+++ title = "AIエンジニアの採用面接で実際に聞いている5つの質問" date = 2026-06-08 description = "LLMを使いこなせるエンジニアかどうかを確認するために、採用面接で実際に使っている質問と、回答の見方" [taxonomies] tags = ["HR×AI", "エンジニア採用", "採用面接", "LLM", "AIエンジニア"] [extra] public = true belief_version = 1 ai_written = true one_true_sentence = "「LLMを使いこなせるか」を面接で確認するのに、「ChatGPTを使っていますか」と聞くのは最も意味のない質問だ。" [[extra.faqs]] question = "AIエンジニアの採用面接でLLMの理解度を確認する効果的な質問は何ですか？" answer = "「最後にLLMを使って詰まった時、どうやって解決しましたか」が効果的です。自己申告ではなく実際の経験と問題解決アプローチを両方確認できます。良い回答には「具体的な状況・試したこと・最終的な解決方法」の流れがあります。「ChatGPTに聞いたら解決しました」だけで終わる回答は経験の浅さを示します。" [[extra.faqs]] question = "RAGシステムの理解度は面接でどう確認すればいいですか？" answer = "「RAGシステムを作るとしたら、どこが一番難しいと思いますか」という質問が有効です。知っているかどうかより「何が難しいか」を説明できるかで理解の深さが分かります。チャンク分割の粒度・埋め込みモデルの選択・評価の難しさについて具体的に語れるかどうかが、プロダクション環境での問題解決能力を予測します。" [[extra.faqs]] question = "LLMを使ったプロダクトのセキュリティ意識を面接で確認するには？" answer = "「プロンプトインジェクションを防ぐために、実際にやったことがあることを教えてください」という質問が効果的です。ユーザー入力とシステムプロンプトの分離・出力のバリデーション・サンドボックスでのテストについて語れるかを確認します。「考えたことがなかった」という回答の場合、その後の学習意欲と現状認識の正確さを確認します。" [[extra.faqs]] question = "LLMエンジニアの採用面接でこれらの質問を使う時の注意点は何ですか？" answer = "正解を知っているかの確認ではなく、思考プロセスを見ることが目的です。知らないことを「知らない」と言えるかどうかも評価に含まれます。ポジションに合わせて質問を選び、初めてLLMを使う人向けなら質問1と5で十分です。回答をそのまま受け取らず「具体的には？」と掘り下げる会話を続けることも重要な評価の場です。" +++ 「AIを使いこなせるエンジニアを採りたい」という相談を受けた時、まず聞くのは「どうやって判断するつもりですか」だ。 「GitHubを見ます」「ポートフォリオを確認します」と返ってくることが多いが、LLMへの理解度を確認する面接質問を準備していることは少ない。 以下は、AIスタートアップの採用支援で実際に使っている5つの質問と、回答の見方だ。 --- ## 質問1：「最後にLLMを使って詰まった時、どうやって解決しましたか」 **なぜこの質問か：** 「LLMを使いこなせますか」は自己申告の回答しか引き出せない。「詰まった経験」を聞くことで、実際にLLMを使った経験があるかどうかと、問題解決のアプローチを両方確認できる。 **良い回答の特徴：** - 具体的な状況（何を作っていて、どこで詰まったか） - 試したこと（プロンプトをどう変えたか、コンテキストをどう調整したか） - 最終的にどう解決したか（または解決できなかった場合の次の手を取ったか） **注意する回答：** 「ChatGPTに聞いたら解決しました」だけで終わる回答。ツールを使ったことは分かるが、何をどう解決したかが見えない。 --- ## 質問2：「RAGシステムを作るとしたら、どこが一番難しいと思いますか」 **なぜこの質問か：** RAG（Retrieval-Augmented Generation）はLLMに外部データを組み合わせる基本的なアーキテクチャだ。