Barb Hyman、Sapia.ai の創設者兼CEO – インタビューシリーズ

Barb Hyman、Sapia.ai の創設者兼CEOは、法務、経営コンサルティング、マーケティング、学習・開発、人事、テクノロジーと幅広い分野でキャリアを築いた経験豊富なビジネスリーダーです。彼女は Herbert Smith Freehills で弁護士としてキャリアをスタートさせ、その後 Boston Consulting Group に転職し、Project Leader に昇進し、オーストララシア全域で学習・開発、人事、マーケティングを統括する上級職に復帰しました。Hyman はシドニーの Museum of Contemporary Art でマーケティング＆スポンサーシップ部門の責任者を務め、REA Group では People & Culture のエグゼクティブ・ジェネラルマネージャーを歴任しました。2018 年に Sapia.ai を創業し、組織リーダーシップとタレントマネジメントの経験を活かして、人工知能を用いた企業の人材評価・採用方法を根本的に再考しました。

Sapia.ai は、構造化された対話型の候補者評価に特化した AI 駆動の採用テクノロジー企業です。そのプラットフォームはチャットベースの面接を活用し、スケールで一貫した候補者評価を実施し、従来の履歴書スクリーニングやバイアスを生む他の指標への依存を減らしながら、雇用主がスキルと適性を評価できるよう支援します。Sapia.ai は、同社の技術が 1,000 万人以上の候補者を評価したと述べており、構造化評価の科学と AI 駆動のタレントインテリジェンス、パーソナライズされた候補者フィードバック、既存の応募者追跡システムや人事システムとの統合を組み合わせています。同社は説明可能性、公平性、エンタープライズコンプライアンスも重視しており、AI 面接、職務分析、面接スケジューリング、タレントインテリジェンス、AI 駆動のキャリアコーチングを網羅する包括的なプラットフォームを提供しています。

Sapia.ai を創業する前、あなたは Boston Consulting Group でのコンサルティング、法務、マーケティング、学習・開発、そして最終的には REA Group での People & Culture のリーダーシップといった幅広いキャリアを築きました。その経験のうち、どの出来事が採用を根本的に再考すべきだと確信させ、Sapia.ai で最初に解決しようとした課題は何ですか？

現在の人材評価の方法は壊れています — 特に採用においては。

私たちは履歴書に頼っています。人全体を見ることができません。最も重要な意思決定――採用する人、昇進させる人――を直感や代理指標で行っています。ミラー採用が蔓延していますが、いつから出身校や大学が知性の代理指標とみなされるようになったのでしょうか？それは知性の指標ではありません。優位性の代理指標です。

この話の一部は私自身の体験に関係しています。私は移民で、幸運な移民層に属していることを自覚しています。白人で、名前が発音しやすいという利点があります。私の家族は大学に行った人が誰もおらず、父は店主でした。それでも私は並外れた機会を得て、5つのキャリアを経てここにいます。世界の 20 億人の労働者を考えると、私が評価されてきた才能、やる気、批判的思考を正確に持っている人がどれだけいるか想像しますが、私たち自身の経験というプリズムに盲目になるために見過ごされています。バイアスは迅速な意思決定の便利な近道であり、まさにそれが採用がすでに有利な人々を報いる理由です。決して公平でも合理的でも感じられませんでした。

物語のもう半分はコンサルティングから来ました。MBA を取得した後、実際の調査なしに取締役会に入り提言を行うことは決してない世界に足を踏み入れました。しかし、企業が下す最も重要な意思決定（誰が入社し、誰がリーダーとなり、誰が文化を形作るか）は依然として直感や大学名という薄い代理指標に基づいています。人はバランスシート上には載っていませんが、特にプロフェッショナルサービスでは資産です。そのギャップは私には不合理に映りました。

履歴書の形式は、レオナルド・ダ・ヴィンチがそのフォーマットを考案して以来、本質的に変わっていません。Wikipedia には 180 以上の人間のバイアスが記載されています。北米の応募者の 3 分の 1 は、応募後 2 ヶ月経っても返答がありません。これは才能の問題ではなく、才能は均等に分布しているが機会が不平等であるということです。

