タイでAI人材を採用・育成するには?スキル定義から評価制度まで

リード文
タイ拠点でAI活用を推進する人材を確保するには、目的と業務範囲を言語化したうえで、スキル定義・採用基準・育成計画・評価制度を一つの流れとして設計する必要があります。本記事はタイ拠点を持つ日系企業の人事・DX担当者を対象に、Step1 でのスキル定義からStep2 の採用基準・選考プロセス、Step3 の育成計画、Step4 の評価制度までを実務の手順で整理します。読み終えると、自社に必要なAI人材を職位ごとの期待値表に落とし込み、採用から育成、評価へと一貫して運用できる設計の出発点を手にできます。
スキル定義や採用基準を固める前に、自社がAIをどの目的で、どの業務範囲に導入するのかを先に言語化しておく必要があります。目的と範囲が曖昧なまま人材要件を作ると、採用後に役割と実務がずれ、育成計画も的外れになります。
AI活用を推進する目的を明確にする
業務効率化、新規サービス創出、品質向上のいずれを目指すのかによって、必要な人材像は大きく変わります。業務効率化が目的なら既存業務の自動化や定型処理の精度向上を担える人材が中心になり、新規サービス創出が目的なら新しいモデルやプロダクトを企画・構築できる人材が必要になります。この違いを明文化せずに採用を進めると、後続のスキル定義や採用基準が目的とかみ合わなくなります。
目的を決める際は、成果の受益者となる「ユーザー層」、求める「専門度」、そして「ガバナンス要件」の三つを併記しておくと具体的になります。ガバナンス要件とは、データの扱い方や倫理面での制約を指し、タイのPDPA(タイ個人情報保護法)への対応が必要な業務であれば、人材要件にもデータ取り扱いの知識を含める必要があります。
目的の分解は一度決めて終わりにせず、業務範囲や評価軸を設計する段階でも立ち戻って確認します。例えば「顧客対応の効率化」という目的であれば、ユーザー層は社内オペレーター、専門度は実務運用レベル、ガバナンス要件は顧客データの匿名化、という具合に三つの要素を一文ずつ書き出しておくと、後の採用基準作成がスムーズになります。
複数の目的を同時に掲げる場合は、優先順位を一つに絞らず、目的ごとに別々のユーザー層・専門度・ガバナンス要件の組を作成しておくことが有効です。一つの目的に複数の業務が紐づく場合も、業務単位でこの三要素を書き分けておくと、担当部門間で「誰のために何を作るのか」の認識がずれにくくなります。目的の言語化を人事担当者だけで完結させず、現場責任者と合意した上で次の業務範囲の設定に進むことも欠かせません。
対象となる業務範囲を定める
業務範囲は「意思決定支援・自動化」「顧客対応」「予測モデル」「画像処理」などタスク別に分類し、それぞれに成果指標を設定すると人材要件に落としやすくなります。タスクと必要な能力を対応づけて整理する考え方は、業務範囲を人材要件に落とし込む際の一般的な整理方法です。タスクを分けずに「AIを使える人材」という単位で範囲を決めてしまうと、求めるスキルが画像処理向けなのか顧客対応向けなのかが定まらず、採用基準が作れません。
タスクごとの分類に加えて、データの所在・アクセス権・プライバシーといったデータ・インフラ要件を業務範囲の定義に含めておく必要があります。例えば顧客対応の自動化を対象業務にする場合、使用するデータが社内の顧客データベースなのか、公開情報のみなのかによって、採用すべき人材が持つべきデータ取扱いの知識やPDPA(タイ個人情報保護法)への理解の深さが変わります。予測モデルを対象とする場合は、学習データの更新頻度や精度の検証方法まで業務範囲の定義に含めておくと、後の評価軸作成が楽になります。
業務範囲を定める作業は、目的の言語化と同じ単位で行うと整合性が保てます。一つの目的に複数のタスクが紐づく場合は、タスクごとに成果指標とデータ要件を書き分け、どのタスクを誰が担うのかまで明確にしてから次のスキル定義に進むことが重要です。タスクの切り方が粗すぎると、実際には別のスキルを要する業務が一つの職務記述に混在してしまうため、少なくとも成果指標が異なる単位までは分解しておくべきです。
Step1: AI人材に求めるスキルをどう定義するか?

