AI人材の採用プロフェッショナルに聞く、AI・機械学習エンジニアの「最新」採用事例。R&Dトップ人材からビジネス実装層まで、ターゲット別の最適アプローチとは

この記事をシェアする

「AIエンジニア」や「機械学習エンジニア」と呼ばれることの多い、AI関連のエンジニア職種は、近年採用市場でも大きな注目を集めています。この記事は、AI・データ領域の採用支援に強い株式会社Reviv社に、これらの職種の採用に取り組むにあたってのポイントをお聞きする記事の後編です。

前編の記事では、生成AIの台頭によってAI関連職種に求められるスキルが「コーディング」から「ビジネス理解・顧客折衝」へとシフトしているという、採用市場のニーズの変化についてお話を伺いました。

後編となる本記事では、その変化を踏まえた上で、「では、実際にどうやって競争の激しい優秀なAIエンジニアやデータサイエンティストを採用しているのか?」という具体的な成功事例や、今後の採用市場の展望についてさらに深掘りしていきます。

AI時代を勝ち抜くエンジニア採用、LAPRASで実現!
近年、生成AIなどの技術進化により、エンジニアに求められるスキルは大きく変化しています。
単にコードを書くスキルだけでなく、ビジネスへの貢献意欲、チームを率いるマネジメント力やリード力といった「作る以外」の役割を果たせるエンジニアの需要が、かつてないほど高まっています。
自社の事業成長を牽引する「AI時代に求められるエンジニア」を見つけたい。そんなお悩みを、LAPRASで解決しませんか?

《前編の記事はこちら》

《インタビュイー紹介》

鶴久 皓基(つるひさ こうき)さん:株式会社Reviv 取締役副社長 兼 採用コンサルティング事業部統括

大学卒業後、証券会社でマクロ経済アナリストとしてキャリアをスタート。その後、外資系人材紹介会社であるMichael PageにてAI・データ領域専門のコンサルタントとして、Preferred Networksや松尾研究所などAIトップ企業におけるハイレイヤー採用を多数支援。現在は株式会社Revivの取締役副社長として採用コンサルティング事業を統括し、AIをプロダクト・事業の中核に据えるスタートアップから大手企業を中心に、AI人材の採用支援および組織設計などに従事。

株式会社Reviv:https://reviv.co.jp/

候補者層に合わせた柔軟で最適なアプローチ

――前編の記事で挙げていただいた「AI関連のエンジニア職種」について、実際にReviv社が支援して採用成功に結びついた代表的な事例を教えてください。

鶴久さん:「R&Dを担う優秀層」と、「ビジネス実装を担う層」の2つの事例をご紹介します。 まず1つ目は、AI技術の研究やソリューション開発を手掛ける企業への採です。

事例1:「KaggleMaster」など、R&D領域のトップ人材

――ひとつ目の「R&Dを担う優秀層」では、どのような課題やターゲット層を設定していたのでしょうか?

鶴久さん:とある企業で医療や製造業、エンタメなど多様な事業ドメインがあるエンドクライアントに対し、自社で研究した技術をビジネス実装していく役割の募集でした。

この企業では該当ポジションを「データサイエンティスト」と呼んでいますが、実態としては深層学習(ディープラーニング)などの高度な技術を顧客ビジネスのどこに活かすかを考えるという、非常に高いレベルが求められるポジションです。

採用の候補者となる層は、データサイエンスのコンペティションである「Kaggle」でマスターの称号を持っているような方や、トップカンファレンスなどで論文を発表しているトップレベルの人材でした。

学会出展やオフライン会食も。10ヶ月に及ぶ「One to One」のアプローチ

――そうしたトップ人材には、どのようにアプローチしたのでしょうか。

鶴久さん:そのような方々は「今すぐ転職したい」という転職顕在層にはほぼいません。そのため、LAPRASのイベント参加情報(connpass)やLinkedInのプロフィールで「R&D部門」といった記載がある方、あるいは国内のJSAI、MIRUなどへの論文投稿者などをリストアップし、こちらから名指しでアプローチを行いました。

ただ、声をかけてもすぐに転職意欲が高まるわけではないので、「いかに接点を持ち続けるか」ということを目的に選考フローやタッチポイントの設計が重要になります。例えば、わざわざ学会に合わせて京都まで足を運んでカジュアル面談をしたり、人工知能学会に出展して、オフラインで10〜12名規模の少人数の会食をセッティングしたりしました。

――それはすごい熱量ですね。入社まではどのくらいかかるものですか?

鶴久さん:通常の転職は2〜3ヶ月程度ですが、このケースでは入社まで10ヶ月から12ヶ月かかった事例が複数あります。企業側もそれだけ待ってくれます。

また、こうしたイベントに年間を通して参加するスケジュールを組んでいると、「この間、大阪でお会いしましたね」というように、以前別の場所で知り合った方と再会することもあり、そこから中長期的なリレーションに繋がっていくこともあります。結果として、その企業の募集ポジションでは、4名以上(うち3名はKaggler)の採用に成功しました。

事例2:ビジネス実装層~カジュアル面談の再設計で「大量採用」のフローを構築

――もう一つの「ビジネス実装層」の事例について教えてください。

鶴久さん:もう一つは、金融領域に特化したコンサルティングファームの事例です。自社プロダクトを顧客にカスタマイズして導入する「FDE(Forward Deployed Engineer)」や、顧客先に常駐してデータの活用提案を行うデータサイエンティストの大量採用を支援しました。

金融機関のデータはセキュリティ上、データを外に持ち出せないため、現場に深く入り込んで提案できる人材が必要でした。

――こちらは先にお聞きした優秀層の時とはアプローチが違うのでしょうか?

