LLM のプロダクト導入における開発の裏側と技術的挑戦

2026/2/27に、RECRUIT TECH CONFERENCE 2026で発表した上山の資料になります。

Transcript

1. RECRUIT TECH CONFERENCE 2026 データ推進室 上山 彩夏 LLM のプロダクト導入における 開発の裏側と技術的挑戦 マッチング技術の進化
2. 上山 彩夏 旅行・音楽鑑賞 経歴 / Career 2023 年 リクルート新卒入社 『じゃらん』『カーセンサー』において、DS Growth Lead を担 当。 事業 KPI を踏まえたレコメンド施策の設計及び検証を推進すると ともに、モデル構築やアーキ設計、ML 基盤の整備も実施。 趣味 / Hobbies プロダクト開発 データ推進室 └ 旅行領域 └ 自動車領域 2
3. 本日お伝えしたいこと 01. レコメンド体験の進化 レコメンドを「単なる情報の羅列」から「納得感の提供」へ進化させた背景 レコメンド体験の進化により、カスタマーの行動が即時的な反応から深い検討へ 03. カスタマー行動の変化 UX を損なわない画面設計と生成品質の両立のための取り組み 02. LLM のプロダクト実装の壁と突破口 3 カーセンサーのレコメンドに「なぜこの車がおすすめなのか」という 理由文を LLM で生成し併せて訴求する機能を追加した
4. Agenda 1. 背景と課題 2. 解決策 3. 技術的な挑戦 4. 実施結果と学び 5. まとめ 4
5. • カスタマーは膨大な中古車の中から 「自分に合う 1 台」を探している • 車探しをサポートするために、 おすすめの車をレコメンドする機能がある 背景｜『カーセンサー』における車探し 5 ※画像はイメージです
6. 課題 6 • 従来のレコメンドでは 価格, 年式, 走行距離, … といった情報を提示している 他の車と何が違うのか なぜこの車がおすすめなのか 　 差分やメリットが分からず 　 「選べない」のではないか 仮 説 ※画像はイメージです
7. 解決策｜Recommend Explainer • 打ち手 ◦ 問い合わせ完了画面で表示しているレコメンドに対して おすすめ理由の説明文を LLM で生成し併せて訴求する • 生成文の例 7 1 年新しいモデルで走行距離は 1.2 万km 少なく、 12.1 万円安いのですが、修復歴はあります。 年式や予算を重視する方には良いかもしれません。 単なる情報提示ではなく理由も 説明することで 納得感の醸成 を目指した ※画像はイメージです
8. 技術的挑戦 ①｜生成品質へのこだわり 8 • 中古車は装備や状態が少しでも違えば価格が変わるため、価格のみでは判断が難しい • 既存のレコメンドでは画像と価格が大きく表示されていて 装備や状態といった細かな情報は詳細画面に遷移しないと確認できない 価格訴求からの脱却 「装備の差分」や「車両の状態」といった比較検討に必要な情報を説明させるように LLM のチューニングを行い、カスタマーが 納得感を持って選べる状態 を目指した 品質担保のためにルールベースと LLM-as-a-judge を組み合わせて評価を実施した
9. 技術的挑戦 ②｜レイテンシとの戦い 9 • LLM による文生成には時間がかかるが、カスタマーを画面で待たせると離脱に繋がる • UX を損なわない方法で LLM の導入を実現するために以下を取った └ 01. 非同期処理による事前生成 └ 02. フォールバック戦略
10. 技術的挑戦 ②｜レイテンシとの戦い 10 01. 非同期処理による事前生成 レコメンド表出画面ではなく、手前の画面で説明文生成リクエストを投げておき、 表出のタイミングには生成完了していることを目指す 物件一覧/詳細画面 問い合わせ入力画面 問い合わせ確認画面 問い合わせ完了画面 レコメンド推論 & 表出 before 物件一覧/詳細画面 問い合わせ入力画面 問い合わせ確認画面 問い合わせ完了画面 レコメンド & 説明文表出 after （生成中 …） レコメンド推論 & 説明文生成
11. 技術的挑戦 ②｜レイテンシとの戦い 11 02. フォールバック戦略 生成が間に合わなかった場合は説明文無しで表示し、UX を損なわない設計とした おすすめ理由の説明文 あり の場合 おすすめ理由の説明文 なし の場合 ※画像はイメージです
12. 実施結果と学び 12 カスタマー行動に以下のような変化が見られた → LLM による説明文が検討の質を高め、意思決定を後押しする効果がある • レコメンド物件を画面内で即座に追加問い合わせしていた before • 画面内でおすすめ理由文を読んで比較検討するような行動が増えた • 画面内で問い合わせずに、一度持ち帰って検討した上での問い合わせが増えた after
13. まとめ 13 　 レコメンドに「なぜおすすめなのか？」が欠けており、選びづらい状態になっていた 01｜課題 　 LLM でおすすめ理由を生成し、「納得感あるマッチング体験」を実現した 　 LLM を意思決定支援として活用し、カスタマーの検討の質を向上させた 03｜結果 / 学び 　 技術で車選びの体験そのものをアップデートし続けていきたい 04｜今後の展望 02｜解決策