【2026秋_技育祭】AI時代に面接官は、 何を評価している？〜AIを使い倒す開発現場からの本音〜

Transcript

1. 技育祭 AI時代に面接官は、 何を評価している？ 〜AIを使い倒す開発現場からの本音〜 株式会社PLAY 市川 賢
2. ABOUT ME 市川 賢（いちかわ けん） エンジニア採用の面接官も担当 2014 名古屋大学大学院 修士課程修了、富士ゼロックス入社 2015 クラウド上の文書管理サービスの開発 2019 新規サービスの開発 2020 PLAY 入社。 STREAKS の視聴分析基盤や GALLERYの 0→1開発 をリード 2022 PLAY CLOUD の複数プロダクトのマネージャー 2025 テックリードとして全社の AI基盤やオブザーバビリティを推進 株式会社 PLAY プラットフォーム本部 技術基盤部 技術推進グループ テックリード
5. ABOUT PLAY PLAY CLOUD：動画配信の裏側を支えるプラットフォーム
7. AGENDA 本日お話しすること 01 02 03 AIを使い倒す開発現場のいま プロダクト、開発、障害調査でAIを使う PLAY の実例 面接官は何を見ているか どういった人を求めているか、選考の評価ポイント 明日から持ち帰れること 人に残る3つの仕事を、自分の制作で練習する
8. 01 ｜ AI AT PLAY https://prtimes.jp/main/html/rd/p/000000188.000048688.html
9. 01 ｜ AI ACROSS DEVELOPMENT 要件定義からレビューまで、開発のすべての工程で AIを使う 1つの機能を作るとき、どの工程にも AIが入っている。人が行うのは「判断」 01 02 03 04 05 要件定義 設計 実装 レビュー PR・マージ 社内ナレッジを検索 選択肢を出して比較 役割ごとに分業 ローカルでレビュー PRでも自動レビュー 仕様の背景や過去の 経緯・障害事例を、 着手前に洗い出す AIが設計案を トレードオフ付きで 並べ、人が選ぶ 実装とテストを専門の エージェントに任せ、 テストが通るまで回す GitHubにPushする前に ローカルで AIにレビューを させておく PRを開くと play-code-actions が指摘。人がマージ 人が判断するところ AIで情報収集し人が判断 人が方針を選ぶ AIが進める AIが進める 人がマージを判断
10. 01 ｜ AI AT PLAY PLAY の AI 活用：開発から運用まで 開発・確認・運用のそれぞれに AIを入れ、その土台に「 AIが社内の情報に届く入口」を整えている 開発する 確認する 運用する AIエージェントと開発 PRのチェックと修正 問い合わせ・障害対応 Claude Code など play-code-actions 社内RAG ／ AWS DevOps Agent 調べものから設計・実装・テストまで、AI エージェントと進める PRを開くとAIがレビュー。修正の下書き や、理解度のクイズもAIが作る 問い合わせにはAIが答え、 エラー通知はAIが一次調査する MCP Platform 全社共通の入口。社内ナレッジや監視データに、AIが安全に届くための土台
11. 01 ｜ WHY Issue からマージまでの流れの課題 コードレビュー：書いたコードを別のエンジニアが確認してから、本番のコードに取り込む仕組み Issue 作者 PR レビュアー マージ 課題 1 Issue の対応 課題 2 PR を出すとき 課題 3 レビュー 直し方は分かっていても、 AI が書いたコードを、 変更の影響範囲を、 小さな Issue ほど後回しに 理解しないまま PR に出す レビュアーが毎回調べる 対策 AI が修正 PR を作る 対策 理解度クイズで確かめる 対策 AI が最初にレビューする そこで、確認と小さな修正は AI に任せ、 人は「理解と判断」に集中する
12. 01 ｜ PLAY-CODE-ACTIONS AIコードレビュー、理解度クイズ、自動修正 コードレビュー 理解度クイズ出題 Issue割り当て →自動PR作成
13. 01 ｜ WHY 社内の問い合わせ対応の課題 PLAY CLOUD（自社の動画配信プロダクト群）について、社内からの問い合わせに答えるなかで起きていたこと 課題 1 課題 2 課題 3 同じ質問が何度も届く 回答に工数が取られる 新メンバーの学習が重い 似た内容の質問が、社内の問い合わ 質問の数も多く、調べて答えるのにエ 情報が Slack や課題管理に散らばり、 せ窓口に繰り返し届いていた ンジニアの時間が取られていた まとまったナレッジがなかった 影響 同じ説明を繰り返す 影響 開発に使える時間が減る 影響 立ち上がりに時間がかかる たとえば、プロダクトの用語や仕様について、こんな質問が繰り返し届く ラフカットとは？ 固定インプットとは？ DRM がかかったコンテンツを Chrome で再生するには？ この 3 つの課題を解くために、 社内のナレッジに AI が答える「 PLAI CHAT」を作った
