アルゴリズムによるエイブリズムの危機：Aonに対するACLU申立書の解体とディープAIガバナンスの急務

人的資本管理における転換期

2024年5月、アメリカ市民自由連合（ACLU）がAon Consulting, Inc.に対して連邦取引委員会（FTC）へ正式な申立書を提出したことで、人事分野における人工知能の展望は根本的な転換を迎えました。¹ 自閉症自己擁護ネットワーク（Autistic Self-Advocacy Network）および他の人権団体の支持を受けたこの行政措置は、野放しのアルゴリズム的楽観主義の時代に決定的な終止符を打つものです。² 10年以上にわたり、採用テクノロジーベンダーは自社のプラットフォームを「バイアスフリー」として宣伝し、高度な機械学習モデルが人間の採用活動に固有の主観的偏見を排除できると約束してきました。² しかし、Aon独自のツール群——ADEPT-15、vidAssess-AI、およびgridChallenge——に対する告発は、アルゴリズムの中立性という約束と技術的差別の現実との間にある深刻な乖離を浮き彫りにしています。¹

申立書では、Aonが自社製品について「多様性を向上させる」「不利益な影響（悪影響）はない」と主張することで欺瞞的なマーケティングを行ったと主張されており、実際にはこれらのツールが人種や障害に基づいて資格のある候補者を排除している可能性が高いとされています。² 具体的には、ACLUはこれらのアセスメントが「積極性（positivity）」「感情的自覚（emotional awareness）」「快活さ（liveliness）」といった特性を評価していると主張しています。これらは多くの職務において必須ではないばかりか、自閉症や様々な精神衛生状態に関連する臨床診断基準の直接的なプロキシ（代理変数）として機能しています。² Veriprajnaのようなエンタープライズ級AIコンサルティング企業にとって、この事案は業界における構造的な欠陥を浮き彫りにしています。それは、行動データと保護対象特性との間の深い因果関係を考慮できない表層的な「ラッパー」技術への依存です。¹

この申立書の影響はAonだけにとどまりません。ツールが「ビッグデータ」で訓練されたから公平であると主張する「ブラックボックス」の弁明は、もはや法的にも倫理的にも通用しないという、エンタープライズエコシステム全体への警告として機能しています。⁶ FTCを筆頭とし、雇用機会均等委員会（EEOC）の後ろ盾を得た規制当局は、自主的ガイドラインから実証要件の厳格な執行へとその焦点を移行させています。⁶ 公平性に関するあらゆる主張は、今や厳格で透明性が高く、実証的な証拠によって裏付けられなければなりません。⁶

Aonアセスメントスイートのアーキテクチャ解体

現在の「バイアスフリー」言説の破綻を理解するには、申立書で特定されたツールの技術的アーキテクチャを分析する必要があります。これらのツールは計量心理学AIにおける現在の「最先端（state-of-the-art）」を代表するものであり、障害バイアスに対するそれらの脆弱性は業界にとって極めて示唆に富んでいます。¹⁰

ADEPT-15：アルゴリズムによる性格プロキシ

Adaptive Employee Personality Test（ADEPT-15）は、現行のバージョン7.1として特定されているアルゴリズム型アセスメントです。¹⁰ これは50年にわたる心理測定研究に基づく高度な性格検査として販売されており、35万件の独自項目からなる大規模データベースを活用して15の性格特性概念を評価します。¹² 技術的に、ADEPT-15はコンピュータ適応型テスト（CAT）です。従来の静的なアンケートとは異なり、CATは受験者の過去の回答に基づいて質問の難易度と内容をリアルタイムで調整します。¹⁰ これは測定精度を向上させ「テスト疲労」を軽減することを目的としていますが、差別的な経路を覆い隠しかねないアルゴリズムの複雑性をもたらします。¹⁰

このアセスメントは「強制選択式」フォーマットを採用しており、対の記述（例：「私は他者とうまく仕事ができる」「私は冷静沈着であると人から言われる」）を提示し、受験者に同意の度合いを選択させます。¹⁰ この設計は、受験者が「正解」を推測する傾向である「社会的望ましさバイアス」を緩和することを意図していますが、意図せず受験者の認知負荷と感覚処理の要求を高めることになります。⁵

