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

Findy AI Engineering Summit Tokyo 2026の登壇資料です。

https://ai-engineering-summit-tokyo.findy-tools.io/2026-summer/ttable?m=2026-summer/timetable/LcfihLD8

Transcript

1. 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
2. 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
3. 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
4. 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
5. 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
6. 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
7. 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
8. 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
9. 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
10. 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
11. 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
12. 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
13. 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
14. 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
15. 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
16. 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
17. 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
18. 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
19. 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
20. 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
21. 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
22. 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
23. 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
24. 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
25. 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
26. 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
27. 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
28. 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
29. 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
30. 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
31. 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
32. 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。
33. 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
34. 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