結論：人材紹介エージェントのキャンディデート管理業務（レジュメ要約・スカウト文生成・面談ログ整理・推薦書作成・ATS連携）は、Claude Codeを軸にしたMCP連携で「人が判定する/AIが下書きする」境界を明確化すれば、コンサルタント1名あたり週20〜30時間の事務工数を週6〜10時間に圧縮できる想定モデルである。
- 要点1：Claude Code v1.x + MCP（Greenhouse / Lever / Slack）で、ATS入出力・社内ドキュメント検索・スカウト文生成を1つのワークフローに統合できる
- 要点2：職業安定法5条の4（求人等に関する情報の的確な表示）、個人情報保護法、厚労省「公正な採用選考の基本」に抵触するプロンプトは、AIシステム側でガードレール化する必要がある
- 要点3：合否判定・スコアリングを「AIが決める」設計は法的・倫理的リスクが高い。AIは「下書き・候補抽出・要約」までに限定し、最終判断は必ず人が行う設計に固定する
対象読者：人材紹介・人材派遣・RPO・ハイクラス特化エージェントの経営者、開発責任者、CTO、情報システム部門
今日やること：自社のキャンディデート管理フローを「人がやるべき判断」と「AIに下書きさせていい作業」に分類し、後者だけを Claude Code のCLAUDE.mdに棚卸しする
本記事は想定シナリオ（モデルケース）を解説しています。記載のエージェント名・年商規模・数値は、Uravationが人材業界の経営者・開発責任者向けに行ったヒアリングを元にした想定モデルであり、特定の実在企業の実測値ではありません。実装数値は「導入時の参考値」として読んでください。
「うちのコンサルタントは1日中、Greenhouse と Outlook と Word の間を行ったり来たりしてるんですよ。レジュメ読んで、要約書いて、スカウト送って、面談ログ起こして、推薦書を顧客企業に送って……。1人あたり面談以外で週25時間は事務に取られてる」
これは、年商5億円規模の人材紹介エージェント（コンサルタント10名規模）の経営者からの相談で、ほぼ同じ言葉を別のRPO受託会社（コンサルタント30名規模）でも、ハイクラス特化エージェント（コンサルタント5名規模）でも聞いた。人材紹介ビジネスの構造的なボトルネックは「候補者と求人の橋渡し」そのものではなく、その周辺のドキュメント生成・連携作業に張り付いている。
本記事では、この事務作業の固まりをClaude Codeでどう分解し、どこまでをAIに任せ、どこから先は人が責任を持つべきか、Anthropic公式ドキュメントとMCP連携の技術詳細を踏まえながら、コピペで動くプロンプトと CLAUDE.md 設定例を交えて整理する。
1. 人材紹介エージェントの業務全体マップと工数の実情
本題に入る前に、人材紹介エージェントの業務を「コンサルタント1人あたり1週間」で粗く分解しておく。エージェントの規模で内訳は変わるが、Uravationが3社（年商5億エージェント10名 / RPO受託30名 / ハイクラス特化5名）でヒアリングした想定モデルでは、平均的なコンサルタント1名の週40時間は概ね以下のように分布する。
| 業務カテゴリ | 典型工数（週） | 主な作業 |
|---|---|---|
| 候補者面談（一次・二次） | 10〜12時間 | Zoom面談、評価メモ作成 |
| 顧客企業ミーティング | 4〜6時間 | 求人ヒアリング、進捗共有 |
| レジュメ要約・スクリーニング | 6〜8時間 | WordやPDFを読んで要約 |
| スカウト文作成・送信 | 4〜6時間 | LinkedIn / 自社DB / メール |
| 面談ログ整理・社内共有 | 3〜4時間 | 議事録、Slack共有 |
| 推薦書ドラフト作成 | 3〜5時間 | 顧客企業に提出する推薦資料 |
| ATS入力・更新 | 2〜4時間 | Greenhouse / Lever / 自社DB |
