Make Work Fair（2025年）は、効果の薄いダイバーシティ研修に代わる、データ主導のアプローチを提示する一冊です。職場の仕組みそのものを再設計する方法を示し、パターンを測定し、構造的な障壁を取り除き、日々の仕事に説明責任を組み込むことで、より公正で成果の上がる組織をつくる方法を明らかにします。
本書から得られること：職場の公正さを実現する最も効果的な方法
初期の音声認識ソフトは、うまく機能する人と、まったく機能しない人がいました。技術者たちは主にカリフォルニアの白人男性の声でアルゴリズムを学習させ、それで誰にとっても十分だと考えていました。ところが調査からは別の現実が明らかになりました。これらのシステムは、黒人アメリカ人の発話の35％を誤認識したのに対し、白人アメリカ人の発話の誤認識率はわずか19％だったのです。
女性は、どの人種グループでも男性より認識精度が低い傾向がありました。英国ではスコットランド訛りの誤認識率があまりに高く、Siriの登場当初、スコットランドのユーザーは基本的なコマンドでさえ苦労しました。ウェールズ訛りはスマートスピーカーを23％以上の確率で混乱させました。設計者が一つの狭い声のタイプを基準にしただけで、潜在ユーザーの半数にとってこの技術は失敗だったのです。こうした設計上の選択は、その障壁にぶつかった本人しか気づかない壁を生みます。そして多くの経営者に善意があっても、数え切れない従業員が制度設計から生まれる課題に直面しています。
この要約では、ダイバーシティ研修や意識啓発キャンペーンのような一般的な組織の対応が、なぜ職場の公正さを高められないのかを探ります。道徳的な議論で人の考えを変えるのではなく、データによって仕組みを変えることこそが前進への道である理由を明らかにします。公正さが日常の仕事に組み込まれれば、それは「可能」であるだけでなく「不可避」になるからです。
見えない不公平
1960年代半ばから数十年にわたり、自動車の安全技術者たちは安全性向上のために衝突実験用ダミー人形を使ってきました。ダミーの標準身長は5フィート9インチ（約175cm）、体重は約170ポンド（約77kg）に設定されました。シートベルトもエアバッグも安全装備も、すべてこの一つの体型に最適化されていました。その結果は、予見できたはずの悲劇でした。
女性と子どもは、自動車事故での負傷率・死亡率が大幅に高くなりました。もともと体が弱いからではなく、安全システムが彼らの小柄で軽い身体を想定して設計されなかったからです。これは自動車だけの話ではありません。世の中のほとんどの仕組みがそうやって動いているのです。誰かが、どこかの時点で「普通」の姿を決めました。多くの場合、自分が選択をしていることにさえ気づかずに、一つの基準を選んだのです。
そしてその基準は、オフィスの室温から医学研究、職場の方針に至るまで、あらゆるものに埋め込まれていきました。従来型の企業のキャリアパスを考えてみてください。そこでは、長時間を中断なく働けることが前提になっています。頻繁に出張し、急な転勤にもすぐ対応できる人が評価されます。オフィスでの対面勤務や、24時間いつでも対応できることが重視されます。このモデルに合う人もいます。
しかし、介護や育児の責任を抱える人、健康上の問題がある人、あるいは単に働き方が異なる人にとって、この仕組みはことあるごとに壁を作ります。美術館もまた、想像上の「普通」に当てはまらない人にとって制度がどれほど不利に働くかを示す意外な例です。女性はプロの芸術家の約半数を占め、美術学校の卒業生の多数派でもあります。それにもかかわらず、主要美術館のコレクションに収蔵される作家のうち女性は10％未満です。問題は才能ある女性芸術家が不足していることではありません。収蔵の慣行、展示の選定、作品購入の意思決定が、「誰の作品が最も重要か」という特定の前提に基づいて作られてきたことです。
同じパターンは、あらゆる業界や状況で繰り返されます。安全基準、職場の方針、採用プロセス、組織文化はすべて、「普通とは何か」について誰かが下した選択を反映しています。あらゆる設計上の選択は、ある人を有利にする一方で、他の人に障壁を作ります。一見平らに見える競争の場も、実は傾斜の上に作られていると気づくまでは水平に思えるのです。これが自分の職場にどう影響しているかを知るには、自分が管理しているプロセスを一つ取り上げてみてください。会議の運営でも、採用の判断でも、人事評価でもかまいません。
