採用のブール検索 2026 年ガイド（そしてセマンティック検索が勝つ場面）
採用のブール検索：本当に使う 5 つの演算子、X-ray、適合候補者の 30〜40 % を取りこぼす 4 つの限界、そして AI セマンティック検索と組み合わせるハイブリッド 6 ステップ。
2026 年になっても、ブール検索はソーサーの職務経歴書で最も声高にうたわれるスキルであり、同時に最も過大評価されているスキルでもあります。いまも機能します。速く、再現性があり、ある候補者がなぜ浮上したのかを採用マネージャーに正確に説明できます。しかし構造的な天井があります。ブール文字列は、あなたが職種名を言い当てられた候補者しか見つけられません。本稿では本当に重要な演算子を整理し、ブール検索が崩れる地点を示し、どちらか一方を選ぶのではなくセマンティック検索と組み合わせる方法を説明します。
1 分でわかるブール検索
ブール検索とは、ブール代数に由来する論理演算子で人材データベースに問い合わせることです。あなたは集合を記述します。これらの語を含み、あれらの語を含まず、これらの表記ゆれを許容するプロフィール、というように。エンジンは規則を文字どおりに適用します。それ以上でもそれ以下でもありません。これは強み（精度は絶対的で、結果は再現できる）であると同時に弱み（何も推測してくれない）でもあります。
9 割のケースをカバーする 5 つの演算子
- AND —— 絞り込む。data engineer AND Spark は両方の語を持つプロフィールだけを返します。AND を足すたびに母集団は縮み、たいていは想像よりずっと速く縮みます。
- OR —— 広げる。5 つのなかで最も使われていない演算子です。職種名の言い換えを吸収する役割を担います： ("data engineer" OR "analytics engineer" OR "データエンジニア")。
- NOT（またはマイナス記号）—— 除外する。繰り返し現れるノイズに有効です： NOT (インターン OR 派遣 OR リクルーター)。扱いは慎重に。広すぎる NOT は良いプロフィールを静かに消し去り、何を失ったのかは決して見えません。
- 引用符 —— 完全一致のフレーズを固定します。"machine learning" は、"machine" と "learning" が 2 段落離れて書かれたプロフィールを返しません。
- 丸括弧 —— 解釈の順序を強制します。括弧がなければ、クエリはあなたが選んでいない順序で評価されます。これは結果が一貫しない最大の原因で、タイプミスよりはるかに多い。
さらに X-ray があります。汎用検索エンジンをドメインで絞り込んで問い合わせ —— site:linkedin.com/in —— プラットフォーム標準のフィルターを迂回する手法です。完成したクエリはこうなります：
("data engineer" OR "analytics engineer" OR "platform engineer") AND (Spark OR dbt OR Airflow) AND (東京 OR 大阪) NOT (インターン OR 派遣)
この文字列は正しく、読みやすく、説明可能です。そして同時に、次に述べる問題の最良の実例でもあります。
ブール検索が崩れる地点
1. 事前に思いついた語彙しか見つからない
ほかのすべてはこの限界から派生します。上のクエリは職種名を 3 つ挙げています。実際のデータ人材市場では、本当に適した人は "Data Platform Engineer"、"Analytics Engineer"、"BI Engineer"、"Software Engineer — Data"、あるいは全員が同じ肩書きを名乗るスケールアップ企業では単に "Software Engineer" とも呼ばれます。技術職での経験則はこうです。適合する候補者の 30〜40 % は、あなたが OR に入れていない肩書きを名乗っている。彼らは下位に表示されるのではなく、そもそも表示されません。しかも画面上には、その不在を示すものが何もありません。
2. 返ってくるのは集合であって順位ではない
ブール検索の答えは「はい」か「いいえ」です。規則を満たした 400 件は、適合度とは無関係な順序で出てきます。たいていはプラットフォーム側の並び、つまり直近のアクティビティ順です。関連度で並べ替える作業は結局あなたの仕事として残ります。1 件ずつ、です。時間が溶けるのはここです。クエリを書くところではなく、返ってきたものを捌くところです。
3. 文脈とキャリアの流れを無視する
プロフィールにキーワードがあっても、そのスキルをいつ使ったのか、どの深さで使ったのか、その人がいま動ける状況にあるのかは分かりません。"Spark" は本番運用 3 年を意味することもあれば、2021 年に 2 日間の講座を受けたあとに足された 1 行であることもあります。ブール検索はこの 2 つをまったく同じものとして扱います。
4. 維持コストが高い
良い文字列は 200〜400 文字あり、共有ドキュメントのなかで生き、そして劣化します。肩書きは移り変わり、プラットフォームはインデックス規則を厳格化し、X-ray が返す結果は着実に不完全になっています。新しいポジションのたびに「書く・試す・直す」のサイクルが再開しますが、その時間がソーシングのコストに計上されることはほとんどありません。
