「ChatGPTを使えます」「AIで資料を作れます」。職務経歴書にそう書いたものの、何が強みなのか伝わらない。そんなときに整理したいのは、使った道具の名前より、AIを組み合わせた結果、自分がどんな仕事を、どの水準でできるようになったかです。
たとえば、資料の初稿を早く作るだけで終わるのか。その時間を使い、顧客の事情を調べ、提案の選択肢を比較し、根拠を確かめ、判断しやすい形に仕上げられるのか。同じAIを使っていても、仕事への貢献の説明は大きく変わります。
転職で伝えたいのは、「AIを活用して、自分の専門性や判断力を仕事の成果へつなげられる」という能力です。さらに、AIに助けてもらった成果と、自分自身に身についた能力の両方を示せると、経験の中身が伝わりやすくなります。本記事では、日本の採用側調査、公的なスキル標準、海外の業務実験をもとに、その実践と伝え方を考えます。
目次 — 読みたい章から開く
1．AIを活用する力は、仕事の成果まで説明してこそ伝わる
企業はAIをどの程度重視しているのでしょうか。dodaの調査白書では、AIを導入・活用する従業員501人以上の企業で、中途採用に関わる担当者515人を調査しています。実査は2026年2月、対象はIT・通信、金融、メーカー、小売・流通、建設・不動産の5業界です。[1]
そのうち75.1％が、中途採用で求める人材像が変わったと回答。69.0％は、求めるAI活用スキルの水準が上がったと回答しました。これは対象を限った採用担当者の認識であり、日本企業全体の割合や、応募者の内定率を示す数字ではありません。それでも、この範囲ではAI活用が採用上の関心になっていることが分かります。
同白書でdoda編集長の桜井貴史氏は、AIを使えるかに加え、どのような実績を残し、今後どんな価値を発揮できるかが重要になると解説しています。これはアンケートの集計結果そのものとは区別すべき見解ですが、経験を整理する視点として役立ちます。
求人の記載にも具体例があります。ワンキャリアの営業オペレーション職では、業務フローの設計・改善経験などが必須条件で、ChatGPTやGeminiを日常業務で使った経験は歓迎条件です。AI活用は、営業業務の再設計や生産性向上に使う手段として位置づけられています。一社の求人から市場全体を断定することはできませんが、道具の操作と業務を改善する能力が別の条件になっている点は参考になります。[7]
dodaによる東京勤務を想定した企画系3職種の求人比較でも、応募資格に「AI／機械学習・生成AI」の関連語が現れる割合は、2022年の1.9％から2025年の3.6％へ増えています。ただし機械学習も含む分類で、一般職すべてのAI必須化を示すものではありません。[2]
応募先で求められる仕事に、自分の経験をつなげることが出発点です。提案の質、対応の正確さ、仕事の進め方、チームの運用など、その求人で大切にされる成果を確かめてから、AIを使って何を高めたのか整理しましょう。
2．自分の能力を高めるとは、四つの変化を作ること
「AIで能力が上がった」は、そのままでは幅の広い表現です。本記事では、仕事で確かめられる変化を、速さ、品質、扱える範囲、判断・学習の四つに分けます。これは資料を踏まえた編集上の整理であり、能力を測る公的な尺度や採用ランキングではありません。
速さ：同じ水準の仕事を、少ない負担で進める
文章の下書き、情報の分類、会議記録の整理などにAIを使い、最終的に使える状態までの時間を短くする。ここで数えるのは生成時間だけではなく、入力の準備、確認、修正、承認まで含めた時間です。下書きが一瞬でできても、事実確認に長時間かかるなら、仕事全体では改善していないかもしれません。
品質：判断する人にとって、使いやすい成果物にする
抜けの少ない報告、根拠のある比較、顧客の事情に沿った提案など、成果物が満たす条件を具体化します。読みやすさと事実の正しさ、案の数と案の有用性は別です。自分の経験から評価基準を設け、AIの案を選び直し、必要な修正を加えるところに仕事の能力が表れます。
扱える範囲：自分の専門性に、隣接する視点を足す
営業経験を持つ人が技術的な論点を整理し、企画経験を持つ人がデータの見方を学ぶ。AIは、自分だけでは見落としやすい問いや選択肢を得る助けになります。ただし、AIから説明を得ただけで専門家と同じ判断ができるわけではありません。理解した範囲、専門家に確認した範囲、判断を任せた範囲を分ける必要があります。
