
評価をAIに委ねたとき、人の役割はどこに残るのか
Ubieの橋山です。
普段はエンジニアリングマネージャーとHRBPをやりながら、社内の生成AIサービスやAI評価システムの開発を担当しています。
Ubieでは2025年から準備を始め、2026年4月から人事評価に生成AIを使っています。評価のプロセスの中に人間が極力入らず、AI中心で進める評価システムを作りました。
先日、Offersさんとの共催ウェビナーでこの話をしました。当日の内容はこちらのYoutubeからもご覧いただけます。
ウェビナーで話しきれなかったことも含めて、設計した当事者として、考え方から実装までを書き残しておきます。
Ubieの組織の特徴
Ubieはホラクラシーという組織の形を採っていて、意思決定を人ではなく役割に紐付け、それぞれのロールが責任と権限を持っています。そのため中間管理職は置いておらず、一人が複数のロールを持つことも珍しくありません。ホラクラシーの詳細と、マネージャーを置かない組織でマネジメントがどう行われているかは、別の記事に書きました。
記事にもある通り、以前から目標設定とフィードバックは行っていましたが、報酬とは紐付けていませんでした。AIで人事評価を行うにあたり、その点も大きく刷新していますが、それについては本記事の対象外とさせていただきます。
なぜAIに評価をやらせるのか
目的は4つあります。

人がコトに集中できるようにする
1つ目は、評価の運用に時間を使わず、事業に専念してほしいからです。
評価は事業を伸ばすための仕組みであり、その運用自体に時間を使うのは本末転倒だと思っています。
メンバーが半年分の記憶を掘り起こして作文をし、その調整やキャリブレーションにマネジメントの時間が溶けていきます。評価することが目的になってしまっているケースは、多くの会社にあるのではないでしょうか。そこに使う時間があるなら事業の成長に使ってほしいと考えて、生成AIで置き換えられないかというのが出発点でした。
評価の過程からバイアスを外す
2つ目は、AIに評価させたほうが人間より精度が高くなると考えたからです。
AIが人間より正しく評価できるのかと思われるかもしれませんが、そもそも人間の評価は当てにならず、むしろ人間のほうが間違えます。人の評価は属人的で、評価者の記憶と暗黙知に頼ります。評価の伝達は1on1であることが多く、キャリブレーションも少人数の閉じた場でやるため、バイアスが働きやすい状態です。上司の評価能力と視野の広さで、メンバーの評価が容易に変わってしまいます。
AIなら全員に同じ物差しを当てられますし、ファクトを網羅的に吟味することもでき、どういう道筋でその結論に至ったかを残すこともできます。
もちろんAIにもバイアスはあり、完璧な評価にはなりません。ただ、AIのバイアスは可視化されやすく、それをベースにして人間が修正を加えることで、より適切な評価にアップデートし続けることができます。
AI時代の働き方に合わせる
3つ目は、働き方の変化に評価を合わせていく必要があることです。
プロダクト開発の現場で、PdM、エンジニア、デザイナーの職種の垣根が溶けているというのは既に起き始めており、想像しやすいと思います。
自分はバックオフィスのマネージャーを兼任しているのですが、ここでも同じことが起きていて、労務、総務、経理、人事などと細かく分けていた組織が、オペレーション全体を担う1つのチームとして少数メンバーがAIで専門性をフォローしながら複数領域を担う形に変わっています。
また、全社で見ても職種を越えて越境する人が出てきて、セールスが自らプロトタイプを作ったり、プロダクトのメンバーが作ったプロダクトを売りに行くということが起きています。
このような働き方を考えたときに、1人の評価者が複数の専門領域をまたいだ仕事を評価するのは、評価者が全ての専門性を理解することが難しいという観点で現実的ではありません。AIは逆に、高い解像度と分解能で多くの専門性を網羅的に解釈できるので、職種の垣根がなくなる状態においては、評価における情報の収集や整理にAIを活用することは必須だと考えました。
すべての活動がデータ化される力学を作る
4つ目は、AI評価を通じて会社全体でやりたかったことです。
記録されていないものはAIが読めないため、AI評価を行うという方針は、会社の中で行われるすべての活動をデータ化する力学を働かせることになります。
大事なのは順序で、「記録せよ」と号令をかけるのではなく「記録が無い仕事は評価されない」という状態を作ることで、記録を残すことが本人の評価につながるインセンティブになります。
記録に残りにくい仕事をしている人が不利になるのは意図していないので、記録する習慣や仕組みを整えることに力を注いでいます。多くの情報は自動で集まるように整備しましたが、それでも捕捉できない情報は残るため、本人が情報を足せるプロセスを途中に入れています。
どう実現しているのか
設計思想は3つあります。
評価の最終決定は代表のみが行う
成果と能力を別々に測り、掛け合わせる
リアルタイムのフィードバックサイクルを実現する
評価の最終決定は代表のみが行う
評価は、活動データが溜まり、AIがドラフトを作り、本人が必要な情報を補い、AIが検証して、最後に代表が承認するかどうかを決める、という5つのステップで決まります。

