【AI採用管理】Gemini API × Next.jsで書類選考を自動化した受託開発事例

「履歴書と職務経歴書が20通。全部読んで、スコアつけて、エージェントに返信して...」

採用担当なら一度は経験する、あの果てしない書類の山。しかも「この人、リーダー経験あるっけ？」と3回目に同じ書類を読み返す瞬間、ふと思うんです。「これ、人間がやる仕事なのか...？」 と。

今回は、Cistree社の採用業務をAIで変えた受託開発プロジェクトの開発ストーリーをお届けします。Gemini API × Next.js で書類選考の自動化に挑んだ、リアルな現場の話です。

プロジェクト概要

項目	内容
クライアント	Cistree社（IT企業・人材採用強化中）
開発形態	playpark LLC による受託開発
開発期間	約1週間（2026年3月末〜4月初旬）
技術スタック	Next.js 16 / Gemini API / Neon PostgreSQL / Vercel

課題：採用業務の「見えないコスト」

Cistree社は成長フェーズにあり、積極的に人材採用を進めていました。ただ、採用プロセスには人の手に頼り切った部分が多く残っていました。

1. 書類選考に時間がかかりすぎる

履歴書と職務経歴書を1通ずつ開いて、経験年数を数えて、リーダー経験があるか確認して、PMO歴を探して...。1人あたり15〜20分（集中力が切れると30分コース）。候補者が増えるほど、採用担当の退勤時間が後ろにずれていきます。

2. 評価基準が属人的

「この人いいと思う」の「いい」が、担当者によって微妙に違う。上流工程の経験を重視する人もいれば、リーダー経験を優先する人もいる。一貫した基準で比較できないのは、採用の質に直結する問題でした。

3. 候補者情報が散らばっている

Excelの管理表、メールの添付ファイル、Google Driveのフォルダ、エージェントからの連絡...。「あの候補者の書類どこだっけ？」が日常的に発生。面接前に慌てて情報をかき集める光景、心当たりありませんか？

解決策：AI採用管理ダッシュボード

「書類選考のAI自動化」と「採用プロセスの一元管理」を両立する、Cistree社専用の採用管理ダッシュボードを受託開発しました。

主要機能

機能	効果
AI書類選考	履歴書・職経をGeminiが読み取り、経験年数を定量スコア化
候補者一元管理	全候補者の情報・ステータスをダッシュボードで把握
多段階面接記録	相互理解→1次→2次→お茶会まで、評価を一気通貫で管理
AI面接支援	合否判定レコメンドと連絡文案の自動生成
タレントプール	不採用候補者もカテゴリ別に管理、将来の採用に活用

技術的なこだわり：Gemini APIで「読んで・評価して・まとめる」

このプロジェクトの核心は、AI書類選考の設計です。ただPDFをOCRするだけじゃない。「採用担当者の目」をAIに移植するというチャレンジでした。

書類選考の自動化フロー

Gemini 2.5 Flash を選んだ理由

AI書類選考では Gemini 2.5 Flash を採用しました。選定のポイントは3つ。

1. マルチモーダル対応: PDFや画像をそのまま投げてテキスト抽出できる。OCRライブラリと前処理パイプラインが不要になった
2. 構造化出力: 「リーダー経験年数」「上流工程年数」「PMO歴」を数値データとして返してくれる。ふわっとした文章ではなく、比較可能な数字で出てくるのがポイント
3. コスト: Flash モデルなので1件あたりの処理コストが安い。書類選考は数をこなすので、ここをケチれるかどうかで月額が全然違ってくる

評価の4軸スコアリング

AIが書類から抽出するのは、Cistree社の選考基準に合わせた4つの定量スコアです。

評価軸	内容
リーダー経験	チームリーダー・マネジメント経験の年数
下流工程	実装・テスト等の実務経験年数
上流工程	要件定義・設計等の上流経験年数
PMO経験	プロジェクトマネジメントオフィス経験年数

これに加えて、AIが3〜5文の経歴サマリと詳細評価を自然言語で生成します。数字だけじゃなく「この候補者のどこが良くて、どこに懸念があるか」まで言語化してくれる。採用担当者は、AIのサマリを読んでから原本を確認するだけ。判断の起点が「ゼロから読む」から「AIの要約をレビューする」に変わったわけです。