判断・学習：成果物を作る過程で、自分の理解を深める
なぜその案がよいのか、どこで誤るのか、別の条件ならどう変わるのかを自分の言葉で説明できる状態を目指します。AIに答えを出してもらうことと、自分が判断できるようになることは同じではありません。仕事の成果を高めながら、次の仕事でも使える理解を残すことが大切です。
この四つを分けると、アピールの焦点も明確になります。「作業が速くなった」に加え、「浮いた時間で検討を深めた」「顧客と技術の両面から提案を比較した」「誤りを見つけ、再発を防ぐ手順を作った」と説明できるかを確認してください。
3．研究が示す能力拡張の可能性と、越えてはいけない線
AIによって実際に高いパフォーマンスを出せるのでしょうか。研究には改善を示すものがありますが、何の仕事で、何を測ったかを合わせて読む必要があります。
『Quarterly Journal of Economics』に掲載された顧客対応の研究では、5,172人の担当者へのAI支援の段階的な導入を分析し、時間当たりの問題解決件数が全体平均で15％増えました。経験・スキルによる効果の差もありました。これは海外の特定企業の顧客対応での結果で、全員の能力が15％上がったという意味ではありません。[8]
能力の幅を考えるうえで興味深いのが、P&Gの専門職776人を扱う2025年のNBERワーキングペーパーです。商品革新の課題で、AIを使う個人の提案の評価が、AIを使わない二人チームに匹敵する結果が報告されています。また、研究開発側の技術的な視点と、商業側の視点を組み合わせた提案を作るうえで、AIが役立ったことも示されました。[13]
この研究から読み取れるのは、AIが専門領域をまたぐ検討を支えたという可能性です。「一人でどの仕事も二人分できる」「専門家が不要になる」とは言えません。測ったのは一定の課題で作られた提案の評価であり、その後の売上や、AIを外した後の恒久的な能力ではありません。本記事は776人の2025年版に固定し、別の標本数を報告する後の掲載版と混ぜていません。
一方、BCGコンサルタント758人の実験では、AIの得意な範囲にある課題で完了数や時間が改善しましたが、能力の範囲外にある複雑な戦略課題では、AIを使う群の正答割合が低下しました。速く、もっともらしい提案ができることと、判断が正しいことは別だったのです。2026年掲載の論文ですが、扱うのは2023年当時のGPT-4による実験です。[9]
文章作成でも、専門職453人の実験についてMITの公式解説は、AIを利用できる条件で時間40％減、品質評価18％増と紹介しています。ただし、課題には企業固有の文脈や厳密な事実確認を求めていません。実務で必要な確認を加えれば、同じ改善幅になるとは限りません。[10]
「AIで非常に高い仕事のパフォーマンスを出せる」と伝えたいなら、自分の仕事について、その水準を裏付ける必要があります。研究は可能性と注意点を教えてくれます。自分の実績の証拠になるのは、自分が担当した仕事の記録です。
4．高い成果につなげるための、七つの実践能力
では、AIをどのように使えば、自分の能力を仕事の成果へつなげられるのでしょうか。次の七つを、使った道具と合わせて整理してみてください。すべての職種で同じ水準が必要という意味ではなく、応募先に合うものを選びます。
① 成果から逆算して、業務を分解する
最初に「資料を作る」より一歩先の目的を決めます。顧客に選択肢を理解してもらう、判断に必要な根拠を揃える、担当者の確認漏れを減らす。そのうえで、情報収集、比較、下書き、検証、説明などに仕事を分け、AIが役立つ工程を選びます。
価値があるのは、何でも自動化したことより、成果につながる工程を見極めたことです。判断の責任が重い作業や、必要な情報が不足する作業は、人が担当する、専門家に相談するという設計も含みます。
② 自分の専門知識を、入力と評価基準に変える
「良い提案を作って」だけでは、何が良いかは伝わりません。対象者、目的、利用できる根拠、制約、比較する観点、避ける表現を用意します。営業なら顧客の事情、事務なら規程と例外、企画なら事業の前提が入力の質を左右します。
これは長い指示文を暗記する競争ではありません。自分が知っている仕事の条件をAIに渡し、出力を評価できる状態にすることです。会社で認められた情報だけを使い、分からない点は埋めさせず、確認事項として出させます。
③ 複数案を比較し、採用する理由を説明する