間にマネージャーや役員は入らず、ほぼすべてがAIと本人で完結して最後に代表が入るので、人間が関与するのは2か所だけです。
理由は、作文や調整の工数を減らすことと、マネージャーへのアピールやマネージャー同士のキャリブレーションによる政治的な力学が働かないようにすることです。
AIが作ったドラフトに対して、本人が情報を補足したり、異議を申し立てたりすることができます。その過程も含めて評価のプロセスがすべて記録として残り、AIの精度向上につながります。
成果と能力を別々に測り、掛け合わせる
評価は成果と能力の2つで見立てていて、成果を測り、その成果が再現できるものかを能力で測るという形で、掛け合わせて総合的な等級を出します。

成果については、結果を数えやすいものをそのまま定量化するだけではなく、成果の型を定義して、すべての仕事を何らかの形で定量化する工夫をしています。
型は2つの軸でできていて、縦軸は収益側(売上や利益をつくった、商談や案件を進めた)か損失側(コストを削った、事故や損失を防いだ)か、横軸は実現済みか期待値かです。この4種類に生産能力(仕組みをつくって、組織のできることを増やした)を加えて、全体で7つに整理してあります。
この型に当てはめると、以下のような形で成果を定量化できます。
セールスなら売上や利益を作った
プロダクトなら生産能力を高めて売上が上がる確度を上げた
オペレーションやバックオフィスならコストを下げて生産性を上げた
セキュリティやブランディングなら起きていたはずの事故や損失を未然に防いだ
能力のほうは、成果を再現するための仕事のやり方を「Ubieness」という行動指針として言語化して基準を置いています。加えて、役割ごとに必要なスキルを定義した「U-map」というスキルマップを用意していて、これを伸ばすことで成果の再現性が上がると考えています。
リアルタイムのフィードバックサイクルを実現する
人間が評価する場合はタイミングと頻度に限界があり、どんなに頑張っても1週間に1回、通常は四半期か半年に1回でしょう。AIならフィードバックの実行に時間的な制限がないため、本人が欲しいと思ったタイミングでフィードバックを受け取れます。 極端な話、毎日でも可能です。
フィードバックをもらって本人が自分の行動をすぐに修正し、その結果として新たなフィードバックを得ることができます。このループが早く回るほど、本人の成果が上がる確度が高まり、会社としての成果も上がります。

評価するAIと壁打ち相手のAIは同じロジックを参照しているので、日々のフィードバックサイクルを回すことで、会社が求める成果や評価の基準に自然と合致した行動を取ることができます。
評価システムの全体像
ここからは、実際に動いているものについて説明します。

登場するものは3つです。
アクティビティレポート: Slack、議事録、GitHub、Jira、Notion、商談の記録などから、全社員分の活動が毎日自動で生成されます
評価AIエージェント: ルーブリック(採点表)をもとに、アクティビティレポートからファクトシートを作り、ファクトシートと本人の申告から評価レポートを作ります
伴走AIエージェント: 本人がアクティビティレポートやファクトシート、評価レポートに沿って、いつでもフィードバックのサイクルを回せます
アクティビティレポート
様々なデータソースから以下のような形で活動ログがデータ化されます。実体はNDJSONで、データの取り回しもしやすく設計されています。

