離職防止をAIで設計する — 退職の予兆を掴む3層のモニタリング設計

「先月まで普通に働いていたのに、来月で辞めます、と言われて。正直、青天の霹靂でした」——ある人事責任者の方から、そんな相談を受けたことがあります。

結論から言うと、離職は「突然」ではなく「見えていなかった」だけであることがほとんどだと僕は考えています。厚生労働省「雇用動向調査」によれば、常用労働者の離職率はここ数年おおむね15%前後で推移しており、離職の多くは評価面談の記録や勤怠データといった、社内に痕跡が残る前提の中で起きています。AIの役割はこの痕跡を「拾い上げて可視化する」ことに限られ、人を「監視する」ことではありません。この線引きを最初に決めておかないと、離職防止の仕組みはかえって社内の信頼を壊しかねないと感じています。

0. 退職は「突然」ではなく「見えていなかった」だけ

先ほどの人事責任者の方のケースでは、後から評価履歴を振り返ると、退職の半年前から1on1の記録に「業務量への言及」が増え、3ヶ月前からは評価コメントの文字数が明らかに減っていました。誰も気づいていなかったわけではなく、記録が部門ごとに分散していて、時系列でつなげて見る仕組みがなかっただけです。僕の体感値で言うと、離職の予兆は「新しいデータを取る」よりも「既にあるデータをつなげる」ことで見えてくるケースの方が多いです。逆に言えば、記録そのものが存在しない組織では、AIをどれだけ高性能にしても検知のしようがありません。土台は常にデータの蓄積であり、ツールはその後に乗せるものだと僕は考えています。

1. 予兆データの3層構造 — 行動・対話・制度

離職予兆のデータは、僕は大きく3つの層に分けて設計するようにしています。どれか1層だけでは誤検知が増え、3層を重ねることで初めて「面談すべき優先順位」として使えるレベルになります。実務で組む際は、まず行動データ層で機械的に異常値をふるいにかけ、対話データ層で背景の仮説を立て、制度データ層でその仮説が制度上の変化（評価ダウンや昇格見送りなど）と重なっていないかを確認する、という順番で見ていくと運用が回りやすいです。

1-1. 行動データ層

勤怠の遅刻・早退の頻度変化、有給消化率の急変、社内ツールのログイン時間帯の変化など、日々のオペレーションから自動的に取得できるデータです。単発の変化ではなく「本人の過去3ヶ月平均からの乖離」で見るのが実務上のコツで、他部署との横比較だけだと個人差を離職兆候と誤読しやすくなります。僕が関わった範囲では、乖離幅を「平均から標準偏差1.5倍以上」といった機械的な線で切ると、担当者の主観が入りにくく運用が安定しました。

1-2. 対話データ層

1on1や評価面談の議事録・コメントのテキストです。ここでAIが有効なのは、面談官の主観に頼らずキーワードの出現頻度や感情の傾向を定点比較できる点にあります。ただしテキスト解析だけで「離職確率◯%」のような断定を出す運用は避けるべきだと考えています。あくまで人が読み返す優先順位づけの材料です。実際、同じ「業務量が多い」という発言でも、繁忙期の一時的な愚痴なのか、慢性的な不満の表出なのかは文脈次第で意味が変わります。この判断はAIに委ねず、最終的に面談官が読んで判断する前提で設計しています。

1-3. 制度データ層

評価結果と昇給・昇格の実績、研修受講履歴、社内公募への応募履歴などです。経済産業省が公表した「人材版伊藤レポート2.0」でも、人的資本経営の実践としてエンゲージメントや学び直し機会の可視化が提言されており、制度データは離職予兆だけでなく組織全体の定着施策の設計にもつながります。制度データ層は単体では予兆になりにくい一方、行動・対話の2層で拾った異常が「実は半年前の昇格見送りが背景にあった」といった説明変数になることが多く、僕はこの層を「答え合わせ」の位置づけで使っています。

