+++ title = "Claude CodeをHRに使う方法——顧問が実務で1ヶ月回した記録" date = 2026-06-08 updated = 2026-07-02 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。" [[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。" [[extra.faqs]] question = "Claude CodeはHR業務の『書く』作業もカバーできますか？" answer = "採用JDの初稿生成と面接評価コメントの言語化で効果を確認しました。ポジション名・期待するアウトプット・チーム状況を渡すと800〜1200字のJD初稿が出て、ゼロから書くと1〜2時間かかっていた作業が30分の修正で済むようになります。面接直後のメモを渡して評価コメントを起こすと、30〜40分かかっていた言語化が10分に縮みました。ただしどちらも「たたき台を自分で直す」のが前提で、出てきたものをそのまま使うのは避けています。" [[extra.faqs]] question = "Claude CodeをHR業務で使ってはいけない場面はありますか？" answer = "候補者の書類評価をAIに直接判定させることと、リファレンスチェックをAIの読解で代替することの2つは、実務では使わないと判断しました。前者は評価結果の根拠説明が難しく、社内の説明責任の観点で不適切です。後者はテキスト化した時点で「温度感」が失われ、直接インタビューの代わりになりません。AIは判断の補助であって、判断そのものは人が握るべきだからです。" +++ ## 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 - [Claude CodeをHRや採用データ分析に使う方法](/n/claude-code-build-hr-tool-from-scratch/) — 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 - [Claude CodeをHRに使う方法——顧問が実務で1ヶ月回した手順](/protocols/006-hr-work-with-claude-code/) — この記録を1ヶ月分の実行手順に落とし込んだ版