AIが出した最初の案をそのまま使うのではなく、違う条件の案、反対の立場、実行時の難点も検討します。案を増やすだけで終わらず、顧客への価値、根拠、費用、実行可能性など、自分の基準で比較します。
経験のある人ほど、業務上の制約を具体的に示せます。「この案は現場で運用できない」「この説明は顧客の問いに答えていない」と判断して修正することが、AIを組み合わせて成果を高める実践です。
④ 出力を検証し、重要な判断を引き受ける
引用元を開く、数字を再計算する、規程の版を確かめる、関係者に条件を確認する。こうした確認を工程として残します。同じAIに「正しいですか」と聞き直すだけでは、独立した裏付けにならない場合があります。
IPAのDXリテラシー標準には、生成AIの利用方法だけでなく、出力を客観的な事実と照合して使うことや、データの信頼性を確認することが含まれています。一般ビジネス職のAI活用でも、確認を仕事の一部として設計する視点が重要です。[3]
⑤ 自分以外にも使える手順へ整える
入力の形式、確認項目、例外の扱い、承認する担当者を揃えると、個人の工夫をチームの仕事へ広げられます。ノーコード連携や自動化を使う場合も、間違ったときにどこで止め、誰が直すかを説明できるようにします。
一人で試した段階と、チームで継続運用した段階は区別してください。「導入した」と書くなら、何を、誰に、どこまで展開したのかを示します。共有できる手順書や、現場からの修正を反映した記録は、担当範囲の説明に役立ちます。
⑥ 情報と権利の条件を確かめる
高い成果には、仕事を安心して任せられる運用も必要です。個人情報や秘密情報の入力条件、会社が許可するサービス、生成物の公開範囲を確認します。AI事業者ガイドラインも、利用者の適正利用やプライバシーへの配慮を扱っています。[4]
個人情報保護委員会の注意喚起では、入力が利用目的の達成に必要な範囲か、個人データが応答以外の目的の機械学習等に使われないかなどの確認が求められています。学習設定をオフにするだけで、すべての入力が認められるわけではありません。[5]
文化庁のガイダンスも、生成物を使う際の著作権リスクを減らす確認を示しています。会社の資料を転職用の成果物として無断で持ち出すことや、AI生成だから自由に公開できると考えることは避け、許可された範囲で証拠を整えましょう。[6]
⑦ 効果を測り、改善できる条件を説明する
速くなった、良くなったという感覚を、仕事の記録に変えます。何を比較し、何が変わり、どの工程で自分が貢献したのか。良かった結果だけでなく、AIが役立たなかった条件や修正の負担も残します。
この七つを通して見えてくるのは、AIの出力をそのまま成果と呼ぶのではなく、自分の知識・判断・運用を加えて、使える仕事に仕上げる能力です。その能力を、応募先の求める水準に合わせて示すことを目指します。
5．「どれだけ高めたか」を、自分の仕事で確かめる
能力の伸びを示したいとき、最初に「何倍になったか」を決める必要はありません。まず、以前と比べてどんな仕事ができるようになったかを、条件を揃えて確認します。
たとえば、同じ種類の資料について、AIなしで作った場合とAIを使った場合を比較します。内容量、難しさ、求める品質、利用できる情報をできるだけ近づけ、準備から最終修正までの時間を記録します。一度目は学習の時間が含まれることもあるため、一件だけの結果を普段の実力として扱わないようにします。
時間短縮率を示すなら、「比較前の時間から比較後の時間を引き、比較前の時間で割る」と計算できます。ただし、これは作業時間の変化であり、能力全体の上昇率ではありません。担当した件数や期間、確認にかけた時間、比較の条件を添えることが大切です。
品質は、仕事で必要な基準を先に置きます。事実の誤り、記載漏れ、修正回数、担当者の確認が必要になった箇所などです。可能なら、作り方を伏せて同じ基準で評価してもらいます。自分で採点しただけなら、その方法を明示し、第三者の評価と混同しないようにします。
扱える範囲の変化は、以前はできなかった何が可能になったかで示します。「公開資料から比較軸を作り、根拠付きで説明できた」「別部署の論点を整理し、専門担当者への確認事項を作れた」などです。成果物ができただけで、その領域を独力で判断できるようになったとまでは言えません。
体感と実測のずれにも注意が必要です。METRが経験豊富なOSS開発者16人・246課題を扱った実験では、2025年初頭のAIを利用できる条件で所要時間が19％長くなった一方、本人は速くなったと認識していました。[11]
