AI選考に落ちた人の中に、”本当は採用すべきだった人”が紛れている

結論を先に

• AI選考は「不合格」と「無能」を混同させやすいが、両者は必ずしも一致しない
• HBSの調査では、学歴フィルターの設定ミスだけで1600万人の米国労働者が選考の土俵にすら立てていないと推計されている
• 問題は「AIが使われていること」ではなく、「見えない場所で、検証されないまま人を弾いていること」

この記事の結論

• AI選考の「不合格」は能力の証明ではなく、本来採用すべき有能な候補者を誤って落とす「偽陰性」が20〜30%に上るとされています。
• ハーバード・ビジネス・スクールの調査では、不要な「4年制大学の学位」フィルターだけで1600万人の米国労働者が選考の検討対象から除外されていることが明らかになっています。
• AI選考は新しい種類の間違いを発明したわけではなく、人間の選考が既に抱えていた見逃し（履歴書を平均7秒で判断、20〜30%の見逃し）を大規模かつ高速に再現している場合が多いです。
• 問題の本質は「AIか人間か」ではなく、フィルターの設計と検証を誰がどれだけ丁寧に行っているかにあります。
• 名前や経歴の空白期間など求職者側の努力では解決できない要因があるため、企業側によるフィルター条件の検証と継続的なバイアス監査が重要です。

AI選考における「偽陰性（見逃し）」リスクと人間選考との対比

「不採用」の通知は、「無能」の証明ではない

就職・転職活動でAI選考に落ちたとき、多くの人は静かにこう思う。「自分には、この程度の能力しかなかったのか」。

だが、この落ち込み方には、実は前提の誤りが潜んでいる可能性がある。AI選考の「不合格」は、能力の証明ではなく、システムの設計上の限界を映しているだけかもしれないからだ。

まず数字を見てほしい。AIによる履歴書選考の分野では、”偽陰性”(本来なら採用すべき有能な候補者を誤って落としてしまう現象)によって、キャリアチェンジ組やブートキャンプ出身者、経歴に空白期間のある候補者が、優れた実力を持ちながら選考の最初の数秒で弾かれるケースが20〜30%に上るとされている

これは些細な誤差ではない。5人に1人以上の”本来通るべき人”が、機械的な理由だけで最初の関門にすら立てていないという規模の話だ。

AI選考による不合格は、能力不足ではなくシステムの限界を反映している可能性がある。

なぜこんなことが起きるのか——ハーバードの調査が突き止めた「1600万人」

この問題は、AIが登場する前から存在していた、もっと根の深い構造だ。

ハーバード・ビジネス・スクールのFuller氏とRaman氏による2021年の調査では、本来は不要であるにもかかわらず「4年制大学の学位」を必須条件として設定してしまっているフィルターだけで、1600万人もの米国の労働者が選考の検討対象から除外されていることが明らかになった

これは意地悪なAIが賢い候補者を狙い撃ちしているという話ではない。むしろ逆で、採用側が設定した条件の粗さが、そのままフィルターの粗さになって現れているだけだ。AIは、与えられた条件を忠実に、しかし高速かつ大規模に実行するので、人間の担当者なら「この人は面白そうだから会ってみよう」と例外的に拾い上げていたはずの候補者を、機械的に弾き続けてしまう。

学術的な検証も、この懸念を裏付けている。ある研究では、レガシーなATS(応募者追跡システム)が、正確なキーワードの一致や固定的なルールセットに依存する”決定論的な分類器”として動作していることを指摘している。この枠組みの下では、スキルを表す言葉の使い方に多少の違いがあるだけで、実際には同等の実力を持つ候補者が、機械的に除外されてしまう

名前や出身地だけで結果が変わってしまう問題

もう一つ、見過ごせないデータがある。純粋な”技術的な取りこぼし”だけでなく、属性による偏りそのものが選考結果を左右しているという指摘だ。

3つの主要な選考モデルを分析した研究では、名前だけで結果に大きな差が出ることが分かった。白人系とされる名前は85%のテストで優先的に扱われた一方、黒人系とされる名前が優先的に扱われたのはわずか8.6%だった。性別についても、男性名が優先される割合は51.9%だったのに対し、女性名は11.1%にとどまった（出典: ワシントン大学iSchool研究チームによるLLM履歴書選考の監査調査、2024年発表。85.1%/8.6%の数値はBrookings Institutionの解説による）

こうしたバイアスは、キャリアの空白期間や非伝統的な学歴、特定の居住地域といった、業務能力とは無関係な要因によって、優秀な人材を機械的に除外してしまう形でも現れる

「落ちた人が優秀」なのではなく、「落ちた人の中に、優秀な人が”紛れ込んでいる”」

ここで、主張の精度を一段上げておきたい。この記事のタイトルは、あえて挑発的に「本当は採用すべきだった人が紛れている」としているが、これは「AI選考で落ちた人は、通った人より優秀だ」という意味ではない。

