AIを「創る」と「使う」の循環 — HRテックが実践するリアルなAI組織実装

by Taketo Sasaki

Embed

Start on current slide

Slide 1

Slide 1 text

AIを「創る」と「使う」の循環 HRテックが実践するリアルなAI組織実装佐々木健人 / taketo957 Findy AI Engineering Summit Tokyo 2026

Slide 2

Slide 2 text

登壇者佐々木健人 / taketo957 HERP 開発責任者プラットフォーム部門の EM 兼任コードを書くより、 AI を組織に馴染ませる役割創業8年目時点でのHERPで開発組織の組成を経験している中規模 SaaS を運営する会社の、進行中の試行錯誤を共有 Findy AI Engineering Summit Tokyo 2026 1 / 34

Slide 3

Slide 3 text

会社概要会社名株式会社 HERP 従業員数 104 名ミッション採用を変え、日本を強く。ビジョンすべての採用における意思決定を、その次の挑戦を生み出すものに。事業採用領域の HR Tech・マルチプロダクトカルチャー全社で採用に関わる「スクラム採用」 2017年設立、 10期目 2026/06/01・正社員＋役員採用企業・人材紹介会社、そして求職者まで Findy AI Engineering Summit Tokyo 2026 1 / 34

Slide 4

Slide 4 text

今日話すこと ① 使う ② 作る ③ 採用するこの 1 年ほどの振り返り（派手な AI 活用事例集ではない）軸は使う・作る・採用するの3つ → これを組織設計で1本につなぐ 1 周目：①→②→③　2 周目：学びを還流させる ③ 「採用する」＝ AI が採否を決める話ではなく、自社の採用プロセスを回す話。 Findy AI Engineering Summit Tokyo 2026 1 / 34

Slide 5

Slide 5 text

01 AI を使う社内導入と定着の試行錯誤を振り返る ① 使う → ② 作る → ③ 採用する

Slide 6

Slide 6 text

AI活用で重要だと思うこと組織：業務フローが言語化され、 AIを載せる土台がある入力 → 処理 → 出力入力：投入するデータに懸念がない（何を入れてよいか判断済み）処理：予算と安全性を握ったまま、自由に試せる出力：出てくるものを信頼でき、かつ評価・改善できる組織：業務フローが言語化され、 3 つを支える土台になるこの4つの理想状態を物差しに、開発現場のAI活用を振り返る。懸念なく投入できるコスト・安全を握れる信頼でき、評価できる Findy AI Engineering Summit Tokyo 2026 1 / 34

Slide 7

Slide 7 text

全社のAI活用営業・CS 採用コーポレートプロダクト開発特定職種の道具ではなく、職能をまたいで全社へ広がりつつある対話型のAIやn8n （ワークフローツール）が普及している商談サマリ問い合わせ対応オファーレター下書き社内ナレッジ管理プロトタイピングコード生成テスト自動生成リリースノート自動生成 Findy AI Engineering Summit Tokyo 2026 1 / 34

Slide 8

Slide 8 text

入力：情報資産の分類人間・組織入力データ → 処理 → 出力情報資産管理台帳個人データ有カスタマーデータ有 △ B情報保有個人データ有 ○ 情報資産を分類・ラベリングし棚卸し個人情報 / 顧客から委託された個人情報は、特に厳重に扱うこの分類が、「何を AI に渡せるか」の前提になる情報資産名分類区分個人情報保管期間委託廃棄方法契約終了まで ✗ アカウント削除退職まで消去無 7年 ✗ シュレッダー取引終了まで消去ほか媒体 / 保管場所 / 責任者 / 閲覧可能者 / 取得方法 … 計 30+ 項目で棚卸。 Findy AI Engineering Summit Tokyo 2026 1 / 34

Slide 9

Slide 9 text

入力:HR領域の特徴入口：AI に渡すとき生成AI → 出口：出力を使うとき禁止して終わりにせず、「どう使えば安全か」を議論できる体制作り採用データは個人情報が多い。だから「使わない」ではなく、分類したうえで AI に渡してよいか・出力をどう使うかを、入力前に判断する。何を渡してよいか学習・保存の有無個人情報の扱い出力をどう使うか人が必ず最終判断求職者への透明性法務 × セキュリティ × 開発の合同体制で、入力前に可否を判断「安全なツール」と断言せず、論点を一つずつ吟味 Findy AI Engineering Summit Tokyo 2026 1 / 34

Slide 10

Slide 10 text

処理：黎明期にどう試したか人間・組織入力 → 処理ツール選定 → 出力スピード優先で広く試す（Devin・Roo Code 等）ルール：個人情報・委託データは渡さない／学習に使われないサービス管理台帳で情報の置き場所を定義。連携の中央管理も選定軸結果:Cursor が最も普及 Findy AI Engineering Summit Tokyo 2026 1 / 34

