シンガポールの金融AI研修、8万人の従業員に拡大へ――ただしスキルだけでは雇用を守れない

シンガポールでは、大手金融機関23社による新たな取り組みのもと、2028年までに現地従業員8万人超がAIの研修を受ける見通しだ。その規模は際立つが、より難しい試練は従業員が研修を終えた後に始まる。銀行、保険会社、資産運用会社は、研修を職務の再設計、実効性のあるキャリアパス、そしてAIを安全に活用する方法へと結び付けなければならない。

この取り組みを主導するのは、IBFとして知られるシンガポール銀行金融協会（Institute of Banking and Finance Singapore）で、新設したAI Workforce Co-Labを通じて進める。参加企業は、IBF認定プログラムを通じて、シンガポールの全従業員に重要なAIスキルを習得させることを約束した。対象となる従業員数は、同国の金融セクター全体の労働力のおよそ40％に相当する。

これは単なるデジタルリテラシー向上キャンペーンではない。シンガポールは、AI導入の加速と価値あるホワイトカラー職の安定との直接的な衝突を管理しようとしている。この構想は、従業員が技術の変化に適応できることを前提とする。しかし、研修だけで雇用主が人員を維持し、職務を適切に再設計し、新たに得たスキルに報いることが保証されるわけではない。

シンガポールの金融AI研修、試行段階から業界全体の取り組みへ

新たな約束により、AIへの備えは一部チームから金融機関23社の現地従業員全体へと広がる。

ガン・キムヨン副首相は2026年9月24日、IBF Distinction Eveningでこの構想を発表した。ガン氏はシンガポールの貿易産業相であり、シンガポール金融管理局（MAS）の議長も務める。

参加組織には銀行、保険会社、資産運用会社が含まれる。各社は2028年末までに、シンガポールの従業員8万人超へ重要なAI研修を提供することを約束した。プログラムは、金融セクター向けの専門基準や研修フレームワークを策定するIBFの認定を受ける。

8万人という数字は、参加機関に所属してシンガポールで働く従業員を指す。プログラムによって新たに8万人のAIエンジニアが生まれるという意味ではない。参加者の大半は、事業、オペレーション、コンプライアンス、リスク、ウェルスマネジメント、顧客サービス、経営の職務に引き続き就くことになる。

この区別は重要だ。金融機関には複数種類のAI能力が求められる。モデルを構築するソフトウェアエンジニアに必要な専門性は、AIが生成した顧客向けブリーフを確認するリレーションシップマネージャーのものとは異なる。自動化ワークフローを監督するオペレーション担当者の責任も、全社導入を承認する経営幹部の責任とは異なる。

AI Workforce Co-Labは、こうした違いを各機関が整理することを支援する狙いだ。AIが職務をどう変えるかを評価し、研修アプローチを検証し、職務再設計の手法を開発する。その知見は、各フレームワークを独自に策定するリソースを持たない機関も含め、より広い金融セクターで共有できる。

これにより、各社の社内プログラムの下に共通の基盤が生まれる。AIの習熟度を曖昧な個人の資質として扱うのではなく、具体的な職務、業務、統制にスキルを結び付けられるようになる。特に金融では、不正確な要約が顧客、融資判断、規制当局への提出書類に影響する可能性があるため、これは重要だ。

この約束は一般的な講座にとどまらない。参加機関には、AI対応職種への再教育パスを整備し、若手人材のパイプラインを強化することも期待されている。したがって研修、配置転換、初級人材の育成は、同じ人材戦略の中に位置付けられている。

当初の人材関連発表によると、ガン氏はAIをより良いキャリアと高い生産性へ転換することが目標だと述べた。この組み合わせは高い基準を掲げる。キャリアの安定性が低下しても生産性は上がり得るため、両方の成果には別々の証拠が必要になる。

シンガポールはすでに、この取り組みを試みるために必要な制度的基盤の多くを整えている。MASがセクターを規制し、IBFは雇用主や研修事業者と連携して専門能力開発を進める。技術変化によって需要が変わる際には、Workforce Singaporeなどの公的機関がキャリア移行を支援できる。

したがって、この約束はオンライン講座の寄せ集めより広範なものだ。自動化が金融業務全体にさらに広がる前に、技術導入、人材計画、労働市場政策を結び付けようとする組織的な試みである。

