1．はじめに

1.1　背景

国内の少子高齢化に伴い，IT分野では需要が拡大する一方で人材の供給が追いつかず，人手不足の問題が顕著となっている．経済産業省の試算によれば，国内IT人材は2030年に40～80万人規模の人材不足が生じる可能性が指摘されている[1]．この問題は各企業においても生産力や競争力低下につながることから，高度IT人材の獲得や育成は重要な課題となっている．

このIT人材の不足に対応する1つのアプローチとして，未経験エンジニア人材を採用し育成によってエンジニアとして早期に戦力化する取り組みが挙げられる．未経験者に対する教育は，基本的に現場エンジニアによる研修指導や実務訓練が不可欠である．しかし実務においては，現場エンジニアが教育に割ける工数は限られている上，IT技術の急速な高度化により質の高い教育を安定して提供し続けることが困難となってきている．結果として，教育の効率と質の両立が大きな課題となっている．

近年，教育上の課題を克服する新たな手段としてAI技術の活用が注目されている．実際に教育分野では，学習者の進度や理解度に応じて内容を最適化するAIドリルや，対話型AIを用いたパーソナライズ学習支援など，多様な実践が広がっている[2][3]．しかし，これら活用事例の多くは初等教育や一般的な学習支援を対象としており，企業におけるエンジニア教育に特化した応用はまだ十分に検討されていない．そこで本研究では，上記の先行的知見を踏まえ，エンジニア教育にAIを適用する新たな試みを行い，その適用可能性について検証を行った．

1.2　AI活用学習における課題と対応

AI技術（特に生成AI）は企業活動において広く導入されつつある[4]．（株）ギックス（以降，当社とする）においても業務効率化や情報検索支援の観点から積極的な活用が進められている．現在の主流なAIの利用形態は，質問者の入力した質問に対して解となる情報を直接提示する「直接解答型」のAI活用である．これは業務上の調査や知識獲得を迅速に行える点で有用性が高い．しかし，エンジニアの育成・研修にあたり当AI活用方式を適用する場合，下記のような課題が存在する．

1. 自走力醸成の欠如

   AIが直接的に解答を提示するため，学習者は問題解決プロセスを十分に経験できない．その結果，少し複雑な問題や既存知識の範囲を超えた課題に直面した際に，自力で解決に至ることが困難となってしまう懸念がある．

2. 知識の閉塞化

   AIは学習者の質問内容に閉じた回答を行う．そのため，回答から得られる知見は学習者の質問内容に依存してしまい，知識が局所的・断片的になりやすい．これにより，IT知識の体系的な理解やスケールアップが望まれず，エンジニアとして必要な幅広い応用力を獲得しにくい．

筆者の経験上，実業務において知識を応用するためには，単に「正しい解決策」を知ること以上に，問題を調査し解決方針を自ら立案する「自走力」，およびベース知識の幅となる「知識の広がり」が重要であると考えている（図1）．これらの能力育成にあたっては，直接解答型のAI活用（従来AI活用）は適した利用法ではないと考えられる．

これらの課題に対応するため，本研究ではエンジニア研修において自律的に学習を支援する「自律学習支援型」AI活用の導入を行った．このAI活用は，AIに直接解を提示させず，学習者の質問に応じて「解決するための調査や方針立案のヒント」および「理解を深める問いかけ」を提示するようカスタマイズしたAIを学習時に利用するものである．これは，学習者自身に思考・解決を促すことを目的としており，言い換えれば，従来の「直接解答型」とは異なり，人間指導者によるコーチングに近い役割を担うものとなっている．この自律学習支援型AI活用は，未経験エンジニア育成における教育の効率性を高めると同時に，主体的な学習態度や問題解決力を伸ばす効果があると期待される．

1.3　本研究の目的

本研究の目的は，自律学習支援型AI活用を当社のエンジニア研修[5]に導入し，その教育効果と適用可能性を検証することである．なお本研究では，本AI導入における期待効果として下記4つの観点を設定した．

