人事・採用のAI活用事例

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。

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。

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。

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。

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。

採用担当が応募者の質問に一件ずつ自分で答え、つながっていない複数のシステムを行き来していた。

応募の手続きも長く途中でやめる人が多かった。

1. 候補者体験エージェントを入れCoryという名前のAIにした
2. AIが24時間応募者とやり取りして条件に合うか確かめる
3. 会社の雰囲気が分かる情報も応募者へ送る
4. ショートメッセージから応募できる導線を作った
5. 店長は日程決めを離れ応募者と向き合う時間に回した

応募を終えるまでにかかる時間が大きく短くなった。

応募から先へ進む割合も上がった。

社員の書類を人手で探して分類していたため時間がかかりミスも起きやすかった。

同じ作業の繰り返しが担当チームの負担になっていた。

1. ロボットが対象のファイルを自動で集める
2. OCRで中身を読み取りAIが書類の種類ごとに分ける
3. 意味のまとまりに束ねて担当者へ回す
4. 人が中身を確かめて承認する
5. 読み取れない日付は人が入れる形にした

従来のやり方と比べて処理時間が60%減った。

今は49人の人事担当者が毎日この仕組みを使っている。

採用の流れが20を超える工程に分かれ、面接の日程調整や急な変更に採用担当の時間が取られていた。

履歴書と募集要件の突き合わせも手作業で事業の速さに追いつけなかった。

1. 候補者対応エージェントを入れ選考の絞り込みを自動にした
2. エージェントが候補者に合う求人を案内する
3. 募集要件を満たすかの確認もエージェントが行う
4. 候補者と採用責任者の空き状況を見ながら面接日程を組む
5. リマインドの通知を送って当日の欠席を減らす

採用にかかる期間が75%短くなり、事務的な作業は5,000時間分減った。

面接の日程確定は最短9秒で、日程の組み直しの割合は19%から10%に下がった。

採用担当が電話面談や面接の日程を全部手作業で押さえていた。

予定を1つ入れるだけで何日もかかり採用の動きが遅れていた。

1. Paradoxの候補者対応エージェントに日程調整を任せた
2. 候補者を通すと空き時間をショートメッセージで送る形にした
3. 候補者が時間を選ぶとOutlookに仮予約が入るようにした
4. 日程の変更もエージェントとのやり取りだけで済ませた
5. 後半の面接は会議室やURLを人が入れて以降を引き継がせた

日程が決まるまでの時間が大きく縮まり、面接までの待ち時間も短くなった。

採用担当と調整役の手作業が減り、候補者と向き合う時間が増えた。

キャリア採用を担当者1人で書類選考から入社後のフォローまで担っており、年間約800件の書類に追われていた。

選考の判断は現場の要件定義書だけが頼りで、基準が一人の頭の中に閉じていた。

1. 募集ポジションを登録し評価項目ごとの重み付けを決めた
2. この設定の場で現場と選考基準をすり合わせた
3. 履歴書と職務経歴書をAIに読ませ一次評価を出す
4. 評価レポートを現場に共有し根拠を示して話し合う
5. 面接は自動文字起こしをAIが要約し良い点と気になる点を出す

年間800件を1人で見ていた書類選考の手間が大きく減った。

現場と同じ一次評価を見て話せるようになり、重視する点の認識がそろった。

面接中の議事録作成から解放され候補者との会話に集中できるようになった。

新卒採用のスカウトに割ける時間が足りず、定型文を一斉に送るしかなかった。

月200通送っても返信が1件もない状態が続いていた。

1. AIスカウトのRecUpを導入する
2. 候補者一人ひとりのプロフィールをAIに読ませる
3. その内容をもとに個別のスカウト文面を自動で作り送信まで任せる
4. 採用担当者はターゲット条件を広げる調整に回る
5. 提供元の専任担当と運用の組み立てを進める

