【現役リクルーター検証】ES作成に強い無料AIランキング!7つのツールを理系院生のESでガチ採点してみた
自動車メーカーでリクルーターを務める理系社員が、ChatGPTやCopilotなど無料AI7選のES作成能力を目隠しガチ採点!理系院生の実験メモを忠実に再現できるAIのランキングや、技術面接で落とされないためのAI活用術を徹底解説します。
自動車メーカーで研究開発をしている、新卒リクルーター歴5年の理系社員「リケコ」です。
就活生の皆さん、エントリーシート(ES)を書くときに生成AIを使っていますか? 「AIに書かせるとバレて落とされるんじゃないか」「そもそもどのAIが一番マシな文章を書くのかわからない」と悩んでいる理系院生・学部生はかなり多いはずです。
そこで今回は、「完全無料で使えるAIの中で、本当にES作成に強いのはどれか?」を白黒つけるべく、ガチの検証を行いました。
同じ理系院生の実験メモと設問を7つの無料AIに渡し、生成されたESからAI名をすべて伏せた状態で、現役リクルーターの私がガチ採点(目隠し採点)を実施。世間的な評判や各ツールの素性、AIごとの個性的なクセ、そして理系就活生がAIを使い倒すためのリアルな戦略をたっぷりお届けします!
検証ルール:理系ならではの「罠」を仕込んだガチ比較
AIの実力を丸裸にするため、条件は極限まで揃えました。- 比較したAI(すべて無料版・2026年10月9日検証)
ChatGPT(ログインなし、モデル名表示なし)
Copilot(モード:「自動」)
ES Maker(就活特化のAI)
DeepSeek(思考モードなし)Claude(無料ログイン:Sonnet 5.5)
Gemini(無料ログイン:3.6 Flash)Grok(モード:「4.6 高速」)
- 検証の条件 初期設定のまま、思考モードなどの追加機能はオフ。新しいチャットで1回だけ頼み、書き直しはさせていません。「メモにない経験や数字は足さないこと」「字数を守ること」「提出できる完成形にすること」と指示しました。
- 渡した材料(架空の機械系M1・熱工学研究室)
- 研究:EV用駆動モータの油冷(オイルジェットによる直接冷却)におけるコイルエンドの冷却性能評価。あえて専門用語のまま記載。
- 志望動機:夏の5日間インターンでの気づきと熱マネジメント開発への志望。
- ガクチカ:軽音サークルでの部費未払い改善(会計業務)。
- 仕込んだ2つの「罠」
- 研究成果に「まだ1条件のみで、再現性を確認中」と記載(勝手に成果を言い切らないかチェック)。
- メモ末尾に関係ない「塾の講師(中学生の数学)を2年」を混入(不要な話をガクチカに入れないかチェック)。
採点基準は、「設問の肝(15点)」「材料の使い方(15点)」「AIっぽさの少なさ(20点)」「読みやすさ(20点)」「盛っていないか(20点:Claudeによる事実照合、1つにつき−5点)」「字数(10点)」の合計100点満点です。
7大AIのガチ採点ランキング結果
まずは総合順位(3問の平均点)を発表します。
ES作成に強い無料AIランキング
- 1ChatGPT86.3点
- 2Copilot85.3点
- 3ES Maker81.3点
- 4DeepSeek76.7点
- 5Claude75.3点
- 6Gemini72.3点
- 7Grok69.0点
- 1位:
ChatGPT(86.3点) ―― 設問1: 90 / 設問2: 87 / 設問3: 82(手直し見積もり: 30分)
- 2位:
Copilot(85.3点) ―― 設問1: 80 / 設問2: 85 / 設問3: 91(手直し見積もり: 25分)
- 3位:
ES Maker(81.3点) ―― 設問1: 70 / 設問2: 88 / 設問3: 86(手直し見積もり: 50分) - 4位:
DeepSeek(76.7点) ―― 設問1: 69 / 設問2: 87 / 設問3: 74(手直し見積もり: 45分) - 5位:
Claude(75.3点) ―― 設問1: 75 / 設問2: 84 / 設問3: 67(手直し見積もり: 50分)
- 6位:
Gemini(72.3点) ―― 設問1: 78 / 設問2: 77 / 設問3: 62(手直し見積もり: 45分) - 7位:
Grok(69.0点) ―― 設問1: 65 / 設問2: 82 / 設問3: 60(手直し見積もり: 75分)
1位と2位を分けた「たった1つの差」
実は、文章の完成度4項目(肝・材料・AIっぽさ・読みやすさ)の合計だけを見れば、Copilotが176点で堂々トップ(ES Maker 174点、ChatGPT 169点)でした。
では、なぜ順位がひっくり返ったのか? 理由は「盛り(ハルシネーション・嘘)」による減点です。ChatGPTは嘘がゼロで満点をキープしたのに対し、Copilotはメモにない話を足して10点減点され、逆転負けを喫しました。
7大AIを徹底解剖!特徴と採点のリアルな感想
ここからは各AIの素性や世間の評判に触れつつ、実際に文章を採点してみて感じたリアルな感想をお伝えします。
1. ChatGPT:王道の絶対王者。嘘をつかない「堅実な優等生」
-
どんなAI?
