AIエンジニアの採用方法|機能開発とモデル開発のどちらを任せるか
AIエンジニアの採用は、機能開発とモデル開発のどちらを任せるかの判断から始めます。2つの仕事で求める経験はほとんど重なりません。基盤と運用、社内のAI活用の推進も含めて型を選び、経験年数より仕事の中身を求人に書きます。
AIエンジニアを採用するときは、生成AIを使った機能の開発とモデルの開発のどちらを任せるかを先に決定します。「AIエンジニア」という職種名は、生成AIを組み込んだ機能をつくる仕事にも、需要予測や数理最適化のモデルをつくる仕事にも使われています。2つの仕事で求める経験は、ほとんど重なりません。どちらの経験者に来てほしいのかを決めないまま募集を始めると、スカウトの文面も面接の質問も定まりません。
AIエンジニアは、AIをプロダクトや業務に組み込むエンジニアの総称です。職種そのものの説明は用語集のAIエンジニアにまとめています。
この記事では、採用が必要かどうかの判断と、機械学習エンジニアなど隣接する職種との違いから、候補者の見極め方までを順に紹介します。支援先と一緒に職種名と訴求を変えた事例も取り上げます。
AIエンジニアの採用が必要かどうかを判断する観点
AIエンジニアを採用する前に、AIを使って顧客や社内のどの業務を変えたいのかを言葉にしておきます。変えたい業務が決まれば、任せる役割の型も、求める経験も絞り込めます。
AIで解きたい業務の課題がはっきりしていて、それを機能として形にする人が社内にいなければ、AIエンジニアの採用を検討します。具体的には、次のような状況です。
顧客の業務の一部をAIで支える機能を、プロダクトに組み込みたい
試しにつくったAIの機能を、本番で使える品質に引き上げられる人がいない
予測や推薦などの仕組みを、自社のデータに合わせてつくりたい
開発チームや社内の業務で、AIの活用を広げる担い手が欲しい
一方で、決まった用途のAIツールを導入すれば足りる課題であれば、ツールの導入と社内の運用設計で解決できる場合もあります。
AIの機能を本番で提供するかがまだ決まっていない段階では、AIの開発の経験者に業務委託や副業で入ってもらう方法もあります。試作と、出力の品質を評価する進め方を固めてから、正社員の採用に移ります。業務委託の契約では、任せる範囲と期間を定めておきます。
社内で最初のAIエンジニアとして迎える場合は、AIの機能に使うデータを誰が管理しているか、AIの出力の品質を誰が判断するかを、採用の前に、代表や、採用を決める立場の人が決定しておきます。
AIエンジニアと機械学習エンジニア・MLOpsエンジニア・データサイエンティストの違い
AIエンジニアの近くには、機械学習エンジニア、MLOpsエンジニア、データサイエンティストという職種があります。4つの職種は、データからAIのモデルがつくられ、サービスの機能として使われるまでの流れのうち、担う部分が異なります。

データサイエンティストは、データを分析し、事業の判断や予測に使える結果を出します。
機械学習エンジニアは、予測や分類などのモデルをつくり、学習させて精度を高めます。
MLOpsエンジニアは、モデルを本番で動かし続け、更新を繰り返せる仕組みを整えます。
AIエンジニアは、既存のモデルも含めてAIを使い、顧客や社内の業務を支える機能を設計から実装まで担います。自分たちが支援の中で見てきた求人では、生成AIが広がってからは、モデルをつくるよりも、AIを使った機能をどう設計するかを仕事の中心に置くものが増えてきたと感じています。
職種の違いは、AIエンジニア・機械学習エンジニア・データサイエンティストの違いでも比べています。職種名で線を引くより、この流れのどこを任せたいかで、自社が求めている役割を確認します。
AIエンジニアの採用が難しい3つの理由
AIエンジニアの採用を難しくしている理由は、次の3つです。
AIを扱える人材を、多くの企業が求めている