導入した初月に20件の反響が生まれ、承認数とアプローチ数がどちらも伸びた。

面接では学生から文面への反応も聞けた。

季節ごとに6〜8週間で最大100人のコーチを集める必要があった。

手作業が多く面接の日程を決めるだけで2週間かかり候補者を見極める時間が残らなかった。

1. 会話型のATSを採用の入り口に置いた
2. 24時間動くAIがショートメッセージで応募を受け付ける
3. 質問への回答と面接の日程調整もAIに任せた
4. 選考の質問に加えてコーチの一日を映した動画を送る
5. AIが集めた候補者の情報を読んでから人が電話面接する

水曜に使い始めて金曜には採用担当の予定表が15-20件の面接で埋まった。

事務作業が自動で片づき採用までの期間も縮んだ。

採用担当が1人で他の業務も兼ねており、スカウトを送れる数に限りがあった。

年間の承認は約90件で止まり、営業職の採用が伸び悩んでいた。

1. スカウト支援サービスRecUpを導入する
2. 求人媒体の選定と候補者の絞り込みを任せる
3. AIが人物像に合うスカウト文を作り自動送信する
4. 求職者からの初回連絡対応も自動で進める
5. 専任担当が送信先と文面を見て中身を直す

導入から2か月で90件の承認を得た。

承認率と面接の参加率も上がり、担当者はスカウト送信から解放された。

採用の手段が知人紹介にかたより、候補者を安定して集める形ができていなかった。

専門性が高いAIエンジニアの見極めにも手間がかかっていた。

1. AI人材が多く登録する採用プラットフォームOffersを導入する
2. 狙う人材層へ届く形を先に決める
3. スカウト文面と返信文をAIに下書きさせ担当者が整えて送る
4. スキル一覧を見て選考初期のふるい分けを早める
5. スキルと向き合い方と価値観の3つで評価し価値観を最も重く置く

使い始めて3ヶ月のうちにPM職1名の入社が固まり、半年のあいだに約45名と面談できた。

選考の初期にかかる手間も大きく減った。

2社の統合で従業員3,290名の会社になり採用基準の違いや評価のばらつきが表に出てきた。

新卒は短い期間に大量の応募を見る必要があり選考の工数が重かった。

1. 二次面接と最終面接の評価データをAIへ渡した。
2. 約1年分で数千件の評価と高評価の例を添えた。
3. 約1か月で30回ほどやり取りし採点を調整した。
4. 相槌への高い点は対象外だと戻して基準を直した。
5. 初期の評価はAIに任せ二次面接から先は人が担当した。

調整を重ねてAI評価の納得感は100点満点で80点ほどまで上がり選考の精査に使えるようになった。

社内の採用基準を細かく言葉にして整理し直すきっかけにもなった。

2社統合で3,290名規模になり新卒採用の応募も多く、面接官ごとに評価の見方が分かれて判断が人に寄っていた。

書類選考やグループワークの対応に人事の手が取られ、選考が詰まっていた。

1. AIエージェントをグループワークに同席させる
2. 学生の発言と議論の流れをAIに解析させる
3. 評価データを社内のATSにつなぎ候補者情報と結び付ける
4. 人事の同席をやめAIの材料を確認する役に回る
5. 合否の最終判断は必ず人が下す運用にする

同時に見られる人数が約30名から約200名に増え、処理能力は約7倍になった。

評価にかかる時間は年間約120時間から約20時間へ減った。

機密性の高いヒアリング録音を手打ちで書き起こしており、1時間の音声に3時間以上かかっていた。

案件が重なると外部業者への高額な依頼か、人事課6名での残業対応しか選べなかった。

1. 対面ヒアリングや委員会をICレコーダーで録音する
2. 音声ファイルをRimo Voiceに上げて話者分離する
3. AI要約で全体像をまとめさせる
4. 文字起こしと要約を画面で確かめWord形式で落とす
5. フォルダごとにアクセス権を分けて共有する

