人事・採用のAI活用事例

JLLは技術職の人材が足りず採用も定着も進まなかった。

現場で働く人が何百もの拠点に散らばっていて、人事の手続きや社内の求人情報を同じように届けられなかった。

1. 現場で働く人を役割ごとのペルソナに分ける
2. ペルソナごとに求める情報と手続きを整理した
3. ParadoxのAIで年150万人の応募を受け付ける流れを作る
4. 応募の受け付けと絞り込みをAIに担わせた
5. 社内公募にも広げ従業員が別の仕事へ手を挙げられるようにする

応募者の絞り込みにかかる時間は70%減り、節約額は約1,200万ドルと見込まれる。

社内公募には6,700件を超える登録が集まり、430人以上が新しい仕事へ移った。

手順書を白紙から1項目ずつ書き起こし、人づてに直しを回していた。

会議で決めたことはメールや記憶に残るだけで採用と資格確認と運用の受け渡しのたびに抜けが出ていた。

1. 採用から資格確認までの流れを1つのワークスペースに集めた
2. 手順書の最初の下書きをAIに作らせた
3. 担当者は言い回しと手順の正しさだけを見る
4. エージェントが当日の応募者を項目付きのタスクへ並べ替える
5. もう1つが資格確認の書類を見て足りない書面を知らせる

手順書づくりは数時間かかっていたが最初の下書きが数分で出るようになった。

書類仕事に取られていた時間が減り応募者が抜け漏れなく選考を進むようになった。

社員が何をできるかの把握は面談とスプレッドシートの手作業で、まとめた時点から中身が古くなっていた。

新しい役割の人を探すときも身近な知り合いから選ぶことになっていた。

1. 社員ごとにスキルの記録をつくり使うツールまで書く。
2. 本人が自分で書き足し上司がそのスキルを認定する。
3. AIが記録をもとに近いスキルを提案する。
4. 役割とスキルのつながりをSkills Galaxyの図で見せる。
5. 足りないスキルが見つかったらDoceboの研修につなぐ。

始めてから数か月で社員の90%が365Talentsを使うようになり、1か月で250以上の新しいスキルが登録された。

部長級の役割には社内から27人の候補が挙がった。

募集への反応が一気に広がると応募の仕分けと返信が人手では追いつかなくなる恐れがあった。

案件の前提や決めたことも道具ごとに散らばっていた。

1. 応募者に希望する役割や作品集や稼働時期を書いてもらう
2. エージェントが応募内容をSlackへ流した
3. 経営側の誰かが目を通して絵文字で反応する
4. 反応が付くと日程調整リンク入りのメール下書きを作った
5. 提案は打ち合わせのAIメモを土台に人が確かめる

募集の投稿が大きく広がって数千件の応募が来ても仕組みが止まらずに回った。

提案書づくりにかかる時間も大きく短くなった。

面接官3人が別々に付けたスコアをChatGPTにまとめさせたところ、合計点の順位が自分の感覚とずれ、一番良かったはずの候補者が2位になっていた。

点数の付け方が厳しい面接官と甘い面接官の差が、そのまま平均されていた。

1. 過去の選考記録から面接官ごとの平均点を算出する
2. 依頼文の冒頭にA3.1点B4.2点C3.6点と書き添える
3. 各面接官の平均からの離れ具合を先に計算させる
4. 偏差値に直して3人の評価を比べるよう指示を固定する
5. 出力された順位を元の単純合計と自分の目で照合する

基準となる平均を先に伝える流れにしてから、厳しさの違いを無視して足し合わせる間違いは起きなくなった。

偏差値に直すと候補者1人の位置が単純合計のときと入れ替わり、採点者ごとの偏りを会議の前に言葉で示せるようになったと人事部長から評価された。

講座が複数のサイトに分かれて何千もあり、社員は目的に合うものを探すだけで疲れていた。

受け身で一覧を眺めるだけの学び方になっていた。

1. 社内AI基盤の中に学習の相談役としてTolbotを作った
2. 社員は役割や伸ばしたい力を普通の言葉で書いて質問する
3. Udemyなど複数の提供元から短い講座を選んで薦める
4. 社内のスキルとキャリアの枠組みに合う講座に絞る
5. 学習センターの画面から使えスマホでも講座を開ける