この表で重要なのは、面談以外の事務作業が 週20〜30時間を占めるという点である。年商規模が大きいほど採用ボリュームが増えて事務比率が上がる傾向があり、年商10億超のRPO受託会社では「事務工数 60%、対人業務 40%」という逆転状態も観察される。
人材紹介ビジネスの収益構造は「成約フィー（年収の30〜35%が相場）」であり、コンサルタントが面談・顧客企業対応に使える時間が直接売上に効く。事務工数を圧縮できれば、その分が新規候補者の面談 or 既存候補者の追跡に振り向けられるため、ROIの計算は単純である。
2. なぜ既存のATS・SaaSだけでは効率化が頭打ちになるのか
Greenhouse、Lever、bizreach、HRMOS等のATS（Applicant Tracking System）は、候補者管理のデータベース機能としては成熟している。だが、コンサルタントが日々行う「レジュメを読んで要約し、それを顧客企業向けに編集し、面談メモと統合して推薦書を出す」というドキュメント生成作業そのものは、ATSの守備範囲ではない。
そこで多くの企業が、ChatGPTやGeminiの個別利用、あるいはNotion AI等のドキュメントAIで部分的に補完しようとするが、ここで3つの壁にぶつかる。
- 個人情報の取り扱い：候補者の氏名・職歴・年収・年齢などをChatGPTのWeb UIに貼り付けてしまうと、社内コンプライアンス違反、場合によっては個人情報保護法の取り扱い同意違反になる
- ATSとの双方向連携不足：Web UIで生成した要約をATSにコピペで戻す作業が結局残り、効率化が中途半端で終わる
- 顧客企業ごとのトンマナ差：A社向け推薦書とB社向けでは要求される文体・項目が異なるが、Web UIだとプロンプトが毎回バラつく
Claude Code（Anthropic 公式: Claude Code Documentation）が人材紹介業務に向いている理由は、(a) ローカル環境で動くため個人情報の社外送信を .gitignore / 環境変数で制御できる、(b) MCP（Model Context Protocol）でATSやSlackと直接つながる、(c) CLAUDE.mdに顧客企業ごとのトンマナや、職業安定法・個人情報保護法に基づくガードレールを明文化して、コンサルタント全員に共通の設計を強制できる、の3点に集約される。
3. Claude Code 実装5手順｜全体アーキテクチャ
本記事の中核となる5手順のアーキテクチャを先に示す。
┌─ ローカルPC ─────────────────────────────────┐
│ Claude Code v1.x │
│ ├─ CLAUDE.md（顧客企業別トンマナ + ガードレール） │
│ ├─ .claude/skills/ │
│ │ ├─ resume-summarizer/ │
│ │ ├─ scout-writer/ │
│ │ ├─ interview-logger/ │
│ │ ├─ recommendation-drafter/ │
│ │ └─ ats-sync/ │
│ └─ MCP servers │
│ ├─ greenhouse-mcp │
│ ├─ slack-mcp │
│ └─ filesystem-mcp（レジュメPDF置き場） │
└────────────────────────────────────────────────┘
↑ ↓
レジュメOCR ATS書き込み・通知このアーキテクチャの肝は、5つのスキル（resume-summarizer 等）をそれぞれ独立した .claude/skills/<name>/SKILL.md として分離している点である。Anthropic の Skills 機能（公式ドキュメント上は Skills という概念で提供される）を使うと、トリガーワード（「このレジュメ要約して」「スカウト書いて」）に応じて自動的に該当スキルが起動する。コンサルタントが毎回「○○のプロンプトを使って」と指示しなくても、自然な日本語で依頼できるようになる。
手順1：レジュメOCR → 構造化要約