Sapia で解決しようとしたのは単なる意思決定ではなく、就職活動の経験に基づくものでした。チームはこれを笑いますが、私は常に採用をデートに例えて考えてきました。これは関係性です。仕事の仲間と過ごす時間はパートナーと過ごす時間よりも多くなります。だから、他の重要な意思決定で求めるのと同じ厳密さ――データ――を採用に適用しない理由は何でしょうか？

多くの組織が AI の導入を効率化プロジェクトとして捉えていると主張されていますが、実際には信頼プロジェクトとして始めるべきです。「信頼」とは実際にどのような姿をしており、企業は生産性、コスト削減、導入率といった従来の指標と並行してどのように測定すべきでしょうか？

CHRO として学んだことは、変化の理由を透明にしなければ、信頼が最初の犠牲になるということです。そして多くの企業は AI 導入を逆に捉えています。彼らは生産性向上、例えば削減された時間や採用コストなどを測定しますが、実際に定着させるかどうかを決定する要素、すなわち従業員が AI の使用方法とその理由を信頼しているかどうかを測ることを怠っています。

信頼は組織文化の基盤です。実際の指標の横にあるソフトな指標ではなく、実際の指標が築かれる土台です。どんな関係でも考えるように考えてみてください。高い信頼は自由度をもたらします。低い信頼はすべてを小さく、浮力がなく、リラックスできなくします。そして、安全だと感じないと誰も最高の仕事はできません。組織も例外ではありません。

しかし、職場でAIを使って行われた多くのことは、実際には人々自身のデータを武器化しています。たとえば、誰かのソーシャルメディアをスクレイピングして、採用に適しているか、リスクが高いか、低いかを推測するといったことです。その決定が下された会議を本当に想像できませんし、誰もそれが人々に知られた瞬間に文化を腐食させないと思った理由も想像できません。

したがって、AI導入を真剣に考えるのであれば、信頼は初日からの指標であり、生産性やコスト削減と同等に位置付ける必要があります。人々に直接尋ねてください：なぜこれを使用しているのか理解していますか？ 公平に使用されていると信じていますか？ 両方に「はい」と答えられない場合、称賛している効率向上は、静かに消耗させている文化に対する借り物です。

採用におけるAIに関する最大の懸念の一つは、モデルが過去の雇用データから学習し、組織が排除しようとしている同じ人間のバイアスを強化してしまう可能性があることです。企業は既存の採用バイアスを単に自動化することを防ぐにはどうすればよいでしょうか、また、最初からどのような安全策をこれらのシステムに組み込むべきでしょうか？

これは、AI採用に関する会話の多くが見落としている罠であり、私がSapiaを現在の形で構築した理由でもあります。過去の採用データ（誰が採用されたか、誰が昇進したか、最初の面接を受けたか）でモデルを訓練すると、バイアスを取り除くのではなく、むしろそれを産業化してしまいます。機械に、すべてのミラーハイアリングの決定、すべての「カルチャーフィット」の判断、そして既存の人材を生み出した直感的なショートカットを再現させているのです。それはイノベーションではありません。それは規模の大きいバイアスであり、より速く、客観性のベールがかかっているために挑戦しにくくなっています。

したがって、安全策はアルゴリズムよりもさらに前段階から始めなければなりません。私たちは履歴書、写真、名前、大学、あるいは特権と潜在能力を結びつける従来の指標で学習しません。入力にバイアスが含まれていれば、下流の巧妙なモデリングでは解決できません。これは「ゴミは入力、ゴミは出力」問題ですが、ここでのゴミは履歴書に装われた何十年もの人間の偏見です。

二つ目は、モデルを何に対して測定するかです。「AIが機能している」と言うだけでは不十分で、性別、民族、年齢、障害、測定可能なすべての保護特性に対する不利益な影響を継続的にテストしなければなりません。リリース前の一度きりの監査ではなく、常に測定する必要があります。バイアスは一度修正すれば済むバグではなく、継続的に監視すべきものです。人々の生活に重大な影響を与えるシステムを監視するのと同じように監視し続ける必要があります。