1. 学習者の主体性・課題解決力の向上
2. 学習者の知識の広がりの促進
3. 教育工数の削減
4. 指導品質の均質化（一貫した学習体験を指す）

これらの期待結果に沿った検証および考察により，本AI活用が未経験エンジニア育成に与える教育効果について検証を行う．

2．検証内容

2.1　AI設計

今回導入した自律学習支援型AIは，OpenAI社のGPTモデル（GPT-5）[6]を基盤とし，同社が提供するCustom GPTsを用いて構築した．

Custom GPTsの作成時に与えるシステムプロンプトは，表1の設計方針に基づいて作成を行った．なお回答に必要な追加の知識ソースとして，当社の研修教材を構造化データ（CSV形式）に整形しCustom GPTsへ組込みを行った．以降，本稿ではこの構成に基づくCustom GPTsを「自律学習支援型AI」（または単に「AI」）と呼ぶ．

2.2　研修におけるAI活用適用範囲

当社のエンジニア研修内容はTerraform・Python・Google Cloud・GitHub・セキュリティ基礎における基礎知識・操作知識の学習項目から成っている．また研修プロセスは，「学習計画」「コンテンツ学習」「習熟度テスト」「レビュー」の順に構成されている．学習者は講師エンジニア（以降，講師とする）のフォローのもと日単位で学習計画を設定し，コンテンツ学習では，当社が指定する公式Webドキュメントや参考書籍の学習を行い，習熟度テストでは，当該コンテンツに対して当社が独自に用意したテスト（論述回答，Pythonコード作成等）を実施する．ここでテスト回答にはWeb検索などの利用は可としている．なお回答されたテスト結果は講師が確認・レビューを行うことで，学習者の習熟度を確認している．また学習者と講師は毎日30分の定例MTGを設け，その場で学習者の不明点解消等の支援を行っている．

本研究では，このプロセスのうち「学習計画」「コンテンツ学習」「習熟度テスト」に自律学習支援型AIを導入した（図2）．学習者はAIを利用し，学習計画の設定や，学習・テスト回答をAIとの対話によって解決し研修を進める．講師はAI活用にて解決できない不明点の回答，および最終的なテスト回答のレビューを担当する．これにより，学習者が一定程度自律的に学習を進めるとともに，講師の教育工数削減および教育品質担保の両立を図った．

2.3　実施条件

検証においては当社新入社員の2名を対象に実施した．学習者それぞれのエンジニア経験歴およびAI導入検証の実施条件を表2に示す．なお検証開始時期の関係上，学習者②は一部のコンテンツ学習にのみAI導入を行った．その他，実施に必要なリソースは，すべて当社内のものを用いた．

2.4　効果測定方法

AI導入効果の主観的評価を把握するため，学習者および講師を対象にアンケート調査を実施し効果測定を行った．アンケート調査は5段階リッカート尺度を用いた設問と自由記述（良かった点・改善点）の回答から構成し，各設問内容は1.3節の４観点に基づいて設計した．また5段階評価は「1：まったく当てはまらない」「2：あまり当てはまらない」「3：どちらとも言えない」「4：やや当てはまる」「5：非常に当てはまる」「-：未回答（評価なし）」より構成している．

3．検証結果

3.1　アンケート結果

学習者・講師向けに行ったアンケート調査の結果を表3に示す．なお学習者②については，コンテンツ学習にのみAIを導入したため，講師への質問や指導に関する評価は行っていない．結果として各回答者の平均評価は3.8〜4.6の範囲にあり，AI活用はおおむね肯定的に受け止められていた．特に「教育工数の削減」は平均4.9と最も高く，問題解決時間の短縮や質問回数の削減にある程度有効であったと評価された．

3.1.1　高評価項目

各質問項目のうち，「学習者が自律的に学習計画を立てられた」「問題の解決時間が短縮できた」「質問回数が減った」においては，いずれも評価5となり，本AI活用が大きな支援となったことが示された．また自由記述では，AIへの質問を通じて既存コンテンツのみでは得られにくい補足的知識を獲得できたことや，AIが質問に対する理解度レベル明示してくれることで理解度を客観的に把握できた点が肯定的に言及されていた．これは1.3節の期待効果②である知識の広がりに関して支援ができた成果と捉えることができる．加えて学習者からはAIの「いつでも質問できる」という特性が，学習過程における心理的安心感や学習意欲の持続に大きく寄与したという意見も挙げられた．

