← SURPLUS / 記事一覧へ AI ADVICE REINFORCES TRADITIONAL GENDER ROLES ・ 見えない豊かさの経済学

同じ経歴なのに、AIは女性にだけ安い年収と「柔軟性」を勧めていた。

ハーバード・ケネディスクールとMITスローン経営大学院のチームが、主要4モデルに8万6千件の問い合わせを投げた監査実験。同じ経歴の候補者でも、AIは女性に低い年収目標と柔軟性・育児・ウェルビーイングを、男性に高い年収目標と金銭的報酬・異動・昇進を勧めていた——その配分は、独立した人間評価者が下す「誰が家計を支えるべきか」という判断とほぼ重なっていた。

この記事で手に入るもの

Born, Curhan & Bowles(2026, ハーバード・ケネディスクール/MITスローン経営大学院)による2つの監査実験(計8万6千件)が明らかにした、男性への推奨年収が女性より最大$15,915(Claude Sonnet 4.6)高いという格差と、25の交渉項目のうち10項目が女性に、14項目が男性に優先配分されていたという事実、そしてその配分が独立した500人の評価者が下す「誰が家計の主な稼ぎ手か」という判断と、ρ=-0.71という強い相関で一致していたという発見まで。

01 — 起 AIは"中立な交渉コーチ"になれるのか

キャリア相談の相手が、人間からAIに変わりつつある

ChatGPTやClaudeに「この年収、どう交渉すればいいですか」と尋ねる人が増えている。AIコーチは人件費をかけずに誰にでも個別のアドバイスを提供できる——その謳い文句は、人間の交渉コーチングが長年抱えてきた不平等そのものを解消するはずだった。ハーバード・ケネディスクールとMITスローン経営大学院の研究チーム(Born, Curhan & Bowles, 2026)は、この"民主化"の約束を、8万6千件の問い合わせを使って検証した。

01

二段構えの監査実験

Study1は、性別を明示した自己申告(「私は女性です」等)を使う探索的実験。職業(マーケティングマネージャー・ITマネージャー・経営コンサルタント)×年齢(35歳・45歳)×性別の組み合わせで6,000件のオープンエンドな交渉助言を集め、13万9,151語の助言テキストを抽出した。Study2は事前登録された確証的実験で、名前だけから性別を推測させる間接的な手がかりを使い、GPT-5.4-mini・Claude Sonnet 4.6・Gemini 2.5 Flash・Llama 3.3 70Bという主要4モデルに、希望年収と25項目の交渉事項の優先順位づけを求め、8万件の回答を集めた。

02

候補者の経歴は、すべて同一にそろえた

両実験とも、資格・経験・職務内容は完全にそろえ、変えたのは性別を示す手がかりだけだった。人種によるバイアスが別の交絡を持ち込まないよう、Study2で使う名前は白人系に典型的とされるものに限定している。同様に、監査実験という手法でAIの意思決定の癖を定量化した研究は「AIは、人間ほど『損』を恐れなかった」(Art195)でも扱っている。

結論を先取りすると、どちらの実験でも、AIは同じ経歴の候補者に違う助言をしていた。違いは年収の金額だけにとどまらなかった。


02 — 承 男性の方が、高い年収を勧められていた

希望年収そのものに、はっきりした性別差があった

Study1(性別を明示する実験)では、6,000件すべての職業×年齢の組み合わせで、男性候補者への推奨年収が女性候補者を上回った。平均の差は$2,408(標準誤差$159、t=15.1、P<0.001、95%信頼区間[$2,097, $2,720])。経営コンサルタントでは差が$5,370(女性$106,910→男性$112,280)まで広がった。

01

名前だけでも、同じ差が出た

Study2(名前だけで性別を推測させる確証実験)では、4モデル・8万件すべてで、男性名への推奨年収が女性名を有意に上回った(すべてP<0.001、Cohen's d=0.14〜0.56)。モデルをプールした年収差は$5,820(95%信頼区間[$5,547, $6,092])。ただしモデル間のばらつきは大きく、最小のLlama 3.3 70Bで$1,594、最大のClaude Sonnet 4.6で$15,915と、10倍近い開きがあった。