計量心理学的概念（ADEPT-15）	Aonによって定義された極性	中核的な対人スタイル
意欲（Drive）	リラックス vs. 集中	タスクへの取り組み方
構造化（Structure）	大局観 vs. 詳細重視	認知処理
協調性（Cooperativeness）	自立志向 vs. チーム志向	社会的適応
感受性（Sensitivity）	超然的 vs. 感情移入	情動反応性
謙虚さ（Humility）	誇り高い vs. 謙虚	自己認識
概念性（Conceptual）	実務的 vs. 抽象的	問題解決
柔軟性（Flexibility）	一貫性 vs. 柔軟性	変化管理
習熟度（Mastery）	実行重視 vs. 改善重視	スキル習得
冷静さ（Composure）	情熱的 vs. 冷静	ストレス調整
積極性（Positivity）	懸念型 vs. 楽観型	見通し・展望
自覚（Awareness）	自己完結 vs. 自己認識	対人洞察力
野心（Ambition）	現状満足 vs. 向上心	達成意欲
影響力（Power）	貢献志向 vs. 統制志向	リーダーシップスタイル
自己主張（Assertiveness）	慎重 vs. 社会的に大胆	社会的イニシアチブ
快活さ（Liveliness）	控えめ vs. 外向的	社会的エネルギー

ACLUが特定した技術的破綻ポイントは、これら15の概念がニューロダイバーシティの文脈において中立的な性格特性ではないという点です。⁴「快活さ」「自覚」「積極性」は、定型発達者（ニューロティピカル）の社会的パフォーマンスと密接に連動する特性です。²アルゴリズムが「控えめ」や「自己完結」な回答に対して減点を行う場合、それは実質的に職務適性ではなく定型発達傾向をスクリーニングしていることになります。²

vidAssess-AI：定型発達的パフォーマンスの強要

vidAssess-AIプラットフォームは、ADEPT-15の性格モデルを非同期動画インタビュー形式に統合したものです。¹⁰ このツールは、事前に定義された質問に対する候補者の回答を記録し、スコアリングのために自然言語処理（NLP）および音声認識アルゴリズムを活用します。¹⁷ Aonは、性格モデルに関連付けられた「職務関連基準」に照らして候補者を評価することにより、これが「法的に防御可能」なレポートを生成すると主張しています。¹⁷

しかし、動画分析へのAIの利用は、研究者が「創発的エイブリズム（emergent ableism）」と呼ぶ現象をもたらします。⁵NLPモデルは、主に定型発達者の会話パターン、韻律（プロソディ）、および言語構造を反映した大規模データセットで訓練されています。¹⁶ 平坦なイントネーションや非典型的なポーズを含む発話を行う自閉症の候補者や、非線形な話の展開を示すADHDの候補者に対し、AIのNLPエンジンはこれらを「自信の欠如」や「整理不足」と誤認する可能性があります。²⁰

さらに、ACLUの申立書は、AonのvidAssess-AIが発話された単語の内容（特定のフレーズや語彙）をADEPT-15の性格概念と関連付けることで回答を採点していると指摘しています。¹⁰ これはニューロダイバージェントな個人に「二重の不利益（double jeopardy）」を生み出します。彼らは回答内容だけでなく、バイアスのかかった言語フィルターを通じて表現された、機械が解釈した性格バージョンに基づいて評価されることになります。²²

gridChallenge：認知的障壁のゲーム化（ゲーミフィケーション）

スイート内の3つ目のツールであるgridChallenge（バージョン3.0）は、ワーキングメモリに焦点を当てた「ゲーム化された」認知能力アセスメントです。¹⁰ これは、候補者に対して強調表示された円の位置を特定するなどの複雑な記憶タスクを要求し、同時に空間対称性の判定といった「妨害タスク（distractor tasks）」を実行させます。¹⁰ Aonはこれらのゲーム化要素を「候補者のエンゲージメント」を高めるものとして販売していますが、感覚処理障害やADHDを持つ個人にとって、これらの妨害要素は感覚過負荷を引き起こし、実際の職務関連の認知能力とは無関係な形でパフォーマンスを低下させる可能性があります。¹⁶

心理測定と臨床診断の収束

ACLUの申立てにおいて法的および倫理的に最も重大な主張は、Aonの質問が「自閉症や精神衛生の診断基準と密接に一致している」という点です。これは、職場における「性格」アセスメントが実質的に隠蔽された「医学的検査」へと変質していることを示唆しており、障害を持つアメリカ人法（ADA）の直接的な違反にあたる可能性があります。⁴

ADEPT-15の概念を自閉症スペクトラム指数（AQ）やDSM-5基準などの標準的な臨床ツールと照合すると、その重複は否定できないものとなります。²⁵ 50項目の自己報告式尺度であるAQは、社会的スキル、注意の切り替え、細部への注意、コミュニケーション、および想像力の5つの領域にわたって特性を評価します。²⁵

