部署別AI活用：人事編

人事は 個人の人生に直接影響する判断 を扱うため、AI（Artificial Intelligence） 活用には特別な注意が必要です。一方で、書類の量と質の両立に追われる 部署でもあるため、LLM（Large Language Model） による下書き・要約・整理は強力な助けになります。本記事では「AI が下書き、人が決定」を貫く活用パターンを、PII（Personally Identifiable Information） と ハルシネーション・採用バイアス問題に十分配慮しつつ整理します。

AIに任せられる人事業務 6 選

今日から使えるプロンプト 3 つ

プロンプト 1: 求人票の文案

当社 (BtoB SaaS、従業員 50 名、社風 [自由 / フラット / 学習文化]) で、データエンジニア (中途、経験 3-5 年想定) を 1 名採用したい。
主な業務:- BigQuery + dbt のデータパイプライン保守- 経営層向けダッシュボード新規開発- 営業 / マーケ部門との分析要件すり合わせ
応募者に響く求人票文案を 3 パターン作ってください。それぞれに「強み」と「採用ターゲット層」のメモを添えてください。**性別・年齢に関する暗黙の条件 (例: 体力ある若手歓迎)** が混入しないよう注意。

プロンプト 2: 1on1 メモのトピック抽出

以下は 1on1 の文字起こしです (40 分)。以下の形式でまとめてください:
1. 主なトピック (3-5 個)2. メンバーの困りごと3. メンバーの成長にプラスだった話題4. 次回 1on1 までのアクション (本人 / マネージャ別)5. その他、上長やマネージャに共有すべき内容
機微な表現はそのまま残し、要約しすぎないでください。
[文字起こしテキスト]

プロンプト 3: パルスサーベイ自由記述の分類

以下は社員 200 名のパルスサーベイ自由記述コメントです。テーマ別に分類し、各テーマで以下を出力してください:
- テーマ名- 該当コメント数- 代表的なコメント 3 つ (個人特定できる情報は伏せる)- ポジティブ / ネガティブ / ニュートラルの内訳
主観的な評価ではなく、コメントの内容のみから機械的に分類してください。
[CSV をペースト]

絶対にやってはいけないこと

• 性別・年齢・人種を入力に使うこと: たとえ「中立に判断するため」と言っても、過去データの偏りを増幅
• 個人を特定できる機微情報を社外 LLM に渡す: 健康情報・家族構成・心身の状態などは社内 LLM か明確な同意 + 匿名化
• 評価 / 給与決定の自動化: 主観 + 個別事情を AI に丸投げしない
• 音声・映像からの感情判定: 学術的にも信頼性が低く、差別になりやすい

落とし穴：AI が「過去の偏り」を再生産する

AI は学習データに含まれる偏りを再生産します。「過去 10 年の採用データから優秀者を予測」させると、過去の偏った採用パターン（たとえば特定大学・性別比）を強化してしまう。AI を採用補助に使うときは、偏りを定期チェック（候補者属性の分布、書類サマリの言葉遣い）。監査ログを残すことで、後から検証できるようにしておく。

始めるなら：低リスク領域から

1. 11on1 の文字起こし整理: AI 出力 → 本人とマネージャで確認、改善ループ
2. 2社内通達の易しい表現化: 受け取り側の理解度向上、副作用リスクが低い
3. 3求人票の文案下書き: 最終文言は人が決める前提で時短
4. 4(将来) 候補者書類の一次整理: ガイドラインを整えてから少人数試験運用

次の話

EP.09 はカスタマーサクセス。問い合わせ対応・FAQ 整備・解約予兆検知での AI 活用を扱います。