生成AIは、コンピテンシーモデルを自動で完成させるための道具ではありません。一方で、インタビュー記録や評価メモから行動事例を整理する、似た行動を束ねる、コンピテンシー候補を出す、レベル差の表現案を作る、評価証拠の候補を整理するといった補助には使えます。
重要なのは、AIが出した「それらしい言葉」をそのまま人事制度へ入れないことです。どの成果を重視するか、どの行動が本当に成果へつながるか、職種ごとの役割差をどう扱うか、評価基準をどこまで厳密にするかは、人が実際の業務データと運用責任をもって決める必要があります。
この記事では、生成AIをコンピテンシーモデルづくりの補助に使う方法を、具体的なプロンプト例、出力の使い方、人が確認すべきポイント、誤り・限界まで含めて解説します。
コンピテンシーモデルの意味や基本構造から確認したい場合は、コンピテンシーモデルとは?を参照してください。人だけで進める基本手順は、コンピテンシーモデルのやり方で確認できます。
生成AIを使うと効果が出やすい場面
生成AIは、次のような作業で補助役として使いやすくなります。
- インタビュー記録から具体的な行動を抽出する
- 高成果者と標準者の行動差を整理する
- 類似行動をまとめてコンピテンシー候補を作る
- 抽象語を観察可能な行動へ言い換える
- レベル1〜4などの段階差のたたき台を作る
- 評価証拠の候補を出す
- 育成施策へつなぐ案を整理する
- モデル全体の重複・抜け・曖昧語をレビューする
一方で、次の判断はAIだけに任せない方が安全です。
- 期待成果と成功条件の正式決定
- どの行動が本当に成果へつながるかの検証
- コンピテンシー名称と定義の最終確定
- レベル境界の正式決定
- 評価に使う証拠と重み付け
- 昇格・配置・報酬などの人事判断
- 職種・役割ごとのモデル差
AIは「候補を出す」「整理する」「比較する」役に置き、最終判断は人が行います。
1. 行動事例から具体的な行動を抽出する
プロンプト例
以下は営業マネージャーへのインタビュー記録です。
記録: 「毎週月曜に案件状況を確認し、次のアクションが曖昧な案件はその場で担当者と決める。予測確度が高い案件についても、根拠が弱ければ理由を聞き直す。停滞案件は2週間放置せず、次回レビューで必ず扱う。」
この記録から、観察可能な行動を抽出してください。
条件:
- 性格や能力名ではなく、実際の行動として書く
- 1項目1行動にする
- 元記録にない行動を追加しない
出力の使い方
AIは、
- 毎週月曜に案件状況を確認する
- 次アクションが曖昧な案件は担当者とその場で決める
- 予測確度の根拠を確認する
- 停滞案件を次回レビューで必ず扱う
のように分解できます。
人は、元の発言と一致しているか確認し、AIが意味を足していないかを見ます。
2. 高成果者と標準者の行動差を比較する
プロンプト例
以下は同じ営業マネージャー職の行動記録です。
高成果者:
- 週次で次アクションを確認する
- 受注確度の根拠を質問する
- 停滞案件を早期に拾う
- 失注理由を次案件へ再利用する
標準者:
- 月末に案件状況をまとめて確認する
- 受注確度は担当者申告をそのまま使う
- 停滞案件は担当者から相談が来たら見る
- 失注理由は案件終了時の記録で終わる
成果差につながる可能性のある行動差を整理してください。
条件:
- 優劣を断定せず「差の候補」とする
- 観察可能な行動で比較する
- 成果因果は人が検証する前提にする
出力の使い方
AIは、確認頻度、根拠確認、停滞の早期発見、学習の再利用といった差を整理できます。
ただし、高成果者に多い行動だからといって、それだけで成果因果が証明されたわけではありません。人は売上、予測精度、停滞率、育成成果などと照合します。
3. 類似行動を束ねてコンピテンシー候補を作る
プロンプト例
以下の行動を、意味の近いもの同士でグループ化してください。
- 週次で次アクションを確認する
- 受注確度の根拠を質問する
- 停滞案件を早期に拾う
- 顧客の発言をそのまま受けず背景課題を聞く
- 商談前に意思決定者と判断条件を確認する
- 1on1で答えを与える前に本人の考えを聞く
- 失注理由を次案件へ再利用する
条件:
- グループ名は仮称とする
- 行動を無理に1つのグループへまとめない
- 各グループに含める理由を書く
出力の使い方
AIは、たとえば、
- パイプライン管理
- 顧客課題理解
- 意思決定支援
- メンバー育成
- 学習・改善
といった候補へ整理できます。
人は、職務上本当に分ける必要があるか、重複がないか、成果条件とのつながりを確認します。
4. 抽象語を観察可能な行動へ変える
