就活生に不安を売りつける人々

「AIが履歴書を落とす」という言説の実際の出所はゲーム型評価ツールだった

「AIがあなたの履歴書をふるい落としている」という話が、LinkedInやキャリア系コミュニティで共有されているのを目にしました。スタンフォード大学などの研究チームによる採用アルゴリズムの論文を根拠として挙げるケースもありました。この研究は、約420万件の応募記録から人種ごとの推薦格差や連続不採用の傾向を確認しています。ただし、分析対象となったのはゲーム型評価ツールであるpymetricsでした。あらゆる履歴書スクリーニングAIを調べた結果として紹介するのは、研究の対象範囲を逸脱しています。

この記事を準備しながら違和感を覚えたのは、就職活動生の不安を利用するような宣伝のあり方でした。私が見かけた一部の就職・キャリアコンサルティングでは、該当する職種や産業をどれほど深く理解しているか、実際にどんな支援を提供できるかよりも、「AIに後れを取るかもしれない」という警告を前面に押し出していました。すべてのコンサルタントを一括りに評価することはできませんが、切迫した立場の人にサービスを販売するからこそ、効果の根拠を明確に示すべきだと考えます。

論文が本当に発見したもの

今年5月に公開され、FAccT¹ 2026で発表された論文『Algorithmic Monocultures in Hiring』の核心は、「アルゴリズム・モノカルチャー」²という概念にあります。複数の企業が同一の採用AIベンダーを利用すると、単一のモデルが抱えるバイアスが市場全体へと拡散しかねないという仮説です。

この仮説を検証するために研究チームが確保したデータは非常に印象的です。420万件の応募、340万人の応募者、156社の企業、1,746の職種。ひとつの採用ツール企業が処理した、2018〜2022年の応募記録です。

まず、それがどのようなツールによって下された評価なのかを確認する必要があります。

pymetricsというツールです。これは履歴書を分析するシステムではありません。応募者が12〜16種類のオンラインゲームをプレイすると、リスク選好度、処理速度、計画力といった特性が測定され、「推薦」または「非推薦」のいずれかが出力されます。ゲームの大半は職種を問わず同一です。倉庫管理職であれ財務アナリストであれ同じゲームを受け、約42%の応募者が「非推薦」の判定を受けます。

このツールは、導入企業の該当職種に在籍する現職社員の特性を学習基準としています。社員プロファイルと対照群を識別する方式です。したがって、既存社員と似た特性の持ち主を選ぶことが、実際の職務成果を正しく予測できるのかは別途検証する必要があります。本研究のみをもって、成果予測性がまったくないと結論づけることはできません。

従来の統合分析では、黒人応募者の推薦率は52.5%、白人応募者は58.3%でした。これは最終的な採用合格率ではありません。集団全体の推薦率を比較した場合、4/5基準に基づく明確な不利益影響（アドバース・インパクト）³は見出されませんでした。ただし、この基準を満たしているからといって、差別が存在しないという法的判断が確定するわけではありません。

研究チームは職種別に細分化し、人種グループごとの推薦率と統計的な差を分析しました。その結果、約11%の職種において黒人応募者に対する不利益影響が認められました。黒人応募者が提出した全応募件数の約26%が、そうした職種に該当していました。全職種を合算した平均値では見えてこなかった格差です。

採用ツールを導入する際には、全体の平均値だけでなく、実際に利用する職種ごとの結果を確認しなければならないという発見です。ニューヨーク市のLocal Law 144⁴も対象ツールに対して独立したバイアス監査を要求していますが、監査の有無だけであらゆる職種における公正性や成果予測性が保証されるわけではありません。

これとは別に、研究では同一の応募者が複数の職種で繰り返し非推薦判定を受けるかどうかも分析されています。

連続不合格は確認されたが、あらゆる場所で拒絶されるという意味ではない

ここでは、「応募した複数の職種すべてで非推薦になった」ことと、「労働市場のあらゆる職種で拒絶される人材である」ことを区別して捉える必要があります。本研究が確認したのは前者の現象です。実際に10の職種に応募したグループでは約4%が応募先のすべてで非推薦となり、独立した評価を仮定した基準よりも連続不採用が多く発生していました。これを単なる根拠のない不安として片付けることはできません。

ただし、このデータにおいて応募者の約84%は1つの職種にしか応募しておらず、95%以上は2職種以下でした。正確に10職種に応募した人は522人でした。10職種以上に応募した人全体が522人であるという意味ではありません。また、pymetricsの外で提出された応募書類は、このデータに含まれていません。