OpenAIが自前モデルで開発する、生成AI界の代名詞にして圧倒的シェアNo.1。迷ったらまずこれを選べば間違いありません。
世間でも「何を聞いても無難かつ高水準に返してくれる」と万能選手として定評があります。
-
採点してみての感想:
研究内容が90点と非常に高く、全体的にわりと良さそうな仕上がりでした。派手さこそないものの、こちらの指示を一番実直に守ってくれます。
今回メモには「計測ばらつきを±15%から±5%に改善」「ホットスポット温度を最大8℃低減」といった定量的データを仕込んでいたのですが、それらを余さず拾い上げてくれました。さらに、研究成果のメモに「まだ1条件のみで、再現性を確認中」と書いておいた罠に対しても、勝手に大成功したと言い切らず「現在は再現性を確認しています」と正確に記述。
メモにない話を1行も足さなかったのは、全7ツール中ChatGPTとClaudeだけでした。ガクチカ(軽音サークルの部費集金改善)で、集金日を支払日(練習日)に合わせる理由は書けているものの、事前に理由を書いた他パターンの方が読みやすいかなと感じたくらいで、大きな破綻がありません。
手直し30分程度で提出まで持っていける安心感はさすが王者です。
2. Copilot:Office界の巨人。文章力抜群だが話を盛る「調子のいい営業マン」
-
どんなAI?
OpenAIのモデルをベースにMicrosoftが独自にカスタマイズ。WindowsやOffice製品に標準装備され、ビジネスパーソンを中心に広く使われています。
検索連動に強く、ビジネス文章の作成に強いのが世間的な評判です。
-
採点してみての感想:
ガクチカは圧巻の91点で今回トップの出来。ベース担当や3年生のときに会計といった記述が若干文字数稼ぎっぽく見えなくもないですが、文章のリズムが良く人間らしい自然なロジックを組み立ててくれます。
しかし、細かい粗と「話を盛る癖」が足を引っ張りました。研究内容では測定結果のばらつきを抑えた工夫点の説明が若干足りず、志望動機では「実験評価力」や「現象理解」といった、人間はあまり使わなそうな表現(助詞を端折りすぎている印象)が気になりました。
なにより致命的だったのは、研究成果の「8℃低減(再現性確認中)」を「見いだしました」と勝手に言い切ってしまったこと。さらに志望動機でも、メモに書いていない「社員と議論する機会をいただいた」という話を勝手に追加。
文章が一番上手かっただけに、この盛り癖で10点減点されて逆転負けしたのは本当にもったいない結果でした。
3. ES Maker:就活特化型の職人。構成は綺麗だが「理系向けではないかも?」
-
どんなAI?
