面接官トレーニングをしても同じ回答で評価が割れる理由

データ分析職の二次面接が終わり、三人の面接官が会議室に残った。同じ四十分を聞き、候補者は在庫予測モデルを作り直した経験を同じ順序で説明した。それでも評価シートには五点満点で四点、三点、二点が並んだ。最初に口を開いたのが四点をつけた本部長で、十五分後には評価が四点にそろった。質問集も評価項目も同じだった。違ったのは回答ではなく、その回答を何として数えるかである。

面接官トレーニングとは、質問リストと禁止質問の案内を配ることではない。同じ候補者の同じ回答を、異なる面接官が同じ根拠で同じ評価に置けるよう判定基準を訓練し、残ったばらつきを測って狭め直す運営の仕組みである。質問設計は何を聞くかを決め、判定設計は何点を与えるかを決める。スキル採用が崩れるのは前半ではなく後半だ。

企業人材育成の観点から出る結論ははっきりしている。採用基準をスキルに変えたいなら、求人票の文言より先に判定する人を変えなければならない。 学歴要件を外し評価項目を書き直した組織で採用結果が変わらなかった理由もここにある。書類は変わったのに、部屋に座る人の目盛りはそのままだった。

学位要件を外した求人が採用結果を変えなかった理由

Burning Glass Instituteとハーバード・ビジネス・スクールのSigelman・Fuller・Martinの2024年の分析では、2014年から2023年のあいだに雇用主が学位要件を外した職務の数は四倍に増えた。しかし新たに学位要件が消えた求人のうち、実際に学位を持たない候補者の採用につながったのは4%に満たなかった。分析対象企業のうち非学位者の採用を実質的に増やしたのは三分の一ほどで、残る三分の二は大卒者の比率をそのままにするか、むしろ高めていた。2026年のRao・Weathers・Martinの後続研究でも、学位要件を外した企業で非学位の資格保有者の採用比率の伸びは2ポイントにとどまった。

この数字を制度の失敗と読むと半分しか見ていない。要件を消す作業は書類で終わるが、採用を決めるのは人だ。学歴欄が消えても面接官の頭のなかの基準線は消えない。見慣れた学校名がなければ同じ回答が浅く聞こえ、話し方が滑らかなら根拠が薄くても通ってしまう。

スキル採用の成果物は二種類ある。求人票、スキル要件、質問集、評価シートは数か月あれば仕上がる。判定は違う。面接のたびに新しく起こり、その場にいる人の記憶と比較対象で毎回作り直される。前半だけ入れ替えて後半を放置すれば、組織はスキル採用を導入したと報告しながら以前と同じ人を採る。

採用で最も難しいのは人を探すことではなくスキルを判定することだ

検証の難しさは、OECDが2026年の報告書にまとめた調査結果に表れている。2021年に米国の中小企業約300社を対象としたマッキンゼーの調査では、スキル・能力・照会先の検証が最大の採用課題に挙がり、回答者の半数近くが主要な懸念とした。2023年の雇用主1,500社の調査では、ハードスキルの検証が難しいと答えた比率が66%、ソフトスキルが57%だった。

一方、英国の雇用主調査で採用時に決定的または重要と答えられた要因の一位は関連する実務経験の61%で、学位や同等資格は20%にとどまった。最も検証しにくいものを最も重く見ていることになる。

問題は、経験が成果をうまく予測しない点にある。SchmidtとHunterが1998年にまとめたメタ分析では、19の採用手法のうち一般認知能力テストとワークサンプルテストの平均妥当性が最も高く、類似職務の経験年数や教育年数は予測力が明確に低かった。81の研究標本を統合したVan Iddekingeらの2019年の分析も、入社前の職務経験を将来の成果の弱い予測因子とみなす。

最も広く使われる手がかりが最も弱い予測因子であり、最も必要な作業が最も難しい。この隙間は道具ではなく訓練で埋める。テストを足しても選り分けられない領域は残る。

面接官が実際に判定しているのは時間管理や感情の扱いという構成概念だ

英国の2024年雇用主スキル調査では、スキル不足で埋められなかった欠員の69%は対人スキルの不足が原因の一部だった。項目別では自分の時間と業務の優先順位を管理する力が48%で最も多く、感情を扱う力が37%、顧客対応が36%、チームワークが35%、部下の管理と動機づけが35%だった。

英国教育省の雇用主スキル調査2024年全国報告書52ページ、Figure 2-7。採用で確保しにくいスキルの上位は、標準テストで片づかず面接で人が判定する構成概念に集中している。