業務範囲とタスクが固まったら、それぞれに必要なスキルを「知識」「実技」「態度」の三要素に分けて書き出します。一枚の職務記述に技術力と業務理解を混在させると、採用基準も育成計画も的を外しやすくなるため、要素ごとに分けて定義することが出発点になります。
技術スキルと業務理解の両面を分ける
技術スキルとは、Python によるデータ処理やモデル構築、評価指標の設計など、モデルそのものを扱う実技を指します。業務理解とは、対象業務のKPI設計や現場の意思決定プロセス、タイ拠点特有の業務フローを把握する力を指し、この二つは別の評価軸として扱う必要があります。片方だけに秀でた人材を採用すると、精度の高いモデルは作れても業務に実装できない、あるいは業務知識はあるが実装を外部に依存し続けるという状態に陥りやすくなります。
職務記述を作る際は、技術スキルの欄に「Python によるデータ前処理」「モデル評価指標の選定」のような実技項目を、業務理解の欄に「対象タスクのKPI設定」「現場部門との要件調整」のような項目を分けて書き出します。OECD の技能区分でも、知識・実技・態度を分けて定義する考え方が示されており、技術と業務理解を混在させずに扱うことは、この区分と整合する方法です。
両面を分けて書くと、採用時にどちらが不足しているかを特定しやすくなります。技術テストの結果は高いが業務理解を問うケーススタディで評価が低い候補者には、入社後の育成計画で業務理解の補強を重点的に組み込む、といった判断ができます。逆に業務理解は高くても技術テストで基礎的なコーディングや評価指標の選定に不安が残る候補者は、技術研修を優先した育成計画に振り分けます。
この分け方は職位が上がるほど重みづけを変える必要があります。実装を担うメンバーには技術スキルの比重を高く、チームを率いる立場には業務理解とガバナンス遵守の比重を高くするなど、職種・レベルごとの期待値設計に直結させておくと、採用基準と育成計画の両方で判断の軸がぶれません。
職種・レベルごとに期待値を分ける
職務記述を技術スキルと業務理解に分けたあとは、同じ業務でも担う役割によって期待値が変わることを職位ごとに整理します。実務上の整理例として、企業の内部でも層を分けて考えると、採用基準と育成計画の両方に落とし込みやすくなります。
実務的には、AIユーザー、応用データアナリスト、MLエンジニア、リードAIエンジニアの四層程度に分けて期待値を書き分けます。
| レベル | 技術スキルの期待値 | 業務理解の期待値 |
|---|---|---|
| AIユーザー | 既存ツールの操作、結果の読み取り | 自部門の業務フローの理解 |
| 応用データアナリスト | データ前処理、基礎的なモデル評価 | KPI設計への参加 |
| MLエンジニア | モデル構築・実装、評価指標の設計 | 複数部門との要件調整 |
| リードAIエンジニア | 複数モデルの運用統括 | ガバナンス遵守の設計・部門間の優先順位判断 |
この表はタスク別に定めた業務範囲と対応させて作成します。一つの職位に複数のタスクが紐づく場合は、タスクごとに期待値が変わる点を職務記述に注記しておくと、採用面接での質問項目や育成計画の重点領域が明確になります。
Step2: 採用基準・選考プロセスをどう設計するか?

