AI Engineer キャリア完全ガイド — ジュニアから Principal まで：leveling・面接・ポートフォリオ・total comp・リモート・10年後までの2025-2026年総まとめ

"Your career is your most important product. Treat it like one." — Reid Hoffman

前回の記事 [AI Engineering 本番実戦] では どう作るか を扱った。今回は どう成長するか の番だ。

AI Engineer は 2023年 Chip Huyen が定義して以降、2024〜2025年に急速に形成された職種だ。従来の ML Engineer 経路は博士・論文中心だったが、AI Engineer は SWE バックグラウンドからも参入可能な新しいトラック である。ただし、キャリアマップはまだ標準化されていない。この記事ではそのマップを直接描いていく。

対象読者：

• ジュニア AI Engineer として参入したばかり、あるいは転向中の人。
• シニアバックエンド・フルスタックから AI Engineer への pivot を検討中の人。
• staff / principal トラック進入を準備しているシニア。

目次

1. AI Engineer leveling フレームワーク — L3〜L8
2. ジュニア（L3〜L4）— 0→3年：基礎固め
3. シニア（L5）— 3→6年：システム設計
4. staff（L6）— 6〜10年：組織的影響
5. principal（L7〜L8）— 技術戦略
6. ML Engineer トラック vs AI Engineer トラック
7. 面接構造分析 — 2025年基準
8. ポートフォリオ戦略 — 5つのパターン
9. 報酬と total comp — 国内・米国・リモート比較
10. リモート・海外就職戦略
11. AI Engineer の10年後 — 5つのシナリオ
12. チェックリストとアンチパターン

1. AI Engineer leveling フレームワーク

1.1 会社別 level 比較

1.2 AI Engineer 能力軸5つ

1. Technical depth — LLM・RAG・agent システム内部の理解。
2. System design — 大規模本番アーキテクチャ。
3. Product sense — ユーザー・ビジネスとの接続。
4. Communication — 技術文書・発表・クロスファンクショナル。
5. Leadership — メンタリング・意思決定・組織的影響。

level が上がるほど technical depth だけを伸ばすのではなく、残りの4つが指数関数的に重要になる。

2. ジュニア（L3〜L4）— 0→3年：基礎固め

2.1 期待される能力

• 明確に切られたタスクを単独で実装。
• コードレビューを積極的に受け、反映する。
• prompt・RAG・単純な agent 実装能力。
• Python・Git・Docker・クラウドの基礎。

2.2 必ずやるべきこと

1. LLM API の10機能を自前で実装：chatbot、RAG、agent、tool use、structured output、streaming、function calling、embeddings、reranking、evals。
2. オープンソースで学ぶ：LangChain、LlamaIndex、vLLM の内部コードを読む。
3. 論文を読む習慣：週1本。GPT-3、Chinchilla、Constitutional AI、DPO、RAG。
4. eval 文化を体に入れる：最初の本番経験で必ず eval を組む。

2.3 やってはいけないこと

• 「LLM ラッパーだけ使う」— 内部動作を知らないまま使用。
• GPU・数学の全面回避 — 線形代数・確率は最低限理解すること。
• 1つのフレームワークに依存 — LangChain だけ、OpenAI だけ。
• solo 学習に固執 — PR レビュー・ペアプロの機会を逃す。

2.4 3年目までに証明すべきこと

• 最低1つの本番 LLM 機能を 0→1 でデプロイ。
• 技術ブログ記事 3〜5本。
• オープンソース PR 3件以上（小さくても可）。

3. シニア（L5）— 3→6年：システム設計

3.1 期待される能力

• 0→1 設計：要件 → アーキテクチャ → 実装 → 運用 全体。
• クロスチーム調整：PM・Design・Data・Infra。
• ジュニアのメンタリング：コードレビュー・onboarding・ペアプロ。
• トレードオフ判断：RAG vs fine-tuning、ベンダー選定、コスト・品質バランス。

3.2 シニア面接で聞かれること

1. Design review — 「月1000万クエリを受ける文書 Q&A システムを設計せよ」。
2. Incident — 「prod で LLM がハルシネーション回答したときにどう対応するか？」
3. Cost — 「月 $100K の請求書を $20K まで削減する方法」。
4. Eval strategy — 「新モデルを prod に入れる前の eval をどう構成するか？」

3.3 シニアが見落としがちな失敗

• 技術にのめり込みすぎる — ビジネスインパクトとの接続が弱い。
• ドキュメント不足 — 頭の中にしかない設計。
• 昇進ポリティクスに無関心 — 成果の可視化に失敗。
• 学習の停滞 — 最初のプロダクト成功に安住。

3.4 staff へ向けた準備

• Design Doc・RFC を3〜5本執筆。
• 全社レベルの問題を1つ主導：例）全社 LLM gateway プラットフォーム。
• 外部可視性：カンファレンス登壇、技術ブログ。

