人事・採用と生成AI｜職務経歴書要約と個人情報の境界

少子高齢化に伴う労働力不足を背景に、企業の採用競争は激化しています。特に中堅・大手企業や急成長中のスタートアップにおいて、採用担当者が直面している最大の課題の一つが「大量の職務経歴書（レジュメ）の読み込みとスクリーニング」です。

こうした中、ChatGPTに代表される生成AI（大規模言語モデル：LLM）を活用し、職務経歴書の要約を自動化する動きが加速しています。しかし、人事・採用部門が扱うデータは究極の個人情報です。安易な導入は、情報漏洩やプライバシー侵害のリスクを招きかねません。

本記事では、IT実務者の視点から、職務経歴書の要約における個人情報保護の境界線、安全なシステム環境の選定、そして精度の高い要約を実現する具体的な運用フローを解説します。

人事・採用における生成AI活用の現在地と「職務経歴書要約」のニーズ

書類選考工数の削減が急務となっている背景

有効求人倍率が高止まりする中、母集団形成のために複数の求人媒体やエージェントを併用することで、人事担当者が確認すべき候補者数は膨大になっています。1件の職務経歴書を精読するのに平均3〜5分かかるとすると、100名の応募があればそれだけで8時間以上の工数が消費されます。この「一次スクリーニング」の負荷が、面接や候補者への動機付けといった「人間にしかできない業務」を圧迫しています。

生成AI（LLM）が得意とする「非定型データの構造化・要約」

生成AIは、決まったフォーマットのない職務経歴書から、必要な情報（経験年数、スキル、実績、直近の職責など）を抽出・整理する能力に長けています。従来のキーワード検索では難しかった「文脈を読み取った評価の補助」が期待できる点が、これまでの採用ツールとの大きな違いです。

採用プロセスにおける「要約」の具体的な活用シーン

• 書類選考の1次パス： 募集要件（JD）とのマッチ度をスコアリングし、要約文と共に提示する。
• 面接前のブリーフィング資料： 多忙な面接官のために、候補者の強みと懸念点を1枚にまとめる。
• エージェントへのフィードバック： お見送り理由を言語化するための補助。

こうした効率化のニーズがある一方で、情報の取り扱いについては慎重な設計が求められます。特に退職者のアカウント管理や、複数のツールにデータが散在するリスクについては、SaaS増えすぎ問題と退職者のアカウント削除漏れを防ぐ仕組みで解説しているような、統合的なID管理の視点が欠かせません。

【最重要】職務経歴書と個人情報保護の境界線

生成AIを利用する際、最も懸念されるのが「入力したデータがAIの学習に利用され、他者の回答に流出するのではないか」という点です。しかし、実務上はそれ以前に「個人情報保護法」の遵守と「匿名化の定義」を正しく理解する必要があります。

改正個人情報保護法と生成AIへのデータ入力

日本の個人情報保護法では、本人の同意を得ずに個人情報を第三者に提供することを原則禁止しています。生成AIのプロバイダー（OpenAI社など）が「第三者」に該当するかどうかは、契約形態やデータの利用目的に依存します。一般的には、採用候補者から「採用活動の範囲内でAIツールを利用する」旨の同意をプライバシーポリシー等で得ておくことが望ましいとされています。

何が「個人情報」に該当するか？

職務経歴書には、直接的な個人情報と、間接的な個人情報が含まれます。

• 直接的な個人情報： 氏名、生年月日、住所、電話番号、メールアドレス、顔写真。
• 間接的な個人情報（個人識別符号等）： 現在の勤務先、特異なプロジェクト名、具体的な役職、SNSアカウントのURL、社員番号。

氏名を伏せるだけで「匿名化した」と判断するのは危険です。例えば「2024年に〇〇株式会社で△△プロジェクトのリーダーを務めた人物」という情報は、公開情報と照らし合わせることで容易に個人を特定できる可能性があるためです。

匿名化処理（マスキング）のガイドライン

安全を期すためには、AIに入力する前に以下の情報のマスキングを検討してください。

1. 固有名詞（氏名、学校名、会社名）を「A氏」「B大学」「C社」に置換。
2. 具体的なプロジェクト名を一般的な呼称（例：「大規模ECサイト構築」）に変更。
3. 住所（都道府県以降）や電話番号の削除。

