ROI事件ファイル No.566『精度は上がったのに、同じ人ばかり通っていた』
精度は上がったのに、同じ人ばかり通っていた
第一章：精度は上がった、だが採用が画一化した
「新卒採用のAIを、新しい形にしたいんです。今のツールでは、限界を感じていて」
TechSolutions社の人事部長、選田公平氏は、そう言いながら経緯を語った。「数年間、マイナビ社のAIツールでエントリーシートを読み込ませて、過去の選考データから合格可能性を評価してきました。精度は上がったんです。でも、毎年同じようなESばかりが通る。採用する人材が、画一化してしまって」
「精度が上がったのに、問題が出たのですね」とClaudeが尋ねた。
「そうなんです」と選田氏が答えた。「過去の合格者に似た人を、AIが正確に選ぶ。だから精度は高い。でも、過去に似ているというだけで、多様性が失われた。似た顔ぶればかりになった」
「学生側の変化も、ありますか」と私が確認した。
「あります」と選田氏が答えた。「学生が生成AIでESを作るケースが増えて、人の目でも判別が難しい。今のツールは、そこに対応できていない。だから既存のツールをやめて、新しいAI活用を考えたいんです」
「精度を上げるほど画一化するなら、評価の基準ごと組み直す必要がありますね」と私が応じた。「DESCで分解しましょう」
第二章：DESCが問う、事実・影響・提案・結果で組み直す
「この案件には、DESCが必要です」
Claudeがホワイトボードに「事実・影響・提案・結果」と書いた。
「DESC——Describe・Express・Suggest・Consequence、事実・影響・提案・結果とは、問題を客観的な事実から捉え、影響を示し、提案し、結果を見通す順で組み立てるフレームワークです」と私が説明した。「肝は、感覚でなく事実から始めること。『同じ人ばかり』という印象を、データの事実に落とす。何が起きているか、それが何を生むか、どう変えるか、結果どうなるか。順に組めば、評価基準を根から組み直せます」
「まず現状のコストを測りましょう」とGeminiがROI Polygraphを開いた。選田氏から提供されたデータを入力する。
「月間のコストが出ました」とGeminiが読み上げた。「ES確認・生成AI判別を含む選考作業の工数が月平均百五十時間、時給三千八百円で月五十七万円。採用画一化による多様性喪失・組織硬直の機会損失が月平均四十二万円。生成AI作成ESの判別困難による評価精度低下リスクが月平均三十六万円。過去データ偏重による有望人材の取りこぼしが月平均三十八万円。適性検査と実像の乖離による early turnover リスクが月平均三十二万円。合計で月二百五万円。年間換算で約二千四百六十万円」
選田氏が数字を見つめた。「選考の手間だけ見ていました。画一化と取りこぼし自体のコストまで足すと、これほどとは」
「では、DESCで設計します」と私が続けた。
[事実——過去データの偏りを客観的に捉える]
「最初に、事実を捉えます」とClaudeが言った。「過去の選考データを詳細に分析し、どんなESが通ってきたかを客観的に把握する。『同じような人』という印象を、データの事実に落とす。事実から始めるから、感覚論になりません」
[影響——画一化が生む結果を示す]
「次に、影響を示します」とGeminiが続けた。「過去に似た人だけを通すと、多様性が失われ、組織が硬直する。生成AIで作られたESを見抜けないと、評価そのものが揺らぐ。偏りが何を生むかを、はっきり示します」
[提案——評価基準を組み直し判別を足す]
「影響の次に、提案します」と私が続けた。「評価基準を再定義し、過去偏重をやめる。生成AIで作成されたESを判別する新しいアルゴリズムを開発する。さらに性格適性検査を組み込み、理想と現実の自分の乖離を最小に抑える。基準ごと組み直します」
[結果——多様な人材が通る採用を見通す]
「最後に、結果を見通します」とClaudeが続けた。「基準を組み直せば、過去に似ていないが有望な人材も通る。生成AI作成ESを判別でき、評価が揺らがない。適性検査で実像を捉え、入社後のミスマッチも減る。組み直した先の姿を、先に描きます」
[投資回収を試算する]
「ROI Proposal Generatorで試算しましょう」とGeminiが提案した。
- 初期費用：評価基準再定義・生成AI判別アルゴリズム開発・性格適性検査連携・選考支援システム構築・運用設計費用合計五百二十万円
