TL;DR（この記事の要約）

• 2026年現在、Cluely・Interview Coderなど**面接中にリアルタイムでAI回答を表示する「カンニングAI」**が急増。画面共有では検出できないオーバーレイ型に加え、日本語特化のKanpeAIも登場している

• Fabricの約19,000件の面接データ分析では、オンライン技術面接の約15%でAI支援の兆候が検出されている

• 従来型のコーディング試験やアルゴリズム問題は「AIの使い方テスト」と化しており、候補者の実力を測る選考シグナルとして機能しにくくなっている

• 対策の本質は「不正を検出する」ことではなく、「AIを使っても差がつかない評価軸」に選考を再設計すること

• 具体的には設計判断ディスカッション・ライブデバッグ・過去の実務経験深掘りなど、AIが代替しにくい領域にシフトする

このページでわかること

「オンライン面接で候補者がAIを使っていた気がするけど、どう対処すればいいかわからない」——採用担当者やエンジニアリングマネージャーから、こうした相談が増えています。事前準備にとどまらず、面接中にリアルタイムでAIが回答を生成する「カンニングAI」が普及し、面接官の目視だけでは検出が困難な状況です。

この記事では、カンニングAIツールの実態と仕組み、採用プロセスに与えるリスク、検出アプローチの限界、AIに強い選考プロセスの再設計方法（5つの手法）、企業規模別の導入ロードマップまでを解説します。人材業界で採用を売る側にいた経験と、エンジニアとして採用される側にいる経験の両方から、実践的な対策をお伝えします。

なお、AI時代の技術面接全般の再設計については「AI時代のエンジニア技術面接リデザイン｜評価が変わる選考設計ガイド」、コーディング試験の設計については「エンジニア採用のコーディング試験設計と公平な評価の実践ガイド」もあわせてご覧ください。

1. 面接カンニングAIの実態｜何が起きているのか

「見えないカンニング」の仕組み

2026年現在、エンジニア採用の面接で使われるAI不正ツールは、検出の難しい順に4つのタイプに分かれます。

1. リアルタイムオーバーレイ型：CluelyやInterview Coderが代表例。OSのウィンドウマネージャに低レベルでアクセスし、透明なオーバーレイとして回答を表示します。ZoomやTeamsの画面共有は「デスクトップの下のレイヤー」しかキャプチャしないため、面接官からは見えません

2. 音声解析型：質問音声をリアルタイムで文字起こしし、AIが即座に回答案を生成します。候補者はイヤホンやサブディスプレイで確認しながら話すため、質問から回答までに3〜5秒の一定した遅延が出ます

3. 日本語特化型：KanpeAI（カンペAI）が代表例で、日本語の面接音声を解析して日本語で回答案を表示します。「日本語の面接だから安全」という前提はもはや通用しません

4. 事前準備＋リアルタイム補助型：想定質問へのAI生成回答を事前準備し、面接中はキーワード検索で呼び出します。従来の面接対策の延長線上にありますが、AIによって回答の品質が飛躍的に向上しています

どれくらい広がっているのか

Fabricが2026年に公開した約19,000件の面接分析データによると、オンライン技術面接の約15%でAI支援の兆候が検出されています。特にリモートでのコーディング試験では、不正の疑いがある面接の割合がさらに高いとされています。リクルートワークス研究所の報告でも、採用プラットフォームのPhenomが2025年5月に「Fraud Detection Agents」を発表するなど、不正検出ツール市場の急成長が紹介されています。

この問題は企業規模や業界を選びません。特にリスクが高いのは、フルリモート採用で対面の機会がない、一次選考をコーディング試験のみで判断している、面接官が非エンジニア、選考スピードを優先している——といったケースです。

カンニングAIの「性能」と進化スピード

これらのツールの精度はすでに実用レベルです。一般的なLeetCode型のアルゴリズム問題であれば、GPT-4oやClaude系モデルはほぼ正答を出せます。つまり、標準的なコーディング試験は「候補者のコーディング力」ではなく「AIプロンプトの使い方」を評価するテストに変わりつつあるのが現実です。