技術詳細：受領するレジュメはWord・PDF・Google Docs・テキスト直貼りと様々である。Claude Code は filesystem-mcp 経由でローカルディレクトリにアクセスでき、PDFは Claude のネイティブPDF解析能力で直接読み込める。OCRが必要な画像PDFは pdftotext や pdf2image + tesseract をBashツールで呼んで前処理する。
スキル定義：.claude/skills/resume-summarizer/SKILL.md
---
name: resume-summarizer
description: 受領したレジュメPDFやWordから候補者プロフィールを構造化要約する。「レジュメ要約」「候補者要約」「履歴書まとめて」と言われたら起動。
allowed-tools: Read, Bash(pdftotext:*), Write
---
# レジュメ構造化要約スキル
## 入力
- レジュメファイル（PDF / Word / テキスト）
## 出力フォーマット（JSON）
{
"candidate_id": "C-YYYYMMDD-NNN（ファイル名から生成）",
"summary_for_internal": "150字以内の社内向け要約",
"years_experience": "数値（不明ならnull）",
"current_role": "現職役職",
"current_industry": "現職業種",
"strengths": ["強み1", "強み2", "強み3"],
"potential_matches": ["合いそうな求人カテゴリ"],
"concerns_to_verify": ["面談で確認すべき項目"],
"data_handling_note": "本要約は社内検討用。顧客企業送付時は別途推薦書スキルを使うこと"
}
## ガードレール
- 氏名・連絡先・現年収の具体額・住所・生年月日は出力JSONに含めない（社内DBのIDで管理）
- 年齢・性別・国籍・配偶者有無・宗教等の「公正な採用選考」で配慮すべき属性は要約から除外する
- 仮定した点は必ず"仮定"と明記する
- 不足情報があれば最初に質問する
プロンプト例1（コンサルタントが使うトリガー）：
このレジュメ要約して: ./inbox/20260526_candidate_A.pdf
要約対象は外資系SaaS企業のセールス職向け候補者プール。
出力は社内Slack #candidates-review への共有用。
氏名・連絡先・年収具体額は除外し、強みと懸念を中心に。
不足している情報があれば、最初に質問してから作業を開始してください。期待される効果：従来コンサルタントが1件あたり12〜18分かけていたレジュメ要約が、AI下書き + 人レビューで1件あたり4〜6分の想定モデル。週10件処理する場合、週60〜80分の短縮に寄与する。
手順2：スカウト文のペルソナ別生成
技術詳細：LinkedIn / bizreach / Direct Recruiting向けスカウト文は、(a) 求人案件のペルソナ、(b) 候補者の経歴、(c) コンサルタント個人の文体、の3要素を組み合わせて生成する必要がある。コンサルタント個人の文体（敬語の温度、絵文字の有無、自己開示の量）はCLAUDE.mdに固定し、案件・候補者は都度入力する設計にする。
スキル定義：.claude/skills/scout-writer/SKILL.md
---
name: scout-writer
description: 候補者プロファイルと求人案件を入力し、媒体別のスカウト文を生成する。「スカウト書いて」「DM下書き」「リクルーティングメッセージ」と言われたら起動。
allowed-tools: Read, Write
---
# スカウト文生成スキル
## 媒体別フォーマット
- LinkedIn InMail: 件名30字以内、本文900字以内、CTA明示
- bizreach: 件名40字以内、本文1500字以内、面談打診先言及
- メール: 件名50字以内、本文2000字以内、署名フル