この並びを見ると、なぜ評価が割れるのかが説明できる。コーディングテストはアルゴリズムの習熟を選り分けるが、予定が重なったときに自分で優先順位を組み替えたかは選り分けない。資格は会計知識を証明するが、意見の異なる相手と合意に至ったかは証明しない。テストが答えを出せない領域こそ欠員が最も生じる領域だ。

構成概念は名前だけあって定義がなければ、各自が別のものを測る。チームワークという一語を、ある人は対立の調整行動、ある人は予定共有の誠実さ、ある人は会議での発言量として読む。同じ回答に違う評価がつくのは注意力ではなく定義の問題だ。

評価を分けるのは質問ではなく証拠の階層だ

評価が割れる第一の理由は、面接官ごとに認める証拠の水準が違うからだ。採用面接の証拠は三段階に分かれる。

先の四十分の面接に戻ると違いが現れる。四点をつけた人は語られた行動を「行ったこと」として受け取り、二点をつけた人は裏づける成果物がないとして「語ったこと」に留め置いた。三点をつけた人は折衷した。三人とも誠実で、三人とも別の規則を使っていた。

運用規則は単純でよい。証拠の階層を上げられなければ点数を上げない。評価シートには点数とともに、その点数を支える証拠の階層を書く。すると振り返りで「なぜ四点ですか」ではなく「その判断はどの階層の証拠に立っていますか」と問える。前者は防御を呼び、後者は確認の手順につながる。

尺度だけ渡してアンカーを渡さなければ、面接官は各自の記憶を基準にする

構造化の水準が高い面接ほど妥当性と評価者信頼性、評価者間の一致度が上がり、特定の集団への不利な影響は小さくなる。米国人事管理局が整理した基準では、最高水準の構造化は全候補者に同じ質問と追加質問を投げるだけで終わらず、回答を熟達水準の基準点に照らして採点するところまで進む。質問だけそろえて基準点を渡さなければ、構造化は半分で止まる。

一点から五点までの尺度に不足・普通・優秀・卓越といった形容詞だけを添えると、面接官は比較対象を自分で探す。多くは直近に見た候補者か、いまその席で働いている人だ。前の順番で強い候補者を見た面接官の三点と、弱い候補者が続いた面接官の三点は同じ数字ではない。

アンカーはその比較対象を文章で固定する装置である。経済産業省が産業界とともに2002年に策定したITスキル標準は、11の職種群と35の専門分野についてスキル別の熟達水準を文章で定義している。マーケティング職種のコミュニケーションスキルでは、レベル4が特定製品の戦略を担うチームリーダーとしてメンバーと意思疎通する水準、レベル5が小規模市場で活動を実行し社内の管理者と意思疎通する水準、レベル6が複数の製品群を担い中規模市場の運営を設計して経営層と意思疎通する水準とされる。

OECDの2026年スキル優先労働市場に関する報告書78ページ、Table 4.4。三つのレベルを分けているのは形容詞ではなく、責任範囲、扱う規模、意思疎通する相手という三つの軸である。

学ぶべきはマーケティング職務の中身ではなく文章の構造だ。採用面接のアンカーも同じ書き方でよい。「コミュニケーションに優れる」ではなく「利害の異なる他部門の管理職と合意を作り、その結果を文書に残した経験を二件以上説明できる」のように、観察できる対象と規模を入れる。アンカーに人柄を描写する語が入ると、判定はまた各自の印象へ戻る。

キャリブレーション会は会議ではなく同じ素材を一緒に採点する演習だ

面接官トレーニングを講義だけで行っても、ばらつきは減らない。バイアスの名前を知る人と知らない人が同じ回答に同じ点をつけるわけではない。ばらつきは、同じ素材を一緒に採点して差の理由を確かめる反復でしか縮まらない。

• 実際の面接の録音や模擬面接の映像、候補者の課題成果物を素材に使う。作り物の台本は、判定で実際に割れる曖昧な地点を含まない。
• 参加者は素材を見て各自採点し、点数と根拠を提出する。このとき他人の点数は見ない。
• 進行役は点数の分布を同時に開示し、二点以上開いた項目だけを選んで議論する。一致した項目に時間を使わない。
• 議論の問いは「誰が正しかったか」ではなく「どの発言をどの階層の証拠として読んだか」である。
• 会が終わったら論点になった箇所をアンカー文に反映する。成果物は合意された点数ではなく改訂されたアンカーだ。

