石神大輔 | Human Capital AI Lead

【㊗️「XAION HR 採用管理」を提供開始します㊗️】 XAION DATAから新しい採用管理システム「XAION HR 採用管理」をリリースしました！ 事業開発として構想から関わらせていただき、世に出すことが出来ました！！！ いやー、AIネイティブな夢のATSが出来たと思ってます（転職してやりたかった、AI×HRの思想を全部詰め込んでます笑） 自分で言うのもですが、めちゃくちゃいいのが出来たので、人事の皆さんに触っていただきたい…！ （無料版あるので、お気軽に言ってください！） ーーー 今回作りたかったのは、応募者を管理するだけのATSではありません！ 採用の現場では、候補者情報の転記、日程調整、評価入力、集計…と、多くの時間が「管理すること」に使われています。 本来もっと時間を使いたいのは、次のような問いや対話のはずです！！ ①なぜ採用できていないのか ②どのチャネルを改善すべきか ③この候補者とどう向き合うか ーーー そこで「XAION HR 採用管理」では、候補者・選考情報を一つに集約し、AIが情報の整理と分析を支援しながら、課題の発見から次のアクションまでをつなげます。 コンセプトは「管理から改善へ」 AIに採用判断を任せたいわけではありません。AIに任せられる業務は任せて、 人が候補者との対話と意思決定に集中できる状態をつくりたいのです！ （人材業界にいた身として、ここは譲れないところです） まだスタート地点なので、今後は求人媒体や外部サービスとの連携、AIによる採用オペレーション支援、市場データを活用した分析を順次広げていきます。 その先に、評価・人材配置・スキル・育成までつながる「HR One Platform」を見据えていますので、 乞うご期待です！！ まずは採用から、新しい形を提供していきます！ ※プレスリリースはコメント欄へ

スカウトを個別化するとき、GitHubのリポジトリや登壇スライドのURLを冒頭に貼るだけで終わらせているケースが多いですが、それは「調べました」の証明にしかなりません。 スカウトを受け取った相手が最初に判断するのは「この人は自分の何を見て、何を期待しているのか」という点です。GitHubのURLを貼っても、そこに紐づく解釈がなければ、テンプレートにリンクを追加しただけと受け取られます。登壇歴も同様で、「○○で登壇されていましたね」という言及は、相手にとって既知の情報を繰り返しているだけです。 個別化が機能するのは、情報の転記ではなく「自分たちの文脈への接続」があるときです。相手のリポジトリを見て「この設計判断を、自社の○○という課題に当てはめたい」と書く。登壇スライドを読んで「その考え方は、今私たちが取り組んでいる○○の方向性と重なる」と書く。情報を起点に、相手が自分たちのチームで働く具体的な場面を想像できるところまで書き切ることが、個別化の実体です。 手順として整理すると、GitHubや登壇ページを開いたら、まずリポジトリ名・スター数・コミットコメントではなく「設計の意図や技術選択の背景」を読む。登壇なら「主張のポイントと、それが解決しようとした問題」を読む。その上で、自社の現在のフェーズや課題と照らし合わせ、「なぜその人にこの仕事が合うのか」を1〜2文で書き出してからスカウト本文を書き始める順序が最短です。 この順序で書くと、冒頭の文章が相手固有の「解釈」になります。相手側から見ると、自分の成果物を読んで理解した上で声をかけてきた人物として映り、返信を検討する動機が生まれます。テンプレートに情報を足す構造では生まれない差異が、ここで発生します。 スカウトの個別化とは、情報収集の量ではなく、収集した情報に対して自分たちの文脈で解釈を加える作業です。GitHubや登壇歴は「読む素材」であり、「貼る素材」ではありません。 相手のアウトプットを読んで、自社の課題と接続した解釈を1文書く。それがスカウト個別化の核心です。