利用者の評価は5点満点で平均4.0になった。

質問の内容を理解できたか、薦めが質問に合っていたかを聞くと、多くの人が当てはまると答えた。

社員の99%が何らかの形でAIに触れていたのに、自己評価は5段階で平均2.65にとどまった。

250あったUdemyのライセンスはIT部門に偏り、他の部署には学ぶ道筋が無かった。

1. 習熟度に合わせて3つの学習コースを用意した。
2. 初級はCopilotで自分の仕事を速くする内容にする。
3. 1コースを2.5〜3.5時間の短い単位にまとめた。
4. 受講の前後にテストを入れて理解度の伸びを測る。
5. ライセンスを250から700へ増やした。

利用者は1か月で3倍になり、数週間で506件の受講が集まった。

社員の69%が毎日AIを使うようになり、理解度は33%伸びた。

AIを知っている社員はいても自分でAIの仕組みを作れる人がいなかった。

使う側から作る側へ移すための学びの道筋が社内に無かった。

1. Udemyを土台にした社内のAIアカデミーを作った
2. 学びを2段階に分け前半でClaude Codeを扱う
3. 後半はエージェント型AIとMCPを学ぶ内容にした
4. 受講の進み具合を追い社内ハッカソンで手を動かして作らせた
5. 作ったものを他の部署でも使い回せる形にそろえた

視聴した学習時間は19,527時間になりAIアカデミーの受講者は879人に届いた。

ハッカソンからは再利用できるAIスキルが200以上生まれた。

北欧の企業はAIへの期待が高い一方で、試験導入や一部の使い道で止まっていた。

Vivictaも開発者やデータ担当だけでなく全社員がAIを扱える状態を作る必要があった。

1. 職種ごとのAI学習コースを組み立てて全社に配った
2. 教材の土台にはUdemy Businessを使った
3. AzureやAWSの資格対策も受けられるようにした
4. 15週のCopilotとエージェント講座を社内で開いた
5. ロールプレイ機能で現場のやり取りを練習させた

2025年11月の導入後、生成AI関連の学習時間は1,700時間を超えた。

2,600人以上がCopilotとエージェントの講座に参加し、2026年上半期だけでAzure認定が700件を超えた。

採用担当は候補者1人につき8〜12分を手作業に取られていた。

LinkedInの検索や別々の道具でのデータ補完、ATSへの手入力が毎月300人以上分たまり、何も残らないまま消えていた。

1. 社内にUdemy Businessを開放した
2. プロンプトの作り方とAmazon Q Developerの講座をそろえる
3. 学ぶ順番は決めず詰まった人が必要な講座を選ぶ
4. プロンプトの型で採用担当6人の聞き取りを1本にまとめた
5. 前提を疑うAIアシスタントを自作し採用の流れを製品にする

Aptsenseの調査と整理の工程で、これまでかかっていた時間の60%〜70%を取り戻した。

空いた時間は利用者への聞き取りと開発側での検証に回した。

社員の99%が何らかの形でAIを触っていたが、AI知識の自己評価は5点満点で2.65にとどまっていた。

Udemyのライセンスは約250件がIT部門に偏り、他の部署には体系立てて学ぶ手段がなかった。

1. 初級・中級・上級の3段階のコースをUdemy上に作った
2. 内容を日常で使うMicrosoft 365 Copilotにそろえる
3. 受講前の配置テストで理解度を測り段階へ振り分ける
4. 各コースを2.5〜3.5時間の小さい単位にまとめた
5. 社内のAI規程をコースの中に入れ込む

