なぜ優秀な人材を集めても、チームは機能しないのか

優秀な人材を集めても、チームが期待どおりに機能するとは限らない。人材配置の成果を左右するのは、スキルや経験だけではなく、メンバー同士あるいは上司や部下の「思考」「判断」「行動特性」の組み合わせである。本稿では、人事データと生成AIを使って、相性に起因する摩擦を事前に捉え、配置やチーム運営にどう生かせるかを考える。

はじめに

新規事業の立ち上げや組織再編において、実績やスキルに優れた人材を集めたにもかかわらず、チームが期待どおりに機能しないケースは少なくない。
同時に、多くの企業では管理職の負担増も深刻な課題となっている。プレイヤー業務とマネジメント業務を両立しながら、価値観や働き方が多様化したメンバーと向き合う必要があり、管理職は日々のコミュニケーションに多くの時間とエネルギーを費やしている。
こうした問題の背景には、人材配置を「スキルの足し算」として捉えがちな考え方の限界がある。相性に起因する摩擦を事前に捉え、配置後の補完策まで設計することが、適材適所やチームビルディングを考えるうえでも重要になる。

1. 人材配置はスキルだけでは決まらない

従来の人材配置では、次のような目に見えやすい能力や経験が重視されてきた。

• 専門知識
• 業務経験
• 資格
• 過去の評価

これらは業務遂行に不可欠な要素である。一方で、目に見えやすい能力や経験だけではチームが円滑に機能するとは限らない。
例えば、次のような点がかみ合わなければ、優秀な人材同士であっても確認や修正の手戻りが増え、リーダーはその調整に追われる。

• 指示の受け止め方
• 報告の粒度
• 意思決定のスピード
• フィードバックの受け止め方

つまり、次のように捉えることができる。
スキルは成果を生み出すエンジンであり、相性はチームを円滑に動かす潤滑油である。

2. 「同じタイプ」を集めることが最適とは限らない

相性を考える際、多くのリーダーは「自分と似たタイプ」を集めることに安心感を覚える。
確かに同質性の高いチームは意思疎通が早く、心理的な負荷も小さい。一方で、思考の偏りや見落とし、挑戦が少なくなりがちである。

逆に、異質なメンバー同士は新しい視点を生み得る一方で、その効果は自然に発揮されるものではない。役割設計、心理的安全性、対話の質が不足すれば、むしろコミュニケーションコストや意思決定の遅れにつながる可能性がある。

求められるのは、単なる同質性や異質性ではなく、摩擦をコントロールしながら相互補完が機能する関係性を設計することである。

3. 人材データで「相性」を可視化する

近年、人事部門が扱えるデータの種類は広がっている。
例えば、次のようなデータである。これらはいずれも、人材のスキルだけでは捉えにくい「思考」「判断」「行動」の傾向を把握する手がかりとなる。

• 人事評価
• アセスメントデータ
• 360度評価
• エンゲージメントサーベイ
• パルスサーベイ
• 勤怠データ

ただし、これらのデータは本人の特性を直接示すものではなく、評価者、組織環境、制度運用の影響を受けた観察データである。そのため、単独で結論を出すのではなく、複数のデータと本人、上司それぞれの文脈情報を組み合わせて解釈する必要がある。
これにより、人材を「何ができるか」だけでなく、「どのように働くか」まで含めて捉えやすくなる。

実務上は、業務上のコミュニケーションに大きく影響する特性を、少なくとも次の3つの軸で整理すると捉えやすい。

①思考／認知軸
「概念」「ビジョン」を重視するか、「具体」「事実」を重視するか

②判断／意思決定軸
「論理」「成果」を優先するか、「共感」「納得感」を重視するか

③推進／行動軸
スピードを優先するか、慎重さや手順を重視するか

性格特性は多岐にわたるが、実際の職場で発生するコミュニケーションの摩擦を考えるうえでは、この3軸の違いに着目すると論点を整理しやすい。
なお、この3軸は学術的な性格分類そのものではなく、職場で起きやすい認識のずれを整理するための実務上の補助線である。

重要なのは、「どちらが優れているか」ではなく、「どの程度ギャップがあり、どの場面で摩擦として表れ得るか」である。

4. 生成AIで「配置後に起こり得る摩擦」を仮説化する

従来も、こうしたアセスメントデータを活用する取り組みは存在した。
しかし、その解釈は担当者の経験や力量に依存しやすく、多数の人材の組み合わせを比較、検討することは容易ではなかった。

生成AIの活用により、この状況を変えられる可能性がある。
生成AIは人材配置を自動的に決めるものではないが、複数の配置案に対して起こり得る摩擦や補完策を仮説として提示し、人事やリーダーの判断を支援する役割を担うことが可能だ。