このタイミングが中心的な緊張を生む。各機関は従業員に今すぐAIを活用してほしいと考える一方、2028年までに多くの金融職がどのような仕事を含むのかを完全に定義できる人はいない。

金融職の再設計が進む前にシンガポールが動く理由

金融機関では、従来の職務記述が追い付けない速さで業務がすでに変化しているため、シンガポールは早期に従業員を研修している。

生成AIは、文書の下書き、調査の要約、社内知識の検索、会議メモの作成、定型的な質問への回答案の提示を行える。複数の連結した手順を計画・実行できるシステムを意味するエージェント型AIは、従来は手作業で調整されていたワークフローへとその範囲を広げる。

金融サービスには、文書、コミュニケーション、方針、構造化データが大量に生まれるため、AIに適した業務が多い。しかし金融では、不注意な自動化に厳しい制約もある。プライバシー、モデルの正確性、説明可能性、サイバーセキュリティ、説明責任のすべてが、ユースケースを本番環境へ移せるかを左右する。

シンガポールの既存アプローチでは、人材育成を3層に分けている。第1層はセクター全体で基本的なAIリテラシーを高める。第2層では、業務が変化する従業員に職務別の研修を提供する。第3層では、技術職や専門職向けにより深い人材パイプラインを構築する。

この枠組みは、新たな8万人規模の約束より前から存在した。MASとIBFはすでに、DBS、OCBC、UOB、Citibank、HSBC、Standard Chartered、UBS、Franklin Templeton、Income Insurance、Manulife、Prudentialを含む11機関と、Generative AI Jobs Transformation Mapに取り組んでいた。

jobs transformation frameworkは、uplift、upskill、upbuildという3つの行動に焦点を当てる。Upliftは幅広い労働力に向けた基礎知識を意味する。Upskillは、職務に影響するツールに従業員を備えさせることを指す。Upbuildは、AI対応セクターに向けた新たな人材の育成を意味する。

Co-Labは、この論理を初期参加グループから、より大きな制度的取り組みへと拡大する。また、職務の境界が安定するのを企業が待てないことも認識している。従来型の研修計画が承認、展開、完了される頃には、対象となるツール自体がすでに変化している可能性がある。

圧力は、特に文書中心の職務で顕著だ。ウェルスマネージャーは顧客向けブリーフのAI生成による初稿を受け取るかもしれない。コンプライアンスアナリストは、アラートを整理するためにシステムを使う可能性がある。オペレーションチームは、以前は複数回の手作業による引き継ぎを必要とした自動プロセスを監督するかもしれない。

これらの例が自動的に従業員を不要にするわけではない。従業員の貢献を、作業の実行からレビュー、例外処理、判断、コミュニケーションへ移す可能性がある。しかし、その転換が価値を生むのは、雇用主がそれに合わせて業務量や評価基準を再設計する場合に限られる。

従来のプロセスを完了しながら、追加のAI出力も確認しなければならない従業員が、必ずしも生産性を得るとは限らない。組織は新たな業務層を加えただけかもしれない。従業員にツールへのプロンプト入力を教えても、この問題は解決しない。

シンガポールには早期に介入する国家的な理由もある。金融は高付加価値雇用の主要な源泉であり、同国は国際金融センターとして競争している。金融機関がAIを効果的に導入できなければ、効率性や投資を失うリスクがある。信頼できる人材計画なしに導入すれば、地元の専門職の信頼を損なうリスクがある。

そのため政府は、二つの資産を同時に守ろうとしている。金融機関の競争力を維持するとともに、そこで生まれる業務モデルに対してシンガポールの労働者が適応し続けられるようにしたい考えだ。両方の目標は原則として相互に支え合うが、コスト削減や再編の局面では乖離し得る。

2026年6月に発表された、より広範な連携は、この野心の規模を示している。IBFとシンガポールの労働運動は、3年間で最大10万人の金融専門職にAI能力を身に付けさせる目標を掲げた。sector training partnershipは、金融ユースケース、職務、MASのガイダンスに結び付いた実践的なプログラムを求めている。

新しい8万人規模の誓約は、より具体的だ。参加機関23社の現地従業員全体が対象で、期限は2028年末に設定されている。これらのプログラムは総じて、シンガポールがAI能力を技術チームに限定した福利厚生ではなく、共有される人材インフラとして扱っていることを示す。

