PBL型AI研修が企業のDX人材育成に必要な理由
生成AI研修を実施したものの、受講後に残ったのはプロンプトの例文と修了証だけだった。そのような課題を抱える企業は少なくありません。
生成AIの基礎知識や操作方法を学ぶことは重要です。しかし、知識を得ただけでは、実際の業務プロセスは変わりません。研修で学んだ内容を、自社の課題発見、業務設計、試作、検証、運用へとつなげる仕組みが必要です。
そこで注目されているのが、実際の業務課題を題材にして、AIアプリや自動化フローなどの成果物を作る「PBL型AI研修」です。
PBL型AI研修の目的は、単にAIを使える人を増やすことではありません。AIを活用して業務を見直し、解決策を設計し、組織内で実行できる人材を育てることにあります。
PBL型AI研修とは何か
PBLは「Project-Based Learning」の略で、受講者が具体的なプロジェクトに取り組みながら知識とスキルを身につける学習方法です。
PBL型AI研修では、講師から与えられた操作課題だけをこなすのではなく、受講者自身が自社の業務課題を選び、生成AIやノーコード開発ツールなどを使って解決策を試作します。
例えば、次のような成果物が考えられます。
- 社内規程やマニュアルを検索するAIチャットボット
- 問い合わせ内容を分類して回答案を作成する仕組み
- 営業日報から案件状況を整理する自動化フロー
- 会議記録からタスクと担当者を抽出するアプリ
- CSVデータを整理・統合する業務支援ツール
- 社内文書の作成を支援するAIエージェント
重要なのは、成果物そのものの高度さではありません。受講者が「どの業務に、なぜAIを使うのか」を説明し、試作品を実際の業務で検証できる状態まで持っていくことが重要です。
IPAの「マナビDX」に掲載されている実践講座でも、Difyなどを活用し、業務要件の整理からAIアプリの構築、導入提案資料の作成までを一貫して学ぶカリキュラムが紹介されています。マナビDXのAI×業務アプリ開発コース
従来型の生成AI研修が実務に定着しにくい原因
研修のゴールが「AIを使うこと」になっている
生成AI研修で起こりやすい問題は、ChatGPTなどの操作習得が研修の最終目標になってしまうことです。
プロンプトの書き方を学んでも、どの業務を改善するのかが決まっていなければ、受講者は研修後に何から始めればよいのか判断できません。
研修のゴールは「AIを使えるようになる」ではなく、「特定の業務課題に対する解決策を作り、効果を検証できるようになる」と定義する必要があります。
実務データを使えず、演習が一般論に終わる
実務に近い研修を行うためには、業務データが必要です。一方で、顧客情報、個人情報、未発表の財務情報、技術情報などを外部の生成AIサービスへ安易に入力することはできません。
その結果、架空の文章を要約するだけの演習になり、受講者が自分の仕事との接点を見つけられない場合があります。
この問題には、機密情報を除いたサンプルデータや、実際の業務構造を再現した模擬データを準備する方法が有効です。
研修終了後の運用責任者が決まっていない
試作品が完成しても、誰が管理し、誰が利用を判断するのかが決まっていなければ、実務導入には進みません。
PBL型AI研修では、成果発表を研修の終点にするのではなく、その後の検証、改善、利用承認、保守まで見据えて設計する必要があります。
成果物から逆算するPBL型AI研修の設計方法
最初に解決すべき業務課題を選ぶ
研修テーマは、AIとの相性だけで決めるものではありません。業務上の必要性と、研修期間内に検証できる範囲の両方を確認します。
テーマ選定では、次の項目を整理します。
- 現在どのような作業に時間がかかっているか
- どの工程で手戻りや入力ミスが発生しているか
- 誰が困っているのか
- AIを使わない場合の改善方法はあるか
- 必要なデータを安全に準備できるか
- 研修期間内に試作品を作れる範囲か
- 成果物を引き継ぐ担当部署があるか
「AIチャットボットを作る」といったツール起点のテーマではなく、「社内問い合わせへの回答時間を減らす」など、業務課題を起点にすることが重要です。
