AIはHR担当者を置き換えない。隣に座って、思いついた問いを翌朝には動くツールに変える相棒だ。

Claude CodeをHRに使う方法——顧問が実務で1ヶ月回した記録

思考版1 AI執筆

Claude CodeをHRに使うには、何から始めるか

最初の一歩は「データをAIに渡す」ことではなく「採用の何を知りたいか」を一問に絞ること。「内定承諾率が落ちるのはどの選考ステップか」のような具体の問いを持ってから、Claude Codeを相棒に採用データを分析すると、数週間かかっていた検証が一晩で回る。以下、HR顧問として実務で1ヶ月使い続けた実録と、使えなかった場面も含めて記録する。

「コミュニケーション力、A担当は8点、B担当は4点」——同じ候補者なのに、評価が割れていた。原因が採用基準なのか、見る人の癖なのか、現場では誰も言い当てられない。

HR顧問の私は、その夜にClaude Codeと並んで分析スクリプトを書き、翌朝には答えを持って打ち合わせに座った。以前なら数週間かかった話だ。

「HR顧問がコードを書いてどうするんですか」とよく聞かれる。だから1ヶ月、Claude Codeを実務に使い続けて分かったことを、現場の判断ごと記録する。

使ったこと1：面接評価の「ばらつき」を検出するスクリプト

冒頭の評価割れを、感覚で片付けたくなかった。一貫して割れるなら、それは個人の癖ではなく、基準が言語化されていないサインだからだ。

そこでClaude Codeと一緒に、ばらつき分析スクリプトを1時間で組んだ。個人情報を含まないフォーマットの評価シートを読み込ませ、担当者ごとの評価傾向、項目別の標準偏差、担当者間の相関係数を出す。私が「こういう差を見たい」と言葉で渡すと、相棒が動く形に落としてくれる。

見えたのは、「コミュニケーション力」のばらつきが最大だったこと。つまり、その項目だけ採用基準が言語化されていなかった。直すべきは担当者ではなく、定義そのものだった。

教訓：HR業務の「感覚的なばらつき」は、コードにすると論点に変わる。誰が悪いかではなく、どの基準が欠けているかが見える。

使ったこと2：求人票の「一貫性チェック」自動化

求人票と採用基準書類と実際の面接評価項目を、一致しているかチェックしたい。 「求人票には"英語力不問"と書いてあるのに、面接でTOEICスコアを聞いていた」という矛盾が現場で起きていた。

求人票・採用基準マニュアル・面接評価シートの3つを読み込ませ、各書類が言及する能力要件の差分を出すスクリプトを、相棒と3時間で組んだ。以前なら外部コンサルに頼むか、人手で読み合わせていた作業だ。

教訓：HR書類の「言葉の一貫性」はAIが得意な領域だ。「書いてあること」と「やっていること」のズレは、放っておくと候補者への約束違反になる。月1で回せば、現場が静かに溜める矛盾を先に潰せる。

使ったこと3：退職リスクの早期発見（定性データ分析）

ある企業で、半年に1回の1on1ログをテキストとして蓄積していた。 構造化されていないメモで、担当者が自由に書いたものだ。

これを相棒と処理した。1on1ログから「将来の希望」「不満・課題」「承認欲求」の言及をカテゴリ分類し、ネガティブな言及が増えているかをトレンドで追う。

倫理は、コードを書く前に決めた。個人の特定につながる情報は全てマスクし、集計・傾向分析だけに使う。個人の判定には絶対に使わない——この線を先に引いてからでないと、便利さが人を裁く道具に化ける。

