AIを「使う側」として働く会社員にとって、「AIエンジニアリング」という言葉はどこか遠い話に聞こえるかもしれません。でも、AI開発の第一人者であるアンドリュー・ングが最近公開したスキルマップを読むと、その中身の多くが「エンジニアじゃなくても知っておくべきこと」で構成されていることに気づきます。この記事では、そのスキルマップを会社員の仕事に引きつけて整理します。
アンドリュー・ングが示したスキルマップの全体像
アンドリュー・ングはGoogle BrainやCourseraの創設に関わり、現在はAI Fundを率いる人物です。彼が今回公開したのは、AIエンジニアリングを構成するスキルの地図とも言えるもので、単なる技術リストではなく「何がどうつながっているか」を示した構造図になっています。
大きく分けると、スキルは以下の層に整理されています。
- 基礎層：プログラミング、数学・統計の基礎、データの扱い方
- モデル層：LLM（大規模言語モデル）の仕組み、ファインチューニング、評価方法
- アプリケーション層：RAG（検索拡張生成）、エージェント設計、プロンプトエンジニアリング
- 運用層：デプロイ、モニタリング、コスト管理
この4層構造を見たとき、エンジニアでない会社員が「全部やらなきゃいけないのか」と思うのは早計です。重要なのは、どの層を「理解する」べきで、どの層を「できる」ようにするかを見極めることです。
会社員が「理解」すべき層と「できる」ようにする層
スキルマップの全層を習得しようとすると、それはフルタイムのエンジニア転職と同じ話になります。30〜40代の会社員にとってリアルな選択肢は、「理解の深度」を層ごとに変えることです。
基礎層については、Pythonの基本文法やAPIの呼び出し方を知っておくと、AI関連のプロジェクトで開発者と話すときに「何を依頼しているか」が伝わりやすくなります。完全に書けなくてもよく、読んで意味がわかる程度で十分です。たとえば、マーケティング部門で働く35歳の担当者が、社内のAIツール導入プロジェクトに参加する場面を想像してください。開発者が「APIのレート制限が問題で」と言ったとき、それが「1分間に送れるリクエスト数の上限」だと理解できるだけで、議論の流れについていけます。これは技術習得というより、語彙の習得に近い話です。
アプリケーション層、特にプロンプトエンジニアリングとRAGの概念は、会社員が「できる」ようになる価値が最も高い領域です。プロンプトエンジニアリングとは、AIへの指示の出し方を工夫することで、出力の質を大きく変える技術です。プロンプトの書き方ガイドでも整理しているように、指示の構造を少し変えるだけで、同じAIツールから得られる回答の精度が変わります。RAGは「社内文書をAIに読み込ませて質問に答えさせる」仕組みと理解すれば十分で、仕組みを実装する必要はなく、「こういうことができる」と知っておくだけで社内提案の幅が広がります。
スキルマップが示す「エージェント設計」の重要性
アンドリュー・ングのマップで特に強調されているのが、AIエージェントの設計スキルです。AIエージェントとは、単に質問に答えるだけでなく、複数のステップを自律的に実行するAIの仕組みを指します。
たとえば「競合他社の最新情報をウェブで調べ、Excelに整理し、要約レポートを作る」という作業を、人間が細かく指示しなくても自動でこなすのがエージェントです。この概念を知っている会社員と知らない会社員では、社内のAI活用提案の具体性がまったく変わってきます。営業企画部門の40代マネージャーが、「週次の競合レポート作成をエージェントで自動化できないか」と提案できるのは、エージェントという概念を知っているからです。逆に知らなければ、「ChatGPTで何かできないか」という曖昧な話で終わります。
エージェント設計を「できる」ようにするにはプログラミングが必要ですが、「どういうタスクに向いているか」を理解するだけなら、ツールを触りながら1〜2週間で感覚がつかめます。
スキルの習得順序：何から始めると効率がいいか
スキルマップを前にして「どこから手をつければいいか」は、現在の仕事内容によって変わります。ただ、AIエンジニアリングの文脈で会社員が最初に投資すべき領域は、おおむね以下の順序が現実的です。
最初に取り組む価値が高いのは、プロンプトエンジニアリングです。ツールは何も要らず、今日からChatGPTやClaudeで試せます。次に、RAGやエージェントの「概念理解」に進むと、社内のAI活用議論で発言できる場面が増えます。その先にPythonの基礎を置くと、「自分で簡単なスクリプトを書く」という選択肢が生まれます。
逆に、モデルのファインチューニングやデプロイは、エンジニア職への転換を考えていない限り、後回しにしてよい領域です。知識として知っておくのは悪くないですが、時間を集中投資する優先度は低めです。
下の表は、会社員の立場からスキルマップの各領域を整理したものです。
| スキル領域 | 会社員に必要な深度 | 習得にかかる目安 |
|---|---|---|
| プロンプトエンジニアリング | 「できる」 | 2〜4週間 |
| RAGの概念 | 「理解する」 | 3〜5日 |
| エージェント設計の概念 | 「理解する」 | 1〜2週間 |
| Pythonの基礎 | 「読める」 | 1〜2ヶ月 |
| LLMの仕組み | 「知っている」 | 1〜2週間 |
| ファインチューニング | 不要（概念のみ） | — |
| デプロイ・運用 | 不要（概念のみ） | — |
「AIを使う仕事」と「AIを作る仕事」の境界線
アンドリュー・ングのスキルマップが示している重要なメッセージのひとつは、「AIエンジニアリング」の範囲が以前より広がっているという点です。かつてはモデルを訓練できる人だけが「AIエンジニア」と呼ばれていましたが、今はプロンプトを設計してアプリケーションを組み立てる人も同じ文脈で語られます。
これは会社員にとって追い風です。コードをゼロから書かなくても、AIを組み合わせて業務フローを作れる人は、組織の中で明確に価値を持ちます。ChatGPTの使い方ガイドで紹介しているような日常的な活用から始めて、徐々にエージェントやRAGの概念に踏み込んでいくルートは、技術的なバックグラウンドがなくても現実的に歩めます。
ただし、「AIを使う仕事」と「AIを作る仕事」の境界線は今後も動き続けます。ノーコードツールが進化すれば、今はエンジニアが担っている部分を会社員が担えるようになる可能性があります。スキルマップは固定された地図ではなく、1〜2年単位で書き換わるものとして見ておく必要があります。
まとめ
アンドリュー・ングのスキルマップは、「AIエンジニアになるための全科目表」として読むより、「自分がどこに立てばいいかを考えるための地図」として使う方が、会社員には実用的です。全部習得しようとするより、プロンプトエンジニアリングから始めて、エージェントやRAGの概念を理解し、必要に応じてPythonに踏み込む、という順序が多くの会社員にとって現実的な道筋です。
あなたの今の仕事の中で、「ここが自動化できたら」と思う作業はどこにありますか。そこがスキルマップへの入り口になります。