開始から3か月で利用者は65人から506人に増え、学習時間は合計1,210時間になった。

AI知識の自己評価は33%上がり、AIのスキルと自信も22%伸びた。

顧客からAIをどう回して成果を出すかを問われるようになり、社内では日々の仕事にAIが入っていなかった。

バラバラの研修では必要な力が追いつかなかった。

1. Udemy上に職種別の生成AI学習コースを用意する
2. 担当者・管理職・技術者・PMで中身を分ける
3. 技術者に4段階の道筋を作り昇進の道筋と対応させた
4. AIアシスタントでコースを選び教材探しを数時間にする
5. 4週間の集中で自分の部署向けのAI補助役を作った

AIの学習に参加した社員は5,000人を超え、AI Learning Hubは4,452人が使って5点満点で4.7の評価になった。

RPAと組み合わせた結果、業務の効率と生産性は25%上がった。

42万人を超える社員がAIを試す段階から先へ進めずにいた。

学習の素材がプラットフォームやコミュニティに散らばり、全社で足並みをそろえにくかった。

1. AI Campusという学びの入口を一つ作る
2. 基礎から役割別までの道筋と教材をまとめる
3. ACTIVATEを生産性・案件・企業の3本立てにする
4. テストで80%以上を取るとバッジが出る
5. Prompt Battlesでプロンプトを繰り返し練習する

8月28日時点でAI Campusを使った社員は177,718人になり、ACTIVATEバッジは144,198件発行された。

Udemy Role Playは113,347人が試し、Prompt Battlesは132回で5,757人が参加した。

客室乗務員と接客職に週300件を超える応募があり書類選考から電話面接・集団面接・対面面接まで人手で進めていた。

電話がつながらない応募者や集団面接の欠席が平均30%あり採用に何か月もかかっていた。

1. 電話での一次面接をやめた。
2. HireVueのOnDemand録画面接に置き換えた。
3. 応募者は都合のいい時間に設問へ答える。
4. 通過した人だけを最終選考に呼んだ。
5. 語学が要る職種は指定した言語で質問した。

採用にかかる期間が3か月から2〜3週間に縮んだ。

最終選考の欠席も減り招待した学生の90%が録画面接を最後まで受けている。

技術の移り変わりが速く、社員の知識が追いつかない状態だった。

AIを扱える人を増やさないと顧客へ出せる提案の中身が薄くなる心配があった。

1. Udemy Businessの講座で役割別の学習の道筋を用意した。
2. 学びを知識を入れる段階と手を動かす段階に分けた。
3. 短い講座を日々の仕事の合間に受けられるようにした。
4. プロンプトや大規模言語モデルなど上級の道筋も足した。
5. 学んだことを顧客案件で試し社内のAIツール作りにつなげた。

開発工程に組み込んだAgentWaveで開発の費用が30%下がった。

顧客満足度は25%、NPSは18%良くなった。

業務が複雑になり、顧客は速くて一人ひとりに合った対応を求めるようになった。

社員がAIを実務で使える状態を先に作る必要があった。

1. 知識の段階と業務の必要に合わせて学習の道筋を複数用意する
2. まず生成AIやプロンプトの作り方を学ぶ
3. 次に仕事の自動化やAIを使った業務の進め方へ進む
4. Skills Mappingで足りない技能を見て道筋を業務に合わせた
5. Role Playで場面を練習してから現場で使う流れにした

840人以上がAIの学習に登録し、完了率は76%になった。

学んだ部門横断のチームが問い合わせ対応の一部を自動化し、処理時間が27%短くなり月60時間の削減になった。

新卒採用のエントリーシートは文字数が限られ、学生の経験の背景や価値観、挑戦の過程までは読み取りにくかった。

書く力の差が評価に影響することも課題だった。

1. 2028年4月入社の新卒採用でエントリーシート提出を4社で廃止した
2. 代わりにタレスカAI面接を導入した
3. AIアバターと話すトークエントリー選考に切り替えた
4. 学生は自己PRや学生時代に力を入れたこと、志望動機を自分の言葉で話す
5. AIが潜在能力やコミュニケーション力などの観点で適性評価を支える