そして三つ目――多くの人が省略しがちなのは――外部の目が必要です。モデルの独立した第三者監査、公開された手法、システムが何を行い、何を行わないかについての真の透明性です。もしAI採用ツールをそれを作った人々、そしてそれを守る金銭的動機を持つ人々だけにチェックさせるのであれば、信頼の問題は解決したわけではなく、単に別の場所に移しただけです。

「アルゴリズムがやった」というのは言い訳ではなく、最初から安全策を構築しなかったことの認めです。AIは公平性に対する人間の責任を取り除くものではないことを忘れないでください。

採用はAIの適用が特にハイリスクである理由は、アルゴリズムが直接個人のキャリアに影響を与える可能性があるからです。組織は、どの決定を自動化でき、どの決定を常に意味のある人的監督下に置くべきか、どこで線引きすべきでしょうか？

私が引く線は次の通りです：AIは確かに人をより明確に見る手助けができますが、単独でその人の運命を決定すべきではありません。決定を補強することと外部委託することには本質的な違いがあります。採用は、その区別を誤ると実際に誰かの人生を変えてしまう数少ない領域の一つです。

では、自動化が価値を発揮するのはどこでしょうか？ 人間が一貫して公平に見つけにくいシグナルを抽出することです。例えば、何千もの面接回答を疲れずに、調子の悪い日がなく、無意識に自分と似た25歳の候補者を好むことなく読むことです。これは、1日のうち8回目の面接で疲れた採用マネージャーよりもAIが優れた仕事をする領域です。本物のソフトスキルをスクリーニングし、すべての候補者が同じ基準で評価されるように洞察を構造化すること――それこそが機械が実際に価値を加えるところです。なぜなら私たちはそのような一貫性を持つように作られていないからです。

最終的な判断――採用する人、却下する人、再考する人――は、責任を負える人間が行う必要があります。モデルの出力に対して単なるゴムスタンプではなく、実質的で意味のある監督が求められます。つまり、システムが何を測定しているかを理解し、誤っていると思われる結果に疑問を投げかけ、必要に応じて上書きできる人物です。もし人間がAIの推奨に対して意味のある挑戦ができないのであれば、それは監督ではなく人間の言い訳に過ぎません。

私は不可逆的または不透明なものには線を引きます。候補者がなぜ進めなかったのか理解できる説明を得られない場合、システムはどれだけ「正確」でも失敗です。そして、モデルが会社の誰も実際に説明できない決定を下している—それを構築した人々さえも—場合、それは採用ツールではなく、誰かのキャリアが入っているブラックボックスです。私がどの組織にも課すテストはシンプルです：不採用にした候補者の向かいに座り、平易な言葉でなぜそうなったのか説明できますか？正直な答えが「実は分からない、モデルが決めたんです」となるなら、プロセスの間違った部分を自動化したことになります。

Sapia.ai は、オープンエンドの会話に使用される生成AIと、候補者をスコアリングするために使用されるより決定論的なシステムを区別しています。その区別が重要なのは、特にAIの出力が一貫性、監査可能性、そして防御可能性を求められる場合です。

人々は「AI」と聞くとそれが一つのものだと考えがちですが、採用においてその混同こそが問題の根源です。私たちは意図的に仕事を二つに分けました。オープンエンドの会話とハイステークスなスコアリングは全く異なる要件を持ち、同じ技術だと装うことが、企業が説明も防御もできないシステムを抱える原因となります。

生成AIは会話層で優れています—候補者と自然で人間らしいやり取りをし、的確なフォローアップ質問を投げかけ、体験をフォームではなく会話のように感じさせます。ここでは柔軟性やニュアンス、さらには多少の予測不可能性が求められます。なぜなら実際の会話は台本通りではないからです。

しかし、候補者との会話からスコアリングへ移行した瞬間、システムに求めるものはすべて逆転します。スコアリングは一貫性が必要です：同じ回答は、候補者が1人であろうと1000人であろうと、月曜の朝であろうと金曜の午後であろうと、同じ評価を受けなければなりません。監査可能である必要があり、つまり候補者が得たスコアの理由を遡って正確に示せなければならず、モデルが「うまくいった」と推測しただけを信頼してはいけません。そして防御可能である必要があります。なぜならスコアの先には誰かの生計がかかっており、「生成モデルがこの回答を良いと感じた」という説明は、規制当局やジャーナリスト、あるいはなぜ採用されなかったのか知りたがる候補者の前では通用しません。

