人事のAI活用事例、30件の出所を数え直した

「人事 AI活用 事例」で検索すると、10選・15選と件数を掲げた記事が並びます。どれも読みやすく、数字も具体的です。ところが、そこに並ぶ事例を社内の稟議や企画書にそのまま引き写すと、後で足元が崩れることがあります。

2026年9月18日に上位7本を取得し、事例を1件ずつ数え直しました。社名が1件も付いていない記事、原典が「見込み」と書いた数字が実績として流通している事例、出所リンクを開くと別の会社の事例ページに着く例が出てきました。

この記事は個別の会社の取り組みを語り直しません。扱うのは、公表されている事例がどこから来ていて、どこまで確かめられるのかという一点です。個社の取り組みの中身は「AI人事とは？人事のAI利用39%、5領域と法規制」にまとめてあります。

「事例」と名乗る記事の半分以上に、社名が1件も無い

上位7本のうち4本（57.1%）は、「活用事例」と題しながら社名の付いた事例を1件も載せていません。載っているのは「応募書類のスクリーニング」「勤怠データの自動チェック」といった活用シーンの列挙です。

これは誤りではありません。どの業務にAIを当てられるかを網羅する目的なら、社名は要らないからです。ただし、読み手が「事例」という言葉から期待するもの、つまり「どこの会社が、何を入れて、どうなったか」とは別物です。

内訳は次のとおり。件数は、記事が自ら名乗っている数と、本文で社名が特定できた数を並べました。

出所：Offers（株式会社overflow）による上位7本の実測（2026年9月18日時点）。

HRプロの1本は「6つの企業の事例を紹介する」と書きながら、本文に並ぶのは5社です。事例番号が4から6へ飛んでいて、5番が欠けています。件数を掲げた見出しは、そのまま信じずに数え直すほうが確実です。

社名が付いた事例は延べ30件、顔ぶれは27

社名付きの事例を全部で数えると、延べ30件、重複を除くと27の組織になります。うち1つは自治体で、企業は26社です。重複は通信大手2社と飲料大手1社で、いずれも2本の記事に載っていました。

「人事 AI活用 事例」の月間検索ボリュームは50と小さい一方、AI導入そのものを扱う記事は多く流通しています。にもかかわらず、実名で語られている人事の事例はこの程度の数に収まります。上位を何本読んでも同じ顔ぶれに当たるのは、母集団がそもそも小さいからです。

顔ぶれには偏りもあります。27のうち、通信・電機・自動車・小売の大手と、それに準じる知名度を持つ組織が大半を占めます。掲載媒体自身が持つ製品の導入事例として出てくる5件は、いずれも上場している大手ではない組織でした。

出所リンクの行き先は、企業自身ではなくツールベンダーが多い

社名付き30件について、記事が付けている出所リンクの行き先を1件ずつ開きました。企業自身の公表資料に着くのは、1事例につき代表の1本で数えて3件（10.0%）です。1つの事例が複数の出所リンクを持つ分まで拾っても4件で、いずれにしても1割前後にとどまります。

出所：Offers（株式会社overflow）による上位7本の実測（n=30・2026年9月18日時点）。

ツールベンダーの導入事例は、それ自体が悪い資料ではありません。取材を経て公開され、企業側の確認も通っています。ただし公開の目的は製品の販売であり、うまくいかなかった工程や、導入にかかった期間と費用は書かれないのが通例でしょう。

注意したいのは下の2つ。ある通信系大手の事例は、ツール提供元の導入事例の一覧ページを指していて、個別の事例ページではありません。楽天グループの事例は、企業でも製品提供元でもない第三者の媒体の記事を指しています。どちらも、リンクを踏んでも記事が挙げた数値の裏は取れません。

原典が「見込み」と書いた数字が、実績として流通している

ここからが実務でいちばん影響の出る話です。企業自身の発表まで辿れた事例のうち2件で、原典の「見込み」がまとめ記事では達成済みの数字になっていました。

ソフトバンクは2020年5月25日のニュースリリースで、動画面接の評価にAIシステムを導入すると発表しました。原文は「動画面接の選考作業にかかる時間が約70パーセント削減されることを見込んでいます」です。導入の発表と同時に出された見通しの数字で、実測値ではありません。