文字起こし前後の作業時間が50%以上減った。

3件の特別案件が同時に進むなかでも事務局担当1人で記録と共有をやり切れた。

世界の採用チームが面接の日程調整と組み直しに毎月8,000時間を超える時間を取られていた。

候補者への電話や伝言で手が埋まり、採用の中身を考える時間が残らなかった。

1. 採用担当が応募者管理システムで手続きを始める
2. AIエージェントが候補者へ面接の候補時間をテキストで送る
3. 担当者のカレンダーと同期して空き時間を最新に保つ
4. 候補者が時間を選ぶと仮予約を入れて担当者へ知らせた
5. 日程変更のテキストを受け取り数分で組み直す

日程調整に使っていた8,000時間はゼロになり年間300万ドル超を削減した。

ネットプロモータースコアは5ポイント以上上がった。

店長が応募書類を見て自分で電話をかけ面接の日程を組んでいた。

候補者と電話がつながらず採用まで13日かかり、店は人手が足りない状態が続いていた。

1. Workday Paradoxを入れ日程調整をAIエージェントに任せた
2. 店長の空き時間をもとに面接できる時間をSMSで送る
3. 候補者が時間を選ぶと予定を押さえて店長へ知らせる
4. 会話型のATSで求人の開始や終了をスマホから操作できるようにした
5. 応募の受付から入社手続きまで任せ採否は店長が判断する

採用までの日数は13日から4日へ短くなり、店の人員が埋まるようになった。

採用の流れの9割以上がSamで自動になった。

1,800を超える店の店長が店の運営と採用を兼ねていて採用に手が回らなかった。

候補者への電話やメッセージを手作業で送るうちに応募者が離れていた。

1. 直営の5%の店で試したあと全店へ広げた
2. 採用サイトのウィジェットかQRコードから応対させる
3. 合う求人を示しチャットで応募まで案内する
4. 免許の有無や勤務できる店舗を一次質問で送る
5. 店長のカレンダーとつなぎ空き時間に電話面接を入れる

数時間かかっていた電話面接の設定が短い時間で終わるようになった。

候補者が増えた分だけ店長は人柄や伸びしろを見て選べるようになった。

175店舗を超える全店の採用を実質1人で回していて選考や面接の日程調整に追われていた。

返事が遅く候補者が次々に抜けてしまい求人広告を増やしても割に合わなかった。

1. Conversational ATSを入れAIエージェントを候補者の窓口にした
2. AIエージェントが24時間いつでも候補者の質問に答える
3. 一次の選考質問と面接の日程調整をショートメッセージで自動で進める
4. 採用担当と店長は事務作業から離れ候補者と向き合う時間に回した

面接の無断キャンセルが30%減った。

Indeedへの支払いは月65,000ドルから月6,000ドルになり応募は月42,000人まで増えて年間840,000ドルの削減になった。

全国の事業部がそれぞれ一次面接を担当していたため、面接官によって見る視点や評価の深さが違っていた。

夜の時間帯を希望する候補者への対応や複数求人の同時進行で、日程調整に大きな手間がかかっていた。

1. 新卒と中途の一次面接をAI面接サービスに任せる
2. 求人ごとに評価基準と質問の設計を細かく作り込む
3. 候補者は事前登録なしで夜間や土日に受検する
4. 終了後に録画と議事録と評価レポートを自動でまとめる
5. 人事はレポートと動画を見て次の選考に進む人を決める

短期間で多くの人を採る時期に本格的に使い、中高年層の候補者でも受検の完了率が高いまま保てた。

人事が初回面接にかける手間は大きく減り、AI面接を通じた採用も複数生まれて選考のスピードが上がった。

20か所を超える施設で毎年数百人を採る必要があるのに選考と面接調整を採用担当が手作業でこなしていた。

留守電にも返事が来ず応募者は先に反応した他社へ流れていた。

1. 求人を開くボタンを押すとAI担当が動き出す
2. 応募者はQRコードか採用サイトの窓口からSMSで会話を始める
3. AIが短いやり取りで応募条件を満たすか確かめた
4. 条件に合う人へ採用担当の空き時間から候補時間を送る
5. 日程の組み直しや内定通知の送付も自動でこなす