生成モデルは本質的に確率的です—同じ質問を二度行っても微妙に異なる出力が得られることがあります。これは会話にとっては機能ですが、スコアリングにとっては重大なリスクです。Sapiaでは、実際に結果を決定するプロセス部分に決定論的システムを使用しています。入力が同じであれば常に同じ出力が得られ、推論の経路を追跡でき、類似した候補者が同等に扱われていることを証明できるようにモデル化しています。

これは本質的に関心の分離です：生成AIには人間らしさを発揮させ、決定論的で監査可能なシステムに公平性、説明責任、そして精査に耐える意思決定の重みを担わせます。

説明可能性は責任あるAIの要件としてしばしば議論されますが、多くの高度なモデルはユーザーにとって理解しにくいままです。AIが採用決定に影響を与えた場合、候補者や従業員が合理的に期待できる説明の程度はどれくらいでしょうか？

私は、候補者は現在多くの企業が提供している以上の説明を受ける権利があると考えますし、正直に言えば、多くの企業が提供できると考えている以上のものです。「アルゴリズムが決めた」というのは、洗練された言い訳に装った失敗の告白です。

私の立場はこうです：候補者は常に平易な言葉で、何が評価されたのか、そして大まかになぜその結果になったのかを理解できなければなりません。基礎となる数式やモデルの重みの印刷物ではありません。彼らが求め、そして受け取るべきものは、良いマネージャーが対面で伝えるようなものです。「これが求めていた資質で、ここが強み、ここが今回のマッチングでは最も近くなかった点です」。これは全く合理的な基準であり、これを満たせないシステムが誰かの生計に関わる決定を下すべきではありません。

したがって、我々にとって説明可能性は設計段階から組み込まれる必要があります。追跡できないものは説明できないからです。

私がやや反論したいのは、説明可能性が候補者にモデルの仕組みについての技術的教育を要求するという考えです。これは誤った基準であり、実際には説明できるように設計されていないことの言い訳に使われがちです。優れた医師が診断の生化学を説明するわけではなく、何を見つけたか、そしてそれが患者にとって何を意味するかを伝えます。採用におけるAIも同様に、人間が読める正直さの基準を守るべきです。

本当のテストは、人間の監督に対して私が適用するものと同じです：候補者が「なぜ進めなかったのか？」と尋ねたとき、具体的で正直な、そして本人にとって意味のある回答が得られますか。AIがその回答を提供できなければ、説明可能なシステムは構築されていません。誰も質問しないことを期待したシステムを作っているだけです。

企業は従業員やマネージャーがAIツールを使用しているかどうかに焦点を当てがちですが、実際にその出力を信頼しているかどうかは別問題です。組織がAI導入は達成したものの、技術への真の自信を得ていないことを示す警告サインは何でしょうか？

導入は最も偽りやすい指標であり、だからこそ多くの企業がそれを成功と勘違いします。もし私が「全社員が AI ツールを『使っている』」と言っても、それがツールを信頼しているかどうかはほとんど分かりません――それは単に必須である、抵抗が少ない、あるいはまだ回避策が見つかっていないだけかもしれません。

最初の警告サインは回避行動です。人々が AI ツールを使いながらも、静かに旧来のプロセスを並行して行い――出力を手作業で二重チェックしたり、別途メモを取ったり、万が一に備えて影のシステムを走らせたり――というのは、保険的なコンプライアンスが付随している状態です。利用数は好調に見えても、実際には皆がツールが間違っている可能性があると考えているのです。

二番目は沈黙です。本当に信頼できる文化では、何かが違和感を示すと人はシステムに挑戦し、質問し、反論し、違和感のある結果にフラグを立てます。導入は進んでいるが信頼がない場合は逆の現象が起きます。人々は質問をやめますが、それは戦う価値がないと判断したからです。その沈黙はリーダーシップに満足と誤解されがちですが、実際は諦めです。

