AI面接の導入後に書類選考や面接の通過率が変わった場合、まず確認すべきは「全体の平均値」ではなく「どのフェーズで」「どの属性・母集団で」変化が起きているかを分解して見ることである。原因は評価モデルのバイアスとは限らず、連絡や日程調整といった運用工程の抜け漏れにあることも多く、原因別に切り分けて初めて適切な対処が選べる。
通過率の変化はどこで起きているか？まず分解して確認する
通過率の変化が起きたら、全体平均だけでなく「フェーズ別」「属性別」に数値を分解して見る必要がある。全体の数字だけを追っていると、フェーズによって傾向が逆転しているケースを見落とすからである。
例えば、WAKE Career（bgrass株式会社）の契約企業の実績データ（全求人集計）では、書類選考の通過率は女性42%・男性35%と女性が7ポイント上回るが、1次面接では女性20%・男性37%、2次面接では女性20%・男性48%、最終面接では女性0%・男性50%と、書類選考以降のすべてのフェーズで逆転している[出典：採用×AIの完全ガイド2026年最新版、2026年5月時点]。これはAI面接固有のデータではなく、母数や集計期間も公開されていない参考値だが、「書類選考の数字だけを見ていると、その後のフェーズで何が起きているかは分からない」という確認の出発点を示す材料にはなる。AI面接導入後の通過率変化を確認する際も、同じようにフェーズごと・属性ごとに数字を割って見ることがまず必要な作業になる。
原因①：AIの評価基準・バイアスによって通過率が変わっている可能性
通過率の変化の原因の一つとして考えられるのは、AIの評価モデルや学習データに由来するバイアスである。AI面接は自然言語処理・音声認識・表情解析などを組み合わせ、あらかじめ設定した評価基準に基づき全候補者を同一の尺度で採点する設計であり、面接官ごとの評価のばらつきは生じにくいとされる[出典：JAPAN AI株式会社オウンドメディア「AI面接とは？仕組み・種類・評価ポイントから対策方法」]。一方で、評価モデル自体が特定の属性に偏る可能性は指摘されている。ある記事では、AI審査ツールが特定の名前の傾向を優先的に通過させたとする調査が紹介されているが、対象・母数・調査時期は記事内で明示されておらず、引用元もサービス提供事業者のブログであるため、数値そのものより「バイアスが生じうる」という論点として参考にとどめるべきである[出典：Crosschqブログ「Why AI Interview Tools Fail to Accurately Assess Candidates」2026年1月時点]。
米国では、ACLUコロラド支部が2025年3月、HireVueの採用評価プラットフォームについて、聴覚障害者や非白人話者への評価性能が劣るとして行政不服申立てを行っている。申立ての当事者は、人による字幕付与という合理的配慮を求めたが認められず不採用になったと主張している[出典：HR Dive、2025年3月時点／ClassAction.org「AI Job Screening, Interview & Hiring Lawsuits」]。同じ記事では、2024年にWorkdayの応募者選考技術が40歳以上の応募者を差別しているとする別の訴訟も起きていると紹介されている。HireVue社はACLUの申立てについて「事実誤認に基づく、全く根拠がない」と反論しており、いずれも係争中または申立て段階の主張であって、行政機関・裁判所による事実認定が出た事案ではない。また、米雇用機会均等委員会（EEOC）はiTutorGroup社とのAI差別訴訟で365,000ドルの和解に至ったと報じられており、AI採用ツールの差別リスクが実際の訴訟・和解に至った海外事例として参照できる[出典：Bloomberg Law「EEOC Settles First-of-Its-Kind AI Bias in Hiring Lawsuit」]。これらはいずれも米国の個別事案であり日本の法制度に直接は適用されないが、通過率に属性差が見えたときに「バイアスの可能性」を確認項目の一つに入れる根拠にはなる。
