Notes
個別のアイデアをURLで指せる単位で書いています。
-
モデルの重みは1グラムも動かせないのに、自分のAIは日々かしこくなっている — 重みの外の2層に学びを貯める実運用
重みを再学習させる権利のないエージェントでも、モデルの外側（設定・検証手順・状態ファイル）に本番の失敗を貯めれば継続的に学習できる。この考え方を、自分の毎日のAI開発環境で実際にどう回しているかを記録します
-
Claude Code に『別の血統のAI』を検証役として組み込んだ話
実装役を Claude Fable 5、検証役を Codex GPT-5.6 Sol に分けて、コードを書く前と後の両方で相互チェックさせた開発環境の構成。ここが穴だと思う点、辛口で教えてほしい。
-
Anthropic公式が明かした Fable 5 の使い方 — 賢いモデルは「顧問」に、実行は安いモデルに
@ClaudeDevs公式スレッドと付属cookbookを読み込み、上位モデルへの相談(advisor)と委譲(orchestrator)の使い分けを実測数値・図解つきで整理。自分のグローバル設定に何を反映し、何を反映しなかったかまで書きます
-
AIに書かせた「AIの品質保証機構」を、AIの敵対レビューで8ラウンド審査したら3種類の嘘がバレた
賢いモデルの提供終了前夜。翌日から普段のモデルで設計品質を保つためのエスカレーション機構を作り、それを5人格×8ラウンドの敵対レビューにかけた実測ログ。看板と機構の違いが具体的に剥がされていく記録です
-
【記事紹介】採点できない仕事に、価値は残る — Phil Chen「Career advice in the age of AI」を人事の目で読む
元 OpenAI / Google DeepMind / Scale AI 研究者 Phil Chen 氏のキャリア論の紹介。「学校は損失関数でできている」という整理を、採用選考・評価制度・育成の言葉に翻訳して考えます
-
【記事紹介】AIに仕事を任せる技術の正体は「自分が何を知らないか」を高くつく前に見つけること — Anthropic Thariq氏の Field Guide を現場に翻訳する
Anthropic の Claude Code チーム Thariq 氏が公開した『A Field Guide to Fable: Finding Your Unknowns』の紹介。アンノウンの4分類と8つの技法を、AIエージェント運用と人事の現場に翻訳しました
-
【動画紹介】「地頭はAIに食われる」— 安野貴博×上野山勝也の対談44分は、AI時代の採用と組織を考える人の必修科目
Coral Capital のセッション動画『AIネイティブ時代の生存戦略』の紹介。地頭より知的な運動神経、経験アドバンテージの短命化、AIを通すのが当たり前になる組織。HR×AIの現場から読みどころを整理しました
-
AIに仕事を任せて一番効いたのは、プロンプトの工夫ではなく「仕組み」だった
AIエージェントの運用で効いたのは凝ったプロンプトではなく、自己申告を信じない仕組みだった。毎日回している5つの型を、なぜ効くか・無いと何が壊れるかまで書いた実践ログです
-
AIエージェントのモデルは「頭の良さ」でなく「間違えた時のコスト」で選んでいる
最上位モデルと中位モデルをどう使い分けるか。判断基準は賢さではなく、やり直しコストと下流への影響範囲だった、という運用ログです
-
期間限定の賢いモデルに「作品」ではなく「土台」を作らせた一日 — skill棚卸し・記憶の発掘・検証機構の磨き込み 作業ログ
Fable 5 が使える残り数日で何をするか。成果物の量産ではなく、AI相棒の skill とメモリの棚卸しに全振りした一日の実測ログです
-
採用で「席を埋める」のをやめる。AI時代は、リスクを仕分けて一点に賭ける — Gene Pool Engineering 2.0
