2025-2026年の採用市場を貫くキーワードは Talent Paradox（タレントの逆説）である。Mercer Global Talent Trends 2025/2026（16,000人超サーベイ）は、91%の企業が AI による workforce 変革を計画する一方で、54%の CEO/CHRO がタレント希少性を最大の経営懸念として挙げるという構造的矛盾を報告している。同じ企業内で「人余り」部署と「採用難」部署が同時発生し、余剰人員の削減と希少人材の獲得という相反する経営課題を同時に解かなければならない局面が一般化している。
この逆説の背景には スキルの時間的不整合 がある。BCG AI at Work 2025（11カ国10,600人超サーベイ）によれば、AI ツールの定期使用率は2024年の51%から2025年に72%へ急増した一方、AI から事業価値を引き出せている企業は28%から30%への微増に留まっている。採用（acquisition）は進んでもスキル転換（transformation）が追いつかないという、マクロとミクロで同型のギャップが生じている。
グローバルの採用市場は、複数の構造的シフトが同時に進行する「多重転換期」にある。いずれも Talent Paradox の異なる断面であり、個別に対処しても全体像を見誤る。
採用の基本単位が変わる。 Mercer は Skills-Based Organization を推奨し、職務記述書（JD）をスキルインベントリに分解して内部マーケットプレースで人材をマッチングする組織設計を提唱している。「ジョブに人をはめる」から「スキルをジョブ横断で活用する」への転換は、採用の単位を「ポジション充足」から「スキルポートフォリオの最適化」に変える。この転換が進めば、Talent Paradox の「人余り部署 × 採用難部署」問題は、同じ社内でスキルを再配分することで部分的に解消しうる。
選考の主体が人から機械に移る。 ATS（Applicant Tracking System）による自動スクリーニング、AI 動画面接、チャットボットによる候補者対応が急速に普及している。効率化の代償として新たな課題が浮上しており、バイアス増幅、優秀候補の取りこぼし、候補者体験の劣化がそれにあたる。HBS Hidden Workers 調査が示した2,700万人の False Negative は、AI が Talent Paradox を解消するどころか悪化させうることを示唆している。
地理的制約が融けて、再び固まりつつある。 パンデミック期に融解した地理的制約は、2024-2025年に部分的に再凝固している。Amazon、Google、JP Morgan 等の大手がオフィス回帰を推進する一方で、フルリモートを維持する企業との間で人材市場が分断されている。採用地理の分断は、タレントの希少性を地域ごとに偏在させ、Paradox の濃淡をさらに複雑にしている。
Gen AI が定型作業を代替する結果、Core Skills の希少性が上昇している。Mercer GTT 2025/2026 が特定した需要増加スキルは以下のとおりである。
HR リーダーの59%がデジタルスキル人材の獲得困難を訴えているが、真に希少なのはデジタルスキルそのものではなく、デジタルスキルと Core Skills を兼備した人材 であるという認識が広がりつつある。
私はここに Talent Paradox の核心があると考える。AI が定型作業を代替するほど、残る仕事は判断・協働・適応といった Core Skills に集中する。ところが Core Skills は職務記述書に落としにくく、ATS のキーワードフィルタでは捕捉できない。スキルの定義が曖昧なまま「スキルベース採用」を掲げても、希少人材の特定精度は上がらない。第3章以降で見るスキルベース採用やAI選考の各論は、この根本的な測定問題を前提に読む必要がある。
Talent Paradox は「どの国も人材が足りないと言いながら、若年失業率は高止まりする」という形でも観察される。各国の新卒採用制度は、この逆説に対する異なる応答として読み解くことができる。
日本の新卒一括採用は、世界的に見て極めて特異な制度である。濱口桂一郎（JILPT）の分析に従えば、その本質は以下のように整理される。
雇用契約の質の違い。 ジョブ型社会では雇用契約に職務が明記され、欠員が出た時に現場管理者が採用権限を持つ。一方、日本のメンバーシップ型では雇用契約は「空白の石板」であり、職務は入社後に使用者の命令で書き込まれる。新卒一括採用は、この空白の石板に最適化されたシステムである。