研究チームは1,000人を標本として抽出し、適用可能な495のモデルで評価するシミュレーションも実施しました。最終結果が出た939人のうち、すべてのモデルで非推薦となった人は一人もおらず、推薦数が最も少なかった人でも52のモデルから推薦を得ていました。とはいえ、すべての人がその495の職種に応募できるわけではありません。このシミュレーション結果があるからといって、実際の応募範囲内で発生する連続不採用のリスクが消えるわけではありません。

論文の導入部には、採用アルゴリズムの普及率やHireVueのような企業の事例が登場します。これは研究の背景説明であり、実際の分析対象はpymetricsです。こうした市場規模の数値を、pymetricsで発見された現象の適用範囲と混同してはなりません。導入部で他社に触れているという事実だけで、研究チームが恐怖を煽ろうとしたと解釈するのも無理があります。

研究では、Klineらによる履歴書実験とpymetricsデータの脱落パターンを比較しています。しかし、両者は国、職種、応募者集団、測定方式が異なるデータです。比較において差異が認められたからといって、アルゴリズムの利用のみが原因であると切り分けることはできません。研究チームも因果関係を確認した実験としては提示していません。

もうひとつの限界は、この研究には採用後の職務成果を検証するデータが含まれていない点です。ツールの推薦が実際に高い成果につながっているのかは、このデータからは確認できません。これは、世の中にそうした検証が一切存在しないという主張とは異なります。企業がツールを選定する際には、職種別のバイアスと成果予測の根拠をそれぞれ個別に要求する必要があります。

論文は「Limitations（限界）」セクションにおいて、他タイプの採用ツールへの一般化、応募者の実際の能力、米国法の適用範囲、最終的な採用合否の追跡が困難である点について説明しています。結果を解釈する際は、これらの条件を合わせて読み解かなければなりません。

研究の発見を認めつつも、それをすべての求職者の運命を予測する言説へとすり替える動きには警戒が必要です。

研究が教育商品の広告に使われるとき

研究が短い記事や投稿、さらには教育商品の広告として伝達される過程で、対象や限界といった文脈が抜け落ちてしまうことがあります。以下は、そうした誇張が生じる典型的なプロセスの例です。すべてのメディアが実際にこの手順を辿ったという追跡結果ではありません。

1. 研究の発見： 特定のゲーム型評価データにおいて、職種別人種格差と連続非推薦が観察された。

2. 短い要約： 「AI採用ツールのバイアス」と要約することで、どのツールや職種を調査したのかが見えにくくなる。

3. 適用範囲の拡大： 研究対象の違いを説明しないまま、すべての採用AIが同一の問題を抱えているかのように語ることで誇張が生じる。

4. 個人の未来として断定： 「あなたもどこでも拒絶される」と決めつけることで、研究が確認した範囲を逸脱する。

5. 解決商品の販売： 続けて特定の講座やコーチングを提示したとしても、その商品が就職実績を高めるという根拠は別途必要である。

韓国でも、「AIを知らなければ淘汰される」「すぐに仕事を失う」といった教育広告をよく目にします。そうした表現を目にしたとき、私はどの職種と期間に対する展望なのか、そしてその見通しが該当教育の必要性とどのように結びつくのかを、まず確かめたくなります。

離職者や就職活動生、キャリア転換を準備している人にとって、受講料やコーチング費用は決して軽い負担ではありません。だからこそ、リスクを強調する度合いに見合うだけの教育内容と効果を具体的に説明すべきです。不安を抱かせる言葉が、そのまま商品の効能を証明するわけではありません。

採用ツールであれ教育商品であれ、根拠を確認すべきであるという点は同じです。教育プログラムを選ぶのであれば、どのようなスキルを教えるのか、それがどの職種で必要なのか、受講後の実績はどのような集団と期間を対象に測定されたのかを問いかけることができます。就職率が提示されていたとしても、受講生の選考条件や中途脱落者が分母に含まれているかどうかを精査する必要があります。

短い宣伝コピーから研究の限界が抜け落ちていると感じたら、原典にあたってみることをお勧めします。限界が記載されていないという事実だけで販売者の意図を決めつける必要はありませんが、購入の判断に必要な情報は自らの目で直接確かめなければなりません。

Oswarldの視点

私はこの論文を読みながら、採用ツールそのもの以上に、論文の内容が人々に伝達されていくプロセスに強い関心を抱きました。

GTM戦略を策定する中で、市場の不安を解消すると謳うプロダクトが関心を集める場面を数多く目にしてきました。だからこそ私は、リスクをどれほど声高に語っているかではなく、解決方法が実際に検証されているかどうかに注目します。恐怖心が大きくなるほど、効果を冷静に比較することが難しくなり得るからです。

