カスタマーサポートの候補者をどう評価するか

履歴書と面接では、サポートの成果の見通しが立たない理由

カスタマーサポートで採用された人は、履歴書にはほとんど表れないところで評価されます。怒っている顧客への返信をどう書き出すか、動く前にメッセージを最後まで読むか、費用を膨らませずにどう場を収めるか、そして話を最後まで閉じるか。過去の勤務先の一覧と資格の名前は、そのどれについてもほとんど何も語りません。

非構造化の面接もたいして変わりません。面接は自信と打ち解けやすさに報います。どちらも役に立つ資質ですが、仕事そのものと取り違えられやすい資質でもあります。面接で温かく映る候補者が、圧力のかかる場面では規程を先に置いたそっけない返信を書くこともあり、口数の少ない候補者こそがどんな場面も鎮める人であることもあります。面接が測っているのは面接です。

問題は採用チームの努力が足りないことではなく、代理指標を測っていることです。仕事が「顧客の問題を、文章で、明快かつ公正に解決すること」なのであれば、いちばん多くを教えてくれるのは、候補者が顧客の問題を文章で明快かつ公正に解決している場面そのものです。

実際に測るべきもの

アセスメントを設計する前に、その職務が本当に必要とするコンピテンシーを名指ししてください。たいていのサポート職では、それはいくつかの観察できる行動にまとまります。そのどれもが課題に変換でき、明確な基準に照らして採点できます。

• 共感と言葉づかい：解決に飛びつく前に顧客の状況を受け止め、場面に見合った温度で応じること。
• 文章の明快さ：要点にたどり着き、次の一手をはっきり示し、ざっと目で追える文にすること。
• 規程の枠内での判断：規則を当てはめるとき、公正な例外を認めるとき、上位に引き継ぐときを見分けること。
• 問題の切り分け：正しい切り分けの質問を投げ、筋道を立てて解決に近づくこと。
• 正確さと誠実さ：本当のことだけを述べ、直せる見込みや期日を上乗せして約束しないこと。
• 優先順位づけとやり切る力：問い合わせの列を公正にさばき、引き継ぎが要るときも話を閉じること。

ワークサンプルか小テストか。仕事にいちばん近いものを選ぶ

小テスト、つまり正解がひとつに定まる知識問題は、安上がりで採点も簡単ですが、測っているのは想起であって仕事ではありません。ワークサンプルは職務を現実に切り取ったものです。この不満を抱えた顧客に返信する、この問い合わせの列にさばく順をつける、用意された三つの返信案からいちばん強いものを選ぶ。うまく作るのは難しいものの、有償の試用期間を除けば、職務との関わりがこれほど深い観察対象はほかにありません。

どちらか一方に決める必要はありません。軽い適性の手がかり（丁寧に読む力、数字を扱う力）をワークサンプルと並べて置くこともできます。ただし決定の重みを担うのはワークサンプルであるべきです。その人が一日じゅう実際にすることに、いちばん近いからです。候補者には短く現実的な課題として率直に伝えてください。ひっかけでもなければ、越えさせるためのハードルでもありません。

重さは釣り合わせてください。サポート職に 3 時間の持ち帰り課題は要りません。集中して取り組む 20 分から 30 分のワークサンプルと短い判断の演習があれば、丸一日の面接よりも多くの手がかりが得られるのが普通ですし、候補者の時間も尊重できます。

公正で重さの釣り合った評価を設計する

公正さは善意からではなく、全員を同じ明示された基準で測ることから生まれます。回答をひとつも見ないうちに評価ルーブリックを書いてください。コンピテンシーごとに、強い回答・許容できる回答・弱い回答がどう見えるかを具体的な言葉で描きます。これが「言葉づかいが好きだった」を「顧客の状況を受け止め、正確さを保ち、次の一手をはっきり示した」に変えるものです。

課題に妥当な答えが複数ありうるとき、つまりサポートの場面のほとんどがそうなのですが、そこでは程度に応じて採点します。最良の回答は満点、許容できる回答は部分点、弱い回答は 0 点とし、その根拠を記録します。判断を問う設問に合否の厳しい関門を設けるのは避けてください。現実のサポートには常にトレードオフがあり、評価ルーブリックは不利の最も少ない回答に報いるべきです。

判断に迷う事例は、同じ評価ルーブリックで複数の評価者に見てもらってください。そしてアセスメント自体を受けやすく保ちます。指示は明快に、人工的な時間の罠は置かず、合理的な配慮を用意します。公正なプロセスは、決定がのちに問われたときに説明しやすいプロセスでもあります。

• 回答を見る前に、水準ごとの具体的な記述を備えた評価ルーブリックを書く。
• 判断を問う設問は合否ではなく程度で採点する（最良／許容できる／弱い）。
• 判断に迷う事例や重い結果を伴う事例では、二人目の評価者を入れる。
• 不正防止の確認は結果の重さに見合わせる。網をかけるような監視には決してしない。
• 点数だけでなく、その裏にある理由を記録する。

AI が助けになるところ、そして踏み込んではならないところ

サポートの採用で AI は実際に役に立ちます。長い記述回答を要約し、回答がどのコンピテンシーに触れたかを示し、人が確認すべき不正防止の兆候に印をつけ、一次メモを一貫した形ですばやく用意できます。こうして使えば評価者の負荷が下がり、二人の評価者が同じ評価ルーブリックからずれずにいられます。

AI がしてはならないのは、決めることです。モデルが候補者を「選ぶ」ことも「落とす」ことも決してあってはならず、ある人についてのスコアを雇用主をまたいで隠れて持ち回ることもあってはなりません。判断は人の評価者のものであり、AI はそれを支えます。この線をはっきり保つことは倫理上の立場であると同時に実務上の要請でもあります。そのおかげでプロセスは説明でき、たどれ、説明責任に耐えるものであり続けます。

証拠を、説明責任に耐える決定に変える

よいアセスメントの最終成果は順位表の数字ではなく、決定の記録です。候補者ごとに、何を求められ、何を作り、それが評価ルーブリックに照らしてどう採点され、誰が確認し、なぜその決定になったのかを指し示せる状態であるべきです。その記録こそが、採用の判断を候補者のあいだで一貫させ、後からでも説明できるものにします。

これがまさに「思い込み」から「証拠」への移行です。ワークサンプルの証拠と共有の評価ルーブリックから組み立てた最終候補者リストは、候補者どうしを比べられ、感じのよい面接が生む後光効果に流されにくく、不採用となった候補者や社内の関係者に「どう決めたのか」と問われたときにも、はるかに説明しやすくなります。

避けたいよくある間違い

サポート採用のアセスメントは、たいてい決まった形で失敗します。あらかじめ知っておけば、後からの作り直しを避けられます。

• 仕事ではなく雑学を試す（新しく入った人が 1 週間で覚える製品知識など）。
• 評価ルーブリックのない非構造化の面接。点数が成果ではなく打ち解けやすさを映してしまう。
• 長すぎるワークサンプル。技能ではなく空き時間の多さで人を選り分けてしまう。
• 文章を、明快さ・言葉づかい・正確さではなく、文法や誤字で判断する。
• 印象的だった面接ひとつに、より弱いワークサンプルの証拠をくつがえさせる。
• 証拠を確認する人にではなく、点数やモデルに決定を委ねる。
• 重さの釣り合わない不正防止の監視。誠実な候補者を罰し、体験を損なう。