RAGを知っているかどうかより、「何が難しいか」を説明できるかどうかで理解の深さが分かる。 **良い回答の特徴：** - チャンク分割の粒度（細かすぎると文脈が失われる、粗すぎると関係ない情報が入る） - 埋め込みモデルの選択（日本語への対応、ドメイン特化の必要性） - 評価の難しさ（正解が一意でない、人間が確認するコストが高い） **注意する回答：** 「ベクトルDBに入れればできます」で終わる回答。仕組みを知っていても、難しさを言語化できないエンジニアは、プロダクション環境での問題解決が難しい。 --- ## 質問3：「コンテキストウィンドウが長くなったことで、何が変わって何が変わらないと思いますか」 **なぜこの質問か：** LLMの基礎的な制約への理解を確認する質問だ。「長くなった = 何でもできる」と思っているエンジニアと、「長くなったが新しい制約がある」と理解しているエンジニアでは、プロダクト設計が変わる。 **良い回答の特徴：** 変わること：RAGが不要なケースが増える、複数ファイルを一度に処理できる 変わらないこと：コストが線形に増える、長いコンテキストでの精度低下（lost in the middle問題）、レイテンシが伸びる **注意する回答：** 「コンテキストが長くなれば何でもできる」という回答。制約への理解がないエンジニアは、コスト設計とレイテンシ設計で失敗する。 --- ## 質問4：「プロンプトインジェクションを防ぐために、実際にやったことがあることを教えてください」 **なぜこの質問か：** LLMを使ったプロダクトのセキュリティ意識を確認する質問だ。プロンプトインジェクションはLLMの基本的なセキュリティリスクで、ユーザーの入力がシステムプロンプトを上書きする攻撃だ。 **良い回答の特徴：** - ユーザー入力とシステムプロンプトの分離 - 出力のバリデーション - サンドボックス環境でのテスト **注意する回答：** 「LLMを使ったことがありますが、セキュリティは考えたことがなかった」という回答。これが悪いのではなく、この後にどう対応するかを聞く。学習意欲と現状認識の正確さが確認できる。 --- ## 質問5：「LLMを使って作ったもので、想定外に難しかったことは何ですか」 **なぜこの質問か：** 「何を作りましたか」ではなく「何が難しかったか」を聞くことで、経験の深さと言語化能力を同時に確認できる。 **良い回答の特徴：** - 具体的な技術的課題（ハルシネーション対策、評価基盤の構築、コスト管理） - その課題をどう対処したか - 解決できなかった場合は、なぜ解決できなかったかの分析 **注意する回答：** 「特に難しいことはなかった」という回答。LLMを本番で使ったことがあれば、難しいことは必ずある。難しさを感じなかった = 表面的な使い方しかしていない可能性がある。 --- ## これらの質問を使う上での注意 これらの質問は「正解を知っているか」を確認するためではない。 **思考プロセスを見る：** 正確な答えより、どう考えているかが重要だ。知らないことを「知らない」と言えるかどうかも評価に含まれる。 **ポジションに合わせる：** 初めてLLMを使う人向けのポジションなら、質問1と5で十分。経験豊富なエンジニア向けなら、質問2〜4が本質を突く。 **会話を続ける：** 回答をそのまま受け取らず、「具体的には？」「その時どう判断しましたか？」と掘り下げる。深度のある会話ができるかどうかも採用基準の一つだ。 **今日渡せるもの：** 次のエンジニア採用面接の前に、この5つの質問のうち2〜3つを候補者に合わせて選んで準備する。「LLMを使えますか」という質問を、これらの質問で置き換えるだけで、面接の情報量が大きく変わる。 --- ## 関連記事 - [AI採用スクリーニングと人間判断の境界線](/n/ai-screening-human-judgment-line/) — 面接とAIスクリーニングの適切な組み合わせ方 - [エンジニア採用でGitHubやポートフォリオを見る時、実際に何を見るか](/n/ai-engineer-hired-but-underused/) — 面接前のスクリーニング段階で確認すべきポイント - [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/) — 採用後に活かすために面接で見るべきポイント