製造業 AI研修の選び方｜現場定着するカリキュラム設計
製造業 AI研修を比較するとき、受講人数や講義時間だけで提案を並べても、現場で使われる研修かどうかは判断できません。タイ・ASEANの工場では、生産、品質、保全、調達、管理部門で扱うデータも承認経路も異なります。必要なのは、全員向けの基礎教育、職種別の実習、社内チャンピオン育成、管理者向けガバナンスを一つの運用として設計し、30日・60日・90日の業務証跡で定着を確認することです。本稿では、企業向け生成AI研修を発注する際に、RFPへ入れるべき要件、カリキュラム、費用の計画式、評価方法を実務目線で整理します。
製造業 AI研修で先に決めるべき「研修後の状態」
研修の目的を「AIを理解する」「プロンプトを書けるようにする」と置くと、修了直後の満足度は測れても、工場の成果には結び付きにくくなります。調達前に定義したいのは、研修終了後に誰が、どの業務で、どの条件ならAIを使い、どこから先は人へエスカレーションするかです。
たとえば生産管理担当者が週次実績のコメント案を生成する場合、入力してよい情報、参照すべき正本、出力を確認する責任者、誤りを見つけたときの訂正方法までが業務設計です。品質担当者が不具合記録を要約する場合は、要約が原因判定を代替しないこと、製品・顧客情報をどう匿名化するか、元記録との照合を誰が行うかを決めます。保全担当者が点検記録から類似事象を探すなら、AIの候補を保全判断そのものと混同しない承認ゲートが必要です。
したがって、RFPの冒頭には「講義の実施」ではなく、次の到達状態を明記します。
- 対象職種ごとに、許可されたユースケースと禁止された使い方が説明できる
- 実データをそのまま持ち出さず、匿名化・マスキング・サンプル化して演習できる
- AIの出力を根拠資料と照合し、未確認事項を明示できる
- 誤出力、機密入力、想定外利用を発見したときの報告経路が分かる
- 管理者がユースケースを承認し、KPIと監査証跡を確認できる
- 研修後90日までに、管理された実務利用の証拠が残る
この定義があれば、ベンダー比較の中心を「有名な講師が来るか」から「工場の業務へ安全に移行できるか」へ変えられます。
出席率とプロンプト数を主要KPIにしない
出席率、修了テスト、作成したプロンプト数は、運営状況を知る補助指標としては有用です。しかし、プロンプトが多いことは、業務成果や安全な利用を意味しません。むしろ、同じ作業を各人がばらばらの指示文で行えば、品質のばらつきや管理不能を招くことがあります。
主要KPIには、承認済みユースケースの利用率、確認手順の遵守率、手戻りの変化、承認者が確認した証跡、インシデントと是正の記録を置きます。時間短縮を測る場合も、AI操作時間だけでなく、入力準備、検証、修正、承認を含む総作業時間で比較します。効率が上がっても誤りや再作業が増えたなら、定着成功とは評価できません。
なぜ企業向け生成AI研修を「4層」で設計するのか
製造業では、全員が同じ深さでAIを学ぶ必要はありません。一方、利用者だけを教育して管理者やシステム担当者を外すと、承認や事故対応が空白になります。そこで、受講者を四つの層に分け、責任のつながりを作ります。
| 層 | 主な対象 | 学ぶ内容 | 研修後の成果物 |
|---|---|---|---|
| 1. 全従業員 | AIを利用する可能性がある社員 | 基礎、許可・禁止データ、検証、エスカレーション | 理解確認、利用ルールへの同意、相談先の確認 |
| 2. 職種別ユーザー | 生産、品質、保全、調達、管理 | 職種別ワークフロー、入力準備、検証、承認 | サニタイズ済み演習、標準作業案、評価記録 |
| 3. チャンピオン／構築担当 | 各部門の推進者、IT、改善担当 | ワークフロー設計、評価セット、変更管理、事故対応 | ユースケース台帳、評価セット、改訂履歴 |
| 4. 管理者／ガバナンス | 工場長、部門長、IT・法務・情報管理 | 承認基準、リスク所有、KPI、監査証跡 | 承認記録、リスク受容、レビュー会議体 |
第1層：全従業員向けAIリテラシー
全員向け研修は、機能紹介を詰め込む場ではありません。自社で許可されたツール、入力してよい情報、禁止情報、出力の検証責任、問題時の連絡先を、短くても曖昧さなく伝えます。個人アカウントの利用、顧客図面、未公開の原価、個人情報、認証情報など、工場で起こり得る具体例を扱うと、抽象的な注意書きより判断しやすくなります。
