面接官トレーニングをAIで設計する — 評価のブレを校正する3段階

「山根さん、うちのA面接官とB面接官、同じポジションなのに一次通過率が全然違うんです。何が起きているんでしょうか」

あるクライアントの採用責任者からいただいた相談です。調べてみると、同じ職種・同じ選考フェーズで、面接官3人の一次通過率が30%台から70%台まで開いていました。応募者の質が急に変わったわけではありません。結論から言うと、面接官トレーニングは「集合研修を年に1回やる」だけでは変わらない、と僕は考えています。効くのは、質問セットの標準化・評価コメントの構造化・キャリブレーション会議という3段階を、AIを使って継続的に回す仕組みです。今日はその設計を、実装の手順と、実際につまずいた会社の事例まで含めてお話しします。

0. 面接官によって合否が変わる、という不都合な事実

先ほどの例のように、同じ職種・同じ選考基準のはずなのに、面接官によって通過率が大きく違う会社は珍しくありません。これはPM Questでのスカウト・面接設計の実装現場でも繰り返し観測してきたパターンで、体感値としては一次通過率の差が20〜40ポイントに及ぶケースもあります。厚生労働省が公表している学卒者の離職状況調査では、大卒者の就職後3年以内離職率がおおむね3割前後で推移しており、入社後のミスマッチが一定の割合で発生していることが公的にも示されています。ミスマッチの原因を面接の精度だけに帰することはできませんが、選考時点での見極めの質は、その一因になり得る変数です。面接官のばらつきを放置することは、採用コストだけでなく、入社後の定着にも影響する話だと捉えるべきだと考えています。

1. ばらつきの正体は3つに分解できる

面接官ごとの差は「相性の問題」で片づけられがちですが、実際には構造的な原因が3つあります。順番に見ていきます。

1-1. 評価基準が言語化されていない

「コミュニケーション力」「地頭の良さ」といった抽象的な評価項目は、面接官ごとに解釈が違います。ある面接官にとっての「コミュニケーション力が高い」は、話が論理的であることを指すかもしれませんし、別の面接官にとっては場の空気を読む力を指すかもしれません。評価項目名だけがあって、その中身の定義がすり合っていない状態です。

1-2. 質問の深さが面接官ごとに違う

同じ「前職での実績を教えてください」という質問でも、そこから深掘りする面接官と、一問一答で終わらせる面接官がいます。深掘りの有無で得られる情報量が変わるため、同じ候補者でも面接官によって印象が大きく変わります。

1-3. すり合わせの機会がそもそもない

多くの会社では、面接官同士が互いの評価コメントを見比べる機会がありません。合否判定の会議はあっても、そこで議論されるのは個々の候補者の可否であって、面接官の評価の癖そのものではないことがほとんどです。ずれに気づく機会がなければ、ずれは是正されず固定化します。

2. AIで作る校正ループ設計①：質問セットを類型化して標準化する

最初の一手は、質問そのものの標準化です。採用要件定義で言語化した「必須スキル」「歓迎スキル」「カルチャーフィット項目」ごとに、AIで質問案を複数パターン生成し、それを人事と現場面接官ですり合わせて確定させます。ポイントは、質問を丸ごとAI任せにしないことです。AIが得意なのは、評価項目に対応する質問の「型」を大量に出すところまでで、実際に自社の候補者層に刺さる言葉選びや深掘りの順番は、現場を知る人が最後に調整する必要があります。

具体的な進め方は次の通りです。

1. 要件定義シートの評価項目を洗い出す（この段階でAIに整理を手伝わせても構いません）
2. 評価項目1つにつき、深掘り質問を3パターンずつAIに生成させる
3. 現場面接官2〜3名でレビューし、実際の面接で使える言い回しに調整する
4. 確定した質問セットを「共通質問」と「面接官の裁量部分」に分けて明文化する

すべてを共通質問にしてしまうと、面接が台本の読み合わせのようになり、候補者体験を損ないます。共通質問は評価の軸をそろえるための土台とし、そこから先の深掘りは面接官の裁量に委ねる、というバランスが実務上は機能しやすいと僕は考えています。

3. AIで作る校正ループ設計②：評価コメントを構造化してズレを可視化する

質問を揃えても、評価コメントの書き方が面接官ごとにバラバラでは、ズレは見えてきません。次の一手は、評価コメントをAIで構造化し、評価項目ごとに整理することです。面接評価の構造化そのものは別の切り口で扱ったことがありますが、ここで注目したいのは「面接官比較」という使い方です。

