AIスキルは面接確率を最大15ポイント上げる、効かない職種もある

履歴書へのAIスキル記載は、面接候補に選ばれる確率を高めうる。採用経験者1725人による仮想履歴書実験では、AIスキルを示した候補者の面接招待確率が、示さない候補者より約8〜15ポイント高かった。

ただし、見出しの「効かない職種」を、実験対象に効果が完全にゼロの職種があったという意味で捉えるのは正確ではない。対象の3職種ではいずれも有意なプラス効果が確認された一方、グラフィックデザイナーでは効果が弱く、採用担当者がAIをあまり使わない条件でも評価差が縮まった。日本の実際の書類通過率を15ポイント上げるという保証でもない。

8〜15ポイントが示すのは仮想選考での選択差

2026年3月改訂のワーキングペーパー では、英国と米国を中心にドイツを少数含む採用経験者1725人が、合成された履歴書を二つずつ比較した。対象職種はオフィスアシスタント、ソフトウェアエンジニア、グラフィックデザイナーで、計2万2195件の比較から、AIスキルによる面接招待確率の上昇を約8〜15ポイントと推定している。

「ポイント」は相対的な増加率ではない。選択確率が50％から65％へ変われば15ポイント上昇であり、50％の15％増に当たる57.5％とは異なる。また、実在する求人の応募結果を追跡した研究ではなく、条件を統制した二者択一の実験である。

この設計は、AIスキルの有無や資格の種類が選択に与える影響を切り分けやすい。一方、実際の応募者数、ポートフォリオ、企業固有の要件、面接での受け答え、採用後の成果は測っていない。日本の応募者個人が期待できる通過率を予測する数字ではない。

なお、Oxford Internet Instituteのプロジェクトページ は参加者を1800人と概数で記載しているが、改訂論文の確定標本は1725人である。論文の付表では英国921人、米国729人、ドイツ58人、国の回答欠損17人とされており、地域構成も均等ではない。

事務・技術・創造職で評価のされ方が違う

効果が最も強かったのはオフィスアシスタントである。実験の履歴書には、AIを使ったスケジュール管理、自動レポート、業務フローの自動化など、事務作業との接点が明示されていた。大学教育を受けていない候補者では、大学発行のAI資格が不利を補う追加効果も示された。

ソフトウェアエンジニアでもAIスキルは強いシグナルになり、オンライン認定を持つ候補者の予測招待確率は一部条件で72％に達した。ただし、これはAIを使えると書けば実装能力まで証明できるという結果ではない。実験で示されたスキルも、AI支援によるデバッグ、生成AI開発、LLMのAPI統合など、職務に対応する内容だった。

グラフィックデザイナーではプラス効果が相対的に弱かった。採用担当者のAIへの態度も他の2職種より慎重で、肯定的な回答が49.0％、否定的な回答が43.8％とほぼ二分された。したがって創造職では、生成ツール名だけでなく、独自性、ブランドとの整合、権利確認、最終判断を誰が担ったかまで説明しなければ、AIの記載が強い評価材料にならない場合がある。

評価は採用担当者側の経験にも左右された。生成AIを月1回以下しか使わない群では、職種やスキル表示による予測確率が50〜55％付近に集まり、多くの信頼区間が50％を含むか、それに近づいた。職種名だけで効果の有無を決めるより、応募先でAIが実際の業務要件として認識されているかを見る必要がある。

履歴書では課題・使い方・人の確認・成果を書く

この実験が直接検証したのは、AIスキルや資格を示した履歴書が選ばれやすいかどうかであり、特定の文章テンプレートの効果ではない。その限界を踏まえた編集上の提案として、職務経歴には課題、AIの利用方法、人による確認、成果を一行でつなぐと、スキルと仕事の関係を説明しやすい。

次は実在する応募者の実績ではなく、自分の事実に置き換えるための記載例である。成果を測っていない場合は数字を作らず、変更した工程や完成した成果物を具体的に書く。

• 事務職：「月次の問い合わせ分類に生成AIを利用し、担当者が個人情報と分類結果を確認。処理時間を［実測値］短縮し、対応漏れを［実測値］まで削減」
• ソフトウェア職：「障害ログの一次整理とテストケース作成をAIで補助し、修正内容をコードレビューと自動テストで検証。平均復旧時間を［実測値］改善」
• 創造職：「キャンペーンの初期案探索に生成AIを使用し、権利と出典を確認したうえで構成と最終表現を自ら決定。初稿作成期間を［実測値］短縮」

ツール名は、応募先が特定製品の経験を要件にしている場合に補足すればよい。名称の羅列より、何を入力し、出力の誤りをどう確認し、成果物に誰が責任を持ったかの方が、実務能力との接点を伝えられる。面接で工程を説明できない記述は避けるべきだ。

資格の上乗せ効果は限定的だった

自己申告のAIスキルに対し、大学や企業が発行する資格は招待確率を中程度に上乗せしたが、資格の種類による差が自己申告との差として統計的に明確になるケースは少なかった。例外は、大学教育を受けていないオフィスアシスタント候補など、従来の学歴シグナルが弱い条件である。

資格が無意味なのではなく、役割が限定されている。実務経験を十分に示せない転職者には学習範囲の証拠になるが、業務での利用実績そのものにはならない。資格欄には発行主体、資格名、取得時期を簡潔に置き、職務経歴欄では別に利用工程と確認方法を書くのが自然だ。

業務利用がまだない場合は、演習や個人プロジェクトで扱った課題、使用したデータ、検証手順を明記する。学習成果を企業での実績のように見せたり、測っていない生産性向上を数字で示したりしてはいけない。

企業の技能要件もAI導入に伴って変わる

個人の履歴書実験とは別に、中国上場企業の求人1400万件を分析した研究 は、2018〜2022年にAIを導入した企業ほど、2018年の職業標準にはなく2022年版で追加された「将来志向」の技能を求人へ求める傾向を示した。これは中国企業の求人要件を扱う研究であり、日本の面接確率を測ったものではない。

二つの研究は、対象、地域、指標が異なるため、数値を直接つなげることはできない。それでも、AIという固定ラベルより、職務に応じた具体的な技能が評価対象になるという方向性は共通する。応募先の主要業務に合わせ、事務職なら情報管理と再現性、技術職なら正確性と安全性、創造職なら独自性と権利処理を含めて説明する必要がある。

結局、最大15ポイントという数字は、職務に合うAIスキルを示した仮想履歴書の平均的な選択効果である。対象3職種で効果は確認されたが、創造職やAIに慎重な採用担当者では弱まる。資格名だけを足すのではなく、課題、利用方法、人の確認、実測した成果を結び付けることが、研究結果を過度に一般化せず履歴書へ生かす方法になる。