欧州委員会のAIリテラシーQ&Aは、EU AI Act第4条について、AIシステムの提供者・導入者が、その運用に関わるスタッフ等のAIリテラシーを支援する必要があると説明しています。一律の単一コースや、全員が一定能力に達する保証を求めるものではなく、文脈、知識、経験、教育、訓練を考慮する考え方です。適用は2025年2月2日に始まり、執行に関する規定は2026年8月3日から適用されます。ただし、これはタイ国内だけで事業を行う企業へ自動的に適用されるという意味ではありません。EUとの取引や適用可能性は、個別に法務確認が必要です。
この考え方から調達で学べるのは、法令名を唱えるだけでは足りず、自社の役割・利用環境に合わせた教育記録が必要だということです。
第2層：職種別の現場 AI活用 教育
職種別研修では、汎用的なプロンプト例ではなく、日常業務の入口から出口までを演習します。
- 生産：日報の要約、計画差異コメントの下書き、引継ぎ事項の整理
- 品質：不具合記述の分類補助、8D報告の論点整理、監査質問の準備
- 保全：点検記録の要約、類似事象検索、作業手順の読みやすさ改善
- 調達：仕様比較表の下書き、見積条件の抜け確認、サプライヤー照会文案
- 管理：多言語メールの草案、会議記録の整理、社内規程の検索補助
どの演習でも、「AIに任せる工程」「人が確認する工程」「AIを使ってはいけない工程」を色分けします。実データを使う場合は事前に承認し、顧客名、品番、個人情報、機密条件などを削除または置換します。安全に扱えるサンプルが用意できなければ、合成データで業務構造を再現します。
導入テーマを研修と並行して選ぶ場合は、AI PoCの費用と成功基準ガイドも参照し、実証範囲と本番展開を混同しないようにします。海外拠点へ共通ルールを展開する場合は、海外子会社の生成AI導入ガイドで、言語・権限・ガバナンスの論点を確認できます。
第3層：チャンピオンと構築担当者
チャンピオンは「AIに詳しい人」だけでは務まりません。業務の正本、承認者、失敗時の影響を理解し、現場とIT・管理部門をつなぐ役割です。研修では、代表的な入力と期待出力をまとめた評価セット、許容できない誤り、変更前後の比較、版管理、インシデント対応を扱います。
たとえば品質報告の草案生成なら、表現の自然さだけでなく、製品番号を取り違えないか、未確認の原因を断定しないか、元記録にない数値を作らないかを評価項目にします。モデルやシステム設定を変更した際は、同じ評価セットで再確認します。これにより、個人の「以前より良くなった気がする」ではなく、組織として変更を判断できます。
第4層：管理者とガバナンス担当
管理者向け研修では、細かな操作方法より、ユースケースの承認とリスク所有を扱います。承認時には、業務目的、利用者、対象データ、ツール、想定利益、誤りの影響、人による確認、停止条件、責任者を確認します。高い影響を持つ判断や、安全・品質に直接関わる処理は、生成AIの草案をそのまま確定情報として使わない設計にします。
NIST AI RMFは任意の枠組みであり、Govern、Map、Measure、Manageの四つの機能を中心にAIリスク管理を整理しています。NISTのGenerative AI Profileは、生成AIに関する横断的リスクを扱い、ガバナンス、コンテンツ来歴、導入前テスト、インシデント対応を研修へ組み込む根拠になります。Playbookも任意の参考情報であり、完全な義務チェックリストとして扱うべきではありません。
AI研修 カリキュラムをRFPに落とす方法
ベンダーへ「初心者向けと実践編をお願いします」と依頼するだけでは、提案の粒度がそろいません。比較可能にするため、RFPでは受講者、成果物、演習環境、評価、研修後支援を明記します。
1. 事前診断：職種とリスクを同時に見る
事前アンケートではAI経験だけでなく、対象業務、利用データ、繁忙時間、承認者、使用言語、端末制約を確認します。面談対象には、経営者だけでなく、生産・品質・保全の実務者、IT、情報管理を含めます。現場の制約を知らずにカリキュラムを確定すると、研修でできたことが職場で再現できません。
診断の納品物として、次を要求します。
- 対象者マップと役割別の到達目標
- 候補ユースケース一覧と優先順位
- データ分類と演習に使える範囲
- 言語・シフト・端末条件
- ベースラインKPIと測定方法
2. 基礎モジュール：便利さと限界を同時に教える
基礎では、生成AIがもっともらしい誤りを出す可能性、入力文脈に結果が依存すること、参照元が無い回答を確定情報として使えないことを、実例で確認します。著作権、個人情報、営業秘密、顧客契約などの扱いは、自社規程と利用ツールの条件に合わせます。研修ベンダーが一般論だけを説明し、社内規程との接続を依頼者側へ丸投げする提案は注意が必要です。
