透明性法の厳格化を受け、Inc.が創業者に「AIに報酬決定を委ねるな」と警告

Inc.は2026年8月30日、創業者に明確な警告を発した。AIを報酬リサーチに使うことはできるが、最終的な給与決定をAIに任せてはならないという。Google Newsを通じて配信されたこのコラムは、カリフォルニア州が有効な給与レンジの定義を厳格化した後に掲載された。創業者による大まかな見積もりは、もはや単なる社内前提ではない。候補者、現従業員、予算、法的リスクに影響する公的な約束になり得る。

この区別が重要なのは、AIが数秒で給与の推奨額を出せるためだ。職種名、勤務地、スキル、市場レポートを比較できる。しかし、もっともらしく整った回答であっても、脆弱なデータ、職務の不一致、古いベンチマーク、誰にも検証されていない前提を隠している可能性がある。

したがって中心的な対立は、AI対人間の直感ではない。どちらも誤り得る。真の争点は、説明責任を伴う報酬ガバナンスと、誰も完全には正当化できない自動生成された数値との間にある。

Google Newsでこの給与決定に関する警告に触れた読者は、これを単なる創業者向けの助言以上のものとして受け止めるべきだ。これは雇用テクノロジーにおけるより広範な変化を捉えている。AIは事務支援の領域から、資金、機会、地位を配分する意思決定へと移行している。

そうなれば、スピードだけが価値の尺度ではなくなる。雇用主は、誰がその推奨を承認したのか、どの証拠がそれを裏付けたのか、同じルールが比較可能な従業員全体に適用されたのかも問わなければならない。

カリフォルニア州は給与の推測を公的な約束に変えた

カリフォルニア州の2026年の変更により、根拠のない給与レンジを無害な採用文言として片付けることは難しくなった。

ギャビン・ニューサム知事は2025年10月8日にSB 642へ署名し、この措置は2026年1月1日に施行された。同法は、ペイスケールを雇用主が採用時に支払うと見込む額の誠実な見積もりと定義するよう、カリフォルニア州の定義を改定した。

この文言により、信頼できる採用根拠のないまま、極端に幅広いレンジを公表する余地は狭まる。カリフォルニア州の公式な2026年法概要でも、SB 642が州の同一賃金枠組みの一部を拡張したことが示されている。

この変更はInc.のコラムより8か月前のものだが、記事の緊急性を説明している。給与の推奨額は、社内の計画文書から公開求人へと急速に移り得る。候補者はそれを他の求人と比較でき、従業員は自らの報酬と比較できる。

この可視性は、脆弱な見積もりのコストを変える。たとえば、あるスタートアップがシニアプロダクトマネージャーを採用しようとしているとする。創業者は、職種名、都市、会社規模だけを与えて、AIアシスタントに市場レンジを尋ねる。

システムは自信に満ちた回答を返す。しかし、その職種名には複数の異なる仕事が含まれる。ある役割はプロダクト戦略と収益成果を担う。別の役割は主にデリバリーを調整する。さらに別の役割はAIプラットフォームを管理し、専門的な技術経験を必要とする。

創業者がその推奨を求人にコピーすれば、モデルに欠けていた文脈が会社の公的な立場になる。その出力は、新しい役割と責任が重なる既存のプロダクトマネージャーにも影響し得る。

雇用主は今、いくつもの問いに答えなければならない。そのレンジは実際の職務にどう適合するのか。会社はどの市場を用いたのか。経験、勤務地、希少なスキル、社内公平性をどう考慮したのか。誰が結果をレビューしたのか。

AIは、単に数値を出すだけではこうした問いに答えられない。説明を生成することはできるが、その説明は後付けで再構成されたものかもしれない。もっともらしい物語は、文書化された意思決定プロセスと同じではない。

法規制のパッチワークはカリフォルニア州にとどまらない。ニューヨーク州では、対象となる雇用主に対して、該当する広告で報酬レンジを開示することが求められている。同州の給与透明性ルールは、ニューヨーク州の職場に報告する州外勤務の一部職種にも適用され得る。

リモート採用は、この点をスタートアップにとって特に重要なものにしている。企業はある法域に従来型のオフィスを持たなくても、そこで勤務可能な人材を採用することがある。雇用主は、本社所在地があらゆる義務を決めると考えるのではなく、適用されるルールを評価しなければならない。

Inc.のコラムが示すのは、単なるコンプライアンス期限ではない。透明性によって露呈するガバナンス上の問題である。企業は、回答を公表する前に、支払うつもりの額を把握していなければならない。