その後の続報は、参加者や課題の選択の偏り、並行作業の時間測定などの難しさを報告しています。古い結果を今のAIすべてに当てはめることはできませんが、「便利に感じた」を「仕事が改善した」に置き換えるには測定が必要、という教訓は得られます。[12]
売上や顧客満足まで変化を示せる場合も、他の施策、チームの働き、顧客の状況を分けて説明します。AIだけの効果と確定できないなら、「AIを活用した取り組みの期間に、この結果が見られた」と表現するほうが正確です。
6．AIと出せる成果と、自分に残る能力を両方育てる
AIを使うときに高い成果を出せる能力は、仕事の強みになり得ます。しかし、AIが作ったものを説明も修正もできない状態では、条件が変わったときに対応しづらくなります。成果を高める取り組みと、自分の理解を深める取り組みを、並行して設計しましょう。
この違いを考える材料として、52人のソフトウェア技術者が新しいPythonライブラリを学ぶ無作為実験があります。AIを利用できる群は、使わずに作業した群より、直後の理解度テストの平均点が統計的に有意に低く、作業時間には有意な差が見られませんでした。[14]
小規模な短時間の学習課題であり、一般職の長期的な能力を測った研究ではありません。また、説明を求める、概念を質問して自分で実装するなどの使い方と理解度の関係は、利用の観察によるもので、その方法の因果効果を証明したものではありません。それでも、完成をAIに任せることと、自分が学ぶことを分けて考える材料になります。
実務では、先に自分の仮説を書き、AIから別案や説明を得て、違いを確かめ、最後に自分の言葉で判断理由をまとめる方法が考えられます。「どちらが良いか答えて」だけでなく、「この条件では何が問題になるか」「私の根拠に抜けはあるか」と問いを変えてみます。これは本記事の実践提案です。
さらに、別の資料や新しい条件で、同じ観点を使えるか確かめます。AIの説明を見ずに要点を書けるか、誤りを自分で見つけられるか、専門家へ適切な確認ができるか。こうした記録は、道具に支えられた成果と、本人の理解の変化を分ける助けになります。
ただし、AIなしで全部できることだけが価値ではありません。仕事で利用できる道具を組み合わせ、必要な品質を満たすことも能力です。「AIとならできること」「自分が判断できること」「まだ支援が必要なこと」を明確にし、その境界を広げていく姿勢を示しましょう。
7．職種ごとに、成果を高める場面を具体化する
以下は実在の成果ではなく、仕事の経験を整理するための架空の実践例です。改善率や売上などの数字は設定していません。自分の事例に置き換えるときは、実際に行った範囲と確認できる結果だけを書いてください。
営業・顧客対応：顧客への理解を、提案の質へつなげる
公開された顧客企業の情報と、使用が認められた商品情報をAIで整理し、提案の複数案を作ります。自分は顧客の課題との接点、商品仕様、実行条件を確認し、採用する案と理由を決めます。単に提案書を作るより、比較や確認に時間を使う設計です。
能力の拡張は、顧客の事情を踏まえた論点整理や、複数の選択肢を説明できることに表れます。成果の証拠には、出典付きの比較、修正理由、提案準備の時間、担当範囲を用います。商談全体の成功を、自分の資料やAIだけに帰属させないようにします。
マーケティング：案を増やし、選ぶ根拠を強くする
公開された競合情報を比較し、対象顧客や媒体に応じた案をAIと検討します。自分はブランド方針、表示の根拠、顧客への価値を確認し、採用しない案の理由も残します。候補の多さだけでなく、比較の質を示すことがポイントです。
試作段階なら、示せるのは企画案と検証の記録です。実施していない広告について、反応率や売上が上がったと書くことはできません。実施済みなら、対象期間や配信条件などを添えて結果を説明します。
事務・人事：正確さを保ち、例外への対応を整える
使用が認められた規程や文書をもとに、AIで回答候補や確認リストを作ります。自分は規程の版、日付、対象者、例外を照合し、判断が必要な事項を担当者へ戻します。例外を見分ける業務知識と、確認漏れを防ぐ手順を組み合わせる実践です。
見せられる証拠は、公開可能なサンプル、確認項目、発見した誤り、手順の改善です。確認や手戻りまで含めた時間を記録し、速さを求めた結果、正確さが落ちていないかも確かめます。
