データサイエンティストはモデル構築者から AI マネージャーへ移行中

image**

# イントロダクション

プロダクション環境で AI を運用している企業のデータサイエンティストは、モデル構築よりも AI の監督とシステム監視に多くの時間を費やすようになっています。2025 年および 2026 年の求人票や給与データがこれを裏付けています。

LinkedIn の 2025 年データでは、AI リテラシーと大規模言語モデル（LLM）の習熟度が、世界で最も急速に成長しているスキルの 2 つとして特定されました。Lightcast の調査によると、現在 AI 関連の求人の 51% が従来の IT 職種から外れた領域にあります。

AI スキルを持つ労働者は給与が 56% 高くなり、米国では AI スキルを要求する求人は年間約 18,000 ドル多く支払われています。これらのプレミアムをもたらすスキルは、プロンプトエンジニアリング、検索拡張生成（RAG）の統合、MLOps、およびガバナンスワークフローです。生成 AIは、その下のタスク（ダッシュボード作成、SQL 生成、データクリーニング、基本的な可視化）を自動化しています。

数字におけるパターンは、各レポートを通じて一貫しています。プレミアム（高報酬）の対象となるのは、ゼロからモデルを訓練できる人ではなく、モデルをワークフローに組み込み、その誠実性を保ち、成果に対して責任を持てる人です。これは「データサイエンスを行うこと」が日常において何を意味するかという定義を再構築するものであり、この文章の後半では、時間がどこに費やされているかを詳しく解説します。

**

# マルチエージェントシステムのオーケストレーションと管理

最も明確な具体的な兆候は、企業環境におけるマルチエージェントインフラの成長です。

LangGraph、CrewAI、および AutoGen などのフレームワークは、現在、人間の関与を最小限に抑えながら、データ取り込み、特徴量エンジニアリング、モデル評価、レポート作成を処理しています。

Gartner は、2024年第1四半期から2025年第2四半期にかけて、マルチエージェントシステムに関する問い合わせが 1,445% 急増したと報告しています。同社は、2026年末までに企業アプリケーションの 40% に AI エージェントが組み込まれると予測しており、これは 2025 年の 5% 未満から大幅に増加したものです。

このインフラを管理するデータサイエンティストは、複雑なタスクを実行可能なサブタスクに分解し、信頼性の高いフィードバックループを設計し、失敗が連鎖する前に検出するためのガードレール（安全装置）を構築します。これはソフトウェアに応用されたシステム管理のスキルセットです。

この仕事は、モデル開発というよりは分散システム設計のように見えます。エージェント間で状態をやり取りし、リトライには制限が必要であり、上流で単一の幻覚フィールドが発生すると、すべての下流のステップが汚染されてしまいます。この構成におけるデータサイエンティストの役割は、エラーが許容される場所、捕捉しなければならない場所、そしてユーザーに到達する前に人間の署名が必要なステップをマッピングすることです。

エージェントの監督とプロダクションギャップの解消

**

自律型エージェントへの熱狂は、2025 年後半には生産環境の現実と直面しました**。

最初の完全自律型エージェントは予測不可能で非効率的であり、監査も困難でした。この分野は、明確な境界線、条件付きロジック、人間が関与するチェックポイントを備えた専門化されたエージェントによる調整されたシステムである構造化されたエージェントワークフローへと移行しました。

McKinsey の 2026 年 4 月の調査では、人間の役割が実行からエージェント駆動型ワークフローの監督とオーケストレーションへとシフトしていることが示されました。

**

規模の問題は数値に表れています：企業のほぼ 3 分の 2 がエージェントの実験を実施しましたが、実質的な価値をもたらすためにスケールさせた企業はわずかです。10 社中 8 社はデータ制限を主な障壁として挙げています。現在、データサイエンティストの時間の多くが、パイロットと本番環境の間にあるこのギャップで費やされています。

MIT スローン・スクール・オブ・マネジメントとボストン・コンサルティング・グループ (BCG) の 2025 年エージング・アジェンティック・エンタープライズレポート は、核心的なトレードオフを特定しました：過度の監視は自律性の効率向上を相殺し、一方、不十分な監視はコンプライアンスと評判へのリスクを生み出します。その閾値を調整するには、ドメイン固有の専門知識と組織的な文脈が必要です。これは自動化できるものではありません。

実際には、パイロットから本番環境へのギャップを埋めるとは、どのエージェントの決定がログに記録され、バッチ処理でレビューされるべきか、また実行前に同期型の人間の承認が必要かを決定することを意味します。スケールする企業では、データサイエンティストがエージェントの監視をデバッグ作業ではなく、製品としての表面として扱っています。「ノートブック内ではモデルが機能している」という異なるメンタルモデルであり、これが評価されるものです。