2. AIに任せる部分、人に残す部分の線引き

ここまでの3層設計で一番大事なのは、AIに「予測」をさせず「異常検知と優先順位づけ」までに役割を絞ることです。退職確率をスコア化して本人に開示するような運用は、的中率が体感値でも7割程度に留まる中では、外れた3割の社員に不要な不信感を与えるリスクの方が大きいと僕は考えています。実際の面談判断・引き止め交渉は、最後まで人が担う設計にしています。加えて、通知を受け取る側の範囲も線引きが必要です。僕が見てきた運用では、通知を直属の上長にまで広げると「評価に響くのでは」という警戒感が生まれやすく、人事担当者止まりで運用した方が信頼を損ねにくい傾向がありました。誰が何を見るかという設計は、AIの精度そのものより社員の受け止め方に直結します。

3. よくある失敗パターンと対処 — 監視感・アラート疲れ・データ不足

導入初期でつまずくパターンは大きく3つあると僕は整理しています。1つ目は、新しい行動ログを追加収集しようとして「監視されている」という反発を招くケースです。既存データの再利用に留める設計の方が、社員の受け入れは体感値としてスムーズです。対処としては、導入前に労使双方で「新規の行動ログは取得しない」という方針を明文化し、社内周知の文面にも明記することが有効でした。2つ目は、通知の閾値を緩く設定しすぎて、毎週何十件もアラートが上がり、人事担当者が結局読まなくなる「アラート疲れ」です。ある企業の運用を聞いた際も、最初の月は全社員の1割以上に通知が出て、担当者が対応しきれず形骸化したという話を聞きました。通知件数は月に1桁程度に絞り込み、確度の高いものだけを面談優先リストに載せる設計に変えたところ、実際に読まれる仕組みに戻ったそうです。3つ目は、対話データ層の記録がそもそも蓄積されておらず、AIを導入しても比較対象がなく機能しないケースです。この場合は焦ってツールを入れるのではなく、まず半年程度は1on1記録のフォーマットを統一し、記録を溜める期間として割り切る対処が現実的だと僕は考えています。

4. 導入の実務ステップ — 今日から始める3つのこと

1. まず新しいツールを探す前に、評価面談の記録フォーマットを統一し、時系列で振り返れる状態を作る。所要目安は運用ルールの整備だけであれば1〜2週間程度です。
2. 勤怠・評価データを部門横断で1つのビューに集約し、本人の過去平均との比較軸を持たせる。既存のExcelや人事システムのエクスポート機能で組める範囲であれば、1ヶ月以内に着手可能です。
3. 通知の閾値を「上位1割ではなく、明確に逸脱した数名」に絞り、面談の優先順位づけだけに使う運用ルールを決める。閾値は初回設定後、最初の1〜2ヶ月は運用しながら微調整する前提で進めるのが現実的です。

この3つは、専用のAIツールを導入する前でもExcelとカレンダーの運用だけで始められます。僕が見てきた範囲では、ツール導入より先にこの土台を整えた組織の方が、後からAIを重ねたときの効果が体感値として大きい傾向があります。逆に、記録の土台がないままAIツールだけ先に契約してしまうと、ダッシュボードは立派でも中に入れるデータがなく、数ヶ月後に「結局Excelで管理し直している」という状態に戻るケースを何度か見てきました。

5. ケース比較 — 離職防止AIが効いた場面・効かなかった場面

効いた場面は、対話データ層の記録が既に一定量蓄積されていた組織です。1on1の記録が半年分以上あると、AIの異常検知が「いつもと違う」を正しく拾いやすくなります。逆に効かなかった場面は、記録自体がほとんど残っていない組織です。この場合はAIを導入しても比較対象がなく、精度以前にデータが存在しないという状態でした。リクルートワークス研究所が公表する人手不足に関する調査でも、労働需給の逼迫が続く中で定着施策の優先度は上がっていますが、施策の土台となる記録がなければAIは機能のしようがありません。

この比較から言えるのは、AIの性能差よりも「記録の土台」と「通知の絞り込み」という運用設計の差の方が、効果を大きく左右するということです。同じベンダーの同じ機能を使っていても、この2点の設計次第で現場の評価は大きく分かれると僕は感じています。

(結論)

離職防止のAI活用は、退職を「予言する」ものではなく、既にある記録を時系列でつなげて「見えていなかった変化」を見えるようにする仕組みだと僕は考えています。行動・対話・制度の3層でデータを整理し、AIには異常検知と優先順位づけまでを任せ、面談の判断は人が最後まで担う。この線引きさえ守れば、監視の仕組みではなく、社員と向き合う時間を増やすための仕組みになります。皆さんいかがでしたでしょうか。では今日もがんばりましょう。