SESのAIマッチングって、本当に「勘と経験」を超えられるの？

ミドリ： タツヤさん、SESのエンジニアと案件のマッチングって、結局は営業担当者の経験と勘でやるしかないんですかね？

タツヤ： いい疑問だね。確かにベテラン営業の暗黙知はすごく価値がある。でも矢野経済研究所の2025年調査によると、SES企業の82%が「マッチングの属人化」を経営課題として認識してて、53%が「案件とエンジニアのミスマッチによる早期離脱」を経験してるんだよ。

ミドリ： 半分以上がミスマッチを経験してるんですか……。

タツヤ： 一方、AIマッチングシステムを導入した企業では、マッチング精度が平均38%向上、エンジニアのプロジェクト満足度が27ポイント上昇、エンジニア1人あたり年間42万円の機会損失削減っていうデータが出てる。

ミドリ： 数字で見るとインパクト大きいですね。

従来のマッチングが抱える4つの構造的課題

ミドリ： まず今のやり方の何が問題なのか、整理してもらえますか？

1. 属人化の問題

タツヤ： 熟練営業はエンジニアのスキルだけじゃなく、性格、コミュニケーションスタイル、成長意欲も含めた「暗黙知」でマッチングしてる。この暗黙知はすごく価値があるんだけど、構造的な問題がある。

2. データ活用の不足

ミドリ： スキルシートってExcelで管理してるところが多いですよね。

タツヤ： 調査ではSES企業の67%がExcelまたはスプレッドシートで管理してる。問題はこういうところに出る。

3. マッチング機会の見落とし

タツヤ： 営業担当者は自分の担当範囲しか把握してないから、組織全体で見ると最適なマッチングが実現できてないケースが多発するんだ。

ミドリ(confused)： たとえばA支店のエンジニアがB支店の案件に最適でも、気づかないってことですか？

タツヤ(nodding)： その通り。大規模なSES企業ほど、この「見えない機会損失」は深刻になる。

4. ミスマッチによるコスト

タツヤ： ミスマッチが発生した場合のコストは甚大だよ。

ミドリ： 1人の離職で150〜200万円……それは放置できないですね。

AIマッチングシステムの仕組み

ミドリ(thinking)： じゃあAIマッチングって、具体的にどういう仕組みなんですか？

スキルベクトル化 ── マッチングの基盤技術

タツヤ： 核心は、エンジニアのスキルセットとプロジェクトの要件を数値ベクトル（多次元の数値配列）に変換して、数学的に類似度を計算すること。人間の勘を、再現性のある定量的な評価に置き換えるんだ。

ミドリ： エンジニア側はどんな要素をベクトル化するんですか？

タツヤ： こういう内容だよ。

カテゴリ評価項目スコアリング方法
技術スキルプログラミング言語、フレームワーク、クラウドサービスなど習熟度を1〜5の段階で数値化
業務経験業界知識、プロジェクト規模、チーム構成の経験経験年数と直近の実績をスコアリング
ソフトスキルコミュニケーション能力、リーダーシップ、問題解決能力過去のPJフィードバックから定量化
成長ポテンシャル学習速度、資格取得履歴、自己研鑽の実績直近1年の成長度合いをスコアリング
稼働条件勤務地、リモート可否、稼働開始時期条件の合致度をバイナリ/段階評価

ミドリ： ソフトスキルまで数値化するんですね。プロジェクト側はどうなりますか？

タツヤ： プロジェクト側はこういう要素をベクトル化する。

マッチングアルゴリズム

ミドリ(thinking)： ベクトル化したあとは、どうやってマッチングするんですか？

タツヤ： スキルベクトルと要件ベクトルのコサイン類似度（2つのベクトルの方向の近さを0〜1で表す指標）を基本スコアにしつつ、複数の要素を加味した総合スコアを出す。

総合スコアの構成はこうなってる。

  1. 技術適合度（重み40%）：スキルと要件の一致度。必須スキルの充足が前提
  2. 経験適合度（重み25%）：同業界・同規模の類似プロジェクト経験の有無
  3. 可用性（重み15%）：現在のアサイン状況と希望開始時期
  4. 成長適合度（重み10%）：エンジニアのキャリア志向とプロジェクトの経験価値の一致
  5. リスクスコア（重み10%）：過去の離脱履歴、勤怠状況、フィードバック評価を総合した安定性指標