3.1.2　低評価項目

比較的評価が低かった項目（平均4点未満）は「学習者の応用課題への対応力向上に繋がった」「AIと講師の回答品質に差がないと感じた」が該当する．前者の低い理由として，AI利用はすでに解がある個別研修課題には有効であるものの，実務に近いより複数の課題が絡む応用課題には利用し難いという意見が挙げられた．また講師側からは「学習者が疑問に直面した際，学習者は自ら仮説を立てる前にAIへ解決策を求めてしまう傾向にあったため，より複雑な課題に対する応用的な思考力が身につきづらくなる懸念がある」との指摘があり，問題解決力の醸成には一部課題が残ることが示唆された．後者の理由としては，学習者からは講師のプロジェクト経験に基づく具体的なアドバイスの方が，公式ドキュメントベースのAI回答よりも実践的であり分かりやすいという意見が挙げられた．

3.1.3　結果要約

以上の結果から，当社研修におけるAI活用は，学習者の知識の広がり促進（期待効果②）および教育工数の削減（期待効果③）において一定の有効性を示す一方，期待効果①④に含まれる応用的・実務的課題に対応する能力育成，AIと講師の回答品質の差に課題があることが分かった．これらの点については4章においてさらに考察を行う．

3.2　教育・学習工数の削減効果

今回のAI導入により，一定程度教育工数が削減された．本節では教育および学習それぞれの工数削減効果について述べる．

まず教育工数の削減効果としてMTG時間の削減が挙げられる．研修中に予定していた毎日30分のMTGについて，AI導入により週2〜3回程度の実施回数に削減することができた．また講師からは，AI導入により学習者が事前に基礎的な疑問点を解消した上で講師へ質問を行うことから，MTG中の質問対応時間を短縮できたという意見もあった．講師の従来の教育工数としてはMTG時間が半分以上を占めているため，今回の取り組みは講師への負担軽減に直接寄与することができたと考えられる．一方，学習者の工数と関連する研修時間については，従来学習者の研修時間と比較して定量的な改善効果は見られず，学習者の明確な学習工数の削減は確認することができなかった．しかし，実際の研修作業内訳にはAIが追加提示する理解促進のためのオリジナル問題の対応や関連情報の学習が新たに含まれており，事前の研修範囲を超えた内容の理解に一定程度時間が割かれていた．そのため，単純な作業処理速度としては向上が見られなかったが，学習者の主観としては学習効率が大きく高まったと感じられた可能性が考えられる．

4．考察

4.1　アンケート結果の解釈

4.1.1　主体性の促進への効果

期待効果①の項目では「学習者が自律的に学習計画を立てられた」「学習者が自力で調査・方針を考えるようになった」において評価4以上が得られていた．これは自律学習支援型AI活用が，学習者自身に手を動かして試行錯誤するプロセスを残せたことに起因するものと考えられる．また学習者の自由記述回答ではAIを「いつでも伴走してくれる存在」として肯定的に受容しており，必要なときに即座に参照できることが心理的な安心感につながり，学習意欲の維持を後押ししていることが分かった．未経験者にとっては，正解を示されるのではなく「どう調べればよいか」という足場を得ることが，主体性の向上に重要であると考えられる．さらに，AIを用いた学習振り返り活用も主体性向上に寄与していたと考えられる．AI利用ログ調査より，1日全体の学習の振り返りとして達成度や改善ポイント，次回へのアクション等を整理する活用が行われていたほか，問題ごとの振り返りとして理解が浅かった部分の解説に活用していたケースが見られた．これらの活用により学習者自身の課題の発見や成長の記録を振り返るきっかけになっていたと考えられる．

4.1.2　応用力・課題解決力の促進における課題

「学習者の応用課題への対応力向上に繋がった」については他項目と比較し相対的に評価が低かった．この原因の1つとしてAIは特定の問題にフォーカスした回答が中心であり，複数の課題が絡む応用課題に対応しきれていない面があると考えられる．実際に利用ログからも，複数の課題を複合した内容に関する方針ヒントの提案数は少なかった．また応用力を身につけるためには，まずは個別課題ごとの解決スキルを習得する必要があると考えられ，特に経験の浅い学習者ほどAIの個別課題に対する回答を応用力に結びつけることが難しい傾向にあったと示唆される．ここで学習者②は評価4と学習者①と比較しても高い評価となっていた．学習者②のようにすでに十分な経験を有する場合には，AIの回答と既存の知識を結び付けることにより，ある程度応用力の向上に繋げられることが示唆される．これらの結果より，自律学習支援型AIは個別課題の解決力向上については支援効果が見られる一方，応用課題に対する解決力向上の面では，支援効果は学習者のエンジニア経験量に左右されやすい傾向にあると考えられる．

