実務8年目以上のエンジニアが書類で落ちる理由｜ChatGPT・Claudeで職務経歴書を磨く5ステップ【プロンプト全文公開】

ミドル・シニアエンジニアが書類選考で落ちる3つの理由

理由①　経験が多すぎて削れない

8年以上のキャリアがあると、書ける経験は無数にあります。要件定義、設計、実装、運用、レビュー、新人教育、技術選定、コスト管理──全部書こうとした結果、「カタログ化」した書類になりがちです。採用側は10秒〜30秒で書類を読み飛ばすので、情報量が多いほど印象が薄くなります。

理由②　役職と業務の羅列で終わる

『シニアエンジニア／チーム10名のマネジメント／新人教育』のように、肩書きと業務領域だけを並べた書類です。これでは「どんな価値を生んだエンジニアなのか」がまったく伝わりません。同じ役職を持つ人は何百人といるため、差別化できないのです。

理由③　事業への貢献が数字で語られていない

ミドル・シニア層の評価軸は、技術スキルだけではありません。むしろ「どれだけ事業に貢献したか」が決定的です。

『パフォーマンスを改善した』ではなく『APIレスポンスを850ms→220msに短縮（73%改善）し、解約率0.3pt改善に寄与』。『チームをマネジメントした』ではなく『6人チームのEMを2年、新人3名を半年でPR独立稼働、離職ゼロ』。

数字で語れる成果は、書類選考での通過率を圧倒的に上げます。逆に言えば、数字がない書類はミドル層では戦えません。

具体例：落ちる職務経歴書／通る職務経歴書（同じ人物の書き直し）

以下は、経験10年・toC SaaSのシニアエンジニアが書いた職務経歴書です。同じ人物が同じ業務を書いていても、書き方一つで採用側の印象は180度変わります。

この書類の4つの問題点

1. 主語が「自分」ではない。『大規模システムの開発』は、自分が設計したのか、実装したのか、PMだったのか、何をやったのか分かりません。

2. 数字がありません。『大規模』とは何を指すのか。『チーム10名』はバックエンド・フロント・QAのどの構成か。サイズの感覚がつかめません。

3. 技術スタックが見えません。書類選考は技術キーワードでの一次フィルタが入るため、Go・Python・AWSといった具体的なスタックが書かれていないと、検索にも引っかかりません。

4. 成果がありません。「やったこと」はあるのに、「何を生んだか」「どう改善したか」が一行もない。これがミドル層では致命的です。

この書類が「通る」3つの理由

1. 役割を一行で要約しています。誰が／何のサービスを／何人で／何をリードしていたか。これだけで採用側のイメージが固まります。

2. 成果を「数字で語れる3つ」に絞っています。技術（レスポンス改善）／組織（人材育成）／事業（コスト圧縮）と、評価軸を3つカバーしているのも巧妙です。

3. 技術スタックを別ブロックでまとめています。検索ヒットさせるためのキーワード対策と、読み手の認知負荷の軽減を両立しています。

ChatGPT・Claudeで職務経歴書を磨く5ステップ

ここからが本記事のメインです。「数字で語れる成果なんてない」と思っているミドル層に、実はそれが目の前に眠っていることをAIに掘り起こしてもらうための5ステップです。

各ステップに、コピーしてそのまま使えるプロンプトを添えています。ChatGPT（GPT-4o, GPT-4.1, o1-mini等）でもClaude（Sonnet 4以降）でもどちらでも動作します。

STEP 1　経歴を整理せずとにかく書き出す（AIに渡す『原料』を作る）

まずは『推敲しない』ことが大事です。完璧な書類を書こうとすると、誰でも筆が止まります。AIに加工を任せる前提で、まずは『過去8年の経験を時系列で箇条書き』にしてしまいます。

このとき盛り込むべきは、年・所属・役割・主な業務・覚えているエピソードの5要素。順序や言葉遣いは気にしないでください。AIが整えます。

あなたは経験豊富なIT人材エージェントです。
私の職務経歴を整理する手伝いをしてください。

以下は私の8年分の業務経歴です。
時系列で、思いついた順に書き出しています。
推敲はしていません。

【経歴ベタ書き】
（ここに自分の経歴をベタ書きで貼る）

まずは内容を理解してください。
不明な点があれば、最大3つまで質問を返してください。

STEP 2　AIに『数字で語れる成果はどれか』を診断させる

ここが本ステップのキモです。人間は『自分の当たり前』を過小評価する性質があるので、自分の経歴を自分で『数字で語れる成果』に変換するのは難しい。AIに第三者の視点で診断してもらいます。

ポイントは『候補10個』というように、上限を多めに設定すること。AIは多めに出してくれるので、その中からあなたが本当に強い3つを選べばよいのです。

上記の経歴の中から、
職務経歴書で『数字で語れる成果』として書ける候補を
10個までリストアップしてください。

各候補について次の3つを併記してください：
（1）どんな指標で語れるか（例：レスポンスタイム、コスト、人数、期間）
（2）数字の取得元（例：監視ツール／会計データ／GitHub）
（3）この成果が伝える強み（例：技術力／組織力／コスト感覚）

