AIアプリケーションエンジニア
共通課題の後に、利用者の体験、ツール実行、製品としての運用を深めます。モデル研究ではなく、既存モデルを製品に組み込む役割を想定します。
- 活かせる経験
- Webフロントエンド、バックエンド、業務API連携、プロダクト運用の経験を成果物に結び付けやすいルートです。自己申告の経験と、実務で担った範囲は分けて記録します。
- 到達する状態
- 模擬FAQアプリ、コード、評価結果と運用判断をまとめたメモを提出できる。
- 最初の一手
- 模擬FAQの画面とサーバーの境界を紙かメモに書き出す。
FDE
FDE（Forward Deployed Engineer）は、顧客の課題整理から実装、導入までを担う技術職です。ここではAI導入を扱うFDE向けに、共通課題を顧客案件に見立て、課題の合意、導入の制約、検証と引き継ぎを扱います。FDE全般の必須要件ではなく、企業により担当範囲は異なります。
学習課題で作る資料の完成形は、FDEのポートフォリオ例で確認できます。
- 活かせる経験
- 要件定義、顧客導入、技術支援、業務システム連携の経験を整理しやすいルートです。顧客と合意した内容と、自分が実装した内容を分けて記録します。
- 到達する状態
- 模擬FAQ向けの課題定義書、導入計画、受入・引き継ぎメモを提出できる。
- 最初の一手
- 想定する利用部門を一つ決め、その人が最初に困る作業を一文で書く。
AIプラットフォームエンジニア
共通課題を複数チームが使う前提へ広げ、推論の入口、観測と評価、障害と段階的配信を扱います。特定のクラウド製品に依存しません。
- 活かせる経験
- サービスの信頼性を支えるSRE（Site Reliability Engineering）、クラウド、分散システム、共通基盤、データ基盤の経験を生かしやすいルートです。運用した範囲と、設計だけに関わった範囲を分けて記録します。
- 到達する状態
- 推論ゲートウェイの実装、評価・観測結果、障害対応と配信の運用レポートを提出できる。
- 最初の一手
- 模擬FAQのモデル呼び出しがある場所を一つ探し、共通APIへ移す境界をメモに書く。
当サイトが提案する学習順序です。各段階の目安は、AI機能の成果物で確認します。採用要件は応募先の求人で確認してください。
- 01
APIで回答を返す最小機能を作る
文章を生成する大規模言語モデル（LLM）を、得意な言語から呼び出します。既存のWeb開発経験を、モデル呼び出しの失敗や入力の扱いまで含むAI機能へつなげます。
- 02
公開資料を検索して根拠を返す
回答をモデルの記憶だけに任せず、どの資料を使ったかを利用者と開発者が確かめられるようにするためです。RAGは、検索で得た資料を回答生成時の文脈として渡す構成を指します。全職種で必須の構成ではなく、検索が不要な案件では固定資料や外部APIの情報補足に置き換えられます。
- 03
評価と本番の安全性を設計する
動くデモを、変更後も品質を確かめられる機能へ進めるためです。評価は、期待する振る舞いをデータと判定基準で繰り返し確かめる作業です。
- 04
手順を決めずに動く仕組みを、範囲を絞って作る
AIエージェントは、次に何をするかをモデル自身が選び、複数の手順をまたいで目的に近づく構成です。求人の必須要件に挙がり始めた領域ですが、決まった手順で足りる処理までエージェントにすると、遅く、高く、追跡しにくくなります。エージェントにすべき場面と、そうでない場面を区別できることが先です。
押さえる技術
AIエンジニアがキャッチアップすべき4つの技術
開発経験者が新しく身につけるのは、AIモデルを作る技術ではなく、既存のモデルをシステムや業務につなぐ技術です。上の4つの準備で使う技術を、名前から引けるように並べました。
中でもMCPとAIエージェントは、求人の仕事内容や必須要件に書く企業が出てきた新しい領域で、検索される回数も伸びています。4つは別々の知識ではなく、RAGとMCPでAIに情報と道具を渡し、エージェントがそれを使って動き、評価で品質を確かめる、という順に積み上がります。
01根拠を探す
RAG（検索拡張生成）
質問に答える前に社内資料などを検索し、見つけた資料をもとに回答させる仕組みです。