鶴久さん:はい。多くの候補者と接点を持ち歩留まりを高めていくことが重要ですので、エージェントの活用、スカウト媒体活用、採用イベントの設計(毎月2本)、そしてリファラルを中心に母集団を形成しました。特にリファラルは質の高い採用に繋がっています。スクリーニングフェーズにおいても1day選考会を定期的に混ぜて選考フローを構築しました。

カジュアル面談を再設計し、母集団から的確にスクリーニング

――FDEやデータサイエンティストに求められる「ビジネス理解」や「顧客折衝経験」は、どのように見極めたのでしょうか。

鶴久さん:入り口である人事担当とのカジュアル面談の段階では、それぞれのスキルレベルを細かく見るというよりは「構造化データの分析経験があるかどうか」といった大まかな基準でスクリーニングを行いました。その上で、これまでの顧客折衝経験について少し深掘りして聞いていきました。

大量採用を進めるにあたり、まずはある程度母集団を形成してスクリーニングするフローが必要でした。そのため、そもそも候補者を惹きつけるためのカジュアル面談用の資料を、企業側と一緒に一から作り直すところから支援に入りました。

AI時代のエンジニア採用市場の未来と、企業が取り組むべきこと

ここまでは、求める候補者像によってまったく異なる、2つのアプローチで採用を成功に導いた対照的な事例についてお聞きしました。

最後に、前編・後編のまとめとして、今後のAI関連職種の採用市場がどのように変わっていくのか、そしてこれからAI人材の採用に注力する企業が取り組むべきポイントについて伺いました。

AIによる効率化で浮いた工数を「個別最適化」に投資する

――AI関連職種の採用市場やアプローチ方法は、今後どのように変化していくとお考えでしょうか?

鶴久さん:今、AIを用いた書類選考やAI面接といったツールが急速に増えてきていますよね。今後、定型的な選考プロセスでは、こうしたAIツールがより広く活用されるようになり、効率化が進んでいくはずです。そこで企業にとって重要になるのが、「AIによって浮いた工数をどう使うか」という点です。

私は、浮いた時間はすべて「人にしかできない質の担保」に投資していく形に変わっていくと考えています。例えば、候補者の志向性に寄り添ったクロージングや、「この人を採用するためには、どのような選考フローを組むのが最適か」を考えるといった、徹底した「個別最適化」の部分に頭を使っていくようになるのではないでしょうか。

――先ほどお話しいただいた、「R&Dを担う優秀層」に対するOne to Oneのアプローチなどがまさにそれですね。

鶴久さん:はい。例えば、新卒や若手の営業職を100人採用するといった場合は、オペレーションを仕組み化・テンプレート化していけばいいと思います。しかし、「データサイエンスのスキルがあり、かつ顧客折衝もできる」といったハイスキルなAI人材は、日本国内に本当に一握りしかいません。

そうした希少な層は、単純に他社より良い条件を提示すれば採用できるわけではありません。だからこそ、候補者と1対1で深くコミュニケーションを取り、相手のキャリアに寄り添える「優秀なリクルーター」の存在が、今後はより一層不可欠になってくると思います。

優秀な層を惹きつけるには「魅力的な求人票」と「個別最適な選考フロー」が必須

――これからAIエンジニアやデータサイエンティストの採用に注力したい企業に向けて、アドバイスをお願いします。多くの企業がつまずきがちなポイントなどはありますか?

鶴久さん:企業がAI人材の採用でつまずきがちなポイントは、大きく2つあります。

1つ目は、「候補者から求められる(=魅力的に映る)求人票を書けていない」ことです。これは前編でお話しした通り、自社のビジネス課題から逆算して要件を定義し、独自のアトラクトポイントを盛り込むことで改善できます。

2つ目は、「優秀な層を採用するための仕組み(選考フロー)が作れていない」ことです。優秀な候補者を惹きつけるには、自社の選考都合を押し付けるのではなく、相手の「採用体験(CX)」を維持・向上させるための柔軟な選考フローを考え、そこにしっかりと手間と時間をかける必要があります。

AIツールで効率化できる部分は徹底的に効率化し、そこで生み出したリソースを「候補者との深い対話」や「個別の魅力づけ」に全力で注ぐこと。これが、これからの採用競争を勝ち抜くための鍵になるはずです。

人にしかできない「個別で深い対話」がより重要に

後編となる本記事では、Reviv社が実際に手がけた「優秀なR&D層」と「ビジネス実装を担う層」という、タイプの異なる2つの採用成功事例から、候補者層に合わせた柔軟なアプローチの重要性をお伝えしました。

さらに、今後のAI時代における採用の鍵は、「AIによる定型業務の徹底的な効率化」と、それによって生み出されたリソースを「候補者一人ひとりとの深い対話(個別最適化)」に注力することだという、非常に本質的なメッセージをいただきました。

本記事が、貴社のエンジニア採用をさらに前進させ、素晴らしい候補者との出会いを創出するヒントになれば幸いです。

AI時代に勝つエンジニア採用を! LAPRASで実現する「スキルの可視化」
AI時代、エンジニアの価値はコードの量ではなく、その質と事業への影響力にあります。
LAPRASは独自のスコアリングにより、テクノロジー、マネジメント、リード力などのスキルを客観的に可視化。
✔︎ 学習意欲の高い層が多数登録
常にスキルをアップデートし続ける、意欲的なエンジニア層にダイレクトにリーチ
✔︎ 潜在層・顕在層の両方にアプローチ可能
転職市場に出てこない希少な才能を、独自のオープンデータから見つけ出します
✔︎ キャリア・スキルを客観的に把握
テクノロジー、リード、マネジメントなどの能力を数値とグラフで可視化。履歴書だけでは見えない「真の実力」を一目で判断できます
▼ 詳細はこちら ▼