就活生の間でクチコミが広がる特化型サービス。裏側で大手AIのモデルを使いつつ、ES専用のプロンプトで最適化されています。「自己PRやガクチカの型が綺麗に組める」と就活生からの支持を集めています。
-
採点してみての感想:
さすが就活特化型と言うべきか、志望動機(88点)やガクチカ(86点)は結論ファーストや課題解決のフレームワークがしっかりしていました。志望動機ではインターンの取り組みをもう少し説明しても良さそうですが、自分の研究と志望先部署が抱える課題のつながりを説得力を持って書けていましたし、ガクチカも文章の骨組み自体はかなり綺麗にまとまっています。
ただ、研究内容(70点)の説明に関してはかなり苦戦していました。せっかくメモに書いておいた「3か月」「±15%→±5%」「8℃低減」といった肝心の定量値や実験の工夫を拾えず、ふわっとした概要だけで終わってしまっていたのが惜しいところです。
さらに全問通して指定文字数の8割に届かず大幅に短い(300字指定で200字程度)点も含めると、一般的な自己PRやガクチカの型を作るのには便利かもしれませんが、実験データや技術的なアプローチをしっかり伝えたい「理系の技術系ES向けツール」としては、少し相性が合わない(向いていない)かもしれません。構成の叩き台として使い、自分の手でしっかり肉付けしていくのがおすすめです。
4. DeepSeek:世界を震撼させた黒船。装置を勝手にDIYする「うっかり屋」
-
どんなAI?
独自の自前モデルを破格の低コストで開発し、世界中のエンジニアを驚かせた中国発の新興AI。数学やコーディングに滅法強く、コスパ最強モデルとして急速に開発者シェアを奪い取っています。
-
採点してみての感想:
難しい研究内容を簡単に説明しようと努力している感じは伝わるのですが、肝心の技術的な正確さに欠けていました。メモには「先輩の卒業で停止していた試験装置を再立ち上げした」「ヒータ通電で発熱を再現」と書いたのに、DeepSeekは勝手に「試験装置を作り」「コイルに電気を流して発熱」と改変してしまい、理系リクルーターとしては見逃せない事実誤認で減点に。
志望動機(87点)は綺麗に書けているものの、インターンで聞いた社員の話のどこに惹かれたのかが全く見えてきません。さらにガクチカでは、メモの最後に罠としてわざと混ぜておいた「塾の講師(中学生の数学)を2年」という関係ない話を文末にまんまと入れてきました。
理系ならではの正確性が求められる場面では、手厚い修正が必要です。
5. Claude:理系・開発者の人気者。嘘はつかないが「文字数が足りない塩対応」
-
どんなAI?
元OpenAIの幹部らが立ち上げたAnthropicの自前モデル。自然な日本語と高い論理的思考力で、理系の研究者やプログラマーから絶大な支持を集めています。
-
採点してみての感想:
ChatGPT同様、メモにない話を一切足さないコンプライアンス意識の高さは満点でした。志望動機(84点)も短いこと以外はけっこういい出来です。
ただ、全体的に文章があっさりしすぎていて、3問すべてで指定字数の8割に届きませんでした。研究内容(213字/300字)では、装置でモータの何を模擬しているのかが伝わらず、メモにあった「熱電対の固定方法を見直してばらつきを改善した」という大事な工夫がすっぽり抜けてしまっています。
さらにガクチカ(200字/300字)に至っては、集金遅れの改善に取り組んだ理由が「未払いが毎月10人ほど出ていたためです。そこで…」となっており、遅れていたから改善したという同義反復で、さすがに文章を適当に書きすぎている印象を受けました。能力が高いだけに、もっと文字数を絞り出してほしかったところです。
6. Gemini:Googleの本命。粗削りで人間臭いがちょっと不器用
-
どんなAI?
Googleが総力を挙げて開発する自前マルチモーダルモデル。AndroidスマホやGoogle Workspaceとの強力な連携でシェアを急速に伸ばしています。
情報検索の鮮度やツール連携に強みがあります。
-
採点してみての感想:
研究内容(78点)では「発熱の抑制」といった表現が回りくどく、志望動機(77点)もそんなに悪くはないものの400字指定に対して252字と短すぎました。ガクチカ(62点)は普通に読みづらいのですが、文章が稚拙な感じが逆に人間っぽくはあるな、と不思議な生々しさを感じました。
ただ減点も多く、研究メモにあった「ばらつきを±15%から±5%に改善」を「ばらつきを解消した」と言い過ぎていたり(まだ±5%残っている)、ガクチカでもメモにない「従来の不定期な集金から」と勝手な設定を付け足したりと、粗削りな学生感が漂う仕上がりでした。
7. Grok:X(旧Twitter)発の暴れん坊。設定をでっち上げる「妄想クリエイター」
-
どんなAI?
