従業員ライフサイクル全体のAI：採用から退職までのユースケース
Turn this article into takeaways for your work.
Each assistant summarizes the article only for you and suggests best practices for your work.
従業員ライフサイクル全体でAIを活用するとは、社員が自社と関わる各段階（惹きつけ、採用、オンボーディング、育成、定着、退職）にAIを適用することですが、各段階の安全性は同じではありません。求人広告の下書きや福利厚生に関する質問への回答をAIが行う場合、リスクはほとんどありません。一方、候補者の順位付けや雇用終了の対象者の抽出をAIが行う場合は、人の生活に影響を及ぼすため、法規制とバイアスのおそれが集中します。 人事責任者に求められる実践的なスキルは、あらゆるユースケースを見つけることではありません。どの段階を大幅に自動化し、どの段階を軽く支援するにとどめ、どの段階を確実に人の手に残すかを見極めることです。
本記事は、AIがどこに適合するのか、各用途にどのようなデータが必要か、取り組みをどの順序で進めるかを示すマップを求めるCHRO、人事ディレクター、人事マネージャー向けです。全体像については、まず中核となる解説記事のAI in HRをご覧ください。具体的なエージェント導入の一覧はAI agents for HRにまとめており、本記事ではその一覧を繰り返しません。ここではリスクを軸に考え方を整理します。
重要なポイント
- EU AI法は、募集や選考に使われるAIシステム（求人広告のターゲティング、応募書類の絞り込み、候補者の評価を含む）を、附属書IIIの4(a)に基づく高リスクに分類しています（AI Act Annex III）。
- 同じ附属書IIIの項目は、昇進や雇用終了の判断、行動や個人的特性に基づく業務の割り当て、業績の監視と評価など、労働関係の条件に影響を及ぼすAIも対象としています（AI Act Annex III）。
- AI法は、職場で個人の感情を推測するAIシステムを禁止しており、医療または安全上の目的には例外があります（AI Act Article 5）。
- ニューヨーク市のLocal Law 144は、使用前の1年以内にバイアス監査を受けていない自動雇用判断ツールの使用を雇用主に禁じており、DCWPは2023年7月5日から執行を開始しました（NYC DCWP）。
- GDPR第22条のもとでは、法的効果または同様に重大な影響を及ぼす場合、プロファイリングを含む自動処理のみに基づく決定の対象とされない権利が個人にあります（GDPR, Regulation (EU) 2016/679）。
ライフサイクルが適切な視点である理由
多くの人事チームは、AIをツールの一覧として目にします。こちらにチャットボット、あちらにスクリーニング製品、別の場所にサーベイ分析ツールといった具合です。この捉え方では、最も重要な点が見えなくなります。その点とは、段階によって結果が異なるということです。オンボーディングのフィードバックを要約するモデルと、応募者をスコア化するモデルは、似た技術を使っていても、誤った答えがもたらすコストはまったく違います。
ライフサイクルを使えば、どの用途案についても次の3つの問いを立てられます。
- どの意思決定に関わるのか。 情報（質問への回答）なのか、提案（誰を面接するかの示唆）なのか、決定（誰かを不採用にすること）なのか。
- 誰が影響を受け、異議を唱えられるのか。 規程に関するチャットボットから誤った回答を受けた従業員は、もう一度尋ねられます。黙って除外された候補者には、通常それができません。
- どのデータが必要で、使える状態で揃っているのか。 実際には、制約となるのはモデルではなくこの点であることが多いのです。
この3つの問いが、下の表のリスクの傾向を説明します。また、AIユースケースの優先順位付けというより広い考え方ともつながります。価値が高く、誤りのコストが低い業務から先に取り組むということです。
ライフサイクルマップ：ユースケース、データ、リスク
この表は、各段階の代表的な用途を整理したものです。網羅的ではなく、リスクの評価は典型的なケースを示しています。適切に統制された導入であれば用途のリスクを下げられ、不注意な導入であれば上がることもあります。
| 段階 | 代表的なAIユースケース | 各用途に必要なデータ | 典型的なリスク |
|---|---|---|---|
