- TOP
- スニフアウトAIメディア
- FDE育成研修
- FDE に必要なスキル:現場の課題から逆算した技術の力と技術以外の力
FDE に必要なスキル:現場の課題から逆算した技術の力と技術以外の力
FDE に必要なスキルは、現場を理解して合意を作る技術以外の力と、AI エージェントを作り、評価し、運用する技術の力の両方です。技術の力はプロンプトから LLMOps までの 4 つの層で整理でき、どちらも資格ではなく成果物で確かめます。
目次
FDE に必要なスキルは、現場で業務を理解して関係者と合意を作る技術以外の力と、AI エージェントを作り、評価し、運用する技術の力の両方です。技術の力は、プロンプト、コンテキスト、ハーネス、評価と運用(LLMOps)の 4 つの層で整理でき、その外側を、出口戦略や合意づくりといった AX(AI による業務と事業の変革)のプロジェクトマネジメントが包みます。どちらの力も、資格や知識の量ではなく、作った成果物で確かめます。
ここでは、私が共著で執筆している書籍と、スニフアウトの FDE育成研修で使っている整理をもとに、FDE のスキルを現場の課題から逆算して説明します。FDE という職種そのものの説明は FDE とは にまとめています。
6 つの仕事から見た FDE のスキル
FDE の仕事は、現場を理解する前半と、作って定着させる後半に分かれます。仕事ごとに求められる力を並べると、何を身につければよいかが具体的になります。
| 仕事 | 内容 | 求められる力 |
|---|---|---|
| 現場理解 | 業務の流れ、データ、使う人を現場で確かめる | 相手の言葉で話し、聞き取る |
| 要件定義 | 守る条件と、確かめる仮説を分けて書く | 課題を、解ける大きさに分ける |
| 戦略策定 | なくす業務と、浮いた時間の行き先を決める | 関係者に説明して合意を作る力と、何が良い結果かを見極める力 |
| 設計 | 人の確認を入れる位置と、動き出すきっかけを決める | AI エージェントの設計、権限とセキュリティ |
| 構築 | AI エージェントを作り、現場で試す | AI エージェントの実装、社内のシステムやデータとの連携 |
| 運用 | 評価して直し、担当者に引き継ぐ | 出力の良し悪しを確かめる評価 |
前半の現場理解、要件定義、戦略策定では、聞き取る力、課題を分ける力、合意を作る力が中心です。後半の設計、構築、運用では、AI エージェントの設計と実装、システムとの連携、評価の力が中心になります。FDE はこの 6 つを一周して終わりにせず、現場で使って確かめては現場理解に戻ります。
課題の多くは技術の外にある
何を身につけるべきかは、現場でぶつかる課題から逆算すると分かりやすくなります。共著の書籍では FDE が現場で直面する課題を 19 にまとめましたが、モデルやコードの問題として解けるものは半分に届きませんでした。主なものを、乗り越えるスキルと、その力が身につく経験に対応づけると次のようになります。
| 現場で直面する課題 | 乗り越えるスキル | 積むべき経験 |
|---|---|---|
| 依頼が曖昧で、解くべき課題が決まっていない | 課題を分解する力 | 曖昧な依頼に自分で範囲を切り、合意まで持っていった |
| デモを見た相手の期待が高くなりすぎている | 評価の数字で、できることとできないことを示す力 | 今のモデルではできないと説明し、代わりの案で合意した |
| 決める人が分からず、反対する人もいる | 折衝力と、組織を読む力 | 部門をまたいで合意を取り、プロジェクトを前に進めた |
| データが来ない、汚い、触る権限がない | SQL や API、認証などのデータ連携の力と、データを整える力 | 他部署や他社のデータに、本番でつないだ |
| 業務の知識が人の頭やチャットにしかない | 聞き取って記録し、AI が読める形にする力 | 業務手順を文書やスキルにして、AI や他の人がそれで仕事をできるようにした |
| 作ったものが本当に機能しているか分からない | 評価データ、採点基準、回帰評価を設計する力 | 業務担当者と評価セットを作り、改善を数字で示した |
| 現場が新しい画面を使ってくれない | 動き出すきっかけと、人の確認の位置を設計する力 | 既存業務の一つ前の操作をきっかけに、自動で動くエージェントを作った |
| 導入したのに成果を活用率でしか説明できない | 出口戦略を設計し、業務の消滅や売上、利益で示す力 | 浮いた時間の行き先を先に決め、売上や利益で効果を示した |
表の右の列を縦に読むと、共通点があります。本番に出したこと、運用したこと、成果を数字で説明したこと、人に引き継いで手を離したことです。デモや PoC(概念実証)だけでは、データの権限も、部署間の合意も、本番の事故も起きにくく、表の課題の半分に触れずに終わります。