この70%が、上位記事では「選考工数を70%削減した事例」「約70%削減し」と、達成した成果として書かれています。ある記事は一覧表で「約70％削減され」と書きながら、同じページの本文では「削減される見込み」と正しく書いていて、1ページの中で表記が割れていました。

ファミリーマートも同じ型です。2024年4月18日のニュースリリースは「社内に生成AIを導入 関連業務時間を50％削減へ」という表題で、本文は「作業時間が約50％削減される見込みとなる業務を特定」した段階だと書いています。まとめ記事の一覧表では「約50％削減された」になっていました。

三菱電機が2026年9月10日に発表した「グローバル人財情報基盤」も、グループ約15万人分の人財データを対象に「2029年度までに整備します」という計画の段階です。発表された時点では、まだ動いていません。

発表のタイミングを考えれば無理もない話です。企業が人事のAI導入を発表するのは導入を決めた時点であり、効果を検証し終えた時点ではありません。つまり、公表されている事例の数字の多くは、設計時の見通しにとどまります。

出所リンクを開くと、社名や数値が合わないことがある

出所リンクを1件ずつ開いて原典と突き合わせると、社名と数値の対応が崩れている例も見つかりました。以下の4事例で、3つの型に分かれます。

1本目は「トヨタ自動車がカオナビでプロジェクト組成リードタイムを30%短縮した事例」です。出所リンクの先はカオナビの導入事例ページですが、掲載されているのはトヨタ自動車九州株式会社で、別法人です。しかも「30%短縮」に相当する数値はそのページにありません。

2本目は、サイバーエージェントがグループディスカッションの録画をAIで解析し、一次選考枠を150%拡大したとされる事例です。出所のailead導入事例ページは「1次選考枠を前年比150%に拡大」と書いています。前年比150%は1.5倍ですが、同じページの見出しと担当者の発言は「150%拡大」とも書いていて、原典の時点で1.5倍と2.5倍のどちらにも読めます。一方、あわせて書かれている「選考官アサイン工数を約60%削減」は、原典のページにありません。

3本目は、同じ記事の「ヤマハ発動機が社内公募充足率を58%から82%に改善」と「ゲオホールディングスが人的資本開示作業を80%効率化」です。この2件は同じ1本のURLを出所として指していて、そのページはTalent Paletteのニュースレターです。どちらの社名も、どちらの数値も、そこにはありません。

いずれも、リンクを開けば誰でも同じ確認ができます。記事に数値と社名とリンクが揃っていても、リンクの先を見ないかぎり対応は保証されません。

事例を読む前に置く基準線は、公的統計にある

事例が偏っているかどうかは、全体の水準を知らないと判断できません。人事に限った公的統計は無いものの、企業のAI導入の水準は2つの公的調査から取れます。

総務省の令和7年通信利用動向調査では、デジタルデータの収集や解析のためにIoTやAI等のシステム・サービスを導入している企業は27.3%でした。前年の18.4%から8.9ポイント増えています。調査対象は常用雇用者規模100人以上の企業で、有効回収は2,489社でした。

同じ調査の資本金規模別を見ると、事例に出てくる層と、そうでない層の差がはっきり出ました。原典の区分は8つあり、下表はそのうち5つの抜粋です。省いた3区分を戻すと、導入率は資本金規模に対して一直線には上がりません。

出典：総務省「令和7年通信利用動向調査の結果」（令和8年5月29日公表・図表4-7）。

中小企業側は、中小企業基盤整備機構の調査（有効回答1,668社）が押さえています。AIを全社的に導入している企業は3.6%、一部の業務で導入している企業は16.8%で、合わせて20.4%です。導入予定はないと答えた企業が61.0%を占めます。

同じ調査で、AIを既に導入したと答えた企業に業務分野を聞くと、総務・管理部門が68.3%（n=331）で最も高く、製造・生産部門の34.9%（n=321）を大きく上回りました。人事や労務を含むバックオフィスは、中小企業でもAIが最初に入る場所になっています。

