株式会社renue
アウトソーシング効率化エージェント
アウトソーシング効率化エージェントで、この記事のテーマを実務に落とし込めます
renueが社内で運用しているシステムをサービス化したものです。何ができるか、どう動くかをサービスページでご覧ください。
人材紹介の推薦状作成をAIで効率化する方法|面談記録×職務経歴書からLLMが企業ニーズに合わせた推薦文を自動生成
人材紹介会社のキャリアアドバイザー(CA)にとって、推薦状(推薦文)の作成は求職者の書類通過率を左右する重要業務です。求職者の強み、転職理由、企業とのフィットポイントを、応募先企業の採用ニーズに合わせて説得力ある文章にまとめる——この高度なライティング業務をLLMで効率化するアプローチが2025年の人材業界で広がっています。
業務の詳細フロー(現状の手作業)
ステップ1:面談記録の確認
求職者とのキャリア面談の記録を確認します。転職理由、キャリアの志向性、現職での実績、人柄の印象、面談中のやり取りで感じたポテンシャル等をレビューします。
ステップ2:職務経歴書の分析
求職者の職務経歴書から、アピールすべきスキル・経験・実績を特定します。応募先企業の求める人物像と照合し、「何をどう推薦するか」の骨子を設計します。
ステップ3:企業ニーズとの照合
応募先企業の求人要件(必須スキル、歓迎条件、求める人物像、企業文化)を確認し、推薦状で強調すべきポイントを特定します。「この企業はリーダーシップを重視している」「技術の深さよりも幅を求めている」等の企業ニーズを踏まえます。
ステップ4:推薦状の執筆
推薦理由、求職者の強み、企業との適合性、CAとしての所見をまとめた推薦状を執筆します。推薦状の実務ガイドでも、経歴に基づく強み、本人の志向、転職理由、入社時期・待遇等の確認と整理を挙げています。複数の求職者を担当するCAには、候補者ごとの事実確認と応募先に合わせた文面調整が負荷になります。
ステップ5:推薦状の提出
作成した推薦状を、職務経歴書・履歴書とともに企業に提出します。
課題・ペインポイント
- 作成時間の負荷:1件15〜30分の推薦状作成を、月に数十件こなす必要がある
- 文章力の属人化:CAの文章力により推薦状の訴求力にばらつきが生じ、書類通過率に差が出る
- 企業ニーズとのずれ:求職者の強みを一般的に書くだけで、応募先企業の具体的なニーズに合わせたカスタマイズが不十分
- テンプレートの形骸化:同じテンプレートの使い回しで、「どの求職者にも同じような推薦状」になりがち
- 面談での印象の反映不足:面談で感じた求職者の人柄やポテンシャルが推薦状に十分反映されない
AI化のアプローチ(LLMによる実装イメージ)
入力データの設計
- 面談記録:CAが記録した面談メモ(転職理由、志向性、人柄の印象、ポテンシャル)
- 職務経歴書:求職者の経歴データ(企業名、役職、実績、スキル)
- 求人票:応募先企業の求人要件(必須スキル、歓迎条件、求める人物像)
- 過去の高通過率推薦状:書類通過に成功した過去の推薦状(RAGで参照)
- 推薦状テンプレート:自社の推薦状フォーマット、トーン&マナー
LLMへの指示(プロンプト設計の考え方)
- 役割設定:「あなたは人材紹介会社のベテランキャリアアドバイザーです。以下の面談記録と職務経歴書に基づき、応募先企業の求人要件に合わせた推薦状を作成してください」
- 構成指定:「①推薦理由の要約(なぜこの求職者を推薦するか1〜2文)、②求職者の強み・実績(求人要件に合致するポイントを具体的に)、③転職理由と今後のキャリアビジョン(前向きな表現で)、④人柄・コミュニケーション力(面談での印象に基づく)、⑤CA所見(応募先企業とのフィットについてのコメント)の構成で作成してください」(出典:キャリア求人ナビ "推薦文の効果的な書き方")
- カスタマイズの指示:「応募先企業の求人要件で最も重視されているポイントに対して、求職者のどの経験が合致するかを具体的に紐付けてください」
- トーン指定:「ビジネスフォーマルかつ誠実なトーンで。過度な誇張は避け、具体的な事実に基づく推薦にしてください」