真の勝負は、研修と職務再設計の間にある

主要な争点は、測定可能な研修の約束と、キャリアを空洞化させずに業務を再設計するというより難しい現実との間にある。

研修目標は数えやすい。機関は受講登録、修了、評価スコア、認定証を記録できる。これらの数字は活動を示すが、従業員が有用な権限を得たか、より良い職務へ移ったか、あるいは置き換えを免れたかは示さない。

職務再設計には、標準化しにくい判断が求められる。雇用主は、AIが担うべき業務、人による承認を要する業務、完全に人が担うべき業務を特定しなければならない。また、自動化された推奨が不完全または誤っていた場合に、誰が責任を負うのかを決める必要もある。

この違いはウェルスマネジメントに明確に現れる。AIシステムは市場情報を集め、リレーションシップマネージャー向けに下書きを作成できる。それでもマネージャーは、適合性を確認し、顧客を理解し、弱い論拠に異議を唱え、最終的なコミュニケーションに責任を持つ必要がある。

従業員が信頼できるデータ、十分なレビュー時間、出力を却下する権限を得られるなら、この体制はサービスを改善し得る。生産性目標によって、より少ない精査でより多くの資料を承認するよう従業員に圧力がかかる場合、それは危険になる。

オペレーション職も同様のトレードオフに直面する。自動化が定型的な手順を完了し、従業員は例外や複雑な案件を管理できる。しかし例外対応には、置き換えられる定型業務より幅広い知識と優れた判断が求められることが多い。

雇用主は、短い講座の後にすべての従業員がその移行を果たせると考えることはできない。実践、コーチング、安全なツールへのアクセス、再設計された職務への明確な道筋を提供しなければならない。一部の従業員には、一般的なAIリテラシーではなく、より深い再教育も必要になる。

シンガポールの枠組みはこの違いを認識している。初期報道によると、Co-Labはまずリーダー、ウェルスマネージャー、オペレーション担当者向けのパスウェイから始める。これらのグループは意思決定の連鎖において異なる位置にあるため、同一の研修では価値が限られる。

リーダーは、投資判断、ガバナンス、従業員への影響、説明責任を理解する必要がある。ウェルスマネージャーには、顧客情報や提案にAIを活用するための安全な手法が求められる。オペレーション担当者には、ワークフローの監督、例外事象の調査、自動化が失敗した場面の認識が必要となる。

スキルを軸とした社内人材流動戦略は、こうした能力を新たな職務へと結び付けられる。たとえばOCBCは、シンガポールの従業員のほぼ全員が、AI、デジタル技術、またはデータに関連するプログラムに参加したと述べている。同行はまた、従業員が社内異動に必要なスキルを身につけられるよう、隣接するキャリアパスも整理している。

業界報道によると、DBSはシンガポール拠点の従業員約14,800人に、基礎的なAI能力を身につけさせた。UOBは、技術的な知識と並んで、判断力、批判的思考、コミュニケーション、リーダーシップを重視している。

こうした事例は、地場大手銀行がゼロから始めているわけではないことを示している。Co-Labは、すでに大規模に運用されているプログラムから得られた知見を集約できる。また、コース修了と実際の職務移動の間にある隔たりも明らかにできる。

最も有用な成果は、企業が職務から業務を取り除く前に適用できる一連の移行パスだろう。各パスでは、移行先の職務、必要な能力、監督下での経験、評価方法、利用可能な求人を特定すべきである。

このつながりがなければ、リスクの大半を負うのは従業員だ。企業が既存業務を自動化し、昇進ルートを狭め、新たなポジションに外部の専門家を採用するなかで、従業員だけが研修を修了する可能性がある。

だからこそ、約束と現実の隔たりは、見出しとなる数字以上に重要である。シンガポールは8万人超にコースを提供しても、再設計された職務が生まれなければ目標を達成できない可能性がある。一方で、従業員が実際の異動機会と責任を得られるなら、証明書の数が少なくても意味のある労働力のレジリエンスを実現できる。