4. staff（L6）— 6〜10年：組織的影響

4.1 期待される能力 — Tanya Reilly の4つ

Tanya Reilly 『The Staff Engineer's Path』より：

1. Big-picture thinking — 組織・業界地形の理解。
2. Execution — 曖昧な問題を成果に変える。
3. Leveling up — 周囲を成長させる。
4. Influence without authority — 直接の指揮権なしでも変化を起こす。

4.2 staff AI Engineer の仕事

• 全社 AI 戦略 の策定に関与。
• プラットフォーム設計：Eval・Prompt・MCP など共通インフラ。
• 複雑な incident の lead：複数チームに影響。
• 採用・hiring committee：leveling 評価。
• 後輩の能力を倍加：5人を 2x にすれば 10x の効果。

4.3 staff archetype（Will Larson 『Staff Engineer』）

1. Tech Lead — チーム単位の技術リーダー。
2. Architect — アーキテクチャ中心。
3. Solver — 会社が解けなかった問題を専任で担う。
4. Right Hand — 役員の技術パートナー。

AI Engineer で最も多いのは Tech Lead + Solver のハイブリッドだ。

4.4 staff が重視すべきこと

• 技術的負債 vs 新機能 のバランス。
• Build vs Buy：Weaviate vs 自前ベクトル検索。
• ベンダー lock-in 管理：OpenAI 一辺倒のリスク。
• 組織文化：eval-driven、review culture。

5. principal（L7〜L8）— 技術戦略

5.1 期待される能力

• 会社の方向性策定 — CEO/CTO とともに技術戦略。
• 業界リーダーシップ — 標準化・オープンソース・公開発表。
• 人材磁石 — リクルーティングの理由になる。
• 長期投資判断 — 3〜5年の R&D。

5.2 principal の1日

• 半分：ミーティング・レビュー・意思決定。
• 1/4：戦略文書の執筆。
• 1/4：深い技術没頭（新パラダイムの実験、プロトタイプ）。

5.3 principal は作られるのか

• 公式昇進ルートは希少 — ほとんどが経歴累積の結果。
• 2つ以上の staff 経験 が一般的。
• 外部評判は必須 — 業界が名前を知っている必要がある。
• 創業・CTO 転向 はよくある経路。

6. ML Engineer トラック vs AI Engineer トラック

6.1 ML Engineer 経路

• 博士または修士＋論文・研究。
• Feature engineering・classical ML + DL。
• Foundation model の訓練・研究。
• 大手：Google Brain、FAIR、DeepMind、Apple MLR。
• Scale AI・Anthropic・OpenAI Research。

6.2 AI Engineer 経路

• SWE バックグラウンド＋LLM 組み立て。
• Chip Huyen が 2023年に定義。
• 多くの会社の AI チームの多数派。
• 参入容易、競争激しい。

6.3 ハイブリッド戦略

2026年以降、MLE と AIE の境界は曖昧になる。

• AIE も fine-tuning・embedding・evals に深く入り込む。
• MLE も agent・productionization をやらざるを得なくなる。
• 「Full-stack AI Engineer」 が理想的な表現。

6.4 Research vs Applied

• Research — 論文・新アルゴリズム。博士の必要性が高い。
• Applied — 実用プロダクト。博士は不要。
• Research Engineer — 中間。実験スケール、インフラ。

AI Engineer は Applied 側。Research をやりたいなら Research Scientist・Research Engineer の方が適している。

7. 面接構造分析 — 2025年基準

7.1 典型的な AI Engineer 面接 5〜7 ラウンド

1. Recruiter screen — 経歴・動機。
2. Hiring manager — 経験・fit。
3. Coding — LeetCode Medium ＋ Python 実装力。
4. ML/LLM fundamentals — transformer、attention、RAG 動作。
5. System design — LLM システム設計。
6. Behavioral — STAR ベース。
7. Bar raiser / exec — 文化・cross-functional。

7.2 ML Fundamentals で必ず聞かれること

• Attention mechanism — Q・K・V の計算、なぜ sqrt(d_k) で割るのか。
• Transformer architecture — encoder・decoder・decoder-only の違い。
• Tokenization — BPE、SentencePiece、なぜ韓国語トークンが多いのか。
• Sampling — temperature、top-k、top-p、beam search。
• Fine-tuning — full vs LoRA vs RLHF vs DPO。
• RAG internals — embedding similarity、reranking、chunking。
• Evaluation — BLEU/ROUGE の限界、LLM-as-Judge のバイアス。

