AI時代に採用応募数が急増するなか、「AIで早くスクリーニングする」という解を選ぶ企業が増えている。しかしこれは、採るべき人材を誤って落とす「偽陰性」リスクを構造的に拡大させる罠である。Sackett（2022）以降の選考妥当性研究と、HBS（2021）の「Hidden Workers」調査が示す知見を軸に、CHRO・採用設計者が問い直すべき哲学——「早く絞る」ではなく「正確に見抜く」——を論じる。
採用担当者から「応募が増えすぎて捌けない」という相談が増えた。母集団が20倍に膨らみ、AIスクリーニングの自動化を急ぐ企業が増えている。ある企業の技術系インターンでは、昨年200名だった応募が今年は4,000名を超えた。だが私は、「捌く」という問いの立て方そのものが危ういと考えている。
「応募が増えたのだからAIでスクリーニングを効率化する」という発想は、一見合理的である。母集団が20倍になれば、同じ工数で同じ比率を通過させるためには機械の力を借りるしかない——という論理は筋が通っているように見える。
しかしここに落とし穴がある。「スクリーニング効率化」と「採用品質向上」は同じ方向を向いていない。むしろ状況によっては、真逆のトレードオフを生む。
採用品質を規定するのは、「悪い候補者を落とす精度」（偽陽性の抑制）だけではない。「採るべき人材を取りこぼさない精度」（偽陰性の抑制）もまた、等しく重要である。AIによる大量スクリーニングが高速化するのは主に前者であり、後者のリスクは設計次第で急拡大する。
採用の世界では、「採った人が悪かった」コストは可視化されやすい。離職・パフォーマンス不振・採用やり直し。これらは損益に反映される。
しかし「採るべき人を落とした」コストは会計帳簿に現れない。それが見えにくい盲点を生んでいる。
HBSとアクセンチュアが2021年に米国企業を対象に行った大規模調査は、この盲点の規模を示している。米国には2,700万人の「Hidden Workers」——職歴ブランク、育児・介護によるキャリア中断、元犯罪歴など——が存在し、その多くが企業のATSによって機械的に弾かれている[1]。そしてこの層を採用した企業は、ロイヤルティ・業績の主要KPIで他の採用者を上回ると報告された。つまり、スクリーニングが「優秀な人材」ではなく「特定のフォーマットに合致した人材」を選んでいた可能性がある。
採用心理学の世界では長年、一般認知能力テスト（GMA）が「最も予測妥当性の高い選考ツール」とされてきた。Schmidt & Hunterの1998年のメタ分析は、GMAの予測妥当性を r ≈ .51–.65 とし、多くの企業の選考設計に影響を与えた。
これが2022年に大きく書き換えられた。
Sackett、Zhang、Berry、LievensByらの研究（Journal of Applied Psychology, 2022）は、従来のGMA妥当性係数が「範囲制限（range restriction）の過剰補正」によって大幅に過大評価されていたことを明らかにした[2]。補正後の実際の予測妥当性（観測値ベース）は r ≈ .31–.38 の範囲に収まると報告されており、Schmidt & Hunterの通説値 r ≈ .51–.65 を大幅に下回る。
さらに2024年のBerry、Lievens、Zhang、Sackettによるフォローアップ研究（Journal of Applied Psychology, 2024）は、より重要な示唆をもたらした。GMAテストを選考バッテリーから除外しても、選考全体の予測妥当性はほぼ低下しない。一方で、Black-White間の平均差（d ≈ 0.7–1.0標準偏差）で表されるAdverse Impact（不当な不均衡）は大きく低減する[3]。
これが意味することは何か。「GMAで早期に絞る」設計は、妥当性の面で見返りが小さく、かつ特定集団を過剰に排除するリスクを負っている、ということだ。AI時代に応募数が爆増するなかでこの設計を踏襲すれば、偽陰性の問題は量的に拡大する。
同じ問題を、採用候補者側と採用企業側の二層に分けて考えることが重要である。