Slide 11

Slide 11 text

処理：Cursorの利用状況をどう見るか管理画面などの指標で客観的に絞る。見ている指標：アクティブユーザー / 利用状況 / 金銭コスト判断の考え方：個人の嗜好ではなく、組織として定着しているか × コスト妥当性結果：Cursor ＋ Claude Code に収束 Findy AI Engineering Summit Tokyo 2026 1 / 34

Slide 12

Slide 12 text

出力：品質を担保する人間・組織入力 → 処理 → 出力品質・人の判断人間が必ず最終判断する開発全体では、まずテスト整備から着手（その整備自体に AI が活躍）レビュー・リリース判断など、出口側にゲートを設けて品質を担保人間の認知負荷を意識した役割設計 Findy AI Engineering Summit Tokyo 2026 1 / 34

Slide 13

Slide 13 text

出力：効果を測る人間・組織入力 → 処理 → 出力評価・改善開発全体での効果は Four Keys などのマクロ指標で確認（デプロイ頻度・リードタイムは改善傾向）個人利用のミクロ指標の可観測性には、まだ改善余地あり Findy AI Engineering Summit Tokyo 2026 1 / 34

Slide 14

Slide 14 text

組織:3つを支える土台 → とにかく集約 Linear Issue Template 業務フローを言語化して集約 → AI を載せる土台に業務フローが言語化され、その上にAIを載せられる状態。 Issue Template に業務フローを言語化し、業務文脈を Linear に集約集約されたプロセス・文脈の上に、はじめてAIを載せられる属人的に散在する業務文脈 Slack の議論口頭の判断個人メモ仕様の断片バグ報告背景 / なぜやること完了条件 Findy AI Engineering Summit Tokyo 2026 1 / 34

Slide 15

Slide 15 text

AIを使うからの学び組織：業務フローが言語化され、 AIを載せる土台がある入力 → 処理 → 出力入力：投入するデータに懸念がない（何を入れてよいか判断済み）処理：予算と安全性を握ったまま、自由に試せる出力：出てくるものを信頼でき、かつ評価・改善できる組織：業務フローが言語化され、 3 つを支える土台になる AIを使うために、前後の部分への投資を惜しまない。業務知識が集約される場所を意識的に作る。型を先に作ってからAIを載せる懸念なく投入できるコスト・安全を握れる信頼でき、評価できる Findy AI Engineering Summit Tokyo 2026 1 / 34

Slide 16

Slide 16 text

02 AI プロダクトを開発する型を軸にした設計思想を振り返る ① 使う → ② 作る → ③ 採用する

Slide 17

Slide 17 text

HERP AI Recruiter とは候補者 ⇄ 面接官 AI が下から支援する人面接（対話）人（面接官を代替しない） HERP Hire の補助機能として、採用プロセス全体を AI が支援（面接官の代替ではなく支援）本質は AI 機能づくりではなく、業務プロセスのモデリング＝採用業務を「型（プロセス）」に分解し、各ステップを AI が支援できる形に構造化すること Findy AI Engineering Summit Tokyo 2026 1 / 34

Slide 18

Slide 18 text

プロダクト詳細書類選考・面接・評価など、一連の採用プロセスを AI が支援 ① 書類選考書類選考アシスト ② 面接書き起こし・サマリ ③ 評価・申し送り評価・申し送り作成 ④ 内定・オファーオファー文面案求人票に沿って書類を一次レビュー面談を書き起こし、議事録・サマリを自動作成発言抽出で評価理由・申し送り文面を作成会話内容から訴求方針・文面案を生成最近のリリースでは、採用要件サジェスト・面接フィードバック・選考サマリ・面接官の全体分析などを追加。 Findy AI Engineering Summit Tokyo 2026 1 / 34

Slide 19

Slide 19 text

採用業務：定型 × コンテキストフル定型プロセス（手順）書類選考 → 面接 → 評価 ↻ × 非定型データ（中身）職務経歴面談ログ候補者の志向評価観点定型化された手順に、非定型なデータが流れる → 「定型化されたプロセスの上に AI を載せる」が効くどの候補者でも、いつも同じ手順で回る候補者ごとに中身が違う Findy AI Engineering Summit Tokyo 2026 1 / 34

Slide 20

Slide 20 text

面接ステップ組織入力 → 処理 → 出力入力これまで取れなかった「面談の中身」を構造化。従来データ（職歴・評価）と束ねて文脈を厚くする。出力 AIが面接サマリを生成したり、評価観点で矯正したり。判断・申し送りは人が最終確認。前後（入力・出力）を固める → 処理をAIに任せられる ①作るの「入力・処理・出力」を、 AI Recruiter の面接支援に当てはめる。 — ドメイン知識 / 採用プロセス面談の中身＋従来データ AI が支援サマリ → 人が確認 Findy AI Engineering Summit Tokyo 2026 1 / 34

Slide 21

Slide 21 text

設計思想全ステップに ①作るのパターン:型の上にAIを載せる、判断は人間（面接の例の一般化）「既存のどのプロセスをAIで置き換えられるかを重視した」 ① 使うと② 作るは、同じ思想だった Findy AI Engineering Summit Tokyo 2026 1 / 34