進化スピードも厄介です。2024年はテキストベースの回答支援が主流でしたが、2025年後半に音声リアルタイム解析が一般化し、2026年にはオーバーレイ型が普及しました。半年前の対策が通用しなくなる速さです。

なりすまし（プロキシ面接）の問題

カンニングAIに加えて、面接自体を別人が受ける「なりすまし」（プロキシ面接）も増加傾向にあります。リモート面接では本人確認が困難で、スキルの高いエンジニアが複数の候補者の面接を代行するビジネスすら存在します。Deloitte UKが2024年9月に新卒採用で対面面接を再開した背景にも、なりすまし問題への対応があったとされています。日本でも2026年3月、ベンチャー企業のカジュアル面談で実在するエンジニアになりすましたAI映像を使った応募者の事例がBusiness Insider Japanで報じられており、もはや海外だけの問題ではありません。

2. AI不正が採用にもたらすリスク

ミスマッチ採用のコスト

AI不正によって実力以上のパフォーマンスを見せた候補者を採用した場合、入社後のギャップは深刻です。損失は影響が大きい順に次のように連鎖します。

1. オンボーディング期間の長期化：面接で見せたスキルと実力に乖離があり、想定した期間で戦力化しない

2. チームの生産性低下：期待したアウトプットが出ず、他メンバーのサポート工数が増加する

3. プロジェクト遅延：即戦力として計画に組み込んでいた場合、全体のスケジュールに影響する

4. 早期離職リスク：スキルギャップに本人が苦しみ、半年以内に離職するケースも少なくない

5. 採用コストの二重発生：再採用にかかる費用・工数がそのまま損失になる

6. チームの士気低下：既存メンバーが採用プロセスそのものへの信頼を失う

エンジニアの採用コストは一般に年収の30〜50%程度とされます。ミスマッチが発生すればこの投資が無駄になるうえ、再採用のリードタイムを含めた機会損失も生まれます。

採用ミスマッチの構造的な原因と防止策については「エンジニア採用ミスマッチを防ぐ原因分析と実践的な対策ガイド」で詳しく解説しています。

選考の信頼性低下

AI不正が横行すると、面接官が「この回答は本人の実力なのか？」と常に疑念を抱く状態になり、正直に面接を受けている候補者が相対的に不利になって公平性が損なわれます。結果として優秀な候補者が「あの会社の選考は形骸化している」と判断し、応募を避けるリスクも生まれます。

法的・倫理的リスク

候補者の不正を理由に内定取消や解雇を行うには法的な根拠が求められ、「AIを使っていた疑いがある」だけでは正当な理由と認められない可能性があります。問題は線引きです。事前にChatGPTで想定質問を研究するのは従来の面接対策と変わらず、面接中のリアルタイム使用は明らかに不正——その間のグレーゾーンは広く、企業ごとの定義が必要です。次の4点を推奨します。

1. 採用選考におけるAI使用ポリシーを文書化し、候補者に事前共有する

2. 「禁止する行為」と「許容する行為」を具体的に定義する（例：事前の情報収集は可、面接中のリアルタイム使用は不可）

3. 不正が発覚した場合の対応手順（選考中止・内定取消等の条件）を事前に定めておく

4. 法務部門や社外の弁護士に、ポリシーの法的妥当性を事前確認する

採用選考における法務知識の全般については「エンジニア採用の法務知識ガイド｜労働契約・競業避止・知財の実務」で詳しく解説しています。AI活用における法規制やバイアスのリスクについては「エンジニア採用AI活用のリスクと法的対応｜バイアス防止の実践ガイド」もあわせてご覧ください。

採用ブランドへの影響

対策の姿勢は採用ブランドにも影響します。過度な監視は「社員を信用しない文化」と見られ、無対策では「選考がザル」と見られかねません。理想は「AI活用を前提にした先進的な選考」というポジショニングです。「当社ではAIの使用を認めています。その上であなた自身の判断力とコミュニケーション力を評価します」というメッセージは、優秀なエンジニアにとって魅力的に映ります。

