はじめに —— 面接の質を決めるのは「質問の設計」

面接で何を聞くか——これは面接官の経験やセンスに委ねられていることが多い。

「前職ではどんな仕事をしていましたか？」「なぜ転職を考えていますか？」「当社を志望した理由は？」

こうした定番の質問は、どの面接でも繰り返されている。しかし、これらの質問で候補者の何を評価しているのかを明確に答えられる面接官は少ない。

問題は面接官のスキルではない。「何を聞くべきか」が設計されていないことが問題だ。

採用要件があり、評価項目がある。候補者の経歴も事前に把握できる。にもかかわらず、面接の質問は「毎回なんとなく決める」という運用になっている企業がほとんどだ。

この記事では、面接質問の設計をAIで自動化する方法を解説する。単に「AIが質問を作る」という話ではなく、採用要件と候補者情報を構造化し、「この候補者に、この面接で、何を聞くべきか」をAIが導き出す仕組みの全体像を示す。

面接質問が「なんとなく」になる3つの構造的原因

原因1: 質問が採用要件と紐付いていない

多くの面接で、質問と採用要件の間に明示的な紐付けがない。

面接官は「この人のコミュニケーション力はどうか」と漠然と考えながら質問するが、「この質問の回答で、評価項目Aのスコアを判定する」という設計にはなっていない。結果、面接後の評価は「なんとなく良かった」「ちょっと不安が残る」といった印象ベースになる。

面接の現状	あるべき姿
面接官が「聞きたいこと」を聞く	評価項目に紐付いた質問を聞く
質問の選定は面接官の裁量	質問リストが事前に設計されている
回答の評価は印象ベース	スコアリング基準に照らして評価

原因2: 候補者ごとの「確認すべきポイント」が整理されていない

同じポジションでも、候補者によって確認すべきポイントは異なる。

経験豊富な候補者には、実績の深さや再現性を確認すべき
異業種からの転職者には、スキルの転用可能性を確認すべき
マネジメント経験者には、チーム規模や意思決定の権限範囲を確認すべき

しかし現実には、全員に同じ質問をしている。あるいは、面接官が履歴書をざっと見て「じゃあこの辺を聞こうかな」とアドリブで対応している。これでは候補者間の公平な比較ができない。

原因3: 質問設計に時間をかけられない

仮に「候補者ごとに質問を設計すべき」と理解していても、実務では時間が足りない。

面接準備にかかる工数	候補者数	月間工数
1人あたり30分（履歴書読み込み+質問設計）	月20人	10時間
1人あたり15分（ざっと確認のみ）	月20人	5時間
0分（ぶっつけ本番）	月20人	0時間

採用担当者は書類選考、日程調整、エージェント対応など他のタスクに追われている。面接準備に30分かけるのは理想だが、現実にはぶっつけ本番に近い状態で面接に臨んでいる面接官も多い。

つまり、質問設計の重要性は理解されていても、工数の壁があるために実行されていない。

面接質問の設計に必要な「3つの入力」

AIで面接質問を自動生成するためには、まず「良い質問」を生み出すために何が必要かを構造化する必要がある。

面接質問の質を決めるのは、以下の3つの入力情報だ。

入力1: 採用要件（ポジションに求めるもの）

「このポジションに必要なスキル・経験・素養は何か」を構造化したもの。

分類	内容	例
Must（必須）	これがないと不採用	Python実務経験3年以上、チーム開発経験
Want（歓迎）	あれば加点	ML/AIプロジェクト経験、英語での業務経験
NG（不可）	これがあると不採用	競合NDA期間中

さらに、抽象的な要件（「コミュニケーション力」等）は行動レベルに分解する必要がある。「複雑な技術内容を非エンジニアに説明できる」「相手の意見を聞いた上で自分の見解を述べられる」といったレベルまで落とし込んで初めて、質問設計の入力として使える。

