「面接してみたら違った」をなくす。NotebookLMで職務経歴書の行間を読み解く、攻めの営業面接準備術

1. 多忙時の採用だけに書類選考の時間が取れないというジレンマ

営業マネージャーの皆さん、四半期の数字を追いかける中で、採用業務が重荷になっていないでしょうか。

人事から送られてくる大量の職務経歴書。
フォーマットはバラバラ（JIS規格、エージェント独自様式、オリジナルPDF…）、見るべきポイントも散在している。
「とりあえず会ってみるか」と時間を割いた面接で、開始5分でミスマッチに気づいた時の徒労感たるや、筆舌に尽くし難いものがあります。

今回は、GoogleのNotebookLMを活用し、この「書類選考」の工数を劇的に圧縮しつつ、面接の質（解像度）を上げる具体的なフローを解説します。
AIには「情報の整理と構造化」をさせ、人間は「対話と判断」に集中する。
これが2025年のB2B実務におけるAI活用の正攻法です。

2. 必ず守るAI活用ルール/安全な利用環境について

本記事の手法は、実務上の「職務経歴書（個人情報）」を扱います。
導入にあたっては以下のルールを鉄の掟としてください。
ここが守れない場合は、本記事の手法は実行しないでください。

1. 利用環境の限定

必ずGoogle Workspace（Standard以上）にログインした環境でNotebookLMを利用してください。
無料の個人アカウントとは異なり、この環境下でのデータはAIの学習に利用されません。
ここが担保できない場合、業務利用はNGです。

公式：Google Workspace プラン表

Workspace管理者の方は念のため管理コンソール上でNotebookLMの利用の可否をご確認ください。

公式：ユーザーに対してNotebookLMを有効または無効にする

2. 「マスキング」の徹底

学習されない環境とはいえ、心理的・実務的な万全を期すため、アップロード前のひと手間を推奨します。
Google ドキュメントの「検索と置換」機能を使い、以下のような置換（マスキング）を行ってください。

氏名 → 「候補者A」「候補者B」
連絡先（電話・住所・メール） → 削除または「[連絡先]」
現職・前職の具体的企業名 → 「現職」「前職」「A社」（※競合避止や機密保持の観点から、社名は伏せるのが無難です）

データがPDFの場合も、Google ドライブ上で対象ファイルを右クリックし「アプリで開く→Google ドキュメント」を実施すれば、OCR機能によりGoogle ドキュメントに変換されますので、その後置換作業を行いましょう。

⚠️ 注意

昔の紙をスキャンした画像PDFや、複雑なレイアウト（2カラムなど）の経歴書は、OCR変換時に文字化けやレイアウト崩れが起きる可能性があります。
必ずGoogle ドキュメント化した後に、数字（売上実績や在籍年数）が正しく認識されているか、元データと照合を行ってください。

3. ソースの準備とアップロード

手元にあるバラバラの情報を、NotebookLMという「箱」に放り込みます。

求人票（ジョブディスクリプション）:営業部に求めている要件（Must/Want）が書かれたドキュメント。
職務経歴書（Googleドキュメント化・加工済み）:候補者A、B、C、3名分。

利用媒体や企業によって、ドキュメントの種類は様々かと思いますが、企業側の要件（JD）と候補者のドキュメントを、NotebookLMのソースとして一括アップロードすれば大丈夫です。
これだけで、AIはこの4つの文書の内容だけを熟知した「専属アシスタント」になります。

4. 「マルバツ表」でスキルマッチを一瞬で可視化する

人間が苦手で、AIがもっとも得意なのが「複数の文書を横断して比較すること」です。
バラバラのフォーマットを目視で追うのはやめましょう。

以下のプロンプトを使用し、JD（求人票）を基準とした比較表を作成させます。

📌 プロンプト案 1：スキルマッチング・マトリクス

あなたは百戦錬磨の営業マネージャーのアシスタントです。
ソースにある「求人票（JD）」と「各候補者の職務経歴書」を突き合わせ、比較検討のためのテーブルを作成してください。

【出力要件】
行：求人票に記載されている「必須要件（Must）」および「歓迎要件（Want）」の各項目
列：候補者A、候補者B、候補者C

【評価基準】
各セルには以下のルールで記述すること。
- ○：明確な経験・スキルの記述がある（その根拠となる記述を引用する）
- △：関連する記述はあるが、JDの要件を満たすか判断がつかない（要確認ポイントを記述）
- ×：記述が見当たらない

※推測はせず、あくまでソース内の記述の有無で判定すること。
※記述がない場合は、無理に埋めずに『×』とすること」
※最後に、JDとの適合度が最も高いと思われる候補者1名とその理由を、ロジカルに3行でまとめてください。

🎯 出力イメージ

AIは以下のように、曖昧な記述も含めて構造化します。

要件	候補者A	候補者B	候補者C
法人営業経験（5年以上）	○ 10年間（人材業界）	△ 合計期間が不明確	○ 7年間（証券＋商社）
SaaS商材の販売経験	× 記述なし	○ 人事系SaaS経験あり	× 記述なし
マネジメント経験（5名〜）	○ 10名の管理経験あり	× 記述なし	× 記述なし

これにより、「誰が」「どの要件を」満たしているかが一目瞭然になります。
「営業経験3年以上」は全員クリアしているが、「SaaS商材の取り扱い経験」はBさんしかいない、といった事実が秒速で可視化されます。

5. 「曖昧な実績」を突く面接質問を生成する

経歴書には「嘘」までは書かれていなくとも、「都合の悪いこと」は書かれないものです。
あるいは、成果を盛るために曖昧な表現（「チームを牽引し〜」「売上に貢献し〜」）が多用されがちです。

面接官として聞くべきは、この「行間」です。
行動特性を見極める「STARフレームワーク」を応用し、深掘りすべき質問を作らせます。

📌 プロンプト案 2：STARに基づく不確実性検知

各候補者の経歴書を批判的に読み込み、面接で深掘りすべき「リスク要因」や「曖昧な点」を洗い出してください。
採用面接のフレームワーク「STARメソッド（Situation, Task, Action, Result）」に基づき、以下の要素が欠けている、または具体性に欠けるエピソードを指摘してください。

【出力フォーマット】
### 候補者Aへの質問リスト
1. **指摘箇所**: （例：〇〇プロジェクトでのリーダー経験）
   - **欠けている要素**: （例：具体的なActionと、本人の単独の成果かどうかが不明）
   - **面接での質問案**: 「チーム全体の成果ではなく、あなたが『個人の判断』で実行し、状況を好転させた具体的な行動を一つ教えてください」

（以下、各候補者ごとに2〜3点出力）

これにより、「なんとなく良さそう」という印象論ではなく、「この成果の再現性はあるのか？」という仮説を持って面接に臨むことができます。