面接の設定数は1年で423%増え現場職の採用までにかかる日数も大きく縮んだ。

採用広告の予算は年70万ドル減った。

面接の日程を決めるまでに時間がかかりすぎていた。

小売や販売から移ってくる良い人材は早く決まる他社へ流れてしまっていた。

1. 求人サイトにOliviaのチャット枠を置いた
2. Oliviaが短いやり取りで最低限の条件を確かめる
3. 条件を満たした人へ短い適性テストのリンクを送る
4. 担当のカレンダーと突き合わせて面接の枠を押さえる
5. 求人サイトを仕事の中身がすぐ分かる作りに変えた

面接の日程を決めるまでの時間が大きく縮まった。

応募から採用まで数週間ではなく数日で進むようになった。

採用担当が2名しかおらず手作業のスカウト送付が限界に達していた。

声をかけきれない候補者が出て、会えたはずの人を逃していた。

1. AIスカウトのScout Baseに自社の採用要件を覚えさせる
2. 候補者の絞り込みとスカウト文の作成をAIに任せる
3. Slackのスレッドで挙がった候補者を採用部門と相談する
4. 相談のうえで送付を指示し文面はほぼ手直ししない
5. AIに返したフィードバックを社内のノウハウとして貯める

使い始めて1ヶ月で、カスタマーサクセスの職種について挙がってくる人材の合い方が目に見えてよくなった。

スカウトだけで一日つぶれていた状態から抜け出し、担当者は候補者との対話に時間を回せるようになった。

現場のベテランが忙しく若手を指導する時間が取れなかった。

新入社員も手が空かない先輩には質問しづらく、教育が滞っていた。

1. 入社後2カ月のIT研修でExcelの疑問をまずAIに聞く形に変える
2. 誰が答えても同じ基礎的な質問はAIに任せる
3. 実践的な教え方や社風の伝達は社員が担当する
4. 商談の録音をテキストにしてAIに読ませ次の動きを決める
5. 月1回の会議で使い方を共有しテンプレートを整える

従来20〜25時間ほどかけていた基礎スキル講習をAIが肩代わりし、新入社員研修の工数を約25％削減できたという。

AIを共通の話題にベテランと若手の会話も増えた。

エンジニア採用で母集団を広げたいが、候補者を探す作業に時間がかかり、スカウト送付が月40〜45通で頭打ちになっていた。

採用代行は月40万円ほどの費用と情報の受け渡しの手間が重く、見送っていた。

1. Scout Baseに自社の採用要件を覚えさせる
2. 条件に合う候補者をAIに選ばせる
3. 候補者の確認と送付指示をSlack上で行う
4. 送るかどうかは採用担当が自分で決める
5. 担当者はスカウト文の書き分けに時間を回す

スカウト送付数は月40〜45通から78通へ増え、約1.5倍になった。

転職の意思がまだ固まっていない層にも声をかけられるようになった。

新入社員が生成AIをなんとなく触るだけで、体系立てた知識がなかった。

AIの理解度に差があり、日々の仕事で使う場面も広がっていなかった。

1. 生成AIの基礎と建設業での使い道を小グループで学ぶ第一部を開く
2. 第二部で社内のRimo Voiceを操作しAI議事録と情報の扱い方を確かめる
3. 第三部でプロンプトを書きAIに議事録を作らせる実習を行う
4. マークダウン記法で見やすく出力する指示を身につける
5. 毎回アンケートを取り要望をもとに次回の内容を直す

参加した延べ24名の満足度は10点満点で平均9点台になった。

発展編への参加希望が相次ぎ、来年度以降も続ける予定になった。

採用を強めているのに社内の編集者は1人しかいなかった。

インタビュー記事は取材から公開まで平均3週間かかり、今後増える記事の制作が回らなくなる見通しだった。

1. 採用インタビューの音声をStoryHubに読み込ませる
2. 記事生成の機能で初稿を作らせる
3. 翌日に上がった初稿に編集者が手を入れて社内確認に回す
4. Podcastの音声は書き起こし機能でテキストにする
5. 役員の登壇動画のリスク確認にも使い見直し時間を減らす