モデルは学習していない社内の情報を知りません。RAGを使えば、モデルを作り直さずに最新の資料を参照させ、どの資料を根拠にしたかも示せます。AWSの解説もこの2点を利点に挙げています。
求人での書かれ方
- ELYZAは「RAGの構築とチューニング」を必須要件に挙げています。
出典: AWS「RAGとは何ですか？」、Lewis ほか（2020）原論文（確認日 2026-10-07）
対応する課題: 公開資料を検索して根拠を返す02ツールにつなぐ
MCP（Model Context Protocol）
AIを外部のツールやデータにつなぐための共通の規格です。公式サイトは、どの機器にも挿せるUSB-Cの差し込み口にたとえています。
これまでは、AIにつなぐサービスごとに個別の連携を作る必要がありました。MCPに沿って一度「MCPサーバー」を作れば、対応するAIアプリから同じ方法で呼び出せます。2024年11月にAnthropicが公開し、2025年12月にはLinux Foundation傘下の団体へ寄贈されました。OpenAIやGoogleなども支援しており、特定の1社の仕様ではありません。
求人での書かれ方
- 弥生は、AIエージェント開発リードの仕事内容に「API/MCP連携による参照・操作」を挙げています。 求人ページ
- JMASは、生成AIクラウドアーキテクトの仕事内容にMCPを使った外部システム連携を挙げ、歓迎要件に「MCP経験あれば尚可」と書いています。 求人ページ
- Finatextは、AIフルサイクルエンジニアの仕事内容に、AIエージェントの接続を一元管理するMCP関連製品の開発を挙げています。 求人ページ
確認した範囲では、MCPを必須要件に書いた国内求人はありませんでした。仕事内容や歓迎要件に書く企業が出てきた段階です。
出典: MCP公式「What is MCP?」（英語）、Anthropic「Agentic AI Foundationへの寄贈」（英語、2025-12-09）（確認日 2026-10-07）
対応する課題: ツール実行を安全に組み込む03自分で手順を選ぶ
AIエージェント
次に何をするかをAI自身が選び、ツールを呼びながら複数の作業を進める仕組みです。
Anthropicは、手順をあらかじめコードで決めておく「ワークフロー」と、手順をAIが選ぶ「エージェント」を分けて説明しています。手順が決まっている処理ならワークフローのほうが速く、安く、追いやすいため、どちらを使うかを判断できることも求められます。MCPでつないだツールを、エージェントが呼び出す関係です。
求人での書かれ方
- KINTOテクノロジーズは「コーディングエージェントを活用したプロトタイプ構築経験」を、GROWTH VERSEは「エージェント開発系の実務経験3年以上」を必須要件に挙げています。
出典: Anthropic「Building effective agents」（英語、2024-12-19）（確認日 2026-10-07）
対応する課題: 手順を決めずに動く仕組みを、範囲を絞って作る04品質を確かめる
評価（Evals）
AIの回答が期待どおりかを、決めておいた質問と採点基準で繰り返し確かめる仕組みです。
AIの回答は同じ質問でも揺れるため、プロンプトやモデルを変えたときに良くなったのか悪くなったのかを、感覚ではなくデータで判断する必要があります。採点を別のAIに任せる方法は「LLM-as-a-Judge」と呼ばれ、提案した論文は人間の判断との一致率が80%を超えたと報告しています。
求人での書かれ方
- BuySell Technologiesは「精度改善と品質の継続的な検証」を必須要件に挙げています。
出典: Anthropic「成功基準と評価の設計」（英語）、Zheng ほか（2023）LLM-as-a-Judge 論文（確認日 2026-10-07）
対応する課題: 評価と本番の安全性を設計する説明は各出典の要約です。求人の記述は各社の採用ページで確認したもので、MCPの3社以外の出典は下の対応表と職種ページに掲載しています。募集の継続は保証しないため、応募条件は必ず各求人で確認してください。
求人要件から
求人票の必須要件から、作るものを決める
