jinbay無料で相談する

AIエンジニアへの転身ガイド

SIerのSEから生成AIエンジニアへ|要件定義の強みと、手を動かす経験の補い方

SIer の SE が生成AIの開発に移るときに活きる経験(要件定義、業務知識、非機能要件)と、不足しがちな「自分で手を動かす経験」の補い方、職務経歴書の書き換え例をまとめました。

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)

企業の生成AIの導入は、試作まではうまく進んでも、本番に乗るところで止まることがよくあります。どの業務に使うのか、どの精度なら使えるのか、誤った答えが出たときに誰がどう確かめるのか、既存のシステムや権限とどうつなぐのか。これらが決まらないまま試作だけが増えていきます。

ここで必要になるのは、業務を理解して要件を決め、関係者と合意しながらシステムを本番に乗せる力です。SIer の SE が積んできた経験は、まさにこれです。一方で、AIスタートアップの選考では「自分でコードを書けるか」を必ず確かめられます。この記事では、強みの見せ方と、手を動かす経験の補い方を説明します。

顧客先に入り込んで導入まで担う FDE(Forward Deployed Engineer)を目指す場合は、SIer から FDE へもあわせて読んでください。この記事は、生成AIのアプリそのものを作るエンジニアを目指す場合に絞ります。

そのまま活きる経験

これまでの経験生成AIの開発での使われ方
要件定義・業務分析業務のどこに LLM を使い、どこは人やプログラムが判断するかを切り分ける
業界の業務知識(金融・製造・公共など)業界特有の書類、用語、判断の基準を、プロンプトや評価データに落とし込む
非機能要件の設計応答時間、可用性、ログの保存期間、監査への対応を、生成AIの機能でも定義する
セキュリティ審査への対応顧客の情報システム部門のチェックシートに答え、データの扱いを説明する
受け入れ試験の計画「何問中何問正しければ受け入れるか」という精度の受け入れ基準を顧客と決める
既存システムとの連携基幹システムや文書管理システムからデータを取り出し、権限を保ったまま検索させる

精度の合意を取れる人は少ない

生成AIのシステムは、100%正しい答えを保証できません。そのため、「どの種類の質問で、何%の正答率なら業務で使えるか」「間違えたときの確認の手順はどうするか」を、要件として顧客と決める必要があります。曖昧なまま進めると、後になって「思っていたのと違う」となります。

受け入れ基準を文書にして合意を取る経験は、生成AIの導入でとても重宝されます。ただし、精度の扱いは契約の形によって責任の範囲が変わるので、実際の進め方は会社や案件ごとの決まりに従ってください。

足りない経験と、埋め方

1. 自分で手を動かす経験

SIer の SE は、経験年数が上がるにつれて設計や管理が中心になり、コードを書く機会が減りがちです。AIスタートアップでは、少人数で設計から実装、運用までを担うことが多く、書類選考や技術面接でコードを書く力を確かめられます。

埋め方は、自分で作ることしかありません。業務時間外に、次のようなものを作ってください。

  • LLM の API を使い、社内規程のような長い文書に答える RAG(検索拡張生成)のアプリ
  • 業務の書類(見積書や申込書など、公開されているひな形)から項目を抜き出して JSON にするアプリ
  • 評価データ50問と、正答率を出すスクリプト

作ったものは GitHub に公開し、README に何を作り、どう測り、何が分かったかを書きます(GitHub の書き方)。

2. 繰り返し改善する進め方

ウォーターフォールでは、要件を先に固めてから作ります。生成AIの開発では、作って測り、直してまた測る、を短い間隔で繰り返します。最初に決めた設計が、評価の結果を見て大きく変わることも普通です。この進め方に慣れるには、個人開発で何度も評価を回す経験が役に立ちます。

3. クラウドと今の開発の道具

Git、プルリクエストでのレビュー、CI、コンテナ、クラウドのマネージドサービスは、AIスタートアップでは前提になっています。社内で使っていなかった場合は、個人開発で一通り使っておいてください。

学ぶ順番

  1. Python と Git を毎日触る状態にする(2〜4週間)。小さなスクリプトでよいので、毎日コミットする習慣をつけます。
  2. LLM の API で、業務の書類から項目を抜き出すアプリを作る(2〜3週間)。出力の形を固定し、失敗したら再試行する処理まで書きます。
  3. RAG を作り、評価データで測る(3〜4週間)。業務知識を活かして、現場で実際に聞かれそうな質問を作るのがポイントです。
  4. クラウドにデプロイし、ログを取る(2週間)。応答時間、費用、失敗の記録を見られるようにします。

職務経歴書の書き換え例

SIer の職務経歴書は、顧客名や案件の詳細を書けないことが多いと思います。業種と規模で説明すれば十分伝わります(守秘義務がある場合の書き方)。

職務要約

書き換える前 SIer にて金融機関向けシステムの開発に10年間従事。要件定義から運用まで一貫して担当し、PM として最大30名のチームを管理。

書き換えた後 SIer で地方銀行向けの融資関連システムの開発に10年間携わり、要件定義、基本設計、受け入れ試験の計画を担当しました。直近2年は行内文書の検索に生成AIを使う試作で、精度の受け入れ基準を行内の担当部署と合意し、本番化の要件をまとめました。個人では Python で RAG のアプリを作り、評価データ80問で正答率を測りながら改善しています。業務の理解と実装の両方を担えるエンジニアとして、生成AIのプロダクト開発に携わりたいと考えています。

管理した人数よりも、何を決め、何を自分で作ったかを前に出します。

プロジェクトの書き方

書き換える前 生成AI導入 PoC の推進を担当。

書き換えた後 生成AIによる行内規程の検索の試作で、利用部署への聞き取りから質問の種類を5つに分類し、評価データ100問を作成しました。種類ごとの正答率を出して、本番の対象を正答率の高い3種類に絞る判断を顧客と合意しました。

「推進」「担当」で終わらせず、自分が何をしたかを動詞で書いてください。

応募先の選び方

  • 企業向けに生成AIの導入や開発を受ける会社:要件定義と業務知識がそのまま評価されます。SIer からの移りやすさは一番です。
  • 業界特化の生成AI SaaS:金融、製造、医療など、前職の業界向けの製品を作る会社です。業務知識が製品の質に直結します。
  • 事業会社の AI 推進部門:社内の業務に生成AIを入れる部門で、要件をまとめる力と実装の両方が求められます。

最初から自社プロダクトを高速に開発するスタートアップを目指す場合は、個人開発の量と質が選考を大きく左右します。

まとめ

  • 要件定義、業務知識、非機能要件、精度の受け入れ基準の合意は、生成AIの本番化で強く求められる
  • 足りないのは自分で手を動かす経験で、個人開発と GitHub の公開で補う
  • 職務経歴書では、管理した人数より、何を決めて何を作ったかを書く

SIer の経験は、応募先の選び方で評価が大きく変わります。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。

あわせて読みたい