人事の業務AI活用 5シーン｜スカウト・評価コメント・社内アナウンス自動化
人事は 書く仕事の比率が高い 職種です。求人票・スカウト文・評価コメント・社内アナウンス・面談記録と、文章作成だけで業務の30〜50%を占めることも珍しくありません。
このボリュームをAIで圧縮できれば、人事は 戦略人事・タレントマネジメント・組織開発 といった本質業務に時間を振り向けられます。本記事では、人事がAI活用を始める際の典型5シーンを紹介します。
なぜ人事はAI活用の優先領域なのか
人事の文章業務には以下の共通特徴があります。
- 同じ構造の文書を大量に書く（求人票・スカウト・評価コメント）
- 個別カスタマイズが品質を左右する（候補者・社員ごとの言及）
- テンプレ化と個別性の両立 が課題
これは AI が最も得意な領域です。テンプレを骨格とし、固有情報をAIに埋め込ませることで、品質と量を両立できます。
シーン1：スカウト文の量産（候補者プロファイル別の書き分け）
業務課題
リクルーター1人で月100通のスカウト文を書くと、1通あたり20〜40分かかり、業務時間の半分以上をスカウト作成に費やす 状態になる。
AI活用ポイント
- 候補者プロフィール（職務経歴・スキル）から 個別カスタマイズ
- 自社の文体を Few-shot で学習させて AI臭を消す
- 候補者の経歴に基づく 接触理由 を必ず3つ以上含める
プロンプト例
# 役割
あなたは BtoB SaaS のテックリクルーターです。
# 入力
候補者プロフィール:
{{LinkedIn or 職務経歴サマリ}}
自社のスカウト過去例（文体学習用）:
1. {{過去スカウト1}}
2. {{過去スカウト2}}
3. {{過去スカウト3}}
# タスク
1. なぜこの方に接触したいか、固有情報を3つ引用
2. 自社ポジションのフィット感を3行で説明
3. カジュアル面談へのCTAで締める
# 条件
- 文字数 300〜400字
- 業界用語を避けず、相手の専門性に合わせる
- テンプレ感を出さないため、相手プロフィール固有の言及を必ず3つ
期待効果
- スカウト文作成 30分→3分
- 月100通なら 45時間/月の削減
- 返信率 +15〜25%（個別言及の効果）
→ テンプレ集の人事カテゴリ には、エンジニア・営業・コーポレート向けの求人票テンプレが揃っています。
シーン2：評価コメント生成（自己評価・フィードバック・PIP）
業務課題
四半期/半期ごとの評価面談で、マネージャーが 数十人分のコメント を書かなければならない。短期間に集中するため、品質のバラツキと負担が大きい。
AI活用ポイント
- 評価対象者の 成果・行動ログ・1on1記録 を入力
- 自己評価向け / 上司フィードバック向け / PIP向け をシーン別に生成
- 評価者は 下書きを編集して仕上げる 運用
プロンプト例（上司フィードバック向け）
# 役割
あなたはBtoB SaaSのマネージャー評価コメント執筆支援AIです。
# 入力
評価対象者: {{氏名・職位}}
評価期間: {{期間}}
成果実績: {{KPI達成状況}}
行動ハイライト: {{特筆事項}}
改善ポイント: {{1on1で議論された課題}}
# タスク
以下構造で評価コメントを作成:
## 強み（事実ベース）
- 3項目、各2行
## 期待事項（次期）
- 3項目、各2行
- 「より大きな責任」「リーダーシップ」など抽象表現を避け、具体的行動レベルで記述
## 総合所見
- 3〜5行、評価者の言葉として自然な口調
# 条件
- 数値・実例を必ず引用
- 「努力した」「頑張った」など主観表現は避ける
- ネガティブ評価でも具体的改善行動を提案する
期待効果
- 評価コメント作成 30分/人→5分/人
- 評価者間のコメント品質バラツキ抑制
- 評価制度の公平性向上
→ プロンプト品質をチームで標準化する方法は プロンプトのバージョン管理ベストプラクティス で詳しく解説しています。
シーン3：オンボーディング資料・新入社員向けFAQの自動生成
業務課題
新入社員ごとに必要な情報が違うのに、全員に同じオンボ資料 を渡している。質問対応で人事の時間が削られる。
AI活用ポイント
- 入社者のロール・経験年数・配属部署から 個別のオンボチェックリスト を生成
- 社内制度資料を入力 → 新入社員FAQ を自動構築
- 質問パターンに応じた 動的な案内文 を作成
プロンプト例
# 役割
あなたはBtoB SaaSのオンボーディング設計担当です。
# 入力
入社者: {{氏名・ロール・経験年数・配属部署}}
社内制度資料: {{勤怠・経費・評価・休暇等の規程}}
# タスク
1. 入社1週間以内に必須のタスク10項目（優先度付き）
2. 配属部署で初日に確認すべき情報5項目
3. 想定される質問10件と回答（FAQ形式）
# 出力形式
## 1週間チェックリスト
| # | タスク | 優先度 | 期限 | 担当 |
## 部署別の初日確認事項
- ...