学ぶ内容を先に決めると、応募のときに示せるものが残りません。当サイトでは、国内求人に実際に書かれていた必須要件から逆算して課題を組んでいます。下の表は、その対応です。
要件の文言は、各社の採用ページで確認したものです。出典はAIエンジニアとFDEの給与表に、求人ページのURLと確認日つきで掲載しています。
| 求人票にあった必須要件 | 記載を確認した企業 | 対応する課題 |
|---|---|---|
| LLMを使う本番アプリケーションの構築 | Anthropic、ベガコーポレーション | APIで回答を返す最小機能を作る |
| RAGの構築とチューニング | ELYZA | 公開資料を検索して根拠を返す |
| 精度改善と品質の継続的な検証 | BuySell Technologies | 評価と本番の安全性を設計する |
| ツール実行の安全な組み込み | KINTOテクノロジーズ | ツール実行を安全に組み込む |
| AIエージェントの開発と業務への定着 | KINTOテクノロジーズ、GROWTH VERSE | 手順を決めずに動く仕組みを、範囲を絞って作る |
| PoCから本番デプロイ、実運用までの一貫した担当 | BuySell Technologies | 製品運用の判断を残す |
| KubernetesやDockerでのクラウド運用 | 東京エレクトロン九州、ビズリーチ | 推論ゲートウェイを作る |
| 顧客との成功基準の合意と本番導入 | ソフトバンク、ユーザベース | 課題と成功基準を合意できる形にする |
対応は当サイトの編集上の判断です。課題をこなせば要件を満たすという意味ではなく、要件が何を求めているかを確かめるための対応表です。応募条件は必ず各求人で確認してください。
エージェントに関する要件は増えています。KINTOテクノロジーズは「コーディングエージェントを活用したプロトタイプ構築経験」を、GROWTH VERSEは「エージェント開発系の実務経験3年以上」を必須に挙げています。共通課題の4つ目でこの領域を扱いますが、あえて範囲を絞っています。手順を決めれば足りる処理までエージェントにすると、遅く、高く、追跡しにくくなるためです。使い分けの判断そのものを課題に含めています。
AI駆動開発
AI駆動開発の経験を応募で示す
AIエージェントに開発を任せる経験を、求人票に書く企業が出てきました。日々の開発でAIを使っているなら、それは職務経歴の材料になります。ただし「使っていた」だけでは他の応募者と区別がつかないため、何を任せ、どう確かめたかを示せる形で残します。
- AI駆動開発
公的な定義は確認できませんでした。NTTデータの解説は、設計・実装・検証・修正をAIが支え、人は要件と設計の判断、レビュー、品質の確認に力を注ぐ開発の進め方と説明しています。
出典: NTTデータ（2026-08-31）（確認日 2026-10-06）
- コンテキストエンジニアリング
Anthropicは、推論のたびにモデルへ渡す情報（指示、ツール、外部データ、会話の履歴）を選んで整える技術と説明し、プロンプトエンジニアリングがエージェントへ広がった形と位置づけています。
出典: Anthropic（2025-09-29）（確認日 2026-10-06）
- 仕様駆動開発
コードより先に仕様を書き、それを基準にAIエージェントへ計画と実装をさせて確かめる進め方です。GitHubはこの進め方のためのツール群をSpec Kitとして公開し、Kiroは要件・設計・タスクの3つの文書を作る形で説明しています。
出典: GitHub Blog（2025-09-02）、Kiro ドキュメント（確認日 2026-10-06）
エージェントを動かす基盤そのものを作る仕事は「ハーネスエンジニアリング」と呼ばれ始めています。意味と求人はエージェント実行基盤エンジニアのページで整理しています。
国内の公式求人がどう書いているか
| 企業・職種 | 記載欄 | 求人の記述の要約 | 出典 |
|---|---|---|---|
| KINTOテクノロジーズ生成AI・AIエージェントの業務実装（FDE/Deployment Strategist） | 必須 | Claude Codeなどのコーディングエージェントを日常的に使い、判断に使えるプロトタイプを素早く作れること。 | 求人ページ確認日 2026-10-06 |
