+++
title = "HR顧問の仕事をClaude Codeで回してみた1ヶ月の記録"
date = 2026-06-08
description = "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"
[taxonomies]
tags = ["HR×AI", "Claude Code", "AIエージェント", "HR実務", "現場から"]
[extra]
public = true
belief_version = 1
ai_written = true
one_true_sentence = "AIはHR業務を「自動化」するのではなく、人事担当者の思考速度を上げる。"

[[extra.faqs]]
question = "HR顧問がClaude Codeを使って実際に作ったものは何ですか？"
answer = "面接評価のばらつき分析スクリプト・求人票の一貫性チェック自動化・退職リスクの早期発見ツールの3つです。評価シートから担当者ごとの評価傾向と項目別標準偏差を出すスクリプトは1時間で完成しました。以前なら外部コンサルに頼むか人手で読み合わせする作業を、社内で自作できるようになります。"

[[extra.faqs]]
question = "HR業務の定性データはAIでどう活用できますか？"
answer = "1on1のログテキストをClaudeで処理し、「将来の希望」「不満・課題」「承認欲求」に関する言及をカテゴリ分類してトレンド分析できます。ただし倫理ルールを先に作ることが必要です。個人の特定につながる情報をマスクし、集計・傾向分析のみで個人の判定に使わないルールを事前に決めてから実施してください。"

[[extra.faqs]]
question = "Claude CodeでHR業務を試す時の最初の一歩は何ですか？"
answer = "「人手で集計している作業」を1つ特定することです。評価集計・書類照合・1on1ログの傾向把握などが候補です。その作業をClaude Codeで自動化するプロンプトをHR担当者自身が書いてみることで、「完璧なツール」は後で買えますが「試す習慣」は今日から作れます。"

[[extra.faqs]]
question = "Claude CodeをHR業務で使う時の注意点は何ですか？"
answer = "個人情報を含むデータの処理は慎重な設計が必要です。候補者データや1on1ログをそのままClaudeに流さず、個人の特定につながる情報はマスクしてください。また「作れる」と「使われ続ける」は別の問題で、作ったスクリプトの保守・改善コストも考慮が必要です。"

+++

私はHR顧問でありながら、Claude Codeを毎日使って自分でコードを書く。
この組み合わせは珍しいらしく、「HR顧問がコードを書いてどうするんですか」と聞かれる。

1ヶ月、Claude CodeをHR業務に実際に使い続けて分かったことを記録する。

---

## 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

複数の採用担当者が同じ候補者を評価すると、ばらつきが出る。
「A担当者は技術力を8点、B担当者は4点」という評価差が一貫して出る場合、採用基準の問題なのか、担当者の見方の問題なのかを見分けたい。

Claude Codeで評価データのばらつき分析スクリプトを1時間で書いた。
個人情報は含まないフォーマットの評価シートを読み込み、担当者ごとの評価傾向、項目別の標準偏差、採用担当者間の相関係数を出す。

結果、分かったこと：ある企業では「コミュニケーション力」の評価が担当者間で最もばらつきが大きかった。「コミュニケーション力」の採用基準が言語化されていなかった。

**教訓：HR業務の「感覚的なばらつき」はコードで可視化できる。Claude Codeがあれば、HR担当者がプログラマーでなくても実装できる。**

---

## 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。

Claude Codeで複数の文書から採用基準らしいキーワードを抽出して比較するスクリプトを作った。
求人票・採用基準マニュアル・面接評価シートの3つを読み込み、各書類で言及されている能力要件の差分を出す。

作業時間は3時間。以前なら外部コンサルに頼むか、人手で読み合わせする作業だった。

**教訓：HR書類の「言葉の一貫性」チェックはAIが得意な作業だ。Claude Codeで「書いてあることとやっていることの差」を定期的に可視化できる。**

---

## 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Claude Codeで処理した。
1on1ログから「将来の希望」「不満・課題」「承認欲求」に関する言及をカテゴリ分類し、ネガティブ言及が増加しているかどうかをトレンド分析した。

倫理的な注意：個人の特定につながる情報は全てマスクした。集計・傾向分析のみで個人の判定に使わないというルールを事前に決めた。

結果として、ある部門で「将来の希望が語られなくなった」という傾向が見えた。面談の優先度を上げたことで、退職の事前シグナルを掴めた。

**教訓：HR業務の「定性データ」はAIが構造化できる。ただし倫理ルールを先に作ること。ツールの前に原則だ。**

---

## 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：**
「このデータを分析したい」と思った瞬間から、翌日には動くツールができる。
以前は「分析したい→要件定義→開発依頼→数週間後」というサイクルだった。

HR業務でこのサイクルが変わると、意思決定のスピードが変わる。

---

## 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、Claude CodeがあればHR担当者自身が自分の採用データを分析できる。

**今日渡せるもの：** HR業務でのAI活用を検討しているなら、まず自社の「人手で集計している作業」を1つ特定する。評価集計・書類照合・1on1ログの傾向把握など。その作業をClaude Codeで自動化するプロンプトを、HR担当者自身が書いてみる。「完璧なツール」は後で買える。「試す習慣」は今日作れる。

---

## 関連記事

- [Claude CodeをHRや採用データ分析に使う方法](/n/claude-code-hr-data-analysis/) — HR顧問がClaudeを実務で使った詳細ガイド
- [HR担当者がClaude Codeで失敗した具体的な3つのパターン](/n/ai-hiring-culture-fit-limits/) — 実務活用で避けるべき失敗パターン
- [日本でAI採用ツールを使う時の個人情報保護法](/n/ai-hiring-privacy-law-japan/) — HRデータをAIで処理する際の個人情報保護の考え方