| 惹きつけ | 求人広告とemployer brandコンテンツの下書き作成、候補者の質問に答えるキャリアサイトのチャット、ソーシングの提案、広告のターゲティング | 職務の説明、ブランドガイドライン、公開プロフィール、求人媒体の成果 | 低から中（広告のターゲティングやソーシングのフィルターが保護対象属性の人々を除外する場合は上がります） |
| 採用 | 履歴書の解析、候補者の順位付けとスクリーニング、面接日程調整、面接の要約、スキル評価 | 履歴書、応募フォーム、構造化面接のスコア、過去の採用結果 | 高（選考の判断は規制の対象で、バイアスが生じやすいためです） |
| オンボーディング | 新入社員向けのQ&Aアシスタント、タスクチェックリストとリマインダーの自動化、書類の回収、職務別の学習計画 | 規程、ハンドブック、組織図、HRISの記録、機器とアクセス権限のワークフロー | 低（主に情報とワークフローです） |
| 育成 | スキル推論、学習のレコメンド、社内異動のマッチング、コーチングアシスタント、評価コメントの下書き作成 | スキルデータ、学習履歴、評価の記録、ジョブアーキテクチャ | 中（出力が昇進の判断に反映される場合は高くなります） |
| 定着 | 離職リスクの予測、エンゲージメントと感情の分析、報酬ベンチマーク、業務量とバーンアウトの兆候 | HRISの履歴、サーベイの回答、給与データ、上司の変更、欠勤と勤続のデータ | 中から高（機微なデータ、監視への懸念、誤った予測に基づいて行動するリスクがあります） |
| 退職 | 退職面談のテーマ分析、退職手続きのチェックリスト、ナレッジ移転の記録、雇用終了に先立つ評価や行為の抽出 | 退職アンケートのテキスト、退職手続きの記録、評価と行為の履歴 | 分析とチェックリストは低、雇用終了の判断に影響するものは高 |
リスクの列を上から読むと、3つの点が目立ちます。リスクは、会社が個人について重大な判断を下す2つの場面、つまり採用するかどうかと、関係を終わらせるかどうかに集中します。また、個人に関する予測（誰が辞めそうか、誰が成果を出しそうか）が行動に変わるところでも高まります。そして、静かな段階であるオンボーディングと退職の分析面に、最も安全な成果があります。
段階によってリスクが大きく異なる理由
採用と雇用終了は規制の対象となる領域
規制当局も、同じ箇所に線を引いています。EU AI法の附属書III第4項は、募集と選考に使われるAIシステム（求人広告のターゲティング、応募書類の分析と絞り込み、候補者の評価を含む）と、昇進や雇用終了、行動や個人的特性に基づく業務の割り当て、業績の監視と評価など、労働関係の条件に影響する決定を下すために使われるAIシステムを挙げています（AI Act Annex III）。この一覧に載るシステムは高リスクに分類され、リスク管理、データ品質、文書化、人間による監督などに関する義務が生じます。EU域内で事業を行う場合や、EUから採用する場合は、自社のどのツールがそれらの区分に入るかを法務チームが把握しておく必要があります。これらの義務の適用時期は改正されているため、古い要約に頼らず、最新の日程を顧問弁護士に確認してください。
米国の状況は、単一の法律ではなく寄せ集めですが、注目される段階は同じです。ニューヨーク市のLocal Law 144は、採用と昇進に使われる自動雇用判断ツールを対象としています。雇用主は、使用前の1年以内にバイアス監査を受けたツールでなければ使用できず、監査に関する情報を公開し、候補者と従業員に通知しなければなりません。通知の時期について、DCWPのガイダンスはツールを使用する10営業日前としています（NYC DCWP）。ほかの法域にもビデオ面接、生体データ、自動化された決定に関する独自の規則があるため、ある拠点では問題ないツールが、別の拠点では問題になる場合があります。
次に、データ保護があります。GDPRは、法的効果または同様に重大な影響を及ぼす場合、プロファイリングを含む自動処理のみに基づく決定の対象とされない権利を個人に認めています（GDPR Article 22）。不採用や解雇が重大な影響に当たることは明らかです。これが、こうした決定に生身の人間が関与しなければならない理由の1つであり、ヒューマン・イン・ザ・ループの設計で論じられています。
過去の履歴が学習データとなる場面ではバイアスのリスクが最も高い
