Column

お役立ちコラム

採用DXを実現するために必要な3つのステップ – ZENKIGEN Lab Report 003

石丸 晋平 (株式会社ZENKIGEN 採用DXソリューションの事業開発責任者)

企業において欠かすことのできない「採用」という業務は、DX(デジタルトランスフォーメーション)が進んでいるとは言えず、まだまだアナログな業務が多い現状です。

今回は採用のDXに取り組み始めるべきタイミングについてZENKIGENの石丸に伺いました。

採用DXに注目が集まる背景

「採用のDX」というのはまだ新しい概念かと思いますが、最近人事現場ではどのように注目されていますか?

人事現場でも、採用DXに注目が集まっている実感があります。そもそも、ビッグデータのセンシングから蓄積、AIのアルゴリズムと実際のデータ活用という一連の活動が、DXとして世の中では注目を浴びています。

その中で、「人事や採用のDX」に着目すると、これまでは主にテキストデータを中心としたデータ管理やオンラインでの採用プロセスの業務管理を行ってきたのですが、2020年のコロナ禍においては動画データという今まで人事が取り扱ったことのないデータが、採用プロセスの中で収集可能になってきました。

弊社の採用DXソリューション「harutaka(ハルタカ)」を利用すれば、エントリー動画という候補者からの自己紹介動画による選考とオンライン面接を行うことによって、今まで会議室でブラックボックスで行われていた面接のデータが記録・蓄積できるようになります。

さらにそれがコロナ禍の影響を受け、全国的に移動を省略してフルオンラインで採用・面接を行うように就活市場が変化したことで、急速に面接のオンライン化が進んだという背景があります。

エントリー動画や面接動画のデータを活用することで、選考の精度や面接でのコミュニケーションの質を高めたり、内定してこれから活躍してくださる方にできるだけ多く時間を割いたり、採用業務自体をデータドリブンに変えていくという本来採用で実現したかった業務を行う準備が整った、もしくは整えられるようになったという背景があると思います。

もう一つの背景として、AI技術の実用化が進んでいるという側面があります。

動画データをAIで解析することは非常に難しい技術ですが、その自然言語処理やコンピュータービジョンという画像・動画解析技術などの実用化が進んできています。これらを複合的に組み合わせて解析をしていくことで、人間が注意深く見て初めて気づくような情報を、動画から特徴量を抽出して処理をすることができるようになってきています。

また、採用ならではの問題点として、過去の合否情報のみをAIに学習させてしまうと、AIが差別を生んだり合否のバイアスが強くなってしまう恐れがあり、採用の効率化という観点のみでのAIの導入や、取り扱いが非常に困難とされていました。

その中でも研究は続き、世界各地での様々な失敗事例を経て、今、採用のデータの取り扱いについてや、AIを暴走させない・きちんと管理できる形で業務に導入する知見が溜まってきたこともDXに取り組む背景の一つになっているのではないかと思います。

「採用フローの変化によってデータが取りやすくなった」という社会的な側面と、「技術の実用化が進んだ」「採用に関するデータやAIの取り扱いについての知見が溜まってきた」という技術開発的な側面が重なって、ちょうど今採用のDX化に注目が集まっているのではないかと思っています。

採用DXを実現するために必要な3つのステップ

実際に採用のDXを進める際の3つのステップを教えてください。

DX(デジタル・トランスフォーメーション)は、アナログの業務を、オンラインの業務にシフトした上で、データを蓄積することで、ようやくデジタルデータを用いた新たな業務の構築を手掛けることができます。
そのため、2〜3年の時間軸が必要です。DXの機運が高まる今、採用DXに着手する企業人事が増えています。
実際の採用DXのステップをご説明します。

1. データの収集

まずは、データをきちんと収集・蓄積できる状態を作ることですね。

ここが一部限定的だったり、データがそもそもない状態ですとクロス集計レベルの分析はできたとしても業務自体をトランスフォーメーションしていくことは不可能です。十分なデータを蓄積できる状態を作ることがファーストステップになります。