臨床領域（AQ/DSM-5）	対応するADEPT-15の側面	差別リスク
社会的スキル／相互性	快活さ／自己主張	自閉症スペクトラム障害（ASD）に典型的な「控えめ」なコミュニケーションを減点する。
注意の切り替え	柔軟性／一貫性	ルーチンや深い集中を好む個人をスクリーニング（排除）する。
細部への注意	構造化	細部への過度な集中を過大評価または過小評価する。
コミュニケーション／語用論	自覚	「文脈を読むこと（行間を読むこと）」の困難さを誤って解釈する。
感情の調整	冷静さ／積極性	感情表出の平坦さや不安に関連する反応を病理化する。

ADEPT-15のようなAI駆動ツールが臨床基準を反映した質問（例：「私は細部に強く集中する」「私は一人で作業することを好む」）を行う場合、候補者の障害ステータスと採用結果との間に「隠れた経路」が形成されます。⁵アルゴリズムが「社会的に大胆」で「柔軟」な候補者を好むように訓練されている場合、診断について直接尋ねることなく、自閉症の個人を体系的かつ数学的に排除することになります。⁵

規制パラダイムの転換：倫理から法執行へ

Aonに対するFTCの動きは単独の事象ではありません。これは「Operation AI Comply」として知られる、より広範な規制取締りの要石です。⁶この取り組みは、連邦機関が企業の社会的責任（CSR）のバズワードとしての「責任あるAI」にもはや満足していないことを示しています。その代わりに、当局は消費者保護法および公民権法の厳格さをアルゴリズム製品に適用しています。⁶

FTC：第5条と欺瞞行為防止の責務

FTCの主な武器は、FTC法第5条であり、「不公正または欺瞞的な行為や慣行」を禁止しています。⁴AIの文脈において、FTCは「十分な証拠なしに製品のAI能力やその他の機能を誇大に宣伝することは欺瞞的である」と明言しています。⁹ 同機関はすでに、AI法律サービスに関する根拠のない主張に対して19万3,000ドルの罰金を科されたDoNotPayや、偽レビューの生成に関与したとして標的となったRytrなどの企業に対して措置を講じています。⁶

VeriprajnaのようなディープAIソリューションプロバイダーに対するメッセージは明確です。「バイアスフリー」な性能に関するあらゆる主張は、実証的証拠によって裏付けられなければなりません。⁶FTCは、ベンダーが自社ツールの不当な格差的影響（disparate impact）に関して「砂の中に頭を埋めて（見て見ぬふりをして）」現実に目を背けることは許されないと明示的に警告しています。²厳格なバイアス監査の実施を怠ると、事業機会の販売停止や高リスクソフトウェアの配備に対する恒久的な禁止命令につながる可能性があります。²⁹

EEOC：ADAと「合理的配慮」条項

EEOCは、雇用主がベンダーから購入したAIツールによって引き起こされるあらゆる差別に対して法的責任を負うことを再確認しました。¹ADAに基づき、雇用主は、その基準が「職務に関連し、業務上の必要性と合致している」場合を除き、障害を持つ個人をスクリーニング排除する、または排除する傾向のある選考基準を使用することはできません。²³

規制上の要件	企業への影響	潜在的責任
AIの主張の実証	データによって「バイアスフリー」の主張を証明しなければならない。	FTCによる罰金、ブランド毀損、業務禁止処分。
合理的配慮	候補者がAIスクリーニングのオプトアウト（適用除外）を行えるようにしなければならない。	EEOCによる訴訟、集団訴訟。
透明性／推論ロジック	アルゴリズムがユーザーを不合格とした理由を説明できなければならない。	州レベルの罰金（例：ニューヨーク市地方法144号）。
監査義務	毎年独立したバイアス監査の実施が求められる。	規制不遵守に対する制裁措置。

「AIにおける雇用差別の克服」に関するEEOCの最近の公聴会では、自動化システムが「公民権の新たな最前線」であることが強調されました。³¹ 同委員会は2024会計年度において差別の被害者に対して数億ドルの金銭的救済を確保することに成功しており、アルゴリズムのバイアスは現在、最優先の法執行事項となっています。⁸

なぜ「ラッパー」は破綻するのか：ディープAIと表層的AIの決定的な違い

Aonの事案は、Veriprajnaの位置付けに対する決定的な証拠となります。「LLMラッパー」モデルは、公平性と安全性に関する現代のエンタープライズ基準を満たすことが根本的に不可能です。ラッパーは単に既存の基盤モデル（GPT-4など）を介してデータを通過させ、その出力を提示しているに過ぎません。³² しかし、基盤モデルは中立ではなく、インターネットの「歴史的データバイアス」を継承しています。³⁴