記事の公開までの期間が3週間から1週間程度になった。

動画レビューにかかる時間も減っている。

世界中に社員がいて人事の事務作業が重かった。

社内の適任者を探すのも手作業の検索や一部の管理職の推薦に頼っていた。

1. 人のデータをWorkdayへ一本化し財務や後続のシステムとつないだ
2. 生成AIに職務記述書と求人の文面を作らせる
3. 数秒で出てきた案を人事が確かめる
4. 全社員のスキルと経験と評価のデータを読ませて候補を挙げさせた
5. 入力の誤りや高すぎる給与の提案をAIが指摘する

求人の文面は数秒で用意できるようになった。

手作業の検索に頼らず、広い組織の中から役割に合う人を選べるようになった。

応募者が増えるほど問題作成と採点の負担が重くなっていた。

公平さの確保や短い期間での集計も難しかった。

1. ChatGPTとAWS Bedrockで試験問題を自動で作る仕組みを開発した
2. 受験をオンラインにして会場でも自宅でも受けられるようにした
3. 採点と結果レポートの出力まで同じ仕組みで完結させた
4. 2025年9月のミャンマーIT就職フェアで応募者に受けてもらった

延べ400名が一斉に受験しても止まらずに運営できた。

問題作成の手間は大きく減り、採点と結果の集計はその場で終わるようになった。

職員が500名を超えて救急の受入も5年で倍増し現場と事務の両方で負担が限界に近づいていた。

人事の3名が500名以上の労務管理をしながら給与や制度の質問にも答えており現場でも新人からの質問が業務を止めていた。

1. 部門横断の小委員会の案をもとにHelpfeelを入れた
2. まず就業規則を記事にしたが使われなかった
3. 職員アンケートで必要な情報を聞き直した
4. 感染症の対応ガイドラインや看護手順を足した
5. 社内チャットで操作方法を定期的に配信した

導入から約1年後のアンケートでは87%が存在を知っており75%が使いやすいと答えた。

人事部門の残業は2024年度に昨対比で年間約60時間減り離職率も前年比2.7%改善した。

人事担当が約2年ごとに入れ替わる体制で引き継ぎと新任者の育成に毎回大きな手間がかかっていた。

ノウハウが溜まらず面接官ごとに面接の質がばらついていた。

1. 面接のカレンダーに共通アカウントをゲストで足した
2. ACES Meetが自動で入って録画する
3. 録画と文字起こしと要約を1つの画面にまとめた
4. 要約はプロンプトで見たい観点を指定して取り出す
5. 迷う面接は関係者で見て意見を出し合う

使い始めて2ヶ月の時点で承諾率が全体で約2%上がった。

カジュアル面談でもメモ取りを気にせず会話へ集中できるようになった。

コロナ禍で対面だった採用面接が一気にオンラインに変わり他の面接官の様子が見えなくなった。

対話の質が面接官の経験の差に左右されていないか確かめられなかった。

1. 新卒採用の面接をaileadで録画して残す
2. 互いの録画を見て良かった場面にコメントを入れる
3. 集まってコメントと録画を並べて振り返る
4. 非同期でもコメントを読み返す
5. うまくいった面接はリンク共有で丸ごと渡し教材にする

録画を見返す習慣がチームに根づき自分の面接の癖に気づけるようになった。

良い面接の録画から共通する進め方を見つけ構造化面接の手法を一部取り入れられた。

世界中で社員が増えHRの手続きが地域や部門ごとにばらばらになっていた。

担当者の受け渡しで回答が遅れ人手の定型作業が現場を圧迫していた。

1. 社内の問い合わせ窓口AskHRにwatsonx Orchestrateを組み込む
2. 社員が書いた質問をLLMが分類し担当の領域へ振り分ける
3. そのうえで回答を作るか手続きそのものを動かす
4. WorkdayやSAPやConcurとつなぎ休暇申請や在職証明の発行まで自動で処理する
5. 込み入った相談は人のアドバイザーが引き取る

