Skip to Content
Docs15. 人と AI の協働AI リテラシー研修の設計
中級human-aitrainingai-literacy更新: 2026-09-10この記事の誤りを報告

この記事の音声は準備中です。

音声の一覧・再生リストへ

AI リテラシー研修の設計

この記事の目的

非エンジニアを含む組織メンバー向けの AI リテラシー研修を、「一度きりの座学」で終わらせず、行動が変わる形で設計・運用できるようになります。目標設定・対象別カリキュラム・教材の型・効果測定・継続の仕組みを扱い、本ライブラリのどの記事がどの研修モジュールに使えるかの流用マップも示します。人が人に教える設計に焦点を当てます(AI が教えるのは教育・学習支援エージェント)。

対象読者

  • 組織の AI リテラシー研修を企画・設計する人事・教育担当、DX 推進担当
  • 自チームのメンバーに AI の安全な使い方を教える立場のリード・マネージャー

前提知識

本文

概要: 「禁止の周知」で終わらせない

AI リテラシー研修は、しばしば「使ってはいけないこと」の一方的な通達に終わり、行動が変わらないまま形骸化します。効く研修は、「安全に使えて、検証できる」という行動目標に向けて設計され、ハンズオンと継続で定着させます。ポリシーそのものはAI 利用ポリシーが正本で、本記事はそれをどう教えて行動に落とすかを扱います。

研修の目標設定: 行動目標で書く

「AI を理解する」ではなく、研修後に**何ができるようになるか(行動)**で目標を定めます。

  • 抽象的な目標: 「生成 AI の仕組みを理解する」「禁止事項を知る」だけでは、到達度や業務での実行を測りにくい
  • 良い目標: 「機密情報を入れてよい/いけない経路を判断して使える」「AI の出力を最低限検証してから使える」「困ったときに正規の相談先にたどり着ける」

必要な知識と、それを使う行動を対応づけると、後述の効果測定も設計できます。

対象別のカリキュラム設計

役割で必要な行動が違うため、共通教材と職務別教材を組み合わせます。以下の 3 類型は分類例であり、必須の人数やコース数ではありません。

対象重点学ぶ行動
一般職(非エンジニア)安全に使う・検証する機密の扱い・入れてよい情報の判断・出力の検証・相談先
管理職チームの利用を統制・支援するシャドー利用への向き合い・部下の使い方の支援・リスクの判断
開発者安全に作る・組み込むプロンプトインジェクションモデルへの入力に紛れ込ませた指示で、開発者の意図した挙動を上書きする攻撃。ユーザー入力による直接型と、Agent が読む外部コンテンツ経由の間接型がある。等の脅威・権限設計・検証の自動化

一般職には仕組みの詳細より判断と行動を、開発者には脅威と設計を、というように深さを変えます。

教材の型

概念やルールの説明に加えて、その知識を使う練習を設けます。IES の学習ガイド の解答例・演習・時間を空けた確認を参考に、次の教材を組み合わせる設計案です。企業の AI 研修で同じ効果が得られるかは別途測ります。

  • ハンズオン中心: 実際に触って、失敗を体験する。「AI がもっともらしく間違える」を自分の目で見ると、検証の必要性が腹落ちします
  • 自業務の題材: 一般論でなく、受講者自身の業務データ・タスクを題材にする(機密の扱いに注意しつつ)。自分ごと化が定着を左右します
  • 失敗例の体験: 実際の(または再現した)ヒヤリハット — 機密の誤入力・捏造された出典を信じた・プロンプトインジェクション — を体験・分析させる(ケーススタディやプロンプトインジェクションが素材になります)

本ライブラリの流用マップ

このライブラリの記事は、研修モジュールの素材に使えます(対象・目的に合わせて噛み砕く前提で)。

研修モジュール流用できる記事
なぜ AI は間違えるか(検証の動機づけ)LLM の能力と限界の由来・LLM の学習パイプライン
出力の検証習慣AI 出力の検証習慣
任せすぎの罠オートメーションバイアスとスキル退化
機密・ルールの扱いAI 利用ポリシー策定の実務
開発者向けの脅威プロンプトインジェクション・ガードレール

効果測定: 理解度と業務での行動

研修では、テストでの知識・判断と、業務で行動を実行できるかを分けて測ります。利用環境や上司の支援など、研修以外の変化も記録します。

  • 行動の指標: 正規経路の利用率が上がったか、機密の誤入力インシデントが減ったか、AI 出力の検証が習慣化したか(自己申告 + 可能なら実データ)
  • 理解度テストの限界: 「知っている」と「実際にそうする」は別。テストで満点でも行動が変わらなければ意味がありません
  • 短期でなく継続で見る: 直後の点数だけで定着とみなさず、時間を空けた課題と業務での確認を行います

継続の仕組み

AI はモデルもルールも速く変わります。一度きりの研修は陳腐化します。

  • 更新への追従: モデルの更新・ポリシーの改定に合わせて、研修内容を定期更新する担当と周期を決める
  • オンボーディングに組み込む: 新メンバーが必ず通る経路に載せる(単発イベントにしない)
  • 相談先とセットにする: 研修で終わりでなく、困ったときの正規の相談先・コミュニティを用意する(AI 利用ポリシーのシャドー利用対策と直結)

実務での注意点

アンチパターン

  • 禁止事項の一方的な通達で終える → 行動が変わらず形骸化し、シャドー利用が増える → 「安全に使えて検証できる」行動目標で設計する
  • 全員に同じ座学を流す → 役割ごとに必要な行動が違い、非効率で刺さらない → 一般職・管理職・開発者で深さと重点を変える
  • 理解度テストだけで効果を判断する → 業務で実行できるかを見落とす → 時間を空けたテストと行動指標を併用する
  • 一度きりのイベントにする → モデル・ルールの更新で陳腐化し、新メンバーに届かない → オンボーディング組み込みと定期更新で継続する
  • 座学スライドだけで教える → 「AI が間違える」が腹落ちせず検証が習慣にならない → ハンズオン・自業務題材・失敗例の体験を中心にする

チェックリスト

  • 必要な知識と実行する行動を対応づけて研修目標を書いている
  • 対象(一般職・管理職・開発者)ごとに重点と深さを変えている
  • ハンズオン・自業務題材・失敗例の体験を教材に含めている
  • 効果を行動変化(利用率・インシデント・検証習慣)で測っている
  • オンボーディング組み込みと定期更新で継続する仕組みがある
  • 研修と、困ったときの正規の相談先をセットにしている
  • 教える内容がポリシー(AI 利用ポリシー)と整合している

関連トピック

参考資料

TODO・未確認事項

なし

AI 時代のエンジニアキャリア戦略evaluation-harness — 最小の評価ハーネス(Python)