データアナリストからAIエンジニアへ｜足りないのは実装だけ

本メディアはRaiseTech（PISTEC株式会社）が運営しています。

「データ分析の仕事をしていますが、AIエンジニアに移れますか」
「分析はできるけれど、実装の経験がありません」

この記事は、そんな疑問を持って「AIエンジニア データアナリストから」と検索したあなたのために書きました。

結論から言うと、データに近い前職からの転向は、足すものが1つに絞られます。データを読む力、指標を設計する力、結果を人に説明する力は、そのまま使えます。足りないのは分析力ではなく、分析を「動き続ける形」にする実装のほうです。

この記事では、いまの経験がどこまで通用するか、分析と実装の境目がどこにあるか、足すものと順番、在職中にできること、避けたい進め方を解説します。

RaiseTech（レイズテック）は、受講者数2,500名超え！現役エンジニアが講師を務めるAIエンジニア育成のオンラインスクールです。未経験からのエンジニア転職を支援してきた現場で見てきたリアルな情報をもとにお伝えします。

分析と実装の境目はどこにあるか

データアナリストとAIエンジニアの仕事は、途中まで同じです。分かれるのは、分析が終わったあとです。

工程	やること	どちらの仕事か
① 問いを決める	何を知りたいのか、何を予測したいのかを言葉にする	共通。アナリストの得意領域
② データを集めて整える	欠けや重複を直し、扱える形にする	共通
③ 分析する・モデルを作る	傾向を見つける、予測の仕組みを作る	共通（深さは目的で変わる）
④ 結果を届ける	アナリスト＝人に説明する／AIエンジニア＝システムに組み込む	ここで分かれる
⑤ 動き続ける形にする	自動で動かす、精度の低下に気づける状態にする	AIエンジニアの仕事

①〜③は、すでにやっていることです。転向で新しく必要になるのは④の後半と⑤だけ、という見方ができます。

④の違いをもう少し具体的に書きます。アナリストの成果物は、資料やダッシュボードのように人が見て判断するものです。一方AIエンジニアの成果物は、人が見なくても動くものです。予測の結果がそのまま次の処理に渡っていく形を作ります。

この違いは、求められる品質の種類も変える点に注意してください。人が見るものは、多少おかしくても気づいてもらえます。自動で動くものは、気づく仕組みを自分で作っておかないと、間違ったまま流れ続けます。

⑤についても補足します。モデルは、作った時点がいちばん精度が高い状態です。時間が経つと、入ってくるデータの傾向が変わり、結果が少しずつ合わなくなります。分析であれば「今回のデータでは」と断りを入れて済みますが、自動で動くものはそうはいきません。ここに気づける仕組みを用意するところまでが、AIエンジニアの仕事に含まれます。

→ 職種そのものの違いはAIエンジニアとデータサイエンティストの違いにまとめています。

いまの経験は、どこで値札になるか

分析の経験は、転向後も中心的な価値として残ります。むしろ、技術から入った人が苦手にしやすい部分を持っていることになります。

いまやっていること	転向後にどう効くか
何を見るべきかを決める	そのまま要件定義です。「何を予測させるか」を決める工程は、これと同じ作業です
データの質を疑う	学習に使うデータの偏りや欠けに気づけます。ここを見落とすと、精度を上げても意味がありません
指標を設計する	精度をどう測るかの判断に直結します。何をもって「良い」とするかを決められます
結果を事業側に説明する	導入の場面で必ず必要になります。技術者が苦手にしやすい部分です
SQLでデータを取り出す	そのまま使います。実務でデータに触る頻度は、転向後のほうが上がることもあります

2行目と3行目が、特に大きい強みです。「精度が出ない」と言われる場面の多くは、モデルではなくデータか指標の設計に原因があります。そこを疑える人は、技術を後から覚えても強く働けます。

4行目も実務では重く効きます。AIを本番に入れるとき、技術より先に「なぜこの判断を機械に任せるのか」を社内で通す必要があります。反対する人もいますし、使う部署に説明する場面もあります。数字を根拠に人を説得してきた経験は、そのまま使えます。これは技術の勉強では身につかない部分です。