正確に言えば——AI選考によって「不合格」となった人々の集合の中には、実際には「合格」に値する能力を持った人が、無視できない割合で混じっている、という統計的な事実だ。合格者全員より優秀だという主張ではなく、不合格者全員が無能だという前提こそが誤りだ、という話だ。この違いは細かいようでいて、記事の信頼性にとって重要な一線だと考えている。

それでも反論はある:「じゃあAI選考自体をやめるべきか?」

当然、こうした問題を並べると「AI選考なんてやめてしまえばいい」という結論に飛びつきたくなる。だが、これも単純化しすぎだ。

そもそも人間による選考にも同様の問題は存在していた。人間の採用担当者は1枚の履歴書を平均7秒で判断しており、疲労やバイアスによって20〜30%の有能な候補者を見逃していたとされる。つまりAI選考は、”新しい種類の間違い”を発明したわけではなく、既に存在していた人間の限界を、より大規模かつ高速に再現しているにすぎない場合が多い。

問題の本質は「AIか人間か」ではなく、「フィルターの設計と検証を、誰がどれだけ丁寧にやっているか」にある。継続的なバイアス監査(理想的には毎月)を行っている企業とそうでない企業とでは、この問題の深刻さがまったく違ってくる。

求職者側にできることは、実は少ない——だからこそ企業側の責任が重い

この問題のもう一つ厄介な点は、求職者側の努力では、ほとんど解決できないということだ。名前や経歴の空白期間といった要因は、本人の実力とは無関係に選考結果を左右してしまう。これは「対策すればどうにかなる」類の話ではなく、選考システムを設計・運用する企業側の責任として扱われるべき問題だ。

AIGENT ACEでも、人材紹介企業のAI選考導入を支援する現場で、フィルター条件を精査してみると「なぜこの条件で足切りしているのか」誰も説明できないケースに何度も遭遇してきた。多くは過去の踏襲や横並び意識で設定されたもので、悪意はないが検証もされていない。導入時に一度立ち止まって条件を洗い出すだけで、取りこぼしの多くは防げると感じている。

結論:「落ちた=無能」という物語を、採用側も求職者側も一度手放すべきだ

AI選考は、便利で、速く、コストも安い。だが、その裏側で「本来なら会ってみるべきだった人」を、静かに、そして大量に取りこぼしている可能性がある。

落ちた本人がそれを「自分の能力不足」だと思い込んでしまうことも、採用側が「効率化に成功した」と胸を張ってしまうことも、どちらも同じ誤解の上に成り立っている。不合格という結果は、能力の証明ではなく、フィルターの粗さの証明であることが、思っている以上に多い。

よくある質問（FAQ）

Q1：AI選考に落ちたら、本当に能力が低いということなのか?

必ずしもそうではない。学歴フィルターの設定や、経歴の書き方とAIの評価軸のミスマッチによって、実際には十分な能力を持つ候補者が機械的に除外されるケースが一定割合で存在することが、複数の研究で確認されている。

Q2：AI選考を導入している企業は、何に気をつけるべきか?

フィルター条件が本当に業務に必要な条件かどうかの検証、そして継続的なバイアス監査(理想は毎月)が重要だとされる。一度設定して終わりにしないことが鍵になる。

Q3：AI選考をやめて人間の選考に戻せば解決するのか?

単純にそうとは言えない。人間による選考にも、疲労やバイアスによる同種の見落としが従来から存在していたことが分かっている。問題は「AIか人間か」ではなく、選考プロセス全体の設計と検証の丁寧さにある。

関連記事

• 「無能な上司ほどAI導入に反対する」は、半分正しくて、半分逆だった

参考文献・出典

• Joseph Fuller, Manjari Raman, et al., “Hidden Workers: Untapped Talent,” Harvard Business School / Accenture, 2021.(HBS学位フィルター1600万人推計の原典として言及)
• “Quantifying Algorithmic Friction in Automated Resume Screening Systems,” arXiv preprint, 2026.
• “Why AI Is Rejecting Your Resume Before Humans See It,” Forbes, March 2026.
• “AI Resume Screening: 2026 Best Practices for HR Teams,” HireHub.
• “AI Resume Screening Bias in Administrative & Sales Roles,” StaffMyAgency.
• “AI Resume Screening: Accuracy, Bias & What Recruiters Need (2026),” ArticSledge, March 2026.

本稿は2026年8月時点で確認できる公開データ・研究・報道をもとに構成しています。採用テクノロジーの動向は変化が速いため、最新の情報もあわせてご確認ください。

著者について
Yuta Inoue / AIGENT ACE株式会社代表取締役。AI実装コンサルティングを人材紹介業界向けに提供。テックリードとしてエンジニア採用(書類選考・技術面接)を担当した経験を持つ。

公開日: 2026年8月21日