再帰的バイアスのループ

機械学習モデルは過去の採用データに基づいて訓練されますが、これにはしばしば何十年にもわたる定型発達者や人種的嗜好が反映されています。¹⁶ AIモデルが配備されると、その決定が将来の訓練セットの情報としてフィードバックされ、周縁化されたグループの過小評価が固定化される「継続的ループ」が生み出されます。¹⁶ 単純なラッパーではこのループを断ち切ることはできません。真の職務適性と、保護対象特性に相関する「ノイズ」を区別するために不可欠な「因果表現（causal representation）」を欠いているためです。³⁶

大規模言語モデルにおける創発的エイブリズム

デューク大学の研究では、LLMがニューロダイバージェントに関連する用語を一貫して否定的な含意と結び付けていることが示されています。⁵ 例えば、「私は自閉症です」というフレーズは、これらのモデルによって「私は銀行強盗です」という記述よりも否定的なものとして捉えられることが少なくありません。⁵これら同一の言語モデルがAPIラッパーを介して採用ツールを駆動する場合、開発者が意図することなく、これらの差別的な関連付けが採用プロセスに埋め込まれてしまいます。⁵

ディープAIの整合性（Integrity）に向けたVeriprajnaのフレームワーク

AonのADEPT-15や「ラッパー」パラダイムの落とし穴を克服するため、Veriprajnaは因果推論、敵対的脱バイアス化、および神経多様性を包摂するインタラクションデザインを統合した多層的な技術戦略を採用しています。³⁶

1. 因果表現学習（CRL）

VeriprajnaはCRLを活用して、バイアスが流れる隠れた経路を特定し排除します。³⁶ 従来のAIは相関関係に依存していますが、相関関係こそが差別が潜む場所です。CRLは機微情報を制御しながら、候補者プロファイルの「構造的特徴」を識別します。³⁶

このフレームワークは構造的因果モデル（SCM）を使用して依存関係を定式化します。保護対象属性（例：ニューロダイバージェンス）を表し、応募者の特徴量を表し、採用結果を表す場合、Veriprajnaは「介入不変性（interventional invariance）」を保証するようにモデルを設計します。³⁶ これは、最終決定に使用される表現が数学的に隔離されていることを意味し、次のように表されます：

属性が仮に変更されたとしても決定が変わらないことを保証することで、反事実的公平性の数学的保証を提供できます。³⁶

2. 敵対的脱バイアス化

処理内（インプロセス）でのバイアス緩和は、敵対的トレーニングを通じて達成されます。³⁹ このアーキテクチャでは、主モデル（「予測器」）が最適な候補者を識別するように訓練される一方、副モデル（「敵対者」）は予測器の内部データ表現から候補者の保護対象特性を推測するように訓練されます。³⁷

敵対者が推測に成功した場合、予測器が依然として保護対象情報をパフォーマンスのプロキシとして使用していることを意味します。システムは敵対的損失関数を通じて予測器に「ペナルティ」を科し、バイアスのあるパターンを「忘却（アンラーン）」させます。³⁶ この手法は、行動シグナルが障害のプロキシとして機能する可能性がある動画分析や性格アセスメントにおけるバイアスを排除する上で特に効果的です。³⁹

3. 反事実的公平性監査

VerityAIはグループレベルの公平性（例：「全採用者の10%が障害者であるか」）を監査するだけでなく、反事実的シミュレーションを通じて「個人の公平性」を監査します。³⁸ これには、実際の候補者データの合成バリエーションを生成し——他のすべての変数を一定に保ちながら機微属性のみを変更する——、AIの推奨が一貫していることを確認する作業が含まれます。³⁸

緩和戦略	技術的目標	公平性への影響
CRL／構造的モデリング	影響の因果経路を隔離する。	プロキシ変数による差別を防止する。
敵対的トレーニング	予測における漏洩を最小化する。	モデルロジックから保護対象情報を「除去」する。
反事実分析	個人レベルでの一貫性を確保する。	類似した応募者に対する「同等の処遇」を保証する。
公平性配慮型正則化	バイアスのある結果に対して「ペナルティ」を追加する。	精度と並んでパリティー（同等性）を優先するようモデルに強制する。

神経多様性の包摂に向けた設計：AIの「社会モデル」

Aonの申立書は、多くの採用技術が障害の「医療欠陥（メディカル・デフィシット）」モデルに基づいて構築されていることを浮き彫りにしています。これは、ニューロダイバージェントな特性を減点対象となる「問題」と見なすものです。⁴⁴ Veriprajnaは「プレシジョン・ニューロダイバーシティ（精密神経多様性）」アプローチを提唱しています。これは神経学的差異を人間の脳の多様性の自然な現れとして捉えるものです。⁴⁴