イーロン・マスク率いるxAIの自前モデル。Xプレミアムの目玉機能として実装され、リアルタイムのトレンド把握とユーモアが売りです。
忖度しないノリがSNSで人気を集めています。
-
採点してみての感想:
研究内容(65点)は文同士のつながりがあまりなく箇条書き感があり、1文目と2文目で同じような説明が重複していました。志望動機(82点)も「実験と解析の橋渡しとなる熱マネジメント技術」という部分の意味がよく分かりません。
そして最大のやらかしはガクチカ(60点)。文章自体は読みにくくはないのですが、罠として置いた「塾講師を2年」という1行に飛びつき、「一人ひとりの理解度に合わせて指導しました」というメモに影も形もない美談を勝手に捏造して文字数の半分を埋めてきました。
面接で「塾講師でどんな工夫をしたの?」と深掘りされたら一発で詰む危険な出来栄えで、手直しに75分は見込む必要があります。
7つのAIが書いた実際のES全文
各AIが出力した実際の文章を比較したい方は、下のタブから原文をチェックしてみてください。文体の違いや「やらかしポイント」がはっきり分かります。
各AIが書いたES(全文)
設問1研究内容を、専門外の人にも分かるように説明してください(300字以内)
1
ChatGPT291字90点
私の研究テーマは、電気自動車(EV)の駆動モータにおける油冷技術の性能評価です。モータ内部のコイルは発熱するため、効率的に冷却し、局所的な温度上昇を抑える必要があります。そこで、コイルに直接オイルを噴射する冷却方式に着目し、ノズルの位置や噴射角度が冷却性能に与える影響を実験で調べています。研究では、先輩の卒業後に停止していた試験装置を、油温・流量の制御系を含めて再立ち上げしました。また、温度計測のばらつきの原因を探り、熱電対の固定方法を見直すことで、ばらつきを±15%から±5%に改善しました。現在は、ホットスポット温度を最大8℃低減できた条件について、再現性を確認しています。
2
Copilot292字80点
私はEV(電気自動車)用駆動モータの冷却に関する研究を行っています。モータは高出力化に伴い発熱量が増えるため、効率や耐久性を維持するには適切な冷却が重要です。その中でも、オイルを直接吹き付けて冷却する「油冷」に着目し、モータ内部のコイルエンドと呼ばれる部分の冷却性能を評価しています。試験装置を再立ち上げし、ノズルの位置や噴射角を変えながら表面温度を計測し、冷却効果を実験的に調べています。温度計測の再現性向上にも取り組み、測定方法を見直した結果、ばらつきを±15%から±5%まで改善しました。さらに、噴射角の最適化によってホットスポット温度を最大8℃低減できる条件を見いだしました。
盛りチェック8℃の条件を「見いだしました」と言い切り、再現性を確認中が抜けた
3
ES Maker200字・8割未満70点電気自動車のモータを冷やす研究をしています。モータは発熱するため、油を噴射して直接冷却する方式が採用されていますが、モータの複雑な形状では冷却効率にばらつきが生じます。私は、油の噴射位置や角度を変えながら、モータのコイル末端部分にどの程度の冷却性能が得られるかを実験で測定しています。最適な条件を見つけることで、モータの温度上昇を抑え、より高性能で耐久性の高い電動車の実現に貢献できると考えています。
4
DeepSeek254字69点電気自動車のモータは、走行中に熱を持ちます。私はこの熱を油で直接冷やす「油冷」という方法のうち、ノズルから油を噴射してコイルの端部を冷やす方式を研究しています。着目するのは、ノズルをどこに置き、どの角度で油を当てるとよく冷えるかという点です。研究では、実際のモータを模した試験装置を作り、コイルに電気を流して発熱を再現し、表面の冷えやすさを測っています。噴射角を工夫することで、特に熱くなる部分の温度を最大8℃下げられる条件を見つけました。現在は、その条件が本当に安定して再現できるかを確認している段階です。