採用の基準。 ジョブ型社会の入口で問われるのは「何ができるか」（顕在スキル）であるのに対し、メンバーシップ型の入口では「どれだけ伸びしろがあるか」（潜在「能力」）が問われる。日本の就活が「ガクチカ」（学生時代に力を入れたこと）に執着するのは、具体的な職務遂行能力ではなく地頭と素質を見極めようとするからである。
「教育と職業の密接な無関係」。 ジョブ型社会では卒業証書が特定スキルの証明書として機能する。日本では学校教育は地頭の保証に過ぎず、実務スキルは入社後の OJT で鍛えられる。大学での専攻と配属先の関連性が低いのは、この構造の帰結である。
新卒一括採用の具体的特徴:
| 項目 | 日本の新卒一括採用 | 欧米の early career hiring |
|---|---|---|
| 採用時期 | 大学3年3月〜4年6月（事実上の統一スケジュール） | 通年（ポジション発生時） |
| 採用権限 | 本社人事部が一括管理 | 現場マネージャーが決定 |
| 選考基準 | 潜在能力・人柄・地頭 | 職務関連スキル・経験 |
| 内定 | 就労前から雇用契約成立 | オファーレター（条件交渉あり） |
| 配属 | 会社が決定（本人希望は参考程度） | ポジション固定 |
| 初期教育 | 入社後の集合研修 + OJT | 入社前教育（大学・職業訓練） |
| 中退者 | 早期離職が「問題」として社会問題化 | 転職は正常なキャリア行動 |
韓国は日本と類似した新卒一括採用文化を持っていたが、2010年代以降に急速な変化が進んでいる。若年失業率（15-29歳）は2020年代前半で7-9%台と、日本の同世代失業率（3-4%台）の約2倍で推移しており、大卒者の就職浪人は社会問題化している。Talent Paradox の韓国版は「高学歴若年層が余る一方、中小企業は慢性的な人手不足」という形で先鋭化している。
ドイツの職業教育制度（Duales System）は、新卒採用の対極モデルとして頻繁に参照される。若年失業率は5-6%台とEU平均（約14%）の半分以下で、「教育と労働市場の接続」の成功例とされてきた。
基本構造。 15-16歳で企業内訓練（3-4日/週）と職業学校（1-2日/週）を3年間並行する。約330の公認職業（Ausbildungsberufe）が定義され、各職業に標準化された訓練カリキュラムが存在する。毎年約50万人が新規にデュアルシステムの訓練契約を締結し、修了試験に合格すればその職業のジャーニーマン資格を取得する。訓練修了者の約70%が訓練先企業にそのまま正規雇用される。
現在の変化:
- デジタル化対応: 2020年以降、AI・データサイエンス関連の新規職業カテゴリが追加（例: Kaufmann/Kauffrau für Digitalisierungsmanagement）。2024年時点でIT関連のAusbildung契約は全体の約6%
- 大学進学率の上昇: Abitur（大学入学資格）取得者が同世代の約50%に達し（2000年代は約35%）、伝統的なデュアルシステムへの参加率は漸減傾向。2023年の未充足訓練ポジションは約7万件と過去最高を記録した
- 移民統合: シリア難民を含む移民のデュアルシステムへの統合が政策課題。外国籍の訓練生割合は約13%（2023年）に上昇
- ハイブリッド化: 大学教育とデュアルシステムを組み合わせた「Duales Studium」の登録者数は12万人超（2023年）で、過去10年で約2倍に増加
日本への示唆。 ドイツのデュアルシステムは「教育と職業の密接な関係」を制度として実現しているが、それはジョブ型雇用が前提にある。日本がデュアルシステムを参照する際、メンバーシップ型の「空白の石板」が温存されたままでは表層的な模倣に終わる。注目すべきは、ドイツですら Talent Paradox が顕在化し始めていることである。訓練ポジションの未充足が過去最高を記録する一方、大学進学志向の若年層はデュアルシステムを敬遠する。「スキルの供給ルートがあるのに、そこに人が流れない」という構造的ミスマッチは、制度設計だけでは解決できない問題の存在を示唆している。
米国の early career hiring は、インターンシップが事実上のスクリーニング装置として機能する構造が定着している。
英国は2017年にアプレンティスシップ課徴金（Apprenticeship Levy）を導入し、企業に徒弟制度への投資を義務付けた。