- Slack DM（社内）: 件名なし、本文500字以内、絵文字1〜2個OK
## 必須要素
1. 候補者の具体的な経歴に触れる1文（テンプレ感を消す）
2. 案件が候補者にとってのキャリア機会である根拠1文
3. 提示できる年収レンジ（明確に出せる場合のみ）
4. 次のアクション（面談打診 or 詳細案件送付）
## ガードレール（職業安定法・個人情報保護法）
- 年収・勤務地・雇用形態・業務内容の表示は虚偽にしない（職業安定法5条の4「求人等に関する情報の的確な表示」）
- 候補者の氏名・現年収・現所属を、本人同意なく他社案件メールに含めない
- 「絶対転職できる」「年収必ず上がる」等の断定は禁止
- 性別・年齢・国籍を理由とした選別表現は禁止（雇用対策法10条・男女雇用機会均等法）
プロンプト例2：
下記の案件と候補者で、bizreach向けスカウト文を作成してください。
【案件】
- 顧客企業: X社（外資系SaaS、シリーズC、従業員200名）
- ポジション: エンタープライズセールス・マネージャー
- 想定年収レンジ: 1,400万〜1,800万円
- 勤務地: 東京・リモート可
- 募集背景: 既存顧客拡張のチーム立ち上げ
【候補者】
- ID: C-20260526-001
- 現職: 国内大手SaaS企業セールス・リード
- 経験: SaaSセールス8年、マネジメント2年
- 強み: SMB→ミッドマーケットへの引き上げ、年間1.5億円達成
【コンサルタント個人ノート】
- 過去2回辞退歴あり（前回理由: 勤務地）→ リモート可を明確に伝える
- 配偶者の転勤可能性ありとの自己申告 → 勤務地柔軟性を強調
仮定した点は必ず"仮定"と明記し、断定表現は避けてください。プロンプト例3（媒体別バリエーション生成）：
上記スカウトの「LinkedIn InMail版」「メール版」「社内Slack DM共有用要約」の
3バリエーションを生成してください。
LinkedIn InMail は900字、メールは2000字、Slack DMは500字以内厳守。
件名は3案ずつ出してください。期待される効果：従来1スカウトあたり15〜25分（媒体別の書き分けを含めると倍）かかっていた作業が、AI下書き + 人レビューで5〜10分の想定モデル。週20件のスカウトを送るコンサルタントの場合、週3〜5時間の短縮を見込む。
手順3：面談ログのリアルタイム要約
技術詳細：面談はZoom録画 → 文字起こし（Otter / Notta / Tactiq / tldv等）を経て、Claude Code に流し込む。文字起こしは候補者の同意取得後に行う（個人情報保護委員会 ガイドラインに基づく明示同意）。Claude Code 側では、面談ログを「内部メモ」「顧客企業共有用ドラフト」「ATS入力用構造化データ」の3形態に変換する。
スキル定義：.claude/skills/interview-logger/SKILL.md
---
name: interview-logger
description: 面談文字起こしから内部メモ・顧客共有ドラフト・ATS入力用JSONを生成する。「面談ログまとめて」「面談要約」「議事録から推薦」と言われたら起動。
allowed-tools: Read, Write
---
# 面談ログ要約スキル
## 出力3形態
### 内部メモ
- 候補者の温度感（転職意欲A/B/C）
- 次アクション
- ネガティブ要素を含めて率直に記載
### 顧客企業共有ドラフト
- 候補者の強みと案件適合性
- ネガティブ要素は「面談で深掘り済み・問題なし」等の事実ベースに変換
- 個人属性（年齢・性別・家族構成）は含めない
### ATS入力用JSON
{
"candidate_id": "C-...",
"interview_round": 1,
"interview_date": "YYYY-MM-DD",
"consultant_id": "U-...",
"next_action": "...",
"next_action_due": "YYYY-MM-DD",
"tags": ["..."]