そのプロセスは誰のために設計されたのか、誰の役に立っているのか、現在の仕組みの中で誰のニーズが見えなくなっているのか、自問してみてください。そうして初めて、取り除けるはずの障壁が見えてきます。会議の時間がいつも学校への迎えと重なるのかもしれません。求人票に、実際には必要のない資格が要件として書かれているのかもしれません。これからの章で見ていくように、仕組みへの小さな変更が、成果に大きな変化をもたらします。
データを使って変化を起こす
ほとんどの組織は、公正さを大切にしていると言います。ミッションステートメントに書き込み、年次報告書でも大きく取り上げます。しかし、ここで簡単なテストがあります。売上や生産性、顧客満足度と同じように、公正さを測定しているでしょうか。公正さが本当に重要なら、それは日々追跡している数字に現れているはずです。
BBCのあるテレビ司会者は、自分の夜のニュース番組が専門家として女性と男性を平等に起用しているかどうか、まったく把握していないことに気づきました。おそらくバランスが取れているだろうと思っていましたが、実際に数えたことは一度もなかったのです。そこでチームは、放送の最後に2分間だけ、画面に登場した人を集計し始めました。凝ったことはせず、付箋に数字を書き留めただけです。しかし、そのローテクなデータ収集ですら、驚くべき結果を明らかにしました。番組に登場した専門家のうち女性はわずか39％で、チームの予想を大きく下回っていたのです。
思い込みと現実のギャップが、すぐに行動を促しました。数か月のうちに、番組はジェンダーの均衡を達成しました。測定するというシンプルな行為が説明責任を生み、説明責任が行動を変えたのです。教訓は明らかです。見えないものを見えるようにすれば、説明責任は後からついてきます。ある大手テクノロジー企業が従業員の離職率を分析したところ、最初のデータでは女性の離職率が男性より高いことがわかりました。それは一見、ジェンダーの問題に見えました。
しかし、より深く分析すると、より具体的なことがわかりました。この傾向を生み出していたのは女性全体ではなく、出産直後の女性たちだったのです。その洞察を得て、同社は育児休暇を12週間から18週間に延長しました。すると定着率の差は解消されました。より詳細なデータがなければ、間違った問題を解決し続けていたでしょう。データが機能するのは、思い込みと善意の両方を切り裂いてくれるからです。
また、始めるのに高度なシステムや大きなチームは必要ありません。一人のメンバーでも、自分の影響範囲にあるパターンを記録し始めることができます。チーム会議で最も発言しているのは誰か。あなたがメンターやスポンサーとして支援している人々の属性はどうなっているか。注目度の高いプロジェクトに割り当てられているのは誰か。基本的な数を数えるだけでも、隠れたパターンが浮かび上がります。
重要なのは、公正さのデータを他のビジネスデータと同じように扱うことです。シンプルで関連性のあるものにしましょう。さらに良いのは、それをリアルタイムで共有することです。そうすれば、方針変更を待つ代わりに、人々は自分の行動を調整できます。表面的な数字だけでなく、根本原因を探るために分析しましょう。そして最も大切なのは、実際に意思決定に使うことです。まず、自分の仕事の領域で公正さに関わる指標を一つ選びましょう。
何か具体的なものを数え、一貫して追跡しましょう。そして、わかったことをチームと共有しましょう。データだけで問題が解決するわけではありませんが、努力をどこに集中すべきかを正確に示してくれます。
公正さを日々の仕事に組み込む
組織が公正さを改善しようとするとき、新しいプログラムを作ることがよくあります。研修を開いたり、タスクフォースを立ち上げたり、問題を「担当する」専任のダイバーシティ担当役員を置いたりします。しかし、このやり方には根本的な見落としがあります。公正さは、実際の仕事と並行して進める別個の取り組みではなく、実際の仕事に統合された一部なのです。
ありふれた履歴書を考えてみましょう。長い間、求職者は各職務の開始日と終了日を具体的に書いて職歴を示してきました。研究者が別の形式を試すまで、誰もこの形式に疑問を持ちませんでした。研究者は一部の応募者に、正確な雇用日ではなく経験年数を記載してもらいました。この小さな変更によって、雇用主が不利に扱いがちな明確な職歴の空白が隠れました。この空白は、介護や育児の責任を負う女性に生じやすいものです。この形式を使った女性と男性は、どちらも面接の招待を大幅に多く受け取りました。