職務記述で定義した技術スキルと業務理解は、選考プロセスの各段階で別々に検証しないと職位ごとの期待値に合った人材を見分けられません。書類選考から技術テスト、面接までの各段階で何を見るかを先に設計し、現地特有の条件も合わせて確認しておく必要があります。
現地採用で確認すべきポイント
給与レンジは、BOI(タイ投資委員会)が公開する「Costs of Doing Business」の労働コスト資料で職種別の月額帯を確認できます。BOIが公開している最新版のCosts of Doing Businessによると、Data Scientist は上位帯で月額 120,000〜200,000 バーツ程度の参考値が示されており、採用基準を作る段階でこの公表レンジを基準に、候補者の経験年数・担当タスクの範囲・勤務地によって調整する方法が実務的です。応用データアナリストと MLエンジニア、リードAIエンジニアでは給与帯が大きく異なるため、職位ごとの期待値表と合わせて予算を組んでおく必要があります。なお、この資料は発行年によって掲載内容が更新されるため、採用基準を作る際は参照している版の発行年を確認し、最新版かどうかをチェックしておく必要があります。
労働条件についても、BOIの資料に休日出勤・深夜勤務・残業の割増基準が要旨として示されています。AI案件は締め切り前に稼働が集中しやすく、残業や休日対応が発生する業務範囲を想定している場合は、採用条件を提示する前にこれらの割増基準を確認し、雇用契約の記載内容と齟齬がないようにしておきます。
現地採用では、技術スキルの水準だけでなく、タイ語・英語のどちらで業務理解の評価や社内コミュニケーションを行うかも選考基準に含めておく必要があります。日本側の担当者とのやり取りが多い職位であれば、業務理解の評価項目に言語面の条件を明記し、技術テストとは別に確認しておくと、採用後のミスマッチを防げます。
面接・実技で見るべき判断材料
技術力の検証は、実際にコードを書かせる場で行うのが効果的です。Python や SQL を使った実コーディングテスト、データ前処理の実演、モデル評価の持ち帰り課題のいずれかを選び、候補者が書いたコードそのものを見て判断します。口頭で「経験があります」と答えるだけでは、評価指標の選定理由や前処理の判断根拠まで確認できないため、手を動かす課題を必ず一つ組み込みます。
ケース面接では、技術の正確さよりも業務との結び付けを重視します。問題定義から評価指標の設計までを候補者自身の言葉で説明させ、「このモデルの精度が上がったとき、どの業務KPIが改善するか」を答えられるかどうかを見ます。技術スキルが高くても、この結び付けができない候補者は、応用データアナリスト以上の職位では評価を下げる判断材料になります。
実装・運用力の確認では、モデルを作って終わりにせず、本番環境に乗せた経験やデータパイプラインの構築経験を具体的に聞きます。合わせて「その施策の成果をどう測定したか」を必ず質問し、測定方法まで説明できるかで、MLエンジニア以上の職位に求める運用力を判断します。
職位によって課題の難易度と重みづけを変えることも欠かせません。AIユーザー層の採用では、既存ツールを使った結果の読み取りと業務判断を見る課題で十分ですが、リードAIエンジニア層では、複数モデルの運用統括やガバナンス遵守に関わる判断を問う課題を追加します。技術テストとケース面接の結果が食い違う候補者については、どちらの評価を優先するかを職位ごとの期待値表に基づいて事前に決めておくと、面接担当者ごとの判断のばらつきを抑えられます。
Step3: 育成計画をどう組み立てるか?

採用で満たせなかったスキルギャップは、育成計画が埋める役割を担います。職位ごとの期待値表との差分を教材選定の基準にし、研修だけに頼らず実案件での定着まで設計してはじめて、評価制度に反映できる成果が生まれます。
研修・教材の選び方
教材を選ぶ基準は、職位ごとの期待値表との差分を埋められるかどうかです。技術スキル・業務理解の二区分のうち、どこを補うための教材かを先に決め、その区分に対応する内容かを確認してから採用します。
技術スキルを補う教材は、座学でAIの原理や評価指標の考え方を体系的に学べるものと、手を動かす演習を含むものの両方を揃えます。AIユーザー層には業務ツールの操作と結果の読み取りに絞った短期講座が適し、MLエンジニア以上には評価指標の設計やモデルの限界を扱う教材が必要です。Python でのデータ前処理やモデル構築を扱う教材であれば、候補者選考で使った実コーディング課題と同種の演習が含まれているかを確認すると、育成後の実力が選考基準と同じ尺度で測れます。
公的な研修資源も教材選定の候補に入れます。NSTDA(タイ国家科学技術開発庁)が実施する Super AI Engineer のような人材育成プログラムは、社内教材だけでは手が届かない技術スキルの水準の研修を補える場合があります。業務理解、つまりドメイン知識や業務KPI設計を育てる教材は、技術スキルの教材とは別に用意し、評価制度の業務理解の軸と対応させておくと、育成計画と評価軸がずれません。
