株式会社renue
採用分析エージェント
採用分析エージェントで、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。
職務経歴書とは？ 履歴書との違いと2026年の位置づけ
職務経歴書とは、これまでの業務経験・スキル・成果を詳細に記載する転職用書類です。履歴書が「基本プロフィール（学歴・職歴・資格）」を定型フォーマットで伝えるのに対し、職務経歴書は「何を、どのように、どれだけの成果を出したか」を自由形式で伝える書類であり、書類選考の合否を最も大きく左右します。
2026年の転職市場では、AI機能を備えたATS（採用管理システム）の利用が広がっています。キーワードやスキル情報を整理し、選考担当者へ提示する仕組みもあります。システムを推測して過度に最適化せず、経験、役割、成果を具体的に記載することが重要です。
職務経歴書の4つのフォーマットと選び方
| フォーマット | 特徴 | 向いている人 |
|---|---|---|
| 逆編年体式 | 直近の職歴から順に記載。最も一般的 | 直近の経験をアピールしたい人（元の転職市場8割という比率は、対象・時点・原典が未確認） |
| 編年体式 | 古い職歴から時系列順に記載 | 一貫したキャリアの成長ストーリーを見せたい人 |
| キャリア式 | 職種・プロジェクト別にスキルをグルーピング | 複数の職種・業界を経験した人、専門スキルをアピールしたい人 |
| スキルシート式 | 技術スキル・使用ツールを一覧表で整理 | ITエンジニア・データサイエンティスト等の技術職 |
迷ったら逆編年体式を選んでください。直近の経験を伝えたい場合に使いやすい構成です。AI ATSが直近職歴を一律に優先採点する、または逆編年体式が最も高い通過率になるという根拠は未確認です。提出先の指定と伝えたい経験に合わせて選びます。
職務経歴書の基本構成：7つの必須項目
- タイトル + 日付 + 氏名：「職務経歴書」とタイトルを明記。日付は提出日（郵送なら投函日）。右寄せで氏名
- 職務要約（3〜5行）：キャリア全体を3〜5行で要約。採用担当者が最初に読む「つかみ」であり、ここで興味を引けなければ本文は読まれない
- 職務経歴（会社ごと）：会社名・在籍期間・事業内容・従業員数・ポジション・担当業務・実績を記載。実績は必ず数値で表現する
- 活かせる経験・スキル：応募企業で活かせるスキルを箇条書きで整理。AI ATSのキーワードマッチングで最も重要な項目
- 資格・免許：応募職種に関連する資格を記載。取得年月を明記
- 自己PR：職務経歴では伝えきれない「仕事への姿勢」「再現性のある強み」を記載。具体的なエピソードと成果で裏付ける
- テクニカルスキル（技術職の場合）：使用言語・フレームワーク・ツール・クラウドサービスを一覧表で整理。習熟度（実務○年）も記載
AI時代の職務経歴書：伝わりやすく書く5つの原則
原則1：定量データで埋め尽くす
以下の5原則は本記事の書き方の提案で、全ATSの共通採点規則や通過保証ではありません。確認できる成果・役割を具体的に伝えます。「営業成績が良かった」ではなく「前年比130%の売上を達成し、部内20名中1位」と書く。すべての業務経験に数値を入れることを意識してください。
原則2：求人票のキーワードを自然に組み込む
AI ATSは求人票に記載されたスキル・経験キーワードとのマッチングでスコアリングします。応募する求人票を必ず読み込み、使われているキーワード（職種名・ツール名・スキル名）を職務経歴書に自然に組み込みます。ただし不自然なキーワード詰め込みは人間の採用担当者に見抜かれるため、文脈に沿った記載が必須です。
原則3：A4で2枚以内に凝縮する
元の「採用担当者の確認時間が平均30秒〜1分」は、対象・測定方法・時点と原典が未確認です。3枚以上になると「要約力がない」と判断されるリスクがあります。A4で1〜2枚が理想。多くても3枚以内。古い職歴ほど簡潔にし、直近3〜5年の経験を厚く書くのが鉄則です。
原則4：見出し・箇条書き・太字で視認性を確保する
AI ATSだけでなく、人間の採用担当者も「ざっと見て」判断します。長文の段落ではなく、見出し → 箇条書き → 太字で要点を強調する構造が、AI・人間の両方に最適です。
原則5：AI時代の新必須項目 — AIツール活用実績を記載する
2026年の転職市場では、AIツールの業務活用経験が評価項目に加わっています。「ChatGPT/Claude/GitHub Copilotを活用して〇〇業務を効率化」「AI分析ツールで〇〇の精度を向上」など、AIを道具として使いこなした実績は、職種を問わず加点要素です。ネオキャリアの調査では、採用難を感じる企業の割合が高い水準に達しています。
