多くのAI採用ツールは想定どおりに機能していない

ほとんどの応募者追跡システム（ATS）の中核機能は依然としてマッチングである：履歴書をスキャンしてキーワード、肩書、資格、経験年数を抽出し、職務記述書とどれだけ似ているかで候補者をランク付けする。

それは量を管理する上では有用だが、インテリジェンスではない。それはテキストに適用されたパターン認識であり、出力の質はシステムに既に組み込まれている基準の質によって制約される。

市場はAIというラベルが売れるためにその区別を曖昧にしてきた。しかし、履歴書の解析とランク付けを自動化したからといって、そのツールが役割での成功を実際に予測するものを理解しているわけではない。

Harvard Business School と Accenture の調査では、回答した雇用主の88%が、自社のシステムが正確に設定されたパラメータに合わないために有資格者をふるい落としていることを認めている。システムは設計どおりに機能している。問題は設計にある。

そのラベルが広まったのは、採用の質に関する技術的な飛躍を確実に表していたからではなく、商業的に成功したからだ。

キーワード駆動型システムに機械学習の要素を追加するだけで、根本的な評価ロジックが変わっていなくてもベンダーは製品をAI搭載と呼べる。

その結果、ほぼすべてのプラットフォームが最良の候補者を見つけると主張する一方で、実際に何を測定しているのか、なぜその信号が自社の環境でパフォーマンスを予測するのかを説明できるものはごく少ない市場が生まれる。

これは企業環境では特にリスクが高い。幅広いデータで訓練された汎用モデルは、自社の役割やチーム、地域で誰が成功するかを自動的に理解するわけではない。

正しい購買の問いはもはや「これはAIを使っていますか？」ではない。ほとんどのベンダーは何らかの形でYesと言える。より重要なのは、システムが実際に何を評価しているのか、そしてそれが自社のような役割でのパフォーマンス成果にどのように結びつくかだ。

キーワード密度で候補者をランク付けするツールは確かに何かを測定している。だが、実際の業務、文脈、類似のパフォーマンス履歴を横断して能力の信号を評価するツールは、意味のある違いを測っている。

その違いは、面接に進む人、オファーを受ける人、そして入社後に実際に成果を出す人に影響する。もしその信号がパフォーマンスを予測しないなら、採用の改善にはなっていない。単にミスをより速く、よりスケーラブルにしただけだ。

このシリーズの次の記事は批評から具体へ移る：デモが終わり、実際のシステムが正当性を示さなければならないとき、本物の能力評価がどのようなものかを示す。