Agentが行うこと
- 質問を解釈する
- 統制された指標・データを参照する
- SQLを生成・実行する
- Context付き回答と推論経路を提示する
Case概要 / Business Goal
HR分析担当者への都度依頼を減らし、ビジネスリーダーが統制された人材データを自ら探索できる状態をつくる。AgentとHumanの役割分担
Humanに残すこと / Human boundary
- 利用者は回答根拠と解釈を確認し必要に応じて質問を具体化する
- 人事上の最終意思決定はHumanが行う
公開されている実績・効果
公開効果
回答精度 89.26%Q3 2025開始のパイロットで、ユーザー質問サンプルに対する回答精度89.26%を達成したとIBMが報告している
IBM公式情報で公表公開効果
回答時間：日単位 → 分単位初期ユーザーではサマリーレベルの人材データへの回答時間が日単位から分単位へ短縮したと報告されている
IBM公式情報で公表公開効果、運用規模、利用状況、導入前の状況を区別して表示しています。公開情報にない効果量やBefore→Afterは推定していません。
実装メカニズム / Agentの動き
- 自然言語による人材データの質問
- 人材データ
- HR指標定義
- 質問を解釈する
- 統制された指標・データを参照する
- SQLを生成・実行する
- Context付き回答と推論経路を提示する
- watsonx BI
- enterprise lakehouse
- Cognos
- 質問受付
- 意味解釈
- 利用者が人材データへのContext付き回答と参照ロジックを確認できる
HR Agent LabとしてのDesign Insight
HR Agent Labの分析・推論
People Analytics Agentでは自然言語UIより先に、指標定義・対象母集団・フィルタを統制するsemantic layerを設計することが回答品質と説明可能性の前提になる。
Limitations
- パイロット段階であり本番全社展開時の精度・利用率は未確認
Sources / 一次情報
根拠・分析を確認する
公開情報から確認した事実
watsonx BIはHR指標、フィルタ、対象母集団、ビジネスContextを定義したgoverned semantic layerを介して回答する構成とされている。
パイロットで89.26%の回答精度を記録し、初期ユーザーの回答時間を日単位から分単位へ短縮したと報告されている。
Candidate Rule
人材データを自然言語で扱うAgentでは、LLMから生データへ直接アクセスさせず、HR指標・母集団・フィルタ・権限定義を持つ統制レイヤーを介して分析・回答させる。
人事AIエージェントの全体像を確認する
この事例を、生成AI・チャットボットとの違い、向いている業務、Humanとの役割分担、設計・実装の考え方とあわせて整理する場合は、人事AIエージェントとは・設計方法を確認できます。