ナレッジワーカーは、意思決定の根拠を残すことで、この移行に備えられる。検索可能なAIナレッジベースは、従業員が情報源、生成された草稿、最終判断を比較する助けになる。制度上の統制に取って代わるものではないが、職務が変化する中で追跡可能な働き方を支援できる。

したがってCo-Labの成否は、研修後に労働者が何をできるようになったかで判断すべきだ。修了は出発点であり、成果ではない。

8万人という数字が示していないこと

この発表は幅広い参加目標を掲げているが、研修の深さ、再配置の成果、雇用保護については、まだ明らかにしていない。

「重要なAIスキル」という表現は、幅広い学習内容を含み得る。一方の端では、許容される利用方法、プライバシー、一般的なリスクに関する基礎的な認識を意味するかもしれない。他方では、ワークフローの再設計、モデルのテスト、データ管理、自動化された判断の監督まで含まれる可能性がある。

どちらの水準にも価値はあるが、同じものではない。責任ある利用に関する短時間のモジュールは、不注意な行動を減らせる。しかし、それだけではオペレーションの専門家がエージェント型ワークフローを監督する準備にはならず、リレーションシップマネージャーが生成された提案に異議を唱える助けにもならない。

公開情報では、参加する各職務向けの完全なカリキュラムはまだ示されていない。共通の最低学習時間、普遍的な評価基準、必須の雇用成果も定められていない。

それは、このコミットメントに実質がないことを意味しない。読者は、検証済みの誓約と、測定に時間を要する成果を区別すべきだということだ。

第二の不確実性は、ツールへのアクセスに関わる。従業員は、指導だけで実践的な能力を身につけることはできない。統制されたシステム、実務を反映したタスク、フィードバック、機密情報をさらすことなく試行する権限が必要である。

金融機関は、従業員が機密データを入力したり、裏付けのない出力に依存したりする可能性があるため、消費者向けAIサービスを制限することが多い。企業向けシステムは、アクセス制御、承認済みデータ接続、ログ記録、監視を通じて一部のリスクを抑えられる。しかし、こうした保護策には投資と慎重な実装が必要だ。

一般的な事例で研修を受けた労働者でも、銀行固有のシステムでは苦労する可能性がある。Co-Labは、業界共通の研修と各機関レベルのツールや方針を橋渡しする必要がある。

第三の不確実性は、生産性の測定に関するものだ。企業は自動化による時間削減を見積もることが多いが、時間の節約が自動的により良いキャリアにつながるわけではない。経営陣は生まれた余力をサービスや分析に再投資することも、必要な人員を減らすために使うこともできる。

この取り組みの公的な位置付けは、人を置き換えるのではなくAIが人を支援する「拡張」を支持している。しかし、いかなる研修プログラムも、コスト削減への商業的な圧力をなくすことはできない。各機関は、機能によっては拡張と人員削減の両方を進める可能性がある。

独立した世界的な調査も慎重な見方を支持している。金融サービスにおけるAIを対象とした2026年の調査では、調査対象組織のうち、自社の労働力が高度に準備できていると回答したのはわずか10％だった。世界の金融調査によると、AIによる収益性がプラスだと報告した機関ほど、労働力の準備状況も高いと報告する傾向があった。

この関係は、研修が収益性向上をもたらしたことを証明するものではない。より適切に経営されている機関が、両方の指標で良好な結果を出している可能性もある。それでも、従業員を準備させずに技術を導入しても、価値が十分に実現されないことを示唆している。

同じ調査では、規制当局の専門性不足が特に深刻であることも判明した。監督機関は、監督対象の金融機関が使用するシステムを理解しなければならないため、これは重要である。業界は従業員を迅速に研修できても、新たなリスクを審査する責任を負う公的機関を追い越してしまう可能性がある。

金融にはさらに別の複雑さがある。多くの失敗は、導入後に初めて明らかになる。モデルはテスト中には良好な性能を示しても、通常とは異なる顧客、市場の変化、不完全な記録、敵対的な行動には対応しきれない場合がある。問題が広がる前に特定できるだけの知識を、従業員は備える必要がある。

したがって、最も重要な懐疑的な問いは、労働者が研修を修了できるかどうかではない。研修を受けた労働者に、判断を行使するための十分な時間、権限、キャリア機会を各機関が与えるかどうかである。

