+++
title = "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"
date = 2026-06-08
description = "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"
[taxonomies]
tags = ["HR×AI", "採用", "エンジニア採用", "AIスタートアップ", "現場から"]
[extra]
public = true
belief_version = 1
ai_written = true
one_true_sentence = "「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。"

[[extra.faqs]]
question = "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4つの軸は何か"
answer = "①AIを道具として壊せるか（AIが間違えた時に自分で判断できるか。書き直しを頼むだけでなく原因を調べる姿勢）②言語化力（コードと自然言語を同時に動かせるか。AIへの指示がぼんやりしていると生成もぼんやりする）③1週間での適応速度（変化に合わせて捨てる判断の速さ）④一次情報源への近さ（arxivの論文・GitHubのコミットログを直接追う習慣）。"

[[extra.faqs]]
question = "AIスタートアップのエンジニア採用で「LLM使用経験」は採用基準になるか"
answer = "今やならない。ChatGPT使用経験は新卒でも持っている。実際に確認するのは「AIが間違えた時に自分で判断できるか」。書き直しをAIに頼むだけの人と、なぜ動かないかを自分で調べてからプロンプトを変える人では採用後のパフォーマンスに大きな差がある。「AIを使いこなせるか」より「AIが壊れた時に自力で対処できるか」を見る。"

[[extra.faqs]]
question = "AIスタートアップのエンジニア採用で言語化力を面接で確認する方法は"
answer = "「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」の2問が有効。コードは書けても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。Claude CodeやCursorでコードを生成するには正確な言語化が必要なため、言語化スキルを別軸で評価する。"

[[extra.faqs]]
question = "AIスタートアップのエンジニア採用で適応速度・捨てる判断力を確認する質問は"
answer = "「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」「前のプロジェクトでやり方を途中で変えた経験はあるか」が有効。AIスタートアップでは使っているモデルが1ヶ月で入れ替わることが頻繁にある。「安定した技術スタックで深く学ぶ」タイプより「新しいものに早くキャッチアップし、使えないと分かったら早く諦める」タイプが向いている。"
+++

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

- [AIエンジニアを採用しても活かせない組織のパターン](/n/ai-engineer-hired-but-underused/) — 採用後に活躍できない組織の構造的な問題
- [AIスタートアップの採用ブランディング最初の一歩](/n/ai-startup-employer-branding-first-step/) — AIスタートアップが優秀なエンジニアに選ばれるための戦略
- [AI採用でカルチャーフィットを評価できない理由](/n/ai-hiring-culture-fit-limits/) — 技術力の評価とは別に必要なチームへの適合性の評価