AIで人材マッチング業務は、どこまで変わるか|成約率6倍を達成した4年間の取り組み
マッチング改善の背景
人材採用・人材派遣会社の売上は、突き詰めれば稼働しているスタッフの数で決まる。その数を増やす道は三つしかない。つまり、「新しい求職者を集める」か、「新しい案件を取ってくる」か、すでに登録されている「求職者と案件をうまく結びつけるか」である。
前者二つは、広告費と営業力の勝負になる。どの会社も同じ媒体に出稿し、同じ取引先を回る以上、ここで大きな差をつけるのは容易ではない。一方で三つ目は、各社がすでに持っている資産をどう使うかの問題であり、外からは見えない差が生まれる。
しかも、その資産は年を追うごとに大きくなる。長く事業を続けている大規模な派遣会社であれば、登録者は数十万人規模に達する。ところが、その大半は一度登録したきり、二度と声がかからないまま眠っており、常に新規の登録者獲得のために広告費をかける。案件が入るたびに、その数十万人の中から今声をかけるべき人を選び出すことは、人の目と記憶ではもはや不可能だからだ。
加えて、マッチングには固有の難しさがある。登録者の事情は日々変わり、案件の条件も取引先の都合で動く。片方の条件を満たせば終わる仕事ではなく、動いているもの同士を、動いている最中に結びつける、「タイミングがモノをいう」仕事なのである。
2022年の夏、ある人材派遣会社の経営幹部から相談を受けた。社内のデータで、データで何ができるのかから考えてほしい、という依頼だった。テーマも、成果の定義も決まっておらず、白紙に近いデータ活用支援のはじまりである。
データを一通り見たうえで、私たちは三つ目、すなわち手元の登録者と案件の結びつけに的を絞ることを提案した。売上に直結し、しかも各社がまだ十分に手をつけていない領域だと判断したからである。現場の採用者からも、案件にマッチングする人をすぐに探し出せる道具が欲しい、という声が上がった。
そこから4年、AIによる接触リストの選定仕組みに始まり、一人ひとりに合う案件のマーケティングメールで届ける仕組みまで、マッチング業務のAI化に取り組んできた。本稿では、この取り組みをもとに、人材派遣のマッチング業務がAIでどこまで変わるのかを考える。
熟練キャリアアドバイザーにしか作れなかった接触リスト

リスト作成の重要性と難点
採用の現場では、案件が入るたびに、コーディネーターが採用のため接触する候補者のリストを作成する。上から順に電話をかけ、接触ができれば条件を伝え、本人の意向や状況を確かめる。一日で接触をできる対象者の数には限界がある。よって良い接触リストの作成は、マッチング業務の核と言って良い。
接触リストの作成は一見すると単純な作業に見えるが、実際には三つの重荷が同時に乗っている。
一つ目は、データの散らばりである。大企業になるほどシステムを複数導入し、登録者の情報、過去の応募、稼働の履歴、電話のやり取りが、別のシステムに記録される。必要な情報をそろえるだけで、複数のシステムの画面操作と表計算ソフトを行き来することになる。
二つ目は、判断の軸が言葉になっていないことである。この案件まで無理なく通えるか、最近も仕事を探していそうか、過去にどんな仕事を選んできたか、時給の水準は合うか。熟練したコーディネーターは、こうした要素を頭の中で瞬時に組み合わせている。スキルや条件が多様化する昨今、この判断軸は増え続けていく。
三つ目は、絶対に外してはならない決まりごとである。紹介不可者、案件の必須条件に当てはまらない人は、どれほど有望に見えてもリストに入れてはならない。一件の誤りが求職者と取引先からの信頼を大きく損なってしまう。一度に不特定多数に送信されるメール配信は尚更である。
リスト作成の時間的・リソース的なコスト
営業に従事する方であれば驚きではないと思われるが、接触リスト作成はこの三つの理由から、作成には30分 - 1時間程度かかっていた。そして、それを作れるのは経験を積んだ一部のベテランのキャリアアドバイザーに限られていた。
これは単なる手間の問題ではない。リストの質が人に依存する以上、誰が担当するかで成果がぶれる。新しく入った担当者は、リストを作れるようになるまで戦力になりにくい。そして何より、数十万人の登録者のうち、熟練者の記憶と検索の届く範囲にいる極一部の登録者にしか接触は試みられない。
案件にマッチする登録者をデータ解析で抽出、「人材マッチングAI」の誕生