職種別の書き方ポイントと差別化戦略
営業職
「売上金額・達成率・前年比・新規開拓件数・顧客単価」の5数値を必ず記載。担当顧客の業種・規模・商材単価も書く。差別化ポイントは「どのような顧客課題を、どのような提案で解決したか」のストーリー。
ITエンジニア
スキルシートは必須。使用言語・フレームワーク・クラウド（AWS/Azure/GCP）・CI/CDツール・開発手法（アジャイル/スクラム）を一覧化。プロジェクトごとに「規模（人数・期間・予算）」「役割」「技術的な工夫・成果」を、公開・提出を許可された範囲で記載。非公開の顧客予算等を全て必須とせず、守秘の条件を確認。2026年はAIツール（Claude Code/Cursor/GitHub Copilot等）の活用実績が強い差別化要素。
マーケティング職
「担当チャネル・予算規模・KPI（CPA/ROAS/CVR等）・改善施策と結果」を定量的に記載。デジタルマーケティングはツール名（GA4/Google Ads/Meta広告等）を明記。AIを活用したデータ分析やクリエイティブ生成の経験は高評価。
管理部門（経理・人事・総務）
「担当業務の範囲・処理件数/金額・改善施策・システム導入経験」を記載。定量化が難しい職種だが、「月次決算の締め日を〇日短縮」「採用コストを前年比〇%削減」など、可能な限り数値化する。
コンサルタント
「担当プロジェクトの業種・テーマ・規模・自分の役割・成果」を記載。守秘義務がある場合は公開・提出を許可された範囲を確認し、必要に応じて業種・規模・テーマを抽象化して書く。抽象化だけで提出許可が得られるとはしない。「AI導入支援」「DX推進」などのテーマ経験は2026年の市場で極めて高く評価される。
職務経歴書で避けるべき10の失敗パターン
- 数値がない職務経歴：「営業として活躍しました」では何も伝わらない。金額・件数・割合・順位・期間で定量化する
- 業務内容の羅列だけで成果がない：「〇〇を担当」の列挙は職務記述書（JD）のコピー。「その結果どうなったか」を書く
- 3枚以上の冗長な経歴書：要約力の欠如と判断される。直近の経験を厚く、古い経験を薄くメリハリをつける
- 求人票を読まずに汎用版を送る：AI ATSのキーワードマッチングでスコアが低くなる。応募企業ごとにカスタマイズする
- フォーマットがバラバラで読みにくい：見出し・箇条書き・太字の統一感がないと、AI・人間の両方で低評価
- 退職理由を書く：企業から特別な指定がない限り、退職理由や転職理由は職務経歴書に書かない
- AIツール活用実績を書かない：2026年の転職市場では、AIリテラシーが職種を問わず評価対象。書かないと「AI時代に適応していない」と判断されるリスク
- 提出先の指定形式・ファイル条件に従い、PDFまたは.docx等を選ぶ。Greenhouseの公式例では両形式を受け付けるが、受け付けと自動解析の成功は別。PDFを全ATSで最も安全な形式としない
- 生成AIに丸投げした職務経歴書：ChatGPT等で自動生成した経歴書はテンプレート的な表現が多く、面接で深掘りされると答えられない。AIは下書き・構成の壁打ちに使い、最終的な表現と数値は自分の言葉で書く
- 提出前のセルフチェックを怠る：誤字脱字や日付の矛盾を直し、在籍期間の空白は事実に沿って説明する。空白だけで即不合格、または全ATSで不利にならないと決めつけず、提出先の評価基準に対応する。第三者に読んでもらうか、AI添削ツールでチェックする
90日ロードマップ：転職活動と職務経歴書の完成スケジュール
Phase 1（1〜30日）：棚卸し × 下書き
- 過去の職務経験を時系列で全て書き出す（成果・数値を含む）
- 使用したツール・技術・スキルを一覧化する
- AIツールの活用実績を棚卸しする
- 応募ターゲット企業・職種を3〜5社絞り込む
- 逆編年体式で第1稿を作成する
Phase 2（31〜60日）：カスタマイズ × 応募開始
- ターゲット企業の求人票を分析し、キーワードを特定する
- 企業ごとに職務経歴書をカスタマイズ（職務要約・自己PRを調整）
- 転職エージェントまたは第三者にレビューを依頼する
- AI添削ツールでATS互換性をチェックする
- 応募開始 × 書類選考の通過率を計測する
Phase 3（61〜90日）：改善 × 面接準備
- 書類選考の通過/不通過を分析し、職務経歴書を改善する
- 通過率が低い場合、職務要約・キーワード・定量データを見直す
- 面接で職務経歴書の内容を深掘りされる準備をする
