決断のギャップ。

日本国内の企業採用データを25ヶ月にわたって追跡した。代表サンプルは、履歴書送付3,852件、二次面接385件、内定承諾74件。ひとつの発見が際立った。企業が候補者を二次面接から最終選考へ進める比率は、3分の1も下がっている。この低下は統計的に有意である。

以上が結論。ここから、その意味を解説する。

「決める」ことが難しくなった。「採る」ことが難しくなったのではない。

最終選考まで進んだ候補者のオファー成立率は、いま58%──2025年中盤までは40%だった。入口は狭くなった。だが、その先の決定率は過去最高だ。企業が採用意欲を失ったのではない。候補者を最終選考へ進めるという判断が、劇的に難しくなったのである。

これがギャップだ。本書の残りでは、このギャップがどこから来たか、あなたにいくらコストを発生させているか、そしてAIスコアリング済みショートリストが、どのように「決断」までの道のりを短縮するかを説明する。

02ある段階だけが、ほかと違う動きをした。

私たちは、顧客企業の採用プロセスの全段階を計測している──候補者の特定から、内定承諾まで。各段階は典型的に約2週間。2025年7月の前後で通過率を比較すると、すべての段階が引き締まっていた──だが、ある段階だけ、ほかの段階の3倍引き締まっていた。

4段階のうち3段階は、数ポイント程度の引き締まりに留まる──慎重な市場で予想される、限界的な選別性の上昇だ。二次→最終選考だけは、その3倍引き締まっている。そして最終段階は、むしろ緩んでいる──最終選考まで進んだ候補者の決定率は、過去最高だ。

これは「企業が選り好みするようになった」という話ではない。ある特定の段階だけが、ほかと別の動きをしているという話だ。

03同じ入口の数で、採用が31%減る。

序盤の段階での小さな低下と、コミット段階での大きな低下は、ファネル全体で複利として効く。100通の履歴書がファネルに入ったとき、変化前と変化後で何が起きるか。

入口の数は同じ。内定承諾は31%減る。漏れた水は、その下のすべての段階を一緒に減らしていく。

これが、多くの企業の採用チームが感じている肌感覚の数学的な裏付けだ──「以前より多くの人を面接しているのに、ポジションが埋まるのに時間がかかる」。データはそれを裏付ける。ファネルはコミットメントの段階で漏れている。そして、その漏れは下流のすべてを巻き込んで持っていく。

042つの率が、逆方向に動いている。

二次→最終率は、一夜にして急落したわけではない。2025年後半を通じて、安定的に下がり続けた──2025年初頭のピーク56%から、直近の移動6ヶ月窓では38%まで。マン・ケンドール非パラメトリック検定は、p = 0.015で統計的有意性を確認している。

最も驚いたのは、その次の段階で起きたことだ。最終選考への門が狭くなっていくと同時に、その先の決定率は上がっている。2本の線は、逆方向に動いている。

シザーズ・パターン(鋏型の動き)。最終選考への門は、これまでで最も狭い。だが、その先の決定率は過去最高だ。企業は採用意欲を失ったのではない。コミットの基準を上げただけだ。

決断のギャップは、意欲の問題ではない。「コミットに至るまでの組織的なプロセス」の問題である。

053つの仮説。どれも、成り立たない。

このデータを企業の採用責任者に見せると、最初に出てくる仮説は3つだ。どれも、数字に耐えない。

残るのは、特定の、狭い発見である:コミットの判断──予算承認・ヘッドカウント・委員会の合意を必要とする判断──が、到達しにくくなっている。

06なぜ、コミットの判断が止まるのか。

二次面接は、本気の関心を示す段階だ。一次面接は探りである。二次まで来るということは「我々は、もっと時間を投じてもいいと思うほど興味がある」という意思表示だ。

最終選考に進めるということは、もう一段大きい意味を持つ。「採用判断を下す準備ができた」という宣言だ。これは選別の判断ではない。コミットの判断である。それは典型的に、次の3つを必要とする──そして、そのどれか一つが、プロセスを止めうる。

1. 予算承認。

   採用マネージャーの上の誰かが、ヘッドカウントの予算が付いていることと、年収レンジが妥当であることを確認しなければならない。慎重な市場では、この対話は2023年より難しくなっている。

2. ヘッドカウント承認。

   候補者がたどり着いたとき、そのポジションがまだ存在していなければならない。2025〜2026年は、選考途中で要員枠を凍結する企業の数が、過去8年のデータで最も多くなっている。

3. 委員会の合意。

   複数のステークホルダーが「この候補者は最終選考の時間を投じるに値する」と合意しなければならない。この段階での意見の対立は、序盤の対立より声が大きい──賭けているものが大きいからだ。

