AIエンジニアは一つの職種ではない

「AIエンジニア」という言葉は広く使われていますが、実際の仕事内容は企業やポジションによって大きく異なります。

機械学習モデルそのものを開発する人もいれば、既存のAIをWebサービスへ組み込む人、生成AIを使ったサービスを開発する人、AIを動かすための基盤を構築する人もいます。

そのため、採用担当者が最初に確認したいのは、「AIエンジニアを採用したい」ではなく、「AIを使って何をしてもらいたいのか」という点です。

例えば、社内向けの生成AIサービスを開発する人と、工場の画像データから不良品を判定するモデルを開発する人では、必要になる経験や技術は異なります。

現場から採用依頼を受けたときは、職種名だけで求人やスカウト条件を作るのではなく、実際に任せたい仕事内容まで確認しておくことが重要です。

AIエンジニアを代表的な5タイプに分けて理解する

AI領域の職種はさらに細かく分類できますが、採用担当者が候補者を見るうえでは、まず代表的なタイプを理解しておくと整理しやすくなります。

・機械学習・モデル開発系

機械学習や深層学習を使い、予測・分類・認識などを行うモデルを開発するタイプです。画像認識、自然言語処理、需要予測、異常検知など、扱うテーマはさまざまです。学習データの加工、モデルの設計・学習、精度評価、アルゴリズムの検証などを担当します。

・AIプロダクト・サービス開発系

AIを組み込んだWebサービスや業務システムなどを開発するタイプです。モデルそのものの研究よりも、AIを実際のサービスとして利用できる状態にすることを得意とします。API開発、バックエンド開発、クラウド環境との連携など、一般的なソフトウェア開発の経験をあわせ持つ人もいます。

・生成AI・LLM系

LLMを活用したサービスやシステムを開発するタイプです。社内検索、問い合わせ対応、文章生成、AIエージェントなど、生成AIを活用したさまざまな機能を開発します。RAGの構築、モデルの評価、ファインチューニング、外部サービスとの連携などを経験している人もいます。

・データサイエンス・分析系

蓄積されたデータを分析し、企業の課題解決や意思決定につなげるタイプです。売上予測、顧客分析、需要予測、レコメンド、異常検知などを扱います。統計や機械学習だけでなく、事業部門と課題を整理し、「どのデータを使って何を明らかにするのか」を考えるところから担当する人もいます。

・MLOps・AI基盤系

開発したAIモデルを本番環境で継続して利用するための仕組みを作るタイプです。モデルのデプロイ、学習環境の構築、監視、データパイプライン、自動化、クラウド環境の構築などを担当します。

実際には、一人のエンジニアが複数の領域を経験していることも珍しくありません。「データ分析からモデル開発まで担当した」「モデル開発から本番運用まで経験した」といった経歴もあるため、完全にどれか一つへ分類することが目的ではありません。候補者がどの領域を得意としているのかを理解するための目安として活用できます。

スカウトでは技術名より「何をしていたか」を見る

AIエンジニアをスカウトするときは、プロフィールに書かれている技術名だけで判断しないことが重要です。

例えばPythonはAI・機械学習で広く使われていますが、Webアプリケーションのバックエンド開発や業務自動化などにも利用されます。そのため、「Python経験あり」という情報だけでは、AI開発の経験があるとは判断できません。

AWS、Docker、SQLなどについても同様です。技術名は候補者を探すための入口として活用しながら、その先にあるプロジェクトの内容を確認します。

・何を対象にしていたか

画像、文章、音声、センサーデータ、購買データ、設備データなど。

・何を実現していたか

予測、分類、生成、異常検知、最適化、レコメンドなど。

・どこまで担当していたか

データ加工、モデル設計、学習、評価、システムへの実装、運用など。

・どの段階まで経験しているか

研究や技術検証だけなのか、PoCまでなのか、実際の製品やサービスへの導入・運用まで経験しているのか。

さらに、同じプロジェクトに参加していても、本人が担当していた範囲は異なります。既存モデルを利用しただけなのか、モデルの設計や技術選定まで担当したのかといった違いも確認したいところです。

「機械学習経験3年」「Python経験5年」といった年数だけではなく、実際に何を担当してきたのかを見ることで、自社のポジションとの相性を判断しやすくなります。

メーカーのAIエンジニア採用で確認したいこと

AIエンジニアというとWebサービスや生成AIを想像しやすいですが、メーカーでもAIが活用されています。

・画像認識・外観検査

製品や部品の画像から傷、不良、異常などを検出する。

・予知保全・異常検知

設備や機械から取得したデータを分析し、故障や異常の兆候を予測する。

・自動運転・運転支援

カメラや各種センサーから得られた情報を認識し、車両の判断や制御につなげる。

・ロボット

周囲の環境や対象物を認識し、動作や制御へつなげる。

・需要予測・生産最適化

販売実績や生産データなどから需要を予測し、生産計画や在庫管理へ活用する。

このようなポジションでは、AIの知識だけで仕事が完結するとは限りません。画像処理、センサー、組み込みソフトウェア、制御、クラウド、製造工程など、周辺領域の経験が求められることもあります。

