エンジニアラダー

← 職種一覧

AIエンジニア

AI Engineer

基盤モデルの上にアプリケーションを作る職種。Prompt / Eval / Agent をトラックとして内包する。

別名・近接タイトル: Applied AI Engineer / GenAI Engineer / LLM Engineer / Agent Engineer / Prompt Engineer

トラック: Prompt / RAG / Evaluation / Agent

L1 (Associate / ジュニア)、L5 (Principal) は求人としては稀です。

セルフチェックをする →

レベル × 評価軸マトリクス

← 横にスクロールして各レベルを比較できます →
評価軸L1Associate / ジュニア稀L2Engineer / ミドルL3SeniorL4StaffL5Principal稀
技術力

既存のプロンプトやRAGパイプラインの調整、モデル入出力の検証や簡単なツール呼び出しを、指導のもとで実装できる。

実運用ルーブリック
推奨行動 (Do)
  • プロンプトテンプレートの微調整や構造化出力（JSON mode等）を正しく実装する
  • モデル呼び出しのタイムアウトやレートリミットのエラーハンドリングを考慮して実装する
  • プロンプトの複数回実行テストを行い、出力の揺らぎやフォーマット崩れを検証する
注意・アンチパターン (Don't)
  • 1回の手動テストで動いただけで満足し、出力のブレやエラーケースを検証しない
  • APIキーやシークレットをソースコード内に直接ハードコードする
成果物・エビデンス例
  • プロンプト改善やパラメータ調整を含むプルリクエスト
  • モデル呼び出しのリトライ処理やエラーハンドリングの実装コード

RAG、ベクトル検索、Function Calling/ツール呼び出し、構造化出力を組み合わせ、本番品質のAI機能を実装できる。

実運用ルーブリック
推奨行動 (Do)
  • チャンキング戦略、ハイブリッド検索、リランキングを考慮した高精度なRAGパイプラインを実装する
  • Function Calling / Tool Use を適切に設計し、不正な引数や外部API障害時の安全なフォールバックを組み込む
  • ストリーミングレスポンス（Server-Sent Events等）を実装し、ユーザーの体感レイテンシを短縮する
注意・アンチパターン (Don't)
  • 単純なベクトル検索だけで済ませ、検索精度不足によるハルシネーションを放置する
  • ツールの実行結果をノーバリデーションでモデルに返し、プロンプトインジェクションの踏み台にする
成果物・エビデンス例
  • 本番環境で安定稼働する RAG / ツール連携機能のプルリクエスト
  • TTFT（Time To First Token）短縮やレイテンシ改善の実装実績

マルチステップ推論や状態管理、ツール連携を含む自律型エージェント（Agentic Workflow）を堅牢に設計し、無限ループやガードレール逸脱を防ぐ実装ができる。

実運用ルーブリック
推奨行動 (Do)
  • エージェントの状態遷移、ループ脱出条件、動的なツール選択戦略を安全に設計する
  • プロンプトインジェクションやシステムプロンプト漏洩を防ぐ入力・出力ガードレールを実装する
  • 外部API障害やモデルのタイムアウトに強い非同期分散実行基盤を構築する
注意・アンチパターン (Don't)
  • ループ上限やタイムアウトを設けずに自律エージェントを動かし、予期せぬ無限実行やAPI枯渇を招く
  • エージェントに過剰な特権（無制限のDB書き込みやシェル実行）を直接与える
成果物・エビデンス例
  • エージェントワークフローのアーキテクチャ設計書（状態マシン・シーケンス図）
  • ガードレール（NeMo Guardrails, Llama Guard等）の導入実績