教材を導入する前には、対象となる職位の期待値表に書かれた項目と教材のシラバスを一行ずつ突き合わせる作業を行います。差分が残る項目があれば、同じ教材内の別モジュールで補えるか、別の教材を追加するかを判断し、職位間で教材を使い回す場合は難易度の調整が必要かどうかも確認しておきます。
現場実践で定着させる仕組み
研修で学んだ知識や実技は、実案件に投入して初めて定着します。小規模なパイロット業務に育成対象者を配置し、成果が確認できた範囲だけを段階的に広げていく進め方が、研修だけで終わらせない育成計画の核になります。パイロットの対象業務は、職位ごとの期待値表に沿って選びます。応用データアナリストであればKPI設計への参加を求める業務、MLエンジニアであればモデル構築と評価指標の設計を求める業務を割り当て、実案件で担った役割が教材で補った項目と一致しているかを確認します。
パイロットの実施中は、先行して同じ業務を担当した社員や外部の専門人材がメンターとして付き、判断の根拠や評価指標の選び方を都度フィードバックする体制を組みます。フィードバックは一度きりではなく、業務の節目ごとに繰り返す仕組みにしておくと、知識面の理解不足や実技面の判断ミスを早い段階で修正できます。パイロットの期間中は成果指標を業務範囲の定義時に決めたものに固定し、途中で基準を変えないことも欠かせません。基準を動かすと、育成対象者の実力が伸びたのか、評価の見方が変わっただけなのかを判別できなくなります。
パイロットで得られた知見は、個人の経験として留めず、同じ職位の他のメンバーに共有する場を設けます。社内での知見共有を繰り返すことで、育成対象者個人の定着だけでなく、チーム全体の実力向上につながり、次の評価制度の設計で参照できる実績データにもなります。
Step4: 評価制度にどう反映するか?

育成計画で定着を確認した成果は、評価制度の軸に移さなければ給与や昇進の判断材料になりません。職位ごとの期待値表をそのまま評価シートに転記し、技術スキル・業務理解・影響度・ガバナンス遵守・学習態度という五つの評価軸に、育成で測った成果指標を引き継ぐことが、評価制度設計の出発点になります。
評価軸をスキル定義と連動させる
評価シートの項目は、技術スキルと業務理解を分けて書いたスキル定義の二区分をそのまま引き継ぎ、そこに影響度とガバナンス遵守、学習態度を加えた五つの軸で構成します。技術スキルの軸はコード実装やモデル評価指標の設計といった実技項目を評価対象にし、業務理解の軸はKPI設計への参加や現場部門との要件調整を評価対象にします。この二区分を一つの項目に混ぜると、技術力は高いが業務に実装できない人材と、業務理解はあるが実装を外部依存し続ける人材を同じ評価で扱ってしまい、育成の重点が見えなくなります。
影響度の軸は、業務範囲を定めた段階で設定した成果指標の達成度をそのまま使います。ガバナンス遵守の軸は、データ取り扱いや PDPA(タイ個人情報保護法)への対応状況を対象にし、学習態度の軸はパイロット業務での改善サイクルへの参加度を見ます。
五つの軸の重みづけは、職位ごとの期待値表と対応させます。AIユーザー層は業務理解と学習態度の比重を高く、MLエンジニア層は技術スキルと影響度の比重を高く、リードAIエンジニア層はガバナンス遵守の比重を高くするなど、職務記述で分けた期待値の違いを評価シートの配点にそのまま反映させます。
配点を職位ごとに変える際は、同じ軸でも満点基準を揃えておく必要があります。技術スキルの軸であれば、どの職位でも「コードの可読性」「評価指標の選定根拠」といった採点観点自体は共通にし、求める達成水準だけを職位に応じて変える形にすると、職位間を異動した際にも評価履歴を比較できます。
評価結果を育成計画に戻す仕組み
評価シートで低い配点が出た軸は、そのまま次期の育成計画の教材選定に戻す手順を決めておかないと、評価が記録として残るだけで終わります。評価→育成→再評価のサイクルを明文化し、学習と再教育への投資を評価結果に直接紐づけることが実務上の基本です。
具体的には、技術スキルの軸で基準に届かなかった項目があれば、職位ごとの期待値表との差分を再度突き合わせ、その差分を埋められる教材を次の育成計画に組み込みます。業務理解の軸が低い場合は、パイロット業務での役割を見直し、KPI設計への参加度が高い業務に再配置するなど、評価項目に対応した実践の場を変えます。ガバナンス遵守の軸が低い場合は、態度面を補う教材とメンタリングの頻度を増やす対応に限定し、技術研修とは別枠で扱います。
どの軸を優先して戻すかは、職位ごとの重みづけに従って判断します。MLエンジニア層であれば技術スキルと影響度の差分を先に埋め、リードAIエンジニア層であればガバナンス遵守の差分を先に埋める、という順序を評価シートの配点に合わせて決めておくと、育成予算が限られる場合でも優先順位が揺れません。
このサイクルは一度で終わらせず、次の評価サイクルで同じ軸を再測定し、改善の有無を確認するところまでを一つの仕組みとして運用します。再評価で改善が確認できない軸については、教材そのものか配置先の業務のどちらに原因があるかを切り分け、見直しの判断材料にします。
採用・育成でよくある失敗は何か?

