【検証】Gemini 3.6 Flashで職務経歴書はどこまで一次整理できる？採用業務を3ケースで試した

応募が増えると、書類の一次確認だけで一日が終わる

採用・人事の担当なら、心当たりがあるはずです。

「応募者のスキルや経歴から、要件に合う人を見極めるのが難しい」という声も多く聞かれます。

一件ずつ職務経歴書を読み、必須スキルや経験年数を拾い、一覧にまとめる。

この“下ごしらえ”に、時間が奪われます。

もし、この読み取りと一覧化をAIが数十秒で終わらせてくれた….。

結論・検証結果

先に言い切ります。

職務経歴書から「必須スキルの充足・経験年数・資格」を読み取り、一覧化する下書きは、Gemini 3.6 Flashに任せられます。

ただし、合否の判断と最終確認は人が行う前提です。

検証は、次の3ケースで行いました。

 時間の目安

出力は数十秒。手作業を約5分と仮定すると、一覧化の作成を約90％短縮できる試算です。

Gemini 3.6 Flashが「書類の一次整理」に向く理由

Gemini 3.6 Flashは、速度と処理能力のバランスを重視したモデルです。
長い職務経歴書から、必要な項目を決まった観点で抜き出し、決まった形式（JSON）に整える作業に向いています。同じ観点で大量に回せるので、応募が多い時期の一次整理と相性が良いのが特徴です。

何を読み取る？（そして、何を読み取らせないか）

読み取るのは、選考担当者が確認するための客観的な情報です。

• 必須スキルの充足（要件のスキルを満たすか／根拠）

• 関連業務の経験年数

• 保有資格

• 経歴の要点、要件に対して不足・不明な点

一方で、読み取らせない・出力させないことも、はっきり決めます。

• 性別・年齢・国籍・家族構成などの属性は、評価や出力に含めない

• 合否・点数・順位は出さない（担当者が判断する）

これは、公平性を保つために欠かせない設計です。プロンプトの中で、これらを明示的に指定します。

そのまま使える「職務経歴書 整理」プロンプト

コピーしてすぐ使えるよう、検証で使ったプロンプトをそのまま載せます。

あなたは採用アシスタントです。以下の【求人要件】に照らして、【職務経歴書】から、選考担当者が確認するための情報を「整理」してください。合否の判定はしないでください（判断は人が行います）。

出力は次のJSONのみ（前置き・解説は不要）：
{
  "required_skills": [
    { "skill": "要件のスキル", "meets": "true | false | unclear", "evidence": "職務経歴書内の根拠（なければ空文字）" }
  ],
  "years_of_experience": "関連業務の経験年数（不明なら空文字）",
  "certifications": ["保有資格"],
  "summary": "経歴の要点（1〜2文）",
  "missing_or_unclear": ["要件に対して不足・不明な点"],
  "confidence": "high | medium | low"
}

・書かれていないことは推測で埋めず、空文字または "unclear" にする
・性別・年齢・国籍・家族構成などの属性は、評価にも出力にも含めない
・合否・点数・順位は出力しない（担当者が判断する）

【求人要件】
（必須スキル・経験年数などをここに記入）

【職務経歴書】
（ここに1名分を貼る）

※【求人要件】と【職務経歴書】の欄を埋めて、1回でまとめて送信してください。欄を空のまま送ると、AIが「テキストをください」と聞き返すことがあります。APIで組み込む場合は、Structured Outputs（JSON Schemaの指定）を使うと形式が安定します。

3ケースで検証

Forvioは「検証＞雰囲気」がモットーです。ダミーの職務経歴書3ケースで、同じ作業を「手作業」と「Gemini 3.6 Flash」で比べます。

検証環境

• 検証日：2026-07-22

• 使用モデル：Gemini 3.6 Flash

• 求人要件（例）：必須＝Python実務3年以上／AWS／チームリード経験

• 入力データ：ダミー職務経歴書 3ケース（①要件に合う②一部不足③フォーマットばらばら）

• 比較対象：担当者の手作業

評価基準（4つ）

1. 抽出の正確さ（スキル・経験年数・資格を正しく取れたか）

2. 不足の指摘（要件を満たさない点を、過大評価せず示せたか）

3. 公平性（属性や合否を出力していないか）

4. 形式の安定性（毎回、同じJSON項目で返るか）

結果

• 抽出の正確さ：要件に合う経歴では、必須3要件（Python・AWS・リーダー）をすべて根拠つきで true、歓迎の機械学習を false と正しく整理しました。経験年数・資格も正確です。