複数チームが利用する全社AI基盤（オーケストレーション、モデルゲートウェイ、プロンプト/モデルレジストリ、共有Eval、ガードレール）を設計・運用する。

実運用ルーブリック
推奨行動 (Do)
  • 各チームが車輪の再発明をしないための全社AIゲートウェイ（認証、レートリミット、ログ監査、プロキシ）を整備する
  • 組織横断のプロンプト/モデルレジストリと共有評価ベンチマーク基盤を構築する
  • 全社的なデータプライバシー保護（個人情報・機密情報の自動マスキング）をゲートウェイレベルで強制する
注意・アンチパターン (Don't)
  • 各プロダクトチームが個別バラバラにAI APIを直接契約・実装し、全社的なガバナンスが効かない状態を放置する
成果物・エビデンス例
  • 全社AIゲートウェイ基盤のアーキテクチャ設計書および運用実績
  • 複数プロダクトチームへの共通AI基盤の導入・移行実績

急速に進化する基盤モデルや推論パラダイムの潮目を見極め、3〜5年先の全社AI技術スタックの不可逆な投資判断（内製基盤 vs API、専用クラスタ投資等）を牽引する。

実運用ルーブリック
推奨行動 (Do)
  • 基盤モデルの進化トレンド（Test-Time Compute、自律エージェント基盤）を見極め、全社の技術スタックの抜本的刷新を主導する
  • 専用コンピュート（クラスタ）投資かAPI利用かの大型意思決定において、長期的な経済性と自社ケイパビリティの観点から最適解を導く
注意・アンチパターン (Don't)
  • 短期的な流行に翻弄され、数年で不要になる独自基盤に巨額の経営資源を浪費させる
成果物・エビデンス例
  • 3〜5年スパンの全社AI技術ロードマップおよび大規模インフラ投資判断書
  • 業界カンファレンスでの基調講演や技術論文・白書の発表実績
スコープと影響

1つのプロンプトテンプレートやデータ前処理パイプラインの改善タスクを、確実に仕様通りに完了できる。

実運用ルーブリック
推奨行動 (Do)
  • 割り振られたプロンプト調整やデータクレンジングタスクを仕様通りに完了させる
  • タスク完了基準に照らし合わせて、生成結果の品質を自力でチェックする
注意・アンチパターン (Don't)
  • 出力形式の不一致に気づきながら、報告も修正もせず放置する
成果物・エビデンス例
  • 仕様通りにマージされた前処理スクリプトやプロンプトテンプレート

1つのAI機能（検索、要約、チャット、データ抽出等）を、PoCから本番リリース・初期モニタリングまで自力でリード・完遂できる。

実運用ルーブリック
推奨行動 (Do)
  • PoCで終わらせず、本番APIやサービスへの組み込み・デプロイ・監視設定までやり切る
  • 本番リリース後にログやエラー率を監視し、期待通りの応答品質が維持されているか確認する
注意・アンチパターン (Don't)
  • Jupyter Notebookで動いた段階で完了とし、API化やインフラへのデプロイを他人に丸投げする
成果物・エビデンス例
  • PoCから本番リリースまで完遂したAI機能の実績
  • 本番モニタリングダッシュボード（リクエスト数、レイテンシ、エラー率）の構築

チーム規模のAIプロダクトの技術アーキテクチャを担い、推論レイテンシ・トークンコスト・精度のトレードオフを最適化して事業KPIに貢献する。

実運用ルーブリック
推奨行動 (Do)
  • 事業KPI（業務削減時間、回答精度、CVR等）に直結するAI機能のアーキテクチャを統括する
  • Prompt Cachingやセマンティックキャッシュを導入し、大幅なコスト削減と高速化を両立する
注意・アンチパターン (Don't)
  • 精度向上だけに固執して推論レイテンシが数十秒に悪化し、ユーザー体験を損なう設計を放置する
成果物・エビデンス例
  • AI導入による事業KPIの改善実績データ
  • キャッシングやルーティングの最適化によるAPIコスト削減実績（30〜50%減など）

ラベル付きデータの枯渇、業務データのサイロ化、ドメイン特化推論といった、全社で最も難度の高いAIエンジニアリング課題を解く。

実運用ルーブリック
推奨行動 (Do)
  • 全社のサイロ化された業務データを統合し、検索可能・推論可能なナレッジグラフやベクトル基盤を構築する
  • 合成データ生成（Synthetic Data）や蒸留（Distillation）を活用し、データ不足やコストの壁を突破する
注意・アンチパターン (Don't)
  • 簡単なプロンプト調整の課題ばかりに時間を使い、組織全体のAI活用のボトルネックから目を背ける
成果物・エビデンス例
  • 全社ナレッジ統合プロジェクトの推進と本番稼働実績
  • モデル蒸留による推論コスト・精度のブレークスルー実績