入力2: 候補者情報（書類から読み取れる事実）

履歴書・職務経歴書から構造化できる情報。

情報カテゴリ	質問設計への影響
職歴の一貫性	キャリアの転換点がある場合、その意思決定の背景を確認する質問が必要
スキルセットとポジション要件のギャップ	ギャップがある領域について、学習意欲や転用可能性を確認する質問が必要
実績の具体性	書類に定量的な実績が書かれていれば深掘り、曖昧であれば具体化を促す質問が必要
在籍期間	短期離職が多い場合、定着性に関する質問が必要
マネジメント経験	チーム規模・権限範囲・意思決定プロセスを確認する質問が必要

入力3: 面接の位置づけ（選考フローの中での役割）

同じ候補者でも、一次面接と最終面接では聞くべきことが違う。

面接フェーズ	確認すべき観点	質問の方向性
一次面接	基本的なスキル・経験の確認	経歴の事実確認、技術力の基礎レベル
二次面接	深い技術力、問題解決力	具体的なプロジェクト経験の深掘り（STARメソッド）
最終面接	カルチャーフィット、志向性	価値観、キャリアビジョン、チームとの相性

この3つの入力が揃って初めて、「この候補者に、この面接で、何を聞くべきか」が決まる。

【面接質問の設計ロジック】

採用要件（Must/Want/NG × 行動レベル分解）
    ＋
候補者情報（経歴・スキル・実績 × ギャップ分析）
    ＋
面接の位置づけ（フェーズ × 確認観点）
    ↓
「この候補者に、この面接で聞くべき質問リスト」

AIによる面接質問の自動生成 —— 4つのステップ

ステップ1: 採用要件を評価項目に変換する

まず、ポジションの採用要件を面接で測定可能な評価項目に変換する。

人がやる場合: 採用担当と現場マネージャーで1〜2時間のすり合わせが必要。

AIがやる場合: 求人票やポジション要件をインプットとして、評価項目の候補を自動生成。人はレビューと調整だけで済む。

求人票の記載	AIが生成する評価項目
「Pythonを使ったデータ分析経験」	① Python実務力（pandas/numpy等のライブラリ利用経験） ② データ分析の設計力（課題設定→仮説→検証の一連の流れ）
「チームをリードした経験」	① ピープルマネジメント（チーム規模・1on1・評価経験） ② プロジェクトマネジメント（スケジュール管理・リスク対応）
「顧客折衝ができる」	① 顧客ヒアリング力（課題を引き出す質問力） ② 提案力（ヒアリング内容を解決策に変換する力）

ステップ2: 候補者の書類を分析し、確認ポイントを抽出する

AIが候補者の履歴書・職務経歴書を読み込み、ステップ1の評価項目と照らし合わせて面接で確認すべきポイントを自動抽出する。

候補者の書類情報	AIの分析	面接で確認すべきポイント
Python経験5年、ML案件の記載あり	Must要件を満たす可能性高い	実績の再現性（特定環境依存でないか）を確認
チームリード経験の記載なし	Want要件のギャップ	リーダーシップを発揮した経験が他にないか確認
直近2社の在籍期間が各1年	定着性リスクのシグナル	転職理由の一貫性と今回の転職動機を確認
「売上120%達成」の実績記載	定量実績あり、ただし背景が不明	達成の要因分析（環境要因 vs 個人の貢献）を確認

ポイント: 書類に書かれていることをそのまま聞くのではなく、書類からは読み取れないことを面接で聞く。AIは「書類でわかること」と「面接で確認すべきこと」を分離する。

ステップ3: 評価項目×確認ポイントから質問を生成する

ステップ1の評価項目とステップ2の確認ポイントを掛け合わせて、具体的な面接質問を生成する。

質問はSTARメソッド（Situation→Task→Action→Result）に基づいて設計し、フォローアップ質問もセットで生成する。

生成される質問リストのイメージ

#	質問	測定する評価項目	確認ポイント	フォローアップ
1	「Pythonを使ったデータ分析で、最も成果が出たプロジェクトについて教えてください」	Python実務力、分析設計力	実績の再現性	「そのアプローチは他のプロジェクトでも適用できますか？環境に依存する部分はありましたか？」
2	「チームの中で自分が率先して動いた経験を教えてください。公式なリーダー役職でなくても構いません」	リーダーシップ	ギャップ確認	「周囲はどのように反応しましたか？結果として何が変わりましたか？」
3	「直近の転職ではどのような基準で次の環境を選びましたか？」	定着性、志向性	短期離職リスク	「今回の転職で最も重視しているポイントは何ですか？」
4	「売上120%を達成されたとのことですが、その成果に最も貢献した要因は何でしたか？」	問題解決力、成果への貢献度	実績の深掘り	「市場環境やチーム体制など、外部要因の影響はどの程度ありましたか？」

