「いい人がいたら紹介してください」。RAなら毎週聞くこの言葉は、実は発注ではなく相談です。企業自身、どんな人が欲しいのかを言語化できていない。ここで「承知しました!」と持ち帰るRAは、的の見えない矢を打ち続けることになります。
要件定義の質は、そのまま紹介の精度=決定率になります。「いい人」をMust/Want/NGに翻訳する4ステップのヒアリング技術と、緩すぎる要件・厳しすぎる要件それぞれの直し方を整理します。
出典: 編集部のRA実務・要件ヒアリングの経験に基づく整理
企業が要件を言語化できないのは、怠慢ではありません。情報のピラミッドで言うL4企業自身もまだ言葉にしていない暗黙知だからです。彼らの頭の中にあるのは「辞めた田中さんみたいな人」「隣のチームの佐藤さんっぽい人」という具体的な人物の記憶であって、抽象化された要件ではない。だからRAの仕事は、注文を聞き取ることではなく記憶から要件を抽出する取材です。この認識の転換だけで、ヒアリングの質問は「どんな人がいいですか?」(答えられない)から「前任の方はどんな仕事ぶりでしたか?」(答えられる)に変わります。
STEP2の成果定義が背骨です。「営業経験5年以上・マネジメント経験あり」というスペック羅列は、成果との因果が検証されていない代理指標にすぎません。「入社1年後、既存トップ10社の深耕で前年比120%ができていたら成功」。この成果定義さえ取れれば、必要な能力は逆算でき、経験年数の呪縛からも自由になります(3年でそれをやってきた人を落とす理由がなくなる)。管理職の採用実績で語られる「基準で見極める」とは、まさにこの逆算のことです。
| 要件の症状 | 校正の質問 |
|---|---|
| 厳しすぎる(Must が5個以上) | 「その条件、御社で活躍している◯◯さんは全部満たしていますか?」。活躍者が満たさない条件は外せる。加えて「もし全条件を満たす方がいたら、年収はいくら必要だと思いますか?」で市場相場との乖離を可視化する |
| 緩すぎる(何でもいい) | 「逆に、過去に採用して合わなかった方はどんな方でしたか?」。失敗採用の記憶からNG要件を抽出する。NGが定まると、Mustも輪郭を持ち始める |
| ぶれる(面接ごとに基準が変わる) | 「最終決裁者の△△様は、この要件をご覧になっていますか?」。現場と決裁者の要件のずれは、最終面接落ちの最大原因。すり合わせを先に仕掛ける |
共通するのは、要件を「否定」せず「検証」する姿勢です。RAが要件に疑問を持っても、正面から「それは厳しすぎます」と言えば関係が痛む事実を持ってきて、企業自身に気づかせるのが校正の作法です。
ヒアリングの成果は2つの形に落とします。①求人票(JD)。STEP2の成果定義を「ミッション」として冒頭に書く。スペックの羅列より、「1年後にこれを達成していただきます」が明確な求人票の方が、候補者の自己判断が働き、応募の質が上がります。②社内のすり合わせ資料。Must/Want/NGの1枚を企業と共有し、「この基準で書類判定をお願いします」と選考基準を固定する。これがあると、不採用理由の回収も「Mustのどれに触れたか」と構造的にでき、次の推薦の精度が上がる。要件定義→紹介→フィードバック→要件の更新このループを回せるRAだけが、決定率を再現性のある数字にできます。そしてこのヒアリングの過程で得たL3・L4の情報(なぜ今この採用か、前任者の話、活躍者の人物像)は、そのまま候補者の志望動機の固有名詞になる：要件ヒアリングは、両面の支援の源泉なのです。
記事の内容を前提にして、あなたの状況に合わせた答えをAIに出させます。質問を入れて「ChatGPTで相談」または「Claudeで相談」を押すと、記事の要点と質問がセットになった状態で開きます。