採用におけるアルゴリズム的モノカルチャー：同一ベンダー支配が生む不公平

背景と課題

米国の多くの企業は、応募者のスクリーニングを少数のHRテックベンダーが提供するアルゴリズムに依存している。同じアルゴリズムが多数の雇用主に使われる状況は「アルゴリズム的モノカルチャー」と呼ばれ、同一個人が複数の応募先で同じ理由により拒否され続ける、あるいは特定の人種グループが組織的に不利になる、といった懸念が指摘されてきた。しかし、これを大規模な実データで検証した研究はこれまで存在しなかった。

提案手法

著者らは、同一ベンダーのアルゴリズムで審査された約300万人の応募者による約400万件の応募からなる新規データセットを取得し分析した。分析の柱は2つある。

人種別アウトカムの差別影響分析

米国の雇用差別基準（いわゆる4/5ルールなど）に照らして、各職種への応募結果が特定の人種グループに不利な影響を与えているかを判定する。

個人レベルの結果同質性の検証

採用アルゴリズムは決定論的に再現可能であるという性質を利用し、各応募者が実際に応募しなかった職種に応募していた場合の結果も生成する。これにより、ある個人が全職種でどの程度一貫して同じ判定を受けるかを、偶然の場合の期待値と比較して評価する。

結果と意義

分析の結果、明確な人種間格差が確認された。アジア系応募者による応募の14.74%、黒人応募者による応募の25.87%が、米国の雇用差別基準に照らしてそれぞれのグループに不利な影響を与える職種に提出されていた。

また個人レベルでも結果の同質性が確認された。10職種に応募した応募者のうち4%が全職種で不合格を推奨されており、これは偶然から期待される割合より高かった。さらに反実仮想分析によれば、応募者が人間の目に判定を見てもらうためには、相当に幅広く応募する必要があることが示された。

これは、アルゴリズム的モノカルチャーが単なる理論的懸念ではなく、現実の労働市場で測定可能な不公平を生んでいることを大規模データで初めて示した点で重要である。

実務での使いどころ

HRテックを導入する企業は、単一ベンダーへの依存が応募者プールに与える集合的影響を評価する必要がある。複数のスクリーニング手法を併用する、人間によるレビュー段階を確保する、ベンダー側に差別影響評価の開示を求める、といった対策が考えられる。また政策担当者やAI監査の専門家にとっては、同種の差別影響分析を行う際のテンプレートとなる。

注意点・限界

データは特定の一ベンダーのアルゴリズムによるスクリーニング結果に基づいており、他ベンダーや業界全体に直ちに一般化できるとは限らない。また「不合格推奨」がそのまま最終的な採用判断になるとは限らず、人間の介入による補正の余地は残る。差別影響の判定は米国の法的基準に依拠しているため、他国の法制度や文脈にそのまま当てはめる際には注意が必要である。

実務での使いどころ（要約）

HRテックや採用支援SaaSを導入・選定する企業にとって、特定ベンダーへの依存リスクを評価するための具体的な根拠となる。採用部門ではスクリーニングAIを複数ベンダーで分散させたり、人間によるレビュー比率を確保する設計判断に活用できる。また、AI公平性監査やDEI（多様性・公平性・包摂性）施策の担当者が、自社の応募データに対して同種の差別影響分析を行う際のベンチマークになる。