企画・分析：専門領域を広げ、判断の根拠を揃える
公開データをAIと整理し、仮説や集計の候補を得ます。自分は分母、単位、欠損、対象期間を確認し、表計算などで結果を再計算します。AIから異なる立場の論点も得て、結論の弱いところを探します。
能力の拡張として伝えられるのは、以前より広い観点を検討し、根拠と限界を説明できることです。分析の見た目が整っていても、意思決定に使えるとは限りません。何を確認し、どこを保留したかも成果物に残します。
8．職務経歴書では、成果と自分の貢献を一組で示す
AI活用経験は、応募先の仕事に関連する一つの事例から始めると整理しやすくなります。「業務課題、自分の役割、AIの担当、自分の判断、結果、測定条件、応募先との接点」の順で組み立ててみましょう。
書き方の枠は、次のようになります。これは実績を記入するための形式で、架空の成功事例ではありません。
［業務課題］に対し、［自分の役割］として、許可された［情報］を使い、AIで［整理・下書き・比較など］を実施。私は［根拠の確認・専門判断・関係者調整］を担当し、［確認できた結果］につなげた。比較の対象は［期間・件数・条件］。応募先の［仕事］では、［持ち運べる能力］を活用できると考えている。
そのうえで、自分が高めた能力を一文で添えます。「顧客の状況と商品条件を照合し、複数案を根拠付きで提案できるようになった」「分析結果を鵜呑みにせず、定義と集計を確認して説明できるようになった」など、実際に変わった行動として書きます。
大きな数値がなくても、確認基準を整えた、修正理由を記録した、例外処理を標準化したという事実は説明できます。ただし、それを直ちに「品質向上」「効率化」と言い換えず、何を確認できたのかを示してください。
面接では、成果物だけでなく判断の過程を話せるように準備します。なぜその工程にAIを使ったのか、どの案を採用しなかったのか、誤りをどう見つけたのか、自分がいなければ何が不足したのか。再現できる条件と、応募先で追加確認すべき点も説明します。
チームで取り組んだなら、全体の成果と自分の担当を分けます。高いパフォーマンスをアピールするために、貢献を大きく見せる必要はありません。自分の判断と行動が、どの成果につながったのかを明確にすることが大切です。
9．実務経験が少ない人は、成果と理解を示す一つの作品を作る
職場でAIを使う機会がまだなくても、公開資料や架空データによる自主制作はできます。応募先に近い業務を一つ選び、課題、求める品質、入力の出所、AIの担当、人の確認を決めて成果物を作ります。
作品には、完成物に加え、最初の案、見つけた誤り、修正した理由、計測した時間を残しましょう。「この回答は根拠がなく使わなかった」と説明できることも、理解と判断の証拠になります。別の条件で作り直し、同じ手順を使えるか試すのもよい方法です。
必ず「自主制作」「学習用」「公開データによる検証」と明示します。練習の結果を会社の実績として書かず、自主制作の計測値と実務の成果を混ぜないようにします。会社の秘密情報が必要な作品なら、公開可能な資料へ置き換えます。
資格やプログラミングの扱いも、目指す役割次第です。IPAの標準は、全ビジネスパーソン向けのリテラシーと、専門性をもってDXを推進する人材向けのスキルを分けています。一般利用、業務改善の推進、AIの開発・実装で、必要な準備は異なります。[3]
今回の資料は、全員に特定の資格やコードの記述が必要だとは示していません。一方、専門職の求人で求められる技術を無視してよいわけでもありません。求人要件を確認し、今の専門性に何を足すと、求められる仕事の水準へ近づくかを考えましょう。
10．転職で示すのは、AIとともに高い成果を出す再現性
AIを活用する能力は、道具を使った回数だけでは説明しきれません。自分の専門知識を入力と判断に使い、AIで検討の速さや幅を広げ、品質を確かめ、仕事の結果までつなげる。その過程を他の仕事でも再現できることが、伝えたい強みです。
応募前に、一つの事例について確認してください。何を高めたのか。AIの担当と自分の担当はどこか。必要な品質をどう確かめたか。結果の測定条件は何か。自分にどんな理解が残ったか。応募先のどの仕事に役立つのか。この六つが説明できると、経験の輪郭がはっきりします。
今回の資料では、AI経験を職務経歴書に書くことが、日本の転職者の内定率や年収を上げるという因果的な根拠は確認できていません。だからこそ、期待される評価を決めつけず、応募先が判断できる事実を用意することが大切です。