Slide 22

Slide 22 text

03 AI プロダクトで採用する自社ドッグフーディングの学びを振り返る ① 使う → ② 作る → ③ 採用する

Slide 23

Slide 23 text

自社ドッグフーディングエンジニアが、エンジニア採用で使い倒す外に出す前に、作る側が使う側に回る採用への関与を通じて、共通の評価基準と定型化された面接内容を設定 Findy AI Engineering Summit Tokyo 2026 1 / 34

Slide 24

Slide 24 text

面接準備で起きたこと → 評価観点・面接の内容 → 面接準備・論点整理を AI が支援 → AFTER 準備の質が揃い底上げされる型を先に作り、その上に AI を載せると、面接官ごとにばらついていた準備の質が揃い、底上げされる。 BEFORE 面接官ごとに準備の質がばらつく定型化 AI 準備・サマリの事務時間がほぼゼロになり、浮いた時間を候補者と向き合う時間へ。 Findy AI Engineering Summit Tokyo 2026 1 / 34

Slide 25

Slide 25 text

使い込むほど、プロセスが育つ面接プロセスそのものが、改善されていく。見える化：面接の中身が参照可能になり、改善の材料になるフィードバック：面接内容にフィードバックでき、判断の共通軸が育つ統一：整備した基準が、議論を通じて言語化・統一されていく AI との協働で、人間側の改善サイクルが回り始めた Findy AI Engineering Summit Tokyo 2026 1 / 34

Slide 26

Slide 26 text

2 周目：3 つの還流還流を起こすための組織設計 3つの取り組みを、意図的に1本に繋げる ① 使う → ② 作る → ③ 採用する ↻ 一周して還流

Slide 27

Slide 27 text

還流は自然には起きない 3 軸を同じ会社でやるだけでは、学びは還流しない意図的な組織設計があって、はじめて回り出す Findy AI Engineering Summit Tokyo 2026 1 / 34

Slide 28

Slide 28 text

還流を太くする 3 つの仕掛け ① 使う ② 作る ③ 採用する設計思想へドッグフード開発へ還元 ① 使う → ② 作る社内の AI 活用知見を設計思想へ ② 作る → ③ 採用作った AI プロダクトを自社採用でドッグフード ③ 採用 → ① 使う・開発データ・ドメイン理解を開発へ還元、採用関与を制度化 Findy AI Engineering Summit Tokyo 2026 1 / 34

Slide 29

Slide 29 text

なぜ採用する→使うを太くするのか → → HERP の狙い：エンジニアの Why / What を鍛える環境として、採用ドメインの会社であることを活かしたい。エンジニアが採用に関わることで、自分たちが扱う採用ドメインへの理解が深まり、 Why / What を言語化できるようになる。 → エンジニアの採用関与が、 2 周目（還流）の入口になる Why / What 人入力何を・なぜ How AI 処理どう作るか判断人出力責任を取る処理（How）を AI が担うほど、人間の比重は Why / What と判断へ寄っていく（ここは世間で言われている通り） Findy AI Engineering Summit Tokyo 2026 1 / 34

Slide 30

Slide 30 text

組織の天井が、プロダクトの天井になる AI チャット利用 Lv1 専門家ボット Lv2 社内エージェント化 Lv3 ワークフローへの組み込み Lv4 知識創造への組み込み Lv5 HERPでは基本は Lv2、最も進んだ領域でも Lv3 が現在地。 Lv4 を目指したい。出典：広木大地「ソフトウェアエンジニアリングの人類史」生成 AI による生産性改善のレベル分けを参考に作成。現在地目標 Findy AI Engineering Summit Tokyo 2026 1 / 34

Slide 31

Slide 31 text

これから：還流を回し続ける還流を回し続ける＝組織と事業の成長一周で「何のために」を設定できたのでこの循環を回し続ける。自社の採用を自社のプロダクトだけで完結させる得た知見をプロダクトの拡充と社外発信の双方へ還元する Findy AI Engineering Summit Tokyo 2026 1 / 34

Slide 32

Slide 32 text

使う・作る・採用するを、 AIプロダクトを軸に還流させる。 AI 時代でも、最後に立つのは人。だから人を前提にした設計にしている。

Slide 33

Slide 33 text

まとめ 1. 型を先に作り、 AI を上に載せる 2. 組織の AI 活用度の天井が、プロダクトの天井になる 3. とにかく入力側で頑張る、出口側で管理する 4. 処理を AI に任せるほど、入力（Why / What）で律速する。だから入力を太くする組織を作る 5. 学びを意図的に還流させる。 AI が How を、人が Why / What を担う Findy AI Engineering Summit Tokyo 2026 1 / 34

Slide 34

Slide 34 text

Thank you ざっくり 1 年間の振り返りでした。ご質問・ご感想は、ぜひ懇親会などで！カジュアル面談 Tech Hub tech-hub.herp.co.jp Findy AI Engineering Summit Tokyo 2026 1 / 34