同じ職種名でも、任せる仕事が企業ごとに大きく異なる
どの会社もAIを掲げるため、仕事の中身の違いが求人から見えにくい
多くの企業が求めるAIを扱える人材
AIを扱える人材は、多くの企業が求めています。レバテックの「IT人材白書2026」(2025年11月調査)では、AI導入によってIT人材の増加を検討している採用担当者391名のうち、「AI導入の効果を踏まえて増加予定の職種」(複数回答)としてAI・機械学習エンジニアを挙げた人は32.7%で、ネットワークエンジニアに次ぐ2番目の多さでした(レバテック「IT人材白書2026」)。
求める企業が多いだけでなく、足りていないと答える企業も多くあります。IPA(情報処理推進機構)の「DX動向2026」では、AI関連の人材の充足状況を尋ねた2025年度の調査で、「AIを活用したソフトウェアやシステムを実装できるAI開発者」が不足していると答えた企業は49.9%でした(IPA「DX動向2026」、n=1,781)。
AIエンジニアに任せたい仕事の企業ごとの違い
求人票に「AIエンジニア」と書かれていても、入社後に担う仕事は企業によって大きく異なります。自分たちが支援の中で見てきた求人では、AIエンジニアの役割はおおよそ次の4つに分かれます。職種の違いで挙げた機械学習エンジニアやMLOpsエンジニアの仕事が、AIエンジニアの職種名で募集されていることもあります。
役割の型 | 主な仕事 | 求人票に出てくる言葉 |
|---|---|---|
AIを使った機能の開発 | 生成AIなどを組み込んだ機能を、要件の整理から実装まで担う | LLM(大規模言語モデル)、RAG(社内の資料などを検索し、その結果をAIに渡して回答させる仕組み)、AIエージェント、AIの出力の評価 |
モデルの開発 | 予測や分類、最適化のモデルをつくり、精度を高める | 機械学習、推薦、需要予測、数理最適化 |
基盤と運用 | モデルやAIの機能を、本番で安定して動かし、評価し続ける | MLOps、監視、モデルの更新 |
社内のAI活用の推進 | 開発チームや業務でのAIの活用を広げる。ハーネス(AIのエージェントに渡す指示やテスト、許す操作の範囲)の整備と、評価の手順・利用のルールの展開を担う | AI駆動開発、ハーネスエンジニアリング、開発生産性、業務の自動化 |
1つ目と2つ目は、求める経験が大きく異なります。1つ目はLLMを組み込んだ機能の設計と実装、2つ目は機械学習や数理最適化のモデルの開発が仕事の中心です。選考の論点も、前者は出力の品質を測る評価用のデータ、後者は予測の精度を測る指標と学習データを、自分で用意してきたかに分かれます。
表の4つの型のうち、自社が最も必要としているものを1つ、多くても2つに絞ります。AIを使った機能の開発とモデルの開発を1人に求めると、該当する候補者は大きく減ります。両方が必要な場合は、どちらに時間の多くを使ってほしいかを明確にしておきます。
どの会社もAIを掲げる中で見えにくい仕事の中身
求人やスカウトで「AIを活用したプロダクト」「AIで業界を変える」と掲げる会社は少なくありません。そのため、AIエンジニアの候補者から見ると、どの会社の求人も似た言葉に見えることがあります。
候補者は、その会社でAIを使って何をしていて、何が難しいのかを知りたいと考えています。扱うデータの種類、AIの出力の品質をどう保つか、正解のデータがあるかどうかなど、難しさの中身は会社ごとに違います。この違いが書かれていないと、候補者は他社の求人と見分けられません。
職種名と訴求をAIの仕事が主役に見える形に変えた支援事例
ある支援先では、AIエンジニアの求人の職種名と訴求を、AIの仕事が主役に見える形に変更しました。支援先が特定されないよう、一部をぼかしています。

支援先の依頼時点の求人
