AI採用支援の現実：選考プロセスを自動化した会社で起きていること
AI採用支援ツールの市場は、2024年から急速に拡大している。LinkedInの調査によると、Fortune 500企業の68%が何らかのAIスクリーニングツールを導入済みだ。日本でも、採用管理システムにAI機能を組み込んだ製品が急増し、「AIで採用工数を削減できる」という訴求が人事担当者の目に日常的に映る状況になった。
ただ、導入企業の現場を実際に聞いてみると、話が変わってくる。「書類選考の速度は3倍になったが、内定辞退率が以前の1.5倍に増えた」「AIが通過させた候補者と、現場マネージャーの評価が全くかみ合わない」。効率化は確かに起きた。でも、採用の質という別の何かが、ひっそりと変わっていた。
この記事では、その「何か」の正体を解剖する。AI採用支援が機能した会社と機能しなかった会社の間にある、一見すると目立たない差異に焦点を当てたい。
AI採用支援が普及している理由
背景にある構造は単純だ。採用件数は増えているが、人事担当者の頭数は増えていない。
厚生労働省の「令和5年雇用動向調査」によると、転職入職者数は過去5年で約15%増加している。一方で、帝国データバンクの調査では従業員100名未満の中小企業において「採用専任担当がいない」企業が全体の73%を占める。採用の量が増え、担当の手が追いつかない。この需給ギャップがAIツール導入の直接の動機になっている。
現在のAI採用支援ツールの主な機能は、大きく4つに分類できる。
- 求人票の自動生成: 職種・必須スキルを入力すると、JD（ジョブディスクリプション）を自動生成する
- 書類スクリーニング: 履歴書・職務経歴書と求人要件をマッチングし、スコアリングする
- 一次面接の代替: AIチャットボットまたは録画面接AIが候補者に質問し、回答を評価する
- 日程調整の自動化: 面接官と候補者のカレンダーを連携し、日程を自動設定する
このうち日程調整は、ほぼ全社でメリットが出ている。問題が起きやすいのは、スクリーニングと一次面接の自動化だ。
うまくいった事例：採用基準を先に言語化した会社
東京都内で食品製造業を営む従業員320名のB社は、2023年秋に製造ラインのオペレーター採用にAIスクリーニングを導入した。年間の採用目標は40名。それまで人事2名が全書類選考を担当していたため、繁忙期には選考に3週間かかることもあった。
導入の結果、書類選考のターンアラウンドは21日から4日に短縮された。だが、この会社が「うまくいった」のは、ツールの性能だけが理由ではない。
B社の人事部長が導入前に3ヶ月かけて行ったのは、採用基準の言語化だった。具体的には、過去5年で定着した社員と1年以内に離職した社員の職歴・応募動機・スキルセットを比較分析し、「B社の製造ラインで3年以上定着する人材の特徴」を12の要素に分解した。単なるスキルリストではなく、「なぜこの要素が定着に関連するか」まで言語化したドキュメントをAIツールの評価軸として設定した。
その結果、1年後の数字はこうなった。書類通過者の現場評価スコアが従来比で34%向上。1年定着率は82%から91%に改善。採用コストは1名あたり平均18%削減。人事担当者の工数は月38時間から14時間に減った。
ただし、B社の人事部長は一点だけ正直に話してくれた。「採用基準の言語化に使った3ヶ月は、正直きつかった。現場マネージャー5人に個別インタビューして、全員の言っていることが違うことに気づいて、そこから統合するプロセスが一番大変でした。AIの前に、人間の間で採用基準が統一されていなかったことが問題だとわかったんです」。
失敗したケース：自動化が逆効果になった理由
一方、関西の人材サービス業C社（従業員150名）では、AIスクリーニング導入後に予期しない問題が発生した。
C社は2022年末にAI書類選考と録画面接AIを同時導入した。導入直後、書類選考工数は確かに60%削減された。しかし6ヶ月後、現場から異音が出始めた。「AIが通してくる人、会ってみると何か違う」「選考が自動化されたことを知った候補者から、志望度が低いと言われるケースが増えた」。