見えたのは、ある部門で「将来の希望が語られなくなった」傾向。面談の優先度を上げ、退職の事前シグナルを早く掴めた。

教訓：HRの「定性データ」はAIが構造化できる。ただし原則がツールに先行する。順番を逆にした瞬間、信頼を失う。

使ったこと4：採用JDの初稿生成と面接評価コメントの言語化

分析スクリプトだけがClaude Codeの出番ではない。「書く」工程そのものを渡す使い方も1ヶ月試した。

採用JDは、ポジション名・期待するアウトプット・チームの状況をClaude Codeに渡し、「これをベースに採用JDを書いてほしい」と頼むと800〜1200字の初稿が出てくる。ゼロから書くと1〜2時間かかっていたJDが、たたき台を30分で直すだけで済むようになった。

面接評価コメントも同じ構造だ。面接直後の話し言葉のメモを渡し、「評価シートに記載するコメントを書いてほしい」と指示する。以前は30〜40分かかっていた言語化が、メモ→指示→修正のサイクルで10分になった。

ただしどちらも、出てきたものをそのまま使ったことは一度もない。「たたき台を自分で直す」が前提で、「出てきたものをそのまま使う」は避けた。AIが出す文章は「よくある採用JDの文体」に寄りやすく、実際のポジション要件に合わせて書き直す工程は必ず要る。

教訓：Claude Codeが得意なのは「決まった方向性を言葉にする」こと。「何を書くべきかを決める」のは人の仕事のまま変わらない。書く速度を相棒に渡すほど、人は判断に時間を使えるようになる。

使ったこと5：採用基準の文書化と棚卸し

採用基準は、担当者の頭の中に「暗黙知」としてしか存在しないことが多い。過去の面接メモや評価コメントをClaude Codeに渡し、「この情報から、このポジションで重視されている評価軸を整理してほしい」と頼んだ。

出てきた評価軸を見て、「これは重要だったが文書化されていなかった」という気づきが生まれた。担当者が変わっても同じ基準で評価できる文書として機能し、採用基準の棚卸しになった。

使わなかった／使えなかった場面

良かった場面だけを並べても実録にならない。試して、実務では使わないと判断した場面も記録しておく。

候補者の書類評価への直接利用： 「この履歴書を、この採用基準に照らして評価してほしい」という使い方は試みたが、実際の評価には使わなかった。評価結果の根拠説明が難しく、社内への説明責任の観点から適切でないと判断したからだ。採用基準に照らした評価は人間が行い、AIはその補助に留める。

リファレンスチェックの代替： リファレンスコメントをAIに読ませて評価させる使い方も試みたが、テキスト化した時点で「温度感」が失われることが多く、直接インタビューの代替にはならなかった。

Claude Codeをいざ使ってみて分かったHR×AIの現実

良かったこと：

  • HR担当者が自分でデータを処理できるようになる
  • 外部ベンダーに頼まず、社内でプロトタイプを作れる
  • 「こういうデータ分析をしたい」という要件が曖昧でも、会話しながら動くものになる

限界：

  • 個人情報を含むデータの処理は慎重な設計が必要（Claude Codeに直接個人データを流さない）
  • 作ったスクリプトの保守・改善コストがかかる
  • 「作れる」と「使われ続ける」は別の話

最も大きな変化： 「このデータを見たい」と思った瞬間から、翌日には動くツールが手元にある。以前は「分析したい→要件定義→開発依頼→数週間後」だった。

問いと答えの間が一晩に縮むと、意思決定のスピードそのものが変わる。HR顧問の私がやるのは、飛び抜けた分析を披露することではない。隣に座って、現場が持て余す問いを翌朝の打ち手に変えて渡すことだ。

AI採用ツールを買う前にやれること

「AI採用ツール」と名のついた製品は増えている。でも、相棒としてのClaude Codeがあれば、HR担当者自身が自分の採用データに手を入れられる。

月曜からやれる一歩： まず自社で「人手で集計している作業」を1つだけ選ぶ。評価集計・書類照合・1on1ログの傾向把握、どれでもいい。それを「個人情報はマスクして、担当者ごとのばらつきを出して」と、HR担当者自身がClaude Codeに言葉で頼んでみる。完璧なツールは後で買える。試す習慣だけは、今日この場で作れる。

関連記事