3. 不正検出アプローチの現状と限界

テクノロジーによる検出

2025〜2026年にかけて、複数のHRテック企業がAI不正検出ツールをリリースしています。アプローチは大きく3種類です。

1. 行動分析型：視線の動き、応答速度、タイピングリズムを分析します。PhenomのFraud Detection AgentsはChatGPTやClaudeの利用痕跡をリアルタイム検出し、Validiaの「Truely」はキーボード操作のリズムやウィンドウ切り替えからAI介入の兆候をアラートします。ただし精度は完璧ではなく誤検出のリスクがあります

2. 環境監視型：プロクタリング（試験監視）ソフトでPC環境を監視し、タブ切り替え・外部アプリ起動・背景ノイズを検出します。セキュアブラウザで他アプリへのアクセスを制限する方法もあります

3. 音声・映像分析型：発話パターンから台本読み上げかを判定します。AI回答の読み上げは抑揚や間に特徴が出ます

検出アプローチの限界

技術的な不正検出には、構造的な限界が3つあります。

1. いたちごっこになる：検出ツールが進化すれば、不正ツールも回避方向に進化します。応答遅延のランダム化、音声パターンの自然化など、回避策は次々と登場します

2. 候補者体験を損なう：過度な監視は「この会社は社員を信用しない文化なのか」という印象を与えます。優秀な候補者ほど選択肢が多いため、監視が厳しい企業の選考を避けます

3. 法的リスクがある：PC環境の監視はプライバシーの観点で問題になり得ます。日本の個人情報保護法のもとでは、監視の範囲と方法に慎重な設計が必要です

候補者体験（CX）が採用成果に与える影響については「エンジニア採用CX（候補者体験）を改善して辞退率を下げる実践ガイド」で解説しています。

検出だけに頼る戦略は持続しない

不正検出だけを軸にした対策は長期的に維持困難です。重要なのは**「AIを使っても差がつかない」評価軸への移行**であり、次章でその具体的な方法を解説します。

4. AIに強い選考プロセスの再設計｜5つの実践手法

手法1: 設計判断ディスカッション

概要: システム設計の課題を提示し、設計判断の「Why」を深掘りする対話型の評価手法です。AIは「一般的な正解」を生成できますが、「なぜその選択肢を選んだか」といった判断プロセスの深掘りには対応しきれません。

実践例: 「RDBとNoSQLのどちらを選びますか？」の後に「前職でデータストア選定に迷った経験は？」と具体的経験へ踏み込む。「予算が半分だったらどこを妥協しますか？」と制約を変えて柔軟性を見る。「3年後に見直すとしたら何を変えますか？」で長期的視点を評価する。

評価ポイント: 判断の根拠を自分の言葉で説明できるか、具体的な経験に基づいているか、前提条件が変わったときに思考を切り替えられるか、トレードオフを言語化できるか。

システムデザイン面接の詳細な設計方法は「エンジニア採用のシステムデザイン面接設計ガイド｜評価基準と実践手法」を参照してください。

手法2: ライブデバッグ＆コードリーディング

概要: バグを含むコードを渡し、リアルタイムで原因を特定・修正してもらう手法です。AIは「ゼロからコードを生成する」のは得意ですが、「既存コードの文脈を理解して問題箇所を特定する」プロセスには限界があります。複数ファイルにまたがるバグの追跡は実務経験に基づく直感が問われます。

実践例: 本番で発生したバグ（匿名化済み）の再現環境を用意し、「このAPIが500エラーを返す原因を特定してください」と依頼します。思考プロセスを口頭で説明してもらいながら（シンキングアラウド）仮説の立て方やツールの使い方を観察し、最後に再発防止策を聞きます。

準備のコツ: 一度作れば複数の候補者に使い回せます。次の手順が効率的です。

1. 過去に実際に発生したバグを匿名化・簡素化する

2. 再現環境をDockerコンテナやオンラインIDEで用意する

3. 難易度を「15分で原因特定、30分で修正完了」程度に調整する

4. 面接官用のガイド（想定される解法、評価基準、ヒントの出し方）を作成する

評価ポイント: 問題を体系的に切り分ける能力、ログの読み解き方、仮説検証プロセスの質、行き詰まったときのリカバリー能力。

手法3: 過去の実務経験の構造化深掘り（STARメソッド応用）

概要: 過去の実務経験を Situation（状況）→ Task（課題）→ Action（行動）→ Result（結果）の構造で深掘りする手法です。AIは一般的な「それっぽい経験談」を生成できますが、具体的な文脈に踏み込んだ質問を重ねると、実体験に基づかない回答はほぼ確実に破綻します。