時間的・マルチモーダルな弾力性

標準的なAIアセスメントは、回答時間の遅さや非典型的な非言語的手がかりに対して候補者を減点することがよくあります。⁵ディープAIソリューションは「時間的弾力性（temporal elasticity）」を実装しなければなりません。動画インタビューにおける長い回答時間は、能力の欠如ではなく認知処理速度や緊張に起因する可能性があることを認識する必要があります。²⁰

Veriprajnaのアーキテクチャは、個人のベースラインに合わせた「クロスチャネル統合パイプライン」を優先します。⁴⁵ これは、候補者を「定型発達の平均値」と比較するのではなく、面接の初期段階でその特定の候補者にとっての「通常状態」がどのようなものかをAIが学習することを意味します。⁴⁵

「代替経路」の義務付け

ADAおよび倫理基準を遵守するため、エンタープライズAIには「ヒューマン・イン・ザ・ループ（HITL）」および「オプトアウト」のメカニズムを組み込まなければなりません。²¹ すべての自動面接やアセスメントの案内には、不利益を被ることなく人間の面接官への変更や「合理的配慮」を要求できる明確な選択肢を含める必要があります。²¹

さらに、Veriprajnaは動画ツールにおける「音声のみ（Audio-Only）」への移行を推奨しています。²¹ 顔分析機能を無効化し、回答の文字起こし内容のみに集中することで、企業はAIを活用した文字起こしや要約の効率性を享受しながら、ニューロダイバージェントな候補者に対するバイアスの90%を排除できます。²¹

エンタープライズガバナンス：NIST AI RMFプレイブック

「ラッパー」から「ディープAI」文化への移行には、経営陣レベルのガバナンスが必要です。NIST AIリスクマネジメントフレームワーク（RMF）は、この移行のための標準を提供します。⁴⁷

経営層向け監視チェックリスト

1.​ 責任あるAI委員会の設置：法務、人事、IT、および外部の障害者擁護団体の代表者を含む部門横断組織である必要があります。⁴⁹

2.​ 年次バイアス監査の実施：これらは独立的かつ第三者によるものでなければなりません。Aonの事例が示すように、ベンダー提供の「モデルカード」への依存は法的責任（ライアビリティ）を招きます。¹

3.​ 「バイアス対応訓練（ファイアドリル）」の実施：企業がサイバーセキュリティの侵入テストを実施するのと同様に、最悪の採用シナリオ（例：自閉症の応募者全員の面接を拒否するモデル）をシミュレーションし、内部セーフガードがドリフトを検知できるか確認すべきです。⁵¹

4.​ 推論ロジックの要求：ベンダーはAIの決定の背後にある「理由」を提供しなければなりません。²¹ ベンダーが自社のスコアリングモデルの論理を説明できない場合、それは重大な採用環境に配備すべきではない「不可解な（inscrutable）」リスクとなります。²¹

リスクティアと配備指標

NISTは、「部分的（Partial）」から「適応的（Adaptive）」まで、AIの成熟度を4つの階層で定義しています。⁴⁷ エンタープライズ採用においては、「適応的」な成熟度レベルが求められます。これは、AIモデルが実世界のデータと相互作用するにつれて時間の経過とともにバイアスが強まる現象である「差別ドリフト（discrimination drift）」を追跡するための体系的で文書化されたプロセスを組織が持っていることを意味します。⁴⁷

NIST RMF機能	人事リーダー向けのアクション項目	成功指標
統治（GOVERN）	AIの結果に対する取締役会レベルの説明責任を確立する。	報告された訴訟・申立て件数ゼロ。
把握（MAP）	すべてのAIツールの目的とコンテキストを文書化する。	不合格となったすべての候補者に対する明確な「推論ロジック」。
測定（MEASURE）	CRLおよびCRLベースのツールを使用して継続的なバイアス監査を実行する。	人口統計学的パリティーギャップ < 5%。
管理（MANAGE）	「合理的配慮」のオプトアウトを実装する。	ADA申請に対する100%のコンプライアンス。

戦略的示唆：これが経営陣にとって重要である理由

Aonに対するACLUの申立ては、AI時代における「炭鉱のカナリア」です。これは、「安価な」AIのコストが「ディープAI」への先行投資よりも指数関数的に高くなることを証明しています。⁵¹ 「ラッパー」ソリューションは第1四半期には時間を節約できるかもしれませんが、企業価値を破壊しかねない甚大な法的、財政的、および風評的リスクを生み出します。⁵¹