成果物の完成条件を具体化する
成果物は、画面が動くだけでは完成とはいえません。研修開始時に、どの状態をもって完成とするかを決めておきます。
例えば、社内FAQを検索するAIチャットボットであれば、次のような完成条件が考えられます。
- 対象となる利用者と質問範囲が定義されている
- 参照する文書が整理されている
- 代表的な質問に対する回答精度を検証している
- 回答できない場合の処理が設計されている
- 個人情報や機密情報の入力ルールが決まっている
- 利用部門が試作品を操作できる
- 導入後の管理担当者が決まっている
成果物、評価方法、運用条件を一体として定義することで、研修後の実務導入へ移行しやすくなります。
成果物を生み出すカリキュラムの6段階
1．生成AIとセキュリティの基礎を学ぶ
最初に、生成AIの仕組み、得意・不得意、ハルシネーション、著作権、個人情報、機密情報の取り扱いなどを学びます。
操作方法だけでなく、AIの出力を人間が確認する必要性や、利用するサービスによってデータの保存・学習利用・管理機能が異なることも理解しておく必要があります。
IPAの「テキスト生成AIの導入・運用ガイドライン」でも、機密情報の入力、誤情報の生成、サービス利用に伴うセキュリティリスクへの対策が整理されています。IPA「テキスト生成AIの導入・運用ガイドライン」
2．業務を分解して課題を定義する
次に、対象業務の流れを可視化します。
業務の開始点、入力情報、判断、担当者、使用するシステム、出力結果を整理し、どこに時間や手戻りが発生しているのかを確認します。
ここで重要なのは、現行業務をそのままAIに置き換えようとしないことです。不要な承認や重複入力がある場合は、先に業務プロセス自体を見直します。
3．要件と評価指標を決める
課題が決まったら、成果物に必要な機能と評価方法を定義します。
評価指標には、作業時間、修正回数、回答の妥当性、利用者の負担、例外処理の発生状況などを設定できます。ただし、根拠なく大きな削減目標を掲げるのではなく、現状の作業を測定してから現実的な目標を定めることが重要です。
4．小さな試作品を作る
初期段階から完成版を目指すと、機能が増えすぎて検証が遅れます。
まずは対象業務と利用者を限定し、最も重要な機能だけを備えた試作品を作ります。Difyなどのノーコード開発環境を使えば、プログラミングを専門としない受講者でも、チャットボット、RAG、簡単な自動化フローなどの試作に取り組めます。
ただし、ノーコードで作れることと、安全に運用できることは別問題です。アクセス権限、ログ、利用規約、データの保存先、外部APIとの接続などは個別に確認する必要があります。
5．PoCとPoVで検証する
試作品が動いたら、技術的に動作するかを確認するPoCだけでなく、業務上の価値を確認するPoVも行います。
例えば、回答が生成できたかだけでなく、次の点を検証します。
- 担当者の確認時間は減ったか
- 出力内容をそのまま利用できる割合はどの程度か
- 修正が必要になるのはどのような場合か
- 誤回答が発生した際に検知できるか
- 現場の利用者が無理なく操作できるか
- 運用コストに見合う効果が期待できるか
この検証によって、実務導入へ進むのか、条件を変えて再試作するのかを判断します。
6．成果発表と運用引き継ぎを行う
成果報告会では、完成した画面だけを見せるのではなく、業務課題、現状分析、試作品の仕組み、検証結果、リスク、今後の導入計画を説明します。
経営層や他部門にも成果を共有することで、個人の学習成果を組織の改善活動へ広げられます。
あわせて、利用部門、管理責任者、改善担当者、利用ルール、停止条件などを整理し、研修後の引き継ぎ資料として残します。
PBL型AI研修の成果物を評価するルーブリック
PBL型AI研修では、正解が一つに決まる試験だけで成果を判断することは困難です。そのため、複数の観点から到達度を評価するルーブリックを用います。
評価項目は増やしすぎず、次のような重要項目に絞ると運用しやすくなります。
