「感覚値の採用」から脱却する…生成AI×Pythonで面接評価と入社後活躍をつなぐ内製分析

●この記事のポイント
分析結果を経営層の意思決定に反映できた企業は32％にとどまる（PwC・HR総研、2026年）。本稿は、生成AIで面接コメントをスコア化し、Pythonで面接評価と入社後評価の相関を検証し、BIツールで経路別の有効採用単価や1年定着率を可視化する内製手順を解説する。範囲制限や個人情報保護など、分析時の注意点もあわせて整理した。

　ATSには何年分もの選考記録が残り、タレントマネジメントシステムには評価データが入っている。それでも採用会議で予算配分を決める段になると、出てくる根拠は「去年もこの媒体だったから」。そんな光景は珍しくない。生成AIとノーコードツールが普及したいま、「誰が、どの経路で入り、入社後に活躍しているか」は人事担当者が自分の手で検証できるようになった。その手順と、つまずきやすい点を整理する。

●目次

• データはあるが「分析」はされていない
• 外部に任せるだけでは、分析は「続かない」
• 「採用×定着・活躍」をつなぐ3つの分析軸
• ノーコードAI×Pythonの内製ワークフロー
• モデルケース：Webサービス企業E社（想定事例）
• 分析の価値は「次の一手」を早く決められることにあり

データはあるが「分析」はされていない

　PwCコンサルティングとHR総研が2026年に公表した「ピープルアナリティクスサーベイ2026」（速報版）によると、需給予測や生産性向上につながる分析に取り組みたいと答えた企業は71％にのぼる。一方、分析結果が経営層の意思決定に反映された経験がある企業は32％にとどまった。「やりたい」と「使えている」のあいだには、いまも大きな差がある。

　採用の現場に置き換えると、この差はよく見える。週次の定例で確認するのは、応募数、書類通過率、面接通過率、内定承諾率。どれも一つの指標を単独で数えた単純集計だ。必要な数字ではあるが、これだけでは「どんな人が、どの経路で採用され、入社後に成果を出しているか」という問いには答えられない。

　答えが出ないまま残るのは、経験則である。「あの大学の出身者は伸びる」「この面接官が通した人は辞めない」。当たっていることもあるだろう。だが検証されていない経験則は、アンコンシャス・バイアス（無意識の思い込み）と見分けがつかない。条件に当てはまらない優秀な候補者を見落とす原因にもなる。

　厚生労働省が2025年10月に公表した最新データでは、新規大卒就職者の就職後3年以内の離職率は33.8％だった。中途採用に同じ基準の公的統計はないものの、マイナビ「中途採用状況調査2026年版」によれば、中途採用費用の年間予算は1社平均696.0万円にのぼる。これだけの投資の効果を、勘だけで判断し続けるのは無理がある。

外部に任せるだけでは、分析は「続かない」

　分析が進まないのは、担当者の能力不足のせいではない。構造の問題だ。

　第一に、ATS標準レポートには守備範囲がある。選考プロセスの進捗を追う仕組みとしてはよくできているが、入社後の人事評価や在籍状況は別のシステムに入っていることが多い。この二つをつながない限り、「採用の質」は測れない。

　第二に、外部委託だけでは社内にノウハウが残りにくい。専門家による分析の価値は大きく、とくに初期の設計段階では心強い。ただ、採用市場の状況は四半期ごとに変わる。報告書が届いたころには前提が古くなっていることもあるし、翌期に同じ分析を回せる人が社内にいなければ、改善のサイクルはそこで止まる。

　第三が最大の壁で、データの形がそろっていないことだ。面接評価シートの自由記述、職務経歴書のテキスト、面接官ごとにばらつく評価のつけ方。こうした非構造化データを手作業で整えるのは、これまで工数がかかりすぎて現実的ではなかった。

「採用データの分析でいちばん難しいのは、統計の手法そのものより、”何をもって活躍とするか”を社内で定義することです。評価制度が毎年のように変わっていたり、部署ごとに評価の甘い・辛いがあったりすると、どれだけ精密に分析しても結論はぶれます。最初に手をつけるべきは、成果指標の定義と、それを記録する運用の見直しです」（人事・労務コンサルタント・松本祐樹氏）

