未経験からAI職を目指すなら何から始める？職歴を捨てない入口設計

「AI職は未経験だから、Pythonも数学も研究も全部やり直さなければならない」と考えると、最初の応募が遠くなる。だが、AIを使う仕事はモデルを学習させる役割だけではない。業務を決める人、データを整える人、機能を実装する人、運用を守る人がいる。

未経験からの入口で先に決めるべきなのは、最もAIらしく見える肩書ではない。今の経験を説明でき、不足を一つ補えば採用側が仕事内容を想像できる役割である。

まず「今の仕事で作ったもの」を一行にする

IPAのデジタルスキル標準は、事業設計、データ活用、データ管理、ソフトウェア、セキュリティなど複数の役割を分けている。これは求人の公式分類ではないが、経験を捨てずに考えるための手掛かりになる。

職務経歴を肩書で書く前に、次の形式へ直す。

誰のどの判断を、どんな情報・仕組み・手順で改善し、何を残したか

たとえば「営業事務」なら、問い合わせ分類、見積り作成、手順書、入力漏れの防止が残る。「Webエンジニア」なら、認証、画面、API、障害対応、テストが残る。「分析担当」なら、仮説、データ整形、検証、レポートが残る。この一行が、AI職へ移るときの起点になる。

これは採用確率を計算する表ではない。最初に作るべき成果物を選ぶための地図である。

今の経験	最初に検討する隣接職	すでに説明しやすいこと	追加で作る成果物	ここで止める条件
Web・業務システム開発	AIアプリケーション開発	API、画面、認証、テスト	検索結果と回答を分けて評価する小さなAI機能	モデル学習を先に始めない
インフラ・データ基盤	データ・ML基盤	収集、権限、監視、障害対応	取込・品質確認・ログまで含む処理	「MLOps」の語だけを成果物にしない
分析・研究・BI	データサイエンス	仮説、集計、検証、説明	別期間でも確認した分析レポート	精度だけを結論にしない
PM・企画・情シス	AI導入・プロダクト担当	要件、関係者調整、運用設計	PoCの合否基準と停止条件	ツール選定だけで終えない
顧客支援・業務改善	導入支援・業務設計	利用者理解、手順設計、教育	利用前後の業務フローと確認表	「AIに詳しい」だけを売りにしない

厚生労働省のjob tagでも、AIエンジニア、データサイエンティスト、データエンジニアは扱う成果が異なる。肩書が同じでも、求人票で「データを集める」「モデルを評価する」「既存サービスへ組み込む」「運用する」のどれが中心かを読む。

未経験者が遠回りしやすいのは、不足を「AI全般」と呼ぶことだ。目標職を一つ決めたら、次の四つから一つだけ選ぶ。

Web開発者がAIアプリを目指すなら、既存モデルを呼ぶだけの画面では弱い。入力の扱い、回答を確かめる方法、失敗時の動き、費用や権限の境界まで含める。分析経験者なら、グラフを増やす前に「何の判断を変えるか」と別のデータでの確認を残す。

学習サービスは、その不足を埋める教材として使う。Udemyには演習、テスト、質問欄を含むコースがあるが、定額プランに全コースが含まれるわけではない。受講完了を成果物の代わりにしない。

「未経験可」は入口として便利だが、仕事内容の深さを表さない。まずは現職に近い語とAIの語を組み合わせる。

dodaのような総合検索、登録・審査後のスカウトを中心とするサービスなどは、見える求人範囲が同じではない。サービスの登録者数や広告上の数字を、同じ求人母数として比較しない。

次の応募までに必要なのは、完成度の高い大作ではなく、目標職との対応が読める一つの証拠だ。

研究職水準の知識が必要な求人へ、学習開始直後に合わせる必要はない。今の仕事の成果をAIに近い役割の成果へ言い換え、不足を一つだけ作って見せられる職種から始める方が、何を学ぶかも応募先も具体的になる。