プロンプト例
以下のコンピテンシー名称を、評価可能な行動へ具体化するための質問と行動候補を出してください。
名称:リーダーシップ
条件:
- 「主体性がある」など別の抽象語へ置き換えない
- 実際の会議、1on1、意思決定、育成場面で観察できる行動候補を出す
- 正式定義は人が決める前提にする
出力の使い方
AIは、
- 意見が割れた場面で判断基準を示す
- メンバーへ期待成果と期限を明確にする
- 1on1で本人の考えを確認してから助言する
などの候補を出せます。
「リーダーシップ」という抽象語だけで評価しないためのたたき台として使います。
5. レベル差の案を作る
プロンプト例
コンピテンシー:パイプライン管理
期待行動:
- 週次で案件を確認する
- 次アクションを明確にする
- 予測確度の根拠を確認する
- 停滞案件を早期に拾う
これを4段階のレベル案にしてください。
条件:
- 「できない / できる / とてもできる」ではなく、行動範囲や影響範囲の違いで表現する
- レベル1は自分の担当範囲
- レベル2はチームで再現
- レベル3は他者へ教える
- レベル4は仕組み化・組織展開
出力の使い方
AIは、
- レベル1:自分の担当案件で週次確認を実施できる
- レベル2:チーム内で同じ確認方法を再現できる
- レベル3:他のマネージャーへ運用方法を教えられる
- レベル4:組織標準としてレビュー方法を設計・改善できる
のような案を出せます。
人は、実際の役割期待に合うか確認し、レベル間で飛躍しすぎていないかを調整します。
6. 評価証拠の候補を整理する
プロンプト例
コンピテンシー:パイプライン管理
期待行動:週次レビューで次アクション、確度根拠、停滞案件を確認する
この行動を評価するときに使える証拠候補を出してください。
条件:
- 単一の印象評価にしない
- 行動記録と成果指標の両方を候補にする
- 人が正式採用する前提にする
出力の使い方
AIは、
- 週次レビュー記録
- 案件ごとの次アクション更新率
- 売上予測精度
- 停滞案件の平均滞留日数
- メンバーへの1on1記録
などを候補化できます。
人は、取得可能性、プライバシー、評価の公平性、成果との関係を確認します。
7. 育成施策へつなぐ案を作る
プロンプト例
対象者:営業マネージャー候補Aさん
現状:パイプライン管理レベル2 目標:レベル3 期間:3か月
期待行動:
- チームで週次レビューを再現する
- 他メンバーへレビュー観点を教える
3か月の育成課題候補を出してください。
条件:
- 実務内で実践できる課題にする
- 評価証拠もセットで出す
- 研修受講だけで終わらせない
出力の使い方
AIは、
- 週次レビューを3か月主担当で運営する
- 他メンバー1名へレビュー観点を説明し、翌月から共同運営する
- 毎月、予測精度と停滞案件を振り返る
などを候補化できます。
人は、本人の業務負荷や機会の有無を踏まえて調整します。
8. モデル全体の重複・曖昧さをレビューする
プロンプト例
以下のコンピテンシー項目をレビューしてください。
- パイプライン管理
- 顧客課題理解
- 意思決定支援
- メンバー育成
- 学習・改善
各項目について、
- 定義の重複
- 抽象語
- 評価しにくい表現
- レベル差が曖昧な箇所
- 評価証拠が不足する箇所
を指摘してください。
条件:
- 修正候補を出すが、正式定義は決めない
出力の使い方
AIを最終レビュアーではなく、抜け漏れの指摘役として使います。
通し例|営業マネージャー向けモデルを生成AIで整理する
ある企業では、次期営業マネージャーの育成と評価基準の共通化を目的に、コンピテンシーモデルを見直していました。
最初のモデルは、
- リーダーシップ
- 顧客志向
- 主体性
- 育成力
- 戦略思考
という抽象語中心でした。
評価者からは「人によって解釈が違う」「育成に使いにくい」という声が出ていました。
そこで、生成AIを補助に使いました。
1. 行動事例を整理
高成果マネージャー3名、標準マネージャー3名、上司2名から、成功・失敗場面のインタビュー記録を集めました。
AIへ渡す前に、氏名や顧客固有情報は除きました。
AIは記録から、
- 週次で次アクションを確認する
- 予測確度の根拠を質問する
- 停滞案件を早期に拾う
- 顧客の背景課題を確認する
- 1on1で答えを与える前に本人の考えを聞く
- 失注要因を次案件へ再利用する
といった行動候補を抽出しました。
2. 高成果者と標準者を比較
AIに行動差を整理させ、人が成果指標と照合しました。
高成果者に多かった行動のうち、売上予測精度、商談停滞、育成成果と一定のつながりが見えるものを残しました。