原因②：AIが速くした"中"の工程と、人に残る"あいだ"の工程のズレ
通過率が変わったように見えても、実際の原因がAIの評価ではなく、評価のあいだをつなぐ運用工程の抜け漏れにあることがある。特化型AIは面接そのものの質問精度や評価のスピードといった工程の"中"を速くするが、候補者への連絡、面接官の予定を踏まえた日程調整、評価の回収、選考ステータスの更新、リマインドといった工程の"あいだ"は人に残りやすいとされる[出典：WP20「AIネイティブ採用組織への移行ガイド」2026年7月告知]。
この点は、採用アシスタントに任せていた仕事は、イレギュラー対応や配慮までAIに任せられるのかでも扱われている論点に近い。AI面接自体の評価は変わっていなくても、日程調整の返信待ちやリマインド漏れで候補者が離脱すれば、見かけ上は「通過率が下がった」ように見える。フェアパスは、候補者への連絡、面接官の予定を見て候補日を作り案内し返信を待ち確定し更新する日程調整、選考ステータスの更新、リマインドといった業務を担う機能として位置づけられており、媒体ごとに分かれていた連絡もまとめて対応する[出典：lp.fair-path.jp トップページ、2026年10月時点]。通過率変化の原因を切り分けるときは、評価そのものの問題なのか、この"あいだ"の運用工程の問題なのかを、まず分けて確認する必要がある。なぜ特化型AIだけでは工程の"あいだ"が埋まらないのかは、AIが"点"で終わる理由で詳しく整理している。
原因③：評価基準の構造化レベルが変わっていないか
AI面接導入前後で評価基準の構造化の度合いが変わると、通過率の傾向も変わりうる。構造化面接は仕事の成果を予測する妥当性係数がr=.51であるのに対し、非構造化面接はr=.38にとどまるとするSchmidt & Hunter（1998）の知見があり、AI面接の精度向上は「AIそのもの」というより「構造化された面接形式」によるところが大きいという論旨で引用されている[出典：Humanly.ioブログ「Do AI Interviewers Work? The Actual Evidence」2026年7月時点]。この知見自体は人事選考に関する古典的なメタ分析であり、AI面接に限定した数値ではない点に注意が必要である。
また、一部のAI面接ベンダーは外部監査の結果を公表しており、例えばHireVueは外部のIO心理学者による監査で「構成概念妥当性に関する1,300件以上の検証研究」「公平性に関する2,000件以上のモデル維持研究」「75件以上の査読付き論文」を持つと評価されたと公表している[出典：HireVue公式ブログ「Independent Audit affirms the scientific foundation of HireVue assessments」2025年7月時点]。これは同社自身の製品に関する監査結果であり、AI面接サービス全般の精度を保証するものではない。導入前後で質問設計や評価項目の構造化レベルが変わっていないかは、通過率変化を評価設計の問題として確認する際の論点の一つになる。
原因別の確認ポイントと対処の選択肢
原因によって確認手段と対処の選択肢は異なり、すべてを同時に行う必要はない。まず仮説を立て、該当する確認作業から着手するのが現実的である。
| 原因の仮説 | 確認ポイント | 対処の選択肢 |
|---|---|---|
| フェーズ・属性による傾向の見落とし | 応募数、書類選考通過率、面接実施率、内定率、内定承諾率などの算出式で、フェーズ別・属性別に定点観測する[出典：Offers HR Media「人事KPI一覧」] | KPIレポートを定期化し、全体平均ではなくフェーズ単位で推移を追う |
| AIの評価モデルのバイアス | 属性別の通過率に継続的な偏りがないか、評価項目が特定属性と相関していないかを確認する | 米国NY市のLocal Law 144やイリノイ州AIVIAが求める年次バイアス監査・事前通知の考え方を参考に、自社の確認体制を整備する[出典：Harris Beach Murtha法律事務所「AI-Assisted Hiring in 2026」] |