会社の事業モデルそのものを変革するような中核AIシステムの設計を牽引し、AI技術のブレークスルーを事業の持続的競争優位性に転換する。

実運用ルーブリック
推奨行動 (Do)
  • 企業のコアバリューをAIによって再定義し、競合他社が容易に追従できない構造的優位性（データフライホイール）を確立する
  • 新規事業領域におけるAIファーストなプロダクトアーキテクチャを創出する
注意・アンチパターン (Don't)
  • 既存業務の部分的な効率化にとどまり、ゲームチェンジをもたらす戦略的インパクトを生み出せない
成果物・エビデンス例
  • 会社の事業成長を決定づけた中核AIシステムの設計・稼働実績
  • 特許出願や独自の知的財産（IP）の創出実績
自律性

生成AIの出力の不確実性を前提に、指示されたテストケースとログで結果を自力検証し、異常時は早めに相談・エスカレーションできる。

実運用ルーブリック
推奨行動 (Do)
  • LLMの非決定性を意識し、異常な出力やハルシネーションの傾向をログから見つけて整理・相談する
  • プロンプト変更による意図しない副作用（他の入力での精度低下）を意識して確認する
注意・アンチパターン (Don't)
  • ハルシネーションや不適切な出力を「AIだから仕方ない」と片付けて報告しない
成果物・エビデンス例
  • 異常出力の事例を収集・分類した調査メモ

モデル選定（小型モデル vs フロンティアモデル）、コンテキスト設計、パラメータ調整を自ら判断し、推論コストを意識して動く。

実運用ルーブリック
推奨行動 (Do)
  • タスクの難易度に応じて小型高速モデルと高性能モデルを使い分け、コストと速度を最適化する
  • プロンプト内のコンテキスト長を最適化し、不要なトークン消費を削減する
注意・アンチパターン (Don't)
  • すべてのタスクに最高額のフロンティアモデルを無思慮に使い、API費用を急騰させる
成果物・エビデンス例
  • モデル比較とコスト試算を行った技術選定メモ
  • トークン消費量の最適化によりAPIコストを削減した実績

複数LLMプロバイダーやオープンウェイトモデルの選定、キャッシュ戦略（Prompt Caching等）、ファインチューニングの採否を主導する。

実運用ルーブリック
推奨行動 (Do)
  • 単一プロバイダー依存を避け、ダウンタイム時に他社モデルへ自動フェイルオーバーする冗長化を設計する
  • 「プロンプトエンジニアリング / RAG / ファインチューニング」の投資対効果（ROI）を冷静に比較し、適切な手法を選択する
注意・アンチパターン (Don't)
  • 安易にファインチューニングを選択し、高額な学習コストに対して見合わない結果に終わる
成果物・エビデンス例
  • マルチLLM冗長化アーキテクチャの設計書および実装
  • RAG vs Fine-tuningの比較検証レポートと技術判断書

全社AIプラットフォームのコスト効率（GPU/API費用最適化）、データプライバシー、および安全なAI運用（Responsible AI）に説明責任を持つ。

実運用ルーブリック
推奨行動 (Do)
  • 全社規模のAIインフラ費用（GPUリソース、API請求額）を可視化し、予算管理と効率化を主導する
  • Responsible AI（公平性、安全性、透明性）の原則を全社のエンジニアリング標準として明文化し、遵守を徹底する
注意・アンチパターン (Don't)
  • コスト管理を怠り、各チームの無秩序なAPI利用による巨額の想定外請求を発生させる
成果物・エビデンス例
  • 全社AIコスト最適化レポートおよび予算執行管理体制の構築
  • 全社Responsible AIガイドラインの策定

