SNIFFOUT
  1. TOP
  2. スニフアウトAIメディア
  3. FDE育成研修
  4. FDE チームの立ち上げ方:体制の型の選び方、組み方、組織の測り方
GUIDE約 9 分

FDE チームの立ち上げ方:体制の型の選び方、組み方、組織の測り方

FDE チームを立ち上げるときは、職種を新設するか転換するかと、業務の知識を誰が持ち続けるかを最初に決めます。そのうえで実装する役と業務を読む役を組ませ、学びを共通の基盤に戻す担当を置き、チームはてこが効いているかで測ります。

目次
  1. 立ち上げる前に決める二つのこと
  2. 職種を新設するか、既存の職種を転換するか
  3. 業務の知識を誰が持ち続けるか
  4. チームの組み方
  5. 実装する役と、業務と組織を読む役
  6. 案件の外に置く役割
  7. 案件の持たせ方
  8. 学びを共通の基盤に戻す仕組み
  9. チームの測り方
  10. 業務の成果は三つの段階で測る
  11. チームそのものは、てこが効いているかで測る
  12. 人事評価は成果物で
  13. 社内への説明
  14. 外部の FDE と組む場合
  15. まとめ

FDE チームを立ち上げるときは、最初に二つのことを決めます。FDE の職種を新しく作るか既存の職種を転換するか、そして業務の知識を誰が持ち続けるか(外部に任せるか、自社で持つか)です。そのうえで、案件の中では実装する役と業務や組織を読む役を組ませ、案件の外には、現場の学びを共通の基盤に戻す担当と、偏りを指摘するレビュアーを置きます。チームの成果は活用率ではなく、なくなった業務と売上や利益で測り、チームそのものは、てこが効いているかで測ります。

ここでは、私が共著で執筆している書籍の整理をもとに、組織として FDE を置く方法を説明します。一人ひとりの育て方は FDE を社内で育てる進め方 にまとめています。

立ち上げる前に決める二つのこと

職種を新設するか、既存の職種を転換するか

組織に FDE を置く方法は一つではありません。FDE という職種を新しく足す方法と、既存の職種を FDE へ移す方法があります。

方法良い点注意すること
職種を新設する既存の組織を保ったまま始められる既存の部署との接点を後から作り込む必要がある。学びが組織に広がりにくい
既存の職種を転換する何を作るかを決める人と作る人が同じ現場で動ける。組織全体の仕事の進め方が変わる組織への影響が大きく、合意に時間がかかる

両方を組み合わせる例もあります。デロイト トーマツは 2026 年 6 月に全社横断の FDE マネジメントオフィスを設け、FDE の採用、育成、制度設計、ナレッジ共有、アサイン調整を担わせると発表しました。外部採用に加えて社内からも FDE を出す仕組みを作るとしています(デロイト トーマツのニュースリリース、2026 年 4 月 30 日)。

どちらの方法でも、既存の社員の肩書きを FDE に付け替えるだけでは体制は変わりません。仕事の中身と、何を作るかを決める場所が、会議室から現場へ移って初めて、FDE の体制になったと言えます。

業務の知識を誰が持ち続けるか

FDE の関わり方は、大きく三つの型に分かれます。型によって、顧客や業務部門の手元に残るものが変わります。

横軸に関わる期間、縦軸に業務の知識を持ち続ける側をとり、長く伴走して預かる型A、内製の力を残す型B、自社で持つ型Cを置いて、それぞれの合う場面と注意を並べた図

長く伴走する型は、Palantir に代表されます。長く関わるほど業務の知識が厚くなり、仕組みは現場に合っていきますが、その知識を扱える人がベンダー側に偏りやすくなります。短期で入り内製の力を残す型は、AWS が 2026 年 6 月に立ち上げた Forward Deployed Engineering の組織が掲げているもので、同社は顧客の自走化を最初から関与の設計に組み込むと説明しています(About Amazon、2026 年 6 月 30 日)。ただし、受け手となる人と時間が社内にないと、FDE が離れた後に仕組みが止まります。三つ目は、事業会社やそのグループが自ら FDE を持つ型で、業務の知識が最初から自社の側に積み上がります。その代わり、FDE の採用と育成、評価の仕組みも自社で持つことになります。

型を選ぶときに確かめるのは、業務の知識を誰が持ち続けるのか、FDE が離れた後に誰が仕組みを直すのか、の二点です。社内に受け手を育てられるなら短期で自走化させる型が、業務が変わり続けて専門の判断がずっと要るなら長く伴走する型が合います。グループ内に似た現場が多い事業会社なら、自社で持つ型が見合います。自社の業務の核に近い部分ほど、自社で持つ理由は強くなると私は考えています。