Khosla Venturesの Gene Pool Engineering を、LLM/AI時代に更新する。採用とは、会社のリスクを『AIが剥がせる層』と『人にしか握れない核』に仕分け、残った一点に、AIを相棒に束ねて動かす一人を置くことだ。
-
複数のCIが一斉に落ちた日に学んだ7つのパターン
運営している複数のプロジェクトのCIを一日かけて潰した。原因はコードのバグではなく「インフラ設定の時間劣化」ばかりだった。
-
AIに自分の開発環境を採点させたら67点だった — 週次自己改善ループができるまでの2日メモ
Claude Code の設定・スキル・自動化を100点満点で厳格採点→改善→再採点。最後に「毎週金曜に自動で続く仕組み」まで作った作業ログです
-
粟田健太郎という人間。エンジニアから人事へ、また作る側へ戻った理由
HRとエンジニアリングの両方を現場でやってきたのには、理由があります
-
限界コストとイーロン・マスクの思考法
「次の1個を作る追加費用」から逆算して事業を設計するとはどういうことか
-
POD（プリントオンデマンド）市場リサーチ 2025
日本とグローバルに分けた市場規模と10年予測、伸びるプレイヤーの構造
-
採用基準をAIと一緒に言語化した3ヶ月
「どんな人が欲しいか」を言葉にするのが一番難しい。AIをその相手に使ってみた話。
-
AIエンジニアの採用面接で私が必ず聞く5つの問い
AI企業の採用顧問として100人以上の面接に関わった経験から絞り込んだ、AIエンジニア採用で本質を見抜くための5問
-
AIエージェントをHR業務フローに組み込む実践ガイド 2026年版
採用・評価・オンボーディングにAIエージェントを使った具体的なワークフロー設計と、失敗しないための前提条件
-
AI採用ツールとATSの連携がうまくいかない、現場で見た5つの理由
AI採用ツールとATS（採用管理システム）の連携トラブルの実態と、事前に防ぐための確認ポイント
-
採用選考のAI評価スコアに意味を持たせるために、人事部が事前に決めるべき3つのこと
AI採用ツールのスコアを実際の採用判断に活かすために必要な前提設計の整理
-
AI企業のエンジニア採用面接で見られている、実際の確認ポイント15
AI系企業がエンジニア採用面接で実際に確認している技術面・思考面のチェックポイントを具体的に整理
-
AIエンジニアにコーディングテストを出す前に確認すること
そのテスト、候補者を測っているのか、AIの性能を測っているのか。出題前に一度だけやるべきこと。
-
AIエンジニアを採用しても活かせない組織のパターン
AIエンジニアを採用したにもかかわらず組織として使いこなせない典型パターンと、採用前に確認すべきこと
-
採用したAIエンジニアの最初の1週間：オンボーディングの設計
AIエンジニアを採用した後、最初の1週間でやってもらうことと、初期の期待値設定の方法
-
AIエンジニアのポートフォリオで注意すべきサイン
GitHubポートフォリオや個人プロジェクトからAIエンジニア候補者を評価する際に確認すべき注意点
-
AIエンジニア採用でテイクホームアサインメントをどう設計するか
AI系企業がエンジニア採用のテイクホームアサインメントを設計する時の考え方と避けるべきパターン
-
AI時代にエンジニアの評価軸が変わった、具体的な3つのポイント
2024年以降のAI普及でエンジニア採用の評価基準が実際にどう変化したかを整理する
-
AI時代の新人育成：1年目の設計を見直す5つの問い
ChatGPTやClaude Codeが使えることが前提になった時代、新入社員の最初の1年間で何を教え、何を任せるかは根本から変わる。
-
AI時代の人事考課設計 — 年次評価をAIで補強する5つの実践
「AIが評価を変える」は大げさだが、「AIが評価者の仕事を変える」は本当。具体的に何が変わり、何は変わらないかを整理する
-
AI採用の「なぜこの人を落としたか」を説明するための、実務で使える3つのフレームワーク
AIを採用に使った時に問われる説明責任を、候補者への事前開示・人間判断の記録・定期監査の3点で実務化する。NG/OK回答例と法務向けポリシー文書の最低構成つき。