候補者の視点では、AIスクリーニングは「フォーマットへの適応ゲーム」を強化する。CVの書き方、キーワードの有無、職歴の継続性——これらはいずれも能力の直接指標ではなく、「AIに読まれやすいかどうか」の指標である。真に優秀な候補者であっても、スクリーニング様式に不慣れであったり、オルタナティブなキャリア経路を歩んでいたりするだけで脱落する。採用プロセスが候補者を選ぶのではなく、採用ゲームを攻略できる人材を選ぶ構造になりつつある。
企業・CHROの視点では、スクリーニング効率化は「工数コスト削減」という短期指標と、「人的資本ROIの毀損」という長期指標が逆方向に動くトレードオフを内包している。選考工数を半分にしても、採用した人材の平均パフォーマンスが下がれば、トータルのリターンは悪化する。人材の質は遅れて業績に現れるため、このトレードオフは意思決定時点では見えにくい。
では、AI時代の採用設計はどうあるべきか。私の考えを整理すると、次の4点に集約される。
1. スクリーニングの「目的」を再定義する
現在の設計が「何を最小化するため」に組まれているかを問い直す。「悪い人材を落とす」ことに最適化された設計は、必然的に偽陰性コストを見落とす。「採るべき人材を正確に見抜く」という目的で再設計すると、プロセスの構成が変わる。各ステージで「この段階が本当に追加の情報を生んでいるか（add-validity）」を問うことが出発点になる。
2. 早期のknock-outフィルタを検証する
「TOEIC 800以上」「職歴ブランク6ヶ月以内」「特定大学卒」——これらが本当にその職務の成功予測に寄与するかを、criterion validity（基準関連妥当性）で確認しているか。多くの企業でこの検証が行われていない。先述のSackett 2022/2024の知見を踏まえれば、GMAや偏差値ベースの早期フィルタは予測妥当性への寄与が小さく、かつ多様な人材プールを縮小する可能性が高い。
3. Sequential Hurdleから補償型モデルへの移行を検討する
日本企業の多くは「書類→適性検査→一次面接→二次面接……」という非補償型の逐次関門（Sequential Hurdle）を採用している。この設計では、一つの段階でカットラインを下回った候補者は他の優れた特性があっても復活できない。産業・組織心理学の研究は、全段階スコアを統合して判断する補償型（Compensatory）モデルの方が、期待業績と選考効用の双方で優れることを示している[4]。AIはこの「統合判断」の補助ツールとして最も効果的に機能する——早期の篩い落としツールとしてではなく。
4. パーソナリティとジョブフィットを評価の第2軸に組み込む
スキル・経験は「過去に何をしてきたか」を示すが、役割や環境が変化した時に候補者がどう機能するかは見えない。この不確実性をパーソナリティ特性との適合度（ジョブフィット）で補完する設計が有効である。特にAIが業務を再編する時代には、「現在のスキルセット」よりも「新しい役割への適応性」と「ミッションクリティカルな職務でのストレス耐性」の方が、長期的な採用品質を規定する要因になりうる。
採用設計において、テクノロジーの役割は「人間がやっていたスクリーニングを速くする」ことではない。「人間が見落としていたシグナルを補完し、より正確な予測を実現する」ことである。
この違いは一見小さいが、組織に与える影響は大きい。前者の用途では、AIは既存の偏りを高速化し、偽陰性コストを量的に拡大させる。後者の用途では、AIは構造化面接の評価支援・多面的なジョブフィット分析・候補者体験のパーソナライズといった形で、選考精度と候補者との関係品質を同時に高める。
応募数が20倍になった今、問われているのは処理能力ではなく、設計哲学である。「早く絞る」ではなく「正確に見抜く」——この一語の違いが、10年後の人的資本ポートフォリオの質を分ける。CHROが今すぐ踏み出せる一手がある——自社の最初の選考フィルタを一つ特定し、「これは本当に職務成功を予測しているか（criterion validity）」を問うことだ。その問いを立てた瞬間から、設計哲学の転換は始まる。
6月のあるオフサイトで、新卒採用の応募数が前年比20倍に膨らんだという話を聞いた。担当者の第一声は「どう捌くか」だった。その気持ちは分かる。しかし私は「どう見抜くか」に問いを立て直すことこそが、採用設計者に問われる本来の仕事だと思っている。