新卒採用が「入口の設計」だとすれば、キャリア採用は「回転扉の設計」である。Talent Paradox の観点から見ると、キャリア採用の構造変化は「既存の回転扉がうまく回っていない」ことへの応答にほかならない。
キャリア採用の最大の構造変化は、「経歴（credential）ベース」から「スキルベース」への移行である。
「Paper Ceiling」の問題。 HBS/Accenture の "Hidden Workers" 調査（2021）は、米国に2,700万人の Hidden Workers が存在し、ATS の自動フィルタによって構造的に排除されていることを明らかにした。企業の約半数が職歴ブランク6ヶ月超を自動排除しており、C-suite の88%が「自社の ATS が優秀候補を取りこぼしている」ことを認識していた。
スキルベース採用の具体的手法:
エビデンス。 Sackett et al. (2022, Journal of Applied Psychology) のメタ分析は、採用選考の予測妥当性に関する従来の定説を更新した。構造化面接の予測力 (r = .42) が GMA テスト (r = .31) を上回り、非構造化面接 (r = .19) との差は歴然とした。この知見は、経歴のスクリーニングではなく構造化された能力評価への移行を支持する。
外部採用の困難さとコスト高騰を受け、Internal Mobility（社内異動・社内転職）が経営テーマとして浮上している。
Mercer の Skills-First Architecture 提唱。 Mercer GTT 2025/2026 は、ジョブベースからスキルベースへの組織転換の柱として Internal Mobility を位置づけている。スキルインベントリを構築し、社内のタレントマーケットプレースで需給をマッチングすることで、外部採用の前に社内リソースを最適化する。
プラットフォームの進化。 Gloat、Eightfold AI、Fuel50、Phenom 等のタレントマーケットプレースプラットフォームが急成長している。これらは従業員のスキルプロファイルを AI で分析し、社内のプロジェクト・ポジション・学習機会をレコメンドする。
日本の文脈。 タレントポートフォリオの可視化と社内流動化は、九州地域銀行のケース（商業銀行97%集中から投資銀行・市場部門への人材転換）のように、メンバーシップ型の「人事異動」文化をスキルベースの Internal Mobility に進化させる道筋を示している。ただし、日本のメンバーシップ型における人事異動は「会社命令」であるのに対し、スキルベースの Internal Mobility は「従業員の自発的応募」を前提とする点で本質的に異なる。
Greenhouse Candidate Experience Report 2024（6,000社超・6.4億応募データ）は、採用ファネルの現状を定量化している。
| 指標 | 数値 | 意味 |
|---|---|---|
| 応募完了率 | 6% | クリックした94%が応募フォーム完了前に脱落 |
| 中盤脱落の50%超 | 面接ステージ | スケジューリングの煩雑さが主因 |
| 平均 time-to-hire | 41日 | 業界差大（建設12.7日〜ヘルスケア49日） |
| 長期化傾向 | 60%の企業 | 9社中1社のみ短縮に成功 |
| ghosted 判定 | 34%の候補者 | 1週間の沈黙で「落とされた」と判断 |
| オファー辞退理由 | 26% | コミュニケーション不足・不明瞭な期待 |
| Application-to-hire | ~0.6% | 180応募で1採用（CareerPlug 2025） |
| Cost-per-hire | $5,475 | 米国平均（SHRM 2025） |
| 応募フォーム完了率（5分以下） | 12.47% | 15分超だと3.61%に急落（Appcast 2025） |
これらのデータは、採用プロセスの over-engineering が候補者体験を毀損し、結果として優秀人材の取りこぼし（False Negative）を大量に生んでいる という構造的問題を示している。
私が注目しているのは、180応募で1採用（Application-to-hire 約0.6%）という歩留まりの低さと、Hidden Workers 2,700万人の排除が同じ構造の両面だという点である。企業は「良い人材がいない」と嘆き、候補者は「どこにも受からない」と嘆く。Talent Paradox が採用ファネルの中で再生産されている。問題は人材の絶対量ではなく、マッチングの精度である。