14. 01 ｜ INTERNAL RAG 社内RAG (AI チャット Bot ) ユーザーの質問 AIの回答 WEB UI Slack bot
15. 01 ｜ WHY 障害の対応や調査の課題 属人化：仕事のやり方が特定の人の経験や知識にたよりきりで、その人がいないと進まない状態 課題 1 課題 2 課題 3 通知の見分けが経験者頼 み 調べ方が人の頭の中にあ る 詳しい人に対応が集中する 影響 その人が通知に張りつく 影響 いないと調査が進まない 影響 負担が一部の人に偏る イメージ：チームの質問も調査も、いつも同じ人に集まる このエラー、調べたほうがいい？ どこから見ればいい？ 前にも起きてた？ 詳しい人 属人化をなくすために、 一次調査（最初の原因調査）を、手順書どおりに AI が行う仕組み を作った
16. 01 ｜ HOW WE USE AI 障害調査は、アラートの瞬間に AIが動き出す Slack のアラートをきっかけに AWS DevOps Agent が一次調査し、結果を返すところまで自動で回している 場合によっては PRの自動作成まで行う Slack のアラート devops-agent-trigger AWS DevOps Agent 結果を返す エラー通知が届く 重複を除いて起動 ログ・コード・監視を調査 報告と Issue・PR の作成 MCP Platform 全社共通の MCP 基盤 エンジニア AIエージェントで対話調査 MCP経由でAIエージェントが AgentCore Gateway 各種情報にアクセスする 社内ナレッジ 監視データ ログ プロダクトのデータ Bedrock KB New Relic CloudWatch 各チームの MCP
17. 01 ｜ ARCHITECTURE 問い合わせ対応、障害対応における AIシステムの全体像
18. 01 ｜ MEDIA PLAYの先進的な取り組みは外部からも注目されている ZDNET @IT AWS 公式ブログ 障害の初期調査 15分 → 実質ゼロ
19. 01 ｜ WHAT CHANGED AIを活用していくことで、人の役割が変わってきている AI に任せたこと 人に残ったこと 01 コードを書く 解く課題と、誰のための機能かを決める 02 ログ・監視データを集める 書くのは AIでも、判断と責任 は人に残る 設計を判断する AIが出した案を比べ、トレードオフを見て方針を選ぶ 03 突き合わせて一次調査 なぜ作るのかを決める AIの結果を確かめる PRの確認や、調査結果をレビューし間違っていたら Skill を直す
20. 02 ｜ QUESTION こんな現場で、求められる人材はどう変わった？ 書く・集める・突き合わせるは、 AIが担うようになった。では、人に求められるものは何か これまで 速く・正確にコードを書ける人 言語やフレームワークに詳しい これから ？ AIが「書く」を担う現場で、求められるのは？ 実装の量とスピードで勝負できる では、面接では AIを使ったことはどう見られるのか 会場のみなさんも、少し考えてみてください
21. 02 ｜ QUESTION AIで書いたコード、面接ではマイナスになる？ AIで誰でもコードが書ける時代。選考では、 AIを使ったことはどう見られるのか A B C マイナスになる 関係ない プラスになる AIに頼るのは、実力不足に見える 動けば、作り方は問われない 使いこなせること自体が強み みなさんは、どれだと思いますか？ 求める人材もこの質問のヒントも、 AWS が提唱する「ルネサンス型開発者」にある
22. 02 ｜ THE RENAISSANCE DEVELOPER AWS が提唱する「ルネサンス型開発者」 Werner Vogels（Amazon CTO）が AWS re:Invent 2025 の基調講演で示した、 AI時代の開発者に必要な 5つの資質 好奇心 システム思考 コミュニケーション力 Be Curious Think in Systems Communicate どんな資質か どんな資質か どんな資質か 学び続け、試し、失敗から学ぶ。 AIの出力にも「なぜ」を持つ 部分ではなく、全体のつながりと 変更の影響で考える 曖昧さを減らし、正確に伝える。 相手は人にも、AIにも オーナーシップ 博識（ T字型） Be an Owner Be a Polymath どんな資質か どんな資質か AIが書いたコードでも、 品質と結果に責任を持つ 専門の深さに加えて、 幅広い分野に関心を持つ どれか1つではなく、 これらのバランスが重要
23. 02 ｜ WHAT WE EVALUATE 面接時の具体的な質問の例 ルネサンス型開発者の 5つの資質は、そのまま選考の評価ポイントになる 資質 面接で見ていること 実際の質問例 好奇心 AIの出力を鵜呑みにせず「なぜ」まで掘ったか 「その技術を選んだ理由は？」 システム思考 全体の構成と、変更の影響範囲を語れるか 「アクセスが 100倍になったら？」 コミュニケーション力 曖昧な要望を、仕様や指示に落とせるか 「AIにどう指示して、どう直させた？」 オーナーシップ AIのコードを、自分のものとして保証できるか 「どうやって正しいと確認した？」 博識 専門外（インフラ・UX・事業）への関心 「作ったものは、どこでどう動かしてる？」 見ているのは「 AIを使ったか」ではなく 「AIを使って何を考えたか」