# モデルの評価とプロンプトエンジニアリング

モデルを構築することはもはや業務の全範囲ではありません。

企業は、モデルのパフォーマンスを継続的に追跡し、障害を検出し、再トレーニングサイクルを管理し、データやユーザーの行動の変化に伴って AI システムが正確性を保つようにする人材を必要としています。その一方で、MLOps は独自のフルタイム専門分野として確立されました。

プロンプトエンジニアリングも同様の道筋をたどっています。これにはコンテキストウィンドウの管理、グラウンディング手法、ハルシネーション（幻覚）の低減、および入力と出力に対する体系的なテストが含まれます。2025 年にプロンプトエンジニアリングの役割は 135.8% 増加しました。企業のプロンプトシステムをストレステストする実践者は、品質工学における業務と構造的に類似した作業を行っています。

**

評価とプロンプトエンジニアリングを結びつけるのは、どちらもモデルを完成品ではなくコンポーネントとして扱う点です。評価はharnesses**（ハルネス：テスト用枠組み）や回帰スイート、ドリフト監視器を活用しますが、これらすべてが果たす目的は同じです。つまり、顧客が気づく前に、「以前は機能していたシステム」が機能を停止した瞬間を検出することです。これらのハルネスを構築できるデータサイエンティストこそが、AI 機能がローンチ週を超えて出荷可能であり続けるための業務を担っています。

# AI システムのガバナンスと規制

ガバナンスは現在、特定の技術要件となっています。

EU AI 法、NIST AI リスク管理フレームワーク (AI RMF)、および OWASP の大規模言語モデル (LLM) アプリケーション向けトップ 10（2025年版） は、プロンプトへのインジェクション脆弱性のテスト、出力の検証、依存関係の見直し、AI システムに対するアクセス制御の適用を必要とするコンプライアンスの範囲を形成しました。

「AI ガバナンス責任者」という専任の職種名が現れており、これは 2023 年にはほとんど存在しなかったカテゴリです。

ガバナンス経験者を募集する企業は、ビジネスの文脈とシステムの故障モードの両方を理解した監査役や品質レビュー担当者を求めています。

この役割が法務チームやセキュリティチームではなくデータサイエンティストに属している理由は、その制御手段が技術的なものであるためです。プロンプトインジェクションテスト、出力バリデーター、依存関係の見直しには、ポリシーだけでなくシステム自体を読み解ける人材が必要です。

ガバナンス業務は、規制圧力、セキュリティ体制、モデルの振る舞いが同じレビュー会議で交差する仕事の一部となりつつあり、その会議を主宰する人物はこれら三つの用語体系すべてを理解している必要があります。

ビジネスへの影響の解釈

**

モンテカルロの2025年研究では、アジェンシーAI（自律型AI）の1ステップあたりの精度が75〜90%と測定されており、これが3ステップの連鎖にわたると約50%に低下します。

その精度レベルにおいて、ドメイン知識とシステムの故障モードを理解している人物こそが、製品の信頼性層となります。彼らは累積するエラー率をビジネスリスク評価に変換し、何を安全に出荷できるかを決定し、推薦によって顧客に見える問題が発生した際に何が起きたのかを説明します。

そのような作業をエージェントが単独で行うことはできません。それには、人間だけが持つ組織的な知識と責任の所在が必要です。

ここでもまた、役割はエンジニアリングというよりは製品判断のように見え始めます。**

エンドツーエンドで50%の精度では、自動払い戻しには許容できず、ドラフトメール作成には適しており、内部推薦についてはその中間となります。それぞれがどれに該当するかを見極めることが仕事であり、モデルが向上してもこの部分は安価になることはありません。

# 結論

**

プロダクションでAIを実行している企業では、日常業務は多くのデータサイエンティストの職務記述書に記載されているものとはすでに異なります。そこにはシステム設計、評価の規律、アジェンシーの監督、プロンプト品質エンジニアリング、ガバナンスが含まれます。**

AI ガバナンスのリーダー、MLOps スペシャリスト、プロンプトエンジニアは、現在 AI 関連市場において最も急速に成長している役割です。

次のキャリアステップを計画するデータサイエンティストにとって、この変化を早期に理解することは価値があります。データサイエンスのキャリアパスは、従来のカリキュラムではカバーされていないシステム所有権やガバナンスのスキルを経由するものへと変化しています。これらのスキルは習得可能です。しかし、それらの需要は、多くのプログラムが対応できる速度よりも急速に高まっています。

実践的な教訓として、次のポートフォリオ作品はおそらく別の Kaggle ノートブックではないでしょう。それは評価用ハッチ（harness）、ログされた失敗を含むマルチエージェント・ワークフロー、あるいは既存システムのガバナンスレビューです。これらの成果物は、採用担当者が現在求人票に記述している内容と直接対応しており、モデルを構築するデータサイエンティストと、それを実行することを信頼されるデータサイエンティストを分ける要素となっています。