実践例: 「直近でもっとも困難だった技術的課題は？」→「マイクロサービス間のデータ整合性です」→「チーム内で意見が分かれた場面は？」→「Saga PatternとTwo-Phase Commitで割れました」→「どちらを推し、その理由は？」→「最終的にどう決着し、別の選択もあり得たと思いますか？」。一つのエピソードを5〜6回掘り下げると、実体験と作り話を区別できます。

評価ポイント: 具体的な数字や固有名詞が出てくるか、感情や葛藤を自然に語れるか、反省点や学びを自分の言葉で表現できるか、質問の角度を変えても一貫性があるか。

構造化面接の全般的な設計については「エンジニア採用の構造化面接設計ガイド｜評価ブレをなくす実践手法」で解説しています。

手法4: AI出力レビュー課題

概要: AIが生成したコードや設計案を渡し、レビュー・改善してもらう手法です。AI出力のレビューにはAIの限界の理解・品質基準・改善提案力が必要で、これはAI自身にはできない「AIの上に立つ」スキルです。実務でも日常的なタスクになりつつあり、入社後の業務に直結する評価になります。

実践例: AI生成のReactコンポーネントを渡し「プロダクションに出す前に何を直しますか？」と聞く。AIが書いたインフラ設計書に「セキュリティ観点で見落としている点は？」と依頼する。AI生成のテストコードに「カバーされていないエッジケースを3つ挙げてください」と質問する。

課題の作り方のコツ: 鍵は「AIが間違えやすいポイント」を意図的に仕込むことです。優先順位は次のとおりです。

1. セキュリティの脆弱性：SQLインジェクションやXSSの可能性が残っている

2. エラーハンドリングの不備：正常系は完璧だがエッジケースを見落としている

3. パフォーマンスの問題：動作はするがN+1クエリが発生するなど

4. 設計上の問題：密結合、テスタビリティの低さなど

AIはこれらを「自分で作ったコード」として認識できないため、カンニングAIを使って回答するのは困難です。

評価ポイント: AI出力の問題点を正確に特定できるか、改善提案の具体性、品質基準の高さ、レビューの優先順位付け。

手法5: 対面（またはカメラオン）でのペアプログラミング

概要: 面接官と候補者がリアルタイムで一緒にコードを書く手法です。対面が難しい場合はカメラオン＋画面共有で実施します。リアルタイムの対話が続くためAIの回答を読み上げる時間的余裕がなく、面接官が画面を見ているためオーバーレイ型ツールの使用も困難です。

実践例: 30分程度で小さな機能追加やリファクタリングを一緒に行います。候補者がドライバー（コードを書く役）、面接官がナビゲーター（方向性を示す役）を務め、途中で要件変更を入れて対応力を見ます。

評価ポイント: 考えを言語化しながらコードを書けるか、フィードバックの受け止め方、意思決定のスピード、実際のコーディングスキル。

ペアプロ面接の詳細は「エンジニア採用のペアプロ・ライブコーディング面接設計ガイド」を参照してください。

5. 面接官向け：AI不正を見抜くためのシグナルと対処法

「怪しい」と感じたときのシグナル

以下のシグナルが複数見られた場合、AI支援を疑う根拠になります。ただしあくまで「疑い」であり、これだけで不正と断定してはいけません。

応答パターンの違和感：回答までの遅延が常に3〜5秒で一定（自然な会話では難易度で変わる）。回答が「教科書的」で個人の経験や感情が含まれない。専門用語は正確なのに、噛み砕いた説明を求めると急に曖昧になる。

視線・動作の不自然さ：回答中に特定の方向（サブディスプレイなど）を頻繁に見る。カメラを見ず画面の別の場所を見続けている。

コーディング時の不自然さ：コードが一気に完成形で出てくる（通常は段階的に書く）。エラー時の対処が「AIっぽい」（全体を書き直す、関係ない部分まで修正する）。変数名やコメントが異常に丁寧。