02

「交渉の幅」でも男性が広かった

推奨される年収の交渉レンジ自体も、男性候補者の方が広かった。プールした差は$2,961(モデル別$919〜$6,892、すべてP<0.001、Cohen's d=0.11〜0.73)。例えばGPT-5.4-miniは男性に$57,618、女性に$55,093のレンジを提示し、Claude Sonnet 4.6は男性$60,596、女性$53,704だった。男性候補者は、より高い金額を、より広い"交渉の遊び"とともに勧められていた。

年収の推奨額だけでも、すでに性別差があった。だが、この研究の本題は金額の差ではなく、次に見る"交渉の中身そのもの"の違いにある。


03 — 承 「何を交渉すべきか」も、性別で振り分けられていた

柔軟性と育児は女性へ、昇進とストックオプションは男性へ

Study1のオープンエンドな助言では、標準的な条件(退職金・健康保険など)は性別で差が出なかった。だが"非標準"の条件に、はっきりした偏りが現れた。育児支援は女性への助言の80%、男性へは20%にしか含まれなかった。育児休暇は女性69%対男性31%、メンタルヘルス支援・ウェルネスは女性68%対男性32%。逆に、顧客対応の機会は男性への助言の89%、女性へは11%。退職金パッケージは男性64%対女性36%、ストックオプション/エクイティは男性61%対女性39%に偏っていた。

01

25項目のうち、10項目が女性へ、14項目が男性へ

Study2の事前登録された優先順位づけタスクでは、25の交渉可能な雇用条件についてオッズ比を算出した。女性に最も強く優先配分されたのは在宅・ハイブリッド勤務(OR=2.32)と育児休暇(OR=2.26)、続いてフレックスタイム(OR=1.61)・時短/パートタイム(OR=1.48)。男性に最も強く優先配分されたのはストックオプション/エクイティ(OR=0.61)と転勤支援(OR=0.63)、続いて退職金パッケージ(OR=0.73)・技術機器(OR=0.75)・昇給(OR=0.75)。25項目中10項目が女性に、14項目が男性に有意に偏り(Bonferroni補正後P<0.05)、有意差がなかったのは「ウェルネスプログラム」1項目だけだった。

女性には「生活を支える条件」、男性には「資産と昇進につながる条件」。この振り分け方には、見覚えがないだろうか。


04 — 転 この配分は、偶然の結果ではなかった

独立した人間の評価者も、同じ線引きをしていた

研究チームは、Prolific経由で500人の米国成人に、25の交渉項目それぞれが「主たる稼ぎ手(男性役割)」と「主たる育児担当者(女性役割)」のどちらに結びつくかを評価させた。結果、AIが男女で異なる優先度を与えた度合いと、人間が下した「稼ぎ手-育児担当者」の役割連想は、スピアマンの順位相関ρ=-0.71(95%信頼区間[-0.86, -0.45])という強い相関で一致した。AIが女性に勧めた項目は、人間が「育児担当者的」と評価した項目と重なり、AIが男性に勧めた項目は、人間が「稼ぎ手的」と評価した項目と重なっていた。

01

「統計的に正確」でも、個人に適用すれば差別になる

一つの反論がありうる——AIは偏見ではなく、社会に実在する性別ごとの平均的な選好を"正確に"予測しているだけではないか、と。論文の著者らはこの反論を退ける。回答者個人が自分の選好について何も語っていない以上、集団の平均をその個人に当てはめることは、統計的に正確であっても、経済学でいう「統計的差別」そのものだと指摘する。しかも、選好自体が職場の規範や育児責任の偏りといった社会的・制度的環境によって形づくられたものである以上、AIがその"学習済みの"選好をなぞることは、選好を生み出した構造ごと再生産することになる。