07基準は、下げない。上げるのは、証拠の水準だ。

ボトルネックが「コミットに至るには証拠が薄すぎる」なら、対処の方向は2つある。基準を下げるか。証拠の水準を上げるか。

この市場で基準を下げるのは現実的ではない──採用委員会が裏で交わしている対話と矛盾する。証拠の水準を上げることだけが、持続的なレバーだ。それは3つを意味する。

1. 入口の段階で、適合度のシグナルが強い。

   役職経験、企業ティア、在籍年数のパターン、語学シグナル、キャリアの軌跡──重要な項目に対する明示的でスコアリング済みの適合根拠を備えた候補者ファイルは、リクルーターが書いた1段落の要約だけで届くファイルとは、質的に異なる。

2. 候補者プールの上限が、高い。

   手作業のロングリストでギリギリ通過した候補者は、最終選考の委員会を突破する候補者ではない。入口のプール自体が弱ければ、生き残る候補者も弱い。上端の質が、下端の判断の質を決める。

3. 防御可能な根拠──直感ではなく。

   「この人は素晴らしいと思う」では、コミットに到達するまでに時間がかかる。「この候補者は、これらの特定項目で上位2%にスコアリングされていて、その根拠はこれだ」なら、もっと早く到達する。両方とも、最終的には同じ結論にたどり着く。だが後者は、3週間早く着く。

このギャップを埋めるために、Headhunt.AIは作られている。

08仕組み。

Headhunt.AIは、株式会社ExecutiveSearch.AI──2018年からAIファースト型で運営している、東京の人材紹介エージェンシー──が構築・運用しているAIソーシング・プラットフォームだ。私たちは自社の現場のために作り、8年間毎日使ってきた。企業の社内採用チームへのライセンス提供と、AgentRPOというサービス形態での運用代行、両方で提供している。どちらでも、エンジンは同じである。

1. 400万件超の日本特化プロフィールに対する、全体集合スコアリング。

   Headhunt.AIは、御社の特定の要件に対して、到達可能な日本の候補者全体集合をスコアリングする。キーワードマッチングではない。役職、企業ティア、在籍年数のパターン、語学シグナル、キャリアの軌跡──実質的な適合度を見る。各候補者には、0〜100のESAIスコアと、その背後の文章による根拠が付く。

2. マッチングごとに、根拠が付く。

   各ESAIスコアには、推論が付随する──候補者がどの項目で高得点なのか、どの項目で低いのか、プラットフォームがプロフィールから何を推論し、なぜそう推論したのか。これは監査可能だ。採用マネージャーは、履歴書を読む前に「なぜこの候補者がトップマッチなのか」を把握できる。予算承認者も、採用委員会も、同じものを見られる。

3. ネイティブのビジネス日本語または英語による、バイリンガルのスカウトメッセージ。

   Headhunt.AIは、各候補者の実際のプロフィールと目に見えるキャリアシグナルを参照したアウトリーチを生成する──テンプレートの差し込みフィールドではない。必要なときに適切な敬語のネイティブ日本語。必要なときに整ったビジネス英語。

ねらいは「候補者数を増やすこと」ではない。ねらいは、証拠の水準が高い候補者を届けることだ──二次→最終の委員会討議を生き残る種類の候補者。

09自社の現場での、運用データ。

Headhunt.AIは、私たちが自社で毎日使っている。2026年第1四半期、私たちのリクルーターは、ファネルの全段階で明確で計測された改善を示した──同じリクルーターがHeadhunt.AIで動いた結果と、過去の手作業ソーシング期との比較である。

同じリクルーター。同じ市場。同じ手数料。違うのは、道具だけ。

これは机上の数字ではない。実在のリクルーターが、実在の検索を回した運用結果だ。各段階単独での改善は、せいぜい13〜14%と控えめである。しかしファネル全体に積み重なると、複利で効く。すべての段階が同じ方向に同時に動くため、ファネルのスループットは2倍になる。

二次→最終のコミットメントがボトルネックになっている企業の採用ファネルに、同じ改善を適用すれば、採用委員会が実際にコミットできる種類の候補者が、ファネルの上端から流れてくる。

103つの運用形態。1案件、48時間のパイロット。

3つの形態は、いずれも同じエンジンを下に持つ。違うのは、「誰が回すか」だけだ。

形態01 · Headhunt.AIライセンス──自社のTAチームがプラットフォームを回す。

御社のリクルーターがログインし、JDを貼り付け、400万件超の日本データベースから最大1,000件のランキング済みショートリストを1〜2分で得る。各候補者にESAIスコアと文章による根拠が付く。クレジット制の価格設定。クレジットは無期限。