タイのETDAが公開する組織向けGenerative AI Governance Guidelineは、生成AIの理解、利点と限界、リスク、適用上の考え方、ガバナンスを扱っています。ETDAの2026年の方向性では、ガバナンス・ツールキット、テスト、リスクスキャン、レッドチーミングなどが強調されていますが、これをそのまま拘束力のある法律として表現してはいけません。研修では「法令」「公的ガイド」「社内ルール」を区別して示します。
3. 職種別実習：サニタイズした実務で往復する
演習は、講師のデモをまねるだけで終わらせません。受講者が入力を準備し、出力を検証し、誤りを訂正し、承認者へ渡せる形に整えるまでを一巡させます。良い演習課題には、わざと曖昧な記録、欠損値、矛盾する情報を含めます。AIの出力を信じる訓練ではなく、確認して使う訓練にするためです。
| 職種 | 演習入力 | AIの役割 | 人の確認 | 残す証跡 |
|---|---|---|---|---|
| 生産 | 匿名化した日報 | 差異要因の整理案 | 実績値・停止理由・優先順位 | 元データ、草案、確定版、承認者 |
| 品質 | サンプル不具合記録 | 分類・報告構成の補助 | 原因断定、規格、顧客要求 | 評価表、修正履歴、根拠リンク |
| 保全 | 合成点検履歴 | 類似事象と確認項目の候補 | 安全判断、手順、停止条件 | 採否、確認者、更新日 |
| 調達 | マスキング済み仕様 | 比較表・質問案 | 条件、通貨、納期、契約解釈 | 比較元、修正、承認 |
| 管理 | 非機密会議メモ | 要点とアクション草案 | 担当、期限、意思決定 | 原文、確定記録、配布先 |
4. 評価モジュール：正解率だけで終わらせない
評価は、知識テスト、演習品質、職場での実行の三段階に分けます。知識テストはルール理解を確認し、演習では正確性、根拠確認、機密保護、エスカレーションを採点します。職場では、承認済みユースケースの実行証跡を見ます。
評価基準の例は以下です。
- 正確性：元資料に反する記述や、存在しない数値がない
- 完全性：重要な欠落を明示し、不明点を勝手に補わない
- 追跡可能性：元資料、入力、出力、修正、承認が結び付く
- 安全性：禁止データを使わず、所定環境で処理する
- 判断：AIを使わない方がよい場面を識別できる
- 運用性：次の担当者が同じ手順で再現できる
合否を一回で固定するより、未達項目に対する再演習と、業務変更時の再確認を組み込みます。
5. Train-the-Trainer：社内展開を持続させる
多拠点企業では、外部講師が毎回全員へ教える方式だけでは更新が遅くなります。12名のチャンピオンを育成する計画なら、講師用ガイド、演習用データ、採点基準、よくある質問、改訂方法を納品物に含めます。候補者には、説明力だけでなく、ルール違反を止める権限と相談先へのアクセスが必要です。
ETDAのAI Governance Train-the-Trainerの取り組みは、ガバナンス原則を実践へ翻訳し、内部講師モデルで広げる考え方の参考になります。ただし、社内トレーナーが法務や情報セキュリティの専門判断まで代替するわけではありません。判断境界を明確にし、必要時に専門部署へつなぎます。
30・60・90日で測る現場定着のロードマップ
研修当日のアンケートで終わらせず、職場での証拠を三つの時点で確認します。期間は一律の正解ではなく、工場のシフトや承認速度に合わせて調整しますが、提案比較では同じ観測点を置くと評価しやすくなります。
30日：安全に試せる状態を作る
最初の30日では、各部門が一つか二つの低リスク業務を選び、責任者、入力データ、確認方法、停止条件を登録します。チャンピオンが初回実行を支援し、問題を記録します。この段階の目的は、派手な効果ではなく、承認された環境で手順どおりに試せることです。
確認する証跡は、ユースケース申請、承認、サニタイズ済み入力、AI出力、人の修正、最終成果物です。個人が非公式に使った便利事例を成功数へ含めると、統制外利用を奨励してしまうため分けて扱います。
60日：品質と再現性を確認する
60日では、同じ業務を複数回実行し、担当者や言語が変わっても品質が保てるかを確認します。入力条件が違うケースを評価セットへ追加し、失敗パターンを教材へ戻します。チャンピオンが受講者の質問に答えられない場合は、ベンダーや管理部門へ上げる経路が働いたかも見ます。
時間短縮を測定するときは、次の式を使います。
1件当たり総作業時間 = 入力準備 + AI操作 + 出力検証 + 修正 + 承認
導入前の総作業時間と、導入後の総作業時間を同種の案件で比較します。品質の違う案件を混ぜたり、検証時間を除外したりしないことが重要です。
90日：継続・改善・停止を判断する