チームの組み方

実装する役と、業務と組織を読む役

FDE の型を作った Palantir は、顧客の現場で実装を担う Forward Deployed Software Engineer と、顧客の業務に入り込んで課題を確かめる Deployment Strategist を分けて置いています。Deployment Strategist の募集ページには、FDE と一緒にデータを安定したパイプラインに統合する仕事が書かれています(Palantir の Deployment Strategist の募集)。国内では、デロイト トーマツが変革の重点領域を見定める DS(Deployment Strategist)を置き、現場で AI を実装する FDE と連携させるとしています。

この組み方の利点は、二人が互いに引っ張り合うところにあります。実装する役は動くものを早く出そうとし、業務と組織を読む役はこの組織で本当に使われるかを問い続けます。動くけれど誰も使わない仕組みも、筋は良いけれど動かない構想も、早いうちに見つかります。

AI のコーディングエージェントに実装の多くを任せられるようになり、一人の FDE が両方を担う形も増えています。その場合も、実装の都合と組織の都合をぶつけ合う視点は頭の中に持っておく必要があります。

案件の外に置く役割

案件のチームだけでは、FDE の体制は続きません。案件の外に、次の役割を置きます。

役割担うこと
事業の成果に責任を持つ責任者導入の予算ではなく、業務と事業の成果で続けるか止めるかを判断する
共通の基盤の担当案件の学びを、システムへの接続部品、スキル、評価の型として取り込み、次の案件で使える形にする
案件の外のレビュアー当事者が気づきにくい設計の偏りを指摘する
業務側の相手現場の知識を出し、評価の正解を一緒に決める

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「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)。一人の優秀な人に頼る体制は、その人が抜けると再現できません。

案件の持たせ方

並行して持たせる案件の数は、勢いで決めず、一件ごとに必要な現場の時間と実装の時間を見積もってから決めます。掛け持ちが増えると記録が残らず、引き継げない状態になります。立ち上げの時期は、一人一件から始めるのが安全です。

学びを共通の基盤に戻す仕組み

会社ごとに業務へ合わせ込むことは、AI エージェントでは欠かせない作業です。問題になるのは、同じ合わせ込みを案件ごとに一から繰り返し、学びがどこにも残らない場合です。そうなると、チームの仕事は人数に比例してしか広がりません。

そこで、案件が終わるたびに、得た知識を三つに分けます。

分け方例行き先
共通の基盤に戻すものシステムへの接続部品、評価の型、どの業務でも使えるスキル共通の基盤の担当が取り込み、次の案件の出発点にする
設定で吸収するもの部署ごとに違う項目名、通知先設定として切り出す
その業務に固有の判断承認する人、判断の閾値、その会社の業務の規則その業務部門や顧客の資産として残す

OpenAI は、大手半導体企業での取り組みで、個別のアプリを Codex を中核とする共通の仕組みへ移し、各プロジェクトのカスタムコードを約 90% 減らしたと説明しています。同じ記事では、最初の導入に 2 か月かかった仕組みが、2 つ目のチームへの展開では 1 日で済んだ事例も紹介されています(OpenAI、2026 年 10 月)。学びを共通の基盤に戻す担当と仕組みがないと、現場の回避策は個々の FDE の手元にとどまり、同じ課題を別の FDE が一から解き直すことになります。

共通の基盤とスキルを中心に、案件で合わせ込む、学びを三つに分ける、基盤に取り込む、次の案件で使うを回すループと、OpenAIが説明する最初の導入2か月と2つ目のチームへの展開1日、カスタムコード約90%減の比較を並べた図

案件で合わせ込み、学びを三つに分け、共通にできるものを基盤に取り込んで、次の案件の出発点にします。この循環を回す担当を置けば、同じ合わせ込みを二度せずに済みます。

チームの測り方

業務の成果は三つの段階で測る

FDE チームが出す業務の成果は、AI の活用率では測りません。成果を測る三つの段階(活用率、業務の自動化と消滅、浮いた時間が売上や利益に変わったかを見る出口)のうち、活用率は最初の段階にすぎないからです。経営への報告は出口から順に行い、それを生んだ仕組みとして、自動で動いている AI エージェントの数となくなった業務を示します。三つの段階の詳細は FDE とは で扱っています。