AIが返してきた候補の中には『これは確かにそうだ、忘れていた』というものが必ず混じっています。そこを起点に職務経歴書を組み立てます。

STEP 3　AIに『事業インパクトに翻訳』してもらう

『レスポンスが速くなった』だけでは、技術的成果としては伝わっても、事業的価値としては弱い。『その結果、解約率がどう動いたか／売上にどう寄与したか／コスト構造がどう変わったか』まで紐づけることで、ミドル層に求められる「事業視点を持ったエンジニア」という像が立ち上がります。

STEP 2の候補のうち、特に強いと思う3つを選んでください。
それぞれについて『事業インパクトへの翻訳文』を1〜2文で書いてください。

例：
× APIのレスポンスタイムを850ms→220msに改善
○ APIレスポンスを850ms→220msへ短縮（73%改善）し、
  ユーザー離脱率1.2pt改善・解約率0.3pt改善に寄与

数値が手元にない場合は、AIに「妥当な仮置きを提案して」と頼んでも構いません。最終的に書類に書く際には、実数値を社内に確認した上で記載してください。

STEP 4　STAR形式（状況→課題→行動→成果）に再構造化させる

STAR形式は、外資系企業や採用基準が厳しい企業で最も評価される書き方です。Situation（状況）／Task（課題）／Action（行動）／Result（成果）の4要素で1エピソードを書き上げます。

ミドル層では、各STARブロックを3〜5行で完結させるのが理想。長すぎても短すぎても評価が下がります。

STEP 3で書いたインパクト3つを、それぞれSTAR形式に再構造化してください。

【STAR形式】
S（Situation）：当時の状況
T（Task）：解決すべき課題
A（Action）：自分が取った具体行動
R（Result）：数字で示せる成果

各要素は1〜2文で。Resultは必ず数字を含めてください。

STEP 5　AIに『マネジメント vs テクニカル どっちで売るか』を判定させる

これがミドル・シニア層に特有の重要ステップです。同じ経歴でも、『マネジメント職（EM／VPoE／CTO候補）』として売るか、『テクニカル職（テックリード／プリンシパル／アーキテクト）』として売るかで、書類の構成は180度変わります。

自分一人では判断しづらいこの選択を、AIに『第三者の目』として診断してもらいます。

これまでの整理を踏まえて、
私の経歴を転職市場で売るとき、
次のどちらの軸で売るほうが通過率が高くなると考えますか。

A：マネジメント職（EM/VPoE/CTO候補）として
B：テクニカル職（テックリード/プリンシパル/アーキテクト）として

理由を3つ、それぞれの場合に強調すべき経験を3つずつ、教えてください。
最後にどちらを推奨するかを断定してください。

精度を上げたい場合は、同じプロンプトをChatGPTとClaudeの両方に投げて、答えを比較してください。観点が違うため、複数モデルでの議論にすると判断材料が増えます。

ChatGPT vs Claude、職務経歴書の磨きにはどちらを使うべきか

結論からいうと、両方使うのが最も精度が上がります。傾向としては以下です。

ChatGPT（GPT-4o, GPT-4.1）の特徴

構造化・テンプレート化が強い。STAR形式やフォーマットに沿った整形を依頼すると、精度の高い出力が得られます。STEP 1・STEP 4で活躍します。

Claude（Sonnet 4以降）の特徴

ニュアンス把握・批判的視点が強い。「この経歴の何が弱いか」「採用側はどう読むか」のような、内省・批評を求めるタスクで深い回答を返します。STEP 2・STEP 5で活躍します。

両方を使い分けるのが理想ですが、片方だけしか使えない場合は、まずClaudeに棚卸し・診断・売り方判定を任せ、ChatGPTに最終フォーマット化を任せる流れが効率的です。

ミドル層がやりがちな『役職盛り』の罠

最後に1つだけ、ミドル・シニア層が無意識にやってしまう失敗パターンを紹介します。それが『役職盛り』です。

これらは一見『色々やってきた』ように見えるのですが、採用側からすると『何人を／どれだけの期間／どんな成果まで持っていったか』が一切分からないため、何の評価材料にもなりません。それどころか『中身がない経歴書』として扱われるリスクがあります。

規模・期間・成果。この3要素を必ずセットで書いてください。AIに『各経験を規模・期間・成果のセットで書き直して』と頼むだけで、書類の見栄えが一段上がります。

まとめ：AIで職務経歴書を磨く30分のワークフロー

本記事で紹介した5ステップを、所要時間ごとに整理します。集中して取り組めば30〜60分で完了します。

• STEP 1（5分）　経歴をベタ書きでとにかく出す　→ AIに『原料』を渡す
• STEP 2（10分）　AIに『数字で語れる成果』を10個ほど候補出ししてもらう
• STEP 3（10分）　特に強い3つを『事業インパクト』に翻訳
• STEP 4（10分）　STAR形式に再構造化
• STEP 5（10分）　マネジメントvsテクニカルの売り方判定（複数モデル推奨）

仕上がった職務経歴書は、書類選考の通過率を体感で2〜3倍に押し上げるレベルになります。重要なのは「AIに書かせる」のではなく、「AIに棚卸しと構造化を手伝ってもらい、最終的な判断と書き分けは自分が行う」というスタンスです。AIは優秀な編集者であって、書き手はあなた自身です。

職務経歴書を磨いたら、プロにご相談を

本記事の5ステップで職務経歴書を磨いたら、あなたの市場価値を試す段階です。エンジニアデータバンクには 「自分で動く」「プロに相談する」 の2つのルートがあります。

【執筆】EDBインサイト 編集部