AI interview fraud

面接における AI 不正は、1 つのラベルを 3 つの別々の問題に引き伸ばしたものです。1 つを解決する対策は、残る 2 つには何の効果もありません。本人すり替え — 応募者本人ではない誰かが面接を受けます。人間の代理か、操作者が動かすリアルタイムの face-swap です。回答の出所 — 本人は名乗ったとおりの人物で、画面外のモデルが回答を書いています。経歴の捏造 — 氏名、職歴、リファレンスが、その求人に合わせて作られています。止め方の短い答えは、面接の内側で検知を強めても止まらない、です。自社が管理するゲートで本人性を固定し、選考の前に AI 利用ルールを公開して回答の出所を推測ではなくポリシーの問題に変え、モデルが供給できない答えを要する質問をします。

これではないもの。 候補者が AI で履歴書を書いたり練習したりすることは含みません。それは準備であり、今では前提です。プロクタリングでもなく、感情・ストレス・誠実さの検知でもありません。EU AI Act 第 5 条 1 項 (f) は職場において生体データから感情を推論することを禁じており、2025 年 2 月の欧州委員会による禁止行為ガイドラインは「職場」を選考中の候補者を含むものとして読んでいます。AI スクリーニングのバイアスとも別の問題です。あちらはモデルが誰を落とすかの話であり、通話に誰がいるかの話ではありません。そして、検知ツールを買えば解決する画像・映像フォレンジックの問題でもありません。

3 つの分類と、それぞれに必要なもの

分類	実際に起きていること	効く対策	効かない対策
本人すり替え	代理人または face-swap のオーバーレイが選考を受ける。採用される人物は面接した人物ではない	名前を付けたゲートに紐づけた公的身分証 + ライブネス確認、対面または監督付きの同期チェックポイント 1 回	動画に対するリクルーターの判断、ディープフェイク検知スコア
回答の出所	本人は実在。隠れたモデルがリアルタイムで回答を供給	公開済みの AI 利用ルール、候補者自身の成果物に紐づく質問、割り込む追加質問	画面共有、AI を使わないという約束を求めること
経歴の捏造	合成または盗用された身元、作られた職歴、統制されたリファレンス	オファー時点での在籍確認と本人確認、自分で調べた番号へのリファレンス連絡	面接内のあらゆる工夫。捏造された経歴が崩れる場所は選考ではない

この分類が重要なのは、多くのプログラムが対策を 1 つ買って 3 つを覆ったと信じるからです。オファー時の本人確認は、Cluely を読み上げる実在の候補者には何の効果もありません。不正検知モデルは、転送業者の住所に送られたノート PC には何の効果もありません。

証拠が実際に支えていること

合成候補者を作るのは昼休みの作業です。 Unit 42 は 2025 年 4 月 21 日、画像加工の経験がない研究者が 70 分で、動画面接を通過できる合成の身元を構築した調査を公開しました。使ったのは 5 年前の PC と GTX 3070、無料のツールと AI 生成の顔画像です。同じ調査はリアルタイム face-swap の破綻箇所も挙げています。速い頭の動きで時間的一貫性が崩れ、手が顔を横切ると遮蔽処理が崩れ、明るさが急変すると照明への追従が崩れ、音声と映像の同期がずれます。

機関投資家層はこれを第一級の不正ベクトルとして扱い始めています。 2026 年 1 月 13 日に公開された Experian の不正予測は、AI 生成の候補者を今年の脅威として名指しし、雇用主が名乗りどおりではない人物をオンボードし、機微なシステムへのアクセスを与えてしまうと警告しました。

回答の出所を作る側のツールは資金がつき、主流化しています。 Cluely は 2025 年 6 月 20 日、Andreessen Horowitz がリードするシリーズ A で 1,500 万ドルを調達しました。ポストマネー評価額は約 1 億 2,000 万ドルで、4 月のシード 530 万ドルに続くものです。創業者らは、技術面接を検知されずに通過するために作られた前身の Interview Coder が原因で Columbia 大学を停学になっています。ポリシーで願えば消えるような周縁の能力ではありません。

普及率の数字は方向を示すもので、測定値ではありません。 2026 年に最も引用された数字 — 2025 年 7 月から 2026 年 1 月までの 19,368 件の面接のうち 38.5% が AI 不正の挙動としてフラグされ、技術職は 48%、営業職は 12% — の出所は Fabric です。不正検知を組み込んだ面接ソフトを売るベンダーです。ここでのフラグは確率しきい値 40% を超えたモデルの出力であって、確定した認定ではなく、偽陽性率も併記されていません。方向が上向きで量が無視できない、という証拠として読んでください。測定された率としてボード資料に載せてはいけません。

人による確認は対策になりません。 iProov は 2025 年 2 月、英国と米国の消費者 2,000 人を対象に検証しました。実物と合成のすべての項目を正しく判別できたのは 0.1% で、参加者は合成画像より合成動画で 36% 成績が悪くなりました。見出しより正直な読み方はこうです。0.1% は一式すべてを正解した割合であって、あるリクルーターがある偽物を見抜く確率ではありません。それでも「リクルーターを訓練して気づかせる」を主防御に据える選択肢は消えます。