書く選考から話す選考に切り替わり、文章では伝わりにくかった経験の背景や考え方の変化まで学生が伝えられるようになった。

採用を複数の会社とばらばらの仕組みで回していて、データも分かれていた。

毎年数百人を採る新卒や見習いの選考で事務作業に時間を取られ、応募者を同じ基準で比べるのが難しかった。

1. 新卒・インターン・見習いの採用をHireVueに集約した。
2. Virtual Job Tryoutで仕事の中身を先に見せた。
3. AIの録画面接で応募者を採点して順位を付けた。
4. 性格や認知能力の検査も合わせて行った。
5. 採用担当が最後の候補一覧を決めた。

12か月で約9,000人を選考し、応募者の満足度は99%になった。

採用までの期間が短くなり、面接から先へ進む割合も上がった。

1つの求人に100人を超える応募が集まり、電話での見極めに頼るせいで判断がぶれていた。

手続きが現場任せになり募集から入社までに45日かかっていた。

1. 応募者はATSから応募して4〜5問に答える
2. 条件に合う人へ仕事の実際を見せる案内を送る
3. 文字のやり取りで一次選考を行う
4. 質問をそろえた面接につなげる
5. ATSとつないで手順を全社でそろえる

求人の起票から入社までが48日から30日に縮んだ。

応募から内定までは3.5日になり、Virtual Job Tryoutの完了率は77%で面接の完了率は79%だった。

社内ポータルは中身が古く探しにくく、使う人は10%に届かなかった。

答えが複数の場所に散らばり探すだけで時間を取られていた。

1. 社内ポータルをやめてGleanを全社検索の土台にした
2. Slackの専用チャンネルにGleanのエージェントを置く
3. 出張費や株式の手続きの質問に答えさせた
4. 人が見るべきものだけチケットへ回す
5. 1年分の動きから自己評価のたたき台を作らせた

月に使う従業員は10%未満から70〜90%へ増え、その状態が続いている。

人事の質問に答えるエージェントは公開から数か月で数百人が数千回動かした。

動画の制作を外の業者に任せていて費用も時間もかかっていた。

社内のチームだけで中身を作り直せる仕組みが無かった。

1. 教育担当のチームがD-IDのCreative Reality Studioを使う。
2. PowerPoint用のプラグインで手元のスライドに原稿を入れる。
3. スライドをアバターと多言語音声がしゃべる動画に変える。
4. 新しい仕組みや手順の説明は短いモジュールに分けて作る。
5. 他部署は動画を依頼し教育担当が見た目と文言を整える。

外注に出さずに社内で動画が作れるようになり制作の時間と費用が減った。

社員からも使いやすいという声が多く出た。

600人を超える社員の研修をほぼ2人で回しており動画は1か月ほどで中身が古くなり撮り直しが必要だった。

説明できる技術者は顧客対応で手がふさがり収録の時間を取れなかった。

1. 研修のテキストをHeyGenに読み込ませる。
2. 担当者本人に似せたアバターが話す動画を作る。
3. 中身が古くなったら台本だけ直して作り直す。
4. 面接や評価面談の練習はLiveAvatarと会話させる。
5. 海外の顧客向けに同じ動画を別の言語へ変換して配る。

自習用の教材を作る時間が50%減った。

数日かかっていたナレーション付きのPowerPoint研修は2〜3時間で仕上がるようになった。

コマツは151か国の販売店へ機械の使い方や仕様の研修を届ける必要があった。

パワーポイントに機械音声を当てた教材や外注の動画は費用と手間がかかり受講者は途中で見るのをやめていた。

1. 社内の専門家が持つ資料をもとに研修の台本を用意する
2. ウェブページのURLから台本の下書きを出す
3. 自社用のアバターに台本を読ませ短い解説動画に仕上げる
4. 英語の元の動画を翻訳機能でドイツ語とフランス語とイタリア語へ変える
5. 作り方の決まりを整え各国の制作者をまとめて管理する

