転職活動でAIスキルを職務経歴書に書こうとした時、こんな壁にぶつかる人が多い。「ChatGPTを使っているとは書けるけど、これって評価されるのかな」「AIツールを使いこなしているとは言えないかもしれないし、下手に書いて逆効果にならないか」という不安だ。
結論から言うと、AIスキルの書き方次第で書類通過率は大きく変わる。採用担当が「使える」と判断するのは、ツール名の羅列ではなく「どの業務に・どう使い・何が変わったか」という文脈だ。この記事では、実際の職務経歴書でよく見られるNG例と、評価につながるOK例を対比しながら具体的な書き方を解説する。
AIスキルを職務経歴書に書く前に知っておくべきこと
採用担当がAIスキルの記述を見る時、大きく2つの軸で判断している。「業務で実際に使っているか」と「それで成果が出ているか」だ。
2025年時点で多くのIT企業は「AIツールの活用」を当然のこととして期待し始めている。逆に言えば、「ChatGPTを使えます」だけでは差別化にならない。差がつくのは、AIをどの判断プロセスや作業フローに組み込んでいるかを具体的に示せるかどうかだ。
採用担当が特に注目しているのは以下の3点だ：
- 業務との接点: 開発・設計・コードレビュー・ドキュメント作成のどの場面で使っているか
- 定量的な変化: 工数削減・速度向上・エラー率低下などの数値
- 再現性の示唆: 属人的なワンタイム活用ではなく、チームやプロセスに組み込んでいるか
この3点を意識するだけで、AIスキルの記述の質は変わる。
NG例vsOK例：スキル欄の書き方
スキル欄はAIスキルの記述で最もミスが多い場所だ。ツール名をただ並べるだけのNG例と、採用担当が評価するOK例を比較する。
生成AI・LLMツールの記述
NG例（よくある書き方）
【使用ツール・技術】
ChatGPT、GitHub Copilot、Gemini、Claude
単なるツール名の羅列は「知っている」を示すだけで、「使える」とはならない。採用担当には「試したことはあるのかな」程度にしか映らない。
OK例（評価される書き方）
【AI活用スキル】
- GitHub Copilot（コード補完・テスト自動生成）：実装工数を月15時間削減
- ChatGPT API（プロンプト設計・RAG構成）：社内ナレッジ検索ツールに組み込み導入
- Claude（ドキュメント要約・コードレビュー補助）：レビュー準備時間を30%短縮
使用ツールごとに「何をした」「どうなった」をセットで書く。これだけで評価は大きく変わる。
機械学習・AI開発スキルの記述
AIエンジニアとして機械学習モデルの開発経験がある場合は、より技術的な記述が求められる。
NG例
【スキル】
Python、scikit-learn、TensorFlow、PyTorch、機械学習
技術名の羅列は採用担当に「どの程度使えるのか」を判断させられない。
OK例
【機械学習・AI開発スキル】
- Python（5年）/ scikit-learn・XGBoost（分類・回帰モデル構築）
- PyTorch（画像分類モデルの学習・評価・デプロイ）：精度92%達成
- LLM APIの統合（OpenAI API・Anthropic API）：RAGシステム設計・実装経験あり
- MLflow（実験管理）・BentoML（モデルサービング）
使用年数・具体的な用途・達成した精度・使ったMLOpsツールをセットで書くことで、再現性のある技術力が伝わる。
NG例vsOK例：プロジェクト経歴の書き方
プロジェクト欄でのAIスキルの記述は、スキル欄より具体性が求められる。どのプロジェクトでAIを活用したかを文脈とともに説明する。
開発業務でのAI活用の記述
NG例
【担当業務】
Webアプリケーション開発。AIツールを活用して効率的に開発を進めた。
「AIツールを活用」は何も言っていないに等しい。「効率的に」も評価できない曖昧な表現だ。
OK例
【担当業務・貢献】
ECサイトのバックエンドAPI開発（Django/Python）を担当。
GitHub Copilotをチームに導入し、コード補完・ボイラープレート生成に活用。
チーム全体の実装工数を月30時間削減（導入前後3ヶ月の比較）。