AIの自律化に伴う重大なリスク（モデルの暴走、データ漏洩、倫理・規制対応）とビジネス機会について、経営陣と直接対話し全社責任を引き受ける。

実運用ルーブリック
推奨行動 (Do)
  • 国内外のAI法規制（EU AI Actや各国の安全基準）を先見し、経営陣にリスクと対策を提示して全社ガバナンス体制を敷く
  • AIの不祥事や重大なモデル脆弱性が発生した際の最高技術責任者として、迅速な是正と社会的説明責任を果たす
注意・アンチパターン (Don't)
  • AIのブラックボックス性を言い訳にして、組織的・倫理的なリスクから逃避する
成果物・エビデンス例
  • 経営会議・取締役会向けのAIリスクマネジメント方針書
  • 政府・業界団体のAI安全基準イニシアチブへの参画実績
協働とコミュニケーション

モデルのプロンプト差分や実験結果（入出力ログ、スコア）を、再現可能な形でチームに分かりやすく共有できる。

実運用ルーブリック
推奨行動 (Do)
  • プロンプトの変更前後の入出力サンプルを比較表やDiff形式でチームに共有する
  • 実験の再現に必要なパラメータ（temperature、top_p、モデルバージョン）を明記する
注意・アンチパターン (Don't)
  • 「プロンプトを直しました」とだけ報告し、変更前後の具体的な出力差分を示さない
成果物・エビデンス例
  • 入出力Diffと実行ログが整理されたPR説明文やIssueコメント

PdMやデザイナーと連携し、AI特有のレイテンシ（ストリーミングUI）やエラー時のフォールバック体験をすり合わせる。

実運用ルーブリック
推奨行動 (Do)
  • AIの不確実性や待ち時間（レイテンシ）を前提としたUI/UXをデザイナーやPdMに提案する
  • モデル応答が不適切だった場合のユーザーフィードバック収集（Good/Badボタン等）を仕様に組み込む
注意・アンチパターン (Don't)
  • AIを従来の決定論的システムと同じように扱い、エラー時のリカバリ設計を省く
成果物・エビデンス例
  • デザイナー・PdMと合意したAIインタラクション仕様書
  • ユーザーフィードバック収集機構の実装実績

評価結果（evalスコア）をビジネス側にも直感的にわかる形で可視化し、機能リリースの品質判断材料を提示して合意形成をリードする。

実運用ルーブリック
推奨行動 (Do)
  • Eval結果を「正解率X%、致命的エラー0件」のようにビジネスリスクと結びつけて経営・PdMに説明する
  • リリース判定基準（Quality Gates）をあらかじめ関係者と合意形成し、透明性のある運用を行う
注意・アンチパターン (Don't)
  • 専門的な評価指標（BLEU, ROUGE, BERTScore等）をそのままビジネス側に丸投げし、判断を困惑させる
成果物・エビデンス例
  • ビジネスステークホルダー向け品質ダッシュボード・リリース判定書
  • 品質基準に関する合意議事録

研究チーム（リサーチャー）、プロダクト開発、法務/セキュリティと横断的に協調し、新技術の本番適用における組織的合意を形成する。

実運用ルーブリック
推奨行動 (Do)
  • AIモデルの規約変更や知的財産リスクについて、法務・コンプライアンスチームと先回りして合意を形成する
  • 研究部門の最新アルゴリズムや論文の知見を、プロダクト開発チームが本番適用できる形に翻訳・橋渡しする
注意・アンチパターン (Don't)
  • 法務やセキュリティの懸念を軽視し、無許可で機密データを外部モデルに送信してコンプライアンス事故を起こす
成果物・エビデンス例
  • 法務・セキュリティと共同策定したAI利用ポリシー
  • 先端AI技術のPoCから本番へのスムーズな技術移転実績

経営陣（CEO/CTO）のAI技術顧問として戦略的アラインメントを主導し、業界の標準化団体やオープンソースコミュニティとの連携を牽引する。

実運用ルーブリック
推奨行動 (Do)
  • 経営トップと対等に将来構想を語り合い、経営ビジョンを実行可能なAI技術戦略に落とし込む
  • 最先端AI研究所や主要プラットフォーマーとのハイレベルな戦略的アライアンスを技術面からリードする
注意・アンチパターン (Don't)
  • 経営陣との対話を怠り、技術の象牙の塔に閉じこもる
成果物・エビデンス例
  • 経営トップと共同策定した全社AI事業戦略
  • 世界的AI企業や大学・研究機関との共同研究・提携実績
人を伸ばす