## 新入社員FAQ
Q: ...
A: ...
# 条件
- 経験年数1年未満なら基礎的な制度説明を厚めに
- マネージャー職入社なら組織情報・主要プロジェクト情報を厚めに
期待効果
- オンボ資料作成 半日→30分
- 新入社員からの基礎質問対応 50% 削減
- オンボ期間の早期戦力化
シーン4：社内アナウンス文（制度変更/組織変更/方針発表）
業務課題
社内アナウンスは 読まれない のが課題。役職別に書き分けるべきだが、人事の手が回らず一律のメールを配信して終わっている。
AI活用ポイント
- 1つの素材から 役職別3バリエーション（経営/マネージャー/一般）を同時生成
- 知りたい粒度と優先順位を 役職に応じて調整
- 重要度に応じた 件名提案 も同時に
プロンプト例
# 役割
あなたはBtoB SaaSの社内アナウンス文執筆AIです。
# 入力
アナウンス内容: {{制度変更/組織変更等の素材}}
影響範囲: {{影響を受ける部署・役職}}
施行日: {{YYYY-MM-DD}}
# タスク
以下3バリエーションを作成:
## 経営層向け（300字）
- 経営判断に影響する観点を最初に
- 数値・効果見込みを必ず含める
## マネージャー向け（500字）
- 部下への説明のしやすさを意識
- Q&Aで想定される質問3つに事前回答
## 一般社員向け（400字）
- 自分の業務にどう影響するかを最初に
- 行動が必要な場合は明示
各バリエーションに件名候補3つ
期待効果
- アナウンス文作成 2時間→20分
- 役職別の伝達品質向上
- 「読まれない」「伝わらない」課題の解消
シーン5：退職者面談記録の分析・離職傾向把握
業務課題
退職者面談記録が蓄積されているだけで活用されていない。離職傾向を見抜けないまま、似た理由での退職が続く。
AI活用ポイント
- 過去6〜12ヶ月の退職者面談を入力 → 離職理由のクラスタリング
- 部署/年次/職種別の 離職パターン を抽出
- 経営層向け 離職傾向レポート を自動生成
プロンプト例
# 役割
あなたはBtoB SaaSの離職分析担当です。
# 入力
過去12ヶ月の退職者面談記録（個人情報マスク済み）:
{{退職面談記録}}
# タスク
1. 退職理由を意味的に5〜7クラスタに分類
2. 部署別・年次別の離職傾向を抽出
3. 上位3クラスタについて、改善提案を経営層向けに提示
# 出力形式
## 離職理由クラスタ
| クラスタ | 該当件数 | 主な部署/年次 | 代表的な発言 |
## 部署別離職傾向
- 部署名: 件数 / 主要パターン
## 改善提案（経営層向け）
1. ...
# 条件
- 個別の退職者特定につながる情報は記載しない
- 改善提案は組織レベルでアクションできるものに限定
期待効果
- 離職パターンの早期発見
- HRBP・経営層の打ち手の質向上
- 同じ理由での連鎖退職の防止
⚠️ 個人情報を扱うため、ChatGPT Enterprise や Claude for Work など「学習除外」設定がされた契約での運用が前提です。詳細は ChatGPT Enterprise 契約だけでは解決しない3つの課題 を参照。
5シーン横断のポイント
人事でAI活用を成功させる共通パターン：
| ポイント | 内容 |
|---|---|
| 必ず人がレビューする運用 | AIは下書き、最終判断は評価者・人事責任者 |
| 固有情報の引用を強制 | テンプレ感を消すため、相手固有の言及を3つ以上要求 |
| 役職別の書き分け | 同じ情報でも対象者によって粒度を変える |
これら5シーンを支える設計原則は プロンプトエンジニアリング完全ガイド で詳しく解説しています。組織で標準化する方法は エンタープライズAI運用 完全ガイド を参照ください。
まとめ
人事のAI活用は、スカウト→評価コメント→オンボ資料→社内アナウンス→離職分析 の順で導入すると、効果が積み上がりやすくなります。書く業務の比率が高い人事ほど、AI活用のレバレッジが効きます。
プロンプト診断ツール で、自分の人事プロンプトが5軸でどう評価されるかを確認してみてください。改善点が即座に分かります。