90日では、利用率だけでなく、成果、リスク、運用負担を合わせて判断します。期待した効果が出ない場合、研修不足なのか、ユースケース選定が不適切なのか、データやシステム接続が不足しているのかを切り分けます。全テーマを拡大する必要はありません。継続、修正、停止の三つを明示できることが健全な運用です。
| 観測時点 | 主な確認 | 証拠 | 判断例 |
|---|---|---|---|
| 30日 | ルールどおり試せたか | 承認・入力・出力・修正 | 続行／安全対策を修正 |
| 60日 | 品質と再現性があるか | 評価セット、総作業時間、質問記録 | 標準化／追加演習 |
| 90日 | 業務価値と統制が両立したか | KPI、事故、監査証跡、管理者レビュー | 拡大／改善／停止 |
製造業 AI研修の費用を比較する計画シナリオ
AI研修の費用に普遍的な市場標準はありません。対象人数、言語、拠点、演習環境、業務分析、フォロー支援で構成が変わります。以下はTOMAS TECHの公表価格でも市場平均でもなく、RFPの見積項目をそろえるための置換可能な計画シナリオです。
想定は「受講者60名、4コホート、社内チャンピオン12名」です。各社へ同じ前提を提示し、単価と工数を記入してもらいます。
| 費用項目 | 計画変数 | 計算式 | 確認ポイント |
|---|---|---|---|
| 講師費 | 研修日数D、日額I | D × I | 準備・移動・再実施を含むか |
| ローカライズ | 言語数L、1言語費T | L × T | 翻訳だけか、現地事例・レビューを含むか |
| サンドボックス | 初期費S、人数単価P、60名 | S + P × 60 | アカウント、ログ、データ削除、期間 |
| 受講者の業務時間 | 受講時間H、社内時間原価W、60名 | H × W × 60 | シフト交代・残業影響を含めるか |
| チャンピオン育成 | 追加時間C、時間原価Wc、12名 | C × Wc × 12 | 教材作成・模擬講義・認定を含むか |
| フォローコーチング | 回数F、1回費K | F × K | 質問上限、応答時間、対象言語 |
| 証跡レビュー | レビュー件数R、1件費E | R × E | 30/60/90日レビューの範囲 |
総計画費は次の式で置けます。
総計画費 = (D×I) + (L×T) + (S+P×60) + (H×W×60) + (C×Wc×12) + (F×K) + (R×E)
さらに、稼働影響を比較するため「一人当たり費用」だけでなく、「承認済みユースケース1件当たり費用」「90日で証跡が確認できた利用者1人当たり費用」も算出します。
証跡確認済み利用者1人当たり費用 = 総計画費 ÷ 90日時点で要件を満たした利用者数
分母が受講者60名ではない点が重要です。出席しただけの人を成果へ含めず、定義した証跡を満たした人数で評価します。金額の比較時は、税、旅費、通訳、ツール利用料、データ準備、管理者のレビュー工数が含まれるかも確認します。
安い提案が高くなる典型パターン
講義費だけが安くても、業務分析、教材の言語対応、演習環境、フォローが別料金なら総費用は増えます。逆に、すべて込みの提案でも、何を何回行うかが不明なら比較できません。見積書の各行を上記の変数へ対応させ、含まれない項目をゼロではなく「依頼者側負担」として記録します。
受講者の業務時間も無償ではありません。繁忙期に長時間の集合研修を置けば、生産影響や残業が発生する可能性があります。短時間の事前学習、シフト別実習、職場での小さな課題を組み合わせ、総学習時間と運用負担の両方を評価します。
多言語・多拠点の生成AI研修 企業要件
タイ・ASEANの工場では、日本人管理者、タイ人スタッフ、周辺国出身者が同じ業務に関わることがあります。英語資料を各自で読む方式だけでは、禁止事項やエスカレーションの理解差が残ります。翻訳の有無ではなく、判断が同じになる設計が必要です。
翻訳ではなく「業務ローカライズ」を評価する
ベンダーには、用語集、役割名、社内規程名、エラー報告の窓口を各言語で統一する方法を求めます。演習例も、現地の帳票、日付・数値表記、職位、承認経路に合わせます。ただし、言語ごとにルールの意味が変わってはいけません。原文の管理言語を決め、各言語版の版番号と承認者を残します。
多言語AIチャットボットを教育対象に含める場合は、タイにおける多言語AIチャットボット導入ガイドも参考になります。チャットボットの応答品質と、社員がAIを適切に使う能力は別の評価対象です。
タイの人材戦略と批判的思考
OECD Skills Strategy Thailand 2025は、技術スキルだけでなく、認知、社会情動、メタ認知、批判的思考の重要性や、生涯学習へのアクセスを論じています。製造業のAI研修でも、操作の速さだけを競わせず、出力へ疑問を持ち、根拠を確認し、同僚と判断を共有する力を含める必要があります。