訴訟リスクに強い人材エコノミー

2027年までに、世界の人材エコノミーは300億ドル規模に達すると予測されています。³⁷ 自社の採用ツールが「能力主義的（meritocratic）」であり「バイアスフリー（bias-agnostic）」であることを証明できる企業は、優秀な人材を獲得する上で大きな競争優位性を持つことになります。³⁷ 特にニューロダイバージェントな個人は、パターン認識、細部への注意、創造的な問題解決において極めて優れたスキルを有しています。⁵³ Aonスタイルのスクリーニングを使用している企業は、イノベーションを推進するまさにその人材を体系的に排除してしまっています。²¹

Veriprajnaのアプローチは単にバイアスを「回避」するだけでなく、才能を「解き放ち」ます。³⁷ 不透明な「性格の適合性」プロキシを、透明性のある「ニューラル・ヴェリティー（真理）」と因果ロジックに置き換えることで、当社は企業が多様であるだけでなく、職務パフォーマンスに対して数学的に最適化された労働力を構築できるようにします。³⁷

「信頼の契約」

究極的に、企業のAIポリシーは従業員および顧客との「信頼の契約」です。³² この信頼を維持するために、リーダーは「バイアスフリー」技術というマーケティングの誇大宣伝を超え、ディープAIの厳格なエンジニアリングを受け入れなければなりません。これには、実証の要求、厳格な監査の実施、および「標準的な脳」と「ニューロダイバージェントな脳」を等しく評価するシステムの設計が含まれます。³²

Aonの申立書は行動への呼びかけです。今こそ企業は「AIユーザー」であることをやめ、「AIアーキテクト」になり始めるべき時です。³³ Veriprajnaは、その未来に向けた設計図を提供するためにここにいます——AIが包摂の障壁ではなく、人間の潜在能力を最大限に引き出す究極のイネーブラーとなる未来です。⁵³

引用文献

1. Another Employer Faces AI Hiring Bias Lawsuit: 10 Actions You Can Take to Prevent AI Litigation | Fisher Phillips, 2026年2月6日閲覧, https://www.fisherphillips.com/en/news-insights/another-employer-faces-ai-hiring-bias-lawsuit.html

2. ACLU Files FTC Complaint Against Major Hiring Technology Vendor for Deceptively Marketing Online Hiring Tests as “Bias Free” | American Civil Liberties Union, 2026年2月6日閲覧, https://www.aclu.org/press-releases/aclu-files-ftc-complaint-against-major-hiring-technology-vendor-for-deceptively-marketing-online-hiring-tests-as-bias-free

3. ACLU complaint to the FTC regarding Aon Consulting, Inc. | American Civil Liberties Union, 2026年2月6日閲覧, https://www.aclu.org/documents/aclu-complaint-to-the-ftc-regarding-aon-consulting-inc

4. 1 FEDERAL TRADE COMMISSION Washington, DC 20580 ... - ACLU, 2026年2月6日閲覧, https://assets.aclu.org/live/uploads/2024/05/In-re-Aon-Consulting_FTC-Act-complaint_052924.pdf

5. When Algorithms Learn to Discriminate: The Hidden Crisis of Emergent Ableism, 2026年2月6日閲覧, https://www.techpolicy.press/when-algorithms-learn-to-discriminate-the-hidden-crisis-of-emergent-ableism/

6. FTC's Stance on AI Deception: Implications for Companies - Catalyst Legal, 2026年2月6日閲覧, https://catalystogc.com/ai-deception/

7. The FTC is on the Front Lines of AI Innovation & Regulation, 2026年2月6日閲覧, https://www.ftc.gov/system/files/ftc_gov/pdf/ai-accomplishments-1.17.25.pdf

8. 2024 Annual Performance Report | U.S. Equal Employment Opportunity Commission, 2026年2月6日閲覧, https://www.eeoc.gov/2024-annual-performance-report

9. United States of America - Federal Trade Commission vs. AI: misleading marketing of AI and the harming of consumers - Knowledge Centre Data & Society, 2026年2月6日閲覧, https://data-en-maatschappij.ai/en/publications/federal-trade-commission-vs-ai-misleidende-marketing-rond-ai-en-het-schaden-van-consumenten

10. Final vidassess model card - ACLU, 2026年2月6日閲覧, https://assets.aclu.org/live/uploads/2024/10/Model-Cards-for-gridChallenge-ADEPT-15-and-vidAssess.pdf

11. The Critical Role of Research in the Fight for Algorithmic Accountability | TechPolicy.Press, 2026年2月6日閲覧, https://www.techpolicy.press/the-critical-role-of-research-in-the-fight-for-algorithmic-accountability/

12. Aon ADEPT-15 - AMS Verified, 2026年2月6日閲覧, https://app.getamsverified.com/product/aon-adept-15

13. Adept 15 Fact Sheet PDF | PDF | Cognitive Science | Psychology - Scribd, 2026年2月6日閲覧, https://www.scribd.com/document/643380773/adept-15-fact-sheet-pdf