}
## ガードレール
- 候補者の同意なしに録画・文字起こしを行ったログは扱わない（明示同意の確認を最初に求める）
- 顧客企業共有ドラフトには、年齢・性別・配偶者有無・国籍・宗教・健康状態を含めない
- センシティブ情報（病歴・前科・組合活動歴等）は内部メモにも残さない
プロンプト例4：
./interviews/20260526_C-001_round1.txt の文字起こしから、
内部メモ・顧客企業X社共有ドラフト・ATS JSONの3つを生成してください。
事前確認:
1. この文字起こしは候補者の明示同意のもと作成されたものか？（はい/いいえで答えてから作業に入って）
2. 候補者が「オフレコ」と述べた発言は要約から除外してください
3. 数字や固有名詞は文字起こしに登場するもののみ使用し、推測で補完しない期待される効果：従来1面談あたり30〜45分かかっていた議事録・推薦下書き作業が、AI下書き + 人レビューで10〜15分の想定モデル。週8面談のコンサルタントで、週3〜4時間の短縮を見込む。
手順4：推薦書ドラフトの自動化
技術詳細：顧客企業に提出する推薦書（Recommendation Document）は、(a) 候補者プロファイル要約、(b) 面談ログから抽出した適合性根拠、(c) 顧客企業ごとのフォーマット（A社はPDF1枚、B社はWord2枚等）、を組み合わせて生成する。顧客企業ごとのフォーマットはCLAUDE.mdに以下のように記述する。
CLAUDE.md 抜粋例：
# 顧客企業別 推薦書フォーマット
## X社（外資系SaaS）
- 形式: Markdown → PDFエクスポート
- ページ数: 1枚厳守
- 必須項目: Executive Summary（3行）/ Career Highlights（箇条書き5項目）/ Why this candidate（3段落）
- 禁止項目: 年齢、性別、写真、現年収の具体額、家族構成
- 推奨表現: 数値根拠を必ず添える（「年間ARR 1.5億達成」等）
## Y社（国内大手メーカー）
- 形式: Word（社内テンプレ使用）
- ページ数: 2枚以内
- 必須項目: 職歴年表 / 強み3点 / 想定オンボーディング期間
- 言語: 敬体厳守、英語表記は和訳併記
## Z社（スタートアップ）
- 形式: Notion ページ
- 必須項目: 30字キャッチフレーズ / 候補者X-twitter または Github URL（本人公開のみ）
- カジュアル可、絵文字1〜2個OKプロンプト例5：
候補者 C-20260526-001 の推薦書を、X社向けフォーマットで作成してください。
入力:
- ./candidates/C-20260526-001/summary.json
- ./candidates/C-20260526-001/interview_log_summary.md
要件:
- CLAUDE.md の「X社」セクションに完全準拠
- 1枚厳守、禁止項目混入チェックを冒頭で必ず実行
- 数値根拠は面談ログまたは要約JSONに記載のあるものだけ使用
- 仮定した数値は「推定」「想定」と明記し、出力末尾に断り書きを置く
- 公正な採用選考の原則（厚労省）に反する記述がないか自己チェック期待される効果：従来1推薦書あたり40〜60分かかっていた作業が、AI下書き + 人レビューで15〜20分の想定モデル。週10件の推薦書を出すコンサルタントの場合、週4〜6時間の短縮を見込む。
手順5：ATS（Greenhouse / Lever）連携
技術詳細：手順1〜4の出力をATSに反映する作業は、コンサルタントが手動コピペすると週2〜4時間かかる。Greenhouse / Lever はいずれもREST APIを公開しており（Greenhouse Harvest API）、MCPサーバーとして実装するか、Claude Code の Bashツールでcurl経由で直接叩く設計が可能である。
スキル定義：.claude/skills/ats-sync/SKILL.md
---
name: ats-sync
description: Claude Code 内で生成した候補者要約・面談ログ・推薦書をGreenhouseに同期する。「ATS反映」「Greenhouse更新」と言われたら起動。
allowed-tools: Read, Bash(curl:*), Write
---
# ATS同期スキル
## 必須環境変数
- GREENHOUSE_API_KEY（Harvest APIの Read/Write 権限を持つキー）
- GREENHOUSE_BASE_URL = https://harvest.greenhouse.io/v1