技術以外の力
課題を分解する力
「問い合わせ対応を AI で何とかしたい」という依頼は、そのままでは作り始められません。誰が困っているのか、成功を何で測るのか、入力になるデータは何か、どこまでを最初の範囲にするのかを確かめ、一件の案件が最初から最後まで通る最小の経路から始めます。依頼文を受け取った時点で「チャットボットを作る」と手段に飛びつかないことが、この力の出発点です。
相手の言葉で聞き取る力
現場の担当者に「普段はどうしていますか」と聞くと、手順書どおりの理想の流れが返ってきます。そこで「直近の一件を、最初から最後まで話してください」と聞きます。実際にあった一件を追うと、手順書にない確認や、別の画面への転記、チャットでの問い合わせが次々に出てきます。判断の結論だけでなく、何を見て、どこから迷うのかという根拠まで聞き出せるかが、AI エージェントの出来を左右します。
折衝力
私が FDE のスキルの中で最も重く見ているのは、社内の関係者と合意を作る折衝力です。FDE はプロジェクトの進行に責任を持つので、業務部門、情報システム部門、セキュリティの担当、経営層に説明し、説得する場面が必ず来ます。
たとえば問い合わせ対応を自動化すると、回答の責任を誰が負うのかという問いが出ます。会議の場で初めてこの問いを出すと、反対が強くなり決定が先送りされがちです。事前に担当者を回って懸念を聞き、人の確認を入れる位置を一緒に決めておけば、会議は確認の場になります。根回しは、関係者の不安を先に拾って設計に反映する作業だと私は考えています。
良し悪しを見極め、業界を学ぶ力
印象的なデモを見た決裁者が、すべての問い合わせを無人で処理できると考えることは少なくありません。このとき FDE は、評価の数字を示して「この種類は任せられる」「この種類は人の確認を残す」と説明します。できないことを言えないまま引き受けると、本番で信頼を失います。
業界の知識は、最初から詳しくなくてもかまいません。OpenAI は、入社して数日で半導体の経験もない FDE のメンバーが顧客の検証チームに加わり、空き時間にチップの設計を学んだ事例を紹介し、FDE には業界を学ぶ責任があると説明しています(OpenAI「OpenAI におけるフォワード・デプロイド・エンジニアの意義」2026 年 10 月)。
技術の力は 4 つの層で整理する
技術の力は、モデルに近い内側から順に、4 つの層で整理できます。その外側を、出口戦略、関係者との合意、AI 駆動開発の進行といった AX のプロジェクトマネジメントが包んでいます。

内側ほどモデルに近く、外側ほど業務と組織に近い層です。外側で決めた出口戦略や関係者との合意が、内側で何を作るかを決めます。各層が解く問題と、2026 年 11 月時点の代表的な手法は次のとおりです。
| 層 | 解く問題 | 代表的な手法と道具(2026 年 11 月時点) |
|---|---|---|
| プロンプトエンジニアリング | 指示をどう書き、整理するか | 最小の指示から始め、失敗に応じて足す。典型例を少数見せる。指示の版を管理する |
| コンテキストエンジニアリング | 推論の間に、どの情報をどれだけ渡すか | RAG、必要なときに資料を取りに行かせる、長い作業の圧縮やメモ |
| ハーネスエンジニアリング | エージェントが動く環境をどう整えるか | CLAUDE.md や AGENTS.md などの指示ファイル、Agent Skills、権限の設定、MCP によるツールの接続 |
| 評価と運用(LLMOps) | 本番で品質を保ち、直して出し直せるか | 評価セット、回帰評価、段階的な展開、観測、費用の管理 |
コンテキストエンジニアリングについて、Anthropic は、推論の間に最適な情報の組を選び、保ち続ける技術と説明し、プロンプトエンジニアリングを自然に発展させたものと位置づけています(Anthropic「Effective context engineering for AI agents」2025 年 9 月)。FDE にとっては、現場で聞き取った業務の手順や判断の基準を、モデルが読める形にして渡す仕事です。
問題を層ごとに切り分けられると、AI エージェントがうまく動かないときに、指示が悪いのか、渡す資料が足りないのか、動く環境に権限や確かめる仕組みが欠けているのかを分けて考えられます。
評価を作る力
4 つの層の中で、私が一番差がつくと考えているのが評価です。「正確で分かりやすい回答」と書いただけでは、良い回答を定義したことになりません。