AIを扱うプロジェクトにおいて、データは重要だという話はよく聞きます。「十分なデータ」というと、具体的なデータ設計やデータの集め方のコツはありますか。

もちろん分析の範囲と対象によりますが、ZENKIGENの場合はまずはハルタカを使っていただいて、対象となる選考の全量のデータを蓄積してもらうというのを基本としています。全量を俯瞰的・網羅的に把握することで、トランスフォーメーションの指針を立てることができます。コツというと、蓄積したデータを随時整備しておくことに尽きます。

さらには、データを収集するにあたって、データ分析を行う目的と、分析に必要なデータセットの事前の定義は必要です。「何を教師として機械学習モデルを構築するのか」の定義や、全体の設計が必要になりますが、この点の設定を経た上でデータを安定的に収集する基盤があると、よりモデルの開発から実用に至るまで、最終的な採用業務を変えるところまで安心して進められるようになります。

2. 学習を進める

ZENKIGENと共にプロジェクトを進めて頂く場合、機械学習モデルについては大きく分けて2つの提供の仕方があります。

1つは、我々のが定めた基準の可視化を行う独自モデルを導入するケースです。具体的には、選考の中で多くの人事が指標として使っていくような「意欲」「準備をしっかりしてるか」等という内容に関して、AIが識別していくというモデルを独自開発していますので、すでに作成されたモデルとしてご提供することができます。大量の応募に対して選考を補助するような目的でご利用いただくケースが増えています。

もう1つは、個社独自の選考基準をモデル実装したいケースです。その場合は、データ収集のあとに、企業側で目的変数となるような教師データを作成することになります。

変数となる基準が曖昧だと全員同じような評価になったり、選考のブレが大きくなったりするので、プロジェクトを進めるにあたっては人事の方々の工数もあらかじめ確保してもらっています。

3. 実際の選考オペレーションに落とす

AI活用のメリットとして、単純に生産性の向上ということ以上に重要なのは「今まで人手では見ることができなかった領域をAIが抽出する」ことができるようになることです。

弊社の採用DXは「人とAIの調和」という開発コンセプトを掲げており、人ができることをAIが再現する以上に、人ができないことをAIが支援することを重視しています。

従来の方法では、大手企業の場合約1万件にもなるエントリーを精度高く審査することにハードルがありました。

一方で、大量の応募の中には、例えば学歴が選考のプラスにならないような大学でも、実際にお会いしてみるとその会社の文化に非常にマッチしたというケースもあると思うんですが、書類上はそういう方を見出すことができなかったという問題がありました。

それをエントリーの書類審査から動画に切り替えてAIで判定することによって、限られた時間のなかで、人手では考慮しきれなかった多数の変数を踏まえた、より多元的な選考を実現できます。動画情報は、書類の数千倍の情報量があると言われます。考慮できる変数が圧倒的に増えることで、選考の公平性が大きく向上すると考えています。

ただし、我々は現時点ではまだAIの判定結果を100%信じて選考を組み立てることを推奨していません。まだ学習の精度が上がっていないケースなど適切な判断ではない可能性が出てきてしまうからです。

一部生産性を落としたとしても、AIの特性と人事の目でのチェックを組み合わせて、より公平性を高めたり選考の客観性を高める努力を開発側と人事側で共に組み立てる必要があると考えています。

AIの精度検証と選考運用を確立でき次第、順次AIに任せる領域を定めていきます。導入初年度は、慎重かつ説明責任を果たすための準備期間とする企業が多い状況です。

どんなタイムスケジュールで採用DXを進めていくのか

採用DXを進める際の具体的なタイムスケジュールを教えていただけますか。

第1フェーズ:データの蓄積と検証

「採用DX」全体のスケジュールは大きく三年かかると初期導入のお客様には伝えています。

第1フェーズに当たる一年目は、有効なデータを貯めて、実際にAIが効果を出せるかという仮説検証を行います。一年目で大幅な導入成果を上げることを狙わず、候補者にとって不利益がないようにより安全で公平性の高い形でAIを導入して、導入のメリット・デメリットが検証できる形で進めています。