履歴書そのものが、より公正になるよう再設計されたのです。これが「公正さを組み込む」ということです。すでにやっていることを取り上げ、そのやり方を調整するのです。製品を設計するなら、あらゆる体型や体格の人に機能するように作ります。会議を運営するなら、誰もが貢献できる場を作ります。求人票を書くなら、立派に聞こえるけれど実際には成功に必要のない要件を削除します。
この転換が重要なのは、従来の公正さの取り組みが通常、人々の信念を変えることに焦点を当てているからです。このワークショップに参加すれば自分のバイアスに気づける。この動画を見ればインクルージョンについて考え方が変わる。問題は、信念を変えることが途方もなく難しいことです。人間の脳は進化によって配線され、経験によって形作られています。どれほど善意があっても、その瞬間に無意識のパターンを無効化するのに苦労します。
仕組みを変えるのは別の話です。ある大手雇用主が技術職の求人から大卒要件を撤廃したところ、過小評価されてきたグループからの応募が劇的に増えました。誰も自分の信念を吟味したり、バイアスと闘ったりする必要はありませんでした。障壁が消えただけで、行動が変わったのです。このアプローチは、もう一つの根強い問題も解決します。公正さのための仕事は、往々にして最も公正さを必要とする人々にのしかかります。
女性やマイノリティは、通常の業務をこなしながら、あらゆるダイバーシティ委員会に参加することになりがちです。公正さを既存の仕事に組み込むということは、全員が通常の責任の一部として参加することを意味します。自分が定期的に行っている仕事を一つ見てください。採用、プロジェクトの割り当て、人事評価、会議のファシリテーションなど、何でもかまいません。
現在のプロセスには、どんな前提が織り込まれているか自問してください。そして、障壁を取り除くか、競争条件を平らにする小さな再設計を一つ試してみてください。仕事を増やしているのではありません。既存の仕事を、より公正に行っているのです。
公正さの文化を築く
仕組みを変えることは重要ですが、仕組みだけでは持続的な変化は生まれません。職場で「普通」と感じられるものを変えていく必要もあります。公正さが、例外的なことや特別な努力ではなく、当然のやり方になったとき、それは定着します。ロールモデルの存在は、人々が「可能だ」と信じるものを形作るうえで、非常に大きな違いを生みます。
高校生が科学者として働く女性と1時間会っただけで、認識が変わりました。女子生徒は自分が科学の道に進む姿を思い描きやすくなりました。しかし、その効果は「刺激を受けた」という以上に深いものでした。ロールモデルは、女性が過小評価されてきた分野で成功できるという証拠となったのです。彼女たちは「自分もここにいていい」ことを、抽象的な考えではなく、目に見える形で示しました。同じ力が職場でも働きます。
多様なリーダーが上級職にいたり、固定観念に反する役割を担う人に出会ったりすると、その組織が多様な成功の道を尊重していることが伝わります。ロールモデルは人を刺激するだけでなく、その環境で成功する行動が具体的にどんなものかを示してくれます。彼らは、組織が優秀さをどう定義するかの一部になります。また、自分の行動が他人に見られているとわかると、人はより思慮深く行動する傾向があることも研究で示されています。先ほどのBBCの司会者を覚えていますか？ チームが非公式のジェンダーデータを組織内で公開したとき、その透明性が自然な改善圧力を生み出しました。
データを集め始めると、これほど早く差が解消されたのはそのためです。物事を変える権限がなくても、説明責任をつくることはできます。自分のデータを同僚と共有するのです。会議で誰が発言しているか、誰が成長の機会を得ているかを記録したら、そのパターンをチームに見えるようにしましょう。透明性は対話を促し、行動への共同責任を育てます。リマインダーもまた、意思決定が行われる瞬間の行動を形作ります。ある実験では、採用担当者が候補者を審査する直前に、研究者がダイバーシティの重要性を思い出させました。