## 同期対象
1. candidates/{id}/summary.json → POST /candidates
2. candidates/{id}/interview_log_summary.md → POST /activity_feed
3. candidates/{id}/recommendation.pdf → POST /candidates/{id}/attachments
## ガードレール
- API呼出前に、ローカルのDRY_RUN環境変数=trueでまず内容を表示する
- 既存候補者の上書きは confirm プロンプトを必ず挟む（誤上書き防止）
- APIエラー時はリトライ前にユーザーへエラー詳細を提示
- ログは ./logs/ats_sync_YYYYMMDD.log に保存（PII は ID のみ記録）
プロンプト例6：
候補者 C-20260526-001 について、本日生成した
summary.json / interview_log_summary.md / recommendation_X.pdf を
Greenhouseに同期してください。
DRY_RUN=true で実行し、送信予定内容を表示してから、
私が "OK 送って" と返したら本実行してください。
それ以外の文言では本実行しないでください。プロンプト例7（バッチ同期）：
./candidates/ 配下で本日付（2026-05-26）の更新があった全候補者について、
ATS同期の対象差分一覧を表示してください。
各候補者ごとに:
- 候補者ID
- 更新対象（summary / interview_log / recommendation のいずれか）
- 既存ATSデータとの差分（上書き / 新規追加 / スキップ）
- 個人情報の含有チェック（NGワードリストでgrep）
を表示し、1件ずつ "OK" / "skip" の指示を待ってから実行してください。期待される効果：従来ATS入力に週2〜4時間かかっていた作業が、バッチ同期で週30〜60分の想定モデル。年商規模が大きいほどコンサルタント数 × 候補者数の積で効果が大きくなる。
4. 想定事例3パターン｜年商・規模別の効果試算
以下は 想定モデルケース（モデル試算）であり、特定企業の実測値ではない。Uravationのヒアリングを元にした仮説試算として読んでほしい。
想定事例A：年商5億円・コンサルタント10名のエージェント
| 項目 | 導入前（想定） | 導入後（想定試算） | 差分 |
|---|---|---|---|
| 事務工数/週/人 | 25時間 | 9時間 | -16時間 |
| 月成約数/全社 | 12件 | 17件（想定） | +5件 |
| 追加売上想定 | — | 年間 +6,000万〜9,000万円 | (成約フィー単価 120万円〜180万円想定) |
想定事例B：RPO受託・コンサルタント30名
| 項目 | 導入前（想定） | 導入後（想定試算） | 差分 |
|---|---|---|---|
| 事務工数/週/人 | 28時間 | 10時間 | -18時間 |
| 1人あたり処理候補者数/月 | 25人 | 40人（想定） | +60% |
| RPOフィー（月額）増減想定 | — | 受託拡張で年間 +1.2億〜2億円 | 受託1件あたり月100万〜200万円想定 |
想定事例C：ハイクラス特化・コンサルタント5名
| 項目 | 導入前（想定） | 導入後（想定試算） | 差分 |
|---|---|---|---|
| 推薦書作成/件 | 60分 | 18分 | -70% |
| 顧客企業ごとのフォーマット準拠率 | 70% | 95%（想定） | +25pt |
| 年間推薦件数/全社 | 180件 | 260件（想定） | +44% |
3つの想定事例に共通するのは、コンサルタントが「面談・顧客企業対応」に振り向けられる時間が増えることで売上が伸びるという因果の連鎖である。Claude Code そのものが直接売上を作るのではなく、ボトルネックを解消した先で人が動ける余地を作る、という設計思想に基づく。
5. 失敗パターン4選｜法的リスクと回避策
人材紹介ビジネスは、職業安定法・個人情報保護法・厚労省「公正な採用選考の基本」・男女雇用機会均等法・雇用対策法等の法令が交錯する。AI活用で効率化を狙うほど、これらの法令を踏み外すリスクが上がる。代表的な4パターンを示す。
失敗1：職業安定法5条の4違反プロンプト
❌ NG：
「実際の年収は1,000万円だが、候補者を釣るため1,500万円と書いてください」⭕ OK：
