【GAS×AI】採用担当が書類選考を自動化して「月57時間の工数削減」に成功した話

はじめに

初めまして。
エンジニア採用やHRBPとして、「テクノロジーで人事オペレーションを自動化し、生まれた時間を組織課題の解決に充てる」ことをミッションに活動している採用担当です。

採用担当の皆さん、「書類選考（エントリーシート）の読み込み」にどれくらいの時間を使っていますか？

応募が増えるのは嬉しい悲鳴ですが、全ての書類に目を通し、公平に評価するには膨大な時間が必要です。
今回は、Google Cloud Natural Language API (Sentiment Analysis) と Google Apps Script (GAS) を活用して、書類選考の一次スクリーニングを補助するスコアリングシステムを内製開発し、結果として月間57時間の工数削減に成功した知見を共有します。

解決したかった課題私が直面していた課題

・工数過多: 応募増に伴い、ESの読み込みだけで月数十時間を費やしており、コア業務（候補者対応や戦略立案）を圧迫していた。
・評価の揺らぎ: 読む人のコンディションや主観によって、合否判定にブレが生じるリスクがあった。
・見落としリスク: 多数の応募の中に埋もれた「熱量の高い候補者」を見逃したくない。

開発したツールの概要Googleフォームから応募があった瞬間に、志望動機などのテキストをAPIに投げ、「感情スコア（ポジティブ/ネガティブ）」と「特定キーワード」に基づいて自動で点数付けを行う仕組みです。

これにより、「スコアが高い順（＝熱量が高い可能性が高い順）に優先的に目を通す」という運用が可能になり、採用担当者の工数削減と有望層の早期発見を実現しました。

システム構成

1.Google Forms: エントリー受付
2.Google Apps Script: トリガー検知・テキスト加工・ロジック処理
3.Google Cloud Natural Language API: 感情分析
4.Google Sheets: 結果出力・スコア管理

実装コード

エンジニアの方にも安心して引き継げるよう、「保守性」と「セキュリティ」を意識して実装しました。
工夫したポイント
・設定の集約: 列番号やキーワード設定をCONFIGオブジェクトにまとめ、マジックナンバーを排除。
・秘匿情報の分離: APIキーはコードに直書きせず、PropertiesService（スクリプトプロパティ）で管理。

/**
 * 設定値オブジェクト
 * 列番号やAPI設定を一元管理し、メンテナンス性を高めています
 */
const CONFIG = {
  // フォームの列インデックス設定 (0始まり)
  COLUMNS: {
    TIMESTAMP: 0,
    NAME: 1,
    // 抽出対象の列範囲（志望動機、自己PRなど）
    TARGET_RANGES: [
      { start: 6, end: 10 }, 
      { start: 15, end: 17 }
    ]
  },
  SHEET_NAME: "書類選考結果出力先",
  // スコアリング設定
  SCORE_MULTIPLIER: 10,
  BONUS_POINT: 2,
  // 評価キーワード（求める人物像に合わせて設定）
  KEYWORDS: {
    POSITIVE: ["主体性", "改善", "貢献", "挑戦"], // 例
    NEGATIVE: ["受け身", "不安", "教えてほしい"]    // 例
  }
};

/**
 * フォーム送信時に実行されるトリガー関数
 */
function onFormSubmit(e) {
  try {
    // e.values は送信された1件の回答データ（配列）を含む
    const rowData = e.values;
    const name = rowData[CONFIG.COLUMNS.NAME];
    
    // 分析対象テキストの結合処理
    let textSegments = [];
    CONFIG.COLUMNS.TARGET_RANGES.forEach(range => {
      for (let j = range.start; j <= range.end; j++) {
        // 空欄でない場合のみ追加
        if (rowData[j]) textSegments.push(rowData[j]);
      }
    });
    const fullText = textSegments.join(" ");
    
    // APIで分析
    const analysisResult = analyzeSentimentAndScore(fullText);
    
