kubellが「AI×HERP Hire API」で実現する次世代採用Ops ─ 成果から逆算するAI活用法とは ─

2026年10月27日(火)に実施された「kubellが「AI×HERP Hire API」で実現する次世代採用Ops ─ 成果から逆算するAI活用法とは ─」での発表資料です。
イベントページ：https://lp.herp.cloud/seminars/261027
登壇者：株式会社kubell キャリア採用グループ 入江 満理奈

Transcript

1. CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 1200 より開始いたします 1
2. 株式会社 HERP 竹本 健太（Kenta Takemoto） • 2020年よりHERP Hire事業のセールスマーケに従事。 • 2025年2月より「HERP AIリクルーター」の立ち上げ。 • 自社採用では営業組織の採用に悪戦苦闘しています！ ◦ IS/FSのハイアリングオーナー ◦ 書類選考から会食でのアトラクトまでなんでも担当 2 CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy
3. 株式会社 kubell 入江 満理奈（ Irie Marina） • 2023年、株式会社 kubell（当時 Chatwork株式会社）に新卒で 入社。 • インサイドセールス、グロースマーケティング部での広告運用を 経て、BPaaS事業のマーケティングを担当し、株式会社ミナジン との経営統合にも携わる。 • 2026年5月よりキャリア採用グループにて、 AIを活用した採用 オペレーションの改革と人事データの蓄積・活用を担当。 3 CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy
4. 本日のテーマ kubellが「AIHERP Hire API」で実現する次世代採用 Ops ─ 成果から逆算する AI活用法とは ─ 4 CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy
5. 株式会社 kubell 会社紹介 Copyright © HERP, Inc. All rights reserved. 5
6. kubellについて：中小企業の業務効率化を支援する ChatworkとBPaaS、2つの事業で中小企業の業務効率化を支援 ミッション 働くをもっと楽しく、創造的に ビジネスチャット「Chatwork」 BPaaS「タクシタ」 DXの入り口になるビジネスチャット 人とAI・SaaSで深く入り込み、DXを推進 有料ユーザーの97%が中小企業ユーザー 導入社数100.3万社以上*1 823万ユーザー 全業界・全職種の方が日常的に使うプラットフォーム 圧倒的な顧客基盤のあるプラットフォームを背景に、 チャット経由で業務を請け負いDXを推進。 一社一社に深く向き合い、業務プロセスそのものを提供 *1 2026年6月末時点 AIへの向き合い方 AIは単なる自動化ではなく、組織のケイパビリティ 「人がオペレーションを回す」前提が変わるなか、採用チームの力もAIで拡張 6
7. 前提となる採用体制 取り組み成果の概要 Copyright © HERP, Inc. All rights reserved. 7
8. 採用体制：採用担当3名で全職種を担う エンジニアからビジネス職まで、全職種の中途採用をキャリア採用グループで横断 年間の候補者規模 キャリア採用グループ 採用担当 3名 AIオペレーション開発 候補者・現場との対話 通知・転記・可視化など 仕組みづくりと運用 ↓ 評価依頼・リマインドはChatworkへ 数百名 グループ会社を含めるとさらに多い 同時に動くポジション 50〜60 優先度をつけて並行進行 現場の選考官 面接・評価はChatworkとGASで完結 HERPの画面は基本的に開かない設計 対象の職種 全職種 エンジニアからビジネス職まで ※ 新卒採用は別管理 8