従来の求人媒体依存からの脱却として、リファラル採用（社員紹介）とダイレクトソーシング（企業からの直接アプローチ）の比重が増している。
AI は Talent Paradox の解法にも、悪化要因にもなりうる。解法として期待されるのは、スキルと職務のマッチング精度を従来のキーワード照合から引き上げること。悪化要因として懸念されるのは、過去のバイアスの増幅と、候補者を「データポイント」に還元する非人間化である。この章では両面を見ていく。
その前に、本稿が採る AI のフレーミングを明示しておく。採用 AI を「採用担当者を代替（replacement）する道具」と見るか、「採用担当者の判断を拡張（augmentation）し、その指揮下で働く道具」と見るかで、設計も評価も正反対になる。代替フレームに立てば AI の成功指標は「人手をどれだけ減らしたか」になり、後述する False Negative の大量発生は「効率化の許容コスト」として不可視化される。一方、拡張・指揮フレームに立てば AI の役割は「人間が見落とすスキルを可視化し、最終判断は人間が指揮する」ことに置かれ、AI 出力の説明可能性（explainability）と人間によるオーバーライドの担保が必須要件になる。本稿は一貫して後者——AI を人間の判断を拡張し、その指揮下に置く道具と見る立場——に立つ。以下の各論はこの前提で読まれたい。
採用プロセスへの AI 導入は、以下の領域で進行している。
（1）母集団形成（Sourcing）
- AI によるパッシブ候補者の特定と優先順位付け
- JD の自動生成と最適化（性別バイアスのある語彙の排除を含む）
- プログラマティック求人広告（応募可能性の高い候補者に自動配信）
（2）スクリーニング
- ATS の AI 自動スコアリング（履歴書→ JD マッチング度）
- Game-based Assessment（GBA）: Pymetrics（現 Harver）、Arctic Shores 等の認知・行動特性評価ゲーム
- AI 動画面接: HireVue の表情分析（2021年に表情分析機能を撤回、音声・言語分析に移行）
（3）候補者エンゲージメント
- チャットボットによる FAQ 対応と面接スケジューリング
- パーソナライズされたステータス通知
- AI によるオファー交渉支援
（4）意思決定支援
- 複数面接官の評価データの統合分析
- Adverse Impact の自動モニタリング
- 内定承諾率の予測と最適オファー設計
Unilever の AI + GBA 導入事例 は、AI 採用の最も引用される成功事例である。
ただし、この事例はエントリーレベルの大量採用に限定されており、ミドル・シニアポジションへの一般化には慎重であるべきことが指摘されている。
構造的バイアスの問題。 AI 採用ツールは過去の採用データで学習するため、過去の偏りを増幅するリスクがある。Amazon が2018年に開発中の AI 採用ツールを廃棄した事例（女性候補者を不利に評価）は象徴的である。
規制の動向:
| 規制 | 管轄 | 内容 |
|---|---|---|
| NYC Local Law 144 | ニューヨーク市 | 2023年施行。AI 採用ツールの年次バイアス監査を義務化 |
| EU AI Act | EU | 2024年成立。採用 AI を「High Risk」に分類、適合性評価義務 |
| Illinois AI Video Interview Act | イリノイ州 | AI 動画面接のインフォームドコンセント義務 |
| EEOC AI Guidance | 米連邦 | 既存の差別禁止法が AI ツールにも適用されることを確認 |
Adverse Impact の計測。 4/5ths Rule（選考通過率の人種間差が4/5未満なら Adverse Impact あり）は AI 時代にも適用される。AI ツールの透明性（explainability）が担保されなければ、不利な判定を受けた候補者が理由を知ることができないという新たな問題が生じている。
AI 導入が候補者体験に与える影響は両面的である。
ポジティブな影響:
- 応募後の自動応答・ステータス通知による透明性向上
- スケジューリングの自動化による利便性向上
- 時間・場所の制約からの解放（非同期動画面接）
ネガティブな影響:
- 「ブラックボックス」への不信感（なぜ不合格かわからない）
- Human touch の喪失（「ロボットに選別された」感覚）
- 過剰なアセスメント負荷（GBA + AI 動画面接 + 構造化面接 + ケーススタディ）
