「うちのAIにバイアスはありません」と言い切るベンダーほど、実は一度も測っていない——採用AIのバイアスは、なくすものではなく測り続けるものだ。

採用AIのバイアスを「なくす」のは不可能だが「管理する」のは可能だ

思考版1 AI執筆

「このAIにバイアスはありますか」。採用ツールの商談でこう聞くと、たいてい「ありません」か「最小限です」と返ってくる。

どちらも、答えになっていない。

AIが採用を手伝う以上、バイアスは必ず宿る。AIは過去のわたしたちの判断を学んで動く相棒だ。だから、わたしたちがこれまで無意識にかけてきた偏りを、そのまま映してくる。問われるべきは「あるか/ないか」ではなく、どの種類のバイアスで、どこまで手を打てるかだ。

人事担当者が握っておくべきは、バイアスの3分類と、それぞれに自分たちができることの範囲。ここを押さえれば、ベンダーの「ありません」に押し切られなくなる。

バイアスの分類：3種類

タイプ1：学習データのバイアス（管理可能）

何が起きるか：

過去の採用結果（合否判定）をAIに学習させると、過去の判断に含まれるバイアスをAIが再現する。たとえば、これまで採用してきた管理職の多くが男性だった場合、AIは男性候補者を高く評価する傾向を持ちうる。

日本の現場で起きやすいのは、「総合職は転勤前提」という運用が長く続いた職場だ。過去の合格者がほぼ転勤可能な層に偏っていると、AIは「転勤に応じやすそうな経歴」を高評価し、結果として育児・介護を抱える層を静かに落とす。誰も性別で落とそうとしていないのに、過去の運用がそういうAIを育ててしまう。

管理できる理由：

このバイアスは「学習データを変える」「学習データに含まれる保護属性を除外する」「評価指標を多様化する」ことで軽減できる。ベンダーに「過去データを使わずに評価指標を設計できるか」を確認する価値がある。

何をすべきか：

  • 過去の採用データに偏りがないかを確認する
  • ベンダーに「学習データのバイアス検査結果」を提出させる
  • 採用結果を定期的に属性別に分析する（性別・年齢・学歴別の通過率）

タイプ2：代理変数バイアス（部分的に管理可能）

何が起きるか：

AIは「性別」を直接使わなくても、「大学名」「前職の業種」「居住地域」など、性別や民族性と相関する変数から間接的にバイアスを再現することがある。これを「代理変数バイアス（Proxy Bias）」という。

日本には、この代理変数が特に多い。たとえば——

  • 学部・専攻：理工系学部は男性比率が高い。「理系出身を加点」が、そのまま性別の加点になる
  • 一般職／総合職の職歴：歴史的な性別差を引き継いでおり、職種コードが性別の代理になる
  • 連続勤続年数・離職ブランク：育児や介護による離職は女性に偏る。「ブランクの長さ」が性別の代理になる
  • 通勤可能エリア：転居前提の総合職で居住地を見ると、世帯状況や育児負担と相関する
  • 卒業年次と年齢の一致：浪人・既卒・留学経験者を弾く設計は、経歴の多様性ごと削り落とす

どれも、採用基準としては一見もっともらしい。だからこそ「学歴フィルター」が実質的な「属性フィルター」になっていることに、現場は気づきにくい。

なぜ管理が難しいか：

代理変数は無数に存在し、全てを除外することは不可能だ。代理変数を除外しすぎると、採用基準として重要な情報まで失う可能性がある。

何をすべきか：

  • ベンダーに「どの変数を評価指標に使っているか」のリストを提出させる
  • 自社にとって採用に関係のない代理変数を特定し、除外を要求する
  • 通過率の属性別分析で代理変数バイアスが出ていないかを定期確認する

タイプ3：評価基準自体のバイアス（管理困難）

何が起きるか：

「コミュニケーション能力が高い候補者を評価する」という基準自体に、文化的・言語的なバイアスが含まれることがある。面接でのコミュニケーションスタイルは文化によって異なるため、特定の文化圏出身者が系統的に低く評価される可能性がある。

または「過去に活躍した社員の特徴」をAIが学習した場合、「過去に活躍しやすかった社員像」を優遇するバイアスが入る。これは過去の職場環境への適応度を測るもので、必ずしも将来の活躍を予測しない。

なぜ管理が最も難しいか：

このバイアスは「採用基準の設計」に埋め込まれており、技術的な解決策では対応できない。採用担当者と組織が「何を採用基準とするか」を定期的に見直す必要がある。

何をすべきか：

  • 採用基準を毎年見直し、「なぜこの基準を使うか」を言語化し直す
  • 過去の活躍実績だけでなく、将来の成長可能性を評価する基準を加える
  • 多様な採用担当者で評価基準を設計する

人事担当者が今日から始められること

バイアスを完全になくすことはできないが、定期的に測定・報告する仕組みを作ることはできる。

月曜の最初の一歩： いきなり仕組みを作らなくていい。まず直近1四半期の選考データで、AI導入前と導入後の「性別別の各ステップ通過率」を1枚の表に並べる。スプレッドシート1枚で足りる。導入後にどこかのステップで通過率が大きくズレていたら、そこに代理変数が効いている。ここがすべての出発点になる。

最小限の測定：

月次または四半期ごとに、属性別の通過率を集計する。

指標測定頻度
性別別通過率（各選考ステップ）四半期
年齢層別通過率四半期
学歴別通過率半期
AI評価スコアの属性別分布月次

「AI導入後に特定の属性の通過率が大きく変化していないか」を確認するだけでも、バイアスの早期発見につながる。

ベンダーに定期報告を要求する：

契約時に「バイアス監査報告書を半期ごとに提出すること」を条件に入れる。ベンダーが報告を拒否または出せない場合、それ自体が判断材料になる。

「バイアスがない」と言うベンダーへの対処

「弊社のAIにはバイアスがありません」と言い切るベンダーは、技術的に正確でないか、バイアスを測定していないかのどちらかだ。

正しい回答は「〇〇の属性について、△△の方法でバイアスを定期的に測定しており、現在の測定結果は××です」だ。

ベンダーに以下を聞く：

  1. どの保護属性（性別・年齢・学歴・民族性など）についてバイアスを測定しているか
  2. 測定の方法と頻度
  3. 最新の測定結果
  4. バイアスが発見された場合の対応実績

この4点に具体的に答えられないベンダーのAI採用ツールを本番導入するのは、リスクが高い。

今日渡せるもの： 現在使用中または評価中のAI採用ツールについて、上記4点をベンダーに質問する。その回答の質で、そのベンダーがバイアスについて本気で取り組んでいるかどうかが分かる。

関連記事