- 面接後のフィードバックを職務経歴書に反映する
- 内定交渉時の年収根拠として職務経歴書の実績を活用する
よくある質問（FAQ）
Q. 職務経歴書は何枚が適切ですか？
A4で1〜2枚が理想です。経験が多い場合でも3枚以内に収めてください。直近3〜5年の経験を厚く、10年以上前の経験は簡潔に書くのがコツです。
Q. 転職回数が多い場合はどう書けばよいですか？
キャリア式フォーマットを検討してください。時系列ではなく、スキル・経験テーマ別にグルーピングすることで、一貫した専門性や成長ストーリーを見せられます。
Q. 職務経歴書にAIを使って作成しても良いですか？
下書き・構成の壁打ちにAIを活用するのは有効です。ただし、最終的な表現・数値・エピソードは必ず自分の言葉で記述してください。AIが生成したテンプレート的な表現は面接で見抜かれます。AIは「書く手間」を減らすツールであり、「内容」を代替するものではありません。
Q. 書類選考の通過率はどのくらいですか？
元の「20〜30%が中央値」「IT・専門職で50%超」は、応募者・求人・期間・選考段階・集計方法と原典が未確認です。共通の通過率目標や書式変更の効果保証とせず、自分の応募履歴を同じ条件で振り返って改善してください。
Q. 在籍期間に空白がある場合はどうすればよいですか？
正直に記載してください。空白期間に学習・資格取得・フリーランス活動などがあれば、その内容を簡潔に記載します。空白期間の扱いは企業・製品・設定によって異なり、全ATSが不利に採点しないとは断定しません。空白だけで即不合格とも決めつけず、内容を事実に沿って説明します。
AI時代の転職市場で職務経歴書の通過率を最大化し、AIリテラシーを武器にキャリアアップを実現したい方は、AI人材としてのキャリア構築をご検討ください。AIコンサルティング・AI開発・広告AI運用・CAD AI等の領域で、実務経験を積みながら市場価値を高められる環境が広がっています。
あわせて読みたい
2026年版アップデート：AI ATS時代の職務経歴書を最適化する6つの実装視点
本記事はAI ATS時代の職務経歴書の書き方を5原則・4フォーマットで整理しているが、2024〜2026年にかけてATS（採用管理システム）側の構造そのものが進化している。本章では、(a) ATSのAI高度化に伴う書き方の更新、(b) 経済産業省を関連政策情報の入口として参照すること（ATS採点の直接根拠とはしない）、(c) renueの採用現場から見た「AI ATSと人間の評価者の両方を通過する」設計、を整理する。
ATSの解析・評価機能は製品と設定を確認する
ATSのファイル解析、検索・情報整理、候補者の評価は別の機能です。2022年頃の全製品が単純なキーワード採点で、2024〜2026年に全製品がNLP・LLMによる文脈/不自然表現/経歴の一貫性の自動評価へ移ったという一次根拠は未確認です。採用企業が使う製品と設定を確認し、自動解析の可否から採点方式まで推測しないでください。
つまり「キーワードを散らせばOK」のテクニックは2026年では通用しなくなり、(i) 文脈に沿った自然な言い回し、(ii) 数値・実績による具体性、(iii) 経歴全体の一貫したストーリー、を満たす必要がある。経済産業省のトップページは政策情報の入口で、求職者にAI採点へ最適化した書類を要求する直接の出典ではありません。ここでの構成・表現の提案は、経験を正確に伝えるための本記事の方法論として扱います。
6つの実装視点 — AI ATSと人間評価者の両方を通過する
2026年の職務経歴書を設計する際の6つの実装視点を整理する：
- パース可能なフォーマットで提出する：提出先の指定に従い、PDFまたは.docx等の受け付け条件を確認する。Greenhouseの公式解析ガイドは画像化した書類、複雑な表・段組・ヘッダー等を解析不成功の原因例として挙げる。拡張子だけで優劣を決めず、テキストを抽出できるシンプルな構造（見出し→箇条書き→数値）で確認する。
- キーワードは「3〜5個の核」を求人票から抽出：求人票の実際の要件と自分の経験に対応する表現を整理する。3〜5個を見出し・実績・スキルの3箇所へ配置するのは整理の目安で、全ATSの採点規則ではない。語数や出現箇所を超えると自動減点されるという根拠は未確認のため、不自然な反復を避けて事実と文脈に沿って記載する。
- 数値による定量化を最優先：「営業を担当」ではなく「年商◯億円のチームで新規顧客◯社を獲得し売上前年比◯%向上」など、可能なすべての箇所を数値化する。AIが全て同じ一貫性採点を行うとはせず、数値の期間・役割・算出条件を人が確認できるように記載する。