ある支援先では、AIを使った機能を担うエンジニアを募集していました。求人の職種名は、バックエンドエンジニアの名前の後ろに、AIの領域を括弧書きで添えたものでした。業務の一覧には、募集を始めた当初の内容がそのまま残っていました。
職種名について自分たちから伝えた2点
採用の方針をすり合わせる打ち合わせで、自分たちからこの職種名について次の2点をお伝えしました。
本来はAIが主な仕事のはずが、この名前ではバックエンドが主でAIが補助の仕事に見えるおそれがある
AIで何をしているかの具体を書き足すと、AIの機能開発を主に担ってきた人からの応募につながりやすくなる
AIの責任者へのヒアリングで分かったこと
先方からの提案で、AIの責任者の方に直接ヒアリングする場を設けました。そこで分かったことは次のとおりです。
求めているのは、機械学習の専門性よりも、AIを使ったアプリケーションを一通りプロジェクトとして形にした経験
モデルをつくる力より、要件を整理する力と、AIを使うときに難しくなる部分を言葉にできる力を重視している
バックエンドは第一の条件ではないが、つくるものを具体的に想像できることは欠かせない
扱うデータには、画像のような形の決まっていないデータと、表形式のデータの両方がある
先方からは、求人にバックエンドと書くと、自分にはそこまでの知識がないと考えて応募を見送る人が多いのではないか、という懸念も挙がりました。
職種名と訴求の変え方
ヒアリングを受けて、次のように変えることにしました。
職種名を「AIエンジニア」に統一する(テックリードを求める場合は併記する)
業務の一覧から、いまは担っていない当初の項目を外す
訴求の軸を、扱うデータの量から、データの多様さに移す
「正解のデータがない領域でAIを立ち上げる」という挑戦を、求人とスカウト文の中心に置く
データの量については、先方のAIの責任者は、量では大手のサービスに勝てないので、量で戦うべきではないと考えていました。この考えと変更点をもとに、自分たちが求人とスカウト文の叩き台をつくり、先方のレビューを受けて仕上げる進め方にしました。
この事例から分かったこと
職種名は、候補者がどの仕事が主なのかを知る最初の手がかりになると思います。そのため、この支援先では職種名から変えることにしました。
また、AIの仕事の中身は、採用担当だけでは言葉にしにくい部分です。この支援先では、AIの責任者に求める経験と自社のAIの仕事の難しさを直接聞いたことで、データの量ではなく多様さを訴求の軸にする方針が決まりました。
AIエンジニアの役割と要件の決め方
要件を決めるときは、技術名を並べる前に「入社した人が最初の1年で何を実現すると成功か」から逆算します。要件を現場と一緒に言葉にする進め方は、現場と目線を合わせる要件ヒアリングの設計でも紹介しています。求人票に書く項目と記入例は、求人票のテンプレートと書き方にまとめています。
要件をつくる前に、採用担当が経営や現場の責任者に確定してもらう項目が5つあります。現場の責任者がいない会社では、代表や、採用を決める立場の人に確定してもらいます。
役割の型
誰の直下に置き、誰が成果を評価するか
任せない範囲
入社後1年の成功の状態
年収の範囲
AIエンジニアの場合は、外部のAIのサービスの利用料金や、GPU(AIの学習や計算に使う処理装置)の費用を、どの予算から出し、誰が上限を承認するかも、あわせて確認しておきます。候補者は、試したい手法を試せる環境かどうかを、この予算から判断します。
採用担当は、この5項目を受け取ってから、次の図の手順で要件を組み立て、スカウトと面接の基準に展開します。

入社後1年の成功の状態
「AIを活用してほしい」だけでは、候補者は何を求められているのかを判断できません。「顧客が手作業で入力している書類の内容を、AIで読み取って自動で登録する機能を本番で提供する」「AIの出力の品質を測る基準をつくり、リリースのたびに確認できる状態にする」のように、入社後に実現したい状態を書きます。この状態が、そのまま要件の根拠になります。