| SalesNowAI駆動開発エンジニア（バックエンド） | 仕事内容・必須 | ClaudeとGeminiは全員が使え、Codexも併用している。Claude Codeを並列で動かすメンバーもいる。必須はPythonでの開発経験3年以上と、LLMのAPIを使った機能開発の経験。 | 求人ページ確認日 2026-10-06 |
| SalesNowAIネイティブWebエンジニア（地方採用枠） | 仕事内容・歓迎 | Claude Code、Cursor、CodeRabbitを組み込んだ開発の進め方を改善する。日々の開発でAIツールを使ってきた経験を歓迎。 | 求人ページ確認日 2026-10-06 |
| ARアドバンストテクノロジAIネイティブ リードエンジニア | 必須・仕事内容 | Claude CodeまたはCodexを使った開発経験が必須。AI駆動開発を推進する役割。 | 求人ページ確認日 2026-10-06 |
| ARアドバンストテクノロジAIネイティブ 開発エンジニア（リーダー候補） | 必須・仕事内容 | Claude CodeまたはCodexを使った開発経験が必須。AI駆動開発をチームへ広げる役割。 | 求人ページ確認日 2026-10-06 |
| Dress Codeプロダクトエンジニア | 必須・歓迎 | CursorやClaude CodeなどのAIコーディングツールを日常の開発に取り入れているか、取り入れる意欲があることが必須。OpenSpecなどを使った仕様駆動開発やテストの自動化を導入・運用した経験を歓迎。 | 求人ページ確認日 2026-10-06 |
要約は各社の採用ページの記述を当サイトでまとめたものです。コンテキストエンジニアリングという語を書いた求人は、確認した範囲では見つかりませんでした。募集の継続は保証しないため、応募条件は必ず各求人で確認してください。
応募で示す3つの材料
- エージェントに渡した指示書と仕様書
リポジトリに置いた規約ファイルや仕様書を、変更の履歴ごと残します。どの失敗を見てその一文を足したかまで書けると、使っただけの経験と区別できます。
- 結果を確かめる仕組み
テスト、型検査、レビューの自動化など、エージェントの出力をどこで止めて確かめたかを示します。何を任せ、何を人が確かめたかの線引きが、求人の言う「活用」の中身になります。
- 失敗と直し方
エージェントが誤った例と、同じ誤りを防ぐために指示や検証をどう変えたかを記録します。業務のコードを持ち出せない場合は、個人のリポジトリで同じ形の記録を作ります。
この3つは当サイトの整理で、応募資格ではありません。ツールの名前より、任せた範囲と確かめ方を具体的に書けるかが、上の求人の記述に照らして説明できるかどうかを分けます。
資格
AIエンジニアに資格は必要か
当サイトが職種ページで引用している国内の公式求人12件を確認したところ、G検定・E資格・生成AIパスポートを必須要件にも歓迎要件にも挙げた求人はありませんでした。資格を挙げていたのは1件（GROWTH VERSE）だけで、歓迎要件にAWS・GCP・Azureなどのクラウド認定を並べていました。
求人の必須要件に並ぶのは、上の4つの技術を使って何を作り、本番でどう動かしたかです。そのため当サイトでは、資格を「知識の抜けを埋めるための学習範囲」として使い、応募で示す材料は課題で作る成果物に置くことを勧めます。
| 資格・主催 | 問われる内容 | 受験資格・形式 | 開発経験者にとっての位置づけ | 出典 |
|---|---|---|---|---|
| G検定日本ディープラーニング協会（JDLA）難易度と合格率 | AIと機械学習・ディープラーニングの基礎、活用例に加え、個人情報や著作権などの法律・倫理を問います。 | 受験資格なし。オンラインまたは会場、多肢選択式。 | AIの全体像と法律・倫理の論点を、短期間で一通り押さえる用途に向きます。 | 公式ページ確認日 2026-10-07 |