24. 02 ｜ WHAT PLAY VALUES とくに重視している点 5つの資質のうち、特に「コミュニケーション力」と「オーナーシップ」に注目したい PLAY の VALUE THINK USERS IMPROVE FAIRNESS ANTENNA コミュニケーション力 オーナーシップ Communicate Be an Owner OWNERSHIP AI時代に効く理由 VALUE ｜ OWNERSHIP AIへの指示も、チームでの合意も、意図を正確に伝えられるかで結果 が変わる あらゆることを自分ごととして捉え、様々な問題や課題に主体性と責 任を持って取り組みます。 面接で見ていること 面接で見ていること 質問を正しく理解し、意図を言葉で伝えられるか AIのコードも自分ごととして責任を持てるか AIが「書く」を担うほど、 コミュニケーション力と、自分ごとにする力が差になる
25. 02 ｜ REAL TALK 回答の良い例と悪い例：コミュニケーション力 面接官 「AIにどう指示して、どう直させましたか？」 評価が下がる回答 評価が上がる回答 「いい感じに作って、と頼みました。 出てきたものをそのまま使っています」 「入力の条件と、避けたいことを先に伝えました。 出てきた案は〇〇の観点で直させました」 → 何を求めたのか、なぜそれでよいのかが伝わらない → 意図を言葉にして、 AIとやり取りできている 意図を言葉にできる人は、 AIにも、人にも伝えられる
26. 02 ｜ REAL TALK 回答の良い例と悪い例：オーナーシップ 面接官 「この部分、どうやって正しいと確認しましたか？」 評価が下がる回答 評価が上がる回答 「AIが書いてくれたので、 たぶん動いていると思います」 「境界値はテストで確かめました。 AIの提案は 〇〇の扱いが違ったので、自分で直しました」 → 中身を理解していない・確かめていない、と受け取られる → AIを使い倒しつつ、内容を理解している どう確かめたかを話せる人は、 AIを使っていても強い
27. 02 ｜ ANSWER 先ほどの質問の答え Q. AIで書いたコード、面接ではマイナスになる？ A B マイナスになる 関係ない プラスになる AIを使ったこと自体では、減点しない 使ったかどうかは、評価に関係ない 説明できれば、むしろ強みになる いちばん近い 分かれ目は「AIを使ったか」ではなく、「説明できるか」 AIを使ったことは、減点しない。 説明できないことは、減点する。 C
28. 03 ｜ ACTION 明日から持ち帰れること AIは使い倒していい。そのうえで、人に残る 3つの仕事を自分の制作で練習しておく 01 02 人に残る仕事 制作でやること 面接でこう聞かれる なぜ作るのかを決める 誰のどんな困りごとを解きたいのか、 作る理由を自分の言葉にしておく 「なぜそれを作ろうと思った？」 設計を判断する AIに案をいくつか出させ、 比べて選んだ理由を残しておく 「その技術を選んだ理由は？」 なぜそういう設計にしたかを詰める 「動いた」で終わらせず、テストや動作確認で確かめる 03 AIの結果を確かめる コードレビューを行い、どこでどのような 処理が行われているかを理解しておく それがそのまま、 面接で話せる「自分の経験」になる 「どうやって正しいと確認した？」
29. 03 ｜ DAILY HABIT AIの答えにも「なぜ？」と問い、自分の中に落とし込む 答えをそのまま使わずに、疑って、深掘りして、自分の言葉にする。これを毎日くり返す AIに聞く 1 「なぜ？」と疑う 2 まずはAIに任せていい 深掘りする 3 答えを鵜呑みにしない 別の案や弱点も聞き返す 4 自分の言葉にする 何も見ずに説明できるか 毎日くり返す 例：データベースの検索が遅くて、AIに相談したとき 自分 「検索が遅い。 どうすればいい？」 AI 「この列にインデックスを 貼りましょう」 自分 「なぜ速くなるの？」 AI 「本の索引のように、 全件を見ずに探せるから」 自分 「じゃあ、全部の列に 貼ればいい？」 AI 「書き込みが遅くなり、 容量も増えます」 毎日の「なぜ？」の積み重ねが、 面接で「説明できる力」になる 自分の言葉で 「よく検索する列に だけ貼る。 読むのは速くなるが、 書くのは重くなるから」 → 理由まで説明できる
30. SUMMARY まとめ 01 02 03 評価の軸は「書けるか」から「判断と責任」へ AIで書くコストは下がった。残るのは、なぜ作るのかを決め、どう確かめるか 5つの資質は、そのまま面接の評価ポイント 好奇心・システム思考・コミュニケーション力・オーナーシップ・博識 とくに見ているのは、コミュニケーション力とオーナーシップ AIのコードも自分の言葉で説明し、責任を持てるか AIは使い倒していい。 ただし、説明できるところまで。
31. 28卒の本選考オープンしてます！よかったら面接でお会いしましょう！!