第4章: 評価制度 — ノイズだらけの測定系をどう校正するか

評価は「測定」である — ノイズだらけのセンサーで測る

第3章では等級制度を扱いました。等級は「何を序列の軸にするか」を決めるスキーマ設計であり、 能力・職務・役割のどれを基準に置くかで制度全体の性格が決まる、という話でした。 そこで決まったのは「何を測るか」の定義です。この章のテーマは、その次に来る問い——どう測るかです。

ここで最初に押さえておきたい前提があります。人事評価は「人を裁く行為」ではなく、直接観測できない量を、不完全な観測装置で推定する測定問題だということです。 ある社員の「真の貢献」という量は、どこにも数値として存在しません。 存在するのは、上司という一つのセンサーが、限られた観測機会と有限の記憶を通じて出力した値だけです。 そしてそのセンサーには、ランダムなノイズ（体調・機嫌・直近の印象）と、 系統的な偏り（バイアス）の両方が乗っています。

graph LR
  T[真の業績<br/>直接観測できない量] --> S[評価者<br/>センサー]
  N[ランダムノイズ<br/>体調・記憶・直近の印象] --> S
  B[系統誤差<br/>ハロー・寛大化・中心化] --> S
  S --> O[観測値<br/>1次評価]
  O --> C[キャリブレーション<br/>複数センサーの突合と校正]
  C --> R[確定評価]
  R --> P[報酬・昇格・配置]
  P -.処遇への連動が測定自体を歪める.-> S

  style T fill:#10b981,stroke:#059669,color:#fff
  style S fill:#3b82f6,stroke:#1d4ed8,color:#fff
  style N fill:#6b7280,stroke:#4b5563,color:#fff
  style B fill:#ef4444,stroke:#b91c1c,color:#fff
  style C fill:#f97316,stroke:#ea580c,color:#fff
  style R fill:#8b5cf6,stroke:#7c3aed,color:#fff

図の一番下の点線が、この章で最も重要な論点です。 評価を報酬や昇格に使うと、評価という測定そのものが歪みます。 後述するメタ分析が示すのは、まさにこの「用途が精度を壊す」現象です。

何を測るのか — 能力・行動・業績の3軸

日本の人事評価は伝統的に3つの軸を組み合わせて構成されます。

行動評価の理論的な出発点は、1973年に David McClelland が発表した論文 「Testing for Competence Rather Than for Intelligence」です。 学歴や知能テストより、実際に成果を出している人の行動特性（competency）のほうが 職務成功を予測する、という主張がコンピテンシー運動の起点になりました。

3軸の配分は等級によって変えるのが定石です。 下位等級では行動評価のウエイトを高くし（成果は環境に左右されやすく、まず行動を定着させたい）、 上位等級では業績評価のウエイトを高くする（成果責任が明確になる）。 ここで第3章の等級設計と評価設計が接続します。等級ごとに期待が違うなら、評価のウエイトも等級ごとに違うのが自然だからです。

MBOとOKR — 分岐点は「報酬に連動させるか」

業績評価の実装として最も普及しているのが目標による管理（MBO, Management by Objectives）です。 Peter Drucker が1954年の『現代の経営』で提示した考え方が原型で、 上位方針から個人目標へブレークダウンし、期末に達成度を評価します。

一方、1970年代に Intel の Andy Grove が考案し、1999年に John Doerr が Google に持ち込んだOKR（Objectives and Key Results）は、一見MBOと似た「目標と達成指標」の枠組みですが、 設計思想が決定的に違います。核心は報酬と連動させるかどうかです。

MBOの構造的な弱点はサンドバッギング——達成が確実な低い目標を出すインセンティブが働くことです。 目標の難易度を本人が申告し、その達成度で報酬が決まるなら、 難しい目標を掲げるほど損をします。合理的な行動として目標が縮みます。 これは指標が報酬に接続された瞬間に指標が壊れるという、グッドハートの法則の典型例です。

OKRが達成60〜70%を「健全」と定義し、報酬決定から切り離すのは、この誘因構造を断つためです。 第5章で詳しく扱う研究群がその裏づけになります。 Cerasoli らの2014年のメタ分析（183研究、N=212,468）は、インセンティブは成果の「量」を、内発的動機は成果の「質」を予測するという分離を示し、 報酬を成果に直接連動させると内発的動機の重要性が相対的に低下することを報告しています。 創造性や品質が問われる仕事で報酬直結型のMBOが機能しにくい理由は、ここに説明があります。