- 月次費用：システム運用・モデル更新継続費合算月二十一万円
- 月次削減効果：選考作業の効率化＝月四十万円（七割削減想定）、画一化解消による人材多様化＝月四十万円、生成AI判別による精度確保＝月三十四万円、取りこぼし削減とミスマッチ抑制＝月三十四万円、合計月百四十八万円
- 月次純削減：百四十八万円－二十一万円＝月百二十七万円
- 投資回収期間：五百二十万円÷百二十七万円＝約四・一ヶ月
「四ヶ月強の回収です」とGeminiが整理した。「効くのは、精度を上げるだけでなく、評価基準を根から組み直す点です。過去データに似せて精度を上げると、画一化が進む。事実から捉え直して基準を組み替えるから、多様な人材も通る。投資が空振りしません」
選田氏が数字を確認しながら言った。「精度を上げれば良くなる、と思っていました。基準そのものを組み直さないと、似た人ばかりになる」
「DESCは、事実から評価基準を組み直す道具です」と私が応じた。
第三章：基準を組み直す導入計画
「進め方を整理します」と私がホワイトボードの前に立った。
「第一ヶ月——過去選考データの分析、通過傾向の事実把握。第二ヶ月——画一化の影響評価と評価基準の再定義。第三・四ヶ月——生成AI判別アルゴリズムの開発と選考支援システムの構築。第五ヶ月——性格適性検査の連携と運用設計。第六ヶ月——試験運用と効果検証（多様性・精度の測定）。第七ヶ月以降——評価基準の継続的な見直し、次年度採用への定着」
「精度を保ちながら、多様性も出せますか」と選田氏が確認した。
「出せます」とClaudeが応じた。「両立できないのは、過去データに似せることで精度を出しているからです。DESCで事実を捉え直し、評価基準そのものを組み替える。過去の合格者への近さでなく、活躍につながる要素で評価する。基準が変われば、精度を保ったまま多様な人材が通る。似た人ばかり、が終わります」
選田氏がメモを取りながら言った。「精度を追う前に、基準を事実から組み直す。順序が見えました」
第四章：似た顔ぶれが、変わった日
十ヶ月後、選田氏から報告が届いた。
採用する人材は、基準の組み直し後、変わった。「過去に似た人ばかりだったのが、多様な背景の学生が通るようになった。組織に新しい風が入った」と選田氏は記していた。
生成AIで作られたESも見抜けるようになった。判別アルゴリズムが、人の目では難しかった判定を担った。「AI作成のESが判別できて、評価が揺らがなくなった」と報告書にあった。
最も大きな変化は、評価の捉え方に表れた。過去に似ているかで測る状態から、活躍につながる要素で測る状態に変わった。「過去の合格者に近い人を選んでいた。基準を事実から組み直したら、似ていなくても有望な人を拾えるようになった」と選田氏は記していた。
入社後のミスマッチも減った。適性検査が、理想と実像の乖離を抑えた。「入ってから合わなかった、が減った」と報告書にあった。
副次効果として、採用の見方が変わった。精度を追うだけでなく、基準を問い直す発想が根づいた。「AIの精度を上げれば良い、をやめた。何を評価すべきか、を問うようになった」と選田氏は記していた。
選田氏の報告書の最後にはこう書かれていた。「新卒採用の悩みは、評価の精度だと思っていた。だが本当の問題は、精度を上げるほど過去に似た人ばかりになり、採用が画一化していたことだ。DESCで事実から評価基準を組み直した瞬間に、多様な人材への道が見えた。精度を追う前に、基準を問い直すことが先だった」
精度が上がったのに同じ人ばかり通っていた会社が、多様な人材を選べる会社に変わった日、採用のAI活用は精度追求から、事実・影響・提案・結果で基準を組み直す設計に変わっていた、と記されていた。
「採用AIの相談は、たいてい『評価の精度を上げたい』という形で来る。だが精度を追う前に問うべきことがある。その精度は、何に似せた精度なのか。DESCが問うのは、事実・影響・提案・結果だ。過去データに似せて精度を上げれば、採用は画一化する。事実から基準を組み直せば、多様な人材も通る。精度は上がったのに同じ人ばかりだった会社が、顔ぶれを変えられた日、変わったのはAIの精度ではなく、事実から評価基準を組み直す視点そのものだった」
関連ファイル
使用ツール
- ROI Polygraph — 選考作業工数・画一化による機会損失・有望人材取りこぼしの可視化
- ROI Proposal Generator — 事実からの評価基準組み直しを起点にした新卒採用AI活用の投資回収シミュレーション