- AI活用実績を明記：「ChatGPT/Claude等で◯◯業務を効率化」「LLMエージェントで◯◯ワークフローを自動化」「Embedding検索で◯◯ナレッジを構築」など、AIを道具として使いこなした実績は、職種を問わず2026年の加点要素になっている。
- 応募企業ごとのカスタマイズ：全ATSが汎用版を低く採点するとは断定せず、応募先の要件と自分の経験の対応を明確にする。応募ごとに「求人票を読んでカスタマイズした版」を作る。AIで初稿を作っても、最終的な数値・表現は自分で書く。
- 経歴の一貫したストーリーを設計：転職理由・志望動機・現在のスキル・将来のキャリア仮説が、説明としてつながっているかを確認する。全ATSが同じ自動評価を行うとはしない。場当たり的に飾った表現より、自分のキャリアストーリーが明確な書類のほうが通過率が高い。
AI生成の職務経歴書を「そのまま提出」する典型的な落とし穴
生成AIに丸投げした職務経歴書には、以下の典型的な弱点がある：
- テンプレート的な表現が多い：「成果を上げました」「貢献しました」など、AIが好む抽象的な表現が連発される。全ATSがこうした表現を検知して自動減点するという根拠は未確認で、まず経験・役割・成果が具体的に伝わるかを確認する。
- 数値が空欄や架空になる：AIは事実情報を持たないため、数値部分が「◯◯%」「◯◯人」のままになるか、もっともらしい架空の数値で埋められる。面接で深掘りされると答えられない。
- 応募先企業との接続が薄い：AIは応募先企業の事業内容・採用ニーズを正確に把握できないため、「なぜこの企業か」「自分の経験がどう貢献できるか」の部分が浅い。
- 本人らしい言葉が消える：AIが生成した文は均質化されており、書類選考を通っても面接で「書類と本人の印象が違う」と評価される。
AI生成の職務経歴書は「下書き・構成の壁打ち」までに使い、最終的な数値・表現・志望動機は自分の言葉で書くのが2026年の標準的な使い方になっている。
renueの示唆：採用側もAIで読む — だから「素材の質」が決定的
renueでは採用プロセスにおいて、職務経歴書の解析・推薦状作成・候補者プロファイル整理にLLMを活用している。これは多くの採用組織で標準化されつつある運用で、職務経歴書の解析→候補者要件マッチング→面接設計までAIエージェントが補助する。具体的には：
- 職務経歴書の構造化：LLMが職務経歴書を解析し、(a) スキル一覧、(b) 実績の数値、(c) 経歴の一貫性、(d) 応募先との接続性、を構造化データに変換する。
- 面談記録との突合：書類選考後に面談記録と照合する場合は、利用目的と評価基準を候補者に説明します。差異だけで評価を下げず、人が内容を確認します。
- 推薦状の自動生成：人材紹介経由の場合、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生成する仕組みも実装されている。
- 候補者ペルソナの分類：複数候補者の職務経歴書をクラスタリングし、採用ペルソナごとに優先順位を整理する。
つまり採用側もAIで読むので、AI ATS視点だけでなく「AIで構造化したときに価値が伝わる書き方」「人間評価者が深掘りしたときに答えられる素材」の両方を満たす必要がある。素材として弱い経歴をAIで盛っても、最終的な面接プロセスで剥がれる構造になっている。
キャリア設計の判断軸：「ATS最適化」より「素材の質」を磨く
2026年版で更新すべき判断軸は以下の5つ：
- 素材の質：実際に取り組んだ仕事の量・難度・成果。書類の書き方より、書類の元となる経歴そのものの厚みが決定的。
- 数値化習慣：日々の業務で成果を数値で記録しているか。「あとから数値化する」ではなく、業務遂行中に数値を取る習慣。
- AIツール活用実績：自分の業務でAIを使いこなした事例。LLM・エージェント・Embedding検索など、具体的なツール名と効果を語れるか。
- ストーリーの一貫性：転職理由・志望動機・キャリア仮説が、過去の経歴と一本の線でつながっているか。
- 面接での再現性：書類に書いた内容を、面接で深掘りされても具体的に語れるか。AIで書いたまま提出するリスクと表裏一体の論点。
これら5軸は本記事のキャリア設計・書類作成の方法論で、AI ATSや人間の選考通過を保証するものではありません。経済産業省と厚生労働省のトップページは関連情報の入口で、本文の具体的なATS採点規則やAI最適化要求の直接出典ではありません。提出先の要件と自分の経験を照らし合わせ、書類と実務の両方を磨きます。