【VIVANT考察 × AI討論】リュウの行動は確信犯か、野崎主導の駒か ClaudeとGrokに議論させたら、真っ二つに割れました。 Claude派: カメラ遮断という能動的判断はリュウにしか実行できず、非致死射撃も含め場を設計したのはリュウ自身だと見る。 Grok派: メールは野崎由来であり、リュウの役割は端末と手順の提供に限られる野崎主導の作戦だと見る。 私はClaude派。カメラを切る判断ができる立場にいた時点でリュウが黒幕だ。日曜の放送で答え合わせです。 #VIVANT

木曜夜こそIndeedやGreenの求人原稿の見直しをするタイミングです。週末に候補者が求人を閲覧するピークを前に、職務内容や魅力付けの文言がズレたままでは機会を損します。金曜午前までに直してください。

採用KPIを見直すとき、まず確認すべきは「そのKPIが採用の質を測っているか、それとも作業量を測っているか」という区別です。 応募数・書類通過率・面接設定数といった数値は、採用チームの活動量を可視化するには便利です。しかし、これらは「よい人材を採れたか」を直接は測りません。活動量KPIが積み上がっていても、現場の配属後パフォーマンスや定着に課題が続いている場合、KPIとビジネス成果がずれているサインです。 なぜこのずれが生まれるかというと、測りやすいものを目標にする慣性があるからです。応募数は集計しやすく、週次報告にも載せやすい。一方、入社後の活躍度合いや早期離職率は、採用担当が数値を取りに行かないと手元に来ません。結果として、手に入りやすいデータだけがKPIとして固定化されていきます。 もう一つの原因は、採用と配属後の評価が分断されていることです。採用チームの評価期間が入社まで、あるいは試用期間終了までで区切られていると、それ以降の情報が採用の振り返りに使われません。KPIは設計者の責任範囲に引っ張られる構造があります。 見直しの手順としては、まず現在使っているKPIを「活動量指標」「質指標」「成果指標」の三つに分類することを勧めます。活動量指標だけが並んでいれば、質指標（書類〜内定の各ステージの通過理由の記録）と成果指標（配属後の上長評価・早期離職の有無）を追加する設計に切り替えます。HRMOSやSmartHRなど採用管理ツールは入社後データとの連携機能を持つものがあるため、人事データとの接続を検討する価値があります。 この見直しによって何が変わりうるかというと、採用チームが「どのチャネルから入った人が現場で活躍しているか」を判断軸に持てるようになります。活動量の最大化ではなく、質の高い採用経路への集中が合理的な選択として議論できるようになるからです。 採用KPIは、測ることで行動が変わる指標だけが機能します。報告のための数値管理を続けるか、採用の意思決定を変えるための指標設計に切り替えるか、そこが採用機能の実力差を分けるポイントです。

SuperGrokPlusでGrok Botを使っていたら「ボットの利用枠を使い切っています」と出た。 でもSettings → Usageを見ると週間Super Limitは2%使用中、リセットは11/5 1:14、Grok Botの消費も全体の2%だけ。追加クレジットも$5残ってる。 Bot画面とUsage画面の表示がずれてる？同じ症状の人いますか？

同じ文をそのまま別のSNSに貼り付けると、場の空気に合わず会話が生まれにくくなりがちです。Xの投稿をThreads向けに書き直し、締めに答えやすい問いとトピックをひとつ加える形にすると、反応が起きやすくなります。

採用担当者にAIリテラシーが必要なのは、ツールを使うためではなく、AIの出力を疑うためです。ChatGPTやCopilotが出した候補者評価や求人文を、そのまま使う前に一度止まれる判断力こそ、今の採用現場で最も実用的なスキルです。