ステップ4: スコアリング基準を質問に紐付ける

生成した質問に対して、「どのような回答であれば何点か」のスコアリング基準もAIが生成する。

スコアリング基準の例（質問1: Python実務力）

スコア	基準
5	複数のプロジェクトでPythonを主導的に活用。ライブラリ選定・アーキテクチャ設計まで自走できるレベル。分析結果をビジネスインパクトに繋げた実績がある
4	Pythonを日常的に使い、一通りのデータ分析フローを自力で実行できる。チーム内で技術的な相談を受ける立場
3	基本的なデータ処理・分析はできる。既存のコードやフレームワークを活用しながら業務を遂行できる
2	Pythonの基礎は理解しているが、実務での利用経験が限定的。サポートが必要な場面がある
1	Pythonの実務経験がほぼない。学習段階にとどまっている

この4ステップを人が手動でやると、候補者1人あたり30〜60分かかる。AIなら数分で完了する。

「AIが質問を作る」だけでは不十分な理由

AIで質問を自動生成する仕組みを導入しても、以下の設計がなければ効果は限定的だ。

落とし穴1: 書類選考と面接の分断

書類選考でAIがスコアリングした結果と、面接の質問が連動していなければ、書類で確認済みのことを面接で再び聞く無駄が発生する。

分断している状態	連動している状態
書類選考: AIがスコアリング → 結果は合否判定のみに使用	書類選考: AIがスコアリング → 評価項目ごとの判定結果を面接官に共有
面接: 面接官が履歴書を読み直して質問を考える	面接: 書類で確認できなかった項目に絞った質問リストが自動生成される

書類選考と面接が一気通貫で設計されていることが重要だ。書類でわかったことは面接で聞かない。書類では判断できなかったことだけを面接で確認する。

落とし穴2: 質問リストの「使われない」問題

AIが質問リストを生成しても、面接官がそのリストを使わなければ意味がない。

面接官が質問リストを使わない理由は主に3つ：

質問が多すぎる → 面接時間内に収まらない
質問が抽象的すぎる → 「何を聞けばいいか」がピンとこない
面接官の自律性が失われる感覚 → 「台本を読むだけ」に感じる

対策として、質問リストは5〜7問に厳選し、各質問の意図（「この質問で何を測るか」）を1行で添える。面接官がフォローアップで自由に深掘りできる余地を残すことで、「設計された面接」と「面接官の裁量」のバランスを取る。

落とし穴3: 生成された質問の品質管理

AIが生成する質問には、以下のリスクがある。

リスク	内容	対策
誘導質問	回答の方向性を誘導してしまう質問	「〜ですよね？」型の質問を自動検出して除外
違法な質問	本籍地、家族構成、思想信条などに関する質問	厚労省の公正採用ガイドラインに基づくフィルタリング
表面的な質問	「はい/いいえ」で終わる質問	オープンエンド質問のみ生成する制約
重複質問	同じ評価項目を異なる角度から複数聞きすぎる	評価項目ごとの質問数制限

AIが生成した質問を採用担当者がレビュー・編集できるフローを必ず組み込む。最終判断は人がする、という設計思想が重要だ。

実践ガイド —— 段階的な導入ステップ

Phase 1: まずは「確認ポイントの自動抽出」から（1週間）

いきなり質問の完全自動生成を目指す必要はない。まずは、書類選考の結果から「面接で確認すべきポイント」を自動で整理するところから始める。

やること	具体的な内容
書類選考の評価結果を面接官に渡す	候補者のスコア内訳＋「書類では判断できなかった項目」のリスト
面接官に「確認ポイントリスト」を共有	「この候補者は技術力は高いが、チームワークの実績が書類からは読み取れません。この点を確認してください」