360度評価 — 育成には効き、査定には向かない

上司という単一のセンサーの限界を補う発想が360度評価（多面評価）です。 上司・同僚・部下・場合によっては社内顧客が同一人物を評価します。 センサーを増やすのですから、測定の観点からは筋の通ったアプローチです。

ただし研究上の通説は明快で、育成目的（開発的フィードバック）には有効だが、査定目的には推奨されないとされています。 理由は誘因の変質です。評価結果が同僚の昇給や賞与を左右すると分かった瞬間、 評価は「観測」から「政治」に変わります。互恵的に高評価を交換する、 対立している相手を低く付ける、率直な指摘を避ける——といった歪みが入り込みます。 360度の結果を本人の成長のための鏡として返すぶんには機能するのに、 処遇の入力にすると壊れる。これは次節のメタ分析が示す現象の一例です。

絶対評価と相対評価 — 強制分布はなぜ捨てられたか

評価をどう集計するかにも二つの流儀があります。

• 絶対評価: 事前に定めた基準に対して、他者と比較せず判定する。 納得感は高いが、評価がインフレしやすく（全員がA評価になる）、原資の総額管理が難しい。
• 相対評価: 集団内の順位に基づいて判定する。 原資を確定的に配分できるが、同僚が競争相手になるため協働が阻害される。

相対評価を制度として極端に押し込めたのが強制分布です。 1980年代のGEで Jack Welch が用いた「Vitality Curve」——上位20%・中位70%・下位10%に強制的に振り分ける手法——が その象徴で、日本でも9ブロックや5段階の分布規制として広く模倣されました。

しかし2010年代に入り、強制分布は主要企業で相次いで撤廃されます。 Microsoft は2013年11月の社内通達でスタックランキングを廃止しました。 撤廃理由として挙げられたのは、 「優秀な同僚と同じチームになると自分の相対順位が下がるため、優秀な人との協働を避ける」といった制度に対するゲーミングです。分布を守るために誰かを下位に置かねばならない構造は、 チーム内の情報共有と協力を組織的に抑制します。

評価者エラー9種 — 系統誤差のカタログ

センサーの系統誤差にあたるのが評価者エラーです。 日本の人事実務では次の9種類が定番の整理として使われます。 重要なのは、これらが「評価者の怠慢」ではなく人間の認知が構造的に持つ偏りだという点です。 だから精神論では消えず、仕組みで補正するしかありません。

エラーを一覧すると、対策の方向性が見えてきます。 ハロー効果と逆算化傾向には項目ごとの事実記録（評価の根拠となる行動事実）、 期末効果には期中の記録と1on1、 寛大化・厳格化・対比誤差には評価者間の突合（キャリブレーション）が対応します。 つまり評価者研修だけでは足りず、記録の仕組みと会議体の設計が必要になるということです。

測定系の品質 — 処遇に使うと信頼性が落ちる

では現実の人事評価は、測定としてどれくらいの精度を持っているのでしょうか。 ここで参照したいのが評価者間信頼性（inter-rater reliability）のメタ分析です。 同一の被評価者を複数の評価者が評価したとき、どれくらい一致するかを大量の研究から集約したもので、 総サンプルは N=43,203 に及びます。

読み取るべき点は2つあります。

第一に、総合業績の評価者間信頼性は R=0.61。 完全一致（1.0）からは遠く、同じ人を別の上司が評価すれば相当ずれるということです。 評価結果を「客観的な事実」として扱うのは、この数字から見て無理があります。

第二に、より重要なのが目的別の差です。 研究目的（結果が本人の処遇に影響しない条件）の評価は R=0.69 ですが、処遇決定を目的とした評価では R=0.45 まで有意に低下します。 同じ人間が同じ対象を評価しているのに、結果の使い道が変わるだけで一致度が落ちる。 評価が処遇に効くと知った評価者は、純粋な観測者ではいられなくなるのです。 部下を守りたい、来期の関係を悪くしたくない、自部門の原資を確保したい—— こうした動機が観測値に混入します。

フィードバックの3分の1は逆効果 — Kluger & DeNisi 1996

測定の次はフィードバックです。ここにも直感に反する研究知見があります。 Kluger & DeNisi が1996年に発表したメタ分析は、607の効果量を統合してフィードバック介入の効果を検証しました。結論は次の通りです。