チームそのものは、てこが効いているかで測る

チームの健全さは、別の問いで確かめます。FDE を抱える米国の AI 企業の経営者 Isaiah Granet 氏は、FDE の組織について次のような問いを立てるよう論じています(Isaiah Granet「The Hamster Wheel Has Engineers」2026 年 1 月)。

問い見ていること
FDE の人数と顧客数の比は、時間とともに下がっているか人を足さなくても、支えられる案件が増えているか
新しい仕事と、繰り返しの仕事の割合はどうか同じ連携作業を案件ごとに繰り返していないか
1 年前と比べて、時間の使い方は変わったか去年難しかった仕事が、今年は簡単になっているか
現場の学びが機能になる仕組みはあるか回避策が共通の基盤に取り込まれているか

社内の FDE チームなら、顧客数を、支えている部署や業務の数に置き換えて読めます。

人事評価は成果物で

FDE の仕事には、聞き取りや根回しのように外から見えにくいものが多くあります。業務の記録、出口戦略の文書、評価セット、引き継ぎ資料といった成果物で評価する仕組みを人事の側でも用意してください。目に見える実装だけを評価すると、FDE は現場に入らなくなりがちです。

社内への説明

立ち上げの段階で、FDE チームを何のために置くかを社内にどう説明するかも決めておきます。AI の導入を人員削減の話として語ると、現場は業務を見せてくれず、FDE は最初の聞き取りで止まりがちです。語るのは、なくした業務で浮いた時間を、人手が足りない仕事や売上につながる仕事へ移す出口戦略です。

外部の FDE と組む場合

外部のベンダーの FDE と組む場合も、ここまでの考え方はそのまま使えます。ガートナーは 2026 年 9 月の発表で、発注する企業に向けて、契約前、実施中、撤退の三つの段階でやることを示しています(Gartner のプレスリリース、2026 年 9 月 29 日)。

段階やること
契約前FDE を使う問題を、深い製品知識や密な統合が要るものに絞る。事業の成果に責任を持つ経営層を立てる。成果物、知識の移転、知的財産、撤退の責任を契約に入れる
実施中社内の業務の専門家、技術者、利用者を一緒に働かせ、評価セットや仕様の作成に加わって成果物を手元に残す
撤退社内の準備不足を理由に契約を延ばさず、最初に決めた撤退計画を実行する

FDE を名乗るサービスを見分ける観点は、FDE ウォッシングの記事にまとめています。

まとめ

  • 立ち上げる前に、職種を新設するか転換するかと、業務の知識を誰が持ち続けるかを決める
  • 案件の中では実装する役と業務や組織を読む役を組ませ、案件の外に、責任者、共通の基盤の担当、レビュアーを置く
  • 案件の学びを三つに分け、共通にできるものは次の案件の出発点にする
  • 業務の成果は出口から、チームはてこが効いているかで、人は成果物で測る

チームの最初のメンバーには、現場に入る前に考え方と作り方の型をそろえておくと、メンバーの間で言葉と進め方がそろいます。スニフアウトの FDE育成研修 は、エンジニアと業務部門の担当者が組になって受講する形にも対応しており、作る役と業務を読む役が同じ題材で AI エージェントを作ります。

FAQ

よくある質問

FDE チームは何人から始めればよいですか?
人数より、最初の題材と体制を先に決めます。一つの業務を担う案件のチームに、実装する役と業務や組織を読む役をそろえ、案件の外に学びを取り込む担当とレビュアーを置けば始められます。一人が実装と業務の理解の両方を担う形でも、レビュアーは別に置きます。
FDE は新しい職種として作るべきですか、既存の職種から転換すべきですか?
新設は既存の組織への影響が小さく始めやすい一方、既存の部署との接点を後から作り込む必要があります。転換は影響が大きい代わりに、何を作るかを決める人と作る人が同じ現場で動けるようになります。どちらでも、肩書きを付け替えるだけでは不十分です。
FDE チームの成果はどう測りますか?
業務の成果は、AI の活用率ではなく、なくなった業務と、浮いた時間が売上や利益に変わったかで測ります。チームそのものは、同じ種類の案件にかかる手間が減っているか、新しい仕事の割合が増えているかなど、てこが効いているかで測ります。
外部のベンダーの FDE と組むときに気をつけることは何ですか?
契約の前に、成果物、知識の移転、知的財産、手を離す時期と条件を決めておきます。実施中は社内の業務の専門家や技術者を一緒に働かせ、評価セットや仕様の作成に加わって成果物を自社の手元に残します。
Related Service

この記事に関連するサービス

Author津本 海株式会社スニフアウト 代表取締役CEO

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。