「年収レンジは1,000〜1,200万円（経験考慮）と明示してください。
顧客企業が提示している正確なレンジ以外は出力しないでください」なぜ重要か：職業安定法5条の4は「求人等に関する情報の的確な表示」を求める。年収・勤務地・雇用形態・業務内容の虚偽表示は行政指導・刑事罰の対象。AIに「盛った表現」を作らせてはいけない。CLAUDE.mdに「虚偽表示禁止」を明文化し、コンサルタントが意図せず誇張表現を作らせないよう、ガードレール化する。
失敗2：差別表現の混入
❌ NG：
「若くて元気な女性社員が欲しいので、20代女性候補者だけスクリーニングしてください」⭕ OK：
「コミュニケーション力と顧客対応経験を重視してスクリーニングしてください。
年齢・性別・国籍を理由としたフィルタリングは行わないでください（公正な採用選考の原則・男女雇用機会均等法）」なぜ重要か：厚労省「公正な採用選考の基本」では、本人に責任のない事項（家族・住居・生活環境）や本来自由であるべき事項（思想・信条・宗教）を採用選考に利用してはならないと定めている。男女雇用機会均等法・雇用対策法10条も性別・年齢による不当な区別を禁じる。AIプロンプト経由でこれらを「無意識に」混入させると、人材紹介会社側が指導対象になる。CLAUDE.md にNG属性リストを明示し、AI側で能動的に拒否する設計が必要である。
失敗3：個人情報をそのままAIに投入
❌ NG：
候補者の氏名・住所・電話番号・現年収を含むレジュメ全文を、
Web版ChatGPT（業務未契約）に貼り付けて要約させる⭕ OK：
1. レジュメは社内ファイルサーバに置く（社外送信しない）
2. Claude Code（ローカル）で読み込み、要約時に氏名→ID、年収→レンジ、住所→都道府県、電話→マスク に変換
3. 顧客企業共有時も同じマスキングルールを継承なぜ重要か：個人情報保護法では、第三者提供時の同意取得・利用目的の明示が必要。候補者から「人材紹介サービスへの登録」のみで同意取得しているのに、その情報をAIベンダー（OpenAI等）の学習データに渡してしまうと、利用目的逸脱・第三者提供同意違反となる可能性がある。Claude Code（ローカル実行）+ Anthropic API（学習に使われない契約）の組合せが、PIIの管理上は最も筋が通る選択肢の一つ。
失敗4：AI判定をスコア化して合否化
❌ NG：
「この候補者のレジュメと求人を読んで、適合スコアを100点満点で出してください。
80点以下は自動で不採用扱い、ATSのstatusをrejectedに更新してください」⭕ OK：
「適合性の観点（経験・スキル・志向）を3点ずつ箇条書きで挙げてください。
ただし、合否判定や採用是非の最終判断はコンサルタントが行います。
AIは候補抽出と要約までで止めてください」なぜ重要か：AIによる完全自動の合否判定は、(a) アルゴリズミック・バイアス（学習データ由来の偏見）が候補者の機会を奪う、(b) 候補者への合理的説明が困難（プロファイリング規制の論点）、(c) 公正な採用選考の原則に抵触する、という3重のリスクを抱える。海外ではNYC Local Law 144のようにAI採用ツールに監査義務を課す規制も出てきている。日本でも今後同様の規制が議論される可能性が高い。AIは「下書き・候補抽出・要約」に責任範囲を限定する。
6. 導入ロードマップ｜段階的にリスクを抑える
Phase 1（1〜2ヶ月）— 個人検証フェーズ：コンサルタント1〜2名で、レジュメ要約スキルだけを試す。個人情報のマスキング運用・出力品質を確認。CLAUDE.mdに業務ルールを書き出す。
Phase 2（3〜4ヶ月）— チーム展開フェーズ：スカウト文・面談ログ・推薦書の3スキルを追加。5〜10名のコンサルタントで運用。社内コンプライアンス部門に運用ルール（誰が何を入力していいか）をレビューしてもらう。
Phase 3（5〜8ヶ月）— ATS連携・全社展開フェーズ：ATS同期スキルを追加し、コンサルタント全員に展開。Slack通知・週次レポート自動生成も組み込む。法務・コンプライアンス部門による定期監査体制を作る。
7. よくある質問（FAQ）
Q1：Claude Code 以外のAIではダメですか？
A1：ChatGPT Enterprise や Gemini Enterprise も同様のことは可能ですが、Claude Code はローカル実行 + MCP連携 + CLAUDE.md でガードレールを明文化できる点で、人材紹介業のような法令遵守要件が厳しい業種に向いています。
Q2：個人情報を完全にローカル化するにはどうすればいいですか？
