会社概要

株式会社mentoは、「夢中をふつうにする」というビジョンのもと、働く人々が夢中になれる社会の実現を目指しています。特に中間管理職における過負荷という社会課題に着目し、組織と個人のパフォーマンス向上を支援するサービスを展開しています。

◼︎個人向けパーソナルコーチングサービス「mento」
https://i.mento.jp/
◼︎法人向け管理職コーチングサービス「mento」
https://www.mento.jp/
◼︎【新規事業】法人向け「mento マネジメントAI」
https://www.mento.jp/service/management-ai

• 実績と信頼：審査合格率10%以下の厳選されたプロコーチ陣を抱え、累計6万時間以上のコーチングを提供。パナソニック、デンソー、NTTドコモなど日本を代表する企業に導入され、96%のユーザーがパフォーマンス向上を実感しています。
• 独自の思想：「ヒト（コーチング）× AI × プロダクト」の力で、単一のプロダクトではなく複数プロダクトを創出。「新しいHR Techの形」でのマネジメントサクセスを目指す。

日本のコーチング市場は拡大の一途をたどっていますが、mentoはコーチングによる支援だけでなく、「マネジメントが再現性高く成功する状態＝マネジメントサクセス」を実現する企業として、AIとコーチングを融合させた新しいカテゴリーを確立していきます。

今後の展望

2026年1月から、AI時代の管理職を支援する「mento マネジメントAI」サービスを新たに提供開始しました。
「mento マネジメントAI」はまだ「点」のプロダクトであり、マネジメントを「面」で支えるプラットフォームに進化させることが急務です。
そのための取り組みとして、評価・目標設定・1on1・フィードバックなど、各セクションの開発企画・マルチプロダクト化を始めています。
https://prtimes.jp/main/html/rd/p/000000071.000048788.html

プラットフォームを構成する新しいプロダクトの立ち上げフェーズであり、それぞれのプロダクトを同時並列で立ち上げる必要があるため、それにコミットいただける方を求めています。

立ち向かっている課題

現在開発中の「mento マネジメントAI」は、AIが補佐をするのではなく、”AIそのものがコーチングやマネジメント支援を行う”という、AIが価値の核心にあるプロダクトです。市場に正解のないこの領域で、私たちは以下の4つの技術的・製品的課題に直面しており、不確実性をコントロールするエンジニアリング力を必要としています。

課題①：不確実性が高い領域での「AI製品としての正解」の探索
私たちのプロダクトには先行事例がありません。「どのような対話体験がユーザーの行動変容を促すか」という問いに対し、要求定義と技術検証を同時に進める必要があります。
LLMは指示に対して多様な回答を生成できますが、それが「プロダクトとして適切か」は別問題です。プロンプトエンジニアリングやRAGのプロトタイプを高速に回し、プロダクトマネージャーやドメインエキスパートと共に、技術的な実現可能性とユーザー価値の交点を泥臭く探索していくプロセスが求められます。

課題②：静的な学習データから、動的な「コンテキスト」構築への転換
従来のML開発では「学習データの質」が勝負でしたが、LLM開発では同じくデータを扱うにしても「推論時にいかに適切なコンテキスト（文脈・知識）をAIに渡せるか」が性能を決定づけます。
ユーザーの行動ログ、過去のコーチングセッションの記録、社内ドキュメントなどの非構造データを、AIが理解しやすい形（Vector Store等）で蓄積・検索可能にする「知識の基盤」を構築しなければなりません。データの鮮度を保ち、AIがハルシネーションを起こさず、根拠に基づいた回答を行えるような、堅牢なデータパイプライン構築が急務です。

課題③：LLM Opsによる「アジリティ」と「信頼性」の両立
生成AIの界隈は技術の陳腐化が速く、新しいモデルや手法を即座に取り入れる「アジリティ」が不可欠です。一方で、企業向けサービスとして「回答の品質維持」「不適切発言の防止」といった「ガバナンス」も譲れません。
この相反する要素を両立させるため、従来のMLOpsをLLM向けにアップデートする必要があります。プロンプトやチェーンのバージョン管理、コストとレイテンシの監視、そしてモデル更新時の影響範囲を即座に検知できるLLM Opsを設計・実装し、安心して機能改善を繰り返せる環境を作ることが大きな課題です。