第2フェーズ:一部業務のトランスフォーメーション、データドリブンの業務の構築

第1フェーズで十分なデータが溜まり、AIの稼働と導入効果の検証ができれば第2フェーズとしてAIの本稼働を行っていく形になります。

このフェーズでは、一部の役割をAIに任せて、よりフィッティングの高い選考を生産性高く進めていくための部分的な導入を進めていくことになります。

第3フェーズ:全体の業務の変革

第2フェーズを進める中で、AIを導入したことによって選考に通る、あるいは内定を獲得するという実際の合格者が出てくると思います。その方々が本当に選考後内定まで進んだのか、または内定後の活躍度合いなど経年での活躍状況も見えてきます。

最終的な結果も踏まえながらAIの導入範囲や選考の短縮化、面接官とのマッチング調整、候補者の要確認項目の設定など、タイプ別に工程を組み立てたり選考工程の様々なところに、AIが出してきた結果と業務をリンクさせていくという、実際に業務の改革を行っていくところが第3フェーズだと思っています。

特に、新卒採用は年度毎の業務設計となるため、より入口に近いタイミングで選考という目的を達成し、残りの時間はよりフィット度の高い方に多くの時間を使い、入社に対する動機付けやコミットメント度を高める部分ような時間の使い方にシフトして行くことができれば、採用業務をデジタルトランスフォーメーションできると思っています。

実際の事例

実際に今プロジェクトが進んでいる会社にはどんな事例がありますか。

A社の事例

共同プロジェクトを進める大手メーカーの場合は、まずはインターンシップでのハルタカの導入を行いました。大手企業なので、インターンシップでも500以上のエントリーがあります。候補者のデータをまず蓄積して、独自のモデルについてや業務でのAI活用範囲に関して、細かく運用設計を行っていきました。

一年目の導入については、AIの判定結果は参考として、人事が選考結果を説明責任を果たせる状況をつくることが重要です。そのため、通常の選考フローでは見落としてしまう候補者層を新たに発掘する目的でAIの判定結果を用いる業務運用としました。

通常の選考フローを実施しつつ、データ取得と開発したAIモデルを並行稼動させることで、候補者にとって不利益のないフローを実現しています。今後は、AIの役割と人事の役割をより明確に分担することで、業務の生産性を向上すると同時に、選考の公平性を高めています。

まだハルタカを導入されていないお客様であっても、インターンシップの機会も使えば半年で第1フェーズの仮説立案から運用の構築、モデルの構築と導入をスムーズに進められると考えています。

B社の事例

他の利用事例として、元々動画でのエントリーを導入していて、応募者全員と面接をするという選考方法を取っています。そのエントリー時の動画をAIが解析して一次判定を行うことで、面接官への事前インプット情報になります。

また、候補者に対するAIフィードバックという新たな試みを実施しています。候補者のエントリー動画に対してAIが選考を行うというよりも、面接官への情報インプットと共に候補者が応募した動画に対してAIが「面接官に持たれている印象」や「改善するとより良い点」をコメントすることで、候補者の体験を高める方向でAIを活用する事例になっています。

基本的な導入のスケジュールは変わりませんが、この企業については動画の情報がすでにたくさん貯まっていたので、事前の簡易検証を行った上で、本選考でもまずはフィードバックの導入し、独自の選考アルゴリズムを開発して実際の人間の評価とAIによる評価の検証を行っています。

選考に応募してフィードバックをもらえるのは面白いですね!

