する条件を整理し、小規模な検証から相談してください。
次の会議で確認すること
質問を『AI可/人必須』に仮分類する。全部を一度に変えず、この一点から実運用の条件を具体化してください。
自社だけで難しい部分を外部へつなぐ
反復質問や練習はAIで支えつつ、品質・業務判断・責任は人が担う設計が必要なら、CodeNest / Hatch ITの法人向け支援は比較候補になります。公式ではAIメンター、現役エンジニアのコードレビュー・相談、実務を想定した課題を案内しています。AIだけで完結する前提にはしません。
自社で決める範囲と、外部に任せる範囲を整理する
対象業務・到達点・支援条件まで整理できたら、法人向け支援の内容と照らして不足部分だけを比較できます。
