+++
title = "LLMのプロンプトエンジニアリングを採用面接で評価する、具体的な3つの方法"
date = 2026-06-08
description = "LLMを実務で使いこなせるかを採用面接で判断するための具体的な評価方法と質問設計"
[taxonomies]
tags = ["HR×AI", "LLM", "エンジニア採用", "採用面接", "プロンプトエンジニアリング"]
[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見るには、「ChatGPTを使っていますか」ではなく、「どんな問題にLLMを使ったか、その結果何が変わったか」を聞く必要がある。"

[[extra.faqs]]
question = "プロンプトエンジニアリングスキルを面接で評価する最も効果的な方法は何ですか？"
answer = "3つの方法の組み合わせが効果的です。①「LLMで解決した問題」を具体的に掘り下げる（問題→アプローチ→結果→学びの流れがあるか）、②ライブでプロンプトを書いてもらう（コンテキストの充実度・出力形式の指定・改善への継続姿勢を見る）、③「LLMが間違えた経験」を聞く（出力の検証スタンスを確認する）です。"

[[extra.faqs]]
question = "面接でプロンプトをライブで書いてもらう時に何を見ればいいですか？"
answer = "コンテキストをどれだけ入れるか・出力形式を指定するか・一回で諦めるか改善を続けるかの3点を見てください。「採用評価シートを作って」という最小限のプロンプトと、評価項目・採点基準・評価例まで指示する詳細なプロンプトでは、LLMとの向き合い方の成熟度が全然違います。"

[[extra.faqs]]
question = "LLMが間違えた経験がない候補者はどう評価すべきですか？"
answer = "LLMを実際に使っている人は必ずLLMに間違えられた経験を持っています。「ありません」という回答は使っていないか出力の検証をしていないかのどちらかです。この回答が出た場合、「仕様書ドラフトでないAPIメソッドが参照された」のような具体的な失敗体験がないことは、LLMの限界理解が浅いサインと判断できます。"

[[extra.faqs]]
question = "プロンプトが上手い候補者と実務でLLMを活用できる候補者は同じですか？"
answer = "別です。プロンプトの評価で見るのは「技術的な上手さ」ではなく「問題解決の思考プロセス」です。LLMを使って何を解決したいかが明確で、出力を検証して次のアクションに移せるかどうかを見ています。また、LLMを使わなくていい場面でLLMを使わない判断ができるかどうかも、実務の生産性に影響します。"

+++

LLMを採用面接でどう評価するかは、多くの採用担当者が悩んでいることだ。

「ChatGPTを使っていますか」という質問は意味がない。使っていると答える人がほぼ全員になった上に、使っていることと使いこなせることは全く別だ。

3つの評価方法を紹介する。

---

## 方法1：「LLMで解決した問題」を具体的に掘り下げる

**質問の入り方：**
「最近、LLMを使って解決した具体的な問題はありますか。その問題が何で、どうLLMを使い、何が変わったかを教えてください」

**何を見るか：**

良い回答の特徴は「問題→アプローチ→結果→学び」の流れがある。

例：「コードレビューのコメントを書くのに時間がかかっていた。Claudeに差分と確認ポイントを渡して、コメントの初稿を出させて、それを編集するようにしたら30分が5分になった。ただし、コンテキストが長くなると回答の精度が落ちるので、差分ごとに分割して渡すことにした」

この回答には、問題の特定・LLMへの渡し方の工夫・失敗からの改善が入っている。

懸念がある回答：「文章作成とかコードのデバッグに使っています」—具体的な問題解決の記述がない。

---

## 方法2：ライブでプロンプトを書いてもらう

面接の場でLaptopかドキュメントを見せて、「この問題をLLMに解かせるプロンプトを書いてみてください」と依頼する。

**使いやすい問題例（採用面接文脈）：**
「採用要件書から、面接評価シートの項目と評価基準のドラフトを出させてください。採用要件書はこれです（サンプルを渡す）」

**見るポイント：**

1. **コンテキストをどれだけ入れるか** — 「採用評価シートを作って」という最小限のプロンプトを書く人と、「面接官がバラバラだと困るため、評価項目は5点満点で統一し、各項目に評価基準の例文を入れてほしい」という指示まで書く人では、LLMとの向き合い方が違う。

2. **出力形式を指定するか** — 「表形式で」「マークダウンで」「JSON形式で」など出力形式を指定するかどうか。APIで使う用途が想定できているかを確認できる。

3. **一回で諦めるか、改善するか** — 最初の出力に「ありがとうございます」で終わるか、「この部分が違う、もう少しこうしてほしい」と続けるか。

---

## 方法3：「LLMが間違えた経験」を聞く

LLMを実際に使っている人は必ずLLMに「だまされた」「間違えられた」経験を持っている。

**質問：**「LLMが間違った答えを出して、困った経験はありますか」

**何を見るか：**

「ありません」という回答は、使っていないか、出力の検証をしていないかのどちらかだ。

良い回答の例：「仕様書のドラフトをLLMに出させたら、実際にはないAPIのメソッドが参照されていた。以来、コードに関わる部分は必ず実行確認してから使うようにした」

この回答から確認できること：
- LLMの幻覚（hallucination）現象を理解している
- 出力を盲目的に信頼しないスタンス
- 問題から学んで使い方を改善している

---

## 評価の罠：「プロンプトが上手い」≠「仕事ができる」

プロンプトエンジニアリングが上手いことと、実務でLLMを活用できることは別だ。

プロンプトの評価で見ているのは「技術的な上手さ」ではなく「問題解決の思考プロセス」だ。LLMを使って何を解決したいかが明確で、出力を検証して次のアクションに移せるかどうかを見ている。

また、LLMを使わなくていい場面でLLMを使う人も気になる。「このくらいの確認なら自分でできる」という判断をできるかどうかも、実務の生産性に影響する。

---

## 採用面接で使える質問一覧

| 目的 | 質問 |
|---|---|
| LLMの実務活用を確認 | 「最近LLMを使って解決した問題を具体的に教えてください」 |
| プロンプト設計能力を確認 | 「この要件をLLMに渡すプロンプトを作ってみてください」 |
| LLMの限界理解を確認 | 「LLMに間違えられて困った経験はありますか」 |
| 継続的な学習スタンス確認 | 「半年前と今で、LLMの使い方は変わりましたか」 |
| 業務改善への活用を確認 | 「LLMを使い始めて、やめた作業はありますか」 |

LLMの評価は「使えるかどうか」ではなく、「問題解決にどう組み込んでいるか」を見ることが本質だ。

---

## 関連記事

- [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](/n/ai-engineer-hired-but-underused/) — 面接質問の具体的なセットと回答の見方
- [LLMエンジニアの採用実技テスト — 何を出してどう採点するか](/n/ai-hiring-culture-fit-limits/) — 面接と実技テストの組み合わせ方
- [「LLMが使えるエンジニア」と「ソフトウェアエンジニアリングができるエンジニア」は別の能力だ](/n/ai-hiring-culture-fit-limits/) — プロンプトスキルとエンジニアリング基礎の使い分け