また、APIドキュメントの初稿生成にChatGPTを活用し、ドキュメント作成時間を50%短縮。
具体的なスタック名・ツールの活用シーン・定量的な成果が揃っている。
AIシステム開発プロジェクトの記述
NG例
【プロジェクト概要】
社内向けAIチャットボット開発に参加。LLMを利用したシステムを作った。
「参加」という表現は自分の役割が不明。「LLMを利用した」では技術的な詳細がわからない。
OK例
【プロジェクト概要】
社内ナレッジ検索AIシステムの設計・開発（リード担当）
【技術スタック】
Python / FastAPI / OpenAI API（GPT-4o）/ LangChain / Chroma（ベクトルDB）/ AWS Lambda
【担当範囲】
- RAGアーキテクチャの設計（チャンク戦略・埋め込みモデル選定）
- プロンプトエンジニアリング（検索精度向上のための反復実験）
- APIコスト最適化（キャッシュ戦略でAPIコストを月40%削減）
【成果】
社内Q&A検索の回答精度を75%→91%に改善。月あたりの問い合わせ対応コスト30万円削減に貢献。
担当役割・技術スタックの詳細・アーキテクチャ判断・定量成果がすべて揃っている。これが採用担当が「判断できる」記述だ。
職種別：AIスキルの書き方パターン
AIの活用場面は職種によって異なる。自分の職種に合った書き方のパターンを押さえておこう。
フロントエンドエンジニアの場合
フロントエンドでのAI活用は、コード補完・UIデザイン支援・アクセシビリティ改善が主な領域だ。
【AI活用実績】
- GitHub Copilot Chat：コンポーネント設計の相談・リファクタリング提案に活用
→ 新機能実装サイクルを平均3日→2日に短縮
- v0 by Vercel：プロトタイプUIの初稿生成に使用し、デザイナーとの合意形成を効率化
- ChatGPT（アクセシビリティ診断補助）：WAI-ARIAの実装パターン確認に活用
バックエンドエンジニアの場合
バックエンドでは、コード生成・テスト自動化・API統合が評価されやすい活用場面だ。
【AI活用実績】
- Cursor IDE（AI駆動開発）：ユニットテスト自動生成でカバレッジを45%→82%に向上
- OpenAI API統合：検索機能にセマンティック検索を追加実装（RAG構成）
- GitHub Copilot：SQL最適化の提案活用で、重いクエリの実行時間を60%短縮
インフラ・SREエンジニアの場合
インフラ領域ではIaC生成・障害分析・ログ解析へのAI活用が注目される。
【AI活用実績】
- ChatGPT（Terraform生成補助）：IaCテンプレートの初稿生成で作業時間を40%削減
- AWS Bedrock（ログ異常検知）：CloudWatchログの異常パターン検出自動化を実装
- GitHub Copilot：runbook・障害対応手順書の初稿生成に活用
数字がない場合のAIスキルの書き方
「成果を数値化できない」という悩みは多い。しかし数値がなければ書けないわけではない。
数値がない場合の代替表現として使えるパターンをまとめる。
規模感で示す
「5名チームにGitHub Copilotを展開・定着化した」
「月間50本以上のプルリクエストをレビューする中でAIレビュー補助を導入」
判断の重さで示す
「LLMモデルの選定（GPT-4o vs Claude 3.5）を技術評価レポートとして作成、採用判断に貢献」
「AIシステムのプロンプト設計方針を策定し、チームの開発標準に組み込んだ」
プロセスの変化で示す
「AIを使ったテスト生成フローを確立し、チームメンバーへのナレッジ共有を実施」
「週次の障害レポート作成をAI補助で自動化し、報告書作成業務をほぼゼロにした」
数値より「何の判断をしたか」「誰に影響を与えたか」を示すことで、リーダーシップや技術的な判断力が伝わる。
職務要約欄でのAIスキルの打ち出し方
職務要約は採用担当が最初に読む場所だ。ここでAIスキルを適切に打ち出すと、以降の記述への期待値が上がる。
NG例（よくある職務要約）