人間が判断すべきポイント
- 面談での「直感」の反映:「この人は数値では見えないリーダーシップを持っている」等の対面でしか得られない印象をAIドラフトに加筆
- ネガティブ要素の表現:「転職回数が多い」「ブランクがある」等のネガティブ要素をどう表現するか(ポジティブに言い換えるか、触れないか)の判断
- 企業との関係性の考慮:「この企業の人事担当者はこういう表現を好む」等の対人関係を踏まえた調整
- 推薦の最終責任:推薦状の内容はCAの名前で提出されるため、内容の正確性と誠実さの最終確認
他業種の類似事例
- 銀行の融資提案書:顧客の財務データ+業界動向からLLMが提案書を自動構成(本シリーズ参照)
- 保険会社のポートフォリオ提案書:顧客プロファイルからLLMがパーソナライズされた提案書を生成(本シリーズ参照)
- コンサルティングファームの提案書:クライアント情報+過去事例からLLMがピッチ資料を生成
導入ステップと注意点
ステップ1:高通過率推薦状の分析(1〜2週間)
過去の推薦状の中から書類通過に成功した推薦状を分析し、「何が効果的だったか」の成功パターンを構造化してRAGデータベースに格納します。推薦状の書き方については、circusAGENT(人材紹介の推薦状の書き方解説)でも、書類選考通過率を上げる観点から例文を交えて解説されています。
ステップ2:プロンプト設計・テスト(2〜3週間)
職種別(エンジニア/営業/管理職等)のプロンプトテンプレートを設計し、テスト生成を行います。CAが「この推薦状で提出できるか」を評価します。
ステップ3:パイロット運用(4〜8週間)
AI生成推薦状と手作業推薦状の書類通過率を比較します(出典:岩瀬恭裕 "人材紹介業界の推薦文改善")。
注意点
- 事実の正確性:LLMが求職者の実績を「もっともらしく」誇張するリスクに注意。職務経歴書の事実に基づく記述を厳守
- 求職者の同意:推薦状の内容について求職者の了承を得ること(推薦状を見せて確認するかどうかは自社の方針に依る)
- 企業ごとのカスタマイズ:同一求職者でも応募先企業ごとに推薦の切り口を変える必要がある。1パターンの使い回しは避けること
renue視点:専用ツールではなく汎用LLMで実現する理由
推薦状作成は「求職者の強みを理解し→企業のニーズに合わせ→説得力ある文章で伝える」という言語処理です。チャプロの推薦状プロンプトのような専用テンプレートも存在しますが、汎用LLMに自社のベスト推薦状+面談記録+求人票を入力すれば、企業ごとにカスタマイズされた推薦状ドラフトが生成できます。「うちのトップCAはどのように推薦状を構成しているか」を言語化してプロンプトに落とし込むことが、AI活用の最も重要なステップです。
まとめ
人材紹介の推薦状作成は、面談記録+職務経歴書+求人要件を統合しLLMが企業ニーズに合わせたドラフトを自動生成するアプローチで大幅な効率化が可能です。ただし、面談での直感の反映、ネガティブ要素の表現判断、企業との関係性を踏まえた調整、推薦の最終責任はCAの対人力と判断力の領域です。
設計観点の整理:推薦状AI導入で陥りやすい3大落とし穴
推薦状AIは個情法・職業安定法・虚偽記載責任の3軸で設計を誤ると、候補者情報流出・虚偽推薦による企業損害賠償・CA責任追及の致命的リスクが生じる領域です。
落とし穴1:個情法×職業安定法×CA信用責任×労基法×推薦状AIの5層コンプライアンス
国内の推薦状AI化は個人情報保護法(第17条の利用目的の特定、第18条の利用目的による制限、第21条の取得時の通知・公表等。候補者の職務経歴・面談記録の利用にも適用)、職業安定法(第5条の5の求職者情報等の目的に必要な範囲での取扱い・適正管理、第51条の正当な理由のない業務上の秘密の漏示禁止等)、キャリアアドバイザーの信用責任(虚偽推薦による企業への損害賠償)、労働基準法(15条労働条件明示、推薦状記載の待遇・役職の正確性)、不正競争防止法(面談記録中の企業営業秘密の保護)の5層で重なります。AIによる推薦状ドラフト生成は有効ですが、「候補者氏名・現職企業名・面談記録を入力する前に、利用目的、本人同意の要否、第三者提供・委託の区別、守秘契約、保存・学習条件を確認する(個人情報保護委員会の生成AIに関する注意喚起参照)」「AI生成推薦内容のファクトチェック(学歴・職歴・スキルの正確性、虚偽記載は責任問題)」「人材紹介事業者の責任の下で、担当CA等による事実確認と承認の担当・手順を定める」「不要な氏名・連絡先等を除き、必要な情報だけで要約・スキル分析を行う」を設計段階で組み込みます。外部LLMや自動送信を一律に禁止する法律、またはCA個人だけが責任を負う制度と捉えず、機密性と処理内容に応じた運用を選定します。