三番目の警告は、アンケートでの回答と実際の会話との間にギャップがあることです。公式の導入ダッシュボードが全体的に緑色であっても、休憩室での本音が「うん、指示通りにやってるだけだ、議論するより楽だから」だとしたら、そこはまだ変換されていない文化です。

そして最も深刻で私にとって最も重要な警告サインは、人々が自分の判断を全く持ち込まなくなることです。これは放棄です。ツールへの本当の信頼とは、専門知識が異なるときでも意見を異にできる権限と安全感があることです。もしマネージャーが黙って AI の指示にだけ従うようになったら、依存関係が構築されたことになります。

したがって本当のテストは「人は使っているか」ではなく「任意であれば人は使い続けるか、そしてツールが間違ったときに正直に教えてくれるか」です。ほとんどの企業はこのどちらの質問も実際にはしていません。そこが通常の指標です。

AI 採用ツールは、人間のリクルーターができない規模と一貫性で候補者を評価できる可能性がありますが、採用には文脈とニュアンスも必要です。現在、AI が人間の判断を上回る領域はどこだと考えますか、また人間が依然として不可欠な領域はどこだと考えますか？

AI は、候補者のバックグラウンドや経験に関係なく大規模なプールを評価し、特定のニーズを持つ候補者にはカスタマイズされた評価を提供できる優れたツールです。人間のリクルーターは、トップランクの大学出身者や過去に健康問題がなかった候補者を好む傾向があるかもしれません。AI は、数百件の応募に直面したときに人間ができない公平で平等な評価を全候補者に対して実施します。とはいえ、候補者が企業文化に合うか、クライアントが求める基準を満たすかを評価するためには、人間の判断が依然として不可欠です。

AI が採用、コーチング、パフォーマンス管理、その他の労働力に関する意思決定に深く組み込まれるにつれ、不公平または誤った結果をもたらす AI 支援決定に対して、責任はどのように構築すべきでしょうか？

AI における責任は、人間が最終的な意思決定者であり、採用プロセスに透明性、説明可能性、厳格なバイアステストが組み込まれている場合に保たれます。私たちは責任ある AI 実践を促進するために FAIR™ モデルを立ち上げました。その推奨項目は次のとおりです。

• 偏りの排除：バイアスをテストし、4/5 ルール、エラーレート平等性、その他関連するバイアステストなど適切な統計指標を用いて結果が公平であることを確認します。
• 妥当性：AI 主導の証拠は実データに基づき、予測対象となる結果に結び付けられています。
• 説明可能性：明確なドキュメントとツールを備え、AI が候補者について何を特定し、どのようにスコアに寄与したかを解釈できるようにします。
• 包括性：応募から意思決定まで、候補者がプロセス全体で公平に扱われることを保証します。これは、採用体験全体—人、プロセス、テクノロジー、AI が連携する姿勢—を包括的に捉える視点です。

今後、AI は HR システム内の意思決定層として主に機能するでしょうか、それとも候補者や従業員が機会を理解し、スキルを伸ばし、キャリアをナビゲートするのを支援する会話的役割がより重要になるでしょうか？

最先端の技術であっても、人間のタッチ、人間の判断、人間の監督は不可欠です。AI はプロセスを支援し、すべての候補者が公平で平等な機会を得られるようにします。Sapia では、これを「ヒューマン・イン・ザ・ループ」アプローチと呼び、人間と機械の知能を組み合わせて、予測的で責任あるパーソナライズドチャット体験を創出しています。そのために顧客と共に取り組み、正確性と公平性を常に検証しながら、AI モデルが時間とともに進化するよう教育しています。

私たちのヒューマンアプローチは、候補者に提供する内容にも反映されています。最近、メンターとして機能するキャリアコーチのPhaiを開始しました。求職者にパーソナライズされた指導、強みのマッピング、面接準備を提供し、次の機会に自信を持って臨めるよう支援します。面接結果に関わらず、候補者のモチベーションを保つための前向きなツールです。

素晴らしいインタビューをありがとうございました。詳しく知りたい読者は Sapia.ai をご覧ください。