逆に、値札になりにくいものも書いておきます。特定の分析ツールの操作に慣れていることは、それ単体では評価されません。見られるのは、そのツールで何を判断したかのほうです。

足すのは実装。順番を間違えない

足すものは絞られています。やみくもに広げないでください。

順番	足すもの	どこまでやるか
①	人に読めるコードを書く	分析用に書き捨てていたものを、他人が読める形に整える。関数に分ける、名前を付ける、動作を残す
②	変更の履歴を残す	いつ何を変えたかを追える状態にする。1人で作業していても、実務では前提になります
③	作ったものを呼び出せる形にする	ここが転向の中心。手元で動くだけの状態から、外から呼べる形に変える
④	動かし続ける仕組み	自動で実行する、結果がおかしくなったら気づける状態にする

③が、分析と実装を分けている一番の壁です。手元のノートブックで動くことと、ほかの仕組みから使えることの間には、思っているより距離があります。ここを越えた経験があるかどうかで、応募のときの見られ方が変わります。

①②は地味ですが飛ばさないでください。分析の仕事では「自分が分かればいい」コードで済んでいたはずです。実務では他人が読み、引き継ぎ、直します。ここが整っていないと、技術の面接で必ず指摘されます。

そして、モデルの手法を増やすことに時間を使いすぎないこと。新しい手法を覚えるより、いま作れるものを動く形にするほうが、転向には効きます。

→ 学習の全体像はAIエンジニアになるには？未経験からの完全ロードマップ、時間の目安はAIエンジニアになるまでの勉強時間は？にまとめています。

在職中にできること

いまの職場は、この転向にとって恵まれた環境です。実データに触れる立場にいるためです。転職活動を始める前に、できることがあります。

できること	なぜ効くか
いつもの分析を、自動で回る形にする	毎月手で作っている集計があるはずです。それを自動化するだけで、③の経験になります
分析用のコードを整理して残す	①②がそのまま進みます。読める形にする練習は、実データでやるのが一番早い
予測の結果を業務で使ってもらう	人が見るだけの状態から、判断に組み込まれる状態へ。④の入口です
社内でAIを扱う部署と接点を作る	異動という選択肢が現実的です。データに近い人は歓迎されやすい立場にあります

どれから手をつけるか迷ったら、「毎月やっていて、手順が決まっている作業」を探してください。月次のレポート作成、定期的な集計、決まった形式への変換。判断の余地が小さい作業ほど、自動化の題材に向いています。逆に、毎回条件が変わる分析は最初の1つには向きません。

1行目が最短です。毎月の集計を自動化するだけでも、「手元で動くもの」から「動き続けるもの」に変わります。規模は小さくてかまいません。応募のときに話せる材料として十分です。

注意点を1つ。業務のデータを社外のサービスや個人の環境に持ち出してよいかは、必ず先に確認してください。データに近い職種ほど、扱えるものの線引きは厳しくなります。社内の環境でできる範囲で進めるのが安全です。

1年のスケジュールと、避けたい進め方

働きながら進める前提の目安です。確保できる時間によって前後します。

時期	やること	この時期の目標
1〜3か月目	分析用のコードを、他人が読める形に整える。履歴を残す習慣をつける	説明できるコードが手元にある
4〜7か月目	作ったものを外から呼び出せる形にする	手元の外から動かせる
8〜10か月目	自動で実行し、結果を見張る仕組みを足す	放っておいても回る状態
11〜12か月目	公開できる形に整えて、応募の準備	判断の理由を書いた資料がある

ゼロから始める人より短く済みます。①〜③の工程を既にやっているぶん、最初の数か月を飛ばせるためです。

期間について現実的な話を1つ。働きながらの場合、平日に取れる時間は想定の半分ということも珍しくありません。計画を立てる前に、1週間の実績を記録してみてください。そのうえで、4〜7か月目の「呼び出せる形にする」にいちばん時間を割り当ててください。ここが転向の中心だからです。

避けたい進め方も挙げます。

避けたい進め方	なぜ避けるか
手法を増やすことに時間を使う	新しいモデルを覚えるより、いま作れるものを動く形にするほうが効きます
分析の経験を職務経歴書から削る	最も強い部分です。実装が未経験であることを気にして薄く書くのは逆効果です
資格から入る	作るものが決まっていないと知識が定着しません。先に1つ動かしてください
いきなり研究寄りの職種を狙う	論文を読んで実装する職種は、求められる前提が別です。まずは実装側から入るほうが現実的です