7.3 System Design 代表問題

• 「Slack メッセージに返答する AI assistant の設計」（multi-tenant、PII、retention）。
• 「コードレビュー自動コメントシステム」（リポジトリ単位の context、PR diff）。
• 「リアルタイム映像会議の要約」（ASR + LLM + streaming）。
• 「多言語カスタマーサポートボット」（言語検出、fallback、escalation）。

7.4 Behavioral（STAR）

• Conflict — 同僚との技術的意見対立をどう解決したか。
• Failure — prod の事故にどう対応し振り返ったか。
• Influence — 権限なしに変化を主導した例。
• Ambiguity — 要件が明確でないときどう進めたか。

7.5 オンラインアセスメントの流れ

• CoderPad + OpenAI API — 60〜90分の mini-project。
• HackerRank ML — 数値・行列・前処理。
• Take-home — 2〜5日、実際の LLM アプリ構築。

take-home は時間を取られるが、能力の証明に最も有利。

7.6 面接準備リソース

• 『Deep Learning Interviews』（Kalevi Kilkki）— LLM 問題。
• 『Designing Machine Learning Systems』（Chip Huyen）— システム設計。
• 『Machine Learning Interviews』（Chip Huyen）— 面接ガイド。
• LeetCode + NeetCode — 定番150問。
• Mock interviews — interviewing.io、Pramp。

8. ポートフォリオ戦略 — 5つのパターン

8.1 なぜポートフォリオが決定的か

AI Engineer 市場は経歴1〜3年の応募者で溢れている。履歴書1枚では区別がつかない。作品 が差別化する。

8.2 5つのポートフォリオパターン

1. End-to-end アプリ — RAG チャットボット、コードレビューボット、メールエージェント。Vercel や Fly.io にデプロイ。
2. オープンソース貢献 — LangChain・LlamaIndex・vLLM の PR を3件以上。
3. 論文再実装 — nanoGPT スタイル。Attention、RLHF、RAG、DPO。
4. 技術ブログ — 月1〜2本。深い分析・実験。
5. Kaggle・コンペ — LLM RAG コンペ、AI Mathematical Olympiad。

8.3 良い GitHub README

• 問題定義 — なぜ作ったのか。
• アーキテクチャ図。
• 実行方法 — 1-click demo link。
• 限界・学び — 何がうまくいかなかったか。
• Evals — 数値で。

8.4 避けるべきポートフォリオ

• チュートリアルのコピー — 「LangChain で To-Do アプリ」のようなもの。
• 実行不可 — README だけでコードが動かない。
• 小さすぎる（1ファイル）あるいは肥大すぎる（リファクタなし1000コミット）。

8.5 技術ブログ戦略

• Substack、Medium、自前ブログ（Next.js + MDX）。
• LinkedIn にクロスポスト。
• 中核の題材：失敗経験、ベンチマーク比較、本番事例。
• Hamel Husain、Chip Huyen、Jason Liu をベンチマーク。

9. 報酬と total comp — 国内・米国・リモート比較

9.1 韓国（2025年基準）

9.2 米国（2025年基準、Levels.fyi）

OpenAI・Anthropic は現在極端な競争 で L5 以上の $1M+ TC はよくある。

9.3 グローバルリモート（韓国在住）

• Vercel、Supabase、Linear、Replicate、Modal — リモート優先。
• 韓国拠点 TC：$150K-$350K（stock 含む）。
• 税制 — stock については入国・滞在に注意。

9.4 total comp の構成を理解する

• Base salary — 毎月確定。
• Bonus — 年 10〜25%。
• RSU（Restricted Stock） — 4年 vesting、cliff 1年。
• Options — スタートアップ領域。83(b) 選択。
• Sign-on — 転職インセンティブ。
• Refresh grant — 毎年追加の RSU。

9.5 交渉のコツ

• Competing offer が最強のレバー。
• Levels.fyi + Blind のデータを根拠に。
• 「Base vs Stock vs Sign-on」比率 は調整可能。
• リクルーターとの戦闘力 — 質問し沈黙する技術。

10. リモート・海外就職戦略

10.1 リモートから試す理由

• 引っ越しリスクなし。
• ビザなしで開始 可能。
• 英語・コミュニケーションの訓練。
• その後の海外移住も容易になる。

10.2 リモートフレンドリーな会社

完全リモート優先：

• Vercel、Supabase、Linear、Replicate、Modal。
• GitLab、Zapier、HashiCorp、Automattic。
• Ghost、Deel、Remote.com。

ハイブリッドだが国際雇用：

• Anthropic（一部）、Scale AI、Weights & Biases。

10.3 ビザと移住

• 米国 H-1B — 抽選の宝くじ。O-1（特別な才能）のほうが現実的。
• 英国 Skilled Worker — ポイント制。
• ドイツ Blue Card — 最低年収基準あり。
• カナダ Express Entry / Global Talent Stream。
• 日本 HSP — ポイント制。韓国人に有利。
• シンガポール Tech.Pass / EP。