シグナルを検出したときの対処法

やってはいけないこと：その場で「AIを使っていますか？」と問い詰める、根拠なく不正と断定する、面接を途中で打ち切る。いずれも法的リスクと採用ブランド毀損につながります。やるべきことは次の順に切り替えることです。

1. 深掘り質問に切り替える（「もう少し詳しく」「前職では具体的にどうしていましたか？」）

2. コードについて「この部分をなぜこう書いたのか」を逐一説明してもらう

3. 前提条件を急に変えて思考の柔軟性を試す（「もしこの制約がなかったら別のアプローチを取りますか？」）

4. 面接後に他の面接官と所見を共有し、複数の視点で判断する

面接後の合議（デブリーフ）の具体的な進め方は「エンジニア採用の面接デブリーフと合否判定の仕組み化ガイド」を参照してください。

6. 選考フロー全体の再設計ロードマップ

Phase 1: 即座にできる対策（1〜2週間）

まずは大きな投資なしで始められる対策から、着手順に並べます。

1. 面接官全員に「AI不正のシグナル」を共有する30分の研修を実施する

2. 面接冒頭で「AIツールの使用に関するポリシー」を候補者に明示する

3. コーディング試験を「思考プロセスの可視化」重視に変更する（過程を口頭で説明してもらう）

4. 面接評価シートに「回答の具体性（抽象的／具体的経験に基づく）」の評価項目を追加する

5. デブリーフのチェック項目に「AI支援の疑い」を追加する

この段階のポイントは面接官の「気づき力」を高めることです。ツールに頼らず兆候を識別できるようになるだけで、選考の質は大きく向上します。

Phase 2: 選考フォーマットの変更（1〜2ヶ月）

選考フロー自体を、効果の大きい順に段階更新していきます。

1. コーディング試験を、アルゴリズム問題から実務型課題（バグ修正・コードレビュー）に移行する

2. 設計判断ディスカッションを組み込む（技術面接の30%以上が目安）

3. 最終面接に対面（またはカメラオンのペアプロ）を導入する

4. 各ステージで「何を評価するか」を明文化し、面接官間の認識を揃える

5. 面接官トレーニングで深掘り質問のスキルを強化し、必要に応じてリファレンスチェックを行う

面接官育成の具体的な方法は「エンジニア採用の面接官トレーニング｜評価精度を高める実践手法」で解説しています。

Phase 3: プロセス全体の最適化（3〜6ヶ月）

選考プロセスの根本的な再設計に取り組みます。

1. 選考フロー全体を見直し、各ステージで評価する能力を明確に分離する

2. ワークサンプルテスト（実務に近い課題）を導入する

3. 試用期間中の評価制度を設計し、入社後のスキル確認を仕組み化する

4. 面接質問バンクを構築し、「使い回しが効かない」ユニークな質問を蓄積する

5. 採用データから「面接評価と入社後パフォーマンスの相関」を分析し、定期的にプロセスをレビューする

リファレンスチェックの実施方法は「エンジニア採用のリファレンスチェック実践ガイド｜質問例と導入手順」を参照してください。

企業規模別の優先度

スタートアップ（〜30名）：最大の武器は「直接会える」ことです。対面面接を基本にし、CTOやリードエンジニアが直接面接して深掘りの質を担保します。トライハイヤー（業務委託→正社員転換）で実務を見てから判断する方法も有効です。事前の関係構築は「エンジニア採用のカジュアル面談完全ガイド｜選考移行率を上げる実践ノウハウ」で解説しています。

中規模企業（30〜300名）：面接官の数が増えるため、構造化面接の導入とキャリブレーション（評価基準の擦り合わせ）で評価のブレを減らすことが鍵です。コーディング試験プラットフォームのアクションログ活用も、この規模から費用対効果が合ってきます。

大企業（300名〜）：不正検出ツールの導入を検討できる規模です。採用データの分析体制で面接精度を定量管理し、社内エンジニアが面接官として参加しやすい体制を整えます。