自分の実験ログやプロンプト履歴を他者が追試できる形でドキュメント化し、キャッチアップを継続する。

実運用ルーブリック
推奨行動 (Do)
  • 実験条件、プロンプトのバージョン、ハイパーパラメータ、推論結果を再現可能な形でMLflowやWikiに記録する
  • チームのAI勉強会や最新論文の輪読会に積極的に参加し、得た知見を共有する
注意・アンチパターン (Don't)
  • 自分のローカル環境だけで実験結果を完結させ、他のメンバーが追試できない状態にする
  • 知見を個人内に留め、ナレッジベースに反映しない
成果物・エビデンス例
  • 実験追跡ログ（MLflow/W&B/Notion）
  • チーム勉強会での共有メモ
  • プロンプトテンプレート登録履歴

レビューや社内勉強会を通じて、効果的なプロンプト技術やモデルAPIのベストプラクティスをチームに共有する。

実運用ルーブリック
推奨行動 (Do)
  • PRレビューでプロンプトの冗長性やAPIエラーハンドリングの改善点を建設的にフィードバックする
  • 実務で得たプロンプト最適化のTipsやモデルの癖を社内LTやWikiでチームに周知する
注意・アンチパターン (Don't)
  • 効果的なプロンプト手法を一人で抱え込み、チームの標準化を阻害する
  • 理論的な最新情報ばかりを語り、実務での適用手順を示さない
成果物・エビデンス例
  • 社内LTスライド・発表録画
  • GitHub PR上の指導的レビューコメント
  • AI実装Tipsドキュメント

チームメンバーにプロンプトエンジニアリングやエージェントデバッグの手法をメンタリングし、チーム全体のAI実装力を引き上げる。

実運用ルーブリック
推奨行動 (Do)
  • ジュニアエンジニアとペアプロやデバッグセッションを行い、LLMの非決定的な挙動の調査方法を実践的に伝承する
  • チーム内のAIコーディング基準やプロンプト設計ガイドラインを整備・更新する
注意・アンチパターン (Don't)
  • 困っている後輩の質問を放置する、あるいは「自分でやった方が早い」とタスクを取り上げる
  • 属人的な勘と経験に頼ったプロンプト作成を指導し、体系的な評価手順を教えない
成果物・エビデンス例
  • メンティーの自立支援実績
  • ペアプロ・デバッグセッション記録
  • チームAI開発ガイドライン策定履歴

複数チームのAIエンジニアをメンタリングし、社内のAI技術基準の策定やシニア人材の採用をリードする。

実運用ルーブリック
推奨行動 (Do)
  • 複数プロダクトチームのAIエンジニアに対して技術メンタリングやデザインレビューを実施する
  • 全社のAIエンジニア採用基準・コーディング試験の策定をリードし、優秀なシニアAI人材を採用する
注意・アンチパターン (Don't)
  • 特定チームの最適化に閉じ、全社的なAIナレッジの共有やスキルの底上げを怠る
  • 採用面接において候補者のAI基礎力や実運用能力を厳格に評価せずミスマッチを招く
成果物・エビデンス例
  • AIエンジニア採用面接評価シート
  • 全社AI技術標準ドキュメント
  • シニアAIエンジニアのメンタリング・昇格支援実績