導入の目的も、事例の見出しから受ける印象とは違います。総務省の調査では、導入企業（n=738）の91.2%が目的に「効率化・業務改善」を挙げた一方、「事業の全体最適化」は34.1%でした。人事のAIも、まずは工数を削る道具として入っています。

工数を削る道具として入れるなら、自社のどの工程が詰まっているかを先に押さえるほうが順番として早いはずです。エンジニア採用力チェックは、採用の現状を5指標24項目で採点し、結果は資料の形で受け取れます。どの工程を機械に任せる価値があるかの見当がつくはずです。

事例を自社の判断に持ち帰るときの確認

ここまでの実測を、稟議や企画書を書く前の確認事項に畳み直します。時間をかけるのは最初の3つだけで足ります。

1. 出所リンクを開く。 開いて、社名と数値が両方そこにあるかを見ます。今回、原典まで辿れた分を突き合わせたところ、社名か数値が合わないものが4事例出ました。

2. 見込みか実績かを見る。 原文に「見込んでいます」「削減へ」「整備します」とあれば、それは設計時の見通しです。自社の目標として置くのはかまいませんが、他社の達成実績として書くと後で訂正することになります。

3. いつの話かを見る。 今回辿った出所には2022年の統合報告書のように、数年前に公表された資料が含まれます。生成AIが入る前と後では、同じ「人事のAI」でも中身が違います。

残りの2つは、持ち帰れるかどうかの判断に使うものです。ひとつは規模です。資本金50億円以上の導入率65.5%に対し、1,000万円未満は13.2%で、前提になっている社内のデータ整備と人員が違います。もうひとつは工程で、採用と評価と労務では必要なデータも法的な注意点も別物になります。

人事のAIを採用の側から進めるなら、まず自社の採用がどの工程で詰まっているかを押さえるほうが順番として先です。エンジニア採用力チェックは、5指標24項目で現状を採点し、結果は資料の形で受け取れます。

工程ごとの整理は「AI人事とは？人事のAI利用39%、5領域と法規制」に、全社のAI導入の水準は「AI活用事例の現在地は？導入58.0%と求人の変化」にまとめました。

この記事の数え方

再現できるように手順を残します。2026年9月18日に「人事 AI活用 事例」で上位に並んだ9本のURLを取得し、うち7本の本文とページのソースを保存しました。残る2本は、1本が取得の拒否、もう1本がリンク切れで取得できず、分母から外しています。この2本が何位だったかは取得時の記録に残っておらず、復元できませんでした。

数えたのは3つです。記事が名乗る事例の件数、社名が特定できる事例の件数、そして各事例に付された出所リンクの行き先です。出所リンクは本文のテキスト抽出では落ちるため、ページのソースに書かれたリンクを直接見ました。1つの事例に出所リンクが2本以上ある場合は、記事が主として挙げている1本を代表として数えています。

原典との突き合わせは、社名付き30件のうち、企業自身の公表資料とツールベンダーの個別事例ページに着く分を優先して開きました。すべての30件を原典まで辿ったわけではないので、この記事が挙げた4事例は「見つかった分」であり、上限ではありません。

デジタル化の普及水準を事例の基準線として使う考え方は「人事DX事例の読み方｜普及水準と再現の条件」と同じ組み立てです。工程別の実測は「生成AIの業務効率化事例は議事録に集中｜工程別の実測」にあります。

本記事のポイント

• 「人事 AI活用 事例」の上位7本のうち4本は、社名の付いた事例を1件も載せていない。社名付きは延べ30件、顔ぶれは27組織にとどまる
• 30件の出所リンクのうち、企業自身の公表資料に着くのは3件。原典が「見込み」と書いた数字が実績として流通している例が2件あった
• 事例を読む前の基準線は公的統計で取れる。企業のAI導入は27.3%、資本金50億円以上は65.5%、中小企業は20.4%で、事例に出る層は上側に偏っている