9. 採用の状況：難しくなる採用市場と、kubellが重視すること 採用の難易度は年々上昇。AIも使いこなせる優秀な人材は、市場にごくわずか 人材 コスト 母集団 欲しい人物像の変化 一人あたりの採用コスト 母集団形成の難易度 AIも使いこなし、個人としても 力のある人材は市場にわずか 一人を採用するコストが上昇 一人ひとりの採用の重みが増加 出会える数そのものが減り、 会えた一人の価値が上昇 ↓ だからこそ重視すること マッチする方と出会えたとき、その人を採用できる確率をどこまで上げられるか それを実現できるオペレーションづくりが重要 9
10. 約2ヶ月で、採用オペレーションを月約200時間削減 HERP Hireへの切り替えから約2ヶ月。採用オペレーションの工数を大きく圧縮する仕組みが稼働 あわせて 採用オペレーションの工数（1ヶ月あたり） 面接官の評価入力も 月80時間 → 25時間 ▲約200時間 Chatworkから入力でき、 入力の手間も削減 290時間 → 86時間（約7割減） ここまでの期間 2026年7月1日 ソフトローンチ → 2026年7月27日 本格運用を開始 → 2026年9月 約2ヶ月で効果を測定 ※ 業務ごとの所要時間と、切り替え前後の選考ボリューム・実績をもとにした試算値 10
11. AI活用の取り組み前の課題 Copyright © HERP, Inc. All rights reserved. 11
12. 課題：ルールは整っていたが、「攻めの採用」には人手が足りない 状況 その結果 採用の難易度が 上がり続ける 優秀な人材は市場に少なく、 採用コストも上昇 しかも 攻めの採用に回す → 余力がない オペレーションで手が埋まり、 候補者と向き合う時間が減少 人を増やしても → 解決しない 選考が増えるほど、 転記や確認の作業も増加 ↓ 採用オペレーションの仕組みそのものを、抜本的に変える必要があった 目指した姿 人は判断と対話に集中し、生まれた時間を攻めの採用へ 通知・転記・確認は「作業」として、仕組みとAIへ 12
13. 課題：AI活用を決めたものの、既存システムの仕様が障壁に チーム全員が感じていたこと 全社のAI方針 無駄な作業はやめるべき 経営がAI活用を後押し AIで整えたものをATSにコピペする その工程自体が不要、という気づき CTO出身のCEOが先頭に立ち、 全社でAI活用を推進 なぜ、まだできていなかったのか AIが担う AIで評価や要約を整える → 人の手作業 ATSの画面にコピペする → 人の手作業 ATSを見に行って確認する 候補者情報も評価も、ATSへの手入力が前提 ↓ 従来使用していたATSはAPIが非公開。AIや自動化の仕組みと接続できない構造 13
14. AI活用の進め方 Copyright © HERP, Inc. All rights reserved. 14
15. ①リプレイス：ATSは「APIで何が取れるか」で選んだ 比較の軸は「API公開の有無」ではなく、「何を公開しているか」の網羅性 トライアルで実現性を確認し、経営承認を経て切り替え 選定の軸 APIの網羅性 決定までの流れ 2026年5月 1 応募から選考結果の入力まで、ATSの外から扱えるか 入社後のデータと突き合わせられるか など 複数のATSと内製化を比較 他社の人事にもヒアリング 2026年6月 2 やりたいAI起点のオペレーションを 本当に組めるかを検証 コスト リプレイスにかかる人的コストも含めて、許容できるか 2026年6月 3 移行のサポート 少人数で切り替えるため、 過去データの移行支援の手厚さを重視 APIを自分でトライアル コスト等を比較し、経営が承認 検証結果と工数の試算 2026年7月 4 HERP Hireへ切り替え 7/1にソフトローンチ、7/27に本格運用 15
16. ②アウトカム：AI活用は「何を実現するか」から逆算する 目指すアウトカム 分子 分母 採用生産性 採用の成果 採用のコスト 限られた体制で、 採用の成果をどこまで出せるか ＝ 採用につながった人数や、 入社後の活躍度合い ÷ 一人の採用にかかる 工数・費用 つまり 目指すのは、マッチする方に出会えたときの採用確率を上げること。そのための工数削減 そのために必要なオペレーション AIに任せること 速く、漏れなく、判断材料がそろう選考 選考の通知・転記・整理（判断は人） ※ 採用生産性の定義は、本取り組みでの整理 16