会社全体のAIエンジニアリング文化と倫理的規範を確立し、世界水準のAIエキスパートが集まり育つ環境を作る。

実運用ルーブリック
推奨行動 (Do)
  • AI倫理委員会や全社AIビジョンを策定し、安全かつ先進的なAI開発カルチャーを牽引する
  • 業界のトップカンファレンスでの発表やコミュニティ活動を通じ、世界最高水準のAIエキスパートが集まる求心力を作る
注意・アンチパターン (Don't)
  • AIの倫理的リスク（バイアス、著作権、安全性）を軽視し、企業のブランド価値を失墜させる
  • 排他的な技術エリート主義を助長し、多様なエンジニアの参入を阻む
成果物・エビデンス例
  • 全社AIビジョンステートメント
  • AI倫理ガイドライン策定・運用実績
  • 外部トップカンファレンス登壇・基調講演実績
評価・エージェント設計

用意された評価データセット（eval benchmark）を実行し、正解率や失敗事例のパターンを分類・集計できる。

実運用ルーブリック
推奨行動 (Do)
  • 既存の評価スクリプトを実行し、テスト結果のスコア集計と失敗ケースのリストアップを行う
  • 失敗した理由（事実誤認、指示無視、フォーマットエラー等）をカテゴリ分けして記録する
注意・アンチパターン (Don't)
  • 目視で数件のプロンプト出力を確認しただけで「問題なし」と判断する
成果物・エビデンス例
  • ベンチマークテストの実行ログおよびエラー分類シート

評価データセット（Golden Dataset）を自ら作成し、定量メトリクス（LLM-as-a-Judgeやルールベース）を用いた継続的な精度測定を設計・実行する。

実運用ルーブリック
推奨行動 (Do)
  • 本番ユースケースを代表する数十〜数百件のGolden Datasetを整備する
  • LLM-as-a-Judgeの評価プロンプトを設計し、人間の評価基準との一致度を検証する
注意・アンチパターン (Don't)
  • テストデータを持たずに勘と直感でプロンプトを変更し、別の入力でのデグレを見落とす
成果物・エビデンス例
  • 整備されたGolden Dataset（テストデータ群）
  • 自動評価スクリプトと評価スコア（忠実性・関連性等）のレポーティング実績

CI/CDに組み込まれた自動評価パイプライン（Eval-Driven Development）を構築し、プロンプトやモデル変更によるデグレを早期検知する仕組みを確立する。

実運用ルーブリック
推奨行動 (Do)
  • PR作成時に自動でEvalが走り、スコアの回帰（デグレ）をPR上で即時可視化するCIパイプラインを構築する
  • 外部モデルのサイレントアップデート（API側の挙動変更）を定期Evalで早期検知する体制を作る
注意・アンチパターン (Don't)
  • Evalを手動運用にとどめ、忙しさを理由に評価をスキップしたまま本番デプロイする
成果物・エビデンス例
  • GitHub Actions等に組み込まれた自動Evalパイプライン設定
  • デグレ検知により本番障害を未然に防いだ実績

他のエンジニアが従うリファレンス実装やエージェント設計パターンを標準化し、組織全体のAI開発のベロシティと安全性を底上げする。

実運用ルーブリック
推奨行動 (Do)
  • 自社独自のベストプラクティスを凝縮したAIエージェントのスターターキットやテンプレートを全社に配布する
  • 組織内のAIエンジニア向けにEval設計やエージェント開発のハンズオンや勉強会を主導する
注意・アンチパターン (Don't)
  • 知見を自チームだけに留め、他チームが同じ初歩的失敗を繰り返すのを傍観する
成果物・エビデンス例
  • 全社公開されたAIエージェント・リファレンス実装リポジトリ
  • 全社AI勉強会やワークショップの開催実績

次世代AIエージェントの安全性評価フレームワークや、組織の自律AIガバナンス基準そのものを定義し、業界のベストプラクティスを先導する。

実運用ルーブリック
推奨行動 (Do)
  • 自律型AIエージェントの安全性を担保する評価ベンチマークとガバナンスモデルを業界に先駆けて確立・公開する
  • 社外のオープンスタンダード策定に参画し、企業の技術的リーダーシップを世界に確立する
注意・アンチパターン (Don't)
  • 社内だけの閉じた基準に満足し、業界標準の進化から取り残される
成果物・エビデンス例
  • 公開された次世代AI評価フレームワークや学術発表・ホワイトペーパー
  • オープンソースAIエコシステムへのリーダーシップコントリビューション

