AI系企業のエンジニア採用面接で落ちる理由の多くは、技術力ではなく「自分の判断の根拠を言語化できない」ことだ。

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

思考版1 AI執筆

AI系企業のエンジニア採用面接は、一般的な企業と何が違うのか。

採用する側から見た「実際に確認しているポイント」を整理した。

技術面の確認ポイント（8項目）

1. LLMのAPIを直接叩いた経験があるか

「ChatGPTを使っています」ではなく、「OpenAI APIやAnthropic APIを使ってプロダクトを作ったことがあるか」を確認する。

プロンプトの工夫だけでなく、コンテキストウィンドウ管理、トークンコスト設計、エラーハンドリングを実際に経験しているかを見る。

2. RAG（Retrieval-Augmented Generation）の仕組みを実装したことがあるか

「RAGという概念を知っている」より「実際に実装した経験があるか」を確認する。ベクターデータベースの選定、チャンク分割の設計、検索精度の調整などを経験しているかを聞く。

3. LLMの出力評価をどうやっているか

LLMを使うシステムは「出力が正しいか」の評価が難しい。自動評価の仕組み（LLM-as-judge、ルールベースのチェックなど）を設計した経験があるかを確認する。

4. コスト設計の経験

LLMのAPIコストは使い方で大きく変わる。本番システムで「コストを意識した設計をした経験があるか」を確認する。「トークン数が増えたらどうするか」という問いに対する回答の具体性を見る。

5. プロンプトのバージョン管理をどうしているか

プロダクトにLLMを組み込むと、プロンプトの変更管理が必要になる。コードと同様のバージョン管理をプロンプトに適用した経験があるかを確認する。

6. ストリーミングレスポンスの実装経験

LLMの出力をリアルタイムでユーザーに見せるストリーミング実装の経験があるかを確認する。UXに直結するため、実装難易度は低くないが、プロダクトとして重要だ。

7. 複数モデルの使い分け経験

OpenAI/Anthropic/Googleなど複数のLLMを使い分けた経験があるかを確認する。「なぜそのモデルを選んだか」という判断基準を聞く。

8. ファインチューニングの経験（ある場合）

必須ではないが、ファインチューニングを実施した経験がある場合は、「なぜファインチューニングを選んだか（プロンプトで解決できなかったのか）」という判断プロセスを確認する。

思考・判断面の確認ポイント（7項目）

9. 「AIを使わない」判断ができるか

全ての問題をAIで解こうとする人は、AI系企業でも評価されない。「この問題はルールベースで十分。AIは過剰」という判断ができるかを確認する。

10. 実験の設計ができるか

LLMを組み込んだ機能は、A/Bテストが難しい場合が多い。「この機能の改善を測定するにはどうするか」という問いに対する回答を見る。

11. 間違いを認める速度

AIは間違える。システムの問題を「AIのせい」にせず、自分の設計の問題として捉えられるかを確認する。「AIが間違えた時、どう対処しましたか」という質問で確認できる。

12. 不確実性の表現

「このシステムの精度は90%です」という断定より、「現在のデータでは85〜90%の範囲で、この条件では精度が下がります」という表現ができるかを確認する。精度の不確実性を適切に伝える能力は、プロダクトの信頼性に直結する。

13. ユーザーへの説明責任

LLMが出した結果をユーザーにどう説明するかを考えた経験があるかを確認する。「AIが言ったから」という理由はユーザーに通じない。

14. セキュリティへの意識

プロンプトインジェクション、データのプライバシー保護、モデルへの機密情報の渡し方など、AIシステム固有のセキュリティリスクを認識しているかを確認する。

15. 学習スタンス

LLMの分野は6ヶ月で大きく変わる。「最近、何を学びましたか」という質問で、継続的な学習習慣があるかを確認する。特定のツールより、学習スタンスの方が長期的に重要だ。

面接の現実

これら15項目のうち、全てに「はい」と答えられる候補者はほぼいない。

見ているのは「経験があるか」よりも「経験がない項目に対して、どう向き合うか」だ。「やったことがないですが、こういう観点で取り組みます」という回答は「やったことがあります」と同等に評価されることが多い。

AI系企業での採用で最も高く評価されるのは、「自分が知らないことを知っている」というメタ認知の高さだ。

関連記事