たとえば取引先からの問い合わせに回答案を作る AI エージェントなら、「納期を聞かれたら受注システムの出荷予定日を根拠に答える。在庫の引き当てが済んでいなければ日付を約束せず、担当者が確認すると書く。値引きの相談には答えず、営業担当に回す」というように、何を根拠に、何を答え、何を答えないかまで案件ごとに書きます。これを業務担当者と一緒に数十件そろえれば評価セットになり、指示や資料を変えるたびに前後を数字で比べられます。出力を眺めて「良くなった気がする」で終わらせないことが、運用を任せられるかどうかの分かれ目です。
AI 駆動開発と、権限の設計
実装の大部分を AI のコーディングエージェントに任せ、人は目的、仕様、確認に力を注ぐ AI 駆動開発は、FDE にとって必須の力です。FDE は説明や観察、合意づくりに多くの時間を使うので、フィードバックのたびに手で作り直していては現場との往復が回りません。大きな組織では、仕様を正本にして AI に実装させる仕様駆動開発が安定した進め方になります。
実装が速くなるほど、何を作るかを決める力と、出来上がったものを確かめる力の比重が上がります。モデルの出力をそのまま実行させない、権限を段階に分ける、重い判断の前に人の確認を入れる、といった安全の設計も、AI に任せきれない仕事として残ります。
学び直す力
FDE に求められる技能そのものが、速く変わります。OpenAI の FDE 責任者は 2026 年 6 月の講演で、FDE の仕事の約 7 割が消えたと振り返り、FDE チーム向けのブートキャンプの内容を 6 週間ごとに更新していると説明したと報じられています(ITmedia AI+、2026 年 6 月 22 日)。
特定のツールの使い方に詳しくなっても、半年後にはそのツールが別のものに置き換わっているかもしれません。ツールの名前で覚えるより、そのツールがどの層のどの問題を解くのかで理解しておくと、入れ替わっても迷いません。作ったものを新しいモデルや基盤に載せ替えられるように作っておくことも、この力の一部です。
スキルは成果物で示す
FDE の仕事の多くは、外から見えにくいものです。根回しや聞き取りは、記録に残さなければ誰も評価できません。そのため、スキルは成果物で示します。
| 成果物 | 示せること |
|---|---|
| 業務の記録、判断の記録 | 現場に入り、手順と判断の根拠を聞き取れる |
| 出口戦略の文書 | なくす業務と、浮いた時間の行き先を決めて合意できる |
| 仕様 | 守る条件と確かめる仮説を分けて書ける |
| Agent Skills | 業務の手順と知識を、AI が読める形にまとめられる |
| 評価セットと採点基準 | 良い結果を定義し、改善を数字で示せる |
| 運用の記録、引き継ぎ資料 | 本番で回し、人に渡して手を離せる |
「チームで作りました」と言うより、「この評価セットの採点基準は、自分が業務担当者と決めました」と言えるほうが、任せられる範囲がはっきりします。社外に出せない内容は、業務の名前や数値を伏せて構成だけを示せば十分です。
全部を深く身につけなくてよい
ここまでの力を一人ですべて深く持つ必要はありません。技術の力には実装、データ連携、検索とエージェント、評価、クラウドと権限やセキュリティが、技術以外の力には課題の分解、相手の言葉で話す対話、組織を動かす力、良し悪しの見極めが含まれます。全員に要る幅を持ったうえで、深める軸を一つ選べば十分です。

どの軸を深めるかは人によって違います。評価を深めた人なら、業務担当者と評価セットを作り、改善を数字で示せるところまでを担えます。足りない部分はチームで補います。OpenAI も、FDE のチームをジェネラリストと分野の専門家の組み合わせで作っていると説明しています(OpenAI)。チームの組み方は FDE チームの立ち上げ方 で扱います。
身につける順番として私が勧めるのは、小さな実際の業務を一つ選び、現場理解から出口戦略、実装、評価、引き継ぎまでを一度通すことです。社内で育てる進め方は FDE を社内で育てる進め方 にまとめました。スニフアウトの FDE育成研修 では、現場理解、要件定義、戦略策定の考え方と、人の確認や動き出すきっかけの設計を学んだうえで、最後の 2 時間で、受講者が選んだ手法を使って AI エージェントを実際に作ります。
よくある質問
FDE の技術の力の中で、いちばん差がつくのは何ですか?
エンジニアではない人も FDE を目指せますか?
FDE に必要な資格はありますか?
どのスキルから身につければよいですか?
この記事に関連するサービス

東京大学大学院 複雑理工学専攻卒業。理論物理学・ヒューマンインターフェースを専門とし、大手化粧品メーカー・ゲーム会社で AI/機械学習の開発に従事。2022年11月に株式会社スニフアウトを創業。RAG と AI エージェントの解説書を執筆している。

