本文へ移動
人材紹介向け Claude Code研修produced by Staneer

CLAUDE CODEの使い方

AI出力のチェックリストをClaude Codeで整える|推薦文を送る前の確認手順

「AIの推薦文が読みやすかったので、そのまま企業に出しました」「あとで読み返したら、面談で聞いていない実績が書いてありました」。AI出力のチェックリストがないまま下書きを使い始めると、現場のCA・RAからこうした声が出てきます。文章が整っているほど、中身の確認が甘くなりやすいのが難しいところです。

Claude Codeは、日本語の指示でファイルや資料を扱える、Anthropic社のAIツールです。推薦文や提案文の下書きを作る用途では、すでに現場で使える段階にあります。一方で、出てきた文章をどう確かめるかは、担当者ごとの感覚に任されがちです。

この記事では、AIが作った推薦文や提案文を、外に出す前に確かめる手順を整理します。先に結論を言うと、事実の照合、表記、個人情報のセルフチェックはClaude Codeに任せられます。ただし、送るかどうかの最終判断と、確認できない内容の扱いは人が担います。

AI出力のチェックリストとは何か、確認が抜けるのはなぜか

AI出力のチェックリストとは、AIの下書きを外に出す前に、何をどの順で確かめるかを決めた一覧のことです。確認が抜けるのは注意力の問題というより、確認の基準が言葉になっていないことが原因です。

私たちのナレッジでは、推薦文や面接対策資料、候補者向けの提案文の下書きを、AIに渡してよい領域に入れています。下書きが短時間で出るようになると、扱う本数が増えます。本数が増えるほど、一本ずつの見直しは雑になりやすくなります。

  • 何を確かめるかが担当者の頭の中にしかなく、人によって確認の深さが違う
  • 根拠が見つからない記述を「たぶん合っている」で通してしまう
  • 受けた指摘をその場で直して終わり、次の確認に生きない

品質管理を人の記憶ではなく、書いた基準で回す。チェックリストはそのための道具です。

AI出力の確認はどこまでClaude Codeに任せられるか

照合、表記、個人情報の検出までは任せられます。出すかどうかの判断と、根拠のない記述をどうするかは人が決めます。

確認の種類Claude Codeに任せる人が担う
事実の照合下書きの記述を面談メモや職務経歴書と突き合わせ、根拠のない箇所に印をつける印の箇所を候補者に確かめるか、削るかを決める
表記企業ごとに避けたい表現や、言い切りが強すぎる箇所を挙げるどこまで言い切るかを決める
個人情報実名や在籍企業名など、出すべきでない情報の残りを見つける出してよい範囲を判断する
抜け漏れ必要な項目が欠けていないかを確かめる補う中身を決める
送る判断任せない候補者や企業に出すかを決める

私たちは「合理性はAI、熱量は人間」という線で役割を分けています。AIは発言や記録の差を仮説として示し、人がその妥当性を確かめる、という順番です。

AIの出力は人が事実確認・修正してから候補者や企業に使います。この約束には例外を作らないようにしています。

推薦文・提案文で使えるチェックリストの項目例

項目は、自社の失敗や受けた指摘から作るのが近道です。私たちのCA向けチェックリストから、AI出力の確認に使いやすいものを抜き出しました。

  • 事実と合わない補強をしていない
  • 学習中の領域を、実務経験として書いていない
  • 企業ごとに避けたい表現と、言い切ってよい範囲を確認した
  • 事例を、担当範囲・事実・再現性で選んでいる
  • 元の面談メモで確認できない記述を、事実として書いていない
  • 実名・年齢・在籍企業名が残っていない(年代、業種と規模などに置き換えた)

最初から全部を入れる必要はありません。自社で実際に起きたことに近い項目から並べると、使われるリストになります。

AI出力の確認手順を5ステップで回す

確認手順は、根拠をそろえる、照合させる、チェックさせる、読み戻す、人が決めるの5つです。順番を固定すると、担当者が変わっても確認の深さがそろいます。

  1. 根拠ファイルをそろえる:面談メモ、職務経歴書、求人票を下書きと同じ場所に置き、どれが根拠かを指示で示します。
  2. 事実の照合を頼む:記述ごとに根拠の箇所を示させます。見つからない箇所は「根拠なし」と印をつけさせます。
  3. 表記と個人情報をセルフチェックさせる:チェックリストを渡し、項目ごとに満たしているかを答えさせます。
  4. 直した後に読み戻す:修正した件数の報告だけで終わらせず、完成版をもう一度読ませて、名前や件数などが意図どおりかを確かめます。
  5. 人が最終判断し、修正理由を残す:残す、直す、削るを決め、その理由を社内のナレッジに書き足します。