必須と歓迎の区分と経験年数の扱い
必須の要件は、成功の状態から逆算して「これがないと立ち上がれない」ものだけに絞ります。AIエンジニアの要件では、AIの経験年数をどう扱うかで判断が分かれやすくなります。
生成AIを使った開発は、広がってからまだ年数が浅い領域です。「AIの開発経験5年以上」のように年数で区切ると、生成AIを使った機能の開発に強い人ほど対象から外れることがあります。「AIを使った機能を、要件の整理から本番の提供まで一通り担った経験」のように経験の中身で書けば、生成AIを使った開発を短い期間で深く経験してきた人も対象に入れられます。
機能の開発の型では、AIの経験とあわせて、ソフトウェアを本番で動かしてきた経験があるかも確認します。外部のAIのサービスを使う場合は、応答の速さや利用料金まで見積もってきたかが、本番まで届けてきたかを見分ける手がかりになります。
任せない範囲の明記
AIエンジニアには、AIに関わる相談が社内から集まりやすくなります。「社内の業務でのAIツールの導入と運用は情報システムの担当が持つ」「AIを使って何をつくるかの優先順位はPdMが決め、AIエンジニアは技術の観点から意見を出す」のように任せない範囲も書いておくと、候補者は入社後の仕事を正しく想像できます。
AIエンジニアの求人に書かれた年収の幅
ATS(採用管理システム)で公開している正社員求人のうち、AIエンジニアの求人で年収が書かれているもの74件(59社)を、2026年10月に集めて集計しました。対象はスタートアップやIT企業の求人が中心で、同じ会社の求人は3件までにしています。
求人に書かれた年収 | 下限 | 上限 |
|---|---|---|
4分の1の求人がこの金額以下 | 600万円 | 1,000万円 |
中央値 | 700万円 | 1,200万円 |
4分の3の求人がこの金額以下 | 800万円 | 1,500万円 |
AIエンジニアの求人は、役割の型によって上限の書き方が異なることがあります。AIの機能の立ち上げを1人で担う人を想定した求人では上限を高めに書く会社もあり、固定残業代を年収に含めるかどうかでも金額に差が出ます。求人に書かれた幅は募集の範囲を示すもので、内定時の提示額ではないため、自社の範囲は、上限で迎える人に任せる型と仕事を決めたうえで、この表と照らし合わせます。
面談後に要件を見直す日の設定
最初の数名との面談が終わるころに、現場の所感を聞いて要件を見直す日をあらかじめ設定しておきます。AIの領域は技術の変化が速く、求める経験の書き方が数か月で古くなることもあります。
AIエンジニアに魅力を伝える方法
AIエンジニアの候補者のもとには、「AIで業界を変える」といった似た言葉のスカウトが届きやすくなっています。その中で返信をもらえるかは、1通の中で自社のAIの仕事の中身が伝わるかどうかで変わると考えています。スカウトの返信率の考え方は、スカウト返信率の考え方で紹介しています。
AIエンジニアの候補者に伝わる情報
AIエンジニアの候補者には、「AIを活用」という言葉の代わりに、次のような情報を伝えます。
伝える情報 | 書く内容 |
|---|---|
AIで変えたいこと | AIを使って、顧客や社内のどの業務の何を変えようとしているか |
扱うデータ | データの種類と、その難しさ(正解のデータがあるか、形の決まっていないデータか) |
任せる役割 | 機能の開発、モデルの開発、基盤と運用、社内のAI活用の推進のどれか |
品質の評価 | AIの出力の品質を、どう評価しているか |
使える道具と予算 | 使えるモデルや計算資源(外部のAIのサービス、GPUの予算など)と、それを誰がどこまで選べるか |
データの制約 | 顧客のデータをAIに使ううえでの制約 |