7. AI時代の選考で「本当に評価すべきこと」

AIが代替できないスキルにフォーカスする

2026年の技術面接で評価すべきは、「AIと一緒に成果を出せる能力」です。優先度の高い順に4つ挙げます。

1. 問題の定義力：「何を解くべきか」を正しく特定する能力。AIは与えられた問題を解くのは得意ですが、「そもそも何が問題なのか」の特定は苦手です

2. 設計判断力：技術的なトレードオフを理解し、制約条件のなかで最適な選択をする能力。正解が一つでない状況で根拠を持って判断できるかが問われます

3. コミュニケーション力：技術的な内容を非エンジニアにも説明し、チーム内で建設的に議論できる能力。PM・デザイナーとの協業や、技術的制約を経営層に伝える場面で試されます

4. AI活用力：AIツールを使いこなし、出力を批判的に評価・改善できる能力。「AIをどう使うか」自体を評価軸にする発想もあります

「AI使用OK」という選択肢

逆転の発想として、面接でのAI使用を公式に認めるアプローチもあります。評価軸は、どんなプロンプトを入力するか（問題の分解力）、出力をどう評価・修正するか（批判的思考力）、AIで解けない部分に自力でどこまで進めるか、に変わります。MetaやGoogleではすでにこの方向へ移行しつつあり、「AIを使えない人を選ぶ」のではなく「AIを最も効果的に使える人を選ぶ」という考え方です。

ただし単に「AI使ってOK」と言うだけでは機能しません。次の4点の設計が必要です。

1. 課題の難易度を上げる：AIだけで完答できない複合課題にする。「Reactコンポーネントを作ってください」ではなく「レガシーコードをReactに段階移行する計画を立て、最初の1コンポーネントを実装してください」のように文脈理解と判断を要求する

2. プロセスの透明化：「何をAIに聞いたか」「回答をどう修正したか」を画面共有で見せてもらう

3. 制限時間の設定：AIを使う前提で時間を短めに設定し、活用の速度と判断力を見る

4. 批判的レビューの必須化：「AIが出したこのコード、このまま使いますか？　修正するとしたらどこですか？」と必ず聞く

AI活用込みの面接設計の詳細は「AI時代のエンジニア技術面接リデザイン｜評価が変わる選考設計ガイド」を参照してください。

エンジニアとしての視点から

エンジニアとして日々AIツールを使って開発している立場から言えば、面接で「AIを禁止してピュアな実力を見る」というアプローチは実務との乖離が大きくなっています。「AIをどう使いこなすか」を見るほうが、入社後のパフォーマンスを正確に予測できるはずです。ただしこれは「すべてAI任せでいい」という意味ではありません。AIが出すコードの品質を判断し、アーキテクチャ上の意思決定ができ、チームと建設的に議論できるエンジニアこそが、AI時代に本当に価値のある人材です。

FAQ（よくある質問）

Q1. 面接でAIの使用を全面禁止すべきですか？

全面禁止は現実的でなく効果も限定的です。検出が技術的に困難でいたちごっこになること、実務ではAI利用が当たり前でAIなしの評価が実務能力を反映しないこと、候補者体験が悪化することが理由です。「AIを使ってもいい。ただし使い方と判断プロセスを説明してください」というスタンスが実践的です。

Q2. 小規模なスタートアップでも対策は必要ですか？

必要です。一人の採用ミスマッチのインパクトが大きいぶん優先度はむしろ高くなります。ただし大がかりなツール導入は不要で、対面面接を基本にする・深掘り質問を意識する・トライハイヤーで実務を見てから判断する、の3つで十分な効果があります。

Q3. 対面面接に戻すしかないのでしょうか？

対面面接が最も確実な対策であることは事実ですが、すべて戻す必要はありません。一次面接はオンラインでスクリーニングし、最終面接を対面で実施するハイブリッド型が現実的です。オンラインでも設計判断ディスカッションやSTARメソッドによる深掘りは有効に機能します。

Q4. コーディング試験を廃止すべきですか？

廃止する必要はありませんが、形式の見直しは必要です。LeetCode型のアルゴリズム問題はAIに解かれやすいため、実務に近いバグ修正・リファクタリング課題に変える、コードを書く過程を口頭で説明してもらう、「なぜこう書いたのか」を深掘りする、の3点への移行を推奨します。コーディング試験の設計の詳細は「エンジニア採用のコーディング試験設計と公平な評価の実践ガイド」を参照してください。