- ATS の自動フィルタによる False Negative の大量発生（HBS Hidden Workers: 88%の C-suite が認識）
Research-early-stage-screening-design の知見を統合すると、最適なスクリーニング設計は以下のとおりである。
最前段に置くべきもの（Hard Knock-out）:
- 法的資格・免許（運転免許、医師免許等）
- ビザ・就労許可
- 地理的制約（通勤可能範囲、リモート可否）
- 給与レンジ（期待と提示の乖離が大きい場合の自己選択）
最前段に置くべきでないもの:
- GMA（知能テスト）→ 予測力は構造化面接に劣る（r = .31 vs .42）
- 学歴フィルタ → Hidden Workers の排除を引き起こす
- 職歴ブランクフィルタ → 同上
- 年齢フィルタ → 法的リスクおよびバイアス
Realistic Job Preview（RJP）の活用。 良い面も悪い面も含めた職務の実像を早期に提示し、候補者の自己選択（self-selection）を促す。RJP は retention を高め、入社後のミスマッチを低減するエビデンスがある。
この章を通じて見えてくるのは、AI 採用の導入が「効率化」の文脈で語られすぎている問題である。Talent Paradox の本質がスキルの時間的不整合にあるなら、AI に求められるのは処理速度の向上ではなく、従来見えなかったスキルの可視化と、候補者が自ら適切な職務に辿り着ける情報環境の整備である。選別の自動化ではなく、マッチングの高度化に焦点を移す必要がある。
ここまでの章は、採用の「やり方」——制度・選考手法・AI——を変える話だった。本章で扱う人口動態は、その手前にある「与件」である。制度をどう設計しようと、選考をどれだけ高度化しようと、労働力の絶対量が縮小する床の上で行われる限り、効率化だけでは吸収できない構造的圧力が残る。スキルベース採用も AI 選考も、この床を動かすことはできない。Talent Paradox はここで、制度や技術では動かせない前提条件として立ち現れる。
先進国の少子高齢化。 日本が最先端を走る少子高齢化は、韓国、中国、欧州諸国にも波及している。2030年までに世界人口の1/6が60歳以上となる。労働参加率の低下は、採用市場における「買い手市場 → 売り手市場」のパワーシフトを引き起こしている。
IT 人材の構造的不足。 経産省試算では、2030年に日本の IT 人材は最大約79万人不足し、AI/ロボット関連人材は2040年に326万人不足する。この不足は日本固有の問題ではなく、グローバルに同様の傾向が報告されている。
ここで注意したいのは、人口動態起因の不足は「採用」では原理的に埋まらないという点である。79万人や326万人という数字は、国内の労働力プールそのものが縮むことの帰結であり、ある企業が採用に成功すれば別の企業がその分採れなくなる。採用競争を激化させても、全体のパイは増えない。第1章で見た「人余り部署 × 採用難部署」の社内版が、ここでは国全体の規模で起きている。したがって人口動態の圧力に対する真の解は、外部採用ではなく、AI による生産性向上・既存人材のリスキリング・労働参加率の引き上げ（女性・高齢者・外国人材）という供給側の拡張に求めざるをえない。採用はこのパイの奪い合いの一手段に過ぎず、それ単体では構造問題を解けない。
パンデミック以降のリモートワーク普及は、採用の地理的境界を根本的に変えた。
フルリモート企業の人材獲得優位。 GitLab、Automattic（WordPress）、Zapier 等のフルリモート企業は、地理的制約なしにグローバルから採用できることを競争優位としている。
ハイブリッドの定着。 2025-2026年時点で、多くの大企業はハイブリッド勤務（週2-3日出社）に落ち着いている。ただし、「ハイブリッド」の定義は企業間で大きく異なり、統一的な基準は存在しない。
オフィス回帰の圧力。 Amazon（週5出社義務化）、Google、JP Morgan 等が RTO（Return to Office）を推進する一方、これが離職率上昇や採用難につながるケースも報告されている。
Geo-arbitrage の出現。 高賃金地域の報酬で低コスト地域に居住する「Geo-arbitrage」は、リモートワーク時代の新現象である。一部の企業はロケーションベースの給与調整（location-based pay）を導入し、これに対応している。
