昨今のAI技術の急速な進化に伴い、「AIで自社が蓄えたデータを活用して、新たな価値を創出したい」「業務フローをAIで自動化して生産性を高めたい」という企業のニーズは高まりつつあります。こうした中で注目を集めているのが「AIエンジニア」「機械学習エンジニア」と呼ばれる職種です。
しかし、その実態や定義は企業によって曖昧なことも少なくありません。 そこで今回は、AI関連のエンジニア職種において確かな知見と実績を持つReviv社に、「現在マーケットでAI人材はどのように捉えられているのか」「企業が求めるニーズに直近どのような変化が起きているのか」についてお聞きしました。
最新のエンジニア採用市場におけるAI関連職種のトレンドが捉えられる内容になっておりますので、ぜひご覧ください!
AI時代に高まる開発以外のスキルの重要性
「コードを書く」ことから「事業貢献」へ。マネジメント・リードなど、「作る以外の役割」を果たせるエンジニアのニーズが、ますます高まりを見せています。
事業成長を牽引するこれらのスキル、LAPRASなら見極められます!
「AI時代に求められるエンジニア」を見つける方法《インタビュイー紹介》
鶴久 皓基(つるひさ こうき)さん:株式会社Reviv 取締役副社長 兼 採用コンサルティング事業部統括

大学卒業後、証券会社でマクロ経済アナリストとしてキャリアをスタート。その後、外資系人材紹介会社であるMichael PageにてAI・データ領域専門のコンサルタントとして、Preferred Networksや松尾研究所などAIトップ企業におけるハイレイヤー採用を多数支援。現在は株式会社Revivの取締役副社長として採用コンサルティング事業を統括し、AIをプロダクト・事業の中核に据えるスタートアップから大手企業を中心に、AI人材の採用支援および組織設計などに従事。
宮本 聖樹(みやもと せいき)さん:株式会社Reviv 取締役CTO / HRプロダクト・技術責任者

早稲田大学基幹理工学部を卒業 。在学中は「早稲田・DMM AIラボ」にてレコメンドシステムを研究。その後、合同会社EXNOAにて「DMM GAMES」のバックエンド領域のリードエンジニアとして活躍。2025年3月より株式会社Revivに取締役CTOとして参画し、現在はHRプロダクト事業の立ち上げと技術統括を牽引している。
AIエンジニア・データサイエンティストの採用を支えるRevivの原点
質にこだわり、採用の内製化までを伴走して支援
――まずは、株式会社Revivがどのような会社なのか教えてください。
鶴久さん:一言で言うと「質にこだわったサービスを提供する会社」です。現在、主に3つの事業を展開しています。
1つ目は、ハイクラス層に特化した人材紹介事業です。年収1,500~5,000万円クラスのポジションを中心に取り扱っています。
2つ目は、採用コンサルティング事業です。いわゆる「作業を代行するだけ」のRPOではなく、顧客の潜在的なニーズや顕在化している課題を洗い出すところからサポートしています。「どう仕組み化すれば、より良い採用フローを構築できるか」を一緒に考え、私たちが実際に手を動かしながら、最終的には企業様が自社で内製化できる状態まで持っていくのが特徴です。
そして3つ目が、現在立ち上げフェーズにあるプロダクト事業です。採用コンサルティングの現場で拾い上げた課題を解決するためのプロダクトを開発しており、長期的にはこのプロダクト事業を会社の柱にしていきたいと考えています。
株式会社Reviv:https://reviv.co.jp/
候補者と企業、双方からの信頼が独立の契機に
――次に、鶴久さんご自身のご経歴について教えてください。
鶴久さん:私のこれまでの経歴をお話ししますと、実は新卒で入社したのは日系の証券会社でした。そこで約1年半、マクロ経済のアナリストとしてアメリカや南アフリカの為替、国債、株価の分析を行っていました。
