改善のサイクルを回す！AIと人間の評価で「良い求人」を常に更新

現代の採用市場は、日々変化し続けています。求人情報はオンライン上に溢れかえり、求職者はその膨大な情報の中から、本当に自分に合った仕事を見つけることに多大な労力を費やしています。企業側もまた、多くの競合の中から自社の求人を見つけ出してもらい、応募へと繋げるために、様々な工夫が求められています。

特に、大規模言語モデル（LLM）に代表されるAI技術の進化は、求人票作成の効率化に大きな可能性をもたらしています。しかし、一度AIに求人票を作成させればそれで終わり、というわけではありません。本当に「刺さる」求人票は、作成後も常に改善のサイクルを回し、鮮度を保ち続ける必要があるのです。

この記事では、AIと人間がどのように協働することで、求人票を常に「良い状態」に保ち、採用活動を成功へと導けるのかについて、具体的なヒントと共にご紹介します。

「良い求人」は一度作って終わりではない

「良い求人票」とは、単に情報が整理されているだけではありません。最も重要なのは、求職者がその仕事や会社に入った後の自分を「イメージしやすい」ものになっているか、という点です。そのためには、単に業務内容を箇条書きで羅列するのではなく、詳細な「肉付け」が不可欠です。例えば、現在進行中のプロジェクトの背景や難しさ、やりがい、企業の現在のフェーズや、なぜこのポジションが必要なのかといった戦略的な背景を具体的に記載することが重要です。

抽象的な表現の求人票は、多くの求人情報の中に埋もれてしまい、求職者はその仕事内容を具体的にイメージできません。特に経験豊富な求職者にとっては、「結局自分に関連するのか分からない」と感じさせてしまう可能性さえあります。現代の求職者は、求人情報に触れる機会が多く、抽象的な情報では違いが分からず選べないため、既存の求人票から2〜3歩先まで踏み込んだ具体的な情報を記載することが、埋もれないための重要な戦略となります。

そして、このような具体的な情報を最も深く理解し、提供できるのは、他ならぬ「現場の担当者」です。人事が求人票を作成する場合、どうしても一般的な、抽象的な表現になりがちですが、実際にその業務に日々携わっている現場のメンバーこそが、その仕事のリアルな課題や面白さ、社内の具体的な状況を肌で感じています。また、魅力的な求人を作成するためには、どのような人物が欲しいのかという「採用ペルソナ」を明確に定めることも非常に重要です。ペルソナによって響く魅力ポイントは異なるため、それぞれに合わせた具体的な記載が求められます。

求人票が一度作成されたとしても、市場や会社の状況、求める人材像は常に変化します。そのため、一度「良い求人」を作成したとしても、それをそのまま放置するのではなく、**常にブラッシュアップし、改善し続ける必要があるのです。**入社後の「思っていたのと違う」というミスマッチを防ぐためにも、具体的な情報は不可欠であり、これは一度書けば終わりではない、継続的な取り組みとなります。

LLMの成果物に対する「評価のフレームワーク」

「現場の担当者が最も具体的な情報を持っていることは理解できた。でも、現場のメンバーは求人票の書き方を知らないし、慣れていない。これは多くの企業が直面する課題ではないでしょうか。ゼロから魅力的な求人票を作成するのは、採用のプロにとっても時間と労力がかかる作業です。

最近ではLLM（大規模言語モデル）を使って求人票を作成するケースも増えてきましたが、LLMは与えられた情報以上の「深掘り」や、ゼロから「思考のフレームワークを構築する」ことには限界があります。例えば、LLMに「バックエンドエンジニアの求人票を作成してください」と指示しても、返ってくるのは一般的に通用する抽象的な求人票になりがちで、結局人事担当者が大幅に修正することになり、現場が求人を作成する意味が薄れてしまうケースも起こりえます. LLMは、情報生成は得意でも、その情報の「深さ」や「質」を判断したり、求人作成のための「良いフレームワーク」を自ら定義したりすることは苦手なのです。

そこで重要になるのが、「良い求人を作成するためのフレームワーク」です。このフレームワークは、人間がLLMに与える必要があります。例えば、HirePlusのようなツールでは、このフレームワークをあらかじめ提供することで、現場の担当者が求人作成に慣れていなくても、質の高い求人票を作成できるようサポートします。

このフレームワークは、求人票の質を測るための具体的な評価軸を含みます。例えば、以下の4つの観点で評価されます。

• 企業情報の具体性: 企業のフェーズ、ビジネス内容、このポジションが必要な戦略的背景など、求職者が納得できるような情報が具体的に記載されているか。

• 業務内容のイメージのしやすさ: 単なる業務内容の羅列ではなく、現在のプロジェクトの背景や難しさ、やりがいなどが「肉付け」され、求職者が働くイメージを持てるか。

• 魅力ポイントのペルソナ適合性: 採用ペルソナにとって本当に魅力的に映る具体的な情報（制度や実績など）が記載されているか。

• テキストの情報網羅性と簡潔性: 求人テキストが情報量が多く、かつ簡潔にまとめられているか。

LLMで生成された成果物を評価するフレームワークも非常に重要です。人間がChatGPTなどで作成した求人票を「良さそうだからこれでいこう」と判断しがちですが、システム的に良い成果物を作るためには、評価の仕組みを組み込むことが不可欠です。これは、LLMが最初の指示から逸脱して突っ走ってしまう可能性があるため、軌道修正のためにも評価が必要だからです。評価の際には、「具体的に書かれているか」を測るための具体的な基準（例：100点、50点、0点の場合の記載レベル）を定義することで、より客観的な評価が可能になります。

AIが示し、人が深掘りする「協調学習」

LLMの強みは、その情報生成能力と効率性にあります。しかし、その「質」を担保し、さらに向上させるためには、人間の洞察力と評価が不可欠です。この両者が協働することで、求人票の質を継続的に高める「協調学習」のサイクルが生まれます。

HirePlusのようなツールは、まさにこのサイクルを効率的に回すことを可能にします。まず、LLMが提供されたフレームワークに基づいて求人票を生成します。次に、その生成された求人票は、前述の評価フレームワークに沿って採点されます。もし特定の評価項目で点数が低いと判断されれば、システムはその項目についてさらに具体的な情報を質問してきます。それに対し、人間が詳細な情報を提供することで、LLMはその情報を元に求人票を改善し、質が段階的に向上していくのです。

このように、「AIが生成し、人間が評価・深掘りし、AIがさらに改善する」というサイクルを回すことで、効率的かつ質の高い求人票作成が実現します。LLMは情報生成と改善の効率化を担いますが、最終的な判断や、求職者の感情や文脈を深く理解する「多次元的なセンサー」としての機能は、依然として人間に求められます。AI技術がどんなに進歩しても、人間が持つ多次元的なセンサーとしての機能は容易には代替できません。人間社会は人間を中心に最適化されているため、人間がセンサーとしての最適解であり続けるのです。

LLMを活用する上では、論理的な思考に縛られず、自由に発想し、多くの情報を出すことが重要になります。人間が持つ「探索的に話す力」や「解釈する力」を最大限に活用し、そこから得られた情報をLLMにまとめることで、効率的なアウトプットが可能になります。

AIは、現場の知見という「原石」を磨き上げ、求職者に「伝わる」魅力的な求人票へと変貌させる強力なツールとなり得ます。これからの採用活動は、AIと人間が協働することで、画一的ではない、本当に求職者に響く質の高い求人票を生み出し、改善のサイクルを回しながら「良い求人」を常に更新していくことで、より質の高いマッチングを実現していくことになるでしょう。