「採用×定着・活躍」をつなぐ3つの分析軸

分析軸1：流入経路別の入社後活躍
見るべきは媒体ごとの応募単価ではない。入社1〜2年後に高い評価を得ている社員、あるいは定着している社員が、最初にどの経路で接点を持ったかである。応募数の多い経路と、活躍人材を多く生んでいる経路は、必ずしも一致しない。

分析軸2：面接官別の評価と入社後評価の相関
面接官ごとに、つけたスコアと入社後の評価がどの程度一致しているかを確かめる。人事選考の研究では、構造化面接（評価項目と質問をあらかじめ決めて行う面接）は入社後のパフォーマンスをよく予測する手法の一つとされてきた。Sackettら（2022年）による大規模なメタ分析の再検討でも、構造化面接は予測力の高い手法として上位に位置づけられている。面接官ごとの分析は、自社の面接がその水準に届いているかを確かめる作業でもある。

分析軸3：活躍人材に共通する経歴・行動特性
活躍している社員の経歴や面接記録から、共通する経験や行動パターンを抜き出す。たとえば「立ち上げフェーズの経験がある」「面接で、失敗から立て直したエピソードを具体的に語っていた」といった要素だ。

　ここで押さえておきたい注意点がある。入社後のデータがあるのは、合格した人だけだということだ。不合格者がもし入社していたらどうだったかは、誰にもわからない。統計学ではこれを「範囲制限」と呼び、相関が実際より低く出やすくなる原因になる。面接官一人あたりの評価件数が数十件程度なら、一人の入社者の結果だけで相関の値は大きく動く。分析結果は「確定した事実」ではなく、仮説として扱うのが妥当だろう。

ノーコードAI×Pythonの内製ワークフロー

Step 1：生成AIで非構造化データを構造化する
面接コメントをChatGPTやClaudeに渡し、項目ごとのスコアに変換する。プロンプトの例は次のとおりだ。

「以下の面接コメントから『論理的思考力』『主体性』『組織適合性』の3項目を1〜5段階で評価し、根拠となる記述を引用したうえでCSV形式で出力してください。記述から判断できない項目は空欄にしてください」

肝心なのは、根拠の引用を必ず求めることと、判断できない項目は空欄にさせることの2点だ。そうしないと、AIはもっともらしい点数で欄を埋めてしまう。最初の数十件は人がAIの評価と見比べ、ずれの大きい項目は評価基準の文言を直していく。

個人情報の扱いにも注意がいる。個人情報保護委員会は2023年6月、生成AIサービスに個人情報を入力する際の注意喚起を出した。氏名などは仮のIDに置き換える。入力データを学習に使わない設定の法人向けプランを使う。応募者に伝えた利用目的の範囲に収まっているかを確認する。この3点は、作業を始める前に法務部門とすり合わせておきたい。

Step 2：生成AIにPythonコードを書かせ、相関を確かめる
構造化したCSVと入社後評価を社員IDでひもづけ、「一次面接スコアと入社1年後評価の相関を散布図で可視化し、相関係数とサンプル数を表示するPythonコードを書いて」と依頼する。出てきたコードはGoogle Colabに貼り付ければ、ブラウザ上でそのまま動く。

このとき、サンプル数（n）も一緒に表示させるのを忘れてはいけない。サンプル10件での相関係数0.5と、200件での0.5とでは、意味の重さがまるで違う。

Step 3：BIツールでダッシュボードにする
GoogleのBIツール（2026年4月、名称がLooker Studioから「データポータル（Data Studio）」に戻った）などを使い、スプレッドシートと連携させる。最低限そろえたいのは次の4つだ。

　・経路別の有効採用単価
　　（入社1年後も在籍し、一定以上の評価を得ている人1人あたりのコスト）
　・経路別の1年定着率
　・面接官別のスコア分布
　・選考ステップごとの歩留まり