AIは最初の草案を容易にする。しかし、根底にある判断を不要にするわけではない。

給与透明性が創業者に圧力をかける

目下の圧力は、一貫したルールではなく個別交渉によって報酬制度を構築してきた創業者にかかる。

即興的なアプローチは、給与情報が非公開である間は存続できる。ある従業員は強く交渉する。別の従業員は労働市場が弱い時期に入社する。さらに別の従業員は、柔軟性や株式と引き換えに現金報酬を低く受け入れる。

こうした違いには理解可能な背景があるかもしれない。それでも、誰も理由を記録せず、従業員が新たな給与レンジを見られるようになると、管理は難しくなる。

最初の圧力源は外部採用だ。企業は、持続できない報酬を約束せずに適切な候補者を引き付けるレンジを公表しなければならない。関連市場を下回るレンジは、応募者の質を下げたり、採用活動を長引かせたりする可能性がある。

第2の圧力源は既存の従業員である。従業員は、求人で提示された給与と自らの現在の報酬、職務、勤続年数、パフォーマンスを比較する。新しいレンジは、最近採用された人材の報酬が経験豊富な同僚とほぼ同水準になることを明らかにする場合がある。

この状況は、しばしばペイ・コンプレッションと呼ばれる。新しい従業員と長く勤務する従業員の報酬差が異常に小さくなったときに起こる。また、個人貢献者と管理職の間、あるいは初級職と経験豊富な従業員の間でも生じ得る。

問題は単に、従業員が比較を嫌うということではない。目に見える不整合は、企業が経験とパフォーマンスをどう評価しているかについての説明を揺るがしかねない。

Inc.は、コンプレッションを士気の低下や離職リスクと結び付ける人材分野の専門家を引用している。その仕組みは理解しやすい。企業が希少な人材を獲得するために求人レンジを引き上げ、その後、より経験豊富な現従業員も同じレンジ内にいることに気付くのである。

構造を是正するには、新規採用者1人に関する決定ではなく、複数の調整が必要になることがある。企業は、同職種の従業員、管理職、隣接する職種、昇進ルール、今後の給与予算を見直す必要があるかもしれない。

過払いは別の罠を生む。十分な資金があれば、企業は通常、市場水準を下回る給与を引き上げられる。すでに定着した給与を下げることは、実務面でも文化面でもはるかに難しい。

この非対称性により、高い自動推奨額はリスクを伴う。モデルは、大企業やより広い職務範囲の役割を含む、幅広いベンチマークを優先する可能性がある。創業者が精査せずに上限額を受け入れれば、その決定は継続的なコストになる。

その推奨は、価格設定や人員数にも影響する可能性がある。持続可能な市場ポジションを超える報酬を支払うスタートアップは、採用人数を減らしたり、別の役割の採用を遅らせたり、他の投資を削減したりするかもしれない。したがって、最初の決定は1人の従業員にとどまらない。

平均的な給与予算の数値だけでは、この問いは解決しない。WorldatWorkの給与予算データは、1,773組織と4,250件の国別回答に基づく。そのトップレベルの数値は、企業がしばしば一般的な年間比率から検討を始める理由を示している。

しかし、平均予算はすべての職種に対する信頼できる昇給率ではない。労働市場の動きは一様ではない。安定した役割もあれば、希少な能力にはより速い変化が求められる場合もある。

そのため、一律の調整は既存の誤りを温存し得る。ある役割が市場水準を下回って始まっていた場合、全社平均を適用しても市場水準を下回ったままだ。別の役割が高すぎる水準で始まっていた場合、同じ昇給は過払いをさらに拡大する。

創業者は、孤立した交渉を再現可能な手法へと置き換えることを迫られている。これは複雑な企業向け給与体系を必要とするものではない。小規模企業でも、各役割を文書化し、正当な比較対象を特定し、レンジを定義し、例外を見直すことができる。

求められる対応は、短期的でもあり長期的でもある。直ちに、雇用主には正当化可能な求人とオファーが必要だ。長期的には、従業員、候補者、規制当局が検証しても一貫性を保てる報酬制度が必要になる。

AIは報酬をベンチマークできるが、決定の責任は人間が負うべきだ

AIは、人が得る報酬を決める権威ではなく、証拠を広げるリサーチアシスタントとして使うときに最も有用である。

報酬ベンチマーキングとは、社内の役割を関連する外部労働市場データと比較することを指す。比較では、職務範囲、シニアリティ、スキル、業界、地域、組織規模を考慮できる。