Thailand National AI Strategy 2022–2027は、人材能力とAIエコシステムを柱に含み、AI法・倫理への広い認知などを政策目標として掲げています。目標値は達成実績と混同せず、企業の研修目標も国の目標をそのまま自社の成果として扱わないようにします。
WEFのFuture of Jobs Report 2025では、調査回答の63%がスキルギャップを事業変革の主要障壁とし、2030年までに100人中59人が訓練を必要とすると見込まれ、雇用主の77%がAI関連のアップスキリングを計画していると報告されています。これは国際調査であり、タイ固有の比率ではありません。数字を不安喚起に使うより、自社の職種別ギャップを診断する出発点として捉えるべきです。
ベンダー比較表に入れる12の質問
- 研修後90日で、どの業務証跡を成果として確認しますか。
- 生産、品質、保全、調達、管理の職種別演習をどう設計しますか。
- 実データをサニタイズする責任分担と承認手順は何ですか。
- 利用するAI環境で、入力・ログ・保持・削除をどう管理しますか。
- 出力の誤り、根拠不足、機密入力をどの基準で採点しますか。
- 受講者、チャンピオン、管理者の教材はどう分かれますか。
- タイ語、英語、日本語、ベトナム語間で規程の意味をどう一致させますか。
- 研修後の質問、教材改訂、モデル変更へ何日で対応しますか。
- 30/60/90日のレビューに含まれる作業と納品物は何ですか。
- 見積に含まれない社内工数、ツール料、旅費、通訳は何ですか。
- インシデント発生時の報告、停止、再開の演習を行いますか。
- 契約終了後に教材、評価セット、証跡へアクセスできますか。
回答は「対応可能」のチェックだけでなく、サンプル成果物、担当者、前提条件、除外事項で比較します。機密性のある他社資料を求めるのではなく、自社向けに作成予定のひな型や匿名化例を提示してもらいます。
導入時に避けたい失敗
単発セミナーを定着と呼ぶ
一度の受講で認知は上がっても、現場の承認やデータ準備が変わらなければ利用は続きません。研修、職場課題、管理者レビューを一つの契約成果へ含めます。
実データを早く使い過ぎる
臨場感を求めて、ルールや環境が整う前に実データを持ち込むのは危険です。合成データ、匿名化データ、承認済みデータの順に進め、ログと削除条件も確認します。
効果だけを測り、事故の兆候を測らない
時間短縮や利用率だけでは、誤出力、未承認利用、機密入力、過度な依存を見落とします。インシデント件数は少ないほど良いとは限りません。報告文化が無い組織では、ゼロ件が単なる未発見の可能性もあります。報告後の初動時間、是正完了、再発防止を合わせて見ます。
管理者を最後に教育する
管理者が承認基準を知らないまま現場だけが研修を受けると、「禁止」か「自由利用」の両極端になりがちです。管理者向け説明を先行または並行し、現場の演習結果を承認会議へつなげます。
研修教材を更新しない
AIモデル、社内ツール、法令・ガイド、業務フローは変化します。教材に所有者、版番号、見直し日、変更理由を持たせます。NIST AI RMF 1.0も改訂作業中であるため、外部枠組みを固定的な永続ルールとして埋め込まず、参照時点を明記します。
まとめ：製造業 AI研修は業務運用として発注する
製造業 AI研修の比較軸は、講義時間やプロンプト集の量ではありません。全員、職種別ユーザー、チャンピオン、管理者の4層をつなぎ、許可データ、検証、承認、事故対応を実務演習へ落とし、30・60・90日の証跡で継続判断できることが重要です。費用は市場相場として決めず、講師、ローカライズ、環境、受講工数、チャンピオン育成、フォロー、証跡レビューを同じ計画式へ入れて比較します。
タイ・ASEAN拠点の職種、言語、シフト、データ制約に合わせたAI研修カリキュラムやRFP評価表を検討している段階でも、TOMAS TECHへご相談ください。対象業務の切り分けから、管理された実習と90日評価の組み立てまで、現状に合わせて整理できます。
FAQ：製造業 AI研修の調達でよくある質問
製造業 AI研修の費用はいくらですか？
普遍的な市場標準価格はありません。人数、コホート数、言語、実習環境、事前診断、フォロー範囲で変わります。本稿の60名・4コホート・チャンピオン12名は計画シナリオであり、公表価格や平均ではありません。各社へ同じ変数を渡し、講師費＋ローカライズ＋サンドボックス＋受講工数＋チャンピオン育成＋コーチング＋証跡レビューで比較してください。
AI研修 カリキュラムには何を含めるべきですか？