実装の詳細などは以下の記事もご覧ください。
評価AIエージェント
評価AIエージェントは、ルーブリックをもとに2つのものを作ります。
1つ目はファクトシートで、評価期間内のアクティビティレポートを集約して、評価に使うファクトの一覧を時系列やロールごとに整理したものです。必要に応じて本人が抜けている事実を足したり、誤りを補足したりします。

2つ目は評価レポートで、ファクトシートと本人の修正をもとに、AIがルーブリックに基づいて実際に評価を出します。結論の等級だけでなく、その等級が算出された計算式や理由を細かく追えるようになっています。

伴走AIエージェント
出てきた評価について聞きたいときだけでなく、普段のフィードバックサイクルの中で使っていくものです。

このエージェントは評価と同じロジックを参照しているので、期末を待たずに、自分の評価がいまどう見えているのか、能力を伸ばすなら次にどこへ向かえばいいのかを、知りたいタイミングで相談できます。対話の形で、聞きたいことや成長の方向を壁打ちしたり深掘りしたりでき、それが会社の求める成果に沿ったものになります。
実装の工夫
データ処理にコードと生成AIを使い分ける
抽出や集計のように正確性が求められる処理はSQLやコードで、推測や解釈や要約のように創造性が求められる処理は生成AIで処理します。 この使い分けが重要です。
生のデータをそのまま生成AIに渡すとノイズもサイズも大きくなるので、前処理で削ってAIに一度に読ませる量を抑え、事実に無いことをAIが作ってしまわない形に整えてから、必要なところで生成AIを使います。詳しくは、アクティビティレポートの記事にも記載しています。
ルーブリックを3段階に分ける
評価の基準をAIに覚えさせる必要があるので、ルーブリックを3段階に分けて用意しています。

1つ目: 活動を十分に集められているか。 セールスなら商談の情報、エンジニアならコードの履歴、オペレーションならさばいたチケットやコミュニケーションのログといったものが正しく取れているかを見ます
2つ目: 活動が正確に捉えられているか。 議事録で複数人が発言しているときにその人の発言が起点だったのか、単に発話量が多いのではなく意思決定に関わる重要な発言をしているかを捉えて、成果に対する寄与率を測ります
3つ目: 成果と能力が正しく見立てられているか。 AIが当てずっぽうを言っていないか、ロジックに沿って成果が見積もられているかを判定します
順番が大事で、手前の基準をクリアするまで次の処理には進みません。 1つ目が通らなければそもそも書かれていないことを見にいけませんし、2つ目が通らなければズレの原因を切り分けられないからです。
もともとルーブリックは作っていなかったのですが、AIが評価の結果を出したときに、活動の収集に問題があるのか、切り分けに問題があるのか、ロジック自体に問題があるのかが分からなかったため、原因を切り分けられるようにルーブリックを3つに分けました。
精度を上げる工程もAIに回させる
評価の精度を上げるところも、AIにやらせています。
AIがドラフトを作り、ルーブリックに基づいてAIが自分で採点し、基準に達しなければ差し戻すということをひたすら繰り返させています。

一人あたりの評価で8時間から12時間ほどAIが回り続けて採点結果を得て、それを人が見て、ルーブリックのどこに問題があるかを分析してルーブリックを修正します。AIが出したものを人がいちいちチェックするのではなく、自動のループを回す仕組みを作って、人はそのループの外側にいるので、ヒューマン・オン・ザ・ループを実現しています。
ポイントは、AIに採点させるときに人間の評価へ引きずられないようにすることです。人間の評価結果のみを正解データとして与えて、そこに寄せる形でロジックを作ってしまうと、人間のバイアスをそのまま取り込むことになります。そうではなく、人間が何を評価し、何を評価していないのかという判断基準を正解データとして学習させ、ロジックのチューニングやルーブリックの改良に活かしています。
評価ロジックをソフトウェア開発のやり方で運用する
評価チームは3人でコンセプトから設計、実装、運用までをやっていて、全員がソフトウェア開発かデータ分析のバックグラウンドを持っているので、評価そのものにソフトウェア開発のプロセスを持ち込みました。
ロジックはすべてGitHubに置いてあり、社内のメンバーなら誰でも見られます。複数人で同時に編集することも可能で、処理ごとにテストすることも可能です。バージョン履歴も残るので、精度が動いたときに、ルーブリックを直したからなのか、使っているモデルが新しくなったからなのかを切り分けられます。
会社が決めたものにしない
導入でいちばんこだわったのは、この評価を会社が上から決めたものにしない、という点です。やったことは3つあります。