Webアプリケーション開発を中心に、バックエンド・APIの実装を5年間担当してきました。
最近はAIにも興味があり、学習しています。
「興味があり学習しています」は実績ではない。業務で使っていない印象を与えてしまう。
OK例（AIスキルを打ち出す職務要約）
Django/PythonをコアスタックとするバックエンドAPIの開発・保守を5年担当。
直近2年はAI活用による開発効率化を推進し、GitHub CopilotのチームへのROI評価・導入・定着化、
OpenAI APIを使ったRAGシステムの設計・実装を経験。
AI活用の組織的な推進に興味があり、次のステップでもこの軸でキャリアを築きたいと考えています。
具体的なスタック・AI活用の実績・次のキャリアへの方向性が1段落に収まっている。採用担当が「詳しく読もう」と思う導線になっている。
よくある間違いと修正パターン
間違い1：AIに書かせた文章をそのまま貼る
ChatGPTに「職務経歴書を書いて」と頼んで生成した文章をそのまま貼る人がいる。採用担当はこの文体を見慣れており、すぐにわかる。固有のプロジェクト詳細や数値が入っていない、あるいは表現が抽象的すぎる場合は「AI生成の可能性がある」と判断される。
生成AIは「草稿作成ツール」として使い、必ず自分の言葉で肉付けすること。
間違い2：使っていないツールをスキル欄に書く
「これから学ぶつもり」のAIツールをスキル欄に書いてしまうケースがある。技術面接でツールの使い方を聞かれた時に答えられないと、他の記述の信頼性まで失われる。
「現在学習中」と明記するか、使っていないツールは書かない。
間違い3：AIスキルだけを誇張しすぎる
AIスキルが注目される今、AIの記述を過度に膨らませてコアのエンジニアリングスキルが薄く見える職務経歴書になるケースがある。採用担当は「AIの前に基礎的なソフトウェアエンジニアリングの力はあるか」を見ている。
AIスキルは「コアスキルの上にある付加価値」として位置づけること。
エンジニア職務経歴書の書き方｜SES複数現場対応テンプレートと具体例
AIスキル以外の職務経歴書の書き方全般を確認したい場合はこちら
転職市場でAIスキルが評価される現在の状況
2025年から2026年にかけて、AIスキルを持つエンジニアへの需要は明確に高まっている。大手IT企業・スタートアップ・事業会社問わず、求人票に「生成AI活用経験」「LLM統合経験」「AI駆動開発の経験」という記述が増えてきた。
転職エージェントのデータを見ると、AIスキルを持つエンジニアは同等のコアスキルを持つエンジニアと比較して、スカウト数が1.5〜2倍程度多い傾向が報告されている。年収交渉でも、AIシステムの設計・実装経験があると「希少性が高い」として上乗せしやすい状況だ。
ただし市場の評価が高まっているということは、AIスキルを誇張した職務経歴書も増えているということでもある。採用担当の目も肥えてきており、「書いてある内容を面接で確認する」フローが標準化してきている。職務経歴書の記述は、面接で説明できる範囲内にとどめることが重要だ。
エンジニア転職の準備完全ガイド｜失敗しない7つのステップ
職務経歴書の準備から面接対策まで、転職活動全体の流れを把握したい方はこちら
まとめ：AIスキルを「伝わる言葉」に変える
AIスキルの職務経歴書への書き方をまとめると、3つのルールに集約される。
- ツール名+活用シーン+定量成果の3点セットで書く
- 数値がない場合は規模感・判断の重さ・プロセスの変化で代替する
- AIスキルはコアスキルの付加価値として位置づけ、誇張しない
採用担当が職務経歴書に求めているのは「AIに詳しそうな人」ではなく、「AIを使って仕事の成果を出せる人」だ。その証拠を具体的な言葉で示すことが、書類通過率を上げる最短の方法だ。
AIスキルの棚卸しと職務経歴書の書き直しに迷ったら、転職エージェントを使って第三者の視点でフィードバックをもらうことも有効だ。自分では「当たり前」に感じているAI活用が、採用市場では十分な差別化になるケースは多い。
AI時代のエンジニア年収予測｜AI活用エンジニアvsそれ以外の差
AIスキルを持つことで年収にどんな差が生まれるかを知りたい方はこちら