まずは、今の自分の仕事や得意分野から一つを選びましょう。AIと一緒ならどんな成果を出せるか、その過程で自分の能力をどう伸ばせるかを試し、確かめ、記録する。その積み重ねを、自分の言葉で伝えることから始めてください。
参考資料・出典
調査基準日：2026年10月4日。国内採用調査・求人、公的標準、海外業務研究、学習研究を区別して利用。本文の実践例と経験の整理法は、資料を踏まえた編集上の提案です。
- doda「企業のAI活用実態と人材戦略に関する調査白書：求める人材の変化編」。調査概要、p.17〜19、編集長解説。採用担当者515人の自己申告調査。原資料
- doda「AI普及前後（2022・2025）の企画系3職種の求人を比較」。東京勤務想定・自社求人のキーワード分析。観察データで因果効果ではない。原文
- IPA「デジタルスキル標準ver.2.0 DSS-L分冊版」、2026年4月。事実に基づく判断、データによって判断する、ツール活用等。原資料
- 総務省・経済産業省「AI事業者ガイドライン第1.2版 別添」、2026年3月31日。AI利用者向け指針等。指針と一律の法的義務を区別。原資料
- 個人情報保護委員会「生成AIサービスの利用に関する注意喚起等」、2023年6月2日。個人情報取扱事業者への注意喚起。原資料
- 文化庁「AIと著作権に関するチェックリスト＆ガイダンス」、2024年7月31日。AI利用者向け確認事項。原資料
- ワンキャリア「Sales Ops」公開求人。必須条件・歓迎条件・業務内容を2026年10月4日確認。掲載日不明、一社の要件。求人原文
- Brynjolfsson, Li, Raymond, “Generative AI at Work,” QJE, 2025. 5,172人・全体平均15％の掲載版。段階導入分析。DOI:10.1093/qje/qjae044。掲載版PDF
- Dell’Acquaほか, “Navigating the Jagged Technological Frontier,” Organization Science, 2026. 758人・2023当時GPT-4の実験。速さと正答を区別。DOI:10.1287/orsc.2025.21838。掲載版PDF
- MIT News, “Study finds ChatGPT boosts worker productivity for some writing tasks,” 2023年7月14日。Science掲載研究の大学公式解説。原著全文未取得のため解説の範囲で引用。公式解説
- METR, “Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity,” 2025年7月10日。16人・246課題、2025初頭ツール。研究機関の原著解説
- METR, “Update on the impact of AI on experienced open-source developer productivity,” 2026年2月24日。選択バイアスと計測の不確実性を説明。続報
- Dell’Acquaほか, “The Cybernetic Teammate,” NBER Working Paper 33641, 2025年4月。776人版に固定。未査読の議論用論文で、一社の提案評価。P&GからHBSへの資金提供・著者の過去のコンサル関係を開示。原著PDF
- Shen & Tamkin, “How AI Impacts Skill Formation,” arXiv:2601.20245v2, 2026年2月。主実験52人。未査読プレプリント、短期の理解度評価。Anthropic関連の研究で、利用パターン分析は観察的。原著
/assets/images/24705128/original/da3f6663-0740-4647-90e8-d2fbce684a2c?1790308130)
/assets/images/88496/original/8365e07c-1965-459a-a1fa-f5c65fbd5273.png?1446029440)
/assets/images/88496/original/8365e07c-1965-459a-a1fa-f5c65fbd5273.png?1446029440)