その後、もともと興味があった人材業界へ進むため、外資系人材紹介会社のマイケルペイジに転職し、約6年間在籍しました。前半の2年間は、経理財務や経営戦略、事業開発といったコーポレート職種をメインに担当し、後半の4年間は、AI・データサイエンティスト領域に特化しており、企業側と候補者側、両方のサポートを担当する両面型のコンサルタントとして活動しました。
――後半の4年間で、AI領域に特化されたのですね。
鶴久さん:はい。Preferred Networksや松尾研究所、キーエンス、LINEヤフーのAI研究室、リクルートのデータ戦略部など、名立たる企業のAI部門ばかりを支援していました。
この領域に特化して4年ほど経つと、候補者の方々からも広く認知していただけるようになり、企業側からも「直接、人材を紹介してくれないか」とご指名で依頼をいただくことが増えました。これを機に、現在Revivの代表を務める藤崎と一緒に独立し、Revivを立ち上げたという経緯です。
――過去のご経験で培われた知見と信頼が、Reviv社の今にもつながっているのですね。
鶴久さん:そうですね。おかげさまで現在Revivは、コンサルティングファームの採用支援と、AI関連ポジション(AIエンジニアやデータサイエンティストなど)の採用支援に強いとの評価いただいています。
Revivが探求する「質の高いコンサルティング」
――Reviv社として、企業の採用を支援していく中で基本としている考え方や、大切にしていることは何でしょうか。
鶴久さん:前職で人材紹介を行っていた際、様々な採用支援の現場を見てきました。そこで強く感じたのは、単に「スカウトを送る」「面接を設定する」といった作業を代行するようなサービスでは、本当の意味で企業の採用活動を成功に導くことはできないということです。「何のためにこのポジションが必要なのか」「具体的にどういう経験を持つ候補者を求めているのか」といった背景を深く理解していなければ、質の高い採用は実現できません。
だからこそRevivを立ち上げたとき、私たちはそうした状況を変え、「質の高い採用コンサルティング」を提供したいという想いを抱いていました。顧客に対して常に質の高いアウトプットを出せる体制を作ることが、私たちの根本的な考え方です。
――鶴久さんの考える「質の高いアウトプット」とは、具体的にどのようなものでしょうか。
鶴久さん:対象となるポジションに対する深い知識や知見を持っていることはもちろんですが、私たちが多くの企業の採用支援に入り、現場の課題や成功事例を集約していることが強みになります。他社での成功事例をもとに、「御社ではこういう仕組みにした方が良いのではないか」と具体的な提案ができるからです。
例えば求人票ひとつとっても、採用ポジションで競合する各社のAIエンジニアの求人をリサーチした上で、「こういう書き方をしないと母集団形成が難しいですよ」とアドバイスしています。スカウトを送るだけでなく、求職者から自然と応募が集まるような「魅力的な求人票に書き換える」というところまで踏み込んで支援しています。
自社ならではの魅力を求人票に落とし込む
――求人票をブラッシュアップする際のコツやポイントはありますか? 企業によっては条件などの縛りが強い場合もあると思います。
鶴久さん:他社と比べて提示できる年収が低いから応募が来ない、と悩まれるケースは事実としてあります。しかし、それがすべてではありません。
例えば、VTuber向けのライブ配信プラットフォームを開発運営している 会社がありました。こうした企業の場合は、求人票に「画像解析の経験〇年」といった、他の企業でも求められそうな無機質な条件を書くよりも、「こういうアニメが好きな人」といったエンタメ要素を前に押し出した方が、刺さる層がいるのではないかと考え、その書き方を徹底しました。
「事業の強みを活かし、その企業ならではのアトラクトポイントを抽出して求人票に盛り込む」というスタイルです。ターゲットとなるペルソナを明確に設計し、ABテストも行いながら改善を続けていきます。
――そうした御社の知見や他社事例との比較などは、企業にとっても大きな魅力になりそうですね。
