AI

2026.11.18 16:00

AIが人事評価を決める時代の落とし穴、「名前や方言」で生じる評価格差

stock.adobe.com

stock.adobe.com

BRANDVOICE | Paid Program

もっと見る>

すべての会議が録音・文字起こしされ、AIによって読み取られる会社を想像してほしい。声の大きな人に遮られて優れたアイデアが消え去ることはもうない。貢献度はバッジに書かれた役職ではなく、発言内容によって測定される。若手アナリストでも、議論を前進させ続ければ、ついに正当に評価されるようになる。「Granola」「Read.ai」「Fireflies」「Avoma」といったAIツールが、今や日常的に発言時間や参加状況を追跡しており、AmazonやMetaなどの企業は、AIが可視化した貢献度を人事評価に組み込み始めている。

フラットな組織:人事のツールセットとなるAI

企業の歴史の大部分において、意見を聞いてもらえるかどうかは権力の大きさで決まっていた。権力者が話し、他の者がそれを書き留め、曖昧さが既存の責任者を守ってきた。AIはその物理法則を変える。文字起こしデータが公式の記録となれば、アイデアは実力に基づいて広まり、人々はもはや曖昧さの影に隠れることはできなくなる。筆者は以前、AIはナレッジワーカーを代替するのではなく拡張するものであり、優秀な人材の価値を低下させるのではなく、むしろ高めるものであると主張した。よりフラットで、迅速で、透明性の高い組織こそが、この変化がもたらすメリットだ。ここまでは順調に見える。

人事におけるAIのバイアスと差別

しかし、AIは完璧ではない。AIは人間から学習したため、人間の盲点もそのまま引き継いでいる。例えば、ワシントン大学の研究によると、履歴書をスクリーニングする大規模LLM(言語モデル)は、85%の割合で白人を連想させる名前を優先し、黒人男性の名前を白人男性の名前より優先したことは一度もなかった。バイアスは紙の上の名前だけに留まらず、会議室での「声」にも及ぶ。「Whisper(ウィスパー)」などの音声認識モデルは、非ネイティブスピーカーや訛りのある話し手に対して大幅に高いエラー率を示す。これは、学習に使用された音声データが、ネイティブスピーカーの英語に偏っているためだ。

こうした問題は今に始まったことではない。筆者は数年前、「It's The Data, Stupid(問題はデータだ、愚か者)」と題した記事を執筆し、AIの主な問題は、偏ったデータが「自信に満ちた誤答」を生み出すことにあると説明した。この問題を、筆者自身の教室という実際の現場での検証を通じて示してみたい。

実社会におけるAIバイアス

筆者はコーネル大学とINSEAD(欧州経営大学院)で教鞭を執っている。授業への参加態度は成績評価の対象であり、筆者またはティーチングアシスタントが採点している。AIがどのように差別を行うかを示すために、AIの判断と筆者の評価を比較してみた。検証では、学生を2つのグループに分けた。英語でトレーニングされた西洋のシステムが容易に処理できる名前のグループと、そうでないグループだ。縦軸は28回の講義を通じてAIが学生の名前を認識した頻度、横軸は筆者自身による授業参加度の評価である。理想的な世界であれば、両方のラインが一緒に上昇していくはずだ。ところが実際は、一方は上昇し、もう一方はほぼ横ばいのままだった。

次ページ > AIは西洋的な名前を約5倍多く聞き取っていた

タグ:

advertisement

ForbesBrandVoice

人気記事