• 不足の指摘（過大評価しない）：Pythonの実務が2年のケースで、meets: false（3年未満）とし、missing_or_unclear に「必須要件の3年に満たない」と明記。“2年”を“3年以上”と過大評価しませんでした。

• 散文への強さ：フォーマットがバラバラな職務経歴書でも、「直近4年はPython中心」を拾って true。一方、後輩指導はあるが正式なリーダー経験かは曖昧なため unclear とし、その旨を missing_or_unclear に残しました。

• 公平性：3ケースとも、属性（性別・年齢など）や合否・点数を一切出力しませんでした。プロンプトの指定が効いています。

• 時間：出力は数十秒。手作業を約5分と仮定すると、一覧化を約90％短縮できる試算です。

小さな注意点として、散文のケースで「AWSは一部で触った程度」を meets: true としつつ、missing_or_unclear に「実務の規模・内容が不明」と補足していました。“経験の有無”は拾えていますが、“深さ”の判断は人が確認する前提です。

実際の出力（検証で返ってきたもの）

いちばん見たいのは、「要件を少し満たさない人」を正直に扱えるかです。要件「Python3年以上・AWS・リーダー経験」に対して、次の職務経歴書を渡しました。

実際に返ってきた出力がこちらです（指定したJSON形式のまま）。

{
  "required_skills": [
    { "skill": "Python 実務3年以上", "meets": "false", "evidence": "サーバーサイド開発を2年経験。Pythonでの実装が中心" },
    { "skill": "AWS", "meets": "true", "evidence": "AWS（S3・Lambda）も使用" },
    { "skill": "チームリード経験", "meets": "false", "evidence": "リーダーの経験については特に記載なし" },
    { "skill": "機械学習の実務経験（歓迎）", "meets": "true", "evidence": "scikit-learnを用いた需要予測に携わった" }
  ],
  "years_of_experience": "2年",
  "certifications": [],
  "missing_or_unclear": [
    "Pythonの実務経験が2年であり、必須要件の3年に満たない",
    "チームリード経験の記載がない（未経験または要確認）"
  ],
  "confidence": "high"
}

注目は、Pythonを「2年だから false」と正直に判定し、不足の理由まで書いていること。歓迎要件の機械学習（scikit-learn）は、ちゃんと拾って true にしています。“それらしく話を盛る”のではなく、事実に沿って整理してくれる——ここが実務で安心できるポイントです。あとは人が確認して、合否を判断します。

Gemini単体で合否を決められる？

決められません（決めさせません）。今回検証したのは、あくまで**「書類を読み取り、要件に照らして整理する」まで**です。合否の判断は、必ず人が行います。

理由は明確です。AIの出力は、学習データ由来のかたより（バイアス）を含む可能性があり、応募者への説明責任も人にあります。だからこそ、AIには「属性を出さない・合否を出さない」を徹底させ、判断は人が担うのが安全です。大量の書類を自動で処理・連携するには、採用管理システム（ATS）のAPIや自動化ツールが別途必要です。

精度を上げるコツと、公平性の注意

1. 要件を具体的に：必須と歓迎を分け、「Python 3年以上」のように基準を明記する

2. 根拠（原文）を出させる：確認が速くなり、判断の説明もしやすくなる

3. 「属性を出さない・合否を出さない」を必ず指定する：公平性を守る最重要ポイント

AIの出力は、あくまで人が確認するための参考情報です。confidence の値も、正答率を保証するものではなく、確認の優先順位づけの目安として使ってください。

実践：導入手順

1. 求人要件を明文化する（必須・歓迎を分ける）

2. その要件をプロンプトに固定する（上の全文プロンプトを利用）

3. 職務経歴書を貼って、1回で送信する

4. unclear や不足の項目は、人が確認する

5. 合否は人が判断する（AIの出力はあくまで参考）

こんな人におすすめ／おすすめしない

• 向いている：応募が多い／必須要件が明確／書類の一次整理・一覧化を効率化したい採用・人事

• 向いていない：合否の判断までAIに任せたい（NG）／要件が定義できない／個人情報をAIに渡せない環境

まとめ

Gemini 3.6 Flashは、応募者の合否を決めるAIではありません。

ですが、職務経歴書から必須スキル・経験年数・資格を読み取り、人が確認できる一覧に整えるところまでは、十分に使えます。

AIに任せるのは“判断”ではなく、“読み取り・整理・一覧化”。人は、最終確認と合否の判断、そして応募者への責任に集中する。これが、現時点で最も現実的で、かつ公平性を守れるAI活用だと感じています。