ただし、生成AIの出力は、配置判断そのものではなく、あくまで試算、仮説として扱うべきである。最終的な判断と説明責任は、人事や現場リーダーが担う必要がある。
例えば、次のような特性データがあるとする。

このような特性データを生成AIに入力し、対象となる業務場面を指定することで、特性差がどのような認識のずれや摩擦として表れ得るかを仮説的に整理できる。

このプロンプトに対して、生成AIは例えば次のように、業務場面ごとに想定される摩擦と補完策を整理して提示する。

このような回答をもとに、人事やリーダーは、配置そのものの是非だけでなく、1on1の進め方、会議での問いかけ、PMOによる補完、チーム立ち上げ時の共有事項などを事前に検討できる。
また、生成AIには、摩擦の仮説化だけでなく、複数の配置パターンのたたき台を作成させ、それぞれの「特徴」「リスク」「補完策」を比較させることもできる。例えば、次のようなプロンプトを与える。

このプロンプトに対して、生成AIは例えば次のように、配置案ごとの検討観点、特徴、リスクと補完策を整理して提示する。

このように、生成AIは「相性が良いか悪いか」を判定するものではなく、特性差から生じ得る摩擦を仮説として整理し、配置やチーム運営の補完策を具体化するために活用できる。

5. 配置の目的は「排除」ではなく「処方箋」を用意すること

相性分析の目的は、「相性の悪い人を一緒にしない」ことではない。また、分析結果を人材の固定的な評価やラベリングに使うべきではない。
とりわけ、人材データには過去の評価傾向や組織内のバイアスが含まれる可能性がある。そのため、分析結果を絶対視せず、本人の成長可能性、業務環境、チームの支援体制も含めて総合的に判断する必要がある。相性分析は、人を分類／排除するためではなく、個人が力を発揮しやすい条件を整えるために用いるべきである。

むしろ重要なのは、ギャップがあることを前提に、配置後に生じ得る摩擦を見越して補完策を設計しておくことである。

その補完策は、人材の組み合わせを調整するだけでなく、立ち上げ時の情報共有や日々のコミュニケーション支援として具体化できる。
実務上は、次のような打ち手として展開できる。

• 概念派リーダーと具体派メンバーの間に、要件整理が得意なPMOを配置する
• チーム立ち上げ時に、「伝わりやすい伝え方」「避けたほうがよい表現」を共有する
• 1on1前に、相手の特性に合わせたフィードバックのポイントを生成AIが提示する

リーダーが毎回試行錯誤するのではなく、あらかじめ対応方針を持つことで、現場の負荷を大きく軽減できる。

6. 人材配置は「一度決めたら終わり」ではない

もう一つ重要なのは、最適な人材配置は固定的なものではないという点である。
新規事業やプロジェクトの立ち上げ期には、スピードを重視した意思決定が求められる。一方、運用／改善フェーズでは、慎重なレビューやリスク管理を担う人材が重要になる。
つまり、「良い配置」は、プロジェクトのフェーズや組織の状況によって変化する。
人事データと生成AIを継続的に活用することで、プロジェクトのフェーズや組織の状況に応じて、チーム構成や補完策を見直す人材配置が可能になる。

おわりに

データドリブン人材配置は、人を数字だけで評価したり、機械的に配置したりするための考え方ではない。
一人ひとりの思考や行動の傾向をデータを手がかりに構造的に理解し、その違いを前提にチームを設計することで、管理職のコミュニケーション負荷を軽減し、メンバーのエンゲージメントを高め、本来の強みを発揮しやすい環境をつくるためのアプローチである。

スキルという「エンジン」に、相性データという「潤滑油」、そして生成AIという「ナビゲーション」を組み合わせることで、人材配置は経験や勘に頼るものから、データを活用した、より説明可能な意思決定へと近づいていく。
適切に設計、運用できれば、次のような経営成果に寄与する可能性がある。

• プロジェクト立ち上がり期間の短縮
• 管理職の負荷軽減
• 離職リスクの低減
• チーム生産性の向上

人材配置は、もはや人事だけのテーマではなく、人材マネジメント全体の重要テーマである。
相性に起因する摩擦を可視化し、配置後のリスクを生成AIで仮説的に捉える。こうした新たな配置戦略は、組織の競争力を左右する経営アジェンダとして、今後より重要な意味を持つことになる。

なお、本稿で示した生成AIの活用例は、人材の優劣や適性を機械的に判定するものではない。実際の運用にあたっては、個人情報保護、公平性、説明責任、人間による最終判断を前提とし、各社の制度や規程に即して慎重に設計する必要がある。