鶴久さん:そうですね。AI関連の採用は4〜5年前から支援していますが、特に活発化してきたと感じるのはここ2〜3年です。そのため、「他社はどういう採用活動をしているのか」「どんな動向なのか」を気にされる企業様は非常に多いですね。
「何を実現したいか」から採用要件を逆算する
――これまで数多くの有名企業を支援されてきた中で、コンサルティングを行う際に気をつけているポイントはありますか。
鶴久さん:企業側が「自社の求める人物像」を明確に言語化できていないまま、「AIを使った開発経験がある人」といった曖昧な求人票を出してしまっているケースが非常に多いです。それでは当然、ターゲットには刺さりません。
そのため私たちは、「ビジネスにおいて具体的に何を実現したいから、こういうエンジニアが必要なのか?」というところから深くヒアリングを行います。「御社のプロダクトがこういうものだから、こういう技術を持っている人じゃないとダメですよね」といったふうに、現場のプロダクトマネージャーなどと密にコミュニケーションを取りながら、求人要件を固めていくことを大切にしています。
現場の生きた知見と体系的な学習の両輪で、採用の質を高める
――エンジニアリングの専門的な知見は、どのようにキャッチアップされたのでしょうか。
鶴久さん:私は人材紹介出身ですので、これまでAI関連の研究所で研究されている方など、数多くの優秀な候補者とお話しする機会に恵まれました。
そうした方々に
「不勉強で申し訳ないのですが、これってどういう仕組みなんですか?」
「今注目されている技術はどういったものですか?」
と、直接質問して教えていただいてきました。候補者の方々との対話を通じて、現場の生きた知見を学んできた形です。また、Revivの正社員の約半数が、日本ディープラーニング協会(JDLA)の 「G検定(AI・ディープラーニングの基礎知識とビジネス活用能力を問う民間資格)」を取得しています。そうした体系的な学習と、現場で培った一次情報の両輪が、他社にはない価値の提供に繋がっていると考えています。
AI関連のエンジニア職種は、採用市場でどう捉えられているか?
――ここからは「AIエンジニア」や「機械学習エンジニア」といった具体的な職種について伺います。これらの職種は企業によって定義がバラバラな印象を受けますが、採用市場ではどのように分類されているのでしょうか?
鶴久さん:おっしゃる通り、大前提として企業が言っている職種の定義と、採用市場(候補者側)の認識がズレているケースは非常に多いです。 技術的な包含関係で言うと、最も広い「AIエンジニア」という枠組みの中に「機械学習エンジニア」があり、さらにその中の一部に「深層学習(ディープラーニング)エンジニア」があります。
【参考画像】

採用市場で多くの企業が「機械学習エンジニア」と言って募集しているポジションは、予測モデルの作成や、MLOps(機械学習モデルの継続的な開発・運用基盤の整備)などを指していることが多いです。
一方で、LLM(大規模言語モデル)の基盤開発や深層学習など、R&D(研究開発)に寄った高度な技術を扱う人たちは、世間一般では「AIエンジニア」や「ディープラーニングエンジニア」という名称で募集がかけられることが多いですね。
――データサイエンティストと機械学習エンジニアの違いはどう捉えればよいでしょうか。
鶴久さん:例えば、サイバーエージェントさんのような企業の例がわかりやすいと思います。大規模なデータを予測モデルに読み込ませて、そこからビジネスに役立つインサイトを分析・抽出していくのが「データサイエンティスト」の仕事です。対して、その予測モデルそのものを作ったり、機械学習を運用するためのシステム環境(MLOps)を整えたりするのが「機械学習エンジニア」の仕事、といったイメージです。職務内容ははっきりと分かれていました。
今求められる「ビジネス理解」と「顧客折衝」のスキル
――なるほど、役割が明確に違うのですね。直近のエンジニア採用市場において、これらのAI関連職種に対する企業側のニーズや、求められる資質に変化は感じますか?
