文系からAIエンジニアになれる？数学の壁の実際と有利になる領域

2026年9月6日

本メディアはRaiseTech（PISTEC株式会社）が運営しています。

「文系出身でも、AIエンジニアになれるのでしょうか」
「数学が苦手なまま来てしまったので、そこが不安です」

この記事は、そんな不安を持って「AIエンジニア文系」と検索したあなたのために書きました。

結論から言うと、文系からAIエンジニアになることは可能です。実務で評価されるのは計算力ではなく、課題を決めて結果を判断する力だからです。

この記事では、実際に見られている評価軸、数学がどこまで必要か、文系出身が有利になる領域、前職別の入口、そしてよくある不安への答えを解説します。

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。

文系でもなれる｜評価されているのは何か

採用の場で文理が問われることは、ほとんどありません。学部名を確認されるより先に、何を作ったかを聞かれます。

実際に見られているのは次の3つです。

見られていること	確かめられていること	文理は関係するか
作れるか	指示された範囲を、動く形にして納められるか	関係しない。手を動かした量で決まる
続けられるか	技術の入れ替わりに追随できるか	関係しない
接続できるか	前職の経験が、どの業務で活きるか	関係しない。むしろ非IT出身が有利な場面がある

この3つを見て気づいてほしいのは、いずれも「これまで何を学んだか」ではなく「これから何ができるか」を測っている点です。学部は過去の情報で、制作物と学習の記録は現在の情報です。採用側が判断に使うのは後者になります。だから文系・理系という区分は、そもそも判断材料の枠外にあります。

この3つのどこにも、文理は出てきません。「文系だから不利」と感じるのは、AIエンジニア＝数式を解く仕事というイメージから来ていますが、実際の仕事はソフトウェア開発に近い領域です。

「文系だから不利」という感覚がどこから来るのかも整理しておきます。大学の情報系学部で扱う内容と、AIエンジニアの実務は重なる部分が限られます。実務で毎日使うのは、データを整える作業、既存のAIを呼び出して組み込む作業、出た結果を確認する作業です。大学で情報系を学んだ人でも、これらは入社後に覚えます。スタート地点の差は、思われているほど大きくありません。

もう1つ、市場側の事情もあります。経済産業省の「IT人材需給に関する調査」では、AI人材は2030年に最大12.4万人不足すると試算されています。採用側は経験者だけでは枠を埋められないため、学部で候補者を絞る余裕がありません。実際、未経験からの転職者には営業・事務・接客・製造など、非IT職の出身者が多く含まれます。

→ 職業としての全体像はAIエンジニアとは？完全ガイドで整理しています。

数学はどこまで必要か｜文系がつまずく前に

実務で数式を手で解く場面は、ほとんどありません。必要なのは「その計算が何をしているか」を説明できる程度の理解です。

	内容	文系にとっての難易度
要る	統計の基本用語（平均・中央値・分散・相関）、評価指標が何を測っているか	言葉として理解すればよい。高校数学の記憶は不要
要らない	数式を手で展開する、偏微分を紙の上で計算する	ライブラリが行う。実務で手計算する場面はまず来ない
必要になってから	証明を追う、論文の式を読む	研究開発寄りに進むときだけ

3分野のうち最も重いのは、意外にも微分積分ではなく統計です。しかも使うのは計算ではなく判断の場面です。たとえば予測モデルの精度が95%と出たとき、予測対象が全体の3%しか起きない事象なら、「全部起きない」と答えるだけで97%になります。この判断に数式は1つも出てきません。

もう1つ、数学と「数字を扱うこと」は別だと分けてください。実務で頻繁にあるのは、集計した数字を見て傾向を読む、指標が改善したかを判断する、といった作業です。これは高校数学の問題を解く力とは別物で、営業や経理で数字を扱ってきた人なら、すでに持っている感覚です。数学が苦手という自己認識と、実務で必要な力は必ずしも一致しません。