17. ③データ基盤：オペレーションを短縮するために先に整理する 自動化は「データを取る→ためる→判断する→届ける」の連続 前提はデータの持ち方。ここが曖昧なままでは、どの工程も自動化は困難 STEP 1 取る HERP HireのAPIで 応募・選考を取得 STEP 2 → STEP 3 ためる 同じ形式で記録し AWSにも蓄積 → 判断する AIが書類を整理し 次の作業を判定 STEP 4 → 届ける Chatworkへ通知し 画面にも並べる 進めた順番 1 データの持ち方を決める どのデータが、何と、どう結びつくかを設計 2 データを移す 前のATSにあった過去の選考データを、APIで移行 3 オペレーションを組む ステータス変更の記録・通知・評価アプリを実装 移管とAI実装を同時に設計。切り替え初日から自動化が動く状態に 17
18. 参考）学び方：非エンジニアでも、AIと一緒に作りながら学んだ 学び方は座学ではなく、AIに相談しながら小さく作って試すことの繰り返し まずAPIを触る AIを相棒にする 小さく作って直す やりたいことを 自分で検証する 設計もコードも AIに相談 ペインの大きい業務から 狭く深く進める トライアルで、Chatworkへの 通知が組めるかを確認 経営への説明材料にも Claude CodeとCodexを使い、 専任で仕組みを構築 中途採用に絞って設計し、 動かしながらチューニング あわせて大事にしたこと 候補者情報は、自社の基盤の中で守る AWSにデータレイクを構築し、AIに渡す前の環境から整備 18
19. 実装例のご紹介 Copyright © HERP, Inc. All rights reserved. 19
20. 実装①：応募もステータスの変化も、Chatworkに届く ATSを見に行かなくても、応募や選考の動きがChatworkにほぼリアルタイムで届く仕組み Before 人がATSを見に行く 定期的な画面確認 変化に気づくまでの時間差 応募から関係者への通知まで After → 最短5分 通知が人に届く 5分おきに変化を検知し、 Chatworkで関係者へ通知 仕組み HERP Hire Public APIで状態を取得 → 情報の蓄積＆自動化（GAS） 5分おきに巡回して検知 → Chatwork 担当者・選考官に届く 届く通知の例 新着応募（AI要約・コメントつき） 評価依頼と期限のリマインド 日程の確定・変更 辞退・見送りの共有 共通の考え方：「見に行く」から「届く」へ。通知を起点に作業が始まる設計 20
21. 画面イメージ：Chatworkに届くタスク ステータスが変わると、次にやることがタスクとして担当者へ POINT 1 ★で優先度が分かる 種別ごとに★5段階で優先度を表示 急ぐものから着手 POINT 2 必要な情報をひとまとめ 候補者・ポジション・日程と、 AIの判定根拠をまとめて記載 POINT 3 HERPへつなげる 本文のURLから、該当の候補者を すぐに確認 21
22. 実装②：ATSで絞り込まなくても、見たい情報だけが並ぶ 50〜60のポジションが同時に動くなかで、優先度の高い情報にすぐたどり着けるよう、 採用担当の進捗確認をダッシュボード化 Before After ボールの持ち主ごとに、自動で並ぶ ATSで都度検索 ポジションごとに 画面を行き来して 絞り込みの繰り返し 見落としも発生しやすい → 要対応（人事） 面接官の対応待ち 候補者側の対応待ち 候補者 ／ 次のアクション 候補者 ／ 次のアクション 候補者 ／ 次のアクション 候補者 ／ 次のアクション 候補者 ／ 次のアクション 候補者 ／ 次のアクション 候補者 ／ 次のアクション 候補者 ／ 次のアクション 候補者 ／ 次のアクション ボールを持っている人が、常に見える AIが全候補者の状態を整理し、ダッシュボードに表示。ATSでの操作や絞り込みは不要 22
23. 画面イメージ：採用オペレーションのダッシュボード 50〜60のポジションの状況を、ATSで検索せずに一画面で確認 POINT 1 選考ステップごとに並ぶ エントリーから内定まで、 かんばん形式で状況を把握 POINT 2 滞留・未記入が目立つ 経過営業日や評価の未記入を ラベルで表示 POINT 3 条件を保存して絞り込む 職種・経路で絞り込み、 よく使う条件は保存して再利用 ※ 実際の画面をもとにしたイメージ図 23
