AIエンジニアへの転身ガイド
バックエンドエンジニアから生成AIエンジニアへ|活きる経験と、職務経歴書の書き換え方
更新日 2026年11月16日 / 書いた人 上田 英介(ジンベイ株式会社 代表取締役/職業紹介責任者)
生成AIの開発で求められる仕事の多くは、実はバックエンド開発です。LLM を呼び出す部分は全体の一部で、残りは API、データベース、非同期処理、認証、監視といった、バックエンドエンジニアが毎日やっている仕事です。
そのため、バックエンドから生成AIの開発への転身は、AIの分野の中でも特に移りやすいルートです。この記事では、そのまま活きる経験、足りない経験、職務経歴書の書き換え方を順に説明します。
そのまま活きる経験
AIスタートアップの選考で、バックエンドの経験は次のように評価されます。
| これまでの経験 | 生成AIの開発での使われ方 |
|---|---|
| API の設計と実装 | LLM を組み込んだ機能を、プロダクトの API として提供する |
| データベース設計 | 会話履歴、文書、評価結果の保存。ベクトル検索の拡張(pgvector など)も、まずはリレーショナルデータベースの知識が土台になる |
| 非同期処理・キュー | 時間のかかる生成処理や、大量の文書の取り込みを裏で動かす |
| 外部 API との連携 | LLM の API も外部 API の1つ。タイムアウト、再試行、流量制限の扱いがそのまま要る |
| 監視・障害対応 | 応答時間、費用、失敗率の監視。生成AIは「動いているが答えがおかしい」という障害があるので、監視の設計はむしろ難しくなる |
| 権限の設計 | 社内文書を検索させるとき、見てよい文書だけを検索させる |
特に評価されるのは、本番で動いているシステムを運用した経験です。生成AIの分野では、試作は作れても本番で安定して動かせる人が足りていません。
足りない経験と、埋め方
バックエンドエンジニアに足りないのは、次の3つです。
1. 精度を測る習慣
普通の API は、正しく動くか動かないかで判断できます。LLM のアプリは、同じ入力でも答えが毎回少し違い、「だいたい合っている」が続きます。そのため、評価用のデータを作り、変更のたびに正答率を測るという進め方が欠かせません。
まずは、自分で作ったアプリに質問と正解を30〜50問用意し、プロンプトや検索のしくみを変えるたびに正答率がどう動くかを記録してみてください。この経験は、職務経歴書でも面接でも強い材料になります。
2. 検索のしくみ(RAG)の理解
社内文書をもとに答えるアプリの多くは、RAG(検索拡張生成)という作りです。文書をどう分割するか、キーワード検索とベクトル検索をどう組み合わせるか、検索結果をどう並べ替えるかで、精度が大きく変わります。
検索エンジンを作った経験がなくても大丈夫です。全文検索の機能を作ったことがあれば、その経験は活きます。
3. LLM の得意・不得意の感覚
LLM は、決まった形式で出力させる、計算する、最新の情報を答える、といったことが苦手です。苦手なことは LLM にさせず、プログラム側で処理する設計が大切です。これは実際に作って失敗しながら身につけるのが一番の近道です。
学ぶ順番
働きながら学ぶなら、次の順番がおすすめです。
- LLM の API で小さなアプリを作る(1〜2週間)。出力の形式を JSON に固定する、失敗したら再試行する、といった基本を押さえます。
- 自分の手元の文書で RAG を作る(2〜4週間)。技術書のメモや社内の公開してよい資料など、答えを自分で判断できる文書を使います。
- 評価データを作って改善する(2〜4週間)。正答率が何%から何%になったかを記録します。
- ツールを使う AIエージェントを作る(2〜4週間)。検索や計算をツールとして持たせ、複数の手順をこなす処理を作ります。
1〜3まで終われば、職務経歴書に書ける経験として十分です。業務で使う機会がなければ、個人開発として書きます(書き方は個人開発の書き方を参照)。
職務経歴書の書き換え例
同じ経験でも、書き方で伝わり方が大きく変わります。
職務要約
書き換える前 Web サービスのバックエンド開発に5年間従事。Go と Python での API 開発を担当。
書き換えた後 Web サービスのバックエンド開発に5年間携わり、決済と会員基盤の API を担当しました。2025年からは業務の傍ら RAG を使った問い合わせ対応の試作を進め、評価データ50問で正答率を58%から81%に改善しました。本番運用の経験を活かし、LLM を組み込んだ機能を安定して提供する仕事に携わりたいと考えています。
ポイントは、バックエンドの経験を省かずに書き、そのうえで生成AIに関わった経験を数字つきで足すことです。
プロジェクトの書き方
バックエンドのプロジェクトでも、生成AIの開発で活きる部分を強調できます。
- 外部の決済 API との連携 → 「タイムアウトと再試行、流量制限を考えた外部 API 連携を設計」
- 夜間の一括処理 → 「途中で失敗しても再実行できる非同期のジョブに分割」
- 監視 → 「応答時間と失敗率の監視を整備し、障害の検知までの時間を短縮」
どれも、LLM の API を本番で扱うときにそのまま要る経験です。
応募先の選び方
バックエンドから移るなら、次のような会社が合いやすいです。
- LLM を組み込んだ SaaS を作っている会社:既存のプロダクトに生成AIの機能を足す仕事が多く、バックエンドの経験がいちばん活きます。
- AIエージェントを作るスタートアップ:外部サービスとの連携や、長い処理の管理が多く、設計の力が問われます。
- 企業向けに生成AIを導入する会社:お客様の既存システムとつなぐ仕事が多く、業務システムの経験が評価されます。FDE(Forward Deployed Engineer)として入る道もあります。
反対に、モデルそのものを作る研究開発の求人は、機械学習の研究経験を求められることが多いので、最初の転職先としては難易度が上がります。
まとめ
- 生成AIの開発の大半はバックエンド開発で、本番運用の経験はそのまま評価される
- 足りないのは「精度を測る習慣」「RAG の理解」「LLM の得意・不得意の感覚」の3つ
- 職務経歴書では、バックエンドの経験を省かず、生成AIの経験を数字つきで足す
生成AIの開発経験がまだ少なくても、応募できる求人はあります。どの会社なら今の経験が活きるか、職務経歴書を見ながら一緒に整理します。