そうですね。候補者にとってより有用な形にしていきたいという思いから出てきた運用方法ではありますが、他社でも「候補者一人ひとりがメリットを感じるようなサービスにしていきたい」という人事さんからのニーズも多いです。
一人ひとりの体験が良くなるようにお客様である人事部が率先して考えてくれて、それにより実現した機能の一つなんです。

データの蓄積は、どのフェーズでも並行して進めていくのですか。

一年目から三年目のデータは積み重ねていくという意味でも重要ですし、一年目の方が入社した結果が三年も経てば出てくるので、それらを踏まえて結果をフィードバックするところも含めて、三年あれば到達できると考えています。

選考基準の設計には時間軸が鍵となる

これまでプロジェクトを進める中で、失敗例や苦労した点はありますか?

失敗例というよりは想定以上に躓きやすかったポイントとしては「企業側の選考基準に思いのほか偏りがあったり、評価にバイアスがかかりやすい」という認識を忘れてしまいがちなことです。選考基準の教師データを作る際には、何度かトライ&エラーを繰り返すことをあらかじめ認識する必要があります。

導入から実運用までのリードタイムが非常に短いスケジュールを組んだ場合は、トライ&エラーに工数の捻出が難しく、本来AIを用いたかった領域に対して、一部通常の工程を残したままの運用になってしまうという問題が起きています。

データ収集についても、選考の当初であれば比較的評価が甘く、選考基準通り評価をつけていても、内定者が多く出ていた時期に関しては合格の基準が厳しくなってくるなど時間軸に対する評価の甘辛・ブレが発生しているケースがあります。

これを全く同じように扱ってAIに学習させるとかなりばらつきが出てくるので、本来の選考基準に整えて学習させるというデータのクレンジングにも手間がかかりますね。

AIに読み込ませる、本来の基準をどこにするのかに関して、あらかじめ選考工程をよく認識合わせしたうえで選定しておく必要があると思います。

思ったより丁寧に時間を用意しないと余計に時間がかかるんですね。

そうですね。人事はかなり多忙ですから、AIを導入したら一足飛びで業務効率化が進むとか、人事に都合のいいような形でアウトプットをくれるという理想を描きたくなる気持ちは理解します。しかし、それでは人事として責任を追うべき業務部分に対してAI任せになってしまう部分が出てくるのかなと思っています。

実際に業務の簡略化につながるような導入の仕方はありますが、バランスを取っていく必要がありますね。

今、採用DXを始めなければいけない理由

「採用DX」を始めるタイミングは何故いまなのでしょうか?

できるだけ早いタイミングから採用DXに取り組んだほうがいい理由は3点あります。

AIを通したデータを早くから貯めること

1点目は「データの早期蓄積」です。

データというのは、収集されたインプットとしてのデータはもちろんありますが、AIを介したデータが溜まってくることによって「AIを用いて選考を強化した結果」のデータも溜まることになります。

AIが自社に合うと推奨してくれた候補者が、本当にそのあと「面接の通過率が良かったのか」「面接の満足度が高かったのか」「内定の獲得がどれくらい進んだのか」「今までにない採用として、活躍人材としてはばたいているのか」というデータが、早い段階からAIを通過するデータ量を増やしておくことで結果と紐づいて蓄積されていくことになります。

仮に、導入して3ヶ月で結果が知りたいという時間軸に設定しておくと、もともとあった仮説の検証にすぎず、旧来のアナログ採用の再現・一部代替にしかならないと思います。

データドリブンで業務全体を見直すためには、AIの力を借りて、今までの選考では作れなかったようなデータベース・検証結果を蓄積していくことが第一歩になりますし、それを始めるのは来年よりも今年から着手することをお勧めしています。

人事部が一緒にAIを作っていくということ

2点目は「日々の業務がDXにつながっているから」です。

できるだけ早いタイミングからDXプロジェクトを始め、ご一緒に汗をかいた分だけ、AIを意図通りに活用できるように、業務に組み込める人事になっていくと考えています。

確かに、完成された技術、完成された製品を導入すれば、一部の目的を果たすには費用対効果が良いことが多いです。しかし、世界のAI採用の状況をみると、まだまだ理想をそのまま叶えてくれるレベルではありません。

都合よく解釈して、安易にAI導入を行うと、業務品質が低下し、なんのノウハウにもならないことが多数発生している現実に目を向ける必要があります。

今年から採用DXに着手することを決めた企業人事は、AI活用の現実と効用を学習し、使いこなすためのノウハウを獲得することになります。

そのため、ツールを買うか、買わないかというレベルではなく、AIとの協業をデザインするケイパビリティを身につけることが、将来10年を見据えると最も重要な観点になります。

オンライン化が追い風になる

新型コロナウイルスの影響でオンライン面接が増えたことも追い風になりますか?

