AIエンジニアとは、機械学習やディープラーニングの手法を使って、AIによる処理を作るエンジニアです。
厚生労働省の職業情報提供サイト(job tag)は、AIのさまざまな分野での活用について研究開発を行う仕事と説明し、狭い意味では機械学習のエンジニアを指すとしています。
データを集めてAIに学習させ、結果を検証し、運用しながらAIを育てるところまでが仕事です。
この記事では、AIエンジニアの仕事の流れ、機械学習エンジニアや生成AIエンジニア、データサイエンティストなど近い職種との違い、必要なスキル、「オワコン」と言われる理由、新卒と未経験、WebエンジニアやSEからのなり方、フリーランスの働き方を順に説明します。
数値と制度は、2026年11月19日に公的機関と団体の公式の情報で確かめた内容です。
AIエンジニアとは
job tag は、AIエンジニアを、ディープラーニング(深層学習)などの手法でAIによる処理を実現するエンジニアと説明しています。
AIの研究開発は、顔認証、病気の画像診断、自動車の自動運転、カスタマーセンターの相談支援、異常や障害の検知など、さまざまな分野で進んでいます。
ふつうのプログラムは、人が処理のルールを書いて作ります。
機械学習では、結果が分かっているデータ(教師データ)をAIに与え、データから判断のしかたを学ばせます。
AIエンジニアの仕事は、どんなデータをどう学ばせるかを設計し、学習の結果が目標に届くまで調整を重ねることです。
機械学習の種類と仕組みは、機械学習とは で説明しています。
job tag は、ビッグデータを分析するデータサイエンティストをAIエンジニアに含める場合もあると書いています。
この記事では、job tag と同じく、機械学習を使ってAIを作るエンジニアをAIエンジニアと呼びます。
機械学習エンジニアと生成AIエンジニア
AIエンジニアの呼び名と仕事の範囲は、会社によって違います。
job tag には「機械学習エンジニア」という別の職業はなく、AIエンジニアの説明の中で機械学習のエンジニアを扱っています。
経済産業省と情報処理推進機構(IPA)の「デジタルスキル標準」にも、AIエンジニアや機械学習エンジニアという名前の役割はありません。
近いのは、データの処理や解析と、AIのモデルの設計、実装、運用を担う「データサイエンスプロフェッショナル」です。
生成AIエンジニアやLLMエンジニアと呼ばれる仕事は、大規模言語モデル(LLM)を組み込んだシステムを作る仕事です。
デジタルスキル標準も、学ぶ項目に「生成AI開発・活用」「ファインチューニング」「AIエージェント」を挙げています。
たとえば、できあがったLLMに社内の資料を探して答えさせる仕組みや、答えの質を確かめる仕組みを作ります。
LLMの仕組みはLLMとは で説明しています。
AIエンジニアの仕事内容
job tag の説明をもとに、AIエンジニアの仕事を流れに沿って並べると、次のようになります。
1. 目標と計画を決める :チームで開発の目標を決め、どんな開発をするか計画を立てる。受託で開発する会社では、顧客から要件を聞き、渡されるデータを確かめてから設計する。
2. データを確かめて設計する :データに合った開発の方向を考え、AIに入れるデータの管理と加工の方法を設計する。
3. 実装する :最適な実現の方法を考え、AIを動かす機械の性能が低いときは処理の速さも考えて作る。設計やプログラムは、クラウド上でチームと共有することが多い。
4. 学習させる :データを管理する画面やツールを用意し、大量の教師データを入れて、判定の精度を上げていく。学習に何日もかかることがあり、学習用の専用の機械を使う。
5. 検証して納める :正解率が目標に届いたら、検証用のテストデータを入れ、分野の専門家とエンジニアで結果を確かめてから、システムを納める。
6. 運用しながら育てる :運用で集まったデータも使って、AIを成長させる。関連する論文を読み、研究者と意見を交わして、新しい技術を取り入れる。
job tag には、実際に働く人への調査で、それぞれの作業を行っている人の割合も載っています。
主な作業の実施率は次のとおりです。
AIエンジニアの主な作業と実施率(job tag)
作業 実施率 データを確認し、全体的な設計を考える 94.3% 教師データを投入し、AIに学習させる 94.3% 学習結果の検証を踏まえて、必要な修正を行う 94.3% システムを運営しながらAIを成長させる 94.3% 関係するシステムのAPIを調査する 94.3% システムを設計して、プロジェクト関係者に提示する 91.4% 関連する論文を読む 91.4% 勉強会や講習会で関連分野の講師をする 88.6% 関連する論文を書く 80.0%