課題④：定性的な「対話品質」の定量化と、継続的な改善サイクルの確立
最大かつ最難関の課題です。従来の機械学習で数多く解かれてきたような課題（AUCやF1スコアなどで評価）とは異なり、生成AIの出力品質（例：「良いコーチングができたか？」）は定量的評価が困難です。
しかし、私たちは感覚的な改善に留まるつもりはありません。LLM-as-a-Judgeやユーザーフィードバックを組み合わせ、曖昧な「品質」を可能な限り定量的なメトリクスに落とし込む評価パイプラインを構築する必要があります。
「なんとなく良くなった」ではなく、「この変更で信頼性がXポイント向上した」と言える状態を作り、データドリブンに品質を向上させ続けるプロセスそのものを発明していきたいと考えています。

募集背景・期待役割

昨今の基盤モデルの進化と発展により、私たちは「モデルを作る」フェーズだけでなく「モデルを使いこなし、価値を届ける」フェーズへと移行しました。
本ポジションでは、LLMをはじめとした基盤モデルを核としたアプリケーション開発、およびその品質改善プロセス（LLM Ops / Evals）の構築をリードしていただきます。
単にAPIを繋ぎこむだけでなく、「出力結果が非決定的である」というLLMの特性を深く理解し、機械学習モデル開発で培った「実験・評価・改善」のサイクルをアプリケーション開発の現場で再現・昇華できるエンジニアを求めています。

【具体的な業務内容】

1. LLMアプリケーションのアーキテクチャ設計・開発（AI Engineering）
   ビジネス課題に対し、基盤モデルをどのように適用するかを設計し、プロダクトへの実装を行います。

• 最適なAIソリューションの設計：プロダクトマネージャーと協働し、ユーザー課題（例：業務効率化、対話型支援、コンテンツ生成）に対し、RAG、Agents、あるいはファインチューニングなど、最適な手法を選定・実装する。
• プロンプトエンジニアリングと制御：LLMの性能を最大限に引き出すためのプロンプト設計、およびFunction Calling等を用いた外部ツールとの連携実装を行う。
• 非構造データの活用基盤構築：Vector Databaseの選定・構築や、社内ドキュメント・ログデータのEmbedding設計を行い、AIが参照可能な知識ベースを整備する。

2. AIプロダクトの評価・品質保証プロセスの構築
   本ポジションの肝となる領域です。不確実性の高いAIの挙動に対し、定量的・定性的な評価基準を設け、継続的な品質向上を実現します。

• 評価パイプラインの設計・運用：「正解」が曖昧な生成タスクに対し、LLM-as-a-Judgeや人手評価、決定論的なメトリクスを組み合わせた評価パイプラインを構築する。
• 実験管理と継続的改善：従来のML開発と同様に、プロンプトやモデルパラメータの変更履歴を管理し、どの変更がビジネスKPIや回答精度に寄与したかをトラッキングできる環境を整備する。
• エッジケース対応とガードレール構築：ハルシネーションや不適切な回答を防ぐためのガードレール実装を行い、企業ユースに耐えうる安全性と信頼性を担保する。

3. LLM Opsとプロダクション運用
   開発したAIアプリケーションを安定的、かつコスト効率よく運用するための基盤を支えます。

• コストとレイテンシの最適化：トークン使用量のモニタリングとコスト管理、およびキャッシュ戦略やプロンプトの調整、モデルの蒸留、より軽量なモデルへの切り替え等を通じたレイテンシ改善を行う。
• トレーサビリティの確保：複雑なチェーン処理やAgentの挙動を可視化し、問題発生時のデバッグや改善が迅速に行える状態を維持する。

4. データドリブンな文化醸成とプロダクト進化

• ユーザーフィードバックのループ構築：ユーザーによるGood/Bad評価や修正ログを収集し、それを新たな評価データセットやFew-shot事例としてシステムに還流させるサイクルを構築する。
• 技術的知見の民主化：急速に進化するAI技術（新しいモデル、論文、フレームワーク）をキャッチアップし、実プロダクトへの適用可能性を検証・提案するとともに、チーム全体へ知見を共有する。

開発環境

サーバーサイド：Python, FastAPI
フロントエンド：TypeScript, React, Next.js
データベース：MySQL
クラウド: GCP
リポジトリ管理：GitHub
CI/CD：GitHub Action, Vercel
チケット管理: Jira