A2：Claude Code 自体はAnthropic API経由で動くため、入力データは Anthropic に送信されます。Anthropic は商用APIで「顧客データを学習に使わない」契約を提供していますが、社内規程上ローカル完結が必要なら、レジュメ等の元データはローカルに置きつつ、AIに渡す情報を抽象化（属性のみ、ID化）する設計が現実解です。
Q3：失敗パターン4の「スコア化」はどこまでが許容範囲？
A3：AIが「候補者ABCを優先順位順に並べた」程度は実務的に行われていますが、その結果をコンサルタントが個別レビューせず自動でrejectする設計は法的にリスクが高い。並べ替えはAI、最終判断は人、という線を引きます。
Q4：ATSがGreenhouse以外（HRMOS / bizreach 等）でも実装できますか？
A4：APIが公開されているATSなら同じ設計が適用できます。HRMOS、ジョブカン、bizreachはいずれも何らかの形でAPIまたはWebhookを提供しています。MCPサーバーが未提供の場合は、Bashツールでcurl経由で叩く実装になります。
Q5：コンサルタントが「ChatGPTで十分」と言って勝手に使い始めた場合は？
A5：これは多くの企業で起きるシャドーAI問題です。情報システム部門で「業務利用可能なAIツール」をホワイトリスト化し、契約・利用規程を整備した上で、Claude Code 等を「公式に提供」することで、影で使われるリスクを下げます。
8. まとめ｜今日から始める3つのアクション
本記事のポイントを3つに絞る。
- 業務分解：コンサルタント1人あたりの週次タスクを書き出し、「人がやるべき判断」と「AIに下書きさせていい作業」に分類する（30分）
- CLAUDE.md 起草：5つのスキル（レジュメ要約・スカウト・面談ログ・推薦書・ATS同期）のうち、まず1つだけ選んでSKILL.mdの素案を書き出す。ガードレール（職業安定法・個人情報・差別表現禁止）を最初から組み込む（2〜3時間）
- 1案件でパイロット：実際の1候補者で全工程を回し、AI出力を人がレビューする時間も測定する（半日〜1日）
Claude Codeは「人材紹介ビジネスの本質である人と人の繋ぎを、AIが奪う」道具ではない。むしろ、ドキュメント整備の事務を圧縮することで、コンサルタントが本来やるべき候補者との対話・顧客企業との関係構築に集中できる時間を取り戻すための道具である。法令遵守と効率化を同時に成立させる設計は、初期1〜2ヶ月の丁寧な棚卸しで決まる。
人材紹介エージェントのClaude Code導入を支援します
株式会社Uravationでは、人材紹介・人材派遣・RPO企業向けに、Claude Code を軸としたキャンディデート管理自動化の導入支援・個別指導を行っています。本記事の5手順を貴社の業務にカスタムフィットさせるご相談を承ります。
- 業務棚卸しワークショップ（半日〜1日）
- CLAUDE.md / SKILL.md 設計支援
- ATS連携実装・法務レビュー伴走
3つのアクション：
関連記事
出典
- 厚生労働省「公正な採用選考の基本」https://www.mhlw.go.jp/stf/seisakunitsuite/bunya/koyou_roudou/koyou/saiyou/index.html（参照日：2026-05-26）
- e-Gov 法令検索「職業安定法」（5条の4「求人等に関する情報の的確な表示」を含む）https://elaws.e-gov.go.jp/document?lawid=322AC0000000141（参照日：2026-05-26）
- Anthropic「Claude Code Documentation」https://docs.claude.com/en/docs/claude-code/overview（参照日：2026-05-26）
- Greenhouse「Harvest API Documentation」https://developers.greenhouse.io/harvest.html（参照日：2026-05-26）
- 個人情報保護委員会「個人情報の保護に関する法律についてのガイドライン」https://www.ppc.go.jp/personalinfo/legal/guidelines_tsusoku/（参照日：2026-05-26）
著者プロフィール
佐藤傑（さとう・すぐる）。株式会社Uravation代表取締役。X（@SuguruKun_ai）フォロワー約10万人。100社以上の企業向けAI研修・導入支援。著書『AIエージェント仕事術』（SBクリエイティブ）。SoftBank IT連載執筆。
