職務経歴書生成 ChatGPTとClaudeの違い徹底検証

はじめに：比較の前提と方法

本記事では、同一の職務実績データをChatGPT（GPT-4o）とClaude（claude-opus-4系）に与え、職務経歴書の「自己PR」「職務内容」「志望動機」の3セクションを生成させた結果を比較します。

比較対象データは「IT企業のプロダクトマネージャー・30歳・在職4年・チームリード経験あり」という想定プロフィールで統一しています。評価軸は「指示遵守率」「数値の扱い」「文体の自然さ」「応募先カスタマイズのしやすさ」の4点です。

比較1：指示遵守率

ChatGPTの特性

ChatGPT（GPT-4o）は「明示されていない部分を補完する」傾向が強い。「200字以内で書いて」という指示に対して、240〜280字程度の出力が頻出します。補完自体は自然で読みやすい文章になりますが、書類の文字数制限がシビアな場合はそのまま使えません。

一方で、「箇条書き」「STAR形式」など構造的な指示は比較的忠実に守ります。長い指示プロンプトを与えたときの追従性は高いです。

Claudeの特性

Claude（opus/sonnet系）は「指示された制約を厳密に守ろうとする」傾向があります。200字指定で195〜202字程度の出力が多く、制約の中で最大品質を引き出す設計に近い。

ただし、「補完を抑制する」設計の裏返しとして、入力データに含まれていない要素を推測で埋めることが少ない。実績データが薄い場合、ChatGPTに比べて「物足りない文章」になるケースがあります。

判定：文字数・構造制約が厳格な場面はClaude有利、汎用的な生成力ではChatGPTが柔軟

比較2：数値の扱い

ChatGPTの挙動

入力に「売上1.2億円・前年比118%」と含めた場合、ChatGPTはその数値をそのまま使うだけでなく、「業界平均を上回る成長率」「競合他社比での優位性」といった文脈付けを自動で追加することがあります。

根拠のない文脈追加は職務経歴書としてリスクになります。採用担当者に事実確認された際に説明できないフレーズが混入するケースが実際に報告されています。

Claudeの挙動

Claudeは「入力データの数値のみを使用する」傾向が強く、根拠なき補完が少ない。同じ数値データを渡したとき、推測による文脈追加はほぼ発生しませんでした。

転職活動においては「書いたことに責任を持てる範囲で書く」が原則なので、Claudeの保守的な数値処理は職務経歴書との相性が良いです。

判定：職務経歴書の数値精度ではClaude有利

比較3：文体の自然さ

日本語の自然さでは、ChatGPTが優位な場面が多い。接続詞・助詞・改行タイミングの自然さは現時点でChatGPTがわずかに上回ります。Claudeは文体が若干硬く、読み手によっては「いかにもAIが書いた」と感じる場合があります。

ただし、2025年末以降のClaude sonnet 4.5以降では日本語品質が大幅に改善されており、差は縮まっています。最新バージョンを利用している場合はほぼ同水準です。

比較4：応募先カスタマイズ

職務経歴書の品質を左右する最大の要因は「応募先JDへの最適化」です。この点では、両ツールとも「JDを与えなければカスタマイズできない」という前提は同じです。

違いが出るのは「JDに対してどのようにキーワードを組み込むか」。ChatGPTはJDのキーワードを積極的に散りばめる傾向があり、Claudeは「JDの意図を解釈した上で最適な表現を選ぶ」アプローチに近い。後者は「キーワードの詰め込みすぎ」を避けられるメリットがあります。

実務的な使い分け

実際の転職活動では「最初のドラフトをChatGPTで複数生成→Claudeで制約遵守・数値精査→人間が最終編集」という使い方が最も効率的です。

キャリアバンクAIとの組み合わせ

キャリアバンクAIではSTAR形式で整理した実績データをAIに渡して職務経歴書を生成します。実績データが構造化されていれば、どちらのモデルを使っても品質が安定します。「何を書くか」の整理が先であり、「どのAIで書くか」はその後の選択です。

AI活用で職務経歴書を強化する方法、JDを深読みするAIプロンプト技術も参考にしてください。