セマンティック検索が変えること
セマンティック検索は文字列ではなく、意味のベクトル表現を比較します。ポジションを自然言語で —— 同僚に話すように 3〜6 文で —— 記述すると、エンジンはその記述に近いプロフィールを、あなたと語彙が異なるものも含めて引き上げます。実務上の違いは 3 つです。
- 同義語は列挙するのではなく、見つけられる。あなたの文脈で "Analytics Engineer" が "Data Engineer" の隣にあることを推測する必要はもうありません。モデルがプロフィールの実際の中身からそれを導きます。
- 結果は順位づけされて返る。各プロフィールにブリーフとの近さのスコアが付くため、400 件を捌く作業が上位 40 件をレビューする作業に変わります。
- ブリーフそのものがクエリになる。求人票と構文のあいだで頭のなかの翻訳をする必要がなくなります。それが 完全ガイドで紹介した AI ソーシング基盤の前提です。
限界は実在し、それを伏せるのは誠実ではありません。セマンティックエンジンは市場の「平均的な」プロフィールに引き寄せられ、型破りな経歴を過小評価することがあります。規制された学位、資格、必須言語といった譲れない条件の扱いは苦手です。規則ではなく近さで考えるからです。そして、なぜその候補者が浮上したのかを示せないなら、採用マネージャーとのすり合わせでは使い物になりません。だからこそ 1 行ずつ説明されるマッチングスコアが重要になります。
ブールかセマンティックか：使い分けの基準
| 状況 | ブール検索 | セマンティック検索 |
|---|---|---|
| 肩書きが標準化された領域（医療、会計、公共） | 非常に有効 | 上乗せは限定的 |
| 肩書きが不安定な領域（技術、データ、プロダクト、グロース） | カバー率が低い | 明確に優位 |
| 譲れない条件（学位、資格、言語） | 信頼できるフィルター | 後段にフィルターが必要 |
| 200 件超のプロフィールを捌く | 手作業での仕分け | 自動の順位づけ |
| ブリーフが曖昧、または新設ポジション | クエリを書きにくい | 自然言語から始められる |
| 検索条件を採用マネージャーに説明する | もともと透明 | 説明されたスコアが必要 |
ハイブリッド方式の 6 ステップ
私たちが見てきたなかで最も速いチームは、ブール検索を捨てたのではなく、置き場所を変えました。セマンティックが範囲を開き、ブールが検証し、人が決める。具体的には次のとおりです。
- クエリを書く前に、ブリーフを自然言語で書く。3〜6 文で、必須・歓迎・不可を明示的に分けます。この文書がそのままセマンティッククエリになり、評価の物差しにもなります。
- まずセマンティック検索を回す。そこから直接採用するためではなく、市場の実際の語彙 —— 適合するプロフィールが本当に使っている肩書き、ツール、言い回し —— を把握するためです。
- その語彙から検証用のブール文字列を組み立てる。推測した肩書きではなく、観測した肩書きに基づいて書けるようになります。スキルは従来と同じで、入力データだけが良くなっています。
- 2 つのリストを突き合わせ、重なりを測る。セマンティックが高く評価したプロフィールの半分未満しかブールで拾えないなら、その文字列は狭すぎます。そしておそらく、直近 10 件のポジションでも狭すぎました。
- 説明されたスコアで並べ、上位 20 件を人が確認する。順位づけが大部分を片づけ、人のレビューがモデルには見えないもの —— チームの状況、キャリアのタイミング、本当に動く気があるか —— を判断します。詳しい手順は 10 分以内でショートリストを作る記事にまとめています。
- クエリ、基準、除外を記録する。ブリーフ、ブール文字列、スコアリング基準、除外したプロフィールとその理由。1 ポジションあたり 5 分。選考の根拠を問われた日に、それが監査証跡になります。
変わらないこと：人と追跡可能性
ブール文字列からセマンティックエンジンへ移ることは、明示的な判断 —— あなたが書いた演算子 —— を統計的な判断に置き換えることです。EU の AI 法が規律しているのはまさにここで、応募者を絞り込んだり順位づけしたりする AI システムは高リスクに分類され、雇用者は導入者として実質的な人間の監督を確保し、候補者に通知し、ログを保存しなければなりません。義務と時期は 採用チーム向けの AI 法ガイドにまとめています。実務上の結論は単純です。順位づけするだけで説明しないエンジンはあなたをリスクにさらし、判断基準を見せるエンジンはあなたを守ります。
ブール検索は死んでいませんし、これからも死にません。厳密な規則を適用し、それを正当化するには依然として最良の道具です。変わったのは工程のなかでの位置です。2026 年のブール検索はソーシングの玄関ではなく、安全網です。セマンティックが見つけ、ブールが検証し、リクルーターが決める。自然言語のブリーフが順位づけされたショートリストに変わる様子をご覧になりますか。 EMILY がブリーフを読み、候補者を順位づけする流れを見る。