人材採用に関する種々のデータを解析した後に誕生した仕組みは、案件を選択すると、声をかけるべき登録者が点数の高い順に並ぶものである。接触リストの抽出は30分から数秒に短縮され、かつ社内の誰でも抽出が行えるようになった。
点数は一つの数字ではなく、いくつかの観点ごとの内訳とともに表示される。その点数の根拠となった記録を、複数のシステムから統合した。コーディネーターは、抽出された質の良し悪しを、その場で確かめられる。
結果として、熟練者が30分以上かけて作っていたリストと同等か、それ以上に納得のいくリストを、経験の浅い担当者でも、営業の担当者でも出せるようになった。これによりこのシステム、「人材マッチングAI」は現場から高く評価を受けた。
一方で、マッチングの精度を担保するのは容易な過程ではなかったことを記録しておく。現場の意見を反映させれば良い、という単純なものではなく、逆にAIの専門家が学術論文で読み漁った「最先端の研究」は現場にそぐわない。表題の成果は、4年間にもわたる試行錯誤の上で、紆余曲折の上で実現されたものである。また、実証実験による正解と、現場での慣習やルールが、必ずしも一致しない点についても言及しておきたい。
自己申告を信じすぎず、行動から判断する
データ解析を行う際は、アンケートや自己申告は基本的に信頼に足るデータとして優先しない。あくまで候補者の取った行動を基準にマッチングを行う。
登録時の申告は、登録した日の情報にすぎない
人材派遣のマッチングは、多くの場合、登録時に本人が申告した希望条件から出発する。希望する職種、勤務地、時給、働ける曜日や時間帯。システムの検索画面も、大抵はこの申告を軸に組まれている。また、この希望条件は多種多様で、システムの規定欄に収まらないものも数多くあり、結果として自由記述のメモをキャリアアドバイザーは一人一人確認する必要が出てくる。
そして申告は、登録した日の情報にすぎず、1ヶ月もたてば条件や希望も変わる。よって当社では、「その人が実際にどの案件に応募してきているか?」という実測ベースでマッチングを算出した。応募という行動は、本人の通える範囲と関心を、どんな申告よりも正直に表している。
しかし逆にこれが逆に社内の採用ルールを逸脱したレコメンドの結果になることもあり、一筋縄ではいかないことを喚起しておく。
通勤圏は、人の頭では計算できない
現場が最初に求めたのは、案件まで無理なく通える人を確実に拾うことだった。従来の検索は、地区や沿線で絞り込む。ところがこの絞り方は、両方向に外れる。隣の地区でも乗り換え一本で短時間に通える人を落とし、同じ地区でも実際には通いにくい人を拾ってしまう。登録者一人ひとりについて、案件までの実際の道のりを考えることは、人の脳では限界がある。私たちは、その人が過去に応募した案件の所在地から、実際に通える範囲を読み取る方法をとった。地図の上の線引きではなく、本人の行動が示す範囲である。
条件の枠は、先に決めない
もう一つ、取り組みを重ねる中で確信に変わったことがある。マッチングの条件を、あらかじめ決めた項目の枠に押し込んではいけない、ということだ。
職種、勤務地、時給、資格。こうした項目を先に用意し、そこにデータを当てはめるのが、従来のシステムの作り方である。だが現実の案件には、その枠に収まらない条件がいくらでもある。「細かい作業が苦でないこと」。「女性の多い職場になじめるのであれば男性でもよい」こと。いずれも、事前に用意した項目のどこにも入らない。
想定した分類は、現実の多様さにことごとく裏切られる。だから当社の人材マッチングAIは現在、案件の内容と登録者の記録を一件ずつ読み、その案件が本当に求めているもの、その人が本当に望んでいるものを、先入観を抽出する仕組みを取っている。
ビッグデータ活用のリスク
一般的なAIは、大量のデータを扱う以上、多少の外れは全体の精度で吸収すればよいと考える。だが人材のマッチングでは、その考え方は通用しない。紹介してはならない人や、条件をまったく満たさない人を一人でも推薦すれば、現場はその仕組みを信用しなくなる。
点数による評価は、いくつもの要素を足し合わせた総合点である。そのため、ある条件を満たしていなくても、ほかの要素の点が高ければ上位に来てしまう。しかも、その決まりごとは一つの表にまとまっていない。取引先ごと、登録者ごとに事情が異なり、記録されている場所もまちまちである。そこで、絶対に外さなければならない条件は点数の計算に混ぜず、決まりごととして先に除外する。有望さは点数で測り、可否は規則で決める。この二層を分けることが、現場で使われる仕組みの前提になる。