モデルを作る作業のほかに、論文を読む、関係者に設計を説明する、勉強会で教えるといった作業も、多くの人が行っています。
よく使うツールや開発環境として、job tag は、プログラミング言語(Python、C言語、Java など)、統合開発環境、クラウドのストレージ、学習用のスーパーコンピューターを挙げています。
生成AIにコードの下書きを作らせ、人が手直しする使い方も載っています。
生成AIを使う開発での仕事
LLMを組み込んだシステムの開発では、次のような仕事が加わります。
RAG(検索拡張生成) :社内の資料などから質問に関係する情報を探し、LLMへの指示に添えて答えさせる仕組みを作る。Anthropic は、RAGをAIの知識を補う方法として説明しています。
評価(evals) :答えが求める内容と形式を満たしているかを確かめるテストを作る。OpenAIとAnthropicは、LLMを使うアプリを作るうえで欠かせない工程と説明しています。
ファインチューニング :自社のデータでモデルを追加で学習させ、決まった作業に強いモデルにする。
RAGの仕組みと作り方は、RAGとは で説明しています。
近い職種との違い
AIエンジニアと近い職種の違いを、job tag とデジタルスキル標準、IPAの調査の説明をもとにまとめます。
AIエンジニアと近い職種の主な仕事
職種 主な仕事 AIエンジニア(機械学習エンジニア) 機械学習やディープラーニングで、AIによる処理を作り、学習させて検証し、運用する 生成AIエンジニア(LLMエンジニア) LLMを組み込んだシステムを作り、RAGや評価で答えの質を上げる データサイエンティスト データを分析し、新しい商品やサービス、業務の改善につながる知見を引き出す データエンジニア 分析のためにデータを集めて整理し、データを使う情報基盤を作って運用する AI研究者 先端的なAIのアルゴリズムを開発し、学術論文を書く Webのバックエンドエンジニア サービスのサーバー側の機能を作る
これらの職種の間では、ほかの職種に移る人もいます。
job tag は、データエンジニアのうち、分析に特化してデータサイエンティストになる人や、機械学習に特化してAIエンジニアになる人もいると書いています。
AIエンジニアの説明でも、データサイエンティストなど近い分野から転身してくる人がいるとしています。
データサイエンティストの仕事となり方は、データサイエンティストとは で説明しています。
求人を見るときは、職種の名前よりも、データの準備、モデルの開発、システムへの組み込み、運用のどの工程を担当するかで、仕事の中身を確かめます。
必要なスキルと知識
job tag は、AIエンジニアに求められることとして、ディープラーニングなどの機械学習の手法に精通していること、Pythonなどのプログラミング言語を使いこなせること、データ分析の技術やツールを使えることを挙げています。
job tag の能力の分析で点数が高いスキルは、プログラミング(7点満点で5.3)、読解力(5.2)、論理と推論(5.0)、数学的素養(4.9)、説明力(4.8)でした。
Pythonとライブラリ :機械学習にはscikit-learn、ディープラーニングにはPyTorchなどのライブラリを使う。
機械学習とディープラーニング :問題に合う手法を選び、モデルを作って評価する。デジタルスキル標準は、データサイエンスプロフェッショナルの「機械学習・深層学習」のスキルに、高い実践力と専門性が要るとしています。
数学と統計 :手法の仕組みを理解し、結果が正しいかを判断するために使う。デジタルスキル標準は「数理統計・多変量解析・データ可視化」にも、高い実践力と専門性が要るとしています。
データを扱う技術 :学習に使うデータを集め、整え、管理する仕組みを作る。
クラウドと運用 :クラウドで開発を共有し、作ったAIをシステムに組み込んで運用する。デジタルスキル標準は、AIシステムの運用で学ぶ項目に「MLOps」を挙げています。
読む力と説明する力 :新しい論文を読んで手法を取り入れ、設計や結果を関係者に説明する。
応用分野の知識 :画像処理、自然言語処理、音声処理などの技術や、医学、農学などの分野の知識が求められることもある。
このうちディープラーニングは、ニューラルネットワークを多層にして、データに含まれる特徴を学ぶ機械学習の手法です。