一度きりの会は長続きしない。職務が変わり面接官も入れ替わるため、職種群ごとに採用シーズンの開始前と中盤に開くのが現実的だ。記録は次回の教材になる。

独立採点を先に行わなければ、残るのは合意ではなく同調だ

先の事例で三人の評価が四点にそろったのは、判定が一致した結果ではない。先に発言した人の数字が残りの基準点になった結果だ。振り返りの冒頭で点数を開示して議論すれば、役職が上の人や声の大きい人の判断が出発点になる。その後の対話は検証ではなく調整になる。

構造化面接の標準手順は順序が逆だ。パネルの各メンバーが回答を個別に採点し、そのうえで点差の大きい項目を議論で解消する。順序を返すと、その議論は相違を解くのではなく最初の発言を広げる作業になる。

手順を一つ変えるだけで問題の大半は減る。面接が終わったら部屋を出る前に評価シートを封じ、振り返りで全員の点数を同時に開示し、開いた項目だけを扱う。この順序を守れば、組織は汚染の少ない判定と実際のばらつきデータを同時に得る。調整後の点数だけを残せば、ばらつきは記録から消え、消えたばらつきは訓練の対象にならない。

議論で扱うべきは最終評価ではなく判断の経路だ。同じ回答をある人は主導的な役割、別の人はチームの成果を自分のものに移した語りとして読んだなら、その差は候補者ではなくアンカーの空白である。進行役は結論を出す人ではなく、この空白を見つけて記録する人だ。

認定に有効期限がなく判定履歴もなければ、ばらつきの大きい面接官は残り続ける

面接官の資格を一度与えて終わりにする組織では、誰が甘くつけ続け、誰が特定の背景の候補者にだけ厳しいかを誰も知らない。後から問題が出ても根拠が残らない。判定の権限は資格証ではなく、有効期限のある運用権限として扱う。

• 初回の認定は研修の受講ではなく採点演習の通過で判定する。基準事例で多数判定と一定の範囲に収まった人だけを面接に入れる。
• 再認定の周期を決める。年に一度、あるいはその職種群の面接を半年以上担当していなければ演習をやり直す。
• 面接官ごとの判定履歴を残す。平均点、項目別の点数分布、最終入社者の配属後評価との関係を併せて見る。
• ばらつきの大きい面接官は排除ではなく指導の対象として扱う。甘くつける癖と特定項目だけ低くつける癖には別の処方がいる。

このデータを人事評価につなげると、すぐに歪みが生じる。面接官が中間の点数に寄り、根拠の記録が形式的になる。判定履歴は次回の設計材料としてだけ使い、利用範囲を最初から文書で固定する。

AIが候補を絞っても判定の責任は人に残る

応募規模が大きくなると初期の絞り込みはアルゴリズムの仕事になる。アルゴリズムは人の特定のバイアスを減らす一方、設計と学習データと使い方によっては既存のバイアスを再生産し増幅もする。選考ツールを入れながら面接官トレーニングを削る組織は、判定の総量を減らしたのではなく判定が起きる場所を移しただけだ。

OECD諸国の平均で、2025年から2030年のあいだに採用でスキル評価のために事前テストを使うと答えた雇用主は半数近くに達し、約三分の一は性格検査や論理推論検査といった心理測定ツールを使うと答えた。テストと面接を併用する構造で危ういのは、二つの結果が食い違ったときに規則がない状態だ。テストの点が高いのに面接評価が低いとき、何を優先し誰が責任を持つかを先に決めていなければ、毎回その場で即興に決まる。

バイアスを減らす手順そのものも検証の対象だ。フィンランド最大の雇用主であるヘルシンキ市は2020年に13の職務で匿名選考を試行し、移民背景の応募者が面接に招かれ採用される比率が高まった。賃金や離職率に有意な差はなく、応募者総数は増えた。ただし匿名選考は書類段階の手がかりを消すだけで、面接が始まれば判定はまた人に戻る。

採用の判定基準と育成の評価基準がずれると、オンボーディングがその費用を払う

面接で四点だった人が入社後に同じ能力項目で初級と分類されると、組織は育成計画を作り直すか、その人の成長速度を問題にする。多くは後者を選ぶ。原因は人ではなく、二つの基準が別のものを測っている点にある。

このずれは三か所で生じる。まず採用と育成が違う言葉の尺度を使う。採用は五点尺度、育成は初級・中級・上級で管理すれば換算は担当者ごとに変わる。次に、採用は伸びしろを見て育成は現在の遂行を見るため、同じ項目でも判定時点の問いが違う。さらに採用の評価シートが入社時点で破棄されると、配属後のOJTは情報なしで一から診断し直すことになる。