意思決定のまさにその瞬間に届けられたそのシンプルな促しが、より多様な候補者リストにつながりました。リマインダーは、いちばん重要なときに公正さを意識の前に置いてくれたのです。文化は「ここでのやり方」とよく言われます。それは、繰り返される行動と目に見える実例を通じて現実になるからです。公正さがあらゆるレベルの人によって測定され、語られ、模範として示されると、それは特別なプログラムではなくなり、単に「仕事の進め方」になります。日々の仕事で公正さをもっと見えるようにする方法を一つ考えてみてください。チーム構成やプロジェクトの割り当てに関するデータを共有できるでしょうか。
チーム会議で公正な慣行の実例を強調できるでしょうか。重要な意思決定の前に、自分のためのシンプルなリマインダーを作れるでしょうか。透明性と模範を示す小さな行動が積み重なって、文化の変化につながります。
公正さは組織を賢くする
職場の公正さを求める根拠は、道徳的な議論に置かれがちです。それは正しいことであり、誰もが平等な機会を得るに値する、と。こうした原則も重要ですが、公正さを追求する理由はそれだけではありません。公正な職場は、より成果の上がる職場でもあります。すべての人が機能するように仕組みが設計されていれば、より良い意思決定ができ、生産性が高まり、業績も向上します。
意思決定について考えてみましょう。チームに多様な視点があると、より正確な判断ができ、ミスにも気づきやすくなります。均質なグループは、全員が同じ盲点を共有し、同じ思い込みを強化し合う「集団浅慮」に陥りがちです。多様なチームは、互いにより効果的に疑問を投げかけ、結論に達する前により幅広い可能性を検討します。その結果、コストのかかるミスが少なく、より賢い選択ができるのです。生産性の向上は、意外なところにも現れます。
米国特許商標庁は、従業員が週に4日在宅勤務することを認め、オフィスへの物理的な出社という制約を取り除きました。この柔軟性は、介護や育児の責任を負う従業員、通勤時間が長い従業員、障害のある従業員に特に恩恵をもたらしました。結果は生産性の低下ではなく、測定可能な向上でした。方針変更後、特許審査官が審査した特許件数は4.4％増加しました。人が最高の仕事をするのを妨げる障壁を取り除けば、業績は向上するのです。
財務面の結果も同じような傾向を示しています。ビジネス上の意思決定にデータを使う企業は、データがない企業や無視する企業に比べて、生産量と生産性が大幅に高くなります。このパターンは、テクノロジーから製造業、専門サービスに至るまで、業界を問わず当てはまります。公正なプロセスは信頼も築き、信頼は摩擦を減らします。採用や昇進、報酬に関する決定が一貫した透明性のある基準に従っていると従業員が信じられれば、社内政治やえこひいきを心配することに使うエネルギーが減ります。そのエネルギーが、実際の仕事に向かうのです。
公正な慣行を持つ組織は、従業員エンゲージメントが高く、離職率が低いと報告されています。どちらも最終的な業績に直接影響します。ここでの洞察は明快です。公正さは、公平性のために効率を犠牲にするトレードオフではありません。誰にとっても機能するように設計された仕組みは、組織全体にとっても、よりうまく機能する傾向があるのです。
障壁を取り除き、視点を広げ、思い込みではなくデータに基づいて意思決定を行えば、より力強い組織運営ができます。才能を戦力に加えないままにしたり、限られた視点で意思決定したりすることで、組織が何を失っているのかを考えてみてください。そして、公正なプロセスへの変更を一つ行えば、何が引き出されるかを考えてみてください。
まとめ
Make Work Fair（アイリス・ボネット、シリ・チラジ著）の核心は、仕事を公正にするには3つのステップが必要だということです。第一に、自分の影響範囲で不公平を明らかにするパターンを追跡し、重要なことを測定すること。第二に、信念を変えようとするのではなく、障壁を取り除くようにプロセスを再設計することで、日々の仕事に公正さを組み込むこと。第三に、説明責任、ロールモデル、重要な意思決定の場でのリマインダーを通じて、公正さを見える化することです。
これらのアプローチは、ただ道徳的に正しい結果をもたらすだけではありません。誰もが最高の力を発揮できる、より賢く、より効果的な組織を築きます。以上が本書のまとめです。お読みいただきありがとうございました。よろしければ、ぜひ感想をお寄せください。次回もお楽しみに。