職位ごとの期待値表や評価サイクルを整えても、要件の粒度が粗いまま採用を進めたり、研修を実施した時点で育成が完了したと見なしたりすると、設計した仕組みが機能しません。失敗は定義と実践の間にある抜け漏れから生じます。
スキル定義があいまいなまま採用してしまう
タイの人材市場では、AIを高い水準で扱える人材の層が薄いと社内の採用実務で指摘されることが多く、要件が曖昧なまま採用を進めると、応募は集まってもスキルの中身を確認できず採用後にミスマッチが発覚しやすくなります。技術スキルは高いが業務KPIへの結び付けができない人材を、業務理解を求める職位に配置してしまうケースはこの典型です。
育成を研修だけで終わらせてしまう
研修を実施した時点で育成が完了したと見なし、実案件への投入やフィードバックの仕組みを組まないまま次の職位に進めてしまう進め方は、定着しない知識や実技を評価制度に反映させる結果を招きます。座学や短期講座で評価指標の設計方法を学んだとしても、実際の業務データに触れて判断を繰り返す場がなければ、面接時に確認した技術テストの水準すら維持できません。
この失敗は、研修完了を育成計画のゴールとして設定してしまうことから生じます。パイロット業務への配置やメンターによる継続的なフィードバックを計画に含めず、研修後は現場任せにしてしまうと、知識面は補えても実技面と態度面の定着が確認できないまま評価サイクルに入ってしまいます。結果として、評価シートの技術スキルの軸では高い点数がついても、業務理解や影響度の軸で低い評価が続くというずれが生じやすくなります。
研修設計の段階から実践への橋渡しを具体化できていない企業では、座学の内容と現場業務の対応関係を研修計画書に書き出さず、誰がどの業務でその知識を使うのかを明示していないケースが見られます。こうした整理を欠いたまま研修を実施すると、同じ落とし穴に陥ります。
対策は、研修の計画を立てる段階で、研修後にどのパイロット業務へ配置するか、どの頻度でメンターのフィードバックを受けるかまでを一つの育成計画としてセットで決めておくことです。研修単体を完了条件にせず、実案件での成果指標が確認できた時点を育成計画の完了条件とする運用に切り替えます。
よくある質問

給与水準、リスキリングと新規採用の優先順位、評価制度の見直し頻度について、判断の基準を整理します。
Q1: タイでAI人材を採用する際の給与水準はどう考えればよいか?
BOI(タイ投資委員会)が公開する「Costs of Doing Business」の労働コスト資料に示された職種別月額帯を基準値として使い、そこから候補者ごとに調整する考え方が実務的です。基準値をそのまま提示額にするのではなく、担当するタスクの範囲(予測モデルの構築か、既存ツールの運用補助か)、経験年数、勤務地によって上下に調整します。職位ごとの期待値表でMLエンジニアとリードAIエンジニアを分けている場合は、同じ基準値を使い回さず、職位別に別の月額帯を設定しておくと、採用後の給与交渉で基準が崩れません。
Q2: 既存社員のリスキリングと新規採用どちらを優先すべきか?
必要な能力が社内で補える範囲かどうかで分けます。重要かつ希少な技術スキルは新規採用で確保し、業務理解やガバナンス遵守のように現場の文脈に紐づく能力は既存社員のリスキリングで育てる組み合わせが実務的です。職位ごとの期待値表で「技術」か「業務理解」のどちらが不足しているかを特定してから判断します。
Q3: 評価制度の見直しはどのくらいの頻度で行うべきか?