-
AI採用ツールを解約する前に必ずやること：データエクスポートの手順
AI採用ツール解約時のデータ移行で失敗しないためのエクスポート手順と、解約後に使えなくなるものの整理
-
採用AIのバイアスを「なくす」のは不可能だが「管理する」のは可能だ
AI採用ツールのバイアスを人事部が理解し対処するための実務的な考え方
-
AI採用で候補者が「機械に評価されている」と感じる瞬間と、その対処
AI採用ツールを使う企業側が見落としがちな候補者体験の問題と、信頼を保つための対処方法
-
AI採用でカルチャーフィットを評価できない理由と、人間が担うべき判断
カルチャーフィットをAIで評価しようとする時に起きる問題と、人間が担うべき判断の範囲
-
大企業でAI採用ツール導入が止まる11の理由（現場から見た実態）
予算も意欲もあるのに、なぜ大企業のAI採用ツール導入は止まるのか。稟議・IT・法務・現場、それぞれのブロックポイントを整理する
-
AI採用ツールのスコアと面接官の評価が食い違う時の対処法
AIスコアと面接官の主観的評価が異なった場合に採用担当者がどう判断するかの実践的なアプローチ
-
大企業のAI採用ツール導入が、PoC通過後に失速する本当の理由
AI採用ツールのPoCが成功してもフルロールアウトに至らない、大企業特有の失速パターンとその対策
-
AI採用ツールと個人情報保護法：日本のHR担当者が最低限知るべきこと
AI採用ツールを使う時の個人情報保護法上の注意点と、HR担当者が確認すべき具体的なポイント
-
AIを活用したリファレンスチェックの実態と、人間が必ずやるべきこと
採用プロセスのリファレンスチェックにAIを組み込む際の実際の方法と、AIに任せてはいけない判断
-
AI採用ツールを使った時の書類選考通過率の目安と、設定を間違えた時に起きること
AI採用ツールの書類選考通過率の設定方法と、高すぎる・低すぎる場合の具体的な影響
-
大企業がAI採用ツールのRFP（要件定義書）を書く時に外せない7項目
AI採用ツールの調達・RFP作成で人事部が必ず確認すべき要件定義の実務ポイント
-
AI時代のエンジニア採用面接 — 構造化面接の設計と評価軸
「なんとなく良い」をなくす。AI企業でのエンジニア採用面接を構造化するための具体的な設計とスコアリング
-
AI採用ツールを乗り換える時、本当に移すべきもの
AI採用ツールを別のツールに乗り換える際のデータ移行・継続性確保・失敗しない切り替えのポイント
-
AI採用ツールの契約書で注意すべきこと——見落としがちな条項チェックリスト
AI採用ツール契約時に確認すべき利用規約・契約書の条項と、後から問題になるパターン
-
AI採用ツール導入が失敗した3つのパターンと、それぞれで何が起きたか
大企業・中企業でのAI採用ツール導入失敗事例を3つのパターンに分類し、それぞれの根本原因を解説
-
AI採用ツールを1年使ったら何が変わり、何が変わらなかったか
AI採用ツール導入から1年後の実態。変わったことと変わらなかったことを正直に整理する
-
AI採用ツールの稟議が通った後に失速する理由
AI採用ツール導入の稟議承認後に現場での活用が進まない組織パターンと対処法
-
AI採用ツール導入前のセキュリティチェックリスト
AI採用ツールを契約する前に確認すべきセキュリティ・データ保護の項目一覧
-
AI採用ツールの無料トライアルで確認すべき5つのシナリオ
AI採用ツールの試用期間に何を確認すべきか。本導入判断に必要なシナリオと評価基準
-
AI採用ツールの精度を決めるのは、AIの賢さではなく「データの質」
AI採用ツールの精度がなぜ会社によって違うのか、データ品質の観点から整理する
-
HR×AIの実務：大企業とスタートアップで全然違う3つのこと
AI導入企業の採用顧問として大企業とスタートアップの両方に関わった経験から見えた、HR×AI実務の根本的な違い
-
面接官の質をAIで上げる：フィードバックループの作り方