• フィードバック介入の平均効果は d=.41 の正の効果（全体としては業績を向上させる）
• しかし介入の約3分の1は業績を低下させた——平均が正であることは、個々の介入が安全であることを意味しない
• 効果を分ける鍵は注意の向き先。課題そのものに注意を向けるフィードバックは有効、自己（自尊心・人格）に注意を向けるフィードバックは逆効果

「あなたは主体性が足りない」は自己に注意を向けます。 「この設計レビューで指摘した3点のうち2点が未反映のままリリースされた」は課題に注意を向けます。 前者は防衛反応を引き起こし、後者は次の行動につながる。 評価フィードバックの面談設計で、人格特性ではなく行動事実を扱えと言われる理由は、 マナーの問題ではなく効果の問題です。

キャリブレーション — 複数センサーを突き合わせて校正する

評価者ごとの甘辛オフセットを補正する工程がキャリブレーション（甘辛調整会議）です。 実務では次の4ステップで運用されます。

1. 初期評価の提出: 各1次評価者が、自分の担当範囲について評価案とその根拠を提出する
2. 偏りの可視化: 部門横断で分布を並べ、評価者ごと・部門ごとの甘辛の偏りを可視化する
3. エビデンスベースの議論: 印象ではなく観察された行動事実を持ち寄り、同一等級間で水準を突き合わせる
4. 判定理由の文書化: 最終判定とその理由を記録し、フィードバックと次期の基準として使えるようにする

地味な工程ですが、研究上も評価者研修とキャリブレーションの組み合わせは評価の信頼性を有意に向上させることが示されています。 前節で見た R=0.45 という数字を前提にすれば、これは省略可能なオプションではなく、 測定系を成立させるための必須工程だと分かります。

ノーレイティングの実像 — Adobe・Microsoft・GE・カルビー

測定の精度が本質的に限られているなら、年1回の格付けそのものをやめてはどうか—— こうして2010年代に広がったのがノーレイティングです。 ただしこの言葉は誤解されやすいので、まず事実関係を年表で押さえます。

重要なのは、これらが「評価をやめた」のではないという点です。 やめたのは年1回まとめて格付けを付ける方式であり、 代わりに導入されたのは高頻度の対話（1on1、Check-in）です。 測定系の言葉で言えば、サンプリング周期を上げて、量子化のビット数を下げた設計変更です。 期末効果（直近の印象が期全体を支配する）に対して、観測頻度を上げるのは理にかなった対処でもあります。

富士通「Connect」 — 評価会議を配置の議論に接続する

日本企業の具体例として、政府が2024年8月28日に公表した「ジョブ型人事指針」に 一次情報として掲載されている富士通の評価制度「Connect」を見ておきます。 第2章で扱った1990年代の成果主義の失敗を経験した同じ企業が、2020年代にどう設計したかという点で示唆的です。

設計として注目したいのは3点目です。 評価会議を「点数を確定する場」ではなく「この人を次にどこへ置くかを議論する場」に定義し直している。 第1章で扱った三本柱の連動の観点で言えば、 評価の出力を報酬だけでなく配置にも明示的に流している設計です。

「学びと成長」が評価項目に入っているのも同じ発想でしょう。 成果だけを測ると、1990年代の失敗——失敗がマイナス評価になりチャレンジが失われる——を繰り返します。 学習を評価対象に含めることは、探索行動へのペナルティを緩める仕組みとして読めます。

エンジニア視点 — 評価制度を「校正された測定系」として設計する

この章の内容を、エンジニアリングの語彙に対応させて整理します。

もちろんアナロジーの限界も明示しておくべきです。 センサーは自分が測られていることを知りませんが、人は知っています。 観測されると行動が変わり、測定基準に最適化してきます。 そして評価は、精度が高ければ正しいという類の営みでもありません。納得感（procedural justice）——プロセスが公正だと本人が感じられるか——は 精度とは別の評価軸であり、キャリブレーションの文書化や フィードバック面談の質がここに効きます。 精度と納得感の両方を要求される測定系、というのが評価制度の難しさです。

次の第5章では、この測定結果を金額に変換する工程——報酬制度に進みます。 レンジ設計の定量指標（コンパレシオ、レンジペネトレーション）と、 「金銭インセンティブは量に効くが質には効かない」という研究群を扱います。 本章で見た R=0.45 の測定値を、どこまで報酬の傾きに反映させるべきか。 その問いへの答えが第5章のテーマです。