採用におけるAI：採用ファネル全体での仕組み

著者: Kevin Kim · 更新日: 2026年10月11日

採用におけるAIとは、機械学習と言語モデルを使って、採用の大量処理が必要なステップ（候補者の発見、応募書類の読み込み、日程調整、アセスメント、オファーの下書き）を処理し、採用担当者が対話と判断に時間を使えるようにすることです。 ステップごとに、必要なAIの種類も、リスクの水準も、「それでも誰が決めるのか」という問いへの答えも異なります。

本記事は、何かを購入または承認する前に、自社の採用ファネルの中で何が起きているのかを理解する必要があるタレントアクイジションのリーダー、人事マネージャー、採用担当マネージャー向けです。AI in HRの中の採用におけるAIセクションの中心となる記事であり、ファネル全体のレベルにとどめ、各ステップの詳細は個別のページを案内します。

重要なポイント

• ワシントン大学が、3つの言語モデルで履歴書を500件以上の実際の求人に照らして順位付けさせたテストでは、白人に多い名前が85%の確率で選ばれたのに対し、黒人に多い名前は9%でした（University of Washington）。
• 同じ研究では、男性に多い名前が52%の確率で選ばれたのに対し、女性に多い名前は11%でした（University of Washington）。
• ニューヨーク市のLocal Law 144は、自動雇用判断ツールが使用前の1年以内にバイアス監査を受けていることを求めており、市は2023年7月5日から執行を開始しました（NYC Department of Consumer and Worker Protection）。
• 欧州委員会は、採用時の履歴書スクリーニングを例とする、雇用と労働者管理のためのAIツールを高リスクとして挙げ、その規則は2027年12月2日から適用されるとしています（European Commission）。
• 同じ欧州委員会のページは、職場での感情認識を禁止される行為として挙げており、2025年2月に発効した禁止事項の1つです（European Commission）。

ファネルの各ステップでAIが行うこと

採用ファネルは、フィルターの連なりです。それぞれのフィルターが、大量の候補者を短いリストに絞り込み、AIは、母数が大きく、基準が文書化されているところで役立ちます。判断が主観的な場合やデータが乏しい場合には、役立つ度合いがずっと下がり、リスクも高まります。

ACE Frameworkの観点では、採用AIの大半は、応募書類やプロフィールを取り込み、要件に照らして分析し、マッチ度や可能性を予測し、アプローチ文や要約などのテキストを生成し、カレンダーの招待を送るといった小さなアクションを実行する仕組みで動いています。リスクの大部分を担うのは、スコアリングと文書の読み込みのパターンです。

ステップごとに：実務では何が変わるか

職務の定義

下流のすべては、職務記述書に何が書かれているかにかかっています。モデルは、職務の概要から最初の版を下書きし、専門用語を平易な言葉に書き換え、理由なく母集団を狭める表現を指摘できます。その職務に何が必要かを決めるのは、引き続き採用担当マネージャーです。詳細はAIによる職務記述書の作成をご覧ください。

ソーシング

ソーシングツールは、大規模なプロフィールデータベースを検索し、過去の採用者に似た人を提案し、個別化したメッセージを下書きします。利点は到達範囲です。採用担当者は、手作業では見つけられなかった人に連絡できます。欠点は、「過去の採用者に似ている」ことが、過去の採用にあったパターンをそのままなぞることです。履歴が偏っていれば、提案も偏ります。

スクリーニング

多くの応募者が最初にAIと出会うのが、ここです。システムが各履歴書を読み、スキルと経験を抽出し、要件に照らして人を順位付けします。うまくいけば、400件の応募を流し読みするのと、上位40件をじっくり読むことの違いになります。うまくいかなければ、誰も説明できない理由で、気づかないうちに人を落とします。両面についてはAIによる履歴書スクリーニングで扱っています。