これだけでも、面接官が「何を聞けばいいか」を把握した上で面接に臨めるようになり、面接の質は大きく変わる。

Phase 2: 質問リストの自動生成を導入（2〜4週間）

確認ポイントの整理に慣れたら、質問リストの自動生成を導入する。

やること	具体的な内容
採用要件を構造化する	Must/Want/NGの分類＋行動レベルへの分解
評価項目を定義する	ポジションごとに5〜8項目
AI質問生成を有効化	候補者×ポジション×面接フェーズの組み合わせで質問を自動生成
面接官へのオンボーディング	「質問リストの読み方」を15分レクチャー

Phase 3: スコアリング基準との統合（1〜2ヶ月）

質問生成が安定したら、スコアリング基準も含めた構造化面接の完全版を導入する。

やること	具体的な内容
各評価項目のスコアリング基準を定義	1〜5のスコアが何を意味するかを明文化
面接後の評価入力をシステム化	質問ごとの回答メモ＋スコア入力
面接データの蓄積と分析	「どの質問が評価の精度に貢献しているか」を検証

AI面接質問生成の導入効果

定量的な効果

指標	導入前	導入後
面接準備時間（1候補者あたり）	15〜30分	3〜5分（AIが生成したリストのレビューのみ）
面接官間の評価一致率	40〜60%（感覚値）	70〜85%（同一基準による評価）
面接で「書類の繰り返し」になる割合	30〜50%	5%以下（書類で確認済みの項目を除外）
候補者1人あたりの面接回数	3〜4回（判断できず追加面接）	2〜3回（的確な質問で効率的に判断）

定性的な効果

面接官の負荷軽減: 「何を聞けばいいかわからない」状態がなくなる
候補者体験の向上: 「ちゃんと書類を読んでくれている」と感じる面接になる
採用判断の透明性: 「なぜこの候補者を通したのか/落としたのか」の根拠が残る
面接ナレッジの蓄積: どの質問が有効だったかのデータが蓄積される

よくある懸念と回答

「面接が機械的になりませんか？」

質問リストは「聞くべきこと」の設計であり、面接の進め方を強制するものではない。面接官はリストを土台にしつつ、候補者の回答に応じて自由にフォローアップできる。「骨格は設計し、肉付けは面接官の裁量」というバランスだ。

「面接官のスキルが育たなくなりませんか？」

むしろ逆だ。質問の設計意図（「この質問で何を測るか」）が明示されることで、面接官はなぜその質問をするのかを理解した上で面接できる。これは面接スキルのトレーニング効果がある。

「全ポジションで使えますか？」

採用要件が構造化できるポジションであれば使える。ただし、経営幹部やクリエイティブ職など、評価基準の定量化が難しいポジションでは、AIの質問生成はあくまで補助的な位置づけになる。

まとめ —— 面接質問の設計を「仕組み」にする

面接質問を面接官の裁量に委ねている限り、面接の質は属人的なままだ。

現状のアプローチ	AI活用のアプローチ
面接官が経験で質問を考える	採用要件×候補者情報×面接フェーズから質問を自動設計
全員に同じ定番の質問をする	候補者ごとに「確認すべきポイント」が異なる質問リスト
書類に書いてあることを面接で聞き直す	書類で確認できなかった項目に絞って質問
面接後に「なんとなく良かった」で評価	質問×評価項目×スコアリング基準で根拠ある判断

面接質問の自動生成は、単なる効率化ではない。「何を聞くべきか」を構造化することで、面接の評価精度そのものを上げる取り組みだ。

まずは書類選考の結果を面接官と共有するところから始めてほしい。それだけで、面接の質は変わる。

Tasonal AI書類選考は、候補者の経歴を採用要件に基づいてAIがスコアリング。書類選考の評価結果から面接で確認すべき質問リストを自動生成するので、構造化面接の導入ハードルを大幅に下げます。

無料で試す →

面接質問をAIで自動生成する方法｜「聞くべきこと」を構造化する面接設計の新常識