1年後の実績を見ると、内定承諾率が72%から51%に低下。さらに深刻だったのは、採用後6ヶ月の早期離職率が以前の2倍になったことだ。
原因を分析すると、構造的な問題が浮かび上がった。C社はAI導入前の書類選考を、担当者の「感覚」で行っていた。言語化されていない採用基準がそのまま存在し、それを担当者が頭の中で参照しながら判断していた。AIはこの「暗黙知」を引き継ぐことができなかった。
AIスクリーニングが実際に評価したのは、「求人票に記載したスキル・経験との文字列マッチング」だった。人事担当者が長年の経験で身につけた「この人はC社の文化に合いそうか」という判断軸は、一切AIに渡されていなかった。
録画面接AIについても同様の問題が起きた。AIの評価基準は「流暢さ」「回答の論理構成」に偏っていた。C社が本来重視していた「粘り強さ」や「チームへの適応性」は、AIが測れる指標に翻訳されていなかった。
図1: AI採用支援の成功・失敗を分かつ構造的な差異
この構造を見ると、失敗の本質が見えてくる。AIスクリーニングが問題なのではない。採用基準の言語化なしにAIに委任したことが問題だ。人間が感覚で行っていた判断も、言語化されていなければ機能しない。ただ、それが人間の場合は「なんとなく回っていた」。AIになった途端、言語化されていない軸は完全に消えた。
AI採用支援を機能させるための3条件
B社とC社の差異、そして海外事例を含めて整理すると、AI採用支援がうまく機能する会社には3つの共通点がある。
条件1: 採用基準の言語化を先行させる
AIに採用を委任する前に、「どんな人が自社で活躍するか」を言語化する作業が不可欠だ。これは単なるスキルリストではない。「その人がなぜ活躍するか」という因果関係まで記述する必要がある。
Unileverは2019年から全世界の新卒採用にAI面接ツールを導入し、採用工数を75%削減した。このプロジェクトで最も時間を要したのは、ツールの設定ではなく「Unileverで成功した社員の共通要素」の特定だった。同社は過去の入社者データを機械学習で分析し、入社後5年での評価と初期選考データの相関を調べることで評価軸を導出した。AIツールはその評価軸の「実行者」として機能した。ツールはあくまで手段であり、評価軸の設計こそが本質だったと、当時のHRディレクターは述べている。
条件2: 人間が介在すべきタッチポイントを設計する
AIに任せるべきステップと、人間が必ず介在すべきステップを最初に設計することが重要だ。「全部任せる」でも「何も任せない」でもなく、採用プロセスの中でどこが自動化できてどこができないかを明示することが求められる。
Hilton Hotelsは2023年に採用プロセスを再設計し、「AIが評価できること」と「AIが評価すべきでないこと」を明確に分離した。AIが担当するのはスキル適合性と日程調整。ホスピタリティへの志向性と文化適合性は、必ず人間の面接官が評価する。この設計により、採用後1年の顧客満足度に対する相関が向上したと同社は報告している。
条件3: 応募者体験を維持する
C社で起きた内定辞退率の上昇は、一部に「選考がAI化されている」ことへの候補者の不信感が影響していた。Talent Board（採用体験を研究する非営利団体）の2023年調査によると、選考プロセスでAIとのみ接触した候補者の雇用ブランドへの評価は、人間と1回以上接触した候補者より21ポイント低かった。
効率化の追求が応募者体験を毀損する逆効果は、採用ブランドへの中長期的なダメージになり得る。特に競合と争う優秀人材の採用では、このダメージは顕著になる。
図2: 採用プロセスにおけるAI活用の適切な範囲（2026年時点の推奨）
よくある反論に答える
「AIで選考したら、優秀な人材を弾いてしまわないか」
この懸念は正当だ。実際に、Amazonが2018年に廃止したAI採用ツールは、過去の採用データに含まれた性別バイアスを学習し、女性候補者を不当に低評価する傾向があったことが報告されている。これは偶発的な失敗ではなく、AIが「過去の採用結果」を正解として学習したことで生じた構造的問題だ。