まだ試している段階であることは、隠さずに書いて構いません。「いまは社内で試作した段階で、本番で使える品質にする方法を一緒に考えたい」と書けば、立ち上げに関わりたい人には、入社後の仕事が具体的に伝わります。
顧客のデータをAIに使ううえでの制約は、候補者が入社前に確かめたいことの1つです。
個人情報保護委員会は、生成AIのサービスに個人情報を含むプロンプト(AIへの指示や質問の文)を入力する事業者に、注意を呼びかけています。入力する前に、その個人情報の利用目的の達成に必要な範囲内かを十分に確認する、という内容です(個人情報保護委員会「生成AIサービスの利用に関する注意喚起等」、2023年6月)。自社で定めている利用のルールがあれば、面談で具体的に伝えます。
AIエンジニアの候補者の探し方
AIの仕事をしてきた人の肩書きは、AIエンジニアとは限りません。機械学習エンジニア、データサイエンティスト、バックエンドエンジニア、研究職として、AIに関わる仕事を担ってきた人もいます。

1つ目の入り口は職種名です。AIエンジニア、機械学習エンジニア、LLMエンジニアの肩書きを持つ人は対象が明確ですが、多くの企業が同じ層に声をかけています。
2つ目は経験の中身です。「LLMを使った機能の開発」「RAG」「AIの出力の評価」「画像や文書の読み取り」「需要予測」のような言葉は、肩書きにかかわらずAIの仕事をしてきた人の経歴に表れやすい言葉です。求める型がモデルの開発であれば、「数理最適化」「推薦」のように、扱ってきた手法の言葉で探します。
3つ目は隣接する職種です。AIを組み込んだ機能を実装してきたバックエンドエンジニア、モデルの開発から本番の運用まで関わってきたデータサイエンティスト、研究の経験を持ちサービスの開発に移ってきた人も、任せたい型によっては声をかける対象に入ります。
媒体ごとに、集まっている候補者は異なります。モデルの開発の型なら研究や機械学習の経験者が多い媒体、AIを使った機能の開発の型ならWebサービスの開発者が多い媒体のように、任せたい型と相性のよい媒体から優先して使います。どの媒体にどの型の経験者が多いかは、型を表す言葉で各媒体を検索して該当する人数を比べるか、媒体の担当者に登録者の傾向を聞くと確認できます。
AIエンジニアの候補者の見極め方
AIエンジニアの見極めでは、使ったモデルや手法の新しさより、AIを使った機能を本番まで届けてきたか、出力の品質をどう判断してきたかを見ます。媒体のプロフィールと職務経歴書で、扱ってきたAIの領域と、試作だけでなく本番の提供まで関わったかをつかみ、面接で判断の中身を確認します。通過・保留・見送りの基準を現場と合意して残す手順は、書類選考の判定表の作り方にまとめています。
カジュアル面談は、扱うデータや使えるモデルを候補者に知ってもらう場として選考と切り離し、合否の判断には使いません。面談では、候補者からGPUの予算や使えるモデルについて具体的な質問が出やすいため、現場のエンジニアに同席してもらうか、答えを事前に聞いておきます。
選考を通して確認することの例
選考で確かめることは、マインド・姿勢と、経験・スキルの2つの領域に整理できます。どの質問でも、本人が担った範囲と判断の理由を、チームで決めた部分と分けて話してもらいます。
マインド・姿勢では、AIへの関心の向きと、自社のデータや仕事の進め方に合うかを確認します。
質問の例 | 答えから確認すること |
|---|---|
最近面白いと思ったAIの取り組みと、その理由を教えてください | AIの中で関心が向く領域と、理由の具体さ |
正解のデータが用意されている課題と、正解のデータを自分たちでつくるところから始める課題では、どちらに取り組みたいですか | 自社のデータの状態に合う課題を望んでいるか |
新しいモデルや手法が出たとき、仕事で試すかどうかを何を基準に判断してきましたか | 新しい手法を試すかを、自分の基準で決めてきたか |