採用地理をめぐるこの綱引きは、突き詰めれば「タレントプールの定義権を誰が握るか」の争いである。フルリモートを選ぶ企業は、タレントプールを地理から切り離し、世界中を母集団にできる代わりに、世界中の企業と同じ人材を奪い合う。オフィス回帰を選ぶ企業は、母集団を通勤圏に絞る代わりに、その地域内では密度の高い関係資本を築ける。どちらが優位かは一概に言えないが、重要なのは、これがもはや「働き方の好み」の問題ではなく、採用競争の土俵そのものを設計する戦略判断になっているという点である。RTO を「規律の問題」として語る企業は、自社のタレントプールを自ら狭めている可能性に無自覚なことが多い。
フリーランス、契約社員、派遣社員等のコンティンジェントワーカーは、先進国の労働力の30-40%に達しているとされる。
プラットフォーム経済の進化。 Upwork、Fiverr、Toptal 等のフリーランスプラットフォームに加え、AI を活用したスキルマッチングプラットフォームが台頭している。
Total Workforce Management の必要性。 正社員・契約社員・フリーランス・AI エージェントを含めた「Total Workforce」の最適化が、人材戦略の新たなフロンティアとなっている。
日本の文脈。 日本のギグワーカーは欧米と比較して少ないが、副業・兼業の解禁の流れにより増加傾向にある。2023年のフリーランス保護新法の成立は、ギグワーカーの法的地位を明確化する一歩である。
この章のデータを俯瞰すると、人口動態の変化は Talent Paradox を「解消不能な前提条件」に格上げしていることがわかる。先進国の労働力は構造的に縮小し、ギグワーカーや AI エージェントを含む Total Workforce で補完せざるをえない。採用戦略はもはや「正社員を何人採るか」ではなく、「正社員・契約社員・フリーランス・AI をどの比率で組み合わせるか」というポートフォリオ設計の問題に変わりつつある。
前章までのグローバルな構造変化に、日本はそのどの断面にもきれいには当てはまらない「ねじれ」を抱えて臨んでいる。労働力縮小の速度は世界最速でありながら、それに最も適応しにくい雇用慣行——職務を後から書き込むメンバーシップ型——を温存しているという組み合わせである。変化を迫る圧力と、変化を拒む摩擦係数が同時に最大化する。これが日本を、本稿で見てきたどの国よりも解きにくいケースにしている。
濱口桂一郎が指摘するように、2020年以降の「ジョブ型」ブームは、1985年の ME 化時代の「メンバーシップ型礼賛」と同じ構造を持っている。新しい技術に乗せてレトリックが入れ替わるだけで、本質的議論はどこかに飛んでいる。
変わりつつあるもの:
- 通年採用の拡大: 経団連の就活ルール廃止（2021年卒以降）により、事実上の通年採用化が進行。ただし実態は「3月解禁」の慣行が根強く残る
- ジョブ型人事制度の導入: 日立、富士通、KDDI 等の大手がジョブ型への移行を宣言。ただし「ジョブ型 ≠ 成果主義」であることの理解は未だ不十分
- 中途採用比率の上昇: 2019年に経団連が「中途採用比率の公表」を大企業に推奨。大企業の中途採用比率は上昇傾向
- 副業・兼業の解禁: 2018年の「副業・兼業の促進に関するガイドライン」以降、解禁企業が増加
変わらないもの:
- 新卒一括採用の存続: 通年採用化は進むものの、4月一斉入社・集合研修の慣行は大企業を中心に根強い
- 「空白の石板」型契約: ジョブ型を標榜しても、入社後の配属・異動は依然として会社主導
- 年功的処遇: 職能資格制度から職務等級制度への移行は進むが、年功的運用が残る企業が多い
- 終身雇用の社会規範: 大企業の自発的離職率は依然として低い
日本の2024年の出生数は過去最少を更新し続けており、労働力の絶対的縮小が不可避である。
新卒市場の構造的売り手市場化。 大卒求人倍率は1.5倍を超える水準が続き、中小企業では充足率の低下が深刻化している。新卒採用の質・量の両面で、特に中堅・中小企業が不利な立場に置かれている。
対策の方向性:
- 外国人材の活用: 2019年の特定技能制度創設、2024年の技能実習制度見直し（育成就労制度への移行）
- 女性活躍の推進: 管理職比率の目標設定、育児支援制度の充実
- 高齢者の就労継続: 70歳までの就業確保努力義務（2021年施行）
- AI による人手不足補完: NTT の「34万人の業務の半分以上を AI が代替するが、リストラはしない」モデル
濱口が指摘する外国人材の二層構造は、採用の文脈でも明確に表れる。
ローエンド（単純労働）:
- 技能実習制度 → 育成就労制度への移行（2024年決定）