まさにこの領域でAIは役立つ。不統一な職種名を正規化し、複数のデータセットを要約し、欠けている情報を特定し、提案されたレンジから大きく外れる給与を警告できる。

小規模企業にとって、これらの作業にはかつて長時間のスプレッドシート作業や外部支援が必要だった。AIは初期レビューに必要な時間を削減できる。これにより、より多くの雇用主が構造化されたプロセスを利用できるようになる。

境界線は、システムが証拠を最終決定へと変換するときに現れる。市場データは、他組織が支払っていると報告する額を示す。それは、特定の企業が何を評価すべきか、どの責任が最も重要か、オファーが社内公平性にどう適合するかを決めるものではない。

似た職種名のエンジニアが2人いると考えてみよう。1人は安定した社内サービスを保守している。もう1人は不安定な顧客向けシステムを主導し、緊急対応にも参加している。職種名ベースのモデルは、職務範囲が異なるにもかかわらず両者を同等に扱う可能性がある。

逆の問題も起こる。異なる職種名が、実質的に似た仕事を表すこともある。ノイズの多い求人広告で訓練されたモデルは、こうした不整合を解消するのではなく再生産する可能性がある。

勤務地も別の複雑さを生む。リモートワークになっても労働市場はなくならない。雇用主は、全国ベース、本社所在地ベース、従業員所在地ベース、ゾーンベースの報酬を用いる場合がある。それぞれの方法には、採用と公平性に関して異なる影響がある。

AIは4つのアプローチをすべて計算できる。しかし、人間の指針なしに企業の報酬哲学を選ぶことはできない。

データ品質は最大の技術的制約となる。給与データセットには、雇用主の求人、従業員の報告、調査回答、モデル推定値が混在している場合がある。それらは異なる時点、業界、企業ステージ、総報酬の定義を反映している可能性がある。

誰かが正確な質問をしない限り、モデルがすべての弱点を明らかにすることはほとんどない。質問しても、独自データセットの方法論を把握していない可能性がある。

だからこそ、証拠が乏しいときほど、自信に満ちた回答は信頼しすぎるべきではない。言語モデルは一貫性のある回答を生み出すよう設計されている。一貫性があるからといって、基礎となるサンプルが価格設定対象の役割を代表しているとは限らない。

適切なワークフローでは、AIを定義された範囲にとどめる。管理職または創業者がまず実際の職務を文書化する。次にシステムが、可能性のある比較対象を特定し、不整合を強調する。

人間のレビュアーは、選定した市場、データの日付、職務の適合性、サンプルの限界を確認する。企業は社内の比較対象を評価し、その推奨が賃金の圧縮や説明のつかない差異を生まないかを判断する。

最後に、権限を持つ意思決定者が給与レンジを承認し、その根拠を記録する。結果に対する責任を負うのはモデルではなく、企業である。

この体制は、NISTの人間による監督フレームワークにある、より広い原則に沿うものだ。組織は人間とAIの役割に関する責任を定義しつつ、AI関連のリスク判断については経営陣が責任を保持すべきである。

この原則は、報酬において特に重要だ。システムは回答を推奨できても、その回答が適切か、適法か、社内方針と整合しているかを判断しなければならないのは雇用主である。

人間によるレビューがあるだけで十分とは限らない。すべての提案を受け入れるレビュアーは、単なる追認者になってしまう。実効性のある監督には、出力を却下する権限と、その限界を理解するために十分な情報が必要だ。

また、自動化バイアスから独立していることも求められる。コンピューターが生成した推奨は、正確または客観的に見えるため、人は過度に重視しがちだ。厳密な中央値を示す給与推定は、根拠が裏付ける以上に信頼できるように感じられることがある。

より良いインターフェースは、推奨とともに不確実性も表示するべきだ。データの鮮度、比較対象の件数、地理的カバレッジ、職務マッチングの信頼度を示す必要がある。

企業は代替的な前提も検証すべきである。その職務をより小規模な企業と比較するとどうなるか。専門スキルを一つ除くと給与レンジはどのように変わるか。複数の情報源にまたがっても、その推奨は妥当性を保てるか。