安全に要約を行うためのシステム環境選定

実務においては、どのプラットフォームでAIを動かすかがセキュリティの要となります。以下に主要な環境の比較表を示します。

企業が実務で導入する場合、最低でも「ChatGPT Team」以上のプラン、あるいは「Azure OpenAI Service」の利用を推奨します。特にAzure OpenAI Serviceは、データがMicrosoftの管理下（日本国内リージョンの選択も可能）にあり、学習に一切利用されないことが規約で明記されているため、法務部門の承認を得やすい傾向にあります。

また、これらのツールを導入する際は、単独で利用するのではなく、既存の業務フローに組み込むことが重要です。例えば、社内のドキュメント管理としてGoogle Workspaceを活用している場合は、Google Workspace × AppSheetを用いて、安全なデータ入力UIを構築することも一つの解です。

職務経歴書の要約精度を最大化するプロンプト設計

単に「この職務経歴書を要約してください」と指示するだけでは、採用基準に満たない要約が出力されたり、存在しない経歴を捏造（ハルシネーション）されたりする恐れがあります。

ハルシネーションを防ぐための指示

プロンプトに以下の制約を加えることが実務上不可欠です。

「提供されたテキストに含まれていない情報は絶対に出力しないでください。不明な点は『記載なし』と回答してください。」

構造化要約のプロンプト例

目的

採用候補者の職務経歴書を、書類選考のために構造化して要約してください。

制約事項

箇条書きで出力すること

専門用語はそのまま保持すること

定量的実績（売上〇％増など）を優先的に抽出すること

出力項目

専門スキル・使用ツール

主な職務経験（期間、役割、実績）

候補者の強み

募集要項[JDのURLや要件]との合致点・懸念点

実践：生成AIを活用した要約・スクリーニングの運用フロー

実務でAI要約を定着させるための3つのステップを解説します。

Step 1：事前準備（匿名化プロセスの確立）

まず、PDFやWord形式の職務経歴書からテキストを抽出します。この際、Pythonのスクリプトや専用のツールを用いて、正規表現などで氏名や電話番号を自動的にマスキングする処理を挟むのが理想的です。手動で行う場合は、社内で「入力禁止項目」を明確に定めたマニュアルを整備してください。

Step 2：AIへの入力と要約実行

前述のセキュアな環境（API経由など）でプロンプトを実行します。この際、単一の要約だけでなく、「エンジニア視点での評価」「人事視点での評価」など、複数の役割（ペルソナ）を与えて分析させることで、多角的な判断材料を得ることができます。

Step 3：人間による最終確認（Human-in-the-Loop）

AIの要約はあくまで「補助」です。最終的な合否判定は必ず人間が元データを確認した上で行う運用を徹底してください。AIは「行間を読む」ことや「カルチャーフィットの微細なニュアンス」を捉えることにはまだ課題があるためです。

こうした業務の自動化は、人事領域に留まりません。例えば経理部門におけるCSVデータの変換や仕訳の自動化については、ミロク(MJS)からfreeeへの移行におけるAI変換実務のような事例が、データの構造化という観点で非常に参考になります。

よくあるエラーとトラブルへの対処法

• トークン制限エラー： 職務経歴書が長文（1万文字以上など）の場合、一度に読み込めないことがあります。その場合は、職歴ごとに分割して入力するか、Claude 3.5 SonnetやGPT-4oのような長文に強いモデルを選択してください。
• フォーマット崩れ： PDFからテキストを抽出した際に改行が乱れ、AIが文脈を誤解することがあります。テキスト抽出ツール（Adobe AcrobatのAPIやAWS Textract等）の精度に依存するため、前処理の工程を見直しましょう。
• バイアスの発生： 特定の大学名や企業名に過剰に反応する傾向がある場合、プロンプトで「学歴や社名による偏見を排除し、職務内容のみで評価せよ」と明示的な指示を追加します。

まとめ：セキュリティと効率性を両立させるためのロードマップ

生成AIによる職務経歴書の要約は、採用業務を劇的に効率化する可能性を秘めています。しかし、その土台となるのは「クリーンなデータ管理」と「セキュアなインフラ」です。

まずは自社のプライバシーポリシーを更新し、Azure OpenAI Serviceなどの安全な環境を確保することから始めてください。AIは魔法の杖ではなく、適切に設計された「業務フローの一部」として組み込まれた時に、初めて最大の価値を発揮します。

もし、採用データの管理だけでなく、全社的なSaaS連携やデータ基盤の構築に課題を感じているのであれば、SFA・CRM・MA・Webの違いとデータ連携の全体設計を参考に、部門を横断したデータアーキテクチャの最適化を検討することをお勧めします。人事データもまた、企業の重要な資産（アセット）であり、その活用には一貫した戦略が必要不可欠だからです。