4.1.3　学習者と講師の評価差

各項目において各学習者と各講師の評価に2点以上の差があった項目として，「学習者の応用課題への対応力向上に繋がった」「学習者がコンテンツで扱う技術について体系的に理解できるようになった」が挙げられる．これは学習者がAIの回答が課題解決力向上や体系的知識の習得に有効と感じやすいのに対し，講師はその結果がスキル習得に十分結びついていないと判断していることを反映している．3.1.2項より，AI利用にて学習者自身の思考する機会が減少する懸念から，これら能力向上が不十分となるリスクがあると示唆される．したがって，学習者がAIの回答を受け，どのように自己の仮説形成に接続するかという観点で研修の構成やAI利用方法に注意を払う必要があると考えられる．

4.2　AI代替可能な領域と限界

AI活用学習が有効だった具体例として，学習計画の提示，公式情報の参照誘導，特定問題に対する質問対応といった事例が挙げられる．これらのようなある程度標準化された学習支援は，AIによって十分に対応可能であることが分かった．一方で，応用課題に対する回答や最終レビューなど，複数観点を考慮しなければならない領域においては，依然として講師の役割が不可欠であると考えられる．また今回対象としたエンジニア研修は一般スキルの習得がメインであるが，ドメイン固有の知識に即した判断は本AIでは十分に対応できないことが想定され，その点においても講師による介入が不可欠であると考えられる．よって少なくとも現時点では，本AIを講師の完全代替として運用するのではなく，講師によるフォローを組み合わせて運用し，学習者を育成することが望ましいと考えられる．

4.3　本AI活用の課題点と今後の展望

3.1.3項にて述べたとおり，本AI活用においては（1）応用的・実務的課題に対応する能力育成，（2）AIと講師の回答品質の差に課題があることが分かった．本節では，これら2点おける今後の改善案について考察する．

まず，応用的・実務的課題に対応する能力育成に関する点である．この課題要因の1つとして，4.1.3項にて述べたように，AI活用により学習者の問題に対する思考機会が減少する懸念が指摘されていた．この点を克服する方法として，研修設計において「AIを活用して解く問題」と「AIを用いずに解く問題」を用意することが考えられる．特に未経験者は課題の進め方そのものに戸惑うケースが多いため，まずAIを活用して基礎的な問題解決の流れを習得した上で，類似の問題に独力で挑戦させることで応用力を育成することができると考えられる．これにより，AIを活用した効率的学習と，自律的思考力の向上を両立させることが期待される．

次に，AIと講師の回答品質の差に関する点である．3.1.2項で述べたとおり，講師のアドバイスは，AIの回答よりも実務的であり，学習者の納得度が高いことが指摘されていた．この課題に対しては，AIに対し実際のプロジェクト事例や固有のユースケースを新たな知識ソースとして追加し，回答内容の実践性を高めることが有効であると考えられる．これにより，一定程度AIと講師における回答品質の均質化を図ることができると考えられる．

5．おわりに

本研究では，未経験エンジニアを対象としたエンジニア研修に自律学習支援型AIを導入し，その教育効果と適用可能性を検証した．結果として，基礎学習段階における教育効率化と知識の広がり，学習者の主体性促進には有効である一方，応用力の向上に関しては依然として講師の存在が不可欠であることが分かった．また，AIと講師の回答品質の差が見られ，今後はプロジェクト事例を知識ソースとして組み込むなどしてAI品質改善の余地があると示唆された．なお本研究は対象者数がごく少数に限られており，得られた結果の統計的な一般化には限界がある．今後は対象者を拡大し同様の検証を行うことで，本AI活用による教育効果をより明らかにすることできると考えられる．

本稿作成にあたり，（株）ギックスの皆様には検証へのご協力，ならびに多くの貴重な助言を賜りました．ここに深く感謝の意を表します．