5つ目が品質管理の要です。私たちは受けた評価や指摘を一度記録に溜め、再現性のあるものだけをルールに昇格させています。チェックリストも同じやり方で育てます。

確認を頼むときの指示の出し方の原則

原則は3つです。判定できないものは保留にさせる、根拠の場所を書かせる、指摘と修正を分ける、です。

判定できないものは「要確認」として残させる

情報が取れないときに「確認できない=NG」と断定すると、必要な記述まで消えてしまいます。私たちの判断基準では、不明なものは消さずに残し、「要確認」として報告に書く運用にしています。

根拠の場所を必ず書かせる

「問題ありません」だけの返事では、人が確かめようがありません。どのファイルのどの記述に基づくかを添えさせると、確認が数分で終わります。

指摘と修正を分けて出させる

いきなり書き直させると、何が変わったかが見えなくなります。先に指摘の一覧を出させ、人が採否を決めてから直させる順番にします。

AI出力の品質管理でつまずきやすい型

つまずきの多くは、確認の手間を減らそうとして、判断まで手放してしまうところで起きます。

  • 読みやすさで合否を決める:整った文章ほど、根拠のない記述が紛れても気づきにくくなります。
  • 確認できない内容を勝手に処理する:断定して残すのも、黙って消すのも危うく、「要確認」で止めるのが安全です。
  • 修正件数だけ見て完了にする:直したという報告と、直った結果は別物なので、完成版を読み戻します。
  • 指摘を口頭で直して終わる:チェックリストに戻さないと、同じ指摘が繰り返されます。
  • 指示文に個人情報を直接書く:候補者は識別子やファイルの場所で指定し、氏名や連絡先を指示に書き込まないようにします。

よくあるご質問

AIが作った推薦文は、ダブルチェックなしで使っても大丈夫ですか?

いいえ、人の確認を経てから使うことをおすすめします。AIは面談メモにない実績や、強すぎる言い切りを書くことがあります。照合はClaude Codeに任せられますが、出すかどうかは人が決めます。確認の順番を固定しておくと、手間はそれほど増えません。

AI出力のチェックリストは、何から作り始めればよいですか?

過去に実際に受けた指摘や、自分で直した箇所から作るのが近道です。たとえば「事実と合わない補強をしていない」「学習中の領域を実務経験として書いていない」などです。少ない項目で始め、指摘が出るたびに書き足します。再現性のある指摘だけを残すと、リストが膨らみすぎません。

個人情報のチェックもClaude Codeに任せられますか?

見つける作業は任せられますが、出してよいかの判断は人が担います。実名や在籍企業名、年齢などが残っていないかを洗い出させるのは効果的です。ただ、企業に伝えてよい範囲は、案件や候補者の意向によって変わります。指示文には個人情報を書かず、識別子やファイルの場所で指定してください。

まとめ

AI出力のチェックリストは、確認の基準を言葉にして、担当者による差をなくすための道具です。事実の照合、表記、個人情報のセルフチェックはClaude Codeに任せられます。送るかどうかの最終判断と、根拠のない記述の扱いは人が担います。

確認手順は、根拠をそろえる、照合させる、チェックさせる、読み戻す、人が決めて理由を残す、の5つです。受けた指摘をリストに戻し続けると、確認の質が少しずつ上がっていきます。人材紹介向けClaude Code研修でも、この確認の流れを業務に合わせて組み立てています。

まずは直近で書いた推薦文を1本選び、面談メモと並べて「根拠のない箇所に印をつけて」と頼むところから始めてみてください。

あわせて読む

推薦文を根拠と確認点に分けて作る演習例 →候補者データの扱い方 →

FREE CONSULTATION

自社のClaude Codeの使い方の業務に当てはめて、相談する

オンライン・約60分の無料相談。実務の実演を見ながら、対象業務・受講方法・費用条件をご確認いただけます。人材紹介向けClaude Code研修は、スカウト・推薦文・マッチングなど9つの業務テーマから選べます。

本記事は、人材紹介事業を運営するStaneer株式会社が、自社の業務ナレッジをもとにAI(Claude)を使って作成しています。記事中のAI活用は「AIの出力を人が確認・修正して使う」ことを前提にしています。Claude および Claude Code は Anthropic PBC の商標であり、本研修・本ブログは Anthropic社による提供・後援・承認を受けたものではありません。