ミドリ： キャリア志向まで考慮するんですか！

タツヤ： ここがポイントでね。エンジニアが「やりたい」と思える案件はパフォーマンスと定着率が明らかに高い。これを無視するとミスマッチにつながるんだ。

AIが学習するフィードバックループ

ミドリ： AIの精度は使い続けると上がるんですか？

タツヤ： 上がる。その鍵がフィードバックループだ。

タツヤ： 実際に、フィードバックループを6ヶ月間運用した企業では、マッチング精度が導入初期と比較して22%向上してるよ。

導入ステップ ── 3フェーズで確実に

ミドリ： よし、導入したい！ ってなったら、どういう手順ですか？

タツヤ： 一気に全機能を作るんじゃなくて、3フェーズに分けて段階的にやるのが鉄則だ。

Phase 1：データ基盤の整備（1〜2ヶ月）

タツヤ(nodding)： まずはエンジニアと案件のデータを統一フォーマットに整理して、検索・分析可能な状態にする。

ミドリ： 成果はどう測ればいいですか？

タツヤ： エンジニアの90%以上のスキル情報がデータベースに登録されていること、案件情報の入力から検索可能になるまでのリードタイムが1営業日以内、が目安だ。

Phase 2：基本マッチングエンジンの構築（2〜3ヶ月）

タツヤ： ルールベースとAIを組み合わせたハイブリッドマッチングエンジンを稼働させる。

ミドリ： Phase 2の成功基準は？

タツヤ： マッチング候補の提示時間が従来比50%以上短縮、営業担当者の80%がシステムを日常的に使用していること、だね。

Phase 3：高度な分析機能の追加（2〜3ヶ月）

タツヤ： ここからが本当の差別化ポイントだ。

ミドリ(smiling)： 需要予測で採用・教育計画まで立てられるのはすごいですね。

数字で見る導入効果

ミドリ： 実際の数字を見せてもらえますか？

タツヤ： AIマッチングシステムを導入したSES企業の実績データだ。

定量的な効果

指標導入前導入後改善率
マッチング作業時間（1件あたり）平均4.5時間平均1.8時間60%削減
提案段階での成約率32%57%25ポイント向上
エンジニアの待機期間平均18営業日平均11営業日40%短縮
プロジェクト途中離脱率12%8.4%30%低下
営業担当者1人あたりの担当エンジニア数25名42名68%増加

ミドリ： 成約率が32%から57%って、ほぼ倍近くですね！

定性的な効果

タツヤ： 数字に出にくい効果も大きいよ。

ROIの試算

ミドリ： 投資対効果はどうなんですか？

タツヤ： 従業員数300名のSES企業で試算してみよう。

ミドリ： 約1億円！

タツヤ： 開発・導入費用を3,000〜5,000万円と見積もると、6〜12ヶ月でROIを達成できる計算だよ。

プライバシーとデータセキュリティ

ミドリ： 人材データを扱うとなると、個人情報の管理が気になります。

タツヤ： 当然だね。個人情報保護法への準拠は不可欠だ。法的対応と技術的対策、両方が必要になる。

法的対応

技術的対策

まとめ：AIマッチングは「競争力の変革」

ミドリ： 今日の話をまとめると、どうなりますか？

タツヤ： AIマッチングシステムは、SES企業の競争力を根本から変革するポテンシャルを持ってる。属人的なマッチングをデータ駆動型に移行することで、精度向上、待機期間短縮、エンジニア満足度改善を同時に実現できるんだ。

ミドリ： 成功の鍵を教えてください。

タツヤ： 3つに集約される。

ミドリ(smiling)： 最終判断は人間がやる、っていうのが大事ですね。AIはあくまで「最高のアシスタント」ってことか。

タツヤ(nodding)： その通り。AIと人間の強みを組み合わせるのが、これからのSES企業の勝ちパターンだよ。

次のアクション

ミドリ： まず何から始めればいいですか？

タツヤ： 3つやってみて。

  1. データの棚卸し：現在のスキルシート管理方法を確認して、データの品質と量を評価する
  2. マッチング業務の可視化：営業担当者のマッチングプロセスをヒアリングして、暗黙知を構造化する
  3. KPIの設定：現在のマッチング工数、成約率、待機期間を計測して、改善目標を設定する