日程調整

日程調整は、始めるのに最も安全な場所です。作業は機械的で、ルールは明示されており、ミスの代償は、人の仕事を得る機会ではなく、再調整で済みます。候補者、面接官、会議室のカレンダーを調整するツールは、採用1件あたり数時間を節約し、誰も評価しません。

面接

面接周りのAIは、通常、3つのことを行います。職務に結び付いた構造化された質問を提案し、会話を文字起こしし、パネルのために要約します。一部の製品はさらに進んで、候補者の話し方、表情、言葉選びをスコア化します。ここは疑ってかかるべき部分です。何が妥当で何がそうでないかについては、面接におけるAIをご覧ください。

アセスメント

アセスメントツールは、テスト、シミュレーション、ワークサンプルをスコア化します。そのスコアが職務遂行能力を予測し、グループを公平に扱うというエビデンスがあって初めて、価値が決まります。洗練されたダッシュボードは、そのエビデンスではありません。尋ねるべき質問は、AIによる採用前アセスメントで扱っています。

オファー

ファネルの最後で、AIはレターを下書きし、報酬のベンチマークを取り込み、承認を催促します。オファーレターの給与や入社日が誤っていると、法的にも関係の面でも問題になるため、下書きは人が読む必要があります。上記のすべてのステップについての候補者の体験は、AIと候補者体験で扱っています。

職種別の実例

タレントアクイジションチーム。 採用担当者が、数百人の応募者が集まる求人を公開します。モデルがすべての履歴書を解析し、それぞれを必須要件とマッチングし、3つのグループに振り分けます。採用担当者は、上位グループを全文読み、残りの2つはサンプルで確認し、誰かを移動させた理由を記録します。AIは読む時間を節約し、判断は採用担当者が保ちました。

採用担当マネージャー。 採用の経験がないマネージャーが、下書きツールを使って、大まかな職務の一覧を明確な求人票と構造化された面接の質問に変え、そのうえで両方を編集します。価値は、自動的な結果ではなく、より良い出発点にあります。

コーディネーターまたは人事オペレーション。 日程調整アシスタントが、候補者に空き時間を提示し、パネルを予約し、誰かがキャンセルしたときにはすべてを移動させます。判断は含まれないため、カレンダーが正しいかどうか以外に、監査すべきことはほとんどありません。

コンプライアンスと法務。 顧問弁護士が、人を順位付けまたはスコア化するすべてのツールをレビューし、バイアステストのエビデンスを求め、法律が求める場面で候補者への通知が整っていることを確認します。この機能は省きやすく、後から加えるとコストがかさみます。

リスクを具体的に

リスクは、ファネル全体に均等に広がっているわけではありません。AIが人を順位付けし、スコア化し、不合格とするところに集中します。

ランキングにおけるバイアス。 上記のワシントン大学のテストは、明確な例です。研究者は3つの言語モデルで、履歴書を500件以上の求人に照らして順位付けし、名前だけで結果が人種と性別によって大きく変わりました。これは研究環境で、特定のモデルをテストしたものであり、あらゆる市販製品に当てはまるわけではありませんが、どのツールも自社の応募者でテストすべき十分な理由になります。この概念はAIにおけるバイアスで説明しています。

法的リスク。 規則は、まだらに整備されつつあります。ニューヨーク市は、自動雇用判断ツールにバイアス監査と候補者への通知を求めており、EUは雇用に関するAIを高リスクとして扱い、職場での感情認識を全面的に禁止しています。ほかの地域にも独自の規則があり、それは変わります。これは一般的な情報であり、法的助言ではないため、人に関するあらゆる判断にAIを使う前に、顧問弁護士を関与させてください。

説明できない不採用。 候補者が、なぜ選考から外れたのかと尋ねたときに誰も答えられなければ、法的な問題になる前に、すでにプロセスの問題があります。説明可能なAIの考え方は、人が結果の理由を述べられることです。

