はじめに：AIで「楽になる」ほど、エンジニアの差が開く
生成AI（LLM）が当たり前になって、コーディングは以前より速くなりました。けれど同時に「誰でもそれっぽいコードが出せる」状態にもなり、価値の差は“実装そのもの”以外のところでつきやすくなっています。
この記事では、AI時代に強いエンジニアになるための必須スキルを10個に絞って、明日からの行動がイメージできる形でまとめます。難しい話もしますが、なるべく親しみやすくいきます。
必須スキル10：AIを「使う人」から「武器にする人」へ
1. 問題設定力（何を解くべきかを言語化する）
AIは解法候補を大量に出せます。でも、そもそも何を解くのかが曖昧だと、最短で迷子になります。
- 目的：売上？コスト？ユーザー体験？リスク低減？
- 制約：期限、予算、法務、既存システム、運用体制
- 成功指標：SLO/SLI、CVR、解約率、工数削減率など
実務では「AIで○○したい」を聞いたら、“で、何がどれくらい良くなれば成功？”を最初に聞ける人が強いです。
2. 要件定義と仕様化（曖昧な希望を実装可能にする）
生成AIは“それっぽい”文章もコードも作れますが、要件が曖昧だと品質も曖昧になります。エンジニアが強いのは、仕様の境界線を引けるところ。
- ユーザーストーリー（例：誰が、何のために、何をする）
- 受け入れ条件（Given/When/Then）
- 非機能要件（性能、可用性、監査ログ、権限など）
AIに相談する時も、仕様がしっかりしているほどアウトプットの当たり率が上がります。
3. AIリテラシー（LLMの得意・不得意を理解する）
“AIが言うなら正しい”は危険です。強い人は、LLMを便利な推論エンジンとして扱いつつ、限界も把握しています。
- 幻覚（Hallucination）：自信満々に嘘を言うことがある
- データ鮮度：最新仕様・社内事情は知らない前提で扱う
- 確率的出力：同じ質問でも答えが揺れる
逆に得意領域は、要約、翻訳、案出し、コードの叩き台、テストケース案など。「どこまでAIに任せ、どこから人が検証するか」を設計できると一段上です。
4. プロンプトではなく「指示設計」（再現性のある依頼を組む）
一発芸のプロンプトより、仕事で効くのは再現性です。おすすめは「役割・目的・制約・入力・出力形式・評価基準」をセットにすること。
例（要点）：あなたはSRE。目的は障害の再発防止。制約は既存のAWS構成を変えない。入力はインシデントログ。出力は原因仮説、追加調査項目、恒久対策案を優先度順に。
これだけで、AIの回答はかなり“使える資料”になります。
5. データ設計・データ品質（AI以前に「データで勝つ」）
AIプロダクトの成否は、モデルよりもデータの質で決まる場面が多いです。特にRAG（検索拡張生成）では顕著。
- ログ設計（イベント名、属性、粒度、欠損の扱い）
- データの正規化、マスタ管理、データ契約（Data Contract）
- PII（個人情報）の取り扱い、匿名化・マスキング
ツール例としては、BigQuery/Snowflake、dbt、OpenMetadata/Amundsen、Great Expectationsなどが現場でよく出ます。
6. 検証力（評価指標・テスト・計測の設計）
AI時代は「作れる」より「正しく効いていると証明できる」が強いです。生成AIの評価は特に難しく、仕組み化が重要になります。
- オフライン評価（既知の質問セットで正答率/再現率など）
- オンライン評価（A/Bテスト、段階的リリース、ガードレール）
- 自動評価（LLM-as-a-judge）＋人手レビューの併用
ツール例：LangSmith、Langfuse、Weights & Biases、Evidently、OpenTelemetry など。まずは「品質を数で語れる」状態を目指しましょう。
7. セキュリティ／プライバシー／ガバナンス（守りができる人が最後に勝つ）
生成AI導入で増える事故は、プロンプトや学習データを通じた情報漏えいや、権限設計の甘さです。ここを押さえられるエンジニアは重宝されます。
- 機密情報の取り扱い（社内ポリシー、DLP）
- アクセス制御（最小権限、監査ログ、鍵管理）
- プロンプトインジェクション対策（入力の分離、許可リスト、ツール呼び出し制御）
加えて、EU AI Actなど規制の話題も増えています。法務担当じゃなくても、「この要件は規制・契約に触れそう」と気づけるだけで強いです。
8. システム設計力（AIを組み込んだアーキテクチャを描く）
AI機能は単体では価値が出にくく、既存の業務フローやシステムに“ちゃんと”組み込む必要があります。
- RAG（ベクトルDB＋検索＋生成）
- エージェント（ツール実行、ワークフロー自動化）
- キャッシュ、レート制限、フォールバック（AIがダメでも壊れない設計）
ベクトルDBは Pinecone、Weaviate、Milvus、pgvector など。大事なのはツール名より、「どこで失敗しうるか」まで含めて設計する視点です。
9. コスト・性能最適化（“速い・安い・安全”を両立する）
LLMは便利ですが、使い方を誤るとコストが跳ねます。AI時代の性能改善は、CPUやSQLだけでなくトークンも相手になります。
- プロンプト短縮、コンテキスト圧縮、要約の活用
- 小型モデルへの段階的フォールバック（ルーティング）
- バッチ処理、キャッシュ、ストリーミング応答
実務で効く目安としては「1リクエストあたりのコスト」「1日あたりの上限」「ピーク時レイテンシ」をダッシュボード化して、チームで見える化するのが王道です。
10. コミュニケーションと文章力（AI時代ほど“伝える力”が武器になる）
最後は意外と地味ですが、めちゃくちゃ効きます。AIが下書きを作ってくれるからこそ、最終的に筋の通った文章・合意形成ができる人が強いです。
- 設計意図を残す（ADR: Architecture Decision Record）
- レビューしやすいPR（目的、変更点、検証方法を短く）
- ステークホルダー向けに「技術→価値」へ翻訳する
“話が早いエンジニア”は、AI時代にますます価値が上がります。
明日からの実践：10スキルを最短で伸ばすやり方
ステップ1：自分の仕事を「AI前提」に分解する
今の業務を、判断（人）と作業（AI）に分けます。例えば実装はAIに寄せ、あなたは仕様・テスト・リスク判断に寄せる、という感じです。
ステップ2：小さく作って、評価を仕組みにする
PoCで終わらせず、評価指標とログを最初から入れます。生成AIは“動く”だけだと危なくて、計測できて初めてプロダクトになります。
ステップ3：週1で「AIに壊されない設計」を書く
おすすめは、毎週1本、ADRや設計メモを残すこと。AIに書かせてもいいので、最終的に自分の言葉で整える。これが文章力と設計力を同時に鍛えます。
おわりに：AIを恐れるより、“任せどころ”を増やそう
AI時代に強いエンジニアは、魔法のスキルを持っているわけではありません。問題設定→仕様化→検証→運用の筋を通しつつ、AIに任せられる部分を賢く増やしていける人です。
もし今どれから始めるか迷ったら、まずは「評価（スキル6）」と「文章化（スキル10）」がおすすめです。成果が見えやすく、チームにも効きやすいので、成長の手応えが早く出ます。