視聴者の80〜90%が動画を最後まで見るようになった。

全社員向けの人権研修は14言語へそろえて訳せてテストの点も上がった。

社内の研修動画を作るたびに出演者の手配と各国への出張が必要で数か月かかっていた。

言語ごとの編集も重なり予算と手間がふくらんでいた。

1. 研修の内容を台本に起こす
2. HeyGenのアバターと読み上げ音声で動画にする
3. 撮影スタジオも出演者も使わず社内で公開する
4. 手順や規定が変わったら文章を直して作り直す
5. 同じ台本から複数の言語版を出す

研修動画の制作費が大きく下がり1分の内容あたり1,000ユーロを浮かせた。

半年たたないうちに出せる本数が増え動画作りに慣れていない人も作れるようになった。

毎年つくる社員向けの感謝動画は経営陣が撮っていた。

10万人の一人ひとりに合わせた中身までは手が回らなかった。

1. CEOの姿と声からデジタルアバターを作った。
2. HeyGenにOpenAIやAzureやElevenLabsを組み合わせた。
3. 社員ごとの興味や好きなことに触れる文面を用意した。
4. その文面をアバターにしゃべらせ1本ずつ動画にした。
5. 出来上がった動画を社員全員へ送った。

10万通の感謝動画を社員一人ひとりに届けた。

AIを創作のどこに使うかという社内の見方が変わった。

売り手市場でエンジニアの応募が集まらず目標の採用人数に届かなかった。

採用にかかる費用も上がり続けていた。

1. エンジニア特化の採用基盤Offersを導入し登録後すぐスカウトを始めた
2. AIのスカウト文面生成機能に自社の受託開発の内容を渡した
3. テンプレート文から自社ならではの魅力が伝わる文面へ書き直した
4. 転職意欲を7段階に分けるストーリースカウトで継続して声をかけた
5. 文面の最終確認と面談は採用担当が担当した

文面を作り直したあと反応が増え、約40〜50名と面談した。

導入から約半年のあいだに、受託開発を担う部署でデザイナー1名を含む正社員2名と、業務委託7名が加わった。

採用前の経歴確認で提出書類の点検を人が一つずつ見ていた。

採用担当の手が空かず、候補者を待たせたり確認の基準がぶれたりしていた。

1. 候補者の書類をDocument Automationに読ませた
2. 必要な項目を書類から取り出す
3. 内容の食い違いはAIのエージェントが印を付ける
4. 候補者への連絡を自動で送りやり取りを追う
5. 最後の可否は採用担当が画面で見て承認した

1人あたりの手作業は90分から17.4分になり、81%減った。

1人あたり72.6分が空いて候補者の待ち時間も短くなった。

25年分たまった資料がGoogleドライブやGitHubや社内wikiやSlackに散らばっていて必要な情報を探しにくかった。

新入社員が仕事に慣れるまで1か月かかっていた。

1. 社内の置き場をつなぎ先に指定して中身を読み込ませた
2. SlackやGoogleドライブやGitHubを巡回させた
3. 半日で動きを確かめ翌日には全社員が使えるようにした
4. 見せる範囲をアクセス権とガードレールで部署ごとに分けた
5. 10ページの候補者アンケートを要約させ担当者が確かめる

新入社員は以前より45%速く答えを見つけられるようになり仕事に慣れるまでが1か月から約1週間になった。

採用のアンケート確認は20分かかっていたものが1分弱で済み確認にかかる時間が50%減った。

従業員が3万人を超えるのに、人事のコンタクトセンターの担当はおよそ15人しかいなかった。

24時間いつでも受け付ける体制を保ちながら社員の体験も落とさないことが重荷になっていた。

1. Kore.aiと組んで生成AIの人事エージェントを入れた。
2. SuccessFactorsやServiceNowとAPIでつなぐ。
3. よくある質問と多い手続きを自分で片づける形にした。
4. 管理職の承認をMicrosoft Teamsの中で済ませる。
5. 重い相談は自動で人事の担当者へ引き渡した。