14. What we learned while automating bias detection in AI hiring systems for compliance with NYC Local Law 144 - arXiv, 2026年2月6日閲覧, https://arxiv.org/html/2501.10371v1

15. Free ADEPT-15 Assessment Personality Practice Guide [2026] - JobTestPrep, 2026年2月6日閲覧, https://www.jobtestprep.com/adept-15-test

16. Hiring inclusively with AI: The dangers of screening out neurodiverse talent, 2026年2月6日閲覧, https://workplacejournal.co.uk/2025/08/hiring-inclusively-with-ai-the-dangers-of-screening-out-neurodiverse-talent/

17. Aon VidAssess AI - AMS Verified, 2026年2月6日閲覧, https://app.getamsverified.com/product/aon-vidassess-ai

18. Aon VidAssess AI vs HireVue Video Interviewing - Comparison - AMS Verified, 2026年2月6日閲覧, https://app.getamsverified.com/comparison/aon-vidassess-ai-vs-hirevue-video-interviewing

19. Prevalence of bias against neurodivergence-related terms in artificial intelligence language models - PMC, 2026年2月6日閲覧, https://pmc.ncbi.nlm.nih.gov/articles/PMC12233132/

20. Neurodivergence and the Rise of AI in Hiring: What HR Needs to Know - Enna Global, 2026年2月6日閲覧, https://enna.org/neurodivergence-and-the-rise-of-ai-in-hiring-what-hr-needs-to-know/

21. Exploring the Impact of AI Bias on Neurodivergent Candidates in HR Practices - CiteHR, 2026年2月6日閲覧, https://www.citehr.com/654245-impact-ai-bias-hr-practices-case-study.html

22. Fairness and Discrimination Risks in Neuro-Augmented AI Hiring: A Framework for Proactive Algorithmic Auditing - ResearchGate, 2026年2月6日閲覧, https://www.researchgate.net/publication/399936340_Fairness_and_Discrimination_Risks_in_Neuro-Augmented_AI_Hiring_A_Framework_for_Proactive_Algorithmic_Auditing

23. List of EEOC Disability-Related Technical Assistance Documents, 2026年2月6日閲覧, https://www.eeoc.gov/eeoc-disability-related-resources/list-eeoc-disability-related-technical-assistance-documents

24. Artificial Intelligence and the ADA | U.S. Equal Employment Opportunity Commission, 2026年2月6日閲覧, https://www.eeoc.gov/eeoc-disability-related-resources/artificial-intelligence-and-ada

25. Autism screening tests: A narrative review - PMC - NIH, 2026年2月6日閲覧, https://pmc.ncbi.nlm.nih.gov/articles/PMC8859712/

26. Clinical Testing and Diagnosis for Autism Spectrum Disorder - CDC, 2026年2月6日閲覧, https://www.cdc.gov/autism/hcp/diagnosis/index.html

27. AQ - Autism Spectrum Quotient Test - NovoPsych, 2026年2月6日閲覧, https://novopsych.com/assessments/diagnosis/autism-spectrum-quotient/

28. Disability Bias in AI: How and Why to Audit - Warden AI, 2026年2月6日閲覧, https://www.warden-ai.com/resources/disability-bias-in-ai-how-and-why-to-audit

29. Artificial Intelligence | Federal Trade Commission, 2026年2月6日閲覧, https://www.ftc.gov/industry/technology/artificial-intelligence

30. AI Bias in Hiring: Algorithmic Recruiting and Your Rights - Sanford Heisler Sharp, 2026年2月6日閲覧, https://sanfordheisler.com/blog/2025/12/ai-bias-in-hiring-algorithmic-recruiting-and-your-rights/

31. EEOC History: 2020 - 2024 | U.S. Equal Employment Opportunity Commission, 2026年2月6日閲覧, https://www.eeoc.gov/history/eeoc-history-2020-2024

32. Beyond the Hype: A Strategic Guide to LLM Model Cards for the Enterprise | by Boopathi Sarvesan | Dec, 2025 | Medium, 2026年2月6日閲覧, https://medium.com/@boopathisarvesan/beyond-the-hype-a-strategic-guide-to-llm-model-cards-for-the-enterprise-dc1feff63cc4

33. Mitigating bias: Integrating generative AI, foundation and large language models in enterprise workflows - Eightfold AI, 2026年2月6日閲覧, https://eightfold.ai/engineering-blog/mitigating-bias-integrating-generative-ai-foundation-and-large-language-models-in-enterprise-workflows/