4行目について補足します。研究寄りの職種と、実装寄りの職種は、応募の前提が違います。論文を読んで新しい手法を試す仕事は、修士・博士の研究経験が前提になっていることが多くあります。一方、既にある手法を使って動くものを作る仕事は、実装の経験で勝負できます。求人票に「研究開発」とある場合は、どちらを指しているかを面接で確かめてください。

2行目について補足します。職務経歴書では、分析で何を判断したかを具体的に書いてください。どんなデータを、どういう理由でその指標で見て、何が分かったのか。これは転向後もそのまま評価されます。そのうえで、最後に作ったものを足す形にします。

面接で聞かれることも挙げておきます。「データの質をどう確かめたか」「その指標にした理由は」「結果をどう使ってもらったか」。いずれも、いまの仕事の中に答えがあります。加わるのは「それをどう動く形にしたか」だけです。

→ 選考の実態は未経験からAIエンジニアになれる？現実的なルートと失敗パターンにまとめています。

未経験からAIエンジニアを目指すなら

この転向でつまずきやすいのは、知識ではなく「書いたコードが実務に耐えるか分からない」という点です。分析用に書いてきたものと、他人が使うものでは、求められる水準が違います。その差は、見てもらわないと分かりません。

未経験からエンジニアになった受講生の実績

「本当に未経験からなれるのか」は、実際になった人を見るのが一番早いです。いずれもAWS・Javaコースの卒業生ですが、「未経験から学び、ポートフォリオを作り、転職する」という道筋はAI関連でも同じです。

事例①：完全未経験から半年でWebエンジニアへ｜年収250万円→600万円

プログラミング完全未経験からJavaコースを受講し、受講開始から半年でWebエンジニアとして転職。年収は250万円から600万円へと2倍以上になり、フルリモート・残業ゼロの働き方を実現しました。

特筆すべきは「半年」というスピードです。特別な才能があったわけではなく、講義に毎週出席し、分からないことをその週のうちに質問で解消する、という当たり前のことを止めずに続けた結果でした。

▶ 赤松さんのインタビューを読む

事例②：30代後半・未経験からクラウドインフラエンジニアへ｜初年度から年収600万円

30代後半、AWS未経験からAWSコースを受講。キャリアチェンジ後の最初の職場で年収600万円に到達し、フルリモートで働いています。

「30代後半では遅い」という不安を持つ方は多いですが、この事例はそれを覆しています。前職までの社会人経験は、エンジニアになってからもプロジェクトの進め方や顧客とのやり取りで強みになります。年齢は壁ではなく、むしろ武器になり得ます。

▶ 石川さんのインタビューを読む

事例③：AWSを武器に差別化｜本業＋副業で年収800万円・フルリモート

AWSコースで学んだスキルを武器に、フルリモート勤務のエンジニアとして転職。本業と副業を合わせて年収800万円を達成しました。

ポイントは「差別化」です。エンジニアの数は多くても、クラウドやAIといった需要の高い領域を扱える人は限られます。学ぶ領域を選ぶことが、そのまま市場価値の差になる。AI関連を目指す方にとっても、まさに同じ構造が当てはまります。

▶ まつもとさんのインタビューを読む

まとめ｜足りないのは分析力ではなく、動く形にする実装

この記事のポイントを3つにまとめます。

1. 分かれ目は、分析が終わったあと。問いを決める・データを整える・分析するまでは共通で、人に説明するか、システムに組み込むかで分かれます。転向で新しく必要になるのはそこから先だけです。
2. 足すのは「手元で動く」を「外から使える」に変える実装。手法を増やすことではありません。読めるコードを書く、履歴を残す、呼び出せる形にする、動かし続ける。この順番です。
3. 分析の経験を職務経歴書から削らない。データの質を疑える人、指標を設計できる人は、技術から入った人が苦手にしやすい部分を持っています。そこが最も評価される部分です。

職種の違いはAIエンジニアとデータサイエンティストの違い、全体の流れはAIエンジニアになるには？未経験からの完全ロードマップにまとめています。