AIが最も役立つのは、こうした問いを検証するコストを下げるときだ。最終回答を検証する必要がないように感じさせるとき、AIは危険なものになる。

最大のリスクは、公平性を欠いた自動化された一貫性

再現可能なアルゴリズムは、同じ誤った前提をすべての従業員に適用し、創業者の孤立した判断よりも速く誤りを拡大させる可能性がある。

アルゴリズム型の報酬ツールを支持する人々には、もっともな主張がある。人間による給与判断には、偏見、一貫性のない交渉、えこひいき、記憶違いが含まれる。標準化されたシステムは、そうしたばらつきの一部を減らせる。

問題は、一貫性と公平性が同じではないことだ。モデルは、不平等な機会へのアクセス、給与履歴の慣行、職業上の分離、一貫性のない職務分類によって形づくられた過去のデータに、一貫して依存する可能性がある。

モデルがこうしたパターンを中立的な市場の真実として扱えば、それを温存しかねない。自動化は、その前提を公平にすることなく、プロセスを一様にする。

ソフトウェアが意思決定に関与していても、連邦雇用法は引き続き関係する。EEOCの報酬差別に関するガイダンスは、中立的な報酬慣行であっても、一定の状況では違法な不利益効果を生じさせ得ると説明している。

同機関はまた、賃金差の正当な説明には、関連変数に関する正確な情報が必要だとしている。これらの変数には、経験、勤続年数、業績、その他の職務関連要因が含まれ得る。

AIシステムは、雇用主からその責任を免除しない。保護対象グループの労働者が繰り返し低い推奨を受けている場合、企業はそのパターンと、それを生む変数を調査しなければならない。

EEOCのアルゴリズムの公平性イニシアチブは、説明責任の問題を明確にしている。同機関は、AIツールが偏見を覆い隠したり永続させたりする可能性があると警告するとともに、既存の差別禁止法が引き続き適用されることを確認した。

これは、すべての自動ベンチマークが差別的だという意味ではない。雇用主がベンダーのソフトウェアを法的な盾として扱えない、という意味である。

懐疑的に問うべきなのは、小規模雇用主が約束された人間によるレビューを効果的に実施できるかどうかだ。報酬に関する専門知識を持たない創業者は、不適切な比較対象、偏ったデータセット、統計的に弱い結果を見抜けない可能性がある。

ベンダーの不透明性は、この課題をさらに難しくする。一部のシステムは情報源と方法論を開示する一方、他のシステムは再現できるだけの情報を示さずに推奨だけを提供する。

創業者は、人間の承認がプロセスを安全にすると過大に主張すべきではない。監督が機能するのは、レビュアーが関連する証拠、文書化された基準、そしてモデルに異議を唱える能力を持つ場合に限られる。

企業は、AI支援の報酬プロセスに依存する前に、ストレステストを行うべきだ。一つのテストでは、性別を想起させる名前や、その他の無関係なアイデンティティーのシグナルを変えて、モデルの推奨を比較する。こうした詳細によって結果が変わるべきではない。

別のテストでは、同様の状況にある従業員を検証する。レビュアーは、その差異が組織によって一貫して適用される文書化済みの要因で説明できるかを問うべきだ。

三つ目のテストでは感度を確認する。職務記述の小さな変更が、本当に価値の高い責任や希少なスキルを表すのでない限り、極端な給与変動を生むべきではない。

雇用主は、データ保持とプライバシーも検討すべきだ。報酬分析には、給与、業績記録、人口統計情報、雇用履歴が含まれる可能性がある。こうした資料を外部モデルに送ることは、アクセス、保持、承認済みの利用に関する問題を生む。

匿名化は露出を減らせるが、残った詳細から個人を特定できない場合に限られる。少人数のチームでは、役職名や報告関係から、その記録が誰を示しているか分かるため、再識別は容易になる。

監査可能性が重要なのも同じ理由からだ。企業は、入力時の前提、選定した比較対象、モデルのバージョン、出力、人間による修正、最終承認、例外の理由を保存すべきである。

その記録は、単なる事務的な煩雑さではない。なぜ似た二人の労働者が異なる結果を受けたのかを、雇用主が説明する助けになる。また、市場や職務が変化した際に、その判断を見直すことも可能にする。

最も強固な報酬プロセスは、データ支援と意思決定権を分ける。企業規模に応じて、アナリスト、管理職、創業者、法務アドバイザーがそれぞれ貢献できる。AIシステムは、その構造の中のツールであり続ける。