検知から始める設計が失敗する理由

理由は 3 つあり、積み重なります。

基準率。 不正候補者の 80% を偽陽性率 5% で捕捉するスクリーンは、事前確率 2% に対して、当たっているフラグが約 4 分の 1 になります。4 件中 3 件は無実の人です。この計算は面接不正スクリーニングの Skill で展開しており、フラグが検証に回り、決して不採用に回らない理由でもあります。

検知器の汎化。 ディープフェイク検知器は学習分布の外で崩壊し、生成器を選ぶのは相手側です。実際に使われているモデルに対してベンチマークできないスコアは、対策ではなく数字です。

法的エクスポージャーは逆向きに増えます。 顔の幾何情報や声紋を得るために動画を解析すると、Illinois の BIPA と AI Video Interview Act の通知・同意・削除の義務に入り込みます。候補者に関するスコアを第三者から購入すると、NYC Local Law 144 の自動化意思決定の論点が立ち上がります。検知スタックが重くなるほど、抱えるコンプライアンス面は広がります。自らの基準率に耐えられない信号のために、です。

効く対策

本人性は選考内ではなく、名前を付けたゲートで固定します。 オファーまたはオンボーディングの時点で公的身分証 + ライブネス確認を行い、給与台帳の氏名と突き合わせます。身分証の住所と会社支給機材の配送先住所を比べてください。最も安価に得られる信号であり、ほとんど誰も見ていません。
代理人が座れない同期チェックポイントを 1 つ残します。 Google、Cisco、McKinsey は 2025 年にまさにこの理由で対面ラウンドを復活させました。Cisco のグローバル人材獲得 VP である Scott McGuckin は、この変更をリモート採用に入り込む偽候補者と直接結び付けています。1 ラウンドで足ります。フルのオンサイトは求められていません。
最初の面接の前に AI 利用ルールを公開します。 支援を禁止するのか、申告付きで許可するのか、そのまま許可するのかを決め、招待メールに書きます。何も公開していないなら、正直な既定値は「許可」であり、明文化していないルールで選別するのは擁護できません。
モデルが本人の代わりに答えられない質問をします。 本人のコミット、本人の意思決定、悔いているトレードオフ。割り込んでください。台本の外で追加質問をしてください。隠れたアシスタントは与えられた質問を処理しますが、2023 年に本人が下した選択についての 3 回目の追加質問は処理できません。
既知の破綻箇所を突くライブの課題を使い、重く見すぎないこと。 横顔への回転、顔を横切る手、照明の変更 — Unit 42 自身の推奨で、遮蔽と時間的一貫性を狙ったものです。1 つ失敗したら検証する理由になります。3 つ通っても何も証明しません。
すべてのフラグを検証の会話に回します。 45 分の構造化フォローアップでほとんどのフラグは解消します。採用判断に届くのはその会話の結果であって、スコアではありません。
在籍と本人性はオファー時点で、選考とは独立に確認します。 捏造された経歴は給与記録と自分で調べたリファレンスに対して崩れます。面接での好演に対しては崩れません。

よくある失敗

ディープフェイク検知器を買ってプログラムと呼ぶこと。 ベンダーは自社の分布で測り、相手は別の生成器を選びます。ガード: 検知スコアは手順 6 へのルーティング信号としてのみ扱い、予算は手順 1 の本人性ゲートに置きます。

フラグを根拠に不採用にすること。 現実的な基準率では、フラグの多くは無実の人を指し、名前の付いた未確定の告発を集めたファイルは、後の申立てで開示対象になります。ガード: 不採用を構造的に不可能にします。フラグ欄は検証へルーティングし、不採用の経路を持ちません。

公開していないルールで選別すること。 ガード: AI 利用ポリシーは、最初のフラグが立つ前に面接招待と採用ページで配ります。

iProov の数字を「0.1% の人しかディープフェイクを見抜けない」と読むこと。 画像と動画の一式すべてを正解した割合です。ガード: この研究は支えている結論 — 人による確認は対策にならない — のために引用し、項目ごとの検知率としては使いません。

対面ラウンドを完全な答えとして扱うこと。 本人すり替えは塞ぎますが、初日以降に実在の従業員が認証情報を他人へ渡す事態にも、捏造された職歴にも効きません。ガード: オファー時の確認と、内部者のケースを前提としたアクセス制御を組み合わせます。

障害のある候補者を不利にする challenge-response。 動作課題、視線ベースの信号、応答レイテンシのしきい値は、運動・視覚・処理の特性が異なる人を不利にします。ガード: AI 利用ポリシーと一緒に合理的配慮の申請経路を公開し、視線と情動の信号は完全に除外し、レイテンシのしきい値を単独で作用させないでください。

不正対策で全員の選考体験を落とすこと。 5 段階の選考に検証手順を 4 つ足せば、実在の候補者を失います。ガード: 重い対策は本番アクセスのある求人か完全リモートのオンボーディングに限定し、新しい手順ごとに離脱を計測します。