下の表は、同じ候補者に対する3人の面接官のコメントを、評価項目ごとに並べた例です。実際の運用ではAIがフリーテキストのコメントを項目別に振り分け、このような比較表を自動生成します。

この表を見ると、面接官Aは根拠を具体的に書く傾向があり、面接官Cは印象ベースの短いコメントが多いことがわかります。どちらが正しいという話ではなく、コメントの粒度が違えば、合否判定の会議での説得力にも差が出るという点が重要です。AIによる構造化は、この粒度の違いを機械的に、かつ角が立たない形で見せてくれます。人が「Cさんのコメントは雑ですね」と指摘するより、表を並べて見せる方が納得を得やすいというのが、現場での実感です。

4. AIで作る校正ループ設計③：キャリブレーション会議を差分から始める

質問と評価コメントが整ったら、最後にキャリブレーション会議、つまり面接官同士で評価基準をすり合わせる場を設計します。ここでAIに任せるのは、会議のアジェンダを「差分」から自動生成することです。具体的には、直近数週間分の評価データから、評価項目ごとの通過率の差が大きい組み合わせや、コメントの傾向が特に違う面接官のペアをAIが抽出し、議論すべき論点として提示します。

会議そのものを1時間かけて全項目を確認するのは非効率です。差分が大きい2〜3項目に絞って議論する方が、面接官の負担も少なく、継続しやすくなります。僕の体感では、月1回30分程度のキャリブレーション会議を3か月続けると、面接官間の一次通過率の差が体感で半分程度、つまり20〜40ポイントの開きが10〜20ポイント程度まで縮まってくることが多いです。この数字はあくまで目安であり、職種の特性や面接官の人数によって変動します。

5. よくある失敗パターンとケース比較

ここまでの設計は理屈としては理解されやすいのですが、実際にはうまく回らない会社もあります。共通するつまずきは大きく2つです。1つ目は、研修を単発イベントとして実施し、その後の運用を仕組み化しないパターンです。研修直後は意識が高まりますが、日々の選考業務に戻ると元のやり方に戻ってしまいます。2つ目は、評価シートやツールを導入すること自体を目的化してしまい、面接官同士の対話の場を作らないパターンです。データが整っても、それを見て議論する場がなければ、ズレは是正されません。

実際に、急拡大中のスタートアップと、面接官が固定化している中堅企業とでは、つまずき方が違いました。中途採用を月10名規模で拡大していたあるスタートアップでは、面接官が次々に増えるスピードに質問標準化が追いつかず、新任の面接官が独自の質問を使い始めてしまい、半年後には通過率のばらつきがむしろ拡大していました。この場合、効いたのは「新任面接官は必ず共通質問セットから離れない」というルールを最初の3か月だけ強めに運用したことです。一方、面接官が5年以上固定されている中堅企業では、質問はすでに揃っていたのですが、コメントの書き方が各自の癖として固まってしまい、キャリブレーション会議を導入しても最初の2〜3回は「今更変えるのは気が引ける」という空気で議論が深まりませんでした。ここでは、AIが機械的に差分を提示する形式に切り替えたことで、人が指摘するより角が立たずに議論が進むようになった、という経緯があります。同じ「校正ループ」という設計思想でも、組織のフェーズによって最初に強く回す段階が違う、というのがこの2社を比較して見えてきたことです。

6. 今日からできる一歩

今日からできる最初の一歩としては、応募数の多い職種を1つ選び、面接官3人分の直近の評価コメントをAIで構造化して比較表にしてみることをおすすめします。所要時間の目安は、コメントの収集と整形で30分程度、AIによる構造化とレビューで1時間程度、合計でも半日かからずに着手できます。この段階では新しい仕組みを本格導入する必要はなく、まず「自社の面接官の間にどれくらいの差があるのか」を数字と言葉で見える化するところから始めれば十分です。差の大きさを見て初めて、質問標準化とキャリブレーション会議のどちらから着手すべきかが見えてきます。

7. (結論)

面接官トレーニングは、精神論の研修ではなく、質問の標準化・評価コメントの構造化・キャリブレーション会議という3段階の校正ループとして設計するものだと僕は考えています。AIはこの3段階すべてで下準備を担えますが、質問の最終調整も、合否判定も、基準のすり合わせも、最後は人が行うべき領域です。皆さんいかがでしたでしょうか。まずは自社の面接官の合格率の差を数字で見てみるところから、では今日もがんばりましょう。