- 特定技能1号・2号の対象分野拡大
- 実態としての「移民政策を取らないと言いながら、事実上の移民を受け入れる」構造
ハイエンド（専門職）:
- 「技術・人文知識・国際業務」在留資格とメンバーシップ型正社員の矛盾
- ジョブ型の在留資格で入国した専門職人材が、メンバーシップ型の人事異動で「専門外」の部署に配属される不整合
- 高度専門職ビザの緩和（ポイント制）
AI と採用の関係は、日本では欧米と異なるフレーミングで進む可能性が高い。
「人手不足補完」フレーミング。 日本の AIと労働市場の分析が示すように、日本では「AI でリストラする」という言語化は社会的にリスクが高く、「AI で人手不足を補う」というフレーミングが社会的に通りやすい。採用の文脈では、AI が採用プロセスを効率化するだけでなく、AI が労働力の一部を代替することで採用する人数自体を減らせる（しかしそれをリストラとは呼ばない） という二重構造が生じている。
NTT モデルの含意。 NTT の「5年後に34万人の業務の半分以上を AI が代替するが、米テック大手のようなリストラはしない」宣言は、自然減 + リスキリング + 内部移動 で調整する日本型の典型モデルである。この場合、新卒採用のボリュームは漸減し、中途採用はリスキリング先の専門領域で選択的に行うことになる。
ここまでの各章で扱ったトレンドを踏まえ、日本企業の採用・人材戦略の移行を段階的に整理すると以下のようになる。
Phase 1（現在地、多くの日本企業）: 制度のハイブリッド化。 新卒一括採用を維持しつつ、中途採用比率を段階的に引き上げる。ジョブ型を標榜するが、運用はメンバーシップ型のまま。AI は個別ツールとして部分導入（ATS のスコアリング、チャットボット等）。この段階では Talent Paradox は「人事部の悩み」として個別対処されている。
Phase 1 → 2 の移行条件（何が揃えば次に進めるか）:
① 全社のジョブ・職務をスキル単位に分解したスキルタクソノミーが整備され、従業員のスキルプロファイルが一定カバレッジ（目安：正社員の7割以上）で可視化されていること。② 等級・報酬制度が職務／スキル基準に接続され、社内公募で異動しても処遇が不利にならない設計になっていること（メンバーシップ型の「会社命令異動」と両立しない）。③ 現場マネージャーに採用・受入の権限と予算が一定移譲されていること。この3点が欠けたままツールだけ導入すると、タレントマーケットプレースは「登録だけされて使われない箱」に終わる。
Phase 2（先進企業が到達しつつある地点）: スキルインベントリの構築と Internal Mobility。 社内のスキルを可視化し、タレントマーケットプレースで需給をマッチングする仕組みを導入する。外部採用の前に社内リソースを最適化する発想が定着する。通年採用が実質化し、ポジション単位の採用が増える。この段階で Talent Paradox は「社内と社外のスキル需給を統合管理する問題」として再定義される。
Phase 2 → 3 の移行条件:
① 正社員以外（契約・業務委託・フリーランス）と AI エージェントを同一のケイパビリティ台帳で扱い、「この能力を正社員で持つか・外部で調達するか・AI に担わせるか」を同じテーブルで比較できる管理単位が確立していること。② 雇用契約が「空白の石板」から具体的な職務・成果の記述に書き換わり、配属が会社の一方的命令ではなく合意ベースになっていること。③ 法務・コンプライアンス面で、業務委託の偽装請負リスクや AI 判定の説明責任（第4章の規制）に対応できるガバナンス基盤が整っていること。とりわけ②は技術ではなく労使の合意形成の問題であり、ここが日本企業最大のボトルネックになる。
Phase 3（構想段階）: Total Workforce のポートフォリオ管理。 正社員・契約社員・フリーランス・AI エージェントを含む全労働力を、スキルポートフォリオとして最適化する。採用は「ポジションの充足」ではなく「ケイパビリティの調達」として設計される。新卒採用は存続するが、その位置づけは「長期育成枠」として明示的にフレームされる。
私は現時点で、日本の大企業の大半が Phase 1 から Phase 2 への移行途上にあると見ている。ただし上記の移行条件に照らすと、多くの企業が「ツールは入れたが①②③が揃っていない」状態で足踏みしている。Phase 3 はまだ構想の段階だが、AI エージェントの業務代替が加速すれば、この段階への移行は想定より早まる可能性がある。移行速度を左右するのは技術ではなく、いずれの移行条件においても核心に居座る「空白の石板」型の雇用契約をどこまで書き換えられるかという、組織と社会の合意形成である。