形態02 · AgentRPO──私たちが、御社のために回す。

御社が自分で回したくない案件では、私たちのリクルーターがHeadhunt.AIをエンジンとして検索を実行する。月単位ではなく日単位でショートリストを納品。市場相場以下の成功報酬料金で、ボリューム・バンドル割引あり。同じエンジン、違う運用形態。

形態03 · 1案件パイロット──1案件。20名。48時間。無料。

御社が埋めるのに苦戦している案件を1つお送りください──二次→最終のコミットがボトルネックになっているもの。Headhunt.AIで処理し、完全な根拠と推論付きの、AIスコアリング済み候補者20名のショートリストを、48時間以内、無料で納品する。

11社内に問うべき、7つの質問。

最初に問うべきは「AIソーシングを導入すべきか」ではない。具体的な業務診断だ。チェックの数を数えるのが目的ではない。どれを実数で答えられるか、どれを抽象論でしか答えられないかを切り分けるためだ。

1. 職務系統別の「二次→最終選考の通過率」を、推測ではなく計測した数字として把握しているか?
2. 二次から最終に進めなかった候補者について、採用委員会からの文書化された理由があるか? それとも、ふんわりとした見送りだけか? 30%を超える「曖昧な見送り率」は、候補者の問題ではなく、証拠の問題だ。
3. 二次面接終了から最終選考の設定判断までにかかる時間はどれくらいか? 2024年から1週間以上伸びているなら、コミットのプロセスが遅くなっている。
4. 採用委員会で候補者を進めることに意見が割れたとき、何が意見を解消するか? 答えが「採用担当の直感」「もう一回面接する」なら、証拠の層が薄すぎる。
5. 御社のショートリストのうち、応募者プールに含まれない、潜在的(パッシブ)候補者から作られている割合は何%か? 50%未満なら、ほかの全雇用主と同じアクティブ候補者を取り合っている。
6. 過去12ヶ月で、実在する求人案件で構造化されたAIソーシングの検証を1回でも行ったか? それとも、現在の見解はベンダーのデモに基づいているか?
7. もし明日、競合企業が同じ手数料水準で「シニアポジションの採用所要時間が半分」を発表したら、具体的な対応策は何か?

12率直な見解。

日本の企業採用市場は、振り返ったときに明らかな大きな転換期にある。二次→最終選考でコミットするための「基準」が、平均的な企業で十分に上がってしまったため、同じ入口候補者数から31%少ない採用しか出ていない。

ファネル上端での「証拠の質」の問題を解決した企業は、この転換期を抜けたとき、採用数を複利で積み上げている。解決しなかった企業は、同じ採用ヘッドカウント戦略を、四半期あたり実質的に少ない採用数で運営し続けることになる──そして、その差分のコストを呑み込み続ける。

読んで居心地の悪い話だ。行動するのは、もっと居心地が悪い。何もしないことも、ひとつの判断である──ただ現状の延長線上にあるから、安全に感じるだけだ。

13方法論。

これは、本書の発見の技術的な裏付けである。説得ではなく、透明性のために掲載する。

データセット

2024年3月から2026年3月(25ヶ月)、日本国内の顧客企業を対象とする。本分析の公開サンプル:履歴書送付3,852件、一次面接1,030件、二次面接385件、最終選考165件、内定承諾74件。これは外部検証のために共有する代表サンプルであり、当社の全クライアントにわたる完全なプレースメント記録ではありません。各段階間の進捗には、典型的に約2週間かかる。月次集計では、+1ヶ月のラグを適用(M月の二次面接 vs M+1月の最終選考)。

主要な傾向検定

移動6ヶ月窓の二次→最終通過率に対する、マン・ケンドール非パラメトリック検定。結果:z = −2.42, p = 0.015。正規分布を仮定せず、外れ値に対して頑健であるため採用。

変化点分析

月次系列のあらゆる分割可能点を検定。最も明確な変化点は2025年7月(前:平均52%、後:平均37%、ウェルチのt = 1.32, p = 0.20)。変化点単独ではp < 0.05に届かないが、全体の傾向としては届く。

他の段階

他のすべてのファネル段階を、同一の方法論で検定。有意な低下傾向を示すのは、二次→最終のみ。最終→内定は改善傾向だが、有意水準には届かない。内定承諾の分布は過分散である(分散/平均 = 1.82、ポアソン分布が想定する1.0を大きく超える)。信頼に足る予測の最小単位は、四半期またはそれ以上の窓である。

留意点

25ヶ月は控えめなサンプルサイズだ。2025年12月(承諾8件)は異常に強かった月である。2025年後半のチームキャパシティ変化が、部分的に寄与している可能性もある。本分析が特定するのは症状であり、上記のAIソーシング論は、その原因に対する構造的な答えとして提案している。