採用モデルは、自社が過去に誰を採用し、昇進させたかから学習します。その履歴が偏った判断を反映していれば、モデルはそれを静かに、一貫して、大規模に再現するおそれがあります。これがAIにおけるバイアスの核心であり、スクリーニングの段階が、規程に関するチャットボットよりも厳しい精査に値する理由です。ニューヨーク市のような監査要件が存在する理由でもあります。「このツールは客観的だ」という主張は、前提とするのではなく、検証しなければならないのです。
用途によっては認められないものがある
AI法は、職場での感情認識を規制するにとどまりません。第5条は、職場で個人の感情を推測するAIシステムを禁止しており、医療または安全上の理由には例外があります（AI Act Article 5）。たとえば、表情や声のトーンから候補者や従業員の感情を読み取るとうたうツールは、面接やチームの会議に近づける前に、非常に慎重な法的審査が必要です。サーベイのコメントのテキスト分析は別の話ですが、「人々が書いた内容を分析すること」と「見た目や声から感情を推測すること」の境界線こそが、注意すべき点です。
影響の大きさと取り消しやすさ
法律を離れても、もっと単純なマネジメント上の基準があります。誤りがどれだけ簡単に見つかり、元に戻せるかです。オンボーディングのチャットでの誤答は、次のメッセージで訂正されます。誤って不採用になった候補者は、それを自社に伝えてくれません。誤って抽出された従業員は、誰かがその指摘を確かめる前に、退職へ追い込まれるかもしれません。誤りが見えにくく、元に戻しにくいほど、人によるレビューが必要になります。
段階別のガイダンス
惹きつけ
まずはコンテンツ面から始めてください。職務記述書の下書き、平易な言葉への書き換え、職種別のキャリアページ向け文面の作成は、人の編集者が関与する生成タスクです。出力にバイアスのかかった表現や排他的な表現がないかを確認し、記載した要件がすべて本当に必要なものであることを確かめてください。よりリスクの高い領域はターゲティングとソーシングです。求人広告を誰に見せるか、誰にアプローチするかをツールが決めるなら、マーケティングのように感じられても、規制が注目する選考の領域に入っています。
採用
この段階は、ベンダーの売り込みが最も多く、リスクへのさらされ方も最大です。実用的な方法は、支援と決定を切り分けることです。AIは、ロジスティクス（日程調整、候補者への進捗連絡、履歴書を統一された形式に変換する解析）と、構造化された面接ガイドの下書きに使ってください。順位付けと不採用については、はるかに慎重になる必要があります。スクリーニングツールを使う場合は、上位だけでなく、順位が低いと判定された候補者も人が確認するべきであり、なぜその候補者が除外されたのかを説明できなければなりません。実際にそれが何を意味するのかは、説明可能なAIをご覧ください。
オンボーディング
オンボーディングは、多くのチームにとって、最もリスクが低く、最も早く投資を回収できる段階です。ハンドブックと規程に対する質問応答アシスタント、マネージャーとITに通知するチェックリストエンジン、職務別のラーニングパスは、いずれもすでに自社が持っている情報に基づいています。主なリスクは正確性です。休暇規程を自信満々に誤って説明するアシスタントは、現実の問題を引き起こします。最新の規程文書に基づかせ、出典を示し、あいまいなものはすべて担当者に回してください。
育成
スキル推論、学習のレコメンド、社内異動のマッチングは、従業員が知らなかったキャリアの道筋に気づく助けになります。これらは質の良いスキルデータに依存しますが、多くの企業にはきれいな形で揃っていません。こうした出力が、誰を昇進させるか、誰にストレッチ目標となるプロジェクトを割り当てるかを静かに左右するようになると、リスクは高まります。育成のレコメンドが関門になる場合は、選考ツールと同様に扱い、監査を行い、責任を負う人を明確にしてください。
定着
離職予測は、経営層が最も好むユースケースですが、最も慎重に扱うべきものでもあります。退職しそうな従業員を抽出するモデルは、機微なデータに基づくピープルアナリティクスの用途であり、危険は次に起きることにあります。チームレベルで、マネージャーに会話のきっかけを提供するために出力を使うのは1つの方法です。離職リスクがあると抽出された個人に対して、昇給やプロジェクトを見送るために使うのはまったく別のことであり、おそらく不公平です。行動する前に集計し、個人へのラベル付けを避け、何を分析しているかを従業員にオープンにしてください。エンゲージメントサーベイのテキスト分析と報酬ベンチマークは、グループ単位で行うため、より安全です。