資格は必要か
job tag は、AIエンジニアになるために学歴や資格は特に必要とされず、関連する資格もないと書いています。
資格は必須ではありませんが、学んだ範囲を示す目安になります。
採用のページで、推奨する資格に統計検定やE資格を挙げている会社もあります。
AIエンジニアの知識を示せる主な試験
試験 内容 G検定(日本ディープラーニング協会) ディープラーニングの基礎と、事業での活用の知識。受験資格の制限はない。2026年第5回の合格率は76.97% E資格(日本ディープラーニング協会) ディープラーニングの理論を理解し、手法を選んで実装する力。協会が認定する講座の修了が受験資格。2026年第2回の合格率は67.04% 統計検定(統計質保証推進協会) 統計の知識と活用の力。4級から1級と、データサイエンスの試験がある Python 3 エンジニア認定基礎試験(Pythonエンジニア育成推進協会) Pythonの文法の基礎。40問、60分、正答率70%で合格
G検定は活用の知識を、E資格は手法を選んで実装する力を認定する試験です。
実装の力は、試験のほかに、後で説明するコンペティションの成績や、公開した成果物でも示せます。
AIの資格の選び方はAI資格の種類と選び方 で、G検定の試験の内容と勉強時間はG検定とは で説明しています。
難しい?向いている人
「難しい」「やめとけ」と言われる理由
AIエンジニアは、学ぶ範囲が広く、大学院で学んだ人が多い職種です。
job tag の調査で、実際に働く人が多いと感じる学歴は、修士課程の修了(63.6%)、大学卒(57.6%)、博士課程の修了(30.3%)でした(複数回答。必須の学歴ではありません)。
job tag は、求められる要件や水準もまだ明確でなく、人材の育て方も確立していないと書いています。
技術の進歩が速く、論文を読み、自分でも書きながら、学び続ける必要があります。
入社してから、手助けがなくても一人前に働けるまでの期間は、「1年超〜2年以下」と答えた人が21.2%で最も多い結果でした。
一方で job tag は、大学で学んだ知識や、個人の発想が新しい発明につながることも多く、開発する力は年齢や経験年数と必ずしも比例しないとしています。
向いている人
job tag の能力の分析をもとにすると、次のような人が向いています。
調べて確かめるのが好きな人 :仕事への興味の6つの型のうち、「研究的」の点数が最も高い(5点満点で3.8)。
新しい技術を学び続けられる人 :「学習方法の選択・実践」と「新しい情報の応用力」がどちらも7点満点で4.9。
結果を数字で見て、原因を考えられる人 :「論理と推論」が5.0、「継続的観察と評価」が4.9。
専門性を高め、進め方を自分で決めたい人 :仕事で重視する項目では、「専門性」(4.2)と「自律性」(4.0)が上位。
技術を人に分かるように話せる人 :「説明力」が4.8で、勉強会や講習会で講師をする人も88.6%いる。
AIエンジニアはオワコン?仕事はなくなるか
「AIエンジニアはオワコン」「いらなくなる」と言われる背景には、生成AIがコードを書けるようになったことと、APIやツールを使えば、モデルを作らなくてもAIを使えるようになったことがあります。
job tag も、生成AIでコードの下書きを作ることが広がっていると書いています。
生成AIでプログラムを作る方法は、バイブコーディングとは で説明しています。
一方で、AIを作れる人は、いまも足りていません。
IPAの「DX動向2026」(2026年7月公表、企業1,799社が回答)では、AIを導入して運用するうえでの課題として「専門人材が不足している」が50.1%で最も多い答えでした。
「AIを活用したソフトウェアやシステムを実装できるAI開発者」が不足していると答えた企業は49.9%で、十分にいると答えた企業は1.6%でした。
不足していると答えた企業の割合は、2023年度の63.7%、2024年度の53.7%から下がっています。
それでも、「自社には必要ない」と答えた40.7%の企業を除いて数えると、8割を超える企業が不足していると答えています。
総務省の「情報通信白書」(令和7年版)では、AIやデータ解析の専門家が在籍している企業は、日本が20.6%で、米国(70.6%)、ドイツ(65.0%)、中国(77.0%)より少ない結果でした。
経済産業省が2019年に公表した試算では、生産性が年0.7%上がる場合でも、2030年にAI人材が1.2万〜12.4万人不足するとされていました。