中身が見えないまま結果だけが来るのが、いちばん納得しづらい形だと思っています。ルーブリックを公開し、有志に入ってもらっているのは、その形を避けるためです。
何を学んだか

目的を哲学まで明瞭にすると、AIに実装できる形になる
作るにあたって一番重要だったのは、このAI評価は何を実現するものなのかという哲学を明らかにして、評価制度の目的をはっきり書いたことでした。書いたのは3つです。
大きな成果を上げている人に、より多くの報酬を分配したい
成果は定量で測り、その期待値も含めて評価したい
成果を再現性高く出すには能力がいるので、能力も評価する
この3つは順番が重要で、1つ目が価値観、2つ目が測り方、3つ目は2つ目だけだと落ちるものを補うために置いています。2つ目の成果だけで測ると、直接売上にならない仕事、中長期の仕事、基盤づくり、事故を防ぐ仕事が落ちてしまうからです。
ここを言語化したことで評価の正解をAIに教えられるようになり、あとはこれをルーブリックに落とし込めば、AIがその正解に向かって自律的に精度を改善していきます。
逆にここが曖昧なままではルーブリックに何を書けばいいかが決まらず、「成果を出した人を評価する」で止めると、何をもって成果とするかをAIが判断できないので、結局は人が毎回決めることになります。
人に残るものを先に定め直すと、AIと人間の分担を定義できる
AIが評価をするとなったときに、では人間は何をするのか、AIに評価されて人間には何が残るのか、という懸念がありました。
出した答えは2つあります。1つは人とのつながりで、社外の人と関わって信頼を築き、AIでは得られない一次情報を取ってくることです。もう1つは意思を込めることで、会社の中でどういう仕事をやるべきかに旗を立てて、オーナーシップを持って形になるまでやり切ることです。
この2つを先に決めたことで、評価のどこを人に残し、どこをAIに渡すかを判断できるようになりました。 順序が逆だったら、AIに渡せる範囲を決められなかったと思います。
そのうえで人材要件そのものも変えました。職種の境界が溶ける前提に立つと職種ベースの評価基準は古く、これから必要となる人材を正しく評価できません。そこで役割を5つの型に定義し直し、評価AIがこの5つを評価できる形になっていればこの先どんな職種が出てきても評価できる、という作りにしています。この5つの中身は別の記事に書きました。
評価のために作った記録が、評価以外でも活用できている
目的の1つに、記録が無い仕事は評価されない状態を作った、という話を書きました。その結果として会社全体の活動が記録されるようになり、それがいろいろな用途で使われています。これは当初想定していなかった効果も生み出しています。
経営に近い立場からは事業の状態が見えるようになって人づてに聞かなくてよくなり、マネジメントをする側からはメンバーの状況が分かるようになりました。社内では「近況報告の時間がなくなり、その分中身の話ができるようになった」という声が出ています。メンバー側としては、入社や異動の際の情報取得が自分からやりやすくなりました。
評価の準備として、会社の活動を記録する仕組みとして整えた時点で十分なリターンがありました。その上で評価に使われるので記録を残すことが本人のインセンティブになります。この力学をつくれたことが、いちばん大きな学びでした。
評価においてマネジメントに何が残るのか
最後に、私たちの仮説を記載しておきます。
残るのは、人の感情に向き合うところです。 AIによる評価を受けた人が、これからどういう方向に成長していくのか。その次の行動を、本人に寄り添って一緒に決めるところは人が担うと思っています。
逆に、評価のために情報を収集し、属人的な経験や判断のみで評価を書くことは無くなっていくでしょう。評価のための情報収集や判断の大部分がAIによって行われる未来においては、自分の専門領域に閉じたマネジメントの価値が相対的に小さくなり、より広い領域をマネジメント・評価する必要が出てくると考えています。