Mira はどのように候補者をマッチングするか
なぜ Mira はキーワードを照合するのではなく要件を推論するのか、各候補者を根拠つきであなたの基準に照らしてどう評価するのか、そしてこの技術はどこから来ているのか。
ほとんどのプラットフォームで候補者を検索するとは、キーワードを照合することを意味します。「Python developer Berlin」と入力すると、プロフィールにその言葉がある全員が表示されます。速いですが、多くを見逃します。最適な候補者があなたの言葉どおりに自分を説明していることは、めったにないからです。
Mira は違う動き方をします。推論ベースの検索モデルである Mira Reasoning Embedding（MRE）は、あなたの要件を読み取り、実際に何が必要かを推論し、実際のキャリア履歴が合致する候補者を提示します。その後 Mira が、それぞれをあなたの基準に照らしてスコアリングします。以下の例で、実際にはどう動くのかを紹介します。
キーワードでは見逃すが推論なら捉えられるもの
- 「バックエンド経験 5 年」。 キーワード検索はテキスト内の「5 年」を探します。Mira は候補者の職歴から実際の期間を積み上げるため、プロフィールに「5 年」と一度も書かれていなくても、ある企業での 3 年と別の企業での 2.5 年をバックエンド経験としてカウントします。
- 「プロダクトを 0 から 1 に立ち上げた人」。 キーワード検索はそのフレーズをそのまま探します。Mira はパターンを認識します。アーリーステージの企業に入社し、その成長フェーズを通じて在籍したというパターンです。
- 「高成長企業出身」。 キーワード検索ではそもそも不可能です。Mira は候補者の職歴を読み解き、企業のステージと成長軌道を推論します。
- 「上場企業とスタートアップの両方の経験」。 キーワード検索はこれを 2 つの無関係なフィルターとして扱います。Mira はキャリア全体の軌跡を読み解き、異なる時点で両方を経験した人を見つけ出します。これは特定の種類の多才さを示すシグナルです。
同僚に伝えるように役職を説明する
Mira は推論するので、役職を平易な言葉で説明できます。
「シニアで、技術的だがカスタマーフェーシング、単に多額の資金を調達しただけではなく実際にプロダクトマーケットフィットを達成したスタートアップでエンタープライズセールスを経験した人が欲しい。」
Mira はこれを個別の基準に分解し、それぞれを適用します。キーワードの組み合わせも、フィルターも、検索構文も必要ありません。
Mira は各候補者をどう評価するか
Mira はブラックボックスのスコアを返すことはしません。各候補者について、あなたの基準を 1 つずつ確認し、それぞれを 満たす、判断できない、満たさない のいずれかとして印をつけ、その候補者自身の履歴から引いた根拠を 1 行添えます。プロフィールに単に記載がない場合、Mira は推測するのではなく判断できないと印をつけます。
これらの基準ごとの結果から、各候補者には全体としてのラベル、高適合、部分適合、低適合 のいずれかが付きます。そのため候補者プールを素早く見渡しながら、それぞれの判断の裏にある推論も確認できます。解読すべき数値スコアはありません。
この技術はどこから来ているか
MRE は、推論ベースの検索に関する Mira 独自の研究から生まれました。2026 年 7 月時点で、推論検索のパブリックベンチマークである BRIGHT で総合 1 位、Embedding ベースのリトリーバーの中でも 1 位にランクされています。Mira はまた、実際の採用データをもとに構築した採用特化型の評価セット PJBenchmark も開発しています。4 つの論文がこのアプローチを説明しています。
できないこと
Mira は存在しない候補者を創り出すことはなく、採用の意思決定を行うこともありません。最良のマッチ候補を根拠とともに提示するだけで、最終判断は常にあなたに委ねられます。Mira に任せられることと、あなたのもとに残ることの全体像については、Mira にできること・できないこと をご覧ください。
より良い結果を得るには
マッチングの質は、あなたのインプットの質に左右されます。
- 具体的に書けば、より的確なマッチが得られます。
- 企業のステージやキャリアパターンといった暗黙の条件を含めて、Mira が推論する材料を増やしましょう。
- 結果を見てから絞り込みましょう。ラウンドを重ねるごとに精度が高まります。
実践的なヒントは Mira の検索の仕組み をご覧ください。