「ダッシュボードを作ったあとに一番起きがちなのは、”見られなくなる”ことです。最初から全部を可視化しようとせず、月1回の採用会議で必ず話題にする指標を3つ程度に絞ったほうが、結果的に長く使われます」（同）

　なお、EUのAI法は採用・人事分野でのAI利用を「高リスク」に分類している。この分野の義務の適用は、2026年に成立した改正で2027年12月まで延期された。日本国内の採用だけなら直接の対象にはならないが、AIによる評価を最終判断に直結させず、人が判断した記録を残すという運用は、国内でも参考になる考え方だ。

モデルケース：Webサービス企業E社（想定事例）

※以下は、典型的な課題と打ち手を示すために設定した想定事例である。

　E社は従業員約250名。中途採用を中心に、年間30〜40名を採用している。応募数の多い求人媒体Aに予算の大半を投じてきたが、社員ID単位で入社後の評価と在籍状況を結びつけてみると、媒体A経由の入社者は1年以内の離職が目立った。一方、入社者数こそ少ないものの、エージェントB経由の人材が高い評価を得ている傾向が浮かび上がった。

　人事チームは生成AIとBIツールだけで分析環境を自前で組み上げた。活躍している社員の共通項（特定フェーズでの業務経験と、STAR形式〈状況・課題・行動・結果〉での具体的な語り）を一次面接の評価項目に組み込んだ結果、ミスマッチによる1年以内離職率は22％から6％へ、有効採用単価は約35％下がった。

　ただし、年間30〜40名の規模では、1人の離職で離職率は3ポイント前後動く。単年の数字で効果を断定するのは早計だ。少なくとも2〜3年分の推移を追い、景気や採用市場の変化といった外部要因もあわせて見る必要がある。

「小さな組織ほど、数字が改善したときに”施策が効いた”と思いたくなるものです。大切なのは、改善の理由を説明できるかどうか。面接項目を変えたことで、どんな候補者を見送るようになったのかまで言語化できていれば、再現性のある改善といえます」（同）

分析の価値は「次の一手」を早く決められることにあり

　人事データ分析の目的は、きれいなグラフを作ることではない。次の四半期にどの経路へ予算を寄せるか。どの面接官に一次面接を任せるか。スカウト文面をどう変えるか。こうした判断を根拠をもって、早く下せるようにすることだ。

　パーソル総合研究所の調査では、正規雇用者の生成AI業務利用率は2025年10月の41.9％から、2026年5月には54.3％まで上がった。分析のハードルは確実に下がっている。それでも、何を活躍とみなすかの定義、サンプルの少なさや偏りへの自覚、個人情報の適切な扱い。この3つはツールが肩代わりしてくれるものではない。

　感覚値を捨てる必要はない。現場の経験から生まれた感覚を検証可能な仮説に置き換え、データで確かめ、外れていれば直す。その繰り返しを回せる人事こそが、組織の採用力を底上げしていくはずだ。

（文＝BUSINESS JOURNAL編集部、協力＝松本祐樹／人事・労務コンサルタント）

【主な参照データ・出典】
PwCコンサルティング・HR総研「ピープルアナリティクスサーベイ2026調査結果（速報版）」
厚生労働省「新規学卒就職者の離職状況（令和4年3月卒業者）」2025年10月24日公表
マイナビ「中途採用状況調査2026年版（2025年実績）」2026年3月27日公表
パーソル総合研究所「AI環境における人材とマネジメントに関する定量調査」2026年7月22日公表
個人情報保護委員会「生成AIサービスの利用に関する注意喚起等について」2023年6月2日
Sackett, P. R. et al. (2022) Journal of Applied Psychology（選考手法の予測妥当性の再検討）
EU AI法の改正（AIオムニバス、規則(EU)2026/1744）：高リスクAI規制の適用を2027年12月2日に延期
Google Cloud公式ドキュメント：2026年4月にLooker Studioの名称をデータポータルへ戻した旨の告知