はい、それが3点目の理由です。

そもそもDXのステップとしては、まずはオンライン化を実現し、その次にデジタル化というステップになります。

現在は新型コロナウイルスの感染拡大を防ぐためにオンライン面接が浸透していますよね。オンライン化している今の方が選考フローが進むので、やり取りがすべてデータに残りやすいんです。

もし今後コロナが収まって対面での面接が主流に戻ってきたら、その時にもう一度DXをすすめるのは大変な労力がかかると思います。

今のオンライン化は社会的な流れでもありますし、これがDXを推進するきっかけになれば人事部としても知見やノウハウがたまり、今までにない選考が実現できます。

また、新しい環境での就活に適応できずに悩んでいる学生さんも多いと思うので、そういう方への機会提供や新たな体験作りにチャレンジしていきたいですね。普段よりチャレンジのハードルが低くなっているので、実施をするタイミングとしてはまさに今なんです。

導入する人事部側も候補者側もハードルが低くなっているんですね。AIを通したデータを貯めていくことが鍵になるというのはハッとしました。

やはり、AIで人事の業務を代替したい、という目的での業務変革だと、アナログ時代の採用の一部代替になるだけです。

そうではなく、人が丁寧に見ていけばより業務をコントロールしやすかったり最適化しやすいような、一件一件に対する情報の見方・抽出の仕方・判断の仕方があると思うんですね。

今までのアナログ採用では担当者の労力上限界だったところに、AIがプラスアルファでその業務を担ってくれるような導入の仕方ができると、応募者に対するフィードバックや選考のサポートにも生かされてきます。面接官とのマッチングや、選考の際の注意ポイントなどよりパーソナライズドされた採用の業務にもそのデータは活きてきます。

さらには、4次面接、5次面接と、膨大な労力をかけ、何度も面接を繰り返すことで、自社にフィットしない人材をスクリーニングしていくという採用選考を、豊富なデータとAIを駆使することで、業務時間を大幅に短縮したり体験の良いものに変えていくことが、デジタル時代の新たな採用だと思っています。

これを実現するためには、これまで人ができなかったところをAIにカバーさせ、そこを通過したデータ量を増やしていくことが、DXに必要なのです。

人とAIを調和させ、採用DXを実現する

我々の採用DXプロジェクトでは、「人とAIの調和」を掲げています。

これまでのアナログ的な採用業務がダメだったというわけではありません。採用業務において人と労力の限界があった部分を超えて、関わる人がその企業の選考に「参加してよかった」と思えるデジタルトランスフォーメーションを皆さまと共に実現していきたいと思います。

>次回 ZENKIGEN Lab Report 004 はこちら

石丸 晋平(株式会社ZENKIGEN 採用DXソリューションの事業開発責任者)

1983年福岡県生まれ。全機現というビジョンに共感して、2018年にZENKIGENに参画。 人は社会の財産という想いから「社会に開かれた人事」をコンセプトに掲げ、HRをヒューマン・リレーションシップス(資源管理から関係支援)に変容することを目指している。現在は、事業開発を中心に、企業人事への新たなテクノロジーとメソドロジーの実装、人の感情や身体に関わるデータとコミュニケーションの関係を計測する共同研究に従事。

事例集をまとめ読み!

採用のヒントが詰まった
「成功導入事例集」!

導入事例集ダウンロード

その他のコラム

コラム一覧に戻る
資料請求

お問い合わせ電話番号

03-3286-8550

WEB面接のノウハウから
成功事例までをご紹介します。