行動の記録は、人を読むうえで強力な手がかりになる。では、数ある記録の中で、成果を最も大きく動かしたのは何だったのか。
成果を動かした接触の記録
マッチングの良し悪しは、測らなければ見えない
マッチングの仕組みには、ひとつ厄介な性質がある。良くなったかどうかが、見ただけではわからないのである。並んだリストがそれらしく見えても、実際に電話をかけ、決まるところまで追わなければ、本当の質は判断できない。
しかも、電話によるアプローチから成約までには、接触、応募、取引先との面談と、いくつもの段階がある。成約の数だけを見ていては、リストのどこが効き、どこが効いていないのかがわからない。会社全体の数字は、季節や案件の量、担当者の動き方でも上下する。段階ごとに分けて見なければ、次の打ち手は決まらないのである。
だから私たちは、仕組みを作ることと同じくらい、測り方を作ることに力を割いた。現場の手を止めずに、リストに載った人がその後どうなったかを追える形を整え、改善のたびに確かめていった。
接触記録
数字を大きく動かしたのは、高度な分析でも新しいデータでもなかった。接触の記録である。いつ接触をし応答があったかどうか。日々の業務の中で自然に残っていく、ごく素朴な記録だった。
接触リストを作る目的の一つは、電話をかけて話をすることにある。その目的に直結する記録は、粗くても強く効く。接触の記録は、使い方次第でどんな精巧なデータよりも成果に近い。
人材マッチングAIが選んだリストで実際に架電した結果は次のとおりである。
| 段階 | AIが選んだリスト | 社内の経験値 |
|---|---|---|
| 架電 | 170件 | 170件 |
| 接触 | 71件(41.8%) | 10%前後 |
| エントリー | 22件 | ー |
| 成約 | 6件 | 1件程度 |
接触率は前月の実証で34.1%、翌月の実証で41.8%と、続けて高い水準を示した。成約は170件で6件。同じ件数に対する社内の経験値は1件程度であり、成約率にして約6倍にあたる。なお、この実証は依頼主が設計して実施したものであり、当社のより高い精度を出そうとする意思のバイアスは受けていない。
条件の外にある変数
ここで一つだけ付け加えておきたい。同じ条件を満たす二人に電話をかけても、つながる人とつながらない人がいる。つながっても、話が進む人と進まない人がいる。マッチングの成否は、案件と経歴や希望をどれだけ精密に突き合わせても、それだけでは決まらない。成果を大きく左右する変数がもう一つあり、電話の記録がこれほど効いた理由もそこにつながっている。何をもってその変数を捉えるかには、この4年間の蓄積の多くが注がれている。本稿ではその中身には立ち入らない。
もっとも、現場にとって大きかったのは数字そのものではなかった。熟練者と同等以上のリストを、誰でも、すぐに出せること。成果が人に依存しなくなったことである。
成果は証明された。だが、仕組みが現場で使われ続けるかどうかは、また別の問題である。
現場で根付く人材マッチングAI
根付くシステムには時間がかかる
どれほど良いリストでも、現場が信用しなければ使われない。そして現場ではマッチングに元々社内で根付いた、もしくはキャリアアドバイザー・営業担当者が個々人で積み重ねた業務ルーティーンがある。そのため、システムの信頼と定着は、積み上げるのに時間がかかる。不適当な人が一人混じるだけで、担当者は一覧全体に不信感を持つ。
この取り組みでは、信頼は時間をかけて積み上がった。点数の内訳と根拠となる記録を一つの画面で示し、多くの担当者の声を受けて少しずつ改良を重ねた。
いまの私たちは、その信頼を作るためにマッチング内容の透明化を実現させている。なぜこの人が上にいるのかを、すべて見せることで、「なぜこの求職者がリストの上にいるか」の違和感や不安を払拭する。
データの鮮度
もう一つ、仕組みの寿命を決めるのがデータの鮮度である。鮮度には二つの層がある。