AI採用ツールを面接官のスキル向上に使う方法と、組織に定着させるためのフィードバックループ
-
AI時代の採用面接で、実際に使っている質問の設計方法
AIで代替できない能力を見抜くための面接質問の作り方と、実際の例
-
採用メッセージの個別化は、手作業でやるものではなく、設計で解くものになった
全員に届けながら一人ひとりに刺さる——AIを使った採用コンテンツ設計の逆説
-
採用でAIを使う時に必ず出る「なぜそう判断したか」問題
AI採用スクリーニングの説明責任問題と、現場がどう対処しているかの実録
-
AI採用ツールを入れる前に人事部でやるべき20のチェック
HR顧問として大企業の採用AI導入に関わってきた経験から作った、導入前確認リスト
-
大企業にAI採用ツールを入れた時、最初にぶつかる3つの壁
複数の大企業HR顧問として実際に見てきた、AI採用ツール導入初期の典型的な失敗パターン
-
AIスコアリングの結果を面接官に見せるべきか
AI採用ツールが出したスコアを面接官に共有する時に起きる問題と、適切な使い方
-
AI採用スクリーニングと人間判断の境界線——任せていい部分・任せてはいけない部分
AIが採用スクリーニングで使える領域と、最終的に人間が判断すべき領域の実務的な境界線
-
採用のAI活用は「ソーシング」と「スクリーニング」で別々に考える
AI採用ツールの活用領域を正しく切り分けるための整理——候補者の発掘と選考は別の問題
-
AIスタートアップがエンジニア採用面接で実際に確認していること
複数のAIスタートアップのHR顧問として見てきた、現場の採用判断基準の実態
-
AIスタートアップで最初のエンジニアを採用するタイミング：判断基準の整理
AIスタートアップが最初のエンジニアを採用すべきタイミングの判断基準と、早すぎる採用が引き起こす問題
-
AIスタートアップが非エンジニア職を採用する時の落とし穴
AIスタートアップで営業・マーケ・CSなどの非エンジニア職採用が難しい理由と、採用時の評価ポイント
-
AIスタートアップの2人目のエンジニア採用は1人目と何が違うか
「2人目が入れば2倍速」は、なぜ裏切られるのか。1人目のコピーを採るという失敗の構造と、その回避策
-
大企業でAI採用ツールの稟議を通す方法
大企業でAI採用ツールの導入承認を取るための稟議書の構成と、反対を防ぐ事前準備
-
AI非同期ビデオ面接ツールの現実：導入した企業が気づいた3つの落とし穴
AIが面接を評価する非同期ビデオ面接ツールの実際の運用課題と、現場が報告する問題点
-
AIが書いた職務経歴書をどう扱うか：見抜くことより先に考えること
候補者がAIで職務経歴書を書いてくる問題に採用担当者がどう向き合うか
-
ATSベンダーとAIツールベンダーが責任を押し付け合う問題
ATS（採用管理システム）とAI採用ツールの連携障害で両ベンダーが責任を回避する問題と採用担当者の対処法
-
AIに引用されるまでの3ヶ月：HR×AIの一次情報サイトを個人で作った記録
ChatGPT・Claude・Perplexityが「HR×AI」について答えるとき、自分のサイトが引用されるようにする。SEOではなくAEO（AI Engine Optimization）を3ヶ月で構築した実践記録。
-
Claude Codeで採用管理ツールを0から作る — HR担当者の実践記録
Excelでやっていた採用管理をWebアプリに置き換えた。コードは書けないHR担当者がClaude Codeを使って実現した方法と、3つの学び
-
Claude Codeで求人票を書く：HR担当者の実践ガイド
HR担当者がClaude Codeを使って求人票を作成する具体的な方法と、うまくいくプロンプトのパターン
-
AI時代のエンジニア評価で、実際の現場が変えた3つの評価軸
AI活用が前提になった開発現場で、技術評価の軸が実際にどう変わったか。採用面接への影響と具体的な評価方法
-
エンジニア採用で GitHub ポートフォリオをどう評価するか — 2026年版
