優れたAIが実際に評価するもの

すべてのAI採用ツールは何かを評価します。本当に問われるのは、その「何か」があなたが重視する結果、つまり特定の役割・特定の環境でその人が高いパフォーマンスを発揮するかを予測するかどうかです。

多くのシステムは依然として代理指標（プロキシ）で評価しています。職位、経験年数、資格、キーワード頻度はいずれも結果と相関することが多く有用に思えるが、相関は予測とは同じではありません。

そのギャップに多くの採用失敗の原因があります。Harvard Business SchoolとAccentureは、基礎的な能力が存在していても経歴が適切な指標を示さないために有資格の候補者が定期的に優先度を下げられていることを報告しています。

真の能力評価は別の前提から始まります：その人が何をできるか、どのように問題を解決するか、類似した文脈でどのように成果を上げてきたかが、履歴書の見た目より重要です。

示された成果物。まず問うべきは、候補者が名目上の責任ではなく実際に作り出した、変えた、あるいは解決したものは何かです。

問題解決アプローチ。課題に対してどのように論理を進めるかは、同一の状況を経験したかどうかよりも予測力が高いことが多いです。

文脈に依存する適合性。ある組織で強い候補者も、リーダーシップのスタイルやチーム構成、運用条件が実質的に異なれば別の組織では失敗することがあります。

スナップショットではなく成長の軌跡。履歴書はある時点を切り取ったものに過ぎません。より良い評価は、時間を通じてどのように成長してきたか、能力が複利的に増しているかを見ます。

大規模な汎用モデルは広範なデータにおけるパターン認識に優れています。過去に他で高い実績を示した集団に似た候補者を抽出できます。

しかし自動的にあなたの組織を具体的に理解することはできません。汎用の学習データに見えるものを越えて、あなたのトップパフォーマーが共有する要素を把握してはいないのです。

この制約は重要です。急成長するソフトウェア企業のシニアエンジニアの成功を予測するシグナルは、規制の厳しい金融機関のシニアエンジニアの成功を予測するシグナルとは同じではありません。

あなたの環境、ワークフロー、実際のトップパフォーマーのパターンで学習した文脈特化型モデルは、他者のデータからの一般的な推測ではなく、あなたが重視する成果に合わせて校正された判断を下せます。

実際の差は面接段階で現れます。プロキシ評価は過去の採用者に最も経歴が似ている候補者を面接に進めます。

能力評価は、紙面上では経歴が一風変わって見えるとしても、関連するスキルや行動を実際に示した候補者を面接に進めます。

それはランキングを変えるだけではありません。プロキシ論理で除外されていた候補者が可視化されるため、候補者プール自体が変わります。

本シリーズの最終記事は購買側の視点を扱います：ベンダーが自社システムはより良い採用判断を下していると主張するとき、HRリーダーは何を要求すべきか。