3. 5項目へ整理
AIのグルーピング案をたたき台に、人が、
- パイプライン管理
- 顧客課題理解
- 意思決定支援
- メンバー育成
- 学習・改善
の5項目へ整理しました。
4. レベル案を作成
AIに4段階のレベル差を出させ、
- 自分で実践できる
- チームで再現できる
- 他者へ教えられる
- 仕組み化して組織展開できる
という成長の広がりで統一しました。
5. 評価証拠を設定
AIから出た証拠候補をもとに、人が、
- 週次レビュー記録
- 売上予測精度
- 停滞案件の状況
- 1on1記録
- 失注振り返り
を正式候補として設定しました。
6. 育成へ接続
次期マネージャー候補Aさんは、パイプライン管理がレベル2、目標がレベル3でした。
AIに育成課題候補を出させ、人が3か月の実践課題へ調整しました。
- 週次レビューを主担当で運営する
- 他メンバーへレビュー観点を説明する
- 月次で予測精度と停滞案件を振り返る
7. 人事判断には単独で使わない
最終的に、このモデルは育成・評価の共通言語として使いましたが、配置・昇格の単独判断材料にはしませんでした。
事業上の必要性、本人希望、経験、実績、リスクなどと併せて判断する運用にしました。
この例でAIが担ったのは、行動抽出、比較、グルーピング、レベル案、評価証拠候補、育成課題候補、モデルレビューです。
人が担ったのは、期待成果、成果とのつながりの検証、正式定義、レベル境界、評価証拠、育成方針、人事判断です。
そのまま使える型が必要なら、コンピテンシーモデルテンプレートを使うと、AIの出力を成果条件、行動定義、レベル、評価証拠、育成施策まで整理しやすくなります。
具体的な案件への適用イメージを追いたい場合は、コンピテンシーモデルの具体例が参考になります。よくある失敗を先に確認したい場合は、コンピテンシーモデルで失敗しやすいポイントも参照してください。
人が必ず確認すべきポイント
成果条件
AIは一般的な成果項目を提案できますが、自社で本当に重視する成果は人が決めます。
行動と成果のつながり
高成果者に多い行動でも、単なる相関や偶然の可能性があります。比較対象と成果指標を使って検証します。
レベル境界
AIはきれいな段階表現を作れますが、実際の役割期待と合うかは人が確認します。
評価証拠
取得しやすさだけでなく、公平性、プライバシー、運用負荷も確認します。
人事判断
AIやコンピテンシーモデルだけで、昇格・配置・報酬を自動決定しないようにします。
生成AIの誤りと限界
抽象語をもっともらしく再生成することがある
「主体性」「変革力」「戦略性」など、評価しにくい抽象語を並べることがあります。
存在しない行動を補うことがある
インタビュー記録にない行動を、一般的なマネージャー像から追加することがあります。
高成果者の特徴を因果関係のように扱うことがある
成果とのつながりは、必ず人がデータと比較で確認します。
バイアスを増幅することがある
過去の評価記録に偏りがある場合、その偏りをそのままモデルへ反映する可能性があります。
職種差を無視して一般化することがある
営業マネージャー向けの行動を、別職種へそのまま展開しないようにします。
機密情報の扱いに注意する
評価記録、人事情報、顧客情報、個人名を入力する場合は、自社の情報管理ルールに従います。
生成AIに任せすぎないためのチェックリスト
- AIが追加した行動をそのまま採用していないか
- 元の行動記録と照合したか
- 高成果者と標準者を比較したか
- 成果指標とのつながりを確認したか
- 抽象語ではなく観察可能な行動になっているか
- レベル差が行動範囲・影響範囲で表現されているか
- 評価証拠を複数用意したか
- 1回の出来事だけで評価しない設計か
- 職種・役割差を確認したか
- 育成施策へつながっているか
- 昇格・配置をAIやモデルだけで決めていないか
- 個人情報・機密情報を不用意に入力していないか
まとめ
生成AIは、コンピテンシーモデルを効率よく作るための補助役として使えます。
特に役立つのは、行動事例の抽出、高成果者と標準者の比較、類似行動のグルーピング、抽象語の具体化、レベル案、評価証拠候補、育成課題候補、モデル全体のレビューです。
一方で、期待成果、行動と成果のつながり、正式定義、レベル境界、評価証拠、人事判断は人が担う必要があります。
生成AIに「正しいコンピテンシーモデル」を作ってもらうのではなく、「候補を広げる」「大量の行動記録を整理する」「比較しやすくする」「抜け漏れを探す」ために使うことで、コンピテンシーモデルを育成・評価・配置の実務へ効率よく落とし込みやすくなります。