Sackett 2022の知見は、単なるアカデミックな更新ではない。これは「私たちが正しいと信じてきた選考ロジックの相当部分が、実は根拠が薄かった」という実務への警告でもある。採用の問いを立て直す好機が巡ってきたとすれば、この警告を正面から受け止める良いタイミングだ。
参考文献
[脚注]
[1] Fuller et al. (2021). HBSとアクセンチュアの共同調査。米国企業2,250社・求職者人材等を対象。Hidden Workersを採用した企業はロイヤルティ・主要KPIで他採用者を上回ると報告。
[2] Sackett et al. (2022). range restriction補正の方法論的問題を指摘。Schmidt & Hunter (1998)以来の妥当性係数の推定値が過大であることを示した。
[3] Berry et al. (2024). GMAを除外した選考バッテリーでも予測妥当性はほぼ維持される一方、Black-White平均差（d≈0.7–1.0）を主因とするAdverse Impactは大幅に低減することを示した。
[4] Cascio & Aguinis (2019) 等。CompensatoryモデルはSequential Hurdleに比べ期待業績（expected performance）と選考効用（selection utility）が高い。実務的なコスト制約との折衷としてハイブリッド設計（序盤は軽量hurdle、終盤は補償型統合スコア）が推奨される。
voice 4.2: である調一貫・「私は考えている」削除で断言強化・冒頭フックを「捌けない」相談起点に即物化。「私」出現頻度3回（指定内）・あとがき有。
slop 4.1: 「構造的な盲点」→「見えにくい盲点」・「AI時代」繰り返し2箇所削減・「本質的な仕事」削除・「一語の違い」展開を具体的提言に変換。残留：「一見小さいが」等軽微。
argument 4.2: Sackett 2022補正後係数 r≈.31–.38 を本文追記（脚注偏りを解消）。Berry 2024のd値は既存本文（d≈0.7–1.0）で対応済み。結論にcriterion validityの実務的問いを追加。
citation-factchecker 2ラウンド: citation_status: passed。[1]Fuller 2021 HBS+Accenture verified / [2]Sackett 2022 JAP 107(11) verified / [3]Berry 2024 JAP Vol.109 No.10 pp.1611-1634 verified / [4]Cascio & Aguinis 2019 verified。
next iteration: score 4.17 ≥ 4.0 達成。介入見送り推奨。
voice 4.0: である調・「私」の出現回数（3回：冒頭・実務示唆4点・結論・あとがきに計4回配置）・通説の裏提示・あとがき有。海外著者名は姓ローマ字。脚注[1]〜[4]形式。概ね準拠。弱点：リード文と結論の一部に抽象度が残る。
slop 3.8: 「AI時代」という枠組み語の繰り返し頻度が若干高い。「構造的」「本質的」等の空語が2〜3箇所。「正確に見抜く」という中核フレーズの展開は distinctiveで良いが、結論パラグラフがやや丸め込み気味。
argument 4.0: 逆説（応募増→AI効率化→偽陰性リスク増）の論理展開は明確。Sackett 2022/2024を主エビデンスとして使用しているが、本文内でのβ・d等の具体数値引用が脚注偏りで本文にもっと埋め込める。Hidden Workers 2,700万人と「GMAを外してもvalidityほぼ不変」という2つの根拠の組み合わせは論証として有効。実務示唆4点は具体性あり。
next iteration の優先改善点:
1. 本文内にd値・効果量を直接埋め込む（脚注参照でなく本文中）
2. 冒頭フックの即物性を上げる（「20倍になった」の手前に感情的引きを1文加える）
3. 「スロップ語」（構造的・本質的）を削る
4. 結論の「私は考えている」を一段具体的な提言に変換
（iteration 1 が初版 — proxy review 3.93 / 2026-06-23 by thesis-writer）