    // 結果を出力 [日時, 名前, 連結テキスト, 感情スコア, 最終スコア]
    const result = [
      rowData[CONFIG.COLUMNS.TIMESTAMP], 
      name, 
      fullText, 
      analysisResult.sentiment, 
      analysisResult.score
    ];
    
    // 出力先シートに結果を追記
    const ss = SpreadsheetApp.getActiveSpreadsheet();
    const outputSheet = ss.getSheetByName(CONFIG.SHEET_NAME);
    
    if (!outputSheet) {
      console.error(`シート「${CONFIG.SHEET_NAME}」が見つかりません。`);
      return;
    }
    
    outputSheet.appendRow(result);
    
  } catch (error) {
    console.error(`エラー発生: ${error.message}`);
  }
}

/**
 * Natural Language API 連携部分
 */
function analyzeSentimentAndScore(text) {
  // Script Propertiesからキーを取得（セキュリティ対策）
  // GitHub等でのコード公開時に事故が起きないよう徹底しています
  const apiKey = PropertiesService.getScriptProperties().getProperty('GCP_API_KEY');
  
  if (!apiKey) throw new Error("APIキーが設定されていません。");

  const url = `https://language.googleapis.com/v1/documents:analyzeSentiment?key=${apiKey}`;
  
  const payload = {
    document: { type: "PLAIN_TEXT", content: text },
    encodingType: "UTF8"
  };
  
  const options = {
    method: "post",
    contentType: "application/json",
    payload: JSON.stringify(payload),
    muteHttpExceptions: true
  };
  
  const response = UrlFetchApp.fetch(url, options);
  const result = JSON.parse(response.getContentText());
  
  // 感情スコア取得 (-1.0 ～ 1.0)
  const sentiment = result.documentSentiment ? result.documentSentiment.score : 0;
  
  // キーワード補正
  const bonus = calculateKeywordBonus(text);
  
  return {
    sentiment: sentiment,
    score: (sentiment * CONFIG.SCORE_MULTIPLIER) + bonus
  };
}

// キーワード出現数に基づく補正ロジック
function calculateKeywordBonus(text) {
  let bonus = 0;
  CONFIG.KEYWORDS.POSITIVE.forEach(k => { if (text.includes(k)) bonus += CONFIG.BONUS_POINT; });
  CONFIG.KEYWORDS.NEGATIVE.forEach(k => { if (text.includes(k)) bonus -= CONFIG.BONUS_POINT; });
  return bonus;
}

導入効果と考察

1. 定量的な成果：月57時間の削減
本ツールの導入に加え、フロー全体の自動化（Slack通知連携など）を行った結果、月間約57時間の工数削減に繋がりました。
空いた時間は、候補者の意向醸成や事業部との採用要件すり合わせなど、「人間にしかできない、EQ（感情知能）が求められる業務」に投資できています。

2. 定性的な発見
・「熱量」の可視化: 文章量が多く、ポジティブな表現（「挑戦」「貢献」など）が多い候補者は、実際に面接してもカルチャーマッチ度が高い傾向が見られました。
・バイアスの排除: フラットなスコアが横にあることで、「なんとなく」での不採用を減らし、セカンドオピニオンとしての役割を果たしてくれました。

最後に（今後の展望）

HRは「人」に関わる仕事ですが、だからこそ定量的なデータと効率的なオペレーションが不可欠だと考えています。

今後は、蓄積された面接評価データと今回のESスコアの相関分析を行い、さらなる精度の向上を目指す予定です。
私はこれからも「エンジニアリング × 人事」の領域で、組織課題の解決に取り組んでいきます。

Profile
エンジニアリング組織の採用・組織開発を専門とするHRBP/採用担当。GAS/SQL/Docker等を活用したOps構築から、OKRに基づく採用戦略立案まで一気通貫で担当。
「外から綺麗にアドバイスする人」ではなく、「中で汗をかきながら事業を伸ばす人」であることを大切にしています。