AIコーチングは人間のコーチの代わりになりますか？

結論

現時点で「代われる」と言えるだけの根拠はありません。 ただし「代われない」と断定できる根拠もありません。正確に言えば、職場のコーチングでAIと人間を比較した質の高い統合研究が、まだ存在しないという状態です。引き合いに出されるメタ分析は教育領域のもので、AIと人間のフィードバックの間に学習成果の有意差は認められませんでした。実務的な結論は、代替ではなく補助として位置づけ、効果の検証と倫理的な点検を並行させることになります。

なぜそう言えるのか

比較の出発点になるのは Kaliisa et al. (2025) です。同研究は41研究・4,813名を統合し、AIが生成したフィードバックと人間によるフィードバックとで学習成果に有意差は見られなかったと報告しました（g = 0.25, 95%CI −0.11〜0.60）。信頼区間がゼロをまたいでいる点が要点です。しかしこれを「AIは人間と同等」と読むのは早計です。異質性が I² = 95% と極端に高く、研究間のばらつきが大きいため平均値が代表性を持ちにくいこと、そして対象が教育領域であり職場のコーチングではないことの2点があるためです。扱う課題も関係性の期間も目標の性質も異なります。

一方、人間によるコーチングには蓄積があります。de Haan et al. (2023) はRCTのみ37研究・n = 2,528 を統合し g = 0.59 を報告しました。ただし同研究は有意な出版バイアスを検出しており、自己報告による効果が他者観察より大きいことも示しています。比較の基準となる「人間のコーチング」の効果量自体、慎重に扱う必要のある数字だということです。

例外・注意点

第一に、評価指標の選び方です。導入効果を利用者満足度だけで測れば、ほぼ確実に良い数字が出ます。自己報告は最もバイアスを受けやすい指標なので、行動指標や他者観察を併せて設計してください。

第二に、公正性とバイアスです。Landers & Behrend (2023) は、公正性には主観的知覚・法と倫理・技術的定義という3つのレンズがあり、それらが一致しないことを論じ、「心理学的監査」という枠組みを提案しました。精度の話だけでなく、誰にとっての公正かを分けて検討する必要があります。

第三に、評価や処遇に関わる用途では慎重さの水準が上がります。Tippins et al. (2021) はAI選抜ツールについて、①妥当性エビデンスの不足と不透明性、②訓練データの歴史的バイアスの再生産、③ブラックボックス性、④法的防御可能性、⑤候補者のプライバシーと受容性という5つの懸念を挙げました。コーチング記録が人事評価に流用される設計なら、同じ懸念が当てはまります。

第四に、心理的な不調への対応はコーチングの範囲外であり、AIツールの範囲外でもあります。危機的な内容が入力される可能性を前提に、産業医や専門の相談窓口へつなぐ導線を用意してください。対話がどこに保存され誰が閲覧しうるかも、利用者に明示する必要があります。

関連して知っておきたいこと

コーチングのメタ分析では、360度フィードバックを併用すると効果量がむしろ小さくなったことが報告されています（Jones et al., 2016）。組み合わせれば強くなるという前提が成り立たない例です。AIと人間の併用も、同じ慎重さで検証する必要があります。

今日からできる小さな一歩として、AIを試すならまず目標の言語化や振り返りの整理といった負荷の低い用途に限定し、評価・処遇からは切り離して運用してみてください。より詳しくは AI×コンサルティング心理学 を参照してください。