経験・スキルでは、AIを使った機能を本番に届けるまでの4つの場面と、社内に広げたAIの使い方で誤りが見つかった場面で、判断を自分でしてきたかを確認します。
質問の例 | 答えから確認すること |
|---|---|
本番に出したAIの機能で、出力の品質をどんな評価用のデータと基準で測りましたか。評価用のデータは、どう用意しましたか | 評価用のデータと基準を自分で用意してきたか |
プロンプトの工夫、RAG、ファインチューニング(既存のモデルに自社のデータを追加で学習させること)のうち、どれを何と比べて選びましたか(予測や推薦のモデルを開発する型であれば、評価の指標の選び方と、学習データの偏りへの対処を聞きます) | 手法を比べて選んだ理由を説明できるか |
精度と応答の速さと費用がぶつかったとき、何を優先し、どう決めましたか | 精度・速さ・費用の折り合いのつけ方 |
AIの出力が誤った場合に備えて、人が確認する形にしたことや、AIでは解かないと決めたことはありますか。何を基準に決めましたか | AIに任せない範囲を、基準を持って決めてきたか |
ほかの部署がAIの出力をそのまま業務に使い、後から誤りが見つかったとしたら、最初に何を確かめ、どの手順を変えますか | 誤りの原因を、入力・出力・運用の手順のどこにあるかで切り分けているか |
答えの中身は、次の節で紹介するとおり、同席する現場のAIの責任者かエンジニアに評価してもらいます。
現場の同席と内定前の合意
選考のうち1回は、現場のAIの責任者かエンジニアが面接に同席し、AIの技術の深さを確認します。社内にAIに詳しい人がいない場合は、後の「社内にAIの経験者がいない場合の見極め」の節で紹介するように、社外のAIの経験者に同席を依頼します。
面接の前に、人事が記入シートを用意し、同席する人に共有しておきます。シートには、見てほしい観点を2〜3個と、所見を書く欄を設けます。観点には、評価用のデータの用意の仕方、精度・速さ・費用のどれを軸に手法を比べたか、本番に出すまでに越えた課題などがあります。
面接のあと、同席したAIの責任者かエンジニアに、所見を書いたシートを人事へ提出してもらいます。次の選考に進めるかは、その所見をもとに人事が決定します。採用の可否は、最終面接で直属の上長や経営が確定させます。
内定までに、任せる範囲と任せない範囲を候補者と合意しておきます。合意した業務の範囲が、求人票や労働条件通知書の記載と食い違わないようにします。
社内にAIの経験者がいない場合の見極め
プロダクトの開発責任者やCTOがいる会社では、その人が同席し、出力の品質をどう判断するかに絞って確認します。AIの技術の深さまで確認したいときや、開発の責任者もいないときは、社外のAIの経験者に1回だけ面接を依頼する方法もあります。
人事の担当を置かず、代表が自分で選考を進める会社では、面接の前に、社外のAIの経験者に要件の相談から加わってもらいます。相談では、まずAIで変えたい業務と、表の4つの型のどれを任せるかを決定します。この2つが決まってから、同じ方に面接での所見を依頼すると、要件と見極めの基準がずれにくくなります。
社外の方には、業務委託として守秘の取り決めを先に結び、選考に必要な範囲の候補者の情報だけを渡します。社外の方には所見だけを書いてもらい、合否は社内で決定します。候補者には社外の方の同席を事前に伝えておき、面接が終わったら、渡した書類の削除か返却を依頼します。
AIエンジニアの採用でよくある質問
AIエンジニアと機械学習エンジニアは別々に募集したほうがよいですか
任せたい仕事が2つの型にまたがるなら、AIエンジニアと機械学習エンジニアの求人に分けて出します。型の違いは、「AIエンジニアに任せたい仕事の企業ごとの違い」の節で紹介しています。分けた場合も、それぞれの求人の業務内容と労働条件は、その職種名の仕事の実態に合わせて書きます。