落とし穴2:グローバル推薦状AI×GDPR Art.5最小化×GDPR Art.22自動意思決定×エグゼクティブサーチの契約報酬×HeyMilo LLM
海外推薦状AIは2026年、GDPR Art.5最小化原則(採用目的に必要な範囲のみ収集、機密情報は合法例外を除き回避、採用目的のみのデータ保持文書化)遵守必須。PhenomやAiseraの公開ガイドでは、採用・人事でのAI活用を紹介しています。ただし各サービスのモデルや保存先は個別に確認します。HeyMiloの公式方針は顧客データをモデル学習に利用しないと説明する一方、同社の処理先一覧には米国のクラウド保存やOpenAIによる一時的な処理を記載しており、すべてのデータが自社専用LLM内だけに閉じるとは扱えません。Korn Ferryの2025年度Form 10-Kでは、エグゼクティブ・プロフェッショナルサーチの報酬は通常、採用者の初年度推定現金報酬の3分の1に間接経費等を加えると説明しています。同社の契約モデルの例であり、2026年の全業界一律相場ではありません。経営幹部の探索では、依頼企業や候補者の情報を共有する範囲も契約で明確にします。GDPR第22条は、法的効果または同程度に重大な影響をもたらす専ら自動処理による意思決定について、原則的な権利と例外・保護措置を定めます。あらゆる推薦状の作成に有資格リクルーターのレビューを一律に義務付ける規定ではありません。EU AI Act附属書IIIは応募者の分析・選別・評価等を対象とし、単なる文案作成と区別します。該当する高リスク規定は2027年12月2日から適用されます。日本での設計でも、データ最小化、根拠の記録、出力の検証・修正体制を用途に応じて組み込みます。
落とし穴3:中国推薦AI×猟聘「同道汇才」大模型×国家網信弁備案×採用マッチング・面接支援×AI人材需給×PIPL
中国推薦AIの公開例では、天津経済技術開発区の2024年7月発表が、猟聘の「同道汇才」による求人作成・履歴書のマッチングや選別、求職者への履歴書改善・模擬面接支援を紹介しています。生成AIサービス備案一覧でも、同道精英(天津)信息技术有限公司の同モデルが2024年7月18日に備案されたことを確認できます。これらは提供機能の説明であり、中国全企業のAI採用率やAI面接の利用率を示すものではありません。AI人材需給について、McKinseyの2023年公表推計は、2030年の中国のAI人材需要約600万人に対して供給が約3分の1にとどまり、約400万人不足すると見込みます。将来推計と現在の実測値を区別して読む必要があります。報酬の公開例として、Hudsonの2025年3月の中国人材動向では、事業課題の特定やAI導入を担えるAIプロダクトマネジャーの年収を80~100万元としています。特定職種・人材層の動向であり、AI科学者全体の実収入や全職種共通の平均ではありません。PIPLは目的の明確化・必要最小限の収集、自動意思決定の透明性・公平性等を定めるため、候補者の選別理由を検証できる設計にします。国内保存義務は第40条の重要情報インフラ運営者や所定量の個人情報を処理する事業者等を対象とし、国外提供には第38条等の手続・条件を確認します。生成AI暫定弁法は中国国内の公衆向け提供を対象とし、第17条の備案・安全評価には世論属性・社会動員能力等の条件があります。国産モデル・中国内DC・備案をすべての社内推薦状AIに一律の必須条件とせず、日中跨境HRでは個情法・職安法・PIPL・GDPRの適用範囲と処理内容を照合します。