変わるのは仕事の中身です。
経済産業省は、生成AIで作業の自動化が進み、専門の人材を含めて、人の役割が創造性の高いものに変わると見ています。
生成AIを適切に使うスキルとともに、戦略的に考える力や批判的に考える力も引き続き大事だとしています。
job tag の仕事の流れに当てはめると、次のように分けられます。
生成AIで速くなる作業 :コードの下書きなど、手を動かす作業。
人に残る仕事 :開発の目標と方向を決める、学習させるデータを設計する、結果が正しいかを確かめる、運用しながら直す、法律や倫理の問題に気を配る。
job tag も、著作権などの法律の問題や、AIの開発の危険性と倫理が議論されていて、AIエンジニアの働き方が変わる可能性があると書いています。
AIエンジニアになるには
新卒で目指す
job tag によると、AIエンジニアは、大学院で情報科学や工学、理学などの分野を学んだ修士や博士が多く、大学の学部卒、高専卒の人もいます。
新卒の採用では、大学での研究の実績、国際学会での発表、AIのコンペティションでの入賞などが評価されます。
就職先は、研究機関、メーカー、情報通信の会社、ベンチャー企業などで、システムエンジニアとは別にAIエンジニアとして採用されることが多いとされています。
新卒で応募するときは、募集がAIエンジニアとして別に分かれているか、入社後にAIの開発の部署に配属される道があるかを確かめます。
研究の実績がまだ少ないときは、WebエンジニアやITエンジニアとして入社し、データやAIに近い仕事から経験を積む方法もあります。
大学・高専・専門学校の選び方
大学や高専を選ぶときは、AIを学べる授業がどれだけあるかを確かめます。
文部科学省は、大学や高専の数理・データサイエンス・AIの教育プログラムを認定しています。
2026年8月の時点で、すべての学生が身に付ける素養を学ぶ「リテラシーレベル」が655件、自分の専門の分野でAIを使う力を学ぶ「応用基礎レベル」が421件認定されています。
専門学校にも、AIエンジニアを目指す学科や専攻があります。
ただ、job tag の調査では、実際に働く人が多いと感じる学歴として専門学校卒を挙げた人は6.1%で、大学卒や大学院の修了より少ない結果でした。
専門学校を選ぶときは、卒業生がAIの開発の仕事に就いているかを確かめます。
未経験から目指す
未経験から目指すときは、次の順に学ぶと、前に学んだことを次の段階で使えます。
1. Python :文法と、データを読み込んで加工する書き方を学ぶ。
2. データの扱い :表のデータを集計し、グラフにして、データの傾向をつかむ。
3. 機械学習 :scikit-learnで予測や分類のモデルを作り、精度を評価する。
4. 数学と統計 :手法の仕組みを理解するために、必要な分野から学ぶ。
5. ディープラーニング :PyTorchなどで、画像や文章を扱うモデルを作る。
6. 成果物を作る :公開されているデータやコンペの題材で、課題の設定から評価までを一通り行い、コードと結果を公開する。
無料で学べる場もあります。
Kaggleは、Python、機械学習、ディープラーニングなどの講座を無料で提供し、機械学習のコンペティションも開いています。
Googleの「Machine Learning Crash Course」は、動画と演習で機械学習の仕組みを学べる教材です。
経済産業省とIPAが運営する「マナビDX」には、AIエンジニアを目指す講座が載っていて、受講料が無料の講座もあります。
学ぶ期間は、これまでの経験や知識によって大きく違います。
job tag の調査で、仕事に就く前に必要な訓練の期間は、「6ヶ月超〜1年以下」が24.2%で最も多く、「特に必要ない」が21.2%、「1年超〜2年以下」と「2年超〜3年以下」がそれぞれ12.1%でした。
講座の費用には、国の教育訓練給付を使えることがあります。
雇用保険に入っていた期間などの条件を満たす人が、専門実践教育訓練の講座を受けると、費用の50%(年間の上限40万円)が支給されます。
資格を取って修了後1年以内に就職すると70%、修了後の賃金が受講前より5%以上上がると80%まで増えます。
対象になるかは講座ごとに決まるので、厚生労働省の「教育訓練講座検索システム」で確かめます。
Webエンジニア・SEから目指す
WebエンジニアやSEは、AIエンジニアの仕事のうち、システムに組み込む工程で経験を生かせます。
job tag の調査では、「関係するシステムのAPIを調査する」(94.3%)や「効率良くデータを入力するための管理画面やツールを準備する」(97.1%)も、多くのAIエンジニアが行っている作業です。