チームについて

現在エンジニアはCTO・CAIO・VPoE・プロダクトエンジニア3名・AIエンジニア1名の7名と、業務委託のメンバーで構成しています。

【CTO】
CTO of the Year 2025グランプリ受賞。リクルートに新卒入社し、大規模サービスのエンジニアリングやスクラムマスター経験後、mentoにjoinしCTOに。
自己紹介
CTO of the Yearピッチ動画※出番は44分10秒頃～58分頃の約14分間です
【CAIO】
リクルートでデータサイエンティストや分析グループのマネージャーを経験した後、データ分析・分析コンサルを経てmentoに入社。
自己紹介
【VPoE】
プレイド社でVPoEを務めた後、スタートアップWE UPで取締役CTOとしても参加し、mentoにjoin後2026年2月よりVPoEに。
自己紹介
【メンバー】

• FiNC Technologiesでアプリケーション開発からSREまで経験し、テックリードを務めた。自己紹介
• 共同創業者として株式会社ハイヤールーを立ち上げ、CTOとしてシリーズAまで成長を牽引。自己紹介
• ヤフー新卒入社し、atama plus、LayerXでそれぞれデータ・推薦・検索エンジンの開発を経験。自己紹介
• インフルエンサー案件マッチングサービスを開発するスタートアップ会社に新卒入社し、エンジニア3年目でmentoにjoin。

本ポジションの魅力

• 社会的意義の高い事業への参画
  • マネジメント層の過負荷という社会課題に対し、機械学習技術を活用したソリューションを提供
  • 日本のマネージャーの成長を支えることで、組織全体の生産性向上に貢献​
• 多様なデータを活用した開発
  • コーチングセッションのテキストデータやユーザー行動データなど、多様な非構造データを扱う機会​
  • 最新のAI技術を取り入れ、データ活用の可能性を広げられる​
• 技術選定や企画の上流から関われる
  • どんな機能を作るかの企画段階から議論し、技術選定・設計をリードできる
  • ビジネス視点を持ちつつ、エンジニアリングの観点で最適な解決策を模索できる
• 0→1のプロダクトを複数生み出す機会（コンパウンド）
  • 1つのプロダクトに閉じず、新規事業として複数の0→1を経験できる
  • プロダクトの立ち上げフェーズを楽しめる環境
• コア事業の成長と新規事業の再投資サイクル
  • 既存のコーチング事業の成長余地が高く、事業としての安定性がある
  • その利益を新規事業へ再投資することで、継続的な成長を実現

• Webアプリケーションのバックエンド開発経験
• LLM（OpenAI API, Anthropic, OSSモデル等）を用いたアプリケーションの開発・プロトタイプ作成経験

• 機械学習モデルの開発・運用経験、またはそれに準ずる経験
  • 特に、「確率的に振る舞うシステム」に対し、評価指標（メトリクス）を設計し、データに基づいて精度改善サイクル（PDCA）を回した経験を重視します。
• LangChain, LlamaIndex等のオーケストレーションフレームワークの使用経験
• Vector Database（Pinecone, Weaviate, Qdrant等）の構築・運用経験
• 検索システム（Solr, Elasticsearch）や情報検索（IR）に関する知識
• 大規模な非構造データ処理パイプラインの構築経験

• 技術を通じて事業に主体的に貢献できる方
  • 事業成長やプロダクトの価値向上に、エンジニアリングの力でコミットできる
  • 技術選定や開発において、ビジネス視点を持ちつつ最適な意思決定ができる
• プロダクト組織のカルチャーを作れる方
  • チームの中心となり、オープンな議論を通じてより良い開発文化を醸成できる
  • 互いの強みを活かしながら、チームで協力してプロダクトをつくることを楽しめる
• 人の自己実現・ウェルビーイングに関心がある方
  • 「コーチング×プロダクト」によるマネジメント支援に興味を持てる
  • 人の成長や組織の生産性向上に関心があり、社会的意義のあるプロダクト開発に共感できる
• 不確実性を楽しみ、チャレンジできる方
  • 正解のない新規事業の環境を楽しみながら、試行錯誤し続けられる
  • 課題が明確でなくても、自ら動いて解決策を考えられる
• 職責にこだわらず、マーケットの創出や理想の実現に向けて動ける方
  • 「自分の担当範囲」にとらわれず、事業成長のために必要なことを柔軟にやれる
  • エンジニアに限らず、ビジネス側や他職種とも協力しながらプロダクトを創る
• ユーザーの声を大切にし、課題の発見に積極的な方
  • ユーザーの生の声を聞きに行き、課題やインサイトを見つけることを大事にできる
  • ユーザー理解を深めることを、チーム全体での取り組みとして推進できる
• 対話を大事にするカルチャーを一緒に創れる方
  • チーム内外の対話を大切にし、オープンなコミュニケーションを取れる
  • 他メンバーと積極的に議論し、良いプロダクトづくりのために意見を交わせる