形式的な評価レビューは年1回を基準にし、日常的なフィードバックをその間に組み込む二層運用が妥当です。英国 CIPD(英国人材開発協会)のパフォーマンス管理に関する指針でも、年1回の形式的レビューだけに頼らず、継続的な対話を重ねる方式への移行が示されています。五つの評価軸のうち、技術スキルのように半期単位で変化が見える軸はパイロット業務の節目ごとに短い確認を入れ、ガバナンス遵守のように制度変更の影響を受けやすい軸はPDPA(タイ個人情報保護法)の運用見直しに合わせて点検します。具体的な頻度は、育成計画のサイクルの長さと職位ごとの重みづけに応じて組織ごとに決める必要があり、技術スキルの比重が高いMLエンジニア層は短い周期で、ガバナンス遵守の比重が高いリードAIエンジニア層は制度変更のタイミングで見直す、という分け方が実務的です。
まとめ

AI人材の採用・育成は、目的と業務範囲を言語化する前提作業から始まり、Step1 でスキルを技術と業務理解に分けて職位ごとの期待値表に落とし込み、Step2 でその表に基づいた採用基準と選考プロセスを設計する流れになります。Step3 では期待値表との差分を教材選定の基準にし、パイロット業務とメンタリングで現場に定着させ、Step4 で評価軸をスキル定義と一対一で紐づけ、評価結果を次の育成計画へ戻すサイクルを回します。この一連の設計が崩れるのは、要件があいまいなまま採用したり、研修実施をゴールにして実践への橋渡しを省いたりする場面であり、職位ごとの期待値表と評価シートを常に照らし合わせることが歯止めになります。
まず取り組むべきは、自社がAI活用で目指す目的を一つずつ書き出し、職位ごとの期待値表の作成に着手することです。
なお、本記事で触れたタイでの採用条件・給与水準・労働条件は社会情勢や制度改正によって変動するため、個別の採用計画を進める際は現地の労務に詳しい専門家や社会保険労務士、現地法律事務所などに最新の内容を確認してください。また、人材データの取得・保管・活用にあたって個人情報保護法(PDPA)への対応が必要となる場合は、具体的な運用方法について法務専門家に相談した上で判断することをおすすめします。本記事の内容は一般的な情報の提供を目的としており、個別の状況における最終判断は専門家への確認を前提としてください。
参考文献
- www.boi.go.th/index.php閲覧日 2026年11月19日
- www.boi.go.th/upload/content/Cost_of_Doing_Business_2026.pdf閲覧日 2026年11月19日
- www.gov.uk/government/publications/senior-civil-service-performance-management/…閲覧日 2026年11月19日
- www.boi.go.th/index.php閲覧日 2026年11月19日
- www.ratchakitcha.soc.go.th/DATA/PDF/2562/A/069/T_0052.PDF閲覧日 2026年11月19日
- www.boi.go.th/en/typical_costs_of_starting_and_operating_a_business閲覧日 2026年11月19日
- www.oecd.org/en/publications/a-skills-first-labour-market_2e1b85f0-en/full-repo…閲覧日 2026年11月19日
- www.doe.go.th/prd/download/download_by_pool_file/137139閲覧日 2026年11月19日
- www.boi.go.th/index.php閲覧日 2026年11月19日
- www.boi.go.th/en/doing_biz_boi閲覧日 2026年11月19日
- www.chisou.go.jp/sousei/pdf/04_r3_guideline-kpi.pdf閲覧日 2026年11月19日
著者・監修者
Yusuke Ishihara
13歳でMSXに触れプログラミングを開始。武蔵大学卒業後、航空会社の基幹システム開発や日本初のWindowsサーバホスティング・VPS基盤構築など、大規模システム開発に従事。 2008年にサイトエンジン株式会社を共同創業。2010年にユニモン株式会社、2025年にエニソン株式会社を設立し、業務システム・自然言語処理・プラットフォーム開発をリード。 現在は生成AI・大規模言語モデル(LLM)を活用したプロダクト開発およびAI・DX推進を手がける。