02

SURPLUSが称えてきた語彙が、そのまま"分断線"になっていた

柔軟性、ウェルビーイング、ワークライフバランス——これらはSURPLUSがGDPに映らない"見えない豊かさ"として繰り返し扱ってきた価値だ。だが今回の実験が示したのは、同じ語彙が、AIによって特定の性別だけに体系的に割り振られているという事実だった。女性に「柔軟性」や「育児支援」を厚く勧めること自体は、個々の選好に合致しているかもしれない。問題は、金銭的な報酬・昇進・資産形成につながる項目が男性側に偏って配分され、結果として"見えない豊かさ"の語彙が、経済的な機会の格差を覆い隠す役割を果たしかねないことにある。幸福の基準そのものが性差でねじれてきた経緯は「女性の暮らしは改善したのに、幸福は下がった」(Art18)で扱った、性差と幸福の基準のズレとも重なる。

AIは何も新しい偏見を作ったわけではない。すでにある社会の分業の型を、個別化されたアドバイスという"中立に見える"形で、そのまま配り直していただけだった。


05 — 結 この実験が測れなかったもの

"AIアドバイス"は、まだ答えの出ていない問いだ

著者らは、この発見の射程について4つの限界を率直に認めている。

✓
「助言の生成」までしか測っていないこの助言を利用者が実際にどう使い、交渉行動や雇用結果にどう反映されるかは未検証。
✓
性別と雇用交渉という1つの文脈に限定名前は性別だけでなく人種・年齢・社会階層のシグナルにもなりうるため、他の属性の影響は排除しきれていない。Study2の25項目という固定リストも、助言の選択肢の幅を制約している。
✓
偏りの"発生源"は特定できていない事前学習データ・人間からのフィードバックによる調整(RLHF)・システムプロンプト・サンプリング手順のどこに起因するかは、この監査設計では切り分けられない。
✓
米国・英語圏に限定人間評価者の評価も米国のオンラインサンプルで、他の労働市場・言語・制度文脈(法定育児休暇や賃金透明化制度など)に一般化できるかは未確認。商用モデルは頻繁に更新されるため、この結果は"AI全般"ではなく、監査した特定のモデルバージョンの記録として読むべきだと著者らは強調する。

この記事の限界: 本記事はBorn, Curhan & Bowles(2026)のプレプリント(arXiv:2610.14036、2026年10月1日投稿)を直接精読して要約したもので、査読前のワーキングペーパーである。Supplementary Materialsに記載される詳細なプロンプト全文・API設定・モデル識別子までは確認していない。

AIコーチは、人間の交渉コーチが抱えていた金銭的コストやアクセスの不平等を取り除くはずだった。だが今回の監査が示したのは、コストという目に見える壁を取り払った先に、もっと見えにくい壁——"何を交渉すべきか"という議題設定そのものの偏り——が残っていたという事実だった。著者らも指摘する通り、同じ個別化の仕組みは、偏見を強化する方向にも、是正する方向にも使える。どちらに転ぶかは、技術そのものではなく、AIがどう設計され、評価され、統治されるかという選択にかかっている。


06 — 出典

参考文献

01
Born, N., Curhan, J. R., & Bowles, H. R. (2026)AI Advice Reinforces Traditional Gender Roles. arXiv:2610.14036 [cs.CY](プレプリント、2026年10月1日投稿)。本記事の全データ・数値の一次出典。
02
Wang, S., & Sterling, A. (2025)Setting Up the Gap? Gender Differences in Initial Salary Offers in Hiring. Organization Science, 36, 2399–2415。初期の年収交渉格差が複利的に積み重なる仕組みについて、原論文が引用。
03
Salinas, A., Haim, A., & Nyarko, J. (2024)What's in a Name? Auditing Large Language Models for Race and Gender Bias. arXiv:2402.14875 [cs.CL]。名前を手がかりにしたLLM監査手法の先行研究として、原論文が参照。
SURPLUS BOOKS VOL.1

この連載が1冊の本になりました

連載の主要記事を1冊に再構成し、書き下ろしを加えたKindle本です。数字では測りにくい豊かさを、所得・時間・関係・自由の視点から読み直します。

『幸福の物差し──あなたの豊かさが数字に映らない理由』
¥630 / Kindle Unlimited 対象
Amazonで読む 読者特典ワークシート(無料)

Amazonのアソシエイトとして、meclGGは適格販売により収入を得ています。