Q5. AI不正検出ツールは導入すべきですか？　コストの目安は？

企業規模と採用数によります。まず「コストゼロでできること」——面接官への30分研修、深掘り質問リストの作成、デブリーフへの項目追加——から始めます。次の段階として、コーディング試験プラットフォーム（Track Testなど）のアクションログ機能が月額数万円から使えます。PhenomのFraud Detection Agentsのような大規模ツールは年間数百万円規模ですが、ミスマッチ採用1件のコスト（年収の30〜50%）を考えれば採用数の多い企業ではROIが合います。いずれも検出ツール単体ではなく、選考フロー自体の再設計とセットで導入するのが前提です。

Q6. 候補者にAI使用ポリシーをどう伝えるべきですか？

選考の最初の段階（エントリー時や一次面接前）に明文化したポリシーを共有することを推奨します。「当社の技術面接ではAIツールの使用を認めています。ただし使用したツールとその理由を面接中に共有してください」のように透明性のある形で伝えましょう。ポリシーが曖昧だと正直な候補者が不利になります。

Q7. リモート採用を続けながら対策するには？

カメラオン必須にして画面共有と顔を同時に確認する、リアルタイムの対話を中心にする、最終面接のみ対面にする、ワークサンプルテスト（非同期）＋面接（同期）で多角的に評価する、の4つが有効です。詳細は「エンジニア採用のオンライン面接設計ガイド｜Web面接で見極める実践手法」を参照してください。

Q8. 面接官が技術に詳しくない場合はどう対策すればいいですか？

STARメソッドによる経験深掘りは技術知識がなくても効果的で、「具体的にどうしましたか？」「その結果どうなりましたか？」は回答の一貫性を確認する強力なツールです。技術面接はエンジニアに任せ、人事は行動面・カルチャーフィットの評価に集中する役割分担も有効です。詳細は「非エンジニア人事の技術リテラシー入門｜採用力を高める実践ガイド」を参照してください。

Q9. 入社後にスキルの乖離が発覚した場合はどうすべきですか？

試用期間中の評価制度の整備が予防策として有効です。入社30日・60日・90日の節目でスキル確認を行い、1on1で技術力の実態を把握します。面接時の申告と実態が明らかに異なる場合は人事・法務と連携して対応します。重要なのは「罰する」ことではなく「事前に防ぐ仕組み」です。オンボーディング期間の設計については「エンジニアのオンボーディング完全ガイド｜早期戦力化と定着率向上の実践手法」を参照してください。

まとめ

面接AIカンニングツールの普及は選考プロセスに根本的な再考を迫っていますが、これは選考の質を本質的に高めるチャンスでもあります。取り組む順序は次の3段階です。

1. 短期（1〜2週間）：面接官に「AIカンニングのシグナル」を共有し、深掘り質問のスキルを上げる。面接冒頭でAI使用ポリシーを候補者に明示する

2. 中期（1〜2ヶ月）：コーディング試験を実務型（バグ修正・コードレビュー）に移行し、設計判断ディスカッションを組み込む。最終面接を対面またはペアプロ形式にする

3. 長期（3〜6ヶ月）：「AI活用込み」の評価軸に移行し、選考フロー全体を再設計する。ワークサンプルテストやリファレンスチェックで多角的に評価する

ただし対策に力を入れるあまり候補者体験を犠牲にしてはいけません。「不正を検出して排除する」のではなく「AIを使っても差がつく選考」を設計する——この発想の転換が、2026年以降のエンジニア採用における競争力の分水嶺になります。

選考フロー全体の設計については「エンジニア採用の選考フロー設計完全ガイド｜歩留まり改善の実践手法」もあわせてご覧ください。

techcellarでは、AI時代の選考プロセス設計を含むエンジニア採用支援を提供しています。「自社の選考フローを見直したい」「面接官のトレーニングを受けたい」といったご相談は、お問い合わせページからお気軽にどうぞ。