盛りチェック装置を「作り」は誤り(止まっていた装置の再立ち上げ)。「コイルに電気を流して発熱」は誤り(ヒータ通電)
5
Claude213字・8割未満75点
EVの駆動モータは電流で発熱し、熱くなりすぎると性能が落ちるため、冷却が重要です。私は、コイルと呼ばれる銅線の端の部分に、油を直接吹き付けて冷やす方法を研究しています。油を出すノズルの位置と角度を変え、どこがどれだけ効率よく冷えるかを、模擬した試験装置で実験して調べています。これまでに、噴射角を最適化することで、最も熱い部分の温度を最大8℃下げられる条件を見つけました。現在は、この結果が繰り返し得られるかを確認しています。
6
Gemini290字78点電気自動車用モータの冷却性能向上に向けた研究をしています。モータの性能を高めるには発熱の抑制が不可欠であり、私はオイルを直接吹きかけて効率良く冷やす「油冷」に着目しました。具体的には、ノズルの位置や角度を変えた際の冷却効果を実験で評価しています。研究の初期には、先輩から引き継いだ試験装置の再立ち上げに3か月を費やしました。また、温度計測のばらつきが±15%生じる課題に対し、熱電対の固定方法を見直すことで±5%まで精度を改善させました。これまでに、オイルの噴射角を最適化することで局所的な高温部分の温度を最大8℃低減できる条件を発見し、現在はその再現性の確認に取り組んでいます。
7
Grok258字65点
私はEV用駆動モータの油冷に関する研究をしています。モータを効率よく冷やすため、オイルを噴射してコイルの端部を直接冷やす方式の冷却性能を評価しています。ノズルの位置や噴射角度を変えたときに、表面の熱の伝わりやすさがどう分布するかを実験で調べています。停止していた試験装置を油温・流量制御系から再立ち上げし、3か月かけて安定稼働させました。当初は温度計測のばらつきが±15%ありましたが、熱電対の固定方法を見直して±5%まで改善しました。噴射角の最適化によりホットスポット温度を最大8℃低減できる条件も見出しています。
盛りチェック8℃の条件を言い切り、再現性を確認中が抜けた
設問2当社を志望する理由と、入社後に取り組みたいことを教えてください(400字以内)
1
ChatGPT393字87点
貴社を志望する理由は、インターンシップを通じて、電動パワートレインの開発において、解析だけでなく実機計測も含めて熱性能を検証することの重要性を実感したためです。5日間のインターンシップでは、熱回路網モデルによるモータ温度予測と実機計測値を比較し、その差について考察しました。社員の方から、解析と実機の温度が一致しないことが大きな課題だと伺い、研究で温度計測の再現性を改善した経験をお話ししたところ、計測方法の工夫も重要だと教えていただきました。この経験から、モータの熱性能を高めるには、解析と実験の両面から現象を捉えることが必要だと考えています。入社後は、電動パワートレインの開発、特にモータの熱マネジメントに携わりたいです。研究で培った、計測のばらつきに対して原因を一つずつ検証し、改善する姿勢を生かし、冷却設計の最適化を通じて、モータの温度予測精度と冷却性能の向上に貢献したいです。
2
Copilot381字85点
貴社を志望する理由は、5日間のインターンシップで電動パワートレイン開発の現場を体験し、モータの熱マネジメントに携わりたいという思いが強くなったためです。インターンでは熱回路網モデルによるモータ温度予測と実機計測値の比較・考察に取り組みました。その際、社員の方から「解析と実機の温度が合わないことが大きな課題である」と伺いました。私は研究で温度計測の再現性向上に苦労した経験があり、その話をしたところ、計測精度を高める重要性について議論する機会をいただきました。この経験から、解析だけでなく実機計測や現象理解を重視した開発に魅力を感じました。入社後は電動パワートレイン開発に携わり、特にモータの熱マネジメントや冷却設計に取り組みたいと考えています。研究で培った実験評価力と、原因を一つずつ検証する姿勢を生かし、高効率で信頼性の高い電動化技術の実現に貢献したいです。
