米プリンストン大とシカゴ大の研究は、人工知能が採用プロセスにおいて人間を超える新たな偏見を学習・固定化するリスクを明らかにした。MITテクノロジーレビューが2026年7月に報じた調査では、ChatGPT、Claude、Gemini、o3、R1などの大規模言語モデルを対象に模擬採用試験を実施した。参加モデルは四つの架空民族グループからの候補採用を40回判断するよう指示され、結果フィードバックを得ながら学習を行った。 結果、モデルは限られた経験から特定の民族と職種の過度な結びつきを即座に形成した。評価指標である職業隔離指数は、人間の実験参加者が平均0.84だったのに対し、モデル群は約65％高い数値を示した。中でも推論能力を強化したo3は1.83に達し、理論最大値の2.0に迫る高い偏見傾向を示した。研究チームのRyan Liu博士は、モデルが少量データからの急速なパターン認識を最適化された特性ゆえに、探索より既知の成功パターンへの活用を優先し、偶発的な失敗を集団の属性として過剰一般化すると解説する。推論精度が高いモデルほどこの傾向が強まる点も確認された。 本研究は、会話型AIに長期記憶やパーソナライゼーション機能を搭載する動向とも重なり、過去の相互作用履歴が偏見の温床となる警告を含んでいる。対策検証では、単に公平性を求めるプロンプトは効果を示さず、むしろ多様性達成に対して追加報酬を設定するインセンティブ設計や、年齢・学歴など実務関連性の高い個人データの提供により、モデルの判断は大幅に改善された。一方、髪色やタトゥーといった無関係な情報を提示した場合は偏見が再燃した。 現実の採用AIシステムでは、採用後の適合判定に月単位の時間を要するため即時フィードバックが得られず、実験環境とは異なる点に留意が必要だ。しかし、評価データが蓄積される過程で限られたサンプルからパターンを固定化するメカニズムは変わらない。企業採用支援ツールへのLLM導入が進む現在、AIは既存の人間偏見を単に複製するだけでなく、学習プロセス自体が新たな構造的偏見を生み出し、システムに永続化する可能性が高い。開発企業はモデルの目標関数に社会倫理値を直接組み込む設計転換と、記憶機能のバイアス抑制アルゴリズムの実装を急ぐ必要がある。技術評論家のAngelina Wang氏も、この調査がAIパーソナライゼーションの潮流に対して示す警鐘の重要性を強調している。