ただし、この問題は「AIを使うかどうか」ではなく、「どんなデータで何を評価させるか」の問題だ。採用基準を過去の採用実績から導出するのではなく、「活躍した社員の特徴」から導出することで、バイアスの再生産を防ぐ設計が可能になる。Unileverが取ったアプローチはこれに近い。
加えて、人間の選考も無意識のバイアスから完全に自由ではない。「出身大学」「外見」「面接時のしゃべり方」が評価に影響する事例は、採用研究の分野で繰り返し確認されている。AIの問題を言語化して対処できる点は、人間の暗黙バイアスより改善しやすい側面もある。
「採用に自動化を入れると、会社のイメージが悪くなるのでは」
確かに、選考全体をAIで済ませることへの不信感は候補者に存在する。ただ、「AI化=体験悪化」ではない。問題は、AI化によって候補者との「人間的な接点」が消えてしまうことだ。
日程調整や書類確認の自動化は、むしろ「早くレスポンスが来た」という好印象を生む場合がある。重要なのは、選考のどこかで人間が候補者と誠実に向き合うタッチポイントを確保することだ。自動化する工程と人間が担う工程を意図的に設計することで、体験の質は維持できる。
私たちが学んだこと
Lat91では、自社の採用プロセスにAI支援を部分的に導入した経験がある。求人票の初稿生成とメール対応の一部自動化を試みたが、最初のバージョンでは思ったような結果が出なかった。原因を振り返ると、「Lat91という会社がどんな人を求めているか」を十分に言語化していなかったことが根本にあった。
採用基準を再定義してからは、AIが生成する求人票の質が目に見えて変わった。「AIが書いた感」が薄れ、会社のカルチャーを反映した文章になった。ツールは変わっていない。変わったのは、ツールに渡した情報の質だった。
これは採用に限らない。AIが生み出す成果の質は、インプットの質に強く依存する。採用において言うなら、インプットとは「採用基準の言語化」だ。ここをおろそかにすれば、どれほど高性能なツールを使っても、期待した結果は得られない。
3年後に向けて考えておくこと
2026年から2029年にかけて、採用AIはさらに能力を拡張すると見られる。候補者の過去の発言・SNS・職歴データを統合したプロファイリング、リアルタイムの動画分析、内定後のオンボーディング予測まで範囲が広がる可能性がある。
その状況で問われるのは、ツールの賢さではなく「何を評価するか」という人間側の設計力だ。AIが評価できる指標の数は増えても、「どの指標が自社での活躍と関連するか」を判断できるのは人間だけだ。
3年後、AI採用支援を使いこなしている会社と使いこなせていない会社の差は、ツールの選択ではなく採用哲学の言語化能力にある。その意味で、今から始めるべきことは「どのツールを導入するか」ではなく「自社の採用基準を言語化する」という作業だ。
まとめと次のアクション
AI採用支援で失敗する会社の共通点は、スクリーニングを自動化したことではなく、採用基準を言語化しないままAIに委任したことだ。AIは採用の判断を代わりに行えるツールではない。ただ、採用基準を作る「思考の壁打ち相手」としては、非常に有効に機能する。
月曜から試せる最初のアクションを提案する。
- 過去3年の採用データを振り返る: 採用後に活躍した人材と早期離職した人材を5名ずつリストアップし、入社時の書類・面接メモと照合して共通点を探す
- 現場マネージャーに「なぜあの人が活躍しているか」を聞く: 3名以上にインタビューし、回答を比較する。バラツキがあれば、採用基準が組織内で統一されていないサインだ
- AIに採用基準のドラフトを作らせる: 上記の情報をClaudeやChatGPTに渡し、「活躍人材の共通要素を10個挙げてください」とプロンプトする。AIが出したドラフトを人間が検証する、このプロセスが採用基準の言語化を加速する
Lat91では、採用基準の言語化からAI採用支援の設計まで、実践的なアドバイスを行っています。お気軽にお問い合わせください。