| 日本国内での運用の適正性 | 個人情報保護法・職業安定法・均等法の枠組みで、顔・音声データの取得方法や性別・年齢差別の有無を確認する[出典：crystal-method.com「AI面接のバイアス対策」2026年版] | 法務・人事で運用ルールを文書化し、データ取得・保管の範囲を定期確認する |
| 運用（あいだの工程）の抜け漏れ | 連絡・日程調整・ステータス更新・リマインドが遅延していないかを棚卸しする | 担当範囲を明確にし、必要に応じて連絡・日程調整・リマインドを担う機能に任せる[出典：lp.fair-path.jp トップページ、2026年10月時点] |
AI面接の導入自体を検討する段階であれば、AI面接導入の流れと準備のポイントで手順を確認しておくと、導入後に通過率が変化した際の原因切り分けもしやすくなる。
通過率だけでなく、承諾率・辞退率の変化もあわせて確認する
通過率そのものに変化がなくても、内定承諾率や辞退率の方が先に変化として表れることがある。ローソンの2026年卒新卒採用では、一次面接をAIに切り替えた後、一次面接の通過率自体に大きな変化はなかったが、内定承諾率は約1割向上し、その後の辞退率も同程度改善したと報告されている。AI面談を受けた約500人へのアンケートでは98%が「よかった」と回答し、2027年卒採用でも継続しているという[出典：Business Insider Japan「『AI面接』で採用はどう変わったか」]。これは新卒採用人数が例年100人強、エントリーが約2万件という同社固有の規模での結果であり、中途採用や他社にそのまま当てはまるものではない。
この事例が示すのは、通過率という一つの指標だけを見ていると、承諾率や辞退率の変化を見落とす可能性があるということである。承諾後の辞退には、内定後のリマインドや連絡のタイミングといった運用工程が関わる部分もあり、通過率・承諾率・辞退率をあわせて見ることで、評価の問題か運用の問題かを切り分けやすくなる。フェアパスが担う連絡・日程調整・ステータス更新・リマインドといった業務の範囲は、企業の運用やATS、媒体によって変わるため、導入前に対応範囲を確認しておく必要がある[出典：lp.fair-path.jp トップページ、2026年10月時点]。
よくある質問
通過率が急に下がったら、AI面接をすぐ停止すべきですか？ 停止を判断する前に、フェーズ別・属性別の分解、評価設計の確認、運用（あいだの工程）の確認という原因の切り分けを先に行うべきである。選考中の候補者対応を抱えた状態で急に運用を止めると、対応中の候補者に混乱を招く可能性がある点にも留意したい。
通過率に属性差が出た場合、法的なリスクになりますか？ 米国ではHireVueやWorkdayに対する差別の申立て・訴訟事例があるが、これらは米国の個別事案であり日本の法制度に直接は適用されない。日本では個人情報保護法・職業安定法・均等法の枠組みで運用の適正性を確認することが望ましく、属性差があること自体が直ちに違法と判断されるものではない。
まとめ 通過率の変化に気づいたら、全体平均ではなく「どのフェーズで」「どの属性・母集団で」起きているかをまず分解して見る。そのうえで、AIの評価設計・バイアスの可能性、AIが速くした工程と人に残る工程のズレ、評価基準の構造化レベルという原因別に切り分けて対処を選ぶことが基本になる。通過率だけでなく承諾率・辞退率もあわせて確認すると、評価の問題か運用の問題かを見分けやすい。
AI面接導入後の通過率変化は、評価そのものだけでなく運用体制の確認も必要になる。フェアパスは採用オペレーションAIとして、候補者への連絡、面接官の予定を踏まえた日程調整、選考ステータスの更新、リマインドといった"あいだ"の工程を担い、媒体ごとに分かれていた連絡もまとめて対応する。自社の選考フローで、AIが担う評価工程と、人（またはフェアパス）が担う連絡・日程調整・リマインドの工程がどこで分かれているかを棚卸しすることから始めてみてほしい。
著者：フェアパス編集部
この記事は、AIを使って作成し、編集部が内容を確認しています。