ここまで Talent Paradox を軸に、各国の採用制度、スキルベース採用、AI 選考、人口動態を見てきた。この章では視点を変え、採用の「常識」そのものを科学的に再検証する。Talent Paradox が解消しない一因は、企業も候補者も採用に関する根拠のない思い込みに基づいて行動していることにあると私は考えている。
各神話には、それが誤りであるという証拠だけでなく、「なぜ誤りだとわかっていてもこの神話が組織から消えないのか」という存続メカニズムを併記する。Talent Paradox が解消しない理由の多くは、神話そのものより、神話を温存させる組織の構造にあるからである。
→ Hidden Workers 調査は2,700万人の False Negative を示す。 ATS の自動フィルタは、職歴ブランク・学歴・キーワード不一致で有能な候補者を構造的に排除している。
→ なぜ根強いか: 履歴書は最も低コストで大量処理できるシグナルであり、ATS が「客観的に絞り込んだ」という手続き的な安心感を与える。取りこぼした候補者（False Negative）は採用担当者の目に永遠に触れないため、誤りのフィードバックが構造的に得られない。見えない失敗はコストとして認識されない。
→ 非構造化面接の予測妥当性は r = .19。 これはほぼランダムに近い。構造化面接 (r = .42) でようやく実用的な予測力を持つ（Sackett et al., 2022）。
→ なぜ根強いか: 面接官は「自分は人を見る目がある」という自己評価を手放したがらない。さらに採用後の成功例は記憶に残るが、採らなかった候補者の「もし採っていれば」は検証不能なため、面接官は自らの的中率を過大評価し続ける（反実仮想の欠落）。
→ P-O fit（個人-組織適合）の職務成績予測力は r = .15 に過ぎない。 一方、退職予測力は r = .24 とやや高い（Kristof-Brown et al., 2005）。カルチャーフィットは retention には寄与するが、performance 予測には弱い。
→ なぜ根強いか: 「フィット」は言語化されない感覚であるため、誰も反証できない。加えて「自分たちに似た人を採りたい」という同質性選好を、専門用語で正当化してくれる便利な隠れ蓑として機能する。多様性を損なう判断が「カルチャーフィット」の名で免責される。
→ 「好きを仕事に」は幸福度を上げないし、スキルも伸びない。 仕事への情熱は注いだリソース量に比例して事後構築される（科学的な適職）。
→ なぜ根強いか: 「好きを仕事に」は採用ブランディングと自己啓発市場の双方にとって商品価値の高い物語であり、語る側にインセンティブがある。情熱は結果であって原因だという因果の向きは、直感に反するため受け入れられにくい。
→ 給与アップの幸福効果は1年しか続かない（hedonic adaptation）。 一定額を超えると逓減し、採用において給与は必要条件ではあるが十分条件ではない。
→ なぜ根強いか: 給与は最も操作しやすく、最も数値で示しやすい採用変数である。仕事の意味づけや上司との関係といった効きの大きい要因は設計が難しいため、組織は測りやすく動かしやすい給与に解を求めがちになる（街灯効果）。
→ AI は過去のバイアスを増幅する。 Amazon の AI 採用ツール廃棄事例が象徴的。NYC Local Law 144 と EU AI Act は、AI 採用が公平とは限らないことを法的に認めた規制である。
→ なぜ根強いか: 「機械は人間より客観的」という技術への素朴な信頼に加え、AI を介在させることで差別的判定の責任の所在を曖昧化できる（「アルゴリズムが決めた」）。公平性の担保よりも、説明責任の回避という別の効用が温存を後押しする。
→ エニアグラムはタロット占いレベル、MBTI は40年批判され続けている。 RIASEC の予測力はほぼゼロ。Sackett 2022 以降の知見では、性格テスト単体の予測力は構造化面接やワークサンプルテストに劣る（科学的な適職 + Sackett et al., 2022）。
→ なぜ根強いか: 結果が「4文字のタイプ」のように単純で記憶しやすく、チームの共通言語として消費しやすい（バーナム効果）。さらに測定ベンダーという供給側の経済的利害が存在し、エンタメとしての満足度が予測妥当性の低さを覆い隠す。
以上、初回ドラフト。Web 検索による最新データの補完、および各章の深掘りが今後の課題。