業務課題の定義
現状の業務と課題が具体的に整理され、AIを利用する理由が説明できているかを評価します。
成果物の実用性
主要な機能が正常に動作し、想定する利用者が実務で試せる状態になっているかを確認します。
ビジネス上の価値
作業時間、品質、対応速度、属人化など、改善したい指標と検証結果が整理されているかを評価します。
セキュリティと運用設計
入力禁止情報、権限管理、ログ、誤回答への対応、人による確認などが設計されているかを確認します。
説明力と引き継ぎ可能性
成果物の仕組みと導入意義を、経営層や非技術職にも説明できるか、担当者が変わっても運用できる資料が残されているかを評価します。
生成AIを評価補助に利用することも可能ですが、AIの採点結果だけで合否や人事評価を決めるべきではありません。評価基準を明示したうえで、講師、現場責任者、利用部門などが複数の視点から確認することが重要です。
実務データを安全に扱うための研修設計
PBL型AI研修では、実務に近づけようとするほどデータ管理の重要性が高まります。
研修開始前に、利用を認めるAIサービス、入力可能な情報、入力禁止情報、データの保管場所、外部共有の範囲を明文化します。
実データを利用できない場合は、次の方法が考えられます。
- 個人名や企業名を一般的な表現に置き換える
- 金額や識別番号を架空の値に変更する
- 必要な項目構成だけを再現した模擬データを作る
- 研修専用の検証環境を準備する
- 実データへの置き換えは社内環境で実施する
2026年3月に公表された「AI事業者ガイドライン第1.2版」でも、個人情報や機密情報の不適切な入力を避け、AIの出力を事業に利用する際は人間が責任を持って判断することが示されています。経済産業省・総務省「AI事業者ガイドライン」
セキュリティ教育は、研修開始時の注意説明だけで終わらせず、テーマ選定、データ準備、試作、成果発表の各段階に組み込む必要があります。
PBL型AI研修を組織変革につなげるポイント
PBL型AI研修の成果を組織に残すには、受講者だけに責任を負わせない体制が必要です。
経営層は研修の目的と優先課題を示し、現場責任者は業務情報と検証機会を提供します。情報システム部門やセキュリティ担当者は、利用環境とデータ管理を支援します。
また、研修後には成果物を次の三つに分類すると、投資判断がしやすくなります。
- そのまま小規模運用へ進めるもの
- 条件を変えて追加検証するもの
- 学習成果として終了するもの
すべての試作品を本番導入する必要はありません。検証によって「導入しない」と判断できたことも、無駄な投資を防ぐ重要な成果です。
PBL型AI研修で避けるべき失敗
PBL型AI研修を実施する際は、次のような状態を避ける必要があります。
- 新しさだけで研修テーマを選ぶ
- 高度なAIアプリの完成を求めすぎる
- 実務データの準備を受講者任せにする
- メンタリングの機会を設けない
- 動作することだけで成果物を評価する
- 利用部門による検証を行わない
- 研修後の管理責任者を決めない
- 成果発表を受講者だけで終わらせる
講師による定期的なメンタリングや質問対応の場も重要です。受講者が技術的な問題で止まったままにならないよう、進捗確認の時期と相談方法をあらかじめ決めておきます。
まとめ
PBL型AI研修は、生成AIの操作方法を学ぶだけの研修ではありません。自社の業務課題を発見し、解決策を設計し、試作品を作り、効果とリスクを検証する実践型の人材育成です。
成果物を生み出すためには、研修開始前に業務課題、完成条件、評価方法、利用データ、研修後の運用体制まで設計しておく必要があります。
重要なのは、高度なシステムを作ることではなく、受講者が「なぜこの業務にAIを使うのか」「どのような価値があるのか」「安全に運用できるのか」を説明できる状態を作ることです。
研修で生まれた成果物を組織全体で共有し、追加検証や実務導入につなげることで、PBL型AI研修は単発の教育施策ではなく、継続的なAX・DXを進める仕組みになります。
コメント