10.4 言語・文化の準備

• 英語の writing — RFC・Slack・PR。speaking より先に writing。
• Async communication — 時差を考慮し、非同期で文書化。
• Timezone ポリティクス — 欧州の会社は韓国早朝のミーティングはまれ。米国の会社は韓国深夜が必須。

10.5 韓国ベースのグローバルキャリア設計

1. 韓国スタートアップ＋グローバル製品 — Sendbird、Channel Talk、Upstage。
2. 韓国大手の海外支社 — Naver 米国、Kakao 日本。
3. グローバルリモートのフルタイム。
4. Contractor / Consulting — Deel・Remote.com エージェンシー。
5. 海外移住。

11. AI Engineer の10年後 — 5つのシナリオ

11.1 シナリオ1：「AI Full-stack Engineer」の定着

役割分化が安定し、AI Engineer は フルスタック SWE＋LLM 専門性 の標準職種になる。2030年代中盤には SWE の70%がこのアイデンティティになる。

11.2 シナリオ2：「Vertical AI Specialist」の分化

法務・医療・金融など ドメイン特化 AI Engineer が主流になる。一般 AI Engineer 市場は commoditized になる。ドメイン専門性が報酬差を決める。

11.3 シナリオ3：「AI Ops Engineer」と「AI Product Engineer」の分化

• AI Ops — インフラ・cost・eval・guardrail の専門。
• AI Product — UX・prompt・agent design の専門。
• 2つのトラックが明確に分離。

11.4 シナリオ4：AI が AI Engineer を代替

agent がどんどん賢くなり、AI Engineer 業務の70%を自動化する。残るのは システム設計・倫理判断・ドメイン専門家との通訳。人間の AI Engineer 需要は減るが、単価は急騰する。

11.5 シナリオ5：AGI 到達後の再編

2030〜2035年に AGI が近接した場合、従来のエンジニアキャリア自体が再定義される。ロボット・エネルギー・生命工学 のような物理世界統合が最後の人間エンジニアの領域になる。

11.6 どう備えるか

• 低レイヤーシステム＋AI の組み合わせ：ロボット、組込み、セキュリティ。
• ドメイン垂直の深さ：法務、医療、バイオ、エネルギー。
• leadership：技術・事業・倫理の三角形。
• 創業家マインドセット。

12. バーンアウトと長期ペース

12.1 AI Engineer は特にバーンアウトリスクが高い

• 爆発的な情報量 — 毎週新しいモデル・技術。
• hype-driven — 週末の tweet 発の PR プレッシャー。
• 過剰投資：会社が成果を圧迫する。

12.2 防御戦略

• 週 1〜2回の RSS/Twitter 整理時間のみ — 残りは deep work。
• 年 2〜4週間の休暇。
• Side project は本業と異なる質感で。
• 健康基盤：睡眠 7h、週3回の運動。

12.3 5年・10年後も持続するために

• 学習エンジン（前回記事）を定着させる。
• サイドプロジェクト → 副業 → 創業オプション。
• 関係資本：元同僚・メンター・メンティー。
• 財務基礎：生活費6か月分の非常金、低リスク投資。

チェックリスト

よくあるアンチパターン10

1. 昇進の対話をマネージャーと先にしない — 「仕事ができれば自動」はない。
2. 転職だけを繰り返して報酬を上げる — 3〜5年時点の成果を積みにくい。
3. 新技術・フレームワークばかり追う — システム思考・ソフトスキルが停滞。
4. ポートフォリオなしで転職を試みる — 履歴書だけでは限界。
5. 英語を伸ばさずにグローバル市場を期待する。
6. 自己価値の評価失敗 — Levels.fyi・Blind の確認なし。
7. 健康を犠牲にした 短期成果追求 — 2〜3年後にバーンアウト。
8. メンター不在 — 試行錯誤コストが莫大。
9. コミュニティ軽視 — 再就職時にネットワークが決定的になる。
10. 「AI がすべてを代替する」悲観 — 今も差を生むのは人間だ。

次回予告 — 「シニア・staff エンジニアのための影響力設計：技術ライティング 2.0、発表、カンファレンス、オープンソース、tech leadership ブランディング」

技術力が十分なシニア・staff がさらに大きく成長できない理由は 影響力設計 の不在だ。

• 技術ライティング 2.0 — RFC から外部ブログ・eng blog へ
• カンファレンス発表 — QCon・KubeCon・DockerCon の準備
• オープンソースメンテナーの生活
• 個人ブランド vs 会社ブランド
• メンター・アドバイザーネットワーク
• 内部 Staff から外部 Staff への転換

キャリアは知っている分だけ設計できる。次回に続く。