9月4日、Atomic Objectが「Spec-Driven Hiring Was My Most Useful AI Win of the Year」と題した記事を公開した。採用経験のない職種の採用に挑んだ著者が、AIを使いながらも最終的な採否判断は人間が下すという一線を守り、ソフトウェア開発の「仕様駆動（スペック駆動）」の発想を採用プロセスに持ち込んで成功させた実践手法をまとめた内容だ。
採用をソフトウェア開発の「仕様」と同じ構造で考える
記事の著者は今年、自身が一度も採用経験のなかった2つのポジション——各地域オフィスのローカルマーケティングを支援するシニアマーケティングスペシャリストと、マーケティング業務の自動化を担うマーケティングオペレーションズリード——の採用に挑んだ。
そのとき活用したのが、開発者の同僚が日常的に使っている「スペック（仕様）駆動開発」の発想だ。スペック駆動開発とは、ソフトウェアエンジニアリングにおいて「コードを書く前に仕様を徹底的に定義する」アプローチを指す。実装より上流の定義フェーズに時間を投資することで、手戻りや認識のズレを減らす考え方であり、著者はこれを採用プロセスに転用した。
採用における仕様に相当するのが、タレントプロファイル（Talent Profile）と呼ばれるドキュメントである。
タレントプロファイルは一般的な求人票とは異なる。求人票が「何ができるか」を列挙するのに対し、タレントプロファイルは「何をもって成功とみなすか」を具体的に定義する。Atomic Objectでは以前からこのツールを採用プロセスに組み込んでおり、著者もその効用を以前の記事で解説している。
今年の2つの採用で著者が記述したタレントプロファイルの構成は以下の通りだ：
- 入社30日・90日・180日・1年後のマイルストーン（期待する「特質」ではなく、観測可能な行動として記述）
- 1年目に最も重要なアウトカムの短いリスト
- 想定される最大の課題と、それを乗り越える方法
- 必須経験（年数と具体的な実績）
- コンピテンシーの定義（「実際にどう見えるか」まで記述）
- 技術要件（必須と強く推奨に分類）
- レポートライン・日常的な協働メンバー・職場環境
AIでプロファイルを「叩く」——定義フェーズへの時間投資
記事の核心は、このプロファイルを書いた後の工程にある。著者はClaudeを使ってタレントプロファイルをあらゆる角度から攻撃し、弱点を洗い出した。求人票を1文字も書く前の段階でこの作業を行ったという。
この発想は、Atomic Objectのエンジニアが提唱する考え方とも一致する。ソフトウェア開発では「コードを書くコストは下がったが、仕様を定義するコストは下がっていない。だから高価な作業は上流に移動する」というものだ。採用も同じ構造だと著者は気づいた。
懸念の一つはリソース配分の現実性だった。2つのポジションはどちらも、既存メンバーが持っていた業務を再分配するものだったため、「週2人分の工数に本当に収まるか」を工数データで検証した。社内の時間追跡データから各タスクの所要時間を推計し、自動化前のベースラインを算出することで、感覚ではなく数値で役割分担の妥当性を確認した。
プロファイルを「唯一の参照点」にする——ソーシングから評価まで
プロファイルが固まると、それ以降のすべての工程の起点になった。
ソーシングへの活用が特に印象的だ。著者はタレントプロファイルをもとに、LinkedIn Sales NavigatorでのBoolean検索キーワード案をAIに問いかけた。「このプロファイルに合う候補者を見つけるにはどんな検索条件を使うべきか」という形でAIを活用し、得られたランク付き候補リストから、実際に最初のマーケティングオペレーションズリードが採用された。
一方、シニアマーケティングスペシャリストの採用ではこのアプローチが限界を見せた。オペレーションズリードのプロファイルは「CRM経験」「構築したレポート数」「使用プラットフォーム名」など検索ツールが扱いやすい要素で構成されていた。しかしスペシャリストのプロファイルは「4つの地域オフィスをまたいだ信頼関係の構築」「場の空気を読む能力」など、Boolean検索に落とし込めないものが中心だった。著者はこの点について、プロファイルがソーシングよりインタビュー設計と評価において機能したと正直に認めている。
インタビューと評価への展開も具体的だ。シニアリクルーターのLauren Davalozがプロファイルへの準拠を担保する役割を果たし、「プロファイルから逸脱するなら、意識的にプロファイルを改訂してから逸脱すること」を徹底させた。著者はこの失敗パターンを「drift（ドリフト）」と呼び、ソフトウェア開発における仕様からの無自覚な逸脱と同じ構造だと説明している。インタビューのルーブリック（採点基準表）はプロファイルの全変数をカバーするよう設計し、「会話か実技のどちらかで必ず証明される」仕組みにした。
AIに採否を決めさせない——著者が引いた一線
冒頭に触れた通り、この手法の最大の特徴は「AIを定義の補助に使いながら、判断は人間が下す」という役割分担にある。著者がAIに委ねなかったのは、課題のグレーディングとインタビューの評価だ。「AIに定義を手伝わせることと、AIに合否を判断させることは別だ」という考え方で、最終評価は自分の手で行った。
その後、試しに同じ評価をAIにかけてみたところ、「一部の要素を過大評価し、著者がレッドフラグとしてマークしていたものを見落とす傾向があった」という。先に自分のスコアを持っていたことが重要だったと振り返っている。
まとめ
著者の提言を整理すると、以下の3ステップになる：
- タレントプロファイルを文書化する（頭の中にあるものを紙に出す）
- AIでストレステストをかける（採用プロセスを始める前に）
- プロファイルを唯一の参照点として扱う（変えるときは意識的に、変えたら下流のすべてを合わせる）
この記事が示す本質は、AIの活用範囲をどこに限定するかという判断にある。AIに「仕様を磨かせる」ことと「採否を委ねる」ことは全く異なる行為であり、その線引きを意識したからこそ再現性のある採用が実現した——という点は、採用業務にAIを導入しようとしているすべてのチームに示唆を与える実践報告だ。
詳細はSpec-Driven Hiring Was My Most Useful AI Win of the Yearを参照していただきたい。