採用ブランドの発信が「会社紹介」で終わっている組織は、候補者に選ばれる前に検討対象から外れています。 求職者が企業を調べるとき、最初に見るのは求人票ではなくSNSや社員の発言です。そこに「何をやっているか」しかなければ、候補者は「自分がここで何になれるか」を想像できません。採用広報が事業説明に終始する組織ほど、候補者体験の入口で機会損失が起きやすい構造です。 なぜこうなるかといえば、採用広報を「広報」ではなく「説明」として設計しているからです。伝えるべきは事業の概要ではなく、その組織で働く人間の輪郭です。どんな判断をし、何に迷い、何を優先しているか。その具体性があって初めて、候補者は「この場所にいる自分」を重ねられます。 施策として勧めるのは、発信の単位を「組織」から「人」に切り替えることです。採用ページやSNSで、社員個人が直近の意思決定や失敗を短文で語るコンテンツを月次で出します。テーマは「直近で悩んだ判断」「自分の役割がどう変わったか」の二軸に絞ると、書き手の負担が下がり継続しやすくなります。 この形式に変えることで、候補者が「カルチャーフィット」を自分で判断できる材料が増えます。企業側が「合う人を探す」より、候補者が「自分が合うか判断する」構造にした方が、入社後のミスマッチは減りやすい。選ばれる前に自己選別が進む設計が、採用品質を底上げします。 採用広報の目的は共感を集めることではなく、合わない人を事前に離脱させることです。そのためには「良さを見せる」より「実態を見せる」方が、結果として機能します。 採用ブランドは、候補者に「ここは自分の場所ではない」と判断させる勇気を持てた組織から強くなります。

おはようございます。候補者体験を今日一つ改善するなら、選考結果の連絡に「次のステップ」か「理由の一行」を足してみてください。それだけで印象が変わります。

AI生成の調査サマリーや公開データを採用判断の根拠にする動きが広がっていますが、使い方を間違えると判断精度を下げます。 AIは情報を要約・構造化するのは得意ですが、「文脈の読み違え」を起こします。たとえば「競合他社のエンジニア採用動向」をAIにまとめさせると、公開されている求人票・採用ブログ・LinkedIn投稿を集約した出力が返ってきます。しかしその情報の鮮度・信頼性・バイアスをAI自身は評価しません。出力の構造が整っているほど、読み手が「正確なデータ」と誤読するリスクが高まります。 もう一つの落とし穴は、「公開データ＝採用判断の根拠」として直接使う発想です。公開データは市場平均や集計値であって、自社のポジション・文化・ターゲット候補層に即した情報ではありません。AIで整理したデータをそのまま採用基準や選考設計に当てはめると、自社が本当に必要とする人材像からずれた判断基準が生まれます。 実務での正しい使い方は「AIで仮説を立て、一次情報で検証する」という順序です。手順としては、①AIに「この職種の採用市場トレンドを構造化して」と問い、出力を叩き台にする、②その叩き台を持って採用担当が現場マネジャーや候補者との接点から得た情報と突き合わせる、③ずれた部分を言語化して自社固有の採用要件に落とし込む、という三段階を踏みます。AIの出力はあくまで「問いを立てるための素材」として使います。 この順序を守ると、AIが生成した整合性の高い誤情報に引っ張られることなく、現場の感覚とデータを組み合わせた判断ができます。AIの出力は「正しいかどうか」より「有益な問いを引き出せるか」で評価するべきです。 採用判断におけるAIの役割は「代替」ではなく「問いの精度を上げるツール」と定義するのが最短の使い方です。

【VIVANT考察 × AI討論】リュウの銃撃は意図的な脱出支援か、偶然の生存か ClaudeとGrokに議論させたら、真っ二つに割れました。 Claude派: 銃弾が一発も内臓に達していない事実から、熟練射手が意図的に急所を外したと判断。野崎との3時間の密室接触が事前合意の機会だったと推察。 Grok派: 頭部への追撃と脈確認後の埋葬指示が殺意を示しており、単なる制裁と脈の誤判断による偶然の生存と判断。 私は意図的支援説を取る。あの弾道の精度は偶然では説明できない。日曜の放送で答え合わせです。 #VIVANT