一つは、システムの鮮度である。登録や応募、稼働の情報は、複数の基幹システムから毎日届かなければ意味を失う。昨日決まった人に今日電話をかければ、それだけで信用を損なってしまう。私たちは、各システムから自動でデータを取り込み、毎日反映させる仕組みを整えた。そして、この仕組みが長く動き続けるかどうかは、保守にかかっている。
もう一つは、人の鮮度である。働ける時間帯も、やりたい仕事も、通いたい場所も、希望する時給も、時とともに変わる。そして、その最新の事情はどのシステムにも書かれていない。キャリアアドバイザーや営業担当者との会話の中にしかないのである。どれほどデータ連携を整えても、この鮮度には届かない。鮮度の低いデータを提示するシステムは、その利用に確認の二度手間が生じる。
そこで、接触のたびに話した内容を記録し、時期の異なるやり取りを生成AIがさかのぼって読み、その人の今の状況を推定する。担当者が一人ひとりの履歴を読み返さなくても、今の状況がわかる。これが、いま人材マッチングAIにて取り組んでいる最も新しい領域である。
AIを現場に根付かせる条件は、ほかにもいくつかある。ただ、それは依頼主ごとの事情に深く関わるため、ここでは要点にとどめる。
データとAIによる人材マッチングの未来
すでに変わったこと、これから変わること
冒頭の問いに戻ろう。人材派遣のマッチング業務は、AIでどこまで変わるのか。すでに変わったことははっきりしている。熟練者にしか作れなかった架電リストを、誰でも同じ水準で出せるようになった。成約率は約6倍になった。しかし、人材マッチングをAIで改善する改善幅は、まだ多く存在する。
これから変わりうることは、さらに大きい。いま多くの人材会社の基幹システムは、調べたい問いで検索することすらできない段階にある。
| 段階 | できること | よくみられる人材採用会社及び利用システムの現状 |
|---|---|---|
| 0 | データにある項目で求人や人材を検索する | 記録が散らばり、一部の限定的な項目でのみ検索ができる。 |
| 1 | 求人や人材をフリーワードで検索する | できるが、他の条件と同時に検索が行えない。 |
| 3 | 検索語句の意味を読み取り、ポテンシャルを推し量って検索する | できない。 |
| 4 | 業務の問いで検索する(来月契約が終わる事務経験者、先週応募してまだ誰も連絡していない人) | できない。 |
生成AIは、この段階を一気に引き上げるポテンシャルを持っている。そしてその先に、二つの姿がある。一つは、チャットに話しかけるだけで、知りたいことが見え、やりたいことができる姿。もう一つは、一週間後にもう一度状況を聞く、といった溜まりがちな約束ごとをAIが拾い、次に取るべき行動を自ら示す姿である。
人材マッチングのAIに取り組む際の留意点
4年間を通じて見えたのは、マッチングの難しさの多くが、点数を計算する仕組みそのものよりも、その手前と後ろにあるということだ。手前には、データがどこに散らばり、何をどこまで使えるかという問題がある。後ろには、現場に信用され、鮮度を保ったまま使われ続けるかという問題がある。
これから取り組む会社に向けて、始める前に決めておくと進みが速くなることを三つ挙げておく。
一つ目は、後ろ盾である。実際に手を動かすのは、いつも現場の担当者である。ただ、データを集め、部署をまたいで協力を取り付けるには、その担当者が頼れる人が上にいなければ進まない。
二つ目は、今使えるデータから始めることである。理想のデータがそろうのを待つ必要はない。手元にある範囲で成果を示すことが、次の一歩を開く。
三つ目は、データの鮮度をどう保つかを先に決めることである。成果を出すのはAIだが、成果を出し続けるのは、毎日届くデータである。
どの順に、どこまでを一度に作るかにも判断の分かれ目がある。ただ、それは会社の規模や体制によって大きく異なるため、個別に相談する必要がある。目安として、十分なノウハウがあれば、中堅規模の会社であれば半年弱、大企業であれば少なくとも1年を見ておく必要がある。
4年間の知見を、すぐ使える形に
この4年間で得た知見を、中小の派遣会社でもすぐに使える形にまとめたのが、「人材マッチングAI」である。一方で、すでにデータを豊富に蓄積していたり、依存するシステムの多い大企業では、個別のカスタマイズ性が強くなり、これまでと同様に顧客ベースでの人材マッチングAIの取り組みを行っている。こういった取り組みに関心のある会社は、問い合わせフォームよりご相談を承っている。