退職
この段階は2つに分けてください。分析面（退職面談のテーマの発見、チームや勤続年数別に見た退職理由の追跡、退職前のナレッジの記録）は、リスクが低く、価値が高いことが多いものです。決定面はそうではありません。業績や行為について従業員をスコア化、抽出、順位付けするAIで、その出力が雇用終了につながるものは、前述の高リスクの区分に入ります。決定は、根拠となる事実を確認し、それを説明でき、判断の理由を文書に残す、特定の担当者に委ねてください。
段階の優先順位の付け方：ステップごとに
ライフサイクル全体に一度に導入する必要はなく、そうすべきでもありません。ほとんどの人事チームに有効な順序は次のとおりです。
- 非公式なものを含め、現在の利用状況を洗い出します。 各人事チームと採用担当マネージャーに、すでに使っているAIツールを尋ねてください。採用担当者が履歴書を公開チャットボットに貼り付けているのは、よくある驚きです。これが、一般にシャドーAIと呼ばれる問題です。
- すべての用途をマップに位置づけます。 それぞれを、ライフサイクルの段階別に、また情報提供、提案、決定のいずれに当たるかで分類します。
- それぞれを価値とリスクで採点します。 上の表を出発点として使ってください。価値は、削減できた時間や回避できた誤りです。リスクは、誤った出力のコストに、それを検知する難しさを掛け合わせたものです。
- 価値が高くリスクが低いところから始めます。 多くのチームにとっては、オンボーディングの支援、求人広告やコミュニケーションの下書き作成、日程調整、退職面談のテーマ分析です。
- 購入する前にデータの準備状況を確認します。 各候補の用途について、表に挙げた入力が使える正確な形で揃っていること、そしてこの目的に使う権利があることを確認します。HR data foundationsの記事に、準備状況のチェックリストがあります。
- 意思決定に関わるものには、人によるレビューのルールを設けます。 誰がレビューし、何を見て、何を上書きできるのかを書き出し、記録に残してください。
- 範囲を絞ってパイロット導入し、ベースラインと比較して測定します。 1つのチーム、1つの段階を選び、数週間実施します。削減できた時間と誤り率を測定し、採用ではグループ別の結果も確認してください。
- リスクの高い段階は、ガバナンスを整えたうえで最後に進めます。 その頃には、実績、責任者、プロセスが揃っているはずです。そうした体制に含まれる内容は、AIガバナンスの記事で扱っています。
よくある落とし穴
- 「スイート製品」を購入し、すべてを有効にする。 ベンダーは低リスクの機能と高リスクの機能を一括りにして提供します。安全な機能から先に有効にし、スクリーニングとスコア化は評価が終わるまでオフにしておいてください。
- ベンダーが責任を負うと思い込む。 ツールを導入した雇用主が、その結果について責任を問われると考えてください。契約の前に、バイアス監査の結果、文書、データ利用の条件を求めてください。
- 予測を事実として扱う。 離職スコアや候補者の順位は、過去のパターンに基づく確率です。人との対話のきっかけであり、判決ではありません。
- 従業員と候補者を飛ばす。 法律が通知を求める場合は、通知してください。求めない場合でも、人々に伝えてください。驚きは、ツールが節約する時間よりも早く、信頼を損ないます。
- 入力するデータを軽視する。 候補者や従業員の個人データを汎用ツールに貼り付けると、プライバシー上の義務や自社の規程に違反するおそれがあります。
- スピードだけを測定する。 候補者の母集団を不当に狭めるスクリーニングの高速化は、成果とは言えません。時間と並べて、質と公平性も追跡してください。
- 変革の側面を忘れる。 ツールを理解していないマネージャーは、無視するか、過信するかのどちらかです。研修の予算を確保してください。
全体のまとめ
1つだけ覚えておくなら、リスクは技術ではなく意思決定に付随する、ということです。同じ言語モデルでも、オンボーディングアシスタントの裏側なら安全に使えますが、不採用通知のメールの裏側では危険になります。用途をライフサイクルにマッピングし、誤りが安価で見えやすい段階に最初の労力を注ぎ、監査、文書化、人の説明責任によって、採用と退職の判断へと歩を進めてください。この順序は最も早い成果をもたらしやすくもあります。低リスクの段階には、反復的で回答可能な業務が集まっているからです。
Senior Customer Retention Strategist