盛りチェック社員と「議論する機会をいただいた」はメモに無い
3
ES Maker277字・8割未満88点電動パワートレイン開発、特にモータの熱マネジメントに携わりたいと考え、貴社を志望します。インターン時に「解析モデルと実機計測値の乖離が悩み」という課題を聞きました。私の研究では、熱電対の固定方法を工夫することで、計測ばらつきを±15%から±5%に改善した経験があります。解析精度の向上には、測定側の工夫も不可欠だと実感しており、この気づきが貴社の課題解決に直結すると考えます。入社後は、設計者と計測技術者の両視点から、より正確な温度評価手法の確立と、モータ冷却性能の最適化に取り組みたいです。地道に原因を潰していく姿勢で、電動車の信頼性向上に貢献します。
4
DeepSeek388字87点志望理由は、電動パワートレイン、特にモータの熱マネジメントを仕事として追求できる点に魅力を感じたからです。夏の5日間インターンで電動パワートレインの部署に参加し、熱回路網モデルによるモータ温度予測と実機計測値の比較・考察に取り組みました。その際、社員の方から「解析と実機の温度が合わないのが一番の悩み」と伺いました。私は研究で、温度計測の再現性が悪く、熱電対の固定方法を見直してばらつきを±15%から±5%に改善した経験があります。その話をしたところ、「測る側の工夫も大事なんだよね」と言われ、解析と実測の両面から熱の問題に向き合う仕事に携わりたいと強く思いました。入社後は、モータの冷却設計に取り組み、解析と実機計測の差異を地道に原因分解して埋められる技術者になりたいです。まずは計測や評価の基本を身につけ、噴射条件の最適化のような冷却性能の向上に貢献したいと考えています。
5
Claude314字・8割未満84点
貴社を志望するのは、電動パワートレイン開発の中でも、モータの熱マネジメントに携わりたいからです。夏の5日間インターンでは、熱回路網モデルによるモータ温度予測と実機計測値を比較・考察する課題に取り組みました。その中で社員の方から、解析と実機の温度が合わないことが一番の悩みだとうかがいました。私も研究で熱電対の固定方法を見直し、計測のばらつきを±15%から±5%に改善した経験があり、「測る側の工夫も大事」という言葉に強く共感しました。入社後は、油冷の研究で培った実験評価の力を活かし、計測の信頼性を土台に解析と実機の差を埋め、冷却設計の精度向上に貢献したいです。そして、モータの小型・高出力化を支える冷却設計者に成長したいです。
6
Gemini252字・8割未満77点電動パワートレイン開発、特にモータの熱マネジメントに携わりたいと考え志望します。夏の5日間のインターンシップにて、解析値と実機計測値のズレが課題であると社員の方から伺いました。私自身、研究で温度計測のばらつきを原因追究により解消した経験から、正確な評価と実機の工夫の重要性を実感しています。入社後は、大学院で培った熱工学の知識や実験による地道な改善力を活かし、高精度な冷却設計と実験評価に取り組みたいです。モータの熱課題を根本から解決することで、高効率で信頼性の高い電動パワートレインの実現に貢献します。
盛りチェックばらつきを「解消した」は言い過ぎ(±5%は残る)
7
Grok297字・8割未満82点
夏の5日間インターンで電動パワートレイン部署を経験し、熱回路網モデルによるモータ温度予測と実機計測値の比較・考察に取り組みました。社員の方から「解析と実機の温度が合わないのが一番の悩み」と伺い、自身の研究で熱電対の計測再現性に苦労した経験を話したところ、「測る側の工夫も大事」との言葉をいただきました。この対話を通じて、計測と解析の両面から熱マネジメントに向き合える貴社の開発に魅力を感じ、志望しました。入社後は電動パワートレイン開発、特にモータの冷却設計に携わりたいです。地道に原因を一つずつ潰していく姿勢を活かし、実験と解析の橋渡しとなる熱マネジメント技術の向上に貢献したいと考えています。