全員向けの基礎とデータルール、職種別ワークフロー、チャンピオン向け評価・変更管理、管理者向け承認・KPIを含めます。操作方法だけでなく、出力検証、エスカレーション、インシデント対応、研修後の職場課題までを一体化します。
研修期間はどのくらい必要ですか？
一律の正解はありません。集合研修の時間より、事前診断から90日レビューまでの運用期間を設計することが重要です。シフト勤務では、短い共通学習、職種別の少人数実習、職場課題、フォロー会を組み合わせると参加負担を調整できます。
AI研修の効果はどう測定しますか？
出席率だけでなく、承認済みユースケースの実行、検証手順の遵守、総作業時間、品質、手戻り、インシデントと是正、管理者の承認証跡を測ります。30日で安全な試行、60日で再現性、90日で価値と統制の両立を確認します。
研修中のデータ漏えいをどう防ぎますか？
許可ツールと禁止データを先に定め、合成またはサニタイズ済みデータを使います。アカウント権限、ログ、保存期間、削除、外部共有を確認し、誤入力時の報告・停止手順も演習します。実データ利用は、責任者の承認と必要最小限の範囲に限定します。
日本語・英語・タイ語・ベトナム語で同じ研修を提供できますか？
資料翻訳だけでは不十分です。共通の管理原文、用語集、版管理、各言語のレビュー担当を置き、現地の帳票と承認経路に合わせて演習をローカライズします。全言語で許可・禁止・エスカレーションの意味が一致しているかを確認します。
参考資料・出典
- European Commission, AI Literacy Q&A: https://digital-strategy.ec.europa.eu/en/faqs/ai-literacy-questions-answers
- NIST, AI Risk Management Framework: https://www.nist.gov/itl/ai-risk-management-framework
- NIST, Generative AI Profile (NIST AI 600-1): https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf
- NIST, AI RMF Core / Playbook: https://airc.nist.gov/airmf-resources/airmf/5-sec-core/
- OECD Skills Strategy Thailand 2025: https://www.oecd.org/content/dam/oecd/en/publications/reports/2025/07/oecd-skills-strategy-thailand_9a4427e8/153a1fe6-en.pdf
- Thailand National AI Strategy 2022–2027: https://www.ai.in.th/en/about-ai-thailand/
- ETDA, Generative AI Governance Guideline for Organizations: https://www.etda.or.th/getattachment/6050a4b7-defd-4dba-8cbc-ff6a444a3d08/20240910_GenerativeAIGovernanceGuideline_Vol1_AIGC.pdf.aspx
- ETDA, AI 2026 direction: https://www.etda.or.th/th/pr-news/aigc_Driving-Trust_AI_Governance.aspx
- ETDA, AI Governance Train-the-Trainer: https://www.etda.or.th/th/pr-news/AI-Governance-Train-the-Trainer.aspx
- World Economic Forum, Future of Jobs Report 2025: https://www.weforum.org/press/2025/01/future-of-jobs-report-2025-78-million-new-job-opportunities-by-2030-but-urgent-upskilling-needed-to-prepare-workforces/
- World Economic Forum, Jobs of Tomorrow 2025: https://www.weforum.org/publications/jobs-of-tomorrow-technology-and-the-future-of-the-world-s-largest-workforces/