文系の方に特に伝えたいのは、「先に数学をやり直してから」と考えないことです。使う範囲はごく一部なので、参考書を最初から通すと、使わない範囲に大半の時間を使うことになります。まずコードを動かし、結果の意味が分からない箇所が出てきたら、その場で調べる。この順番のほうが速く、記憶にも残ります。

→ 数学の範囲はAIエンジニアに数学はどこまで必要？実務で使う範囲と苦手な人へで詳しく扱っています。

文系出身が有利になる3つの領域

文系であることが不利にならないだけでなく、有利に働く場面があります。いずれも技術の外側にある力です。

① 要件を言葉で詰める場面：AIの案件は「何を作るか」が曖昧なまま始まることが多く、関係者の話を聞いて要件に落とす工程が必ずあります。相手の意図を確認しながら文章にする作業は、文系の学習で鍛えられている部分です
② 出力を評価して説明する場面：生成AIの出力は、良し悪しを数値だけでは測れません。「この回答は業務で使えるか」を判断し、何が問題かを言葉で説明する。ここは読解と記述の力がそのまま効きます
③ 業務ドメインの知識：営業、経理、人事、法務、教育。文系職で扱ってきた業務は、そのままAIの応用先になります。その業務を知らないエンジニアより、正しい課題を設定できます

②について補足します。現在のAI開発では、既存の生成AIを業務に組み込む案件が最も多く、その中心は「出力の品質をどう担保するか」です。評価基準を決め、外れた出力を見つけ、なぜ外れたかを説明する。この工程は、数式よりも日本語を扱う時間のほうが長くなります。

③についても具体例を挙げます。人事の業務を知っている人なら「応募書類の一次選別にどれだけ時間がかかり、担当者によって基準がどう違うか」を語れます。経理なら「請求書の表記揺れがどれだけあり、確認に何時間かかるか」を語れます。これはその業務を経験した人にしか書けない内容で、エンジニア側からは出てこない情報です。AIの案件は、この情報が無いまま始まると的外れなものが出来上がります。

実際、AIエンジニアの時間配分は、実装が3割、データの整備と検証が4割、要件の擦り合わせと運用が3割という形が一般的です。コードを書いている時間は、想像より短いのが実際です。

→ 仕事の中身はAIエンジニアの仕事内容｜1日の流れ・業務範囲・他職種との違いで1日の流れまで解説しています。

前職別の入口｜文系職からどう入るか

文系職からの入口は、前職で扱っていた業務によって変わります。

前職	接続できるもの	相性のよい領域
営業	顧客の課題を聞き出す力、数字の管理	要件定義から入る。事業側と開発側の橋渡し
事務・経理	定型業務の構造を知っていること	書類の分類・要約の自動化。課題が具体的に書ける
接客・販売	問い合わせ対応の実態を知っていること	問い合わせ対応の自動化、社内文書の検索
企画・マーケティング	データを見て判断してきた経験	評価設計。指標を決める場面で強い

入口の探し方についても補足します。「AIエンジニア」という職種名だけで求人を探すと、半分以上を見落とします。この領域は呼び方が定まっておらず、機械学習エンジニア、データエンジニア、AIアプリケーションエンジニア、AI活用推進といった名前で募集されています。職種名ではなく、業務内容と技術名で探してください。文系職からの転職では、要件定義や業務理解が評価される求人が特に狙い目になります。

どの行にも共通するのは、「前職を捨てない」ことです。文系からの転職で最もよくない選択は、これまでの経験を無かったことにして、技術の学習量だけで勝負しようとすることです。

狙う領域も選んでください。モデルを一から研究開発する領域は、数学と論文の比重が高く、文系未経験からの入口としては現実的ではありません。一方、既存の生成AIを業務システムに組み込む領域は案件数が最も多く、求められるのは開発の技術です。ここを間違えると、実力とは関係なく通らなくなります。