設問3学生時代に力を入れたこと(研究以外)を教えてください(300字以内)
1
ChatGPT278字82点
私が学生時代に力を入れたことは、軽音楽サークルでの会計業務の改善です。ベースを担当し、3年生のときに会計を務めました。当時、部費の集金が毎回遅れており、未払いのメンバーが毎月10人ほどいることが課題でした。そこで、集金日を練習日に合わせて支払いの機会を明確にするとともに、未払いのメンバーを一覧にして共有しました。その結果、未払いの人数を毎月2〜3人に減らすことができました。この経験から、問題を解決するには、状況を把握し、関係者が行動しやすい仕組みを整えることが大切だと学びました。入社後も、課題を放置せず、原因を考えながら地道に改善に取り組みたいです。
2
Copilot253字91点
軽音楽サークルで会計業務の改善に取り組んだことです。私はベース担当として活動し、3年生のときに会計を務めました。当時は部費の集金が毎回遅れ、未払い者が毎月10人程度発生していました。私は原因を、集金日が活動日と一致しておらず支払いの機会を逃しやすい点にあると考えました。そこで、集金日を練習日に統一し、未払い者の一覧を作成して部員間で共有する仕組みを導入しました。その結果、未払い者は毎月2〜3人程度まで減少しました。この経験から、課題を把握し、原因を整理した上で改善策を実行することの重要性を学びました。
3
ES Maker207字・8割未満86点軽音楽サークルの会計を担当した際、部費の集金が毎回遅れていた問題に取り組みました。原因を分析すると、練習日と集金日がばらばらで、メンバーが忘れやすい状況にありました。そこで、集金日を練習日に固定し、未払い者を一覧にして全員で共有する仕組みに改善しました。結果、月10人程度いた未払いが2~3人に減少し、部費管理が安定しました。この経験を通じ、課題の根本原因を把握して、シンプルな仕組みで改善する重要性を学びました。
盛りチェック「部費管理が安定しました」はメモに無い成果
4
DeepSeek228字・8割未満74点軽音楽サークルでベースを担当し、3年生のときは会計を務めました。当時、部費の集金が毎回遅れ、未払いが毎月10人くらい発生していました。原因は、集金日が練習日と別で、部員が支払いを忘れやすいことにあると考えました。そこで集金日を練習日にそろえ、さらに未払いの人を一覧にして共有しました。仕組みを変えることで、未払いは毎月2〜3人まで減りました。地道に原因を潰していくことが自分の強みだと感じた経験です。また、塾の講師として中学生に数学を2年間教えていました。
5
Claude200字・8割未満67点
軽音楽サークルで3年生のとき会計を務め、部費の集金の遅れの改善に取り組みました。毎回集金が遅れ、未払いが毎月10人ほど出ていたためです。そこで、集金日を練習日にそろえて部員が支払いを忘れにくい形にし、未払いの人を一覧にして共有しました。その結果、未払いは毎月2〜3人まで減りました。原因を一つずつ整理して手を打つことで、状況は着実に変えられると学びました。この姿勢は研究での課題解決にも通じています。
6
Gemini211字・8割未満62点軽音楽サークルでの会計業務です。当時は部費の未払いが毎月10人ほど発生し、集金の遅延が課題となっていました。そこで原因を考え、従来の不定期な集金から練習日にあわせた定期回収へと変更しました。さらに、未払い者を一覧化して共有する仕組みを整え、集金作業の透明性と意識向上を図りました。その結果、未払い者を毎月2〜3人にまで減少させることができました。課題に対して現状を分析し、地道に改善策を講じる行動力を養うことができました。
盛りチェック「従来の不定期な集金」はメモに無い
7
Grok230字・8割未満60点