人間がAIを上書きできる設計

ここで大事なのは、AIの判定は「推奨」であって「決定」ではないということ。

AIが「通過推奨」「見送り推奨」「要検討」の3段階で提案した後、採用担当者が「通過」「保留」「不採用」「辞退」を人間の判断として記録します。AIの推奨を覆すのは全然あり。むしろ、AIが見落とすニュアンスを人間が拾うのが、この仕組みの本質です。

技術構成

項目	採用技術
フレームワーク	Next.js 16 / React 19（Webアプリ構築フレームワーク）
データベース	PostgreSQL（Neon Serverless）
DB操作ツール	Prisma 7（データベースを安全に扱うためのツール）
AI	Google Gemini API（gemini-2.5-flash）
ファイルストレージ	Google Drive API
認証	Neon Auth（OAuth）+ 招待制アカウント管理
UI	shadcn/ui / Tailwind CSS 4
デプロイ	Vercel

なぜこの構成なのか

Neon Serverless PostgreSQL + Vercel の組み合わせは、サーバーレスでスケールしつつコストを抑えられる。採用管理システムは常時高トラフィックではないので、使った分だけ課金のサーバーレスが合理的です。

Prisma 7（データベース操作ツール）は、「こういうデータ構造にしたい」と定義すれば、あとはツールが安全に面倒を見てくれる。候補者・面接・選考結果のデータ関係が複雑なので、手書きSQL地獄にならないのは精神衛生上とても大事です。

招待制アカウント管理は、候補者の個人情報を扱うシステムとして必須でした。管理者がメールで招待リンクを送り、そのリンク経由でのみアカウント登録できる仕組みです。「誰でもサインアップできます」は、このシステムではNG（当然ですよね）。

開発プロセスのリアル

約1週間で本番デプロイまで

このプロジェクト、初回コミットから本番稼働まで約1週間です。「えっ、1週間？」と思いますよね。私たちも思いました。でも裏側では結構なことをやっています。

フェーズ	内容	期間
仕様策定	画面設計・DB設計・認証フロー設計	2日
MVP開発	候補者CRUD・AI選考・面接記録	2日
改善サイクル	パフォーマンス最適化・UX改善・バグ修正	3日

パフォーマンス最適化の泥臭い話

MVP完成後、クライアントから「動きがもっさりする」というフィードバック。Vercel環境でプロファイリングしたところ、ボトルネックが4つ見つかりました。

• 認証セッション: get-sessionの応答に383ms。キャッシュTTLの明示化で100ms以下に
• バンドルサイズ: Google連携ライブラリが190MB（重すぎでしょ...）。必要な部分だけに置き換えて劇的に削減
• データ取得の非効率: 候補者一覧で関連データを1件ずつ取得していた。まとめて並列取得するように改修
• 全件取得: 評価・タレントプールページが全データ一括読み込み。ページ分割と先読み表示を導入

「動きがもっさり」の一言から、4つのボトルネックを特定して全部潰す。 受託開発のリアルって、こういう地味な改善の積み重ねだったりします。

導入効果

定量的な成果

指標	Before	After	改善
書類選考（1名あたり）	15〜20分	約2分（AIスコア確認 + 最終判断）	約90%削減
評価基準の一貫性	担当者依存	4軸定量スコア	標準化達成
候補者情報の検索	Excel・メール・Driveを横断	ダッシュボード一画面	即時アクセス

定性的な成果

• 採用担当者の負荷軽減: 書類を「読む」作業から「レビューする」作業に変わり、判断に集中できるようになった
• 選考スピードの向上: AIが即座にスコアリングするので、候補者への返答が早くなった（候補者体験の向上にもつながる）
• ナレッジの蓄積: 全候補者の評価データが構造化されて残るので、採用基準の振り返りや改善に使える

まとめ

「採用書類、全部読まなきゃ」のプレッシャーから解放される。それだけで、採用担当の毎日はかなり変わります。

今回のシステムは、Gemini APIの書類読み取り能力と、Next.js 16のモダンなWeb開発スタックを組み合わせた、中小企業向けの採用管理システムです。playparkが受託開発として技術支援し、約1週間という短期間でMVPから本番運用まで立ち上げました。

AIは「人間の判断を代替する」のではなく、「人間が判断に集中できる環境を作る」 ためにある。その思想を、コードのすみずみまで反映したプロジェクトでした。

「うちの採用業務も、もう少し楽にならないかな」と感じている方。まずは今の業務フローの棚卸しから、一緒に整理してみませんか？