鶴久さん:ここが最も大きく変わったポイントです。2〜3年前まで、機械学習エンジニアはどちらかというとR&D寄りの役割が多く、データパイプラインを整えたり、モデルの精度を上げたりすることが主なミッションでした。
ただ、今は生成AIの進化によって、AIが業務の中にかなり深く入り込むようになっています。その結果、単に技術に詳しいだけではなく、「顧客のビジネスをどれだけ理解できるか」「現場の課題を聞き出して、技術でどう解決するか」といったスキルが強く求められるようになっています。
以前は、作ったプロダクトを顧客に導入してもらう、という形が中心でした。でも今は、顧客ごとに業務フローや課題が違うので、プロダクトをそのまま売るだけではなく、相手の課題に合わせてカスタマイズしながら導入していくことが増えています。
その意味では、FDE、つまりForward Deployed Engineerのように、顧客の現場に深く入り込んで、課題を理解しながら技術実装まで担う役割がかなり増えてきています。
生成AIの進化は目覚ましく、非エンジニアでもある程度のプロダクトが作れてしまう時代になりました。エンジニアに求められる役割も「コードが書けるのは当たり前」になりつつあり、面接でもコーディングスキル以上に「顧客のビジネスをどれだけ理解し、折衝してきたか」を見極める企業が増えています。
「意思決定」の役割はAIには代替できない
――(宮本さんへ)生成AIの台頭によって、データサイエンティストや機械学習エンジニアが担当していたアルゴリズム開発などの根幹部分まで代替されているのでしょうか?
宮本さん:生成AIによるコーディングの自動化がメジャーになってきたのはここ2〜3年ですが、ビジネス理解が求められる傾向自体はもう少し前から出始めていました。 かつては「ビジネスにデータサイエンスを持ち込む」という取り組み自体がまだ新しかったため、まずはスキルを持ったデータサイエンティストを採用してチームを作るところから始まりました。それが普及していくにつれ、「様々な企業でデータ活用が求められる=クライアントワークが必要になる」という流れで職種が細分化されていったのだと捉えています。
生成AIが出てきたとはいえ、ただ「こういうモデルを作って」と指示するだけで精度の高いものができるわけではありません。機械学習のどのモデルを使うか、どこをどう工夫するかといった「意思決定」の部分は、結局人間がやらなければなりません。 作業レイヤーが生成AIに代替され、実務におけるコーディングの割合が変わっただけで、本質的に求められる需要は変わっていないと考えています。
――作業が効率化された分、ビジネスの課題解決という「要件定義」や「意思決定」の重要性が増したのですね。そうした変化を踏まえ、各職種の候補者を見極める際のポイントを教えてください。
鶴久さん:FDEやデータサイエンティストについては、PythonやPyTorchなどの技術スタックは共通してマストになることが多いですが、それ以外は各企業の採用要件によって大きく異なります。
一方、深層学習エンジニアなどのR&D層は、「その人がどの領域の研究をやってきたか」がすべてです。自社でLLMを作っている企業ならLLMの研究開発経験が必要ですし、ライブコマースを展開する企業なら動画生成の研究、メーカーなら画像処理系の研究経験など、企業の事業領域に直結した研究をしている方を探すことになります。
私たちはこうした候補者のスクリーニングを、最初はすべて目視で精査して行いノウハウを蓄積してきました。現在はその知見を自社で開発している「Saimo」というプロダクトに学習させ、AIによる精度の高い書類選考システムとして仕組み化し、顧客企業にも提供しています。

AI時代に求められるのは「ビジネスを前進させる意思決定力」
本記事では、Reviv社の鶴久さんと宮本さんに、AI関連職種の定義や、生成AIの台頭による採用市場のリアルな変化についてお話を伺いました。
コーディングなどの作業レイヤーがAIによって効率化される中、エンジニアに求められる役割は「プロダクトを作ること」から「顧客のビジネスを深く理解し、最適な技術的アプローチを意思決定すること」へと大きくシフトしています。このパラダイムシフトを正しく理解し、自社の採用要件に落とし込むことこそが、自社にマッチするAI人材と出会うための第一歩と言えるでしょう。
続く後編では、こうした背景を踏まえて、「では、実際にどうやって競争力の激しい優秀なAIエンジニアやデータサイエンティストを採用するのか?」という具体的な採用成功事例や、超優秀層を惹きつけるためのアトラクト手法について深掘りしていきます。ぜひ後編もご覧ください!
LAPRASは独自のスコアリングにより、テクノロジー、マネジメント、リード力などのスキルを客観的に可視化。