→ 未経験からのルートは未経験からAIエンジニアになれる？で4つに整理しています。

文系がよく持つ不安への答え

相談で実際によく出る5つに、順に答えます。

不安	答え
情報系の学位が要るのでは	求人の応募条件に学位が必須と書かれていることはほとんどない。見られるのは制作物と学習の継続
数学ができないと詰むのでは	概念の理解までで足りる。手で計算する場面は実務でほぼ無い
プログラミングに向いていないのでは	向き不向きは文理ではなく、詰まったときに動き直せるかで決まる
今から始めて遅くないか	30代・40代からの事例はある。年代ごとに戦い方を変えれば遅くない
独学だけで届くのか	可能性は否定しないが、方向が正しいか判断できない壁は残る

1つ目の学位についても補足します。研究開発職や大学の研究室に近いポジションでは、修士・博士が条件になることがあります。ただしそれはAI求人全体の一部で、案件数が最も多い「既存の生成AIを業務に組み込む」領域では、学位が応募条件に書かれていることはほとんどありません。学位が要る求人と要らない求人があるだけで、文系だから全部だめということではありません。

3つ目の「向いていないのでは」について、もう少し書きます。適性を決めるのは性格や出身学部ではなく、止まったときに動き直せる仕組みを作れるかです。これは決めれば変えられる部分で、生まれ持った資質ではありません。

4つ目の年齢についても一言。文系からの転職を考える方は、社会人経験を積んでから決断することが多く、20代後半から30代のケースが目立ちます。この年代は前職の業務知識が厚くなっている時期でもあるため、「遅れ」ではなく「接続できる材料が増えた」と捉えるほうが実態に合います。年代ごとに戦い方を変えれば、開始時期そのものは大きな問題になりません。

5つ目についても正直に書きます。独学で進むこと自体は可能ですが、文系・理系にかかわらず「今の理解で実務に足りているか」は自分では判断できません。教材は答えを教えてくれますが、あなたの制作物が実務レベルに届いているかは教えてくれません。ここをどう埋めるかは、学習の設計として先に決めておいてください。

→ 適性の整理はAIエンジニアに向いている人・向いていない人の特徴10選で扱っています。

文系が最初にやること

不安が整理できたら、順番は文理で変わりません。次の順で進めてください。

① 数学のやり直しから始めない：使う範囲が来てから調べます。ここを最初に置くと、多くの人が数ヶ月を失います
② ブラウザ上で動く環境でコードを1行動かす：環境構築でつまずくのは適性の問題ではなく、設定の差の問題です。設定不要の環境から始めます
③ 前職で「面倒だった作業」を3つ書き出す：制作物の題材になります。文系職の業務ほど、AIで解ける課題が具体的に書けます
④ 求人票を5件読む：応募はまだしません。必須要件に何度も出る技術名を書き出すと、学ぶ順番が決まります

4つのうち、③が文系にとって最大の武器になります。技術から入った題材は「精度を上げたかった」で説明が止まりますが、業務から入った題材は「この作業に月◯時間かかっていて、判断が人によって違った」から話せます。面接官が状況を具体的に想像できるぶん、伝わり方がまったく違います。

④の求人票を読む作業は、文系の方にこそ効きます。募集要項は文章です。何度も出てくる語、条件の書きぶり、業務内容の具体性。こうした読み取りは、文章を扱ってきた人のほうが速く正確にできます。5件も読めば、この領域が何を求めているかの輪郭が掴めます。技術書を読み始める前に、まずここから始めてください。

最後に。文系であることを、応募書類で言い訳のように書かないでください。書くべきは「文系だが頑張った」ではなく、前職で何を扱い、何が課題で、それをどう解こうとしたかです。文理の情報は、そもそも判断材料になっていません。

→ 最初の30日の進め方はAIエンジニアは何から始める？初心者が最初の30日でやることで解説しています。

→ 学習手順の全体像は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にまとめています。