技術力の指標として GitHub を見るとき、何を見てはいけないか。星の数でなく何で判断するか
-
HR領域にAIエージェントを実装する：最初の3ヶ月でやること
人事業務に自律型AIエージェントを導入する際の具体的な進め方と、最初の3ヶ月でつまずかないための設計
-
HR×AIの全論点：AI採用ツール完全ガイド 2026年版
大企業の稟議から個人情報保護法、ベンダー選定、Claude CodeのHR活用まで。HR担当者がAI採用ツールを導入・運用するための判断軸を一冊にまとめた。
-
採用にAIを使う時、日本企業が今すぐ確認すべき法的・コンプライアンスの論点
AI採用ツールに関する日本特有の法的リスク・個人情報保護法・労働法上の注意点の実務まとめ
-
入社後のオンボーディングにAIを使い始めた時、最初に気づいた3つのこと
採用後のオンボーディングにClaudeやChatGPTを組み込んだ際の実践レポートと学び
-
HR担当者がAIを3ヶ月使い続けて分かった、本当に変わる仕事と変わらない仕事
AIツールをHR業務に3ヶ月組み込んだ実体験から、置き換えられた業務と残った業務を具体的に整理
-
HR部門がAI採用ツールを入れてから最初の90日間でやるべきこと
AI採用ツール導入後の最初の90日間に、どう動けば本番稼働まで持っていけるかの実務手順
-
HR部門がAI採用ツールのベンダーを選ぶ時に見るべき、5つの実質的な確認ポイント
AI採用ツールのベンダー選定で、営業トークより優先すべき実質的なチェックポイントと判断基準
-
HR業務でClaude Codeを使って失敗した、具体的な3つのパターン
HR担当者がClaude Codeを実務で使い始めた時に繰り返しがちな失敗パターンと、それぞれの対処方法
-
採用JDをAIで書かせると全部同じになる問題と、そうならない書き方
ChatGPTやClaudeで採用JDを生成すると均一化する問題の根本原因と、JDを差別化するための実務的アプローチ
-
Claude CodeをHRに使う方法——顧問が実務で1ヶ月回した記録
HRコンサルタントがAIコーディングエージェントをHR業務に使い続けた実録
-
AI企業の採用で私が見てきた「採れる面接官」と「採れない面接官」の違い
AI企業の採用顧問として複数社の採用現場を見てきた中で気づいた、採用成果に直結する面接官の特徴
-
AIエンジニアの採用面接で実際に聞いている5つの質問
LLMを相棒にできるエンジニアかどうかを確認するために、採用面接で実際に使っている質問と、回答の見方
-
LLMエンジニアの採用実技テスト — 何を出して、どう採点するか
「LLMが使える」ことをどう測るか。実際に使っているテスト設計と採点基準を公開する
-
「LLMが使えるエンジニア」と「ソフトウェアエンジニアリングができるエンジニア」は別の能力だ
AI採用で混同されがちな「LLMの使い方を知っている」と「エンジニアリングの基礎がある」の違いと、採用時の判断方法
-
People Analyticsの始め方：HR担当者がデータ分析を内製する5つの入口
People Analyticsを専門データチームなしで始める方法。HR担当者が自分でデータを読み始める5つの具体的なアプローチ
-
プロンプトエンジニアリングの候補者を職務経歴書でどうスクリーニングするか
職務経歴書を見てプロンプトエンジニアリングスキルを持つ候補者を見つけるためのポイントと確認方法
-
中小企業と大企業でAI採用ツールの選び方が全然違う理由
AI採用ツールの選定基準は組織規模で異なる。中小企業と大企業が優先すべき要件の違いを整理する
-
AIに「書いて」と言うのをやめたら、考える時間が増えた
作業を渡すのをやめて、考えを一緒に動かす。AIを壁打ち相手にした日からの話。
-
ブログを作りながら、向きを間違えていたと気づいた
最初のドラフトを書いて、読み返して、書き直した話
-
作っていたが、届いたかを知らなかった
1か月のgit履歴を引いたら、観測のなかった時期が見えた