例えば同じ画像認識経験者でも、Webサービス上の画像を扱っていた人と、製造ラインのカメラ画像を使って検査システムを開発していた人では、持っている経験が異なります。

一方で、同じ業界の経験がなければ必ず活躍できないとも限りません。画像認識や時系列データ解析など、自社でも活かせる技術を別業界で経験している候補者もいます。

メーカーでAIエンジニアを採用するときは、「AI経験があるか」だけではなく、「どの製品・工程・技術領域でAIを使うのか」まで整理したうえで、候補者の経験との共通点を探すことが重要です。

必須条件と歓迎条件を明確に分ける

AIエンジニアの採用では、現場から必要な技術を聞いていくうちに、求人の条件が増えていくことがあります。

例えば、

機械学習の実務経験

Python

PyTorch

LLM・RAG

AWSなどのクラウド

Docker

MLOps

自社と同じ業界での経験

などです。

もちろん、本当に業務上必要な条件であれば問題ありません。しかし、「あると嬉しい経験」まで次々と必須条件へ加えていくと、すべてを満たす候補者は限られていきます。

採用担当者は現場と、「入社時点で持っていなければ仕事ができない経験なのか」「入社後にキャッチアップできる経験なのか」を分けて整理します。

例えば、機械学習モデルを自社で開発するポジションであれば、モデル開発の実務経験は必須でも、自社と同じクラウド環境を使った経験までは必須ではないかもしれません。反対に、入社後すぐにAI基盤の設計を任せるのであれば、クラウドやMLOpsの経験が重要になる可能性があります。

必須条件は多ければ良いわけではありません。「この仕事を任せるために、本当に外せない経験は何か」という視点で整理することが重要です。

求めるレベルと給与のバランスも確認する

必須条件を整理するときは、その条件を満たす人材に対して、自社がどの程度の給与を提示できるのかも合わせて考える必要があります。

求人ボックスが2026年8月に公表した求人データでは、東京都のエンジニア求人の平均月給が53.7万円だったのに対し、AIエンジニアは69.6万円でした。月給では15.9万円、約1.3倍の差があります。また、全国の生成AI関連求人では平均年収743万円となっており、上限帯は1,422万円を超えています。

求人ボックスでは、AIエンジニア単体の求人統計でも、2026年9月時点の平均年収は626万円とされています。さらに給与幅は392万円～1,242万円と広く、勤務先や経験、求められるスキルによって大きな差が見られます。AIエンジニアだから一律に高い給与を提示すれば良いということではありません。

一方で、「機械学習だけでなく生成AIの経験も必須」「モデル開発だけでなくMLOpsやクラウドも任せたい」「AI経験に加えて自社業界の知識も必要」と求める条件を増やしていけば、それだけ該当する人材は限られます。

AI領域は技術の変化も速く、注目される技術や人材需要によって求人条件が変わることもあります。求人ボックスでも、AI関連キーワードの検索数は2023年9月と比べ、2026年7月には3.7倍まで増加しています。

他社が同じ候補者へ自社より高い条件を提示することも考えられるため、以前採用した人の給与や既存社員の給与だけを基準にするのではなく、採用を行う時点の求人市場も確認したいところです。特に必須条件を多く設定する場合は、「これだけの経験を持つ人に対して、自社の提示条件に競争力があるか」まで確認してから採用を始めることが重要です。

参考：求人ボックスジャーナル「「AI」求人検索数が3.7倍に急増。検索ワード1位「AIエンジニア」の東京都平均月給は69.6万円」

参考：求人ボックス給料ナビ「AIエンジニアの仕事の年収・時給・給料」

まとめ

AIエンジニアは、一つの仕事内容を指す職種ではありません。機械学習モデルを開発する人、AIをサービスへ組み込む人、生成AIを扱う人、データを分析する人、AI基盤を構築する人など、候補者によって経験や強みは異なります。

採用担当者がすべての技術を詳しく理解する必要はありません。

まずは、

・AIを使って何を作ってもらうのか

・どこまで担当してもらうのか

・入社時点で必須となる経験は何か

・入社後でも習得できる経験は何か

を現場と整理してみましょう。

スカウトでも、PythonやLLMなどの単語だけで判断するのではなく、その技術を使って何を作り、本人がどこまで担当していたのかを見ることが重要です。

そして求める経験が増えるほど、該当する候補者は限られていきます。採用要件だけを積み上げるのではなく、その人材に対して提示する給与や他社との競争力まで含めて考えることが、AIエンジニア採用を進めるうえで重要です。

■関連情報

【企業様向け】

・理系採用ダイレクトリクルーティング「リケイマッチ」

・採用広報や会社理解促進「採用動画制作」

・採用戦略の企画・設計「採用コンサルティング」

各サービスの詳細や採用に関するご相談については、上記リンクよりご確認ください。

【求職者様向け】

・理系新卒向け逆求人サイト「リケイマッチ」

・理系既卒・第二新卒の求人サイト（β）も「リケイマッチ」

・理系就活の情報を発信「理系就活コンテンツ」

・就活情報をYouTubeやInstagramで発信中！