内定者フォローで一番効くのは、入社前に「業務に直結する小さな質問」を届けることです。「研修で戸惑いそうなことはありますか」の一言で、不安の輪郭がはっきりし、入社後の離脱リスクも下がります。問いの設計が先だ。

週半ばこそATSの進捗ダッシュボードを開いて、選考ステータスが止まっている候補者を洗い出してください。滞留が長引くほど辞退リスクは高まり、週末にまとめて動いても手遅れになります。水曜が、採用の流れを取り戻す最後のタイミングです。

求人票に「歓迎要件」を並べすぎると、採用したい人物像が霞んで、採否の根拠がブレます。 要件が多いのは「絞り込めていない」のではなく、「不採用にしたい人を言語化していない」ことが原因です。採用担当が「誰を落とすか」を先に合意しないまま要件を書くと、各部門の希望が足し算され、結果として誰でも当てはまるような条件の羅列になります。書き手が無意識に「多い方が丁寧に見える」と感じていることも、この傾向に拍車をかけます。 もう一つの構造的な問題は、要件を「あれば嬉しいもの」と「なければ困るもの」に分類できていない点です。この区別をしないまま求人票を書くと、選考が進んだ段階で「やっぱりここが気になる」という後付けの落選理由が生まれ、採用プロセス全体の信頼性が下がります。 手順は次のとおりです。まず採用チームで「この求人で不採用にしたい人の特徴」を1つだけ言語化します。例えば「仕様が曖昧なまま動けない人」「決裁ラインを無視して進める人」のように、具体的な行動パターンで書きます。次にその特徴の裏返しを必須要件の軸にし、業務遂行に直接関わる要件だけを5つに絞ります。6つ目以降は歓迎要件に移す、または削除します。必須要件は「この条件を満たさない候補者は、どう育成しても業務が回らないか」を基準に残す・外すを判断します。 この順序で設計した求人票は、選考基準が一次スクリーニングから最終合否まで一貫しやすくなります。要件が絞られることで、採用担当・面接官・現場責任者が「見るべきポイント」を共有しやすくなり、合否の根拠を言語化する負荷も下がります。 求人票は採用の入口ではなく、採用基準の設計図です。「落とす理由を先に決める」という逆算の発想こそ、最終合否のブレを防ぐ最短の手順です。

採用にAIを使い始めるとき、まずツール選びから入る人事担当者が多いですが、順序が逆です。 ツールを先に選ぶと、機能に振り回されて業務が増えます。AIは「曖昧な作業を自動化するもの」ではなく、「言語化された基準を高速で処理するもの」です。基準が不明確なまま導入しても、アウトプットの品質を誰も評価できません。 また、採用業務は担当者ごとに手順が属人化していることが多く、「自分がやっていること」を言語化する習慣がないまま進むと、AIに渡せるインプットが用意できません。AIは指示の精度に依存するため、インプットが曖昧なほど出力も曖昧になります。 最初のステップは、今週自分が行った採用業務を1つ選び、その作業を「誰が・何を判断基準に・どの順番で処理しているか」をテキストで書き出すことです。たとえば「求人票の修正」なら、修正箇所・修正理由・最終的な判断基準を文章化します。この文章がそのままChatGPTやClaudeへの指示文（プロンプト）になります。ツール選びはその後です。 この手順で進めると、AIへの指示が具体的になるため、出力の精度が上がります。さらに副次的な効果として、業務の言語化によって採用基準のバラつきが浮き彫りになります。AI活用の本当の価値は自動化だけでなく、属人化した判断を組織の資産に変えることにあります。 採用AIの活用で成果を出している現場に共通するのは、ツールより先に「自分たちの業務を言語で記述できる状態」を作っていることです。 AIツールを選ぶ前に、自分の業務を言語化する。それが採用AI活用の唯一の正しい出発点です。