シンガポールのより広い労働市場は、この問題に緊急性を加えている。国際通貨基金の分析では、シンガポールの高学歴専門職は、適切な研修を受ければAIから大きな恩恵を得られる可能性があるとされた。同じ労働市場分析は、知識集約型職業に影響への曝露が集中していることも示している。

この組み合わせは、政策が解雇後の離職者だけに焦点を当てられない理由を説明している。早期介入は役立つ可能性があるが、その設計は影響の偏りを反映しなければならない。業務の変化が最も大きい従業員には、一般的な導入研修を受ける同僚よりも深い支援が必要である。

Co-Labは、すべてのコース修了を同等に扱うことを避けるべきだ。透明性のある報告では、基礎リテラシー、職務別のスキル向上、高度なリスキリング、再配置の成功を分けて示せる。そうすれば、労働者と政策立案者は進捗をより明確に把握できる。

シンガポールのアプローチは業界横断の連携によって際立つ

シンガポールは労働力の準備を業界全体で連携するプロジェクトへと変えている。一方、他地域の多くの機関では、AI研修が依然として企業ごとに管理されている。

大手国際銀行は、幅広い社内プログラムを開始している。たとえばLloyds Banking Groupは、利用者、リーダー、開発者、支援担当者といった異なる役割にわたり従業員を研修することを目的としたAIアカデミーを発表した。他の銀行も、企業向けアシスタント、専門センター、ガバナンスプログラムを開発している。

シンガポールのアプローチが異なるのは、規制当局とつながりのある業界団体が、各機関による職務変化の比較や研修慣行の共有を支援しているためだ。この仕組みは重複を減らし、小規模企業にも大手雇用主が蓄積した知見へのアクセスを提供できる。

このモデルはまた、労働力政策を技術ガバナンスに近づける。MASはすでに、リスク管理と責任ある技術利用に関する期待を示している。IBFは、新たに生まれる実務をスキルフレームワークや研修パスへと変換できる。

この連携が有用なのは、金融におけるAI導入がソフトウェアだけの判断ではないからだ。業務統制、データアクセス、顧客コミュニケーション、モデル検証、コンプライアンス、説明責任に影響する。従業員は、自らの役割がそのシステムのどこに位置するのかを理解する必要がある。

Co-Labは、シンガポールが協調上の課題に対処する助けにもなる可能性がある。研修を受けた従業員が競合他社へ移る場合、ある機関はリスキリングへの大規模な投資をためらうかもしれない。共有基準は、認知された能力を持つ労働者のより広い人材プールを作ることで、この懸念を和らげる。

スキルが雇用主をまたいで持ち運べる場合、労働者にとっても利益となる。狭く設計された社内コースは、特定の企業の外では価値が限られるかもしれない。IBFが認定するプログラムは共通のシグナルを提供できるが、その市場価値は評価の質と雇用主の受容に左右される。

業界横断の連携は、競争をなくすものではない。銀行は依然として、技術専門家、顧客との関係、業務上の優位性をめぐって競争する。基礎的なアプローチは共有しても、独自のモデル、データ、ワークフローは保護するだろう。

この仕組みは、より一貫した語彙を支えることもできる。AIリテラシー、スキル向上、リスキリングといった用語は、しばしば曖昧に混ざり合う。共通のフレームワークは、認識と実践的な習熟度、習熟度と別の職務への準備状況を区別できる。

シンガポールは、以前の技術変化の波においても同様の労働力戦略を進めてきた。金融機関はこれまで、専門職転換プログラムを使い、従業員を再訓練して役割を拡張した職務へ移してきた。現在の取り組みは、その労働市場の仕組みを、より速く予測しにくい技術に適用するものだ。

AIは部門横断で認知的な業務に影響を及ぼすため、課題をより難しくしている。従来の自動化は、明確に定義されたプロセスを対象とすることが多かった。生成AIシステムは、執筆、調査、分析、コミュニケーション、意思決定支援に同時に入り込むことができる。

この広がりが、全従業員を対象とするコミットメントを説明している。研修を技術チームに限定すれば、自らの業務に導入されるツールを監督する準備が事業部門の利用者に不足する。また、知識が開発者に集中し、顧客や意思決定に責任を負う従業員から切り離されることにもなる。