AIの経験年数はどう書けばよいですか
年数より、経験の中身で書くことをおすすめします。生成AIを使った開発は年数が浅い領域のため、年数で区切ると、短い期間で深い経験を積んできた人を外してしまうことがあります。本番の提供まで担ったか、出力の品質をどう評価したかのように、任せたい仕事に近い経験で書きます。
バックエンドエンジニアをAIエンジニアとして採用できますか
任せたい型がAIを使った機能の開発であれば、採用できる場合があります。AIを組み込んだ機能を実装し、出力の品質を評価してきた経験があれば、対象に入れて検討します。モデルの開発が中心の型であれば、機械学習の経験を必須に残します。
技術が分からない採用担当でも見極められますか
AIの技術の深さは、技術が分からない採用担当には見極めが難しいと考えています。一方で、媒体のプロフィールに「本番」「評価」の記述があるか、試作だけで終わっていないかは、採用担当でも経歴から読み取れます。
そこで、スカウトを送る相手と書類選考を通す相手は、採用担当が選ぶ分担にできます。選ぶ基準は、AIの責任者と事前に合意しておきます。生成AIを使った開発に携わった期間や、AIの機能を本番で提供した経験の有無は、経歴から読み取れる条件です。出力の品質を自分で評価してきたかのように読み方に迷う条件は、例となる経歴を1〜2件ずつ見せて、AIの責任者に判断を聞いておきます。技術の深さは、面接で現場のAIの責任者やエンジニアに確認してもらいます。
AIエンジニアの採用に困ったら
AIエンジニアの採用が止まる場所は、要件の段階から内定の手前まで幅があります。困っていることごとに、最初に確認したい点を並べます。専任のAIエンジニアが見つかるまでの体制も、最後の行で取り上げます。
困っていること | まず見直すこと | 参考になる記事・節 |
|---|---|---|
必要な面接の数やスカウトの送付数の見当がつかない | 型ごとの対象者が少ない前提で、採用したい時期から逆算して、必要な面接の数とスカウトの送付数を見積もっているか | |
求人を出しても応募が少ない | 職種名でAIの仕事が主役に見えるか。扱うデータの種類と難しさ、出力の品質の評価の仕方が書かれているか | この記事の「AIエンジニアの候補者に伝わる情報」 |
人材紹介のエージェントから推薦が来ない | 機能の開発とモデルの開発のどちらの型かを、「LLM」「需要予測」のような型を表す言葉と一緒に伝えているか。推薦された人を見送ったときに、理由を返しているか | |
スカウトを送っても返信が来ない | 「AIで業界を変える」のような言葉で終わらず、自社のAIの仕事の中身と、その人の経歴のどこに声をかけたかが書かれているか | |
面接まで進んでも辞退される | 使えるモデルやGPUの予算、顧客のデータを使ううえでのルールを、面接の中で答えられているか | この記事の「AIエンジニアの候補者の見極め方」 |
専任のAIエンジニアがなかなか採用できない | 採用できるまでの間、AIを使った機能の試作や出力の品質の評価を、業務委託・副業のエンジニアや開発会社に任せられないか。任せる場合は、本番に出すかの判断、顧客のデータを渡す範囲、本番環境の権限といった判断を社内の誰が行うかと、採用した社員への引き継ぎの方法を先に決めているか | この記事の「AIエンジニアの採用が必要かどうかを判断する観点」 |
何に困っているのか見当がつかないときや、困りごとがいくつも重なっているときは、お問い合わせからご相談ください。ご相談の際に、いまの求人とスカウトの文面、選考の記録をお送りいただくと、どこで採用が滞っているかを具体的に確認できます。
永井涼平
HRdev代表
レバレジーズ、クラウドワークス等を経て2021年にHRdev創業。18年以上エンジニア採用の最前線に立ち、ログラス・MFS・SALESCORE等の支援実績を持つ。
