「AIが使えるか」ではなく「AIと一緒に考えられるか」を見ている。

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

思考版1 AI執筆

AIスタートアップのHR顧問として採用面接に立ち会い、採用基準の設計を支援してきた。 求人票に書いてある「LLM活用経験歓迎」という文字と、実際に面接で見ていることには大きな乖離がある。

ここに書くのは、複数のAIスタートアップで共通して確認されていた判断軸だ。 会社名は出さない。採用基準に会社特有の機密が含まれるためだ。

軸1：AIを「道具として壊せるか」を見ている

「LLMを使ったことがあるか」は、今や採用基準にならない。 ChatGPTを使った経験は新卒学生でも持っている。

AIスタートアップが実際に確認しているのは：

  • プロンプトが期待通りに動かない時、どう対処するか
  • AIが間違えた結果を返した時、それをどうやって検出したか
  • AIの限界を理解した上で、どこを人間が補うか

ある面接で「Claude Codeでコードを書いてもらったが動かなかった、どう解決したか？」と聞いた。 「書き直してもらいました」と答えた人と「なぜ動かないかを自分で調べてからプロンプトを変えました」と答えた人では、採用後のパフォーマンスに大きな差があった。

採用基準の実態：AIを使ってより早く作れるか、ではなく、AIが間違えた時に自分で判断できるか。

軸2：「言語化力」＝コードと自然言語を同時に動かせるか

AIスタートアップの開発現場では、コードを書くことと、AIに指示を出すことが一体化している。

Claude CodeやCursorでコードを生成する場合、「何を作りたいか」を正確に言語化できるエンジニアと、できないエンジニアでは生産性に3〜5倍の差が出る。

面接で確認していた質問：

  • 「直近に作ったプロダクトを、技術者ではない人に1分で説明してください」
  • 「なぜその設計にしたかを、設計書ではなく口頭で説明してください」

コードは書けるが言語化が苦手なエンジニアは、AIを使っても生産性が上がらない。 AIへの指示がぼんやりしていると、生成されるコードもぼんやりする。

採用基準の実態：プログラミングスキルだけでなく、要件の言語化スキルを別の軸で評価している。

軸3：1週間での適応速度を確認する

AIスタートアップの開発サイクルは速い。 使っているモデルが1ヶ月で入れ替わること、APIの仕様が変わること、チームの開発スタイルが変わることが頻繁にある。

採用面接で確認していた問い：

  • 「最近学んだ新しい技術やツールは何か。そこにどうやって着地したか」
  • 「前職や前のプロジェクトで、やり方を途中で変えた経験はあるか」

「安定した技術スタックで深く学ぶ」タイプと「新しいものに早くキャッチアップする」タイプでは、AIスタートアップ向きは後者だ。

ただし「何でも使う」とは違う。 適応速度が速いエンジニアは、捨てる判断も速い。使えないと分かったツールを早く諦めて次に行く。

採用基準の実態：新技術への適応速度を、具体的な変化経験から判断している。

軸4：一次情報源への近さ

AIスタートアップが特に気にしていた点がこれだ。

「AIの最新動向をどこから取っているか」という質問を多くの面接で見た。

回答の違い：

  • 「Xのフォロー」「Qiitaやブログ記事」→ 二次情報
  • 「arxivの論文を読む」「GitHubのコミットログを追う」「モデルの公式ドキュメントを直接確認する」→ 一次情報

AIの進化が速い今、二次情報だけを追うと常に1〜2ヶ月遅れる。 LLMの論文を自分で読み、実際に手を動かして試す習慣があるかどうかが、長期的な貢献度に直結する。

採用基準の実態：情報収集の「深さ」ではなく情報源の「近さ」を見ている。一次情報にアクセスする習慣があるか。

まとめ：AIスタートアップが採用で本当に見ているもの

軸表層の確認内容本当に見ていること
AI活用経験LLMを使った経験AIが間違えた時に自力で判断できるか
コミュニケーション説明力コードと自然言語を同時に動かせるか
適応力新技術習得変化の速さに合わせて捨てる判断ができるか
情報収集最新動向の把握一次情報源に自分でアクセスできるか

AIを「すごいツール」として受け取るエンジニアではなく、AIを素材として使いこなせるエンジニアが求められている。

今日渡せるもの： AIスタートアップへの転職を検討しているエンジニアへ。上記4軸に対して、直近1ヶ月の自分の行動を振り返る。「AIが間違えた時どう対処したか」「一次情報源はどこか」を具体的に話せる状態にしてから面接に臨む。

関連記事