応募先がAIで書類を選ぶかもしれない。出す前に何を準備する？研究では、AIの採点は経歴が同じでも名前や並び順で動き、偏りへの対策を実際に確かめた研究は15〜20%だった

Anら（2025）[1]

米国の経験の浅い人向け（エントリーレベル）の20職種について約36万1,000通の履歴書を作り、5種類のAIに採点させました。経歴・学歴・スキルは同じにして、名前から読み取れる性別と人種だけを入れ替えています。

AIは女性の名前の履歴書に高めの点をつけ、多くのAIが、黒人男性の名前の履歴書に白人男性より低めの点をつけていました。ある点数以上を合格とすると、こうした差によって、採用される確率が1〜3ポイント変わりうる計算でした。この傾向は、職種や応募者の州を分けても見られました。

対象: 米国のエントリーレベルの職と英語の履歴書 ／ 限界: 研究者が作った履歴書をAIに採点させた実験で、実際の企業の選考ではありません。著者らは、専門職や管理職の選考には当てはまらない可能性があるとしています。

Yinら（2026）[2]

質の近い履歴書を2通ずつAIに見せ、「最も強い候補者を選んで」と頼み、並べる順番を入れ替えて比べました。どちらも質が高いときは先に置かれた側を、質が低めのときは後に置かれた側を選びやすく、中身で劣る側を選ぶこともありました。

男女を並べた比較では、性別による差もありましたが、順番の影響のほうがずっと大きく出ました。GPT-4o miniでは、有利な順番に置かれた側が92.8%の割合で選ばれていました。民族や性別の印象をそろえた名前どうしでも、特定の名前が好まれる偏りが見つかっています。

対象: 機械技術者・看護師・記者・不動産仲介の4職種で、AIが作った英語の履歴書 ／ 限界: 2通・3通を比べる実験で、多数の応募を点数で並べる実際の選考とは形が違います。

Tripathiら（2026）[3]

採用にAI（大規模言語モデル）を使う研究を、2020〜2025年の論文から整理したレビューです。報告された使い方のうち、応募者の側に向けたものは約25〜30%で、多くは企業の側の使い方でした。

報告されたリスクで最も多かったのは偏りと差別で、全体の約35〜40%でした。偏りへの対策を提案した研究は約50〜55%ありましたが、実際に試して確かめた研究は15〜20%にとどまっていました。

対象: 1つの文献データベース（Scopus）で集めた学術論文 ／ 限界: 研究の数を整理したもので、どの対策が効くかを示したものではありません。