人事の対応にかかる時間が80%短くなった。

社員が自分で解決する割合は50%になり、社員の満足度は70%上がった。

自社の生成AIツールはあっても4万人の社員が使いこなせる状態ではなかった。

地域も職種もばらばらで全員に同じ質の学びを届けにくかった。

1. 外部の学習支援サービスと組んで学ぶ道筋を用意した。
2. 職種ごとのペルソナに合わせ学ぶ中身を分けた。
3. 集合研修とデジタル教材とオンライン講義を混ぜた。
4. ゲーム要素と責任あるAIの研修を入れた。
5. 報告書の要約やコーディングを題材にした。

研修の受講完了率が100%になり生成AIツールを使う人が増えた。

使い道に沿ったプロンプトが4,000件を超えた。

人財戦略部の4人でダイレクトリクルーティングを回していたが、学生ごとの個別対応に時間を取られスカウト送信数が伸びなかった。

母集団が足りない状態が続いていた。

1. 人力代行や他社AIを含む3社を比べて導入先を決めた
2. 媒体ごとの運用に合わせた個別文面をAIに作らせた
3. スカウトを24時間止めずに配信した
4. 電話やSMSでの学生へのリマインドと後追いも任せた
5. 月1回の定例でオファー文の直し方の助言を受けた

スカウト送信数は昨対比で約4倍になり、ある媒体では約500通から約2,000通へ増えた。

対面できた学生も十数名から約50名に増え、母集団づくりにスカウトが効くことが確かめられた。

前の人事システムは画面の行き来と報告書の出力が多かった。

9万2000人の社員や管理職が知りたい答えにたどり着くまで手間がかかった。

1. Oracle Fusion Cloud HCMへ入れ替えた
2. Oracle AI for HCMとAI Agent Studioを重ねる
3. 5つの事業部門で試してからエージェントを3体公開した
4. 休職の手順とリンクと書式はエージェントに聞いて出す
5. 目標はAI Assistが下書きを作り社員と上司が直す

社員1人あたりの目標の数が前の年より増えて入力の時期も早まった。

SMART形式で書かれた目標が増え手直しにかける時間が減った。

Valvoline Instant Oil Changeの店を年に30店ずつ増やす計画があり、応募者が一気に増えていた。

採用担当が1,000人を超える応募者へ一人ずつ携帯メールを送り、条件に合うかを聞いていたので手が回らなくなっていた。

1. EightfoldのAI Interviewerを応募の入口に置いた
2. 応募が入るとAIがその場で面談を始める
3. 採用担当が決めておいた条件の質問をAIが投げる
4. 担当者は点数の付いた結果を見て次に進む人を決めた
5. 評価の物差しを全員同じにして偏りの点検も通した

初回の面談までの期間が最大90%縮み、3〜4週間かかっていた流れが数日で回るようになった。

採用担当の数千時間ぶんの作業が減り、人を増やさずに店舗を広げられた。

数千に及ぶ警備の職を人手の選考でさばいており、急ぎたい時期ほど選考が詰まっていた。

防衛の分野で求められる記録の厳しさも崩せなかった。

1. Eightfold AI Interviewerを選考の初めの段階に入れた
2. 応募者へ面接の案内とリマインダーを自動で届ける
3. AIの評価をスコアと要約と書き起こしにまとめて渡す
4. リクルーターが中身を見て先へ進める人を決める
5. 評価の基準を全職種と全地域でそろえ偏りの検査も続ける

電話での追いかけや手書きのメモ、留守電の折り返しが要らなくなった。

評価にかかる期間が短くなり、有力な候補者へすぐ力を向けられるようになった。

店頭で働く人に応募してもらうのにログインを作らせて長い入力フォームを書かせていた。

途中でやめる人が多く採用担当も事務作業に追われて人を見極める時間が取れなかった。

1. 採用サイトとQRコードからAIエージェントを24時間動かした。
2. ログインとフォームをやめてチャットだけで応募を終える形にした。
3. 希望と勤務地から合う求人を示して面接候補日を送る。
4. 内定後の本人確認や書類送付もエージェントが進める。
5. 滞留時間と通過率を見て自動化するか人が出るか決める。