人間による代替手段が自然に偏りを持たないと、創業者が考えるべきではない。人も恣意的または差別的な判断を下し得る。目標は、技術に対して直感を守ることではない。

目標は、証拠を検証し、例外に異議を唱え、名前のある人物が説明責任を負うプロセスをつくることだ。AIは調査作業を減らす一方で、その意思決定者が利用できる情報を増やすべきである。

雇用主が教訓を学んだかを示す三つのシグナル

次の試金石は、企業が実効性のある監督を構築するのか、それとも自動化された推奨の下に人間の署名を置くだけなのかだ。

第一のシグナルは、新しい透明性ルールの下で公表される給与レンジの質である。異例に広いレンジを掲載し続ける雇用主は、それらのレンジが実際の採用意図を反映しているのかという疑問を招くことになる。

狭いレンジが自動的に優れているわけではない。弱いデータに基づく狭いレンジも、誤っている可能性がある。重要なのは、雇用主がそのレンジを職務範囲、市場の証拠、社内の比較対象と結びつけられるかどうかだ。

カリフォルニア州の執行措置や関連する紛争は、規制当局と裁判所が誠実な見積もりをどのように解釈するかを明らかにするだろう。判断が文書化された意図と一貫した方法論に焦点を当てるなら、説明責任のあるプロセスは見せかけのコンプライアンスより価値を持つようになる。

それはInc.の中心的な警告を補強するだろう。雇用主に必要なのは、生成されたレンジだけではない。公表した数字が実際の報酬判断を反映しているという証拠が必要なのだ。

第二のシグナルは、報酬ソフトウェアがその根拠を開示するかどうかである。購入者は、データソース、更新日、比較対象の質、サンプルの限界、不確実性を特定する製品に注目すべきだ。

こうした詳細を欠く推奨に異議を唱えるのは難しい。追跡可能な入力に基づく推奨は、実質的な人間の判断を支えられる。

ベンダーのマーケティングは、おそらく正確性と効率性を強調するだろう。雇用主はそうした主張を越えて、システムが希少な職務、一貫しない役職名、リモート勤務の勤務地、変化する職務責任をどう扱うかを問うべきだ。

また、顧客が過去の推奨を再現できるかも問うべきである。気づかれないまま変化するモデルは、既存の給与判断を監査不可能にしかねない。

ベンダーの透明性が向上すれば、AI支援ベンチマーキングを支持する論拠は強まる。継続する不透明性は、特に報酬を伴う高影響の意思決定において、その論拠を弱めるだろう。

第三のシグナルは、新しいレンジが公表された後に企業内で何が起こるかだ。従業員は求人で示された報酬と自らの現状を比較するようになり、雇用主には対応が求められる。

既存の従業員を見直し、根拠のない格差を是正し、報酬方針を説明する企業は、透明性をガバナンスの問題として扱っている。新規採用者だけに対応する企業は、各求人を孤立した取引として扱っている。

昇進基準、給与バンド、例外承認、社内レビューのスケジュールの変化に注目すべきだ。こうした運用上の詳細は、その企業がシステムを構築したのか、単にソフトウェアを導入しただけなのかを示す。

Google NewsはInc.の主張に広い可視性を与えたが、根底にある問題が一つのコラムで決着することはない。求人掲載、従業員からの質問、規制上の判断、報酬プラットフォームの設計を通じて決まることになる。

創業者にとって、最も安全な役割分担は明快だ。AIには比較情報の収集、前提の検証、異常の特定を任せる。人には職務の定義、公平性の評価、結果の承認、責任の引き受けを求める。

ナレッジワーカーも、同様の一連の質問を投げかけるべきだ。雇用主が給与レンジを示すとき、その範囲内での配置を決める要因は何か。レンジはどの程度の頻度で見直されるか。企業は新規オファーを、類似の仕事をする現従業員と比較しているか。

こうした問いは、透明性を有用な情報へと変える。掲載されたレンジだけでは、報酬システムが公平か、最新か、一貫して適用されているかは明らかにできない。

Google Newsでの議論から得られる実務上の教訓は、雇用主があらゆるアルゴリズムを疑うべきだということではない。給与判断は、市場の証拠と組織の価値観、そして法的責任を組み合わせるものだということだ。

AIは証拠を整理できる。責任を負うことはできない。

次のオファーや求人掲載を出す前に、創業者はその数字の背後にあるプロセスを点検すべきだ。誰もデータを特定できず、比較を説明できず、説明責任を負う意思決定者の名前も挙げられないなら、その企業はそのレンジを公表する準備ができていない。