デジタルスキル標準も、フロントエンドやバックエンドなど、ソフトウェアエンジニアのすべての役割に、AIを実装して運用するスキルで一定の実践力と専門性を求めています。
WebエンジニアやSEからAIエンジニアに移る道は、主に3つあります。
生成AIを組み込むところから始める :いまのサービスに、APIでLLMを組み込む機能や、RAGの仕組みを作る。
機械学習の基礎から学ぶ :上の学ぶ順番の3から5を進め、モデルを作る仕事に移る。
データエンジニアを経由する :データを集めて整える仕組みを作る仕事から、機械学習に特化していく。
APIでAIを使う方法は、OpenAI・Gemini・Claude APIの使い方 で説明しています。
社内にAIの開発の部署があれば、異動で移る道もあります。
転職するときは、作ったものを説明できる成果物を用意し、どの工程を担当できるかを示します。
働く場所と働き方
job tag によると、AIエンジニアの勤め先は、AIの開発のベンチャー企業、研究所、IT企業、大手メーカーなどで、職場は都市部に集まっています。
大学との共同研究の関係で、大学の近くに多い傾向もあります。
転職するときは、同業の会社に移るほか、大学や研究機関に移る人も多くいます。
AIの開発で知られる企業は、AI企業ランキング で紹介しています。
就業形態は正社員が多く、フリーランスとして働く人もいます。
job tag の調査で、実際に働く人が多いと感じる就業形態は、正規の職員・従業員が68.6%、自営・フリーランスが17.1%でした。
フレックスタイム制やリモートでの勤務も多いとされています。
フリーランスで働く
job tag によると、AIの開発は個人の目標や方法を明確にしにくく、成果に応じた報酬になじまないことが多いため、フリーランスや個人事業主は準委任契約で働き、報酬は人月単価で決まります。
2024年11月1日に施行された「フリーランス・事業者間取引適正化等法」で、フリーランスに仕事を頼む会社(従業員を使う会社)には、次のことが義務づけられています。
取引の条件を示す :仕事の内容や報酬の額などを、書面かメールなどで示す。
期日までに払う :成果を受け取った日から60日以内に報酬を払う。
不当な扱いをしない :1か月以上の仕事では、報酬を減らす、やり直しを不当に求めるなど7つの行為を禁止する。
途中でやめるときは予告する :6か月以上の仕事を途中でやめるときは、原則として30日前までに知らせる。
機械学習エンジニアの案件を受ける前には、担当する工程、使うデータの扱いと置き場所、精度の目標と、届かなかったときの扱いを確かめます。
AIの仕組みを説明する動画を作る
AIエンジニアは、作った仕組みを関係者に説明したり、勉強会で講師をしたりする機会が多い職種です。
AIの用語や仕組みを、社内の勉強会や関係者への説明で使う動画にまとめるときは、NoLangの公式サンプルを手本にして作れます。
1. 公式サンプルで「AI・テクノロジー」を選ぶ :NoLangのホームの下にある「公式サンプル」で、カテゴリから「AI・テクノロジー」を選ぶ。AIの用語の解説やAIのニュースのサンプルが並ぶ。
2. サンプルを開き、解説したい題材を書く :「AIに長い資料を渡して、質問をしたら、」の字幕が出ているタイル(「コンテキストウィンドウとは?用語解説」)を開く。上にサンプルの動画が流れ、下の入力欄にサンプルが参照動画として付く。入力欄に、解説したい用語と、誰に向けた動画かを書いて送る。
入力例:
同じ形式で、「RAG(検索拡張生成)」を社内の勉強会向けに解説する動画にして。
仕組み、使う場面、よくある誤解の順に説明して。
このサンプルは、用語の定義、たとえ、仕組み、誤解と注意点、まとめの5つのパートに分けて、図と字幕で説明する構成です。
できた動画は、編集の画面で文字や場面を直せます。
NoLangAIの仕組みを、 解説の動画にしよう
NoLangで動画を作る
会社でAIの知識を広げるとき
AIエンジニアが社内の勉強会を開く会社や、AIの使い方のルールを社員に広めたい会社では、説明を動画にしておくと、同じ内容を何度でも見てもらえます。
NoLangは、手元の文章やPDF、PowerPointの資料をもとに、ナレーションと字幕が付いた解説の動画を作れます。
会社での使い方は、お問い合わせ から相談できます。
詳しい資料は、下のボタンからダウンロードしてください。
資料をダウンロード