24. 実装③：現場の選考官は、Chatworkから評価を入力する 選考官はATSにログインしない設計。Chatworkに届く依頼から、そのまま評価入力へ STEP 1 STEP 2 STEP 3 STEP 4 依頼が届く アプリで入力 人が確定する ATSへ反映 Chatworkに 評価依頼が届く → 経歴の要約や 選考履歴を自動表示 メモをAIが型に整理 → 評価とコメントを 選考官が確定 → ATSに自動で反映し ステータスも更新 選考官にとって変わったこと 操作を覚えなくていい 入力の手間を削減 評価が早く、濃くなった ATSにログインせず、 Chatworkだけで完結 経歴や履歴が並び、 メモをAIが型に整理 記憶が新しいうちに 入力されるようになった 24
25. 画面イメージ：面接官の評価入力アプリ Chatworkの依頼から開くと、候補者情報と評価入力が一画面に集約 POINT 1 必要な情報が一画面に 応募情報・応募書類・経歴サマリー・ これまでの選考記録を並べて表示 POINT 2 面接中のメモをそのまま記入できる 面接中に気づいたことを、 好きなフォーマットで書き込むだけ POINT 3 AIが評価フォーマットに整える 「メッセージを整形する」で、メモを所定の型に並べ替え。 評価の判断は、必ず面接官自身 25
26. 定量効果：採用業務の工数を70%削減 切り替え前と現在の1ヶ月の比較で、Opsと面接官の評価入力をあわせた工数が約7割減 オペレーション工数 合計（1ヶ月あたり） 70%削減 370時間 → 111時間 年間で約3,100時間の削減 ▲204h 290h Before 86h After 面接官の評価入力 80h Before After ▲55h 25h 本題は、削れた時間で何をするか。候補者・現場との対話と、攻めの採用へ再投資 ※ 業務ごとの所要時間と、切り替え前後の選考ボリューム・実績をもとにした試算値（1ヶ月あたり） 26
27. 定性効果：PDCAを回すスピードが上がった 変化は工数だけではない 採用の状況をほぼリアルタイムでつかみ、課題の特定から改善までが短いサイクルに 人事の視点 オペレーションの視点 現場（選考官）の視点 状況がすぐに見える 判断のブレが減る 選考に参加しやすい 歩留まりや評価を ほぼリアルタイムで把握 面接の議事録にもすぐアクセス AIが情報を整理して残すので 後からの振り返りも可能 自社に合わせたオペ設計 Chatworkで完結し、 参加のハードルが低下 移行の負担も最小限 回るようになったサイクル 選考データがたまる → 課題を特定する → 改善アクション → 次の選考に生かす 選考データがたまるほど、次の選考を良くする材料も増加 27
28. 今後の展望・メッセージ Copyright © HERP, Inc. All rights reserved. 28
29. 今後の展望：人事データベースを作り、採用の成果につなげる 工数削減の効果は、すでに定量的に示せる状態に 次の一手は、採用から入社後までのデータをつなぎ、採用の成果（アウトカム）につなげること 採用広報 → 候補者獲得 選考 → → 内定 → 入社 → 活躍・定着 人事データベース：候補者になる前の接点から、入社後の活躍までを1つの構造でつなぐ いま 次に その先 選考データの基盤化 人事DBを作る 採用の成果に効かせる 応募・選考・評価を APIで一元的に取得し AWSに蓄積 → 候補者になる前の接点から 入社後の評価・活躍までを 同じ項目・基準でつなぐ → 面接の評価と入社後の活躍を 突き合わせ、見極めの精度を 引き上げ 大切なのは、正しく使える形でデータをためること 量より質。項目や評価基準をそろえ、後から比較・分析できる形で蓄積 29
30. これから始める方へ：成果から逆算し、データとセットで進める これからAI活用・採用Opsの改善に取り組む皆さんへ 1 アウトカムから逆算する 2 AIはデータ基盤とセットで考える 3 ペインの大きいところから、狭く深く 工数削減は目的ではなく手段。課題が先で、技術的な問題は後 AIより先に、データの持ち方。正しく使えるデータの蓄積が、結局いちばんの近道 効率化の前に、やめる判断。関係者が純粋に楽になる施策を優先し、成果を横展開する 最後に決めるのは、必ず人。その判断を最大限に生かすためのAI 30