長くかかっていた入社前の手続きが数日で終わるようになり金曜の夜に内定を受けた人もそのまま進められるようになった。

採用担当は事務作業から離れて候補者との対話に時間を使えるようになった。

支店長が日々の運営と兼任で採用を担っていて、履歴書の確認や面接日程の電話が後回しになっていた。

年に11万5千件の応募が届くうえ、工程ごとに別のベンダーを使っていて費用もかさんでいた。

1. 採用サイトにWorkday Paradoxの会話型ATSを入れた
2. 求人に興味を示した人にAIエージェントがチャットで答える
3. AIが文字のやり取りで応募条件を満たすかを確かめる
4. 支店長のカレンダーを見て面接の候補時間を出す
5. 内定の連絡と入社手続きもAIが進めた

1人あたりの採用コストが40%下がり採用1人につき55ドルを節約できた。

導入して最初の1年で調達費用が28%減り年に11万ドル以上の削減になった。

7つの市場で人事のシステムが分かれており、17,000人の社員の情報を一つの形で見られなかった。

人事の処理も国ごとにばらばらだった。

1. まずWorkday Human Capital Managementを入れる
2. 各国に散らばった人事の処理と情報を一つに寄せた
3. Skills Cloudを入れ社員が自分のスキルを登録できるようにした
4. AIが似た職種のプロフィールと比べ伸ばせるスキルと学ぶ中身を出す
5. 採用担当が登録されたスキルで社内の候補者と空きポストを結び付ける

会社全体でスキルが見えるようになり、場所に関係なく合う人と役割を結び付けられるようになった。

上司と部下のキャリアの話も中身のあるものになった。

福利厚生をめぐる同じような質問が従業員から人事へ集まり、返信に時間を取られていた。

営業時間の外では答えが返らず従業員は待つしかなかった。

1. 答えにくい保険の質問を20問そろえた
2. 同じ条件でいくつかのAIに解かせて答えを比べた
3. 12問に正しく答えたClaudeを土台に選んだ
4. 契約ごとの保障の内容を読ませて従業員へ直接返した
5. デリケートな相談も人事を通さず完結させた

人事は年に1か月分の時間を取り戻した。

アシスタントは年に数十万件の問い合わせを受け、従業員は24時間いつでも答えを得られる。

応募者がAIで履歴書を大量に作れるようになり企業は書類だけで本当の力を見分けられなくなっていた。

見栄えの良い経歴の裏にある実力が読み取れないまま選考が進んでいた。

1. 実際の仕事に近い場面を再現した対話型の課題を候補者に解かせる
2. 課題を配信する仕組みと採点する仕組みの二つに分けた
3. Claudeが候補者の操作や答え方から職務ごとの習熟度を点数にする
4. 複数のモデルを組み合わせる作りにし追加学習を不要にした
5. 企業は点数を見て実際にできることで候補者を選ぶ

履歴書中心の選考に比べ正社員の採用につながる確率が10倍になった。

採用にかかる期間は平均で50%短くなり採用の総費用は70%下がった。

人気のある求人には800人を超える応募が集まり、そのうち中身のある応募は1割ほどだった。

採用担当は数が多すぎて一人ひとりと話す時間を取れなかった。

1. Amazon Bedrock経由でClaudeを自社の採用基盤に組み込んだ
2. 企業が入れた条件をもとにClaudeが募集文を作る
3. AIリクルーターのAIRが一次面接を受け持つ
4. 30分や60分のやり取りを20万トークンの文脈に収める
5. 動きの見張りと不具合の切り分けにCloudWatchを使う

求人票の生成機能は取引先の50%が使い、その求人では応募者が25%増えた。

一次選考は全てAIが受け持ち、結果が数週間から数分で出るようになって、これまでに15万ドル以上を節約した。