根拠のない自信。 順位付けされたリストは客観的に見えますが、そうではありません。スコアは、その背後にあるデータと基準を映しており、上位10件より下を読まなくなった採用担当者は、判断をモデルに委ねています。

候補者の信頼。 人は、プロセスが自動化されて不透明だと感じたときに気づきます。担当者にたどり着けない、あるいはボットが応募書類を読んだのではないかと疑う候補者は、辞退することがあり、最も優れた候補者ほど選択肢を多く持っています。

採用ファネルにAIを導入する方法

1. 現在のファネルを描き出します。 各ステップ、担当者、所要時間、候補者が待たされたり離脱したりする箇所を書き出します。これがなければ、AIが何を改善したのかを判断できません。
2. ステップを、リスクと量で順位付けします。 日程調整や下書きなど、量が多くリスクの低いステップから始めます。順位付けとスコアリングは後に回します。
3. 先に基準を書きます。 AIによるスクリーニングは、要件を人に当てはめます。要件があいまいだったり水増しされていたりすれば、出力もそうなります。スキルベース採用で説明されているスキルに基づくアプローチは、モデルがマッチングするための、根拠を示せる基準を与えます。
4. 人による確認ポイントを定義します。 すべてのステップについて、AIの出力を誰がレビューし、何を見て、何を上書きできるかを明示します。これがヒューマン・イン・ザ・ループの設計であり、そのレビューは実効性のあるものでなければなりません。
5. ローンチの前にテストします。 過去の応募をツールに通し、グループ間で結果を比較します。ベンダーには、製品がどのようにテストされたか、監査結果を共有してくれるかを尋ねます。
6. 候補者に伝えます。 AIをどこで使い、何を行い、担当者にどう連絡できるかを示します。法律が通知を求める場合は、それに従います。
7. 1つのステップで、1四半期パイロット導入します。 日程調整にかかる時間、採用1件あたりの採用担当者の工数、レビュー担当者による修正、候補者のフィードバックを測定します。
8. ツールの選定は最後にします。 プロセスと確認ポイントが明確になったら、それらに照らしてソフトウェアを評価します。採用ソフトウェアの選び方のガイドが基準を示し、応募者追跡システムの関連する比較記事がベンダーを扱っています。

測定すべき指標

スピードと公平性を合わせて追跡してください。人を不平等に扱う、より速いファネルは、より悪いファネルです。

• 効率： 日程調整にかかる時間、採用1件あたりの採用担当者の工数、応募から最初の返信までの時間。
• 品質： レビュー担当者がAIの判断を覆す頻度と、修正に共通する点。
• 公平性： 各ステップの通過率を、決めた周期でグループ間で比較したもの。
• 体験： 候補者の満足度、ステップごとの離脱、人間の担当者を求める頻度。

よくある落とし穴

• 壊れたプロセスを自動化する。 AIは、遅くて不明確なファネルを、より良くではなく、より速くするだけです。先に基準を直してください。
• ベンダーの公平性の主張を信じる。 方法と結果を求め、自社の応募者で検証してください。
• 通知を省く。 候補者も規制当局も、自動化が関わるときはそれを知らされることを期待しています。
• ランキングが判断になってしまう。 レビュー担当者がモデルにほとんど異を唱えないなら、確認ポイントは機能していません。
• 動画や音声から感情や性格を推測する。 その科学には異論があり、EUでは職場での感情認識は禁止されています。
• エージェントという選択肢を無視する。 一次選考を最初から最後まで実行するAIを求めるチームもあります。AI recruiting screener agentのページが、その仕組みと設定すべき制限を説明しています。

借りられるリスクフレームワーク

2023年1月26日に公開されたNIST AI Risk Management Frameworkは、リスクへの取り組みを4つの機能、Govern、Map、Measure、Manageに整理しています（NIST）。採用チームにとっては、責任者を決め、ファネルにおけるAIのすべての利用とその影響を受ける人を一覧にし、精度とバイアスをテストし、ローンチ後も監視することを意味します。