筆者からの補足（公平性・個人情報の注意）

いくつか、必ず押さえてほしい点があります。

まず、職務経歴書は個人情報です。個人向けの無料サービスにそのまま入力せず、個人情報保護法・社内規程・そのサービスのデータ保存/利用条件を確認してください。検証や試用の段階では、氏名や連絡先を匿名化することをおすすめします。

そして、合否の判断をAIに委ねないこと。AIの出力にはかたよりが含まれる可能性があり、性別・年齢・国籍などの属性で選考することは避けなければなりません。プロンプトで「属性を出さない・合否を出さない」を指定したうえで、最終判断と応募者への説明は、必ず人が行ってください。

なお、今回検証したのはダミーの職務経歴書です。実際の導入時は、自社の要件と自社のデータで追加検証してください。

よくある質問（FAQ）

Q. 無料版でも使えますか？
A. Geminiアプリの無料プランから利用できます。ただし、利用回数や機能には上限があります。

Q. 合否まで判定してくれますか？
A. 判定させません。AIは「読み取り・整理」まで、合否は人が判断します（公平性のため）。

Q. 応募者の個人情報を入力してもいいですか？
A. 個人情報保護法・社内規程・データ利用条件を必ず確認してください。試用時は匿名化を推奨します。

Q. 大量の書類を一括処理できますか？
A. 直接はできません。採用管理システム（ATS）のAPIや自動化ツールが別途必要です。

Claudeの最新機能も実際に検証しています

Forvioでは、Claudeの最新機能についても、実際の業務を想定しながら検証しています。GeminiとClaudeの違いや、仕事での使い分けが気になる方は、ぜひあわせてご覧ください。

次に読む（Gemini仕事術シリーズ）

• Gemini仕事術① Gemini 3.6 Flashは“仕事のどこ”に効くのか（得意な仕事・苦手な仕事）

• Gemini仕事術② カスタマーサポート編：問い合わせ対応はどこまで自動化できるか

• Gemini仕事術③ 営業編：商談メモをCRM用に自動整理

もっと体系的に学ぶなら（書籍・実践講座）

今回の記事では、Gemini 3.6 Flashを使って、職務経歴書からスキル・経験年数・資格を読み取り、人が確認しやすい形に整理する方法を検証しました。

ただし、採用業務でAIを安全に活用するには、ツールの使い方だけでなく、採用設計やAIリテラシー、実際の業務への組み込み方まで理解することが大切です。

ここでは、今回の内容から一歩進んで学びたい方に向けて、関連する書籍と実践講座を紹介します。

AI採用の全体像を学びたい方へ

職務経歴書の整理だけでなく、母集団形成、候補者対応、採用判断など、採用活動全体でAIをどう活用するかを考えたい方には、『成果の出るAI採用――人手不足の時代に採用で勝つために』が関連します。

今回の記事で扱った「書類の一次整理」を、採用プロセス全体の中でどのように位置づけるかを考える際の参考になります。

AIを導入する前の考え方を整理したい方へ

AIは、導入するだけで自動的に成果が出るものではありません。どの業務を任せ、どこを人が確認するのかを設計する必要があります。

『AIリテラシー実践講座――AIは「導入」するな、「採用」せよ』は、AIを単なる便利なツールとしてではなく、役割を持った仕事のパートナーとして活用するための考え方を学びたい方に向いています。

今回の記事で紹介した「AIは整理まで、判断は人が行う」という役割分担を、より広い業務に応用したい方は参考にしてみてください。

AIエージェントを実際に動かして学びたい方へ

記事内のプロンプトを使うだけでなく、職務経歴書の読み取り、JSON形式への整理、別ツールへの連携まで自動化したい場合は、AIエージェントや自動化ツールの知識が必要になります。

AI Agent Campでは、Claude Code・Cursor・Codexなどを使いながら、AIエージェントを実際に動かす形で学習できます。

将来的に、職務経歴書の整理結果を採用管理システムやスプレッドシートへ連携するなど、単発の利用から業務フローの自動化へ進みたい方に関連する実践講座です。

出典

• Google公式ブログ「Introducing Gemini 3.6 Flash, 3.5 Flash-Lite, and 3.5 Flash Cyber」: https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-6-flash-3-5-flash-lite-3-5-flash-cyber/

• Gemini Developer API 料金・データの取り扱い: https://ai.google.dev/gemini-api/docs/pricing

• Gemini API Structured outputs（JSON Schema）: https://ai.google.dev/gemini-api/docs/structured-output

• ヒトクル「人事担当者258人に聞いた採用活動のプロセスに関する調査」（応募者のスキル・経歴からの選定に課題）: https://hitokuru.atimes.co.jp/list/430

おすすめ記事一覧