過去4年でHR部門の運用コストが40%減った。

よくある質問の94%をAIだけで完結させ2016年と比べて問い合わせチケットは75%減った。

ドイツの決まりに合わせて毎週500件ほどの病欠証明書を人事が手で処理していた。

1件あたり7分ほどかかり書類の写りが悪いと読み取りに苦労した。

1. スキャンしたPDFや画像をOCRにかけて機械が読める形にした。
2. 病欠証明書かどうかを分類し氏名や住所や休みの期間を取り出した。
3. 抽出は200件を超える書類を学ばせたドイツ語向けモデルが担う。
4. 確信度が低いものは担当者へ回して直すか差し戻す。
5. ロボットがSAPへ登録して結果の報告を送る。

書類の50%は人が触らずに処理できるようになり読み取りの精度は約95%になった。

残りの確認も1〜2分で済むようになり人事は後回しにしていた仕事に手を回せるようになった。

新しい人が入るたびに教育資料の用意や説明に時間がかかっていた。

教える側の負担が重く、説明する人によって内容がばらつくことも課題だった。

1. 社内ルールや業務フローなどテーマ別に資料をまとめる
2. PowerPointやPDFをAI Shortsに読み込ませる
3. ナレーション付きの話す資料を自動で作る
4. ナレーションを用途に合わせて手で直す
5. 社内ポータルに置き社員が繰り返し見られるようにする

2025年8月から全社で使い始め、OJT担当者が説明する手間を減らし教育の内容をそろえることを狙う。

今後は他の部門にも広げる考え。

代表が営業も採用も経理も一人で抱え、面談や商談の記録をどこに残したか分からなくなっていた。

2回目の面接で同じ質問を繰り返し候補者の信頼を損ねる心配もあった。

1. 無料のお試しから始めてACES Meetを本格的に入れた
2. 面接の録画を上げて文字起こしと要約を自動で進めた
3. スキルや転職理由を抜き出すプロンプトを先に設定した
4. スキル抽出のプロンプトはサポート担当のものを使った
5. 要約と動画のリンクを関係者へ渡して共有を終えた

議事録づくりのやり取りにかかる負担が感覚で7〜8割減った。

録画の確認から記録の整理までおよそ1営業日かかっていたものがほぼ即時になり、約8時間のリードタイム短縮につながった。

新卒のエントリー数が増えて1次のグループディスカッションに選考官を割り当てる日程調整が難しくなっていた。

希望者に選考枠を出せず候補者の体験にも響いていた。

1. ブレイクアウトルームごとの録画をaileadに残した
2. 選考官は同席せず後から録画を見て評価した
3. 倍速再生と発話の解析で確認の時間を短くした
4. 話者を分けたデータと発話率で評価の軸をそろえた
5. 発話率の分析は要望を出し担当と一緒に作った

選考官の割り当てと調整の手間が減り選考枠を前年比150%に広げた。

1次で見極められるようになり2次以降の合格率も上がった。

事業が急に伸びる一方で中途採用の母集団づくりが追いつかなかった。

採用の難しいポジションほど候補者が集まらなかった。

1. 採用支援AIエージェント「採用きまるくん」を導入した
2. HR経験者への聞き取りで求人ごとの専属エージェントを組み立てた
3. 求人票の条件から媒体でマッチ度の高い候補者を自動抽出する
4. 候補者ごとに理由を入れた1対1のスカウト文をAIが書く
5. 書類選考や日程調整やデータ更新もエージェントに任せた

使い始めて1.5ヶ月のうちに、集めるのが難しいとされたPM職で2名へオファーを出せた。

技術系を含む他の枠でも候補者が安定して集まるようになった。