ただし、共有された研修基準が画一的な思考を生み出すべきではない。金融機関には、出力に疑問を呈し、文脈を認識し、異例のケースをエスカレーションできる従業員が必要だ。こうした能力は、技術的な知識と同じくらい、業務領域に関する知識に依存する。

目標は無条件の導入ではなく、自信に裏打ちされた懐疑である。労働者は、AIシステムが何を加速できるのか、その根拠はどこから来るのか、いつ結果を却下すべきなのかを知る必要がある。

ここでも、個人のナレッジ管理の実践が重要になる。情報源となる文書、会議記録、意思決定を整理している従業員は、生成された成果物をより効果的に評価できる。金融機関は承認済みのシステムと統制を使わなければならないものの、構造化されたナレッジワークフローは有用な類推を提供する。

シンガポールの連携モデルが影響力を持つのは、測定可能な人材移動とより安全な導入を生み出した場合だ。参加者数だけを報告するなら、他市場がこの実験から学べることははるかに少なくなる。

この誓約がキャリアを守るかどうかを示す3つのシグナル

次の段階は、研修の深度、検証可能な職務移動、そしてAI導入が説明責任を弱めることなく業務を改善している証拠によって評価されるべきだ。

最初の指標は、職種別のキャリアパスが公表されることだ。今後数カ月で、IBFと参加機関は、リーダー、ウェルスマネジャー、オペレーション担当者が何を学ぶべきかを定義する必要がある。優れたパスには、実践的な評価、監督下での利用、再設計された職務との明確なつながりが含まれるだろう。

詳細なパスが示されれば、シンガポールの金融分野におけるAI研修が基本的な認知向上にとどまらないという主張を強められる。反対に、曖昧な講座一覧では説得力を欠く。特に、機関が短時間の入門モジュールを従業員全体の十分な準備として数えるならなおさらだ。

2つ目の指標は、配置転換に関するデータである。機関は、研修後に再設計された職務、隣接する職務、または新設された職務へ移った従業員数を報告すべきだ。定着率、昇進、賃金の伸び、新たな職務に就いた期間は、受講者数の合計より多くを明らかにする。

持続的な社内流動性の証拠は、AIがより良いキャリアを生み出し得るという政府の主張を裏付ける。一方で、高い修了率と並行して人員削減や昇進機会の縮小が起きていれば、約束と雇用の現実が乖離していることを示すだろう。

3つ目の指標は、機関が本番環境での利用をどのように測定するかだ。有用な報告は、研修を受けた従業員を、ガバナンスのあるツール、実際のワークフロー、文書化された人による監督へ結びつけるものになる。また、エラー処理、顧客成果、従業員の業務負荷が改善したかも示すべきである。

生産性の数字だけでは、この問題に決着はつかない。プロセスが高速化しても、見えないレビュー負担を生み出したり、リスクを現場の従業員に移したりする可能性がある。最も有力な証拠は、効率性を正確性、説明責任、従業員に関する成果と組み合わせるものになる。

これらの指標は、2028年の期限よりかなり前に可視化されるべきだ。最終年まで待てば、弱いプログラムを修正したり、想定以上の速さで職務が変化する従業員を支援したりする時間がほとんど残らない。

金融業界の専門職にとって、実務的な対応は、登場するAI製品を片端から追いかけることではない。従業員は、自身の職務のどのタスクが自動化されているのか、どの判断には依然として人間の判断が必要なのか、そして雇用主が再設計された職務を採用する際にどのような証拠を用いるのかを把握すべきだ。

管理職も同じ取り組みを明確に行うべきである。ツールを購入する前にタスクを整理し、導入前に責任範囲を定義し、既存の職務から業務を取り除く前に移行のためのパスを提示できる。この順序が、研修に明確な到達点を与える。

シンガポールは、大規模で信頼できる参加目標を設定し、主要機関をその取り組みに参加させた。国が直面するより困難な課題は、研修を受けた8万人の従業員が、単に自動化についてより詳しい傍観者になるのではなく、金融サービスにおいてより有能な担い手になることを証明することだ。

2028年までに、講座の修了数が答えるのは一つの問いにすぎない。決定的な問いは、シンガポールの金融専門職が、持続性のある職務、より強い判断力、そして自らの仕事を変えるAIシステムに対する実質的な影響力を得たかどうかである。