34. AI and Bias in Recruitment: Ensuring Fairness in Algorithmic Hiring. - Journal of Informatics Education and Research, 2026年2月6日閲覧, https://jier.org/index.php/journal/article/download/3262/2632/5894

35. Fair or Flawed? How Algorithmic Bias is Redefining Recruitment and Inclusion, 2026年2月6日閲覧, https://exploratiojournal.com/fair-or-flawed-how-algorithmic-bias-is-redefining-recruitment-and-inclusion/

36. Causal Representation Learning for Bias Detection in AI Hiring ..., 2026年2月6日閲覧, https://www.ijcaonline.org/archives/volume187/number74/guyyala-2026-ijca-926254.pdf

37. (PDF) Bias Mitigation in AI Hiring Through Neurocognitive Data ..., 2026年2月6日閲覧, https://www.researchgate.net/publication/400103841_Bias_Mitigation_in_AI_Hiring_Through_Neurocognitive_Data_Analysis

38. Counterfactual Fairness - Iterate.ai, 2026年2月6日閲覧, https://iterate.ai/ai-glossary/counterfactual-fairness

39. Algorithmic Fairness in Recruitment: Designing AI-Powered Hiring ..., 2026年2月6日閲覧, https://pathofscience.org/index.php/ps/article/view/3471

40. Causal Representation Learning for Bias Detection in AI Hiring Systems, 2026年2月6日閲覧, https://www.ijcaonline.org/archives/volume187/number74/causal-representation-learning-for-bias-detection-in-ai-hiring-systems/

41. Bias & Fairness Testing for AI: Demographic Audits & Ethical Compliance - Testriq, 2026年2月6日閲覧, https://www.testriq.com/blog/post/bias-fairness-testing-for-ai

42. Behind the Screens: Uncovering Bias in AI-Driven Video Interview Assessments Using Counterfactuals - arXiv, 2026年2月6日閲覧, https://arxiv.org/html/2505.12114v2

43. Algorithmic Fairness Testing Tools - AI Ethics Lab - Rutgers University, 2026年2月6日閲覧, https://aiethicslab.rutgers.edu/glossary/algorithmic-fairness-testing-tools/

44. Precision neurodiversity: personalized brain network architecture as ..., 2026年2月6日閲覧, https://pmc.ncbi.nlm.nih.gov/articles/PMC12647089/

45. Designing Inclusive AI Interaction for Neurodiversity - ResearchGate, 2026年2月6日閲覧, https://www.researchgate.net/publication/396644400_Designing_Inclusive_AI_Interaction_for_Neurodiversity

46. Algorithmic Bias in Artificial Intelligence and Mitigation Strategies - Tata Consultancy Services, 2026年2月6日閲覧, https://www.tcs.com/what-we-do/products-platforms/tcs-bancs/articles/algorithmic-bias-ai-mitigation-strategies

47. NIST AI Risk Management Framework: A tl;dr - Wiz, 2026年2月6日閲覧, https://www.wiz.io/academy/ai-security/nist-ai-risk-management-framework

48. NIST AI Risk Management Framework: A simple guide to smarter AI governance - Diligent, 2026年2月6日閲覧, https://www.diligent.com/resources/blog/nist-ai-risk-management-framework

49. Safeguard the Future of AI: The Core Functions of the NIST AI RMF - AuditBoard, 2026年2月6日閲覧, https://auditboard.com/blog/nist-ai-rmf

50. Credit Scoring AI Bias Testing: Beyond Basic Fairness Checks for Financial Institutions, 2026年2月6日閲覧, https://verityai.co/blog/credit-scoring-ai-bias-testing

51. AI Bias Mitigation Strategies for Reliable Enterprise AI - Appinventiv, 2026年2月6日閲覧, https://appinventiv.com/blog/reducing-bias-in-ai-models/

52. Navigating the NIST AI Risk Management Framework - Hyperproof, 2026年2月6日閲覧, https://hyperproof.io/navigating-the-nist-ai-risk-management-framework/

53. AI in creating inclusive work environments for neurodiverse employees - ResearchGate, 2026年2月6日閲覧, https://www.researchgate.net/publication/397757972_AI_in_creating_inclusive_work_environments_for_neurodiverse_employees

54. Inclusive by Design: An Employer's Guide to Neurodiversity at Work - Morgan McKinley, 2026年2月6日閲覧, https://www.morganmckinley.com/ie/article/inclusive-design-employers-guide-neurodiversity-work

55. Designing Artificial Intelligence: Exploring Inclusion, Diversity, Equity, Accessibility, and Safety in Human-Centric Emerging Technologies - MDPI, 2026年2月6日閲覧, https://www.mdpi.com/2673-2688/6/7/143