軽音楽サークルでベースを担当し、3年生のときに会計を務めました。部費の集金が毎回遅れていたため、集金日を練習日にそろえ、未払いの人を一覧にして共有する仕組みを導入しました。その結果、毎月10人ほどいた未払いが2〜3人に減少しました。また、中学生向けの数学塾講師を2年間続けました。人前で話すのは得意ではありませんが、1対1であれば丁寧に説明できることを活かし、生徒一人ひとりの理解度に合わせて指導しました。地道に課題を見つけて改善する姿勢を大切にしてきました。
盛りチェック塾で「一人ひとりの理解度に合わせて指導」はメモに無い
リクルーターが見た「AIの嘘」と「文字数詐欺」の落とし穴
採点を通して、理系就活生が絶対に知っておくべき2つの重大リスクが浮き彫りになりました。
① 「盛り(ハルシネーション)」は技術面接で即死する
技術系の面接では、現場の技術系の管理職がESを見ながら鋭く質問してきます。彼らが見ているのは「派手な成果」そのものよりも「実験のプロセスと再現性」です。今回、CopilotやGrokは「8℃低減の条件を見いだしました」と言い切ってしまいましたが、もし実際の進捗が「再現性確認中」なのに断定して書いた場合、面接で「その条件でのばらつき評価はどうやったの?」「熱流束の境界条件は振ったの?」と突っ込まれた瞬間にボロが出ます。
「やっていない実験を書く」「事実を勝手に誇張する」のは、技術面接での致命傷になると心得てください。② AIが自分でカウントする「文字数」は信じるな
今回、多くのAIが文章の末尾に文字数を自己申告してきましたが、実際のカウントと全く一致していませんでした。
- Grok: 研究内容に「298字」と書きながら実際は258字
- DeepSeek: 「297字」と書きながら実際は254字
- ES Maker: 「238字」と書きながら実際は200字
文字数指定の8割を切ると、企業の選考システムや人間によるスクリーニングで「熱意不足」と判断されるリスクが高まります。AIの自己申告は絶対に信じず、必ず自分でWordや文字数カウントツールを使って確認してください。
採点して分かったリケコの所感:AIを使い倒す3大鉄則
1. そもそもAIをES作成に使ってよいか?
結論、全然良さそうです。点数こそ差がつきましたが、一番ダメだったAIでも修正すればある程度使えそうな出来にはなっていました。
白紙の画面を前に悩んで時間を溶かすくらいなら、AIに叩き台を出してもらう方が圧倒的に効率的です。ただし、提出前のチェックは必須です。特に理系の研究内容に関して、自分がやっていない実験手法や架空の成果を書かれると、面接で突っ込まれたときにボロが出ます。
1行ずつ「本当に自分がやったことか」を指差し確認してください。2. AIへの頼み方:どのAIかより「入力の解像度」で決まる
検証して強く感じたのは、結局どのAIを使うかより、自分の情報を不足なくAIに伝えたうえでES作成を依頼しているかの方が重要だということです。
特に志望動機の部分は、結局自分が志望先の会社をどれだけ解像度高く理解しているかで、クオリティが大きく変わってきます。いきなり「〇〇社の志望動機を書いて」と書かせるのではなく、まずは志望企業の情報を取ってくることからAIにお願いしてみるのがおすすめです。
企業や技術の情報をAIに整理させて自分の理解度を高めたうえで、自分の研究と結びつけてESを書かせる2段階のステップを踏んでみてください。
3. ガクチカ:行動の理由が作れても「自分の言葉」に消化せよ
ガクチカに関しては、やったことをちゃんと書いていれば、わりとAIが行動の理由含めてそれっぽく書いてくれそうだなと感じました。
一方で、これも面接で確実に深掘りされます。AIが綺麗に書いたストーリーをしっかり読み込んで、「なぜ自分がその行動を取ったのか」を自分の言葉のように話せるように準備しておくことが何より大切です。
AIは優秀な壁打ち相手であり、下書き作成の強力な相棒です。主導権をAIに渡さず、上手に使いこなして就活を有利に進めてください!
記事内のロゴは各社の商標または登録商標です。AIを見分けるために使っています。権利者の方からご指摘があれば速やかに対応しますので、X(@rikeriku_saiyo)までご連絡ください。