AIを活用したキャリア教育も同様に、受講者の就職やキャリア転換にどのような支援となったのかを説明できるべきだと考えます。特定の採用ツールを分析した学術論文の存在は、そのまま特定講座を購入すべき理由にはなりません。

採用ツールを選定するなら、実際に利用する職種における推薦結果と、職務成果の検証資料を要求してみてください。教育プログラムを選ぶ立場にあるなら、教育内容が目標とする職種と合致しているか、その効果がどのような方法論で確認されたのかを確かめてみてはいかがでしょうか。回答が得られなかったとすれば、少なくとも現時点で提供されている情報だけでは、その効果を判断することが難しいということを意味しています。

おわりに

この研究は、全体の平均値が職種別の格差を覆い隠してしまう可能性や、複数の企業が類似したツールを利用することで不採用の結果が連鎖し得るリスクを浮き彫りにしました。結果と限界をセットで読み解く価値が、大いにあります。

だからといって、あらゆるAI採用ツールによって自分がどこへ行っても拒絶されると受け止める必要はありません。研究が突き止めたリスクを正確に理解したうえで、そのリスクを解消すると謳うサービスの効果は別途検証してほしいと思います。

💬 AI採用ツールやキャリアコーチングを利用した経験はありますか？「これは役に立った」、あるいは「これは単なるFOMOビジネスだった」という体験談があれば、ぜひコメント欄で教えてください。

参考資料と関連リンク

主要出典

• Bommasani, Bana, Creel, Jurafsky & Liang, “Algorithmic Monocultures in Hiring,” FAccT 2026. ：今回のニュースレターで取り上げた中心的な論文です。特に限界セクション（Section 4.2: Limitations）はぜひあわせて読んでみてください。著者陣の率直な自己検証の姿勢が印象的です。
• Stanford HAI, “Q&A: Algorithmic Monoculture in Hiring,” 2026. ：著者3名が直接、研究の動機、方法論、限界を語ったインタビュー記事です。論文本文よりも平易に解説されています。
• Placementist, “Fear-farming the Stanford AI hiring study,” 2026. ：論文の6つの構造的限界を体系的に分析した論考です。本号の主要な参考資料です。

背景知識

• Kline, Rose & Walters, “Systemic Discrimination Among Large U.S. Employers,” Quarterly Journal of Economics, 2022. ：論文が「人間の採用も偏っている」という比較基準として引用した、83000件規模の履歴書送付実験です。
• EEOC、Uniform Guidelines関連の質疑応答：4/5ルールの意味と限界を解説しています。
• ニューヨーク市DCWP、自動採用意思決定ツール案内：Local Law 144の監査・告知要件を確認できます。
• DLA Piper, “Critical audit of NYC’s AI hiring law signals increased risk for employers,” 2026. ：ニューヨーク市のLocal Law 144に基づく監査体系がなぜ「非効果的」と評価されたのかを整理した法的分析レポートです。

著者 アン・グァンソプ（Oswarld） は世宗大学校 兼任教授、INLEVEL9 戦略コンサルタントです。経歴、研究、著書、最近の活動は著者紹介で更新しています。 最近の活動 · 2026年7月：HEMA-2: A Consolidation-Aware Tri-Memory Architecture with Multi-Channel Scheduling for Lifelong Conversational AI。

각주

1. FAccT（Fairness, Accountability, and Transparency）：ACM（計算機学会）が主催する公平性・説明責任・透明性に関する学術カンファレンスです。AIやアルゴリズムの社会的影響を扱う分野において、最も影響力のある学会のひとつです。 ↩

2. アルゴリズム・モノカルチャー（Algorithmic Monoculture）：複数の組織が同一または類似のアルゴリズムに意思決定を依存している状態を指します。農業において単一品種のみを栽培すると、特定の病害虫によって全体が崩壊するのと同じ原理です。 ↩

3. 不利益影響（Adverse Impact）：選考プロセスが特定の属性集団に対して不利な結果をもたらす問題です。選考率が最も高い集団の80%未満であるかを見る「4/5ルール」はこれを検討する実務上の基準のひとつであり、それ自体が違法性の有無を法的に確定づける定義ではありません。 ↩

4. Local Law 144：2023年に施行されたニューヨーク市のAI採用監査法です。AIを活用した採用ツールを使用する雇用主に対し、年1回の独立したバイアス監査を義務付けましたが、ニューヨーク州監査官事務所による2025年の監査では、ニューヨーク市の法執行に問題があるとの指摘がなされました。 ↩