解は二つの基準を統合することではない。採用は採用の問いを、育成は育成の問いを保ったまま同じスキル識別子を使い、評価シートの根拠文を受け入れ部門へ引き渡す。確認できたことと確認できなかったことを分けて渡せば、最初の三か月の設計が変わる。確認できなかった項目が初期育成の優先課題になり、確認できた項目では重複研修を外せる。

日本企業の面接官トレーニングは面接三日前の資料配布で終わっている

日本企業の面接官トレーニングの実態はおおむね似ている。選考の数日前に人事部が進行の案内と質問集、禁止質問の一覧を送り、一時間ほどの事前説明会が開かれることもある。ここまでが訓練のすべてで、あとは各自の経験と勘に委ねられる。現場の管理職にとって面接は本業ではなく上乗せされる業務であり、準備時間をこれ以上求めにくい。

新卒一括採用の構造はこの負荷を強める。短期間に大量の面接が集中し多数の面接官が動員されるため、ばらつきが最も出やすい時期に訓練の余裕が最も小さい。さらにジョブ型の職務要件と従来の職能資格の等級が併存すると、面接官が何を見るべきかは人によって割れる。

効くのは時間を増やす側ではなく順序を変える側だ。説明会を制度案内で埋める代わりに実際の候補者の回答を二、三本一緒に採点し、割れた箇所だけを扱えば同じ一時間が違う結果を生む。質問集にアンカー文を添え、評価シートに証拠の階層欄を一行足すことも時間を使わない。

抵抗も見込んでおく。面接官も候補者も構造化の水準が低い面接を好む傾向がある。会話が自然で、通じ合えたという手ごたえが残るからだ。その手ごたえが判定の正確さと同じではないと先に合意しなければ、手順はシーズン半ばで静かにほどける。役員と課長が同じ面接に入る編成で独立採点を守るには、手順が職位に優先するという言葉を経営層が先に出す必要がある。面接官の割り当ても惰性で決めない。特定の管理職が三年続けて同じ職務の面接を一人で担うなら、その職務の採用基準は事実上その人の基準だ。

面接官トレーニングの成果は通過率ではなく六つのばらつき指標で見る

研修の満足度と受講率では判定の品質はわからない。通過率も答えにならない。基準が緩んでも上がり、応募者の層が薄くなれば下がる。確かめるには、ばらつきそのものを見る。

1. 振り返り前の点数の散らばり: 同じ候補者への独立採点の最大値と最小値の差は、訓練の前後で縮んだか。
2. 二点以上開いた項目の比率: どの評価項目で繰り返し開くのか。その項目のアンカーが改訂の対象になる。
3. 証拠階層の記録率: 評価シートに点数だけあり根拠の階層が空白の比率。
4. 面接官ごとの平均の偏り: 特定の面接官の平均点が全体平均からどれだけ離れ、その差が時間を経ても残るか。
5. 採用判定と配属後評価のずれ: 面接で上位評価だった人が入社後に同じ項目で低く評価される比率。
6. 不合格理由の説明可能性: 見送りの理由をアンカー文と証拠の階層で説明できる件数の比率。

六つの指標を一つの点数に合成しない。散らばりが縮んでも全員が中間に寄った結果かもしれず、偏りの大きい面接官が唯一証拠を求める人である場合もある。職種群ごと、評価項目ごとに分けて見て、アンカーの改訂につながっているかを確かめて初めて意味を持つ。

質問集を作り直す作業は一か月あれば終わる。判定を合わせる作業は終わらない。人が替わり職務が変わり応募者が変わるあいだ、ばらつきは生まれ続ける。スキル採用を制度ではなく運営として扱う決定は、質問を増やす代わりに判定する人を訓練し続け、ばらつきを測り続ける決定と同じだ。

あわせて読みたい記事

• 就業体験プログラム、「良い経験」がなぜ採用につながらないのか
• 実習生受け入れ準備、現場に教える余力は本当にあるか
• 自衛隊退職者の採用で、任務経験が職務経歴書から消える理由

参考文献

• OECD, A Skills-First Labour Market, Getting Skills Right, 2026: https://www.oecd.org/en/publications/a-skills-first-labour-market_2e1b85f0-en.html
• Department for Education, Employer Skills Survey 2024: Full UK research report, 2026: https://www.gov.uk/government/publications/employer-skills-survey-2024-uk-findings
• U.S. Office of Personnel Management, Structured Interviews, Assessment & Selection: https://www.opm.gov/policy-data-oversight/assessment-and-selection/other-assessment-methods/structured-interviews/