| E資格日本ディープラーニング協会（JDLA）難易度と合格率 | ディープラーニングの理論と実装を問います。数学の基礎、画像や言語のモデルの仕組み、開発・運用環境までを含みます。 | 受験には、試験日前2年以内にJDLA認定プログラムを修了している必要があります。会場、多肢選択式。 | モデルの中身まで踏み込む内容です。このページが扱う「既存のモデルを使う開発」より、モデル開発に寄っています。 | 公式ページ確認日 2026-10-07 |
| 生成AIパスポート生成AI活用普及協会（GUGA）難易度と合格率 | 生成AIの基礎知識と動向、使うときの注意点、業務での活用方法を問います。 | オンライン、60分・60問の選択式。 | 公式は、生成AIを正しく理解したい人を幅広く対象にしています。開発経験者には基礎寄りの内容です。 | 公式ページ確認日 2026-10-07 |
内容は各主催団体の公式ページの要約で、位置づけの列は当サイトの整理です。12件は当サイトが引用した求人に限った確認結果で、国内の求人全体の傾向を示すものではありません。資格を歓迎要件に挙げる求人もありうるため、応募先の求人で確認してください。
動画教材
動画で補う、3つの学習テーマ
日本語講座を中心に、評価のテーマは英語講座も紹介します。必要なテーマを一つ選び、対応する演習で確かめます。
有料講座です。公開カリキュラムと更新日をもとに選んでおり、実際の受講レビューではありません。価格・収録内容・受講環境は購入前に講座ページで確認してください。公式資料だけで進めても構いません。
〖初心者向け〗ローカルLLMを使ってRAGを導入したチャットアプリを作ろう！いくら使っても無料のAI環境を手に入れよう！
Ollama、Python、Streamlitを使い、文書分割、埋め込み、ChromaDB検索、回答、Word文書のRAGを扱います。Python基礎も含むため、経験者は既習部分を省略できます。
- 前提知識・環境
- 公式にはプログラミング知識不要とあります。Ollamaを動かせるPCが必要です。
- 費用の確認
- 有料講座です。タイトルの「無料」はローカルモデル実行を指します。PC要件と電気代などは別途確認してください。
この講座を使った後に取り組むこと
公開資料で根拠表示と根拠不足時の応答を実装し、RAG演習の目安と照合します。
公開情報の確認範囲公開カリキュラムからは、評価、本番の権限設計、運用までの扱いを確認できません。
〖AI-103試験対策〗Azure AIアプリ・エージェント開発 実践ハンズオン講座
AIアプリをPythonで実装し、検索資料に基づく回答、評価、監視、継続的な配信（CI/CD）、人による承認を扱います。Azure AI SearchやFoundry IQを使う構成です。
- 前提知識・環境
- Pythonの関数、クラス、async/await、REST、LLMの基礎と、Azureの従量課金サブスクリプションが必要です。
- 費用の確認
- 有料講座です。講座代以外にAzure APIやクラウドの従量課金がかかります。
この講座を使った後に取り組むこと
同じ評価データで変更前後を比較し、運用メモを作ります。FDEとしての課題合意は別に取り組みます。
公開情報の確認範囲Azure以外への展開や、顧客との成功基準の合意、受け入れ、引き継ぎは公開カリキュラムから確認できません。試験や就職を保証するものではありません。
How to test or Evaluate Gen AI, LLM, RAG, Agentic AI
RAGASで回答が根拠に忠実か、検索に取りこぼしがないかを評価します。pytestやDeepEvalによるテスト、LangSmithでの実行履歴と評価データの扱いも学習範囲です。
- 前提知識・環境
- Pythonと生成AIの基礎、英語の読解が必要です。更新日が古いため、ライブラリの現在の版は公式資料と照合してください。
- 費用の確認
- 有料講座です。演習で使うモデルAPIや関連サービスの料金と無料枠は、各公式で確認してください。
この講座を使った後に取り組むこと
自分の模擬FAQに評価質問を用意し、検索またはモデルの変更前後を比較します。
公開情報の確認範囲プロンプトインジェクション対策や権限設計など、安全性全般をどこまで扱うかは公開カリキュラムから確認できません。