隣のレベルで変わること

L1 (Associate / ジュニア) → L2 (Engineer / ミドル)
評価軸L1 での行動L2 で加わる・変わる行動
技術力既存のプロンプトやRAGパイプラインの調整、モデル入出力の検証や簡単なツール呼び出しを、指導のもとで実装できる。RAG、ベクトル検索、Function Calling/ツール呼び出し、構造化出力を組み合わせ、本番品質のAI機能を実装できる。
スコープと影響1つのプロンプトテンプレートやデータ前処理パイプラインの改善タスクを、確実に仕様通りに完了できる。1つのAI機能（検索、要約、チャット、データ抽出等）を、PoCから本番リリース・初期モニタリングまで自力でリード・完遂できる。
自律性生成AIの出力の不確実性を前提に、指示されたテストケースとログで結果を自力検証し、異常時は早めに相談・エスカレーションできる。モデル選定（小型モデル vs フロンティアモデル）、コンテキスト設計、パラメータ調整を自ら判断し、推論コストを意識して動く。
協働とコミュニケーションモデルのプロンプト差分や実験結果（入出力ログ、スコア）を、再現可能な形でチームに分かりやすく共有できる。PdMやデザイナーと連携し、AI特有のレイテンシ（ストリーミングUI）やエラー時のフォールバック体験をすり合わせる。
人を伸ばす自分の実験ログやプロンプト履歴を他者が追試できる形でドキュメント化し、キャッチアップを継続する。レビューや社内勉強会を通じて、効果的なプロンプト技術やモデルAPIのベストプラクティスをチームに共有する。
評価・エージェント設計用意された評価データセット（eval benchmark）を実行し、正解率や失敗事例のパターンを分類・集計できる。評価データセット（Golden Dataset）を自ら作成し、定量メトリクス（LLM-as-a-Judgeやルールベース）を用いた継続的な精度測定を設計・実行する。
L2 (Engineer / ミドル) → L3 (Senior)
評価軸L2 での行動L3 で加わる・変わる行動
技術力RAG、ベクトル検索、Function Calling/ツール呼び出し、構造化出力を組み合わせ、本番品質のAI機能を実装できる。マルチステップ推論や状態管理、ツール連携を含む自律型エージェント（Agentic Workflow）を堅牢に設計し、無限ループやガードレール逸脱を防ぐ実装ができる。
スコープと影響1つのAI機能（検索、要約、チャット、データ抽出等）を、PoCから本番リリース・初期モニタリングまで自力でリード・完遂できる。チーム規模のAIプロダクトの技術アーキテクチャを担い、推論レイテンシ・トークンコスト・精度のトレードオフを最適化して事業KPIに貢献する。
自律性モデル選定（小型モデル vs フロンティアモデル）、コンテキスト設計、パラメータ調整を自ら判断し、推論コストを意識して動く。複数LLMプロバイダーやオープンウェイトモデルの選定、キャッシュ戦略（Prompt Caching等）、ファインチューニングの採否を主導する。
協働とコミュニケーションPdMやデザイナーと連携し、AI特有のレイテンシ（ストリーミングUI）やエラー時のフォールバック体験をすり合わせる。評価結果（evalスコア）をビジネス側にも直感的にわかる形で可視化し、機能リリースの品質判断材料を提示して合意形成をリードする。
人を伸ばすレビューや社内勉強会を通じて、効果的なプロンプト技術やモデルAPIのベストプラクティスをチームに共有する。チームメンバーにプロンプトエンジニアリングやエージェントデバッグの手法をメンタリングし、チーム全体のAI実装力を引き上げる。
評価・エージェント設計評価データセット（Golden Dataset）を自ら作成し、定量メトリクス（LLM-as-a-Judgeやルールベース）を用いた継続的な精度測定を設計・実行する。CI/CDに組み込まれた自動評価パイプライン（Eval-Driven Development）を構築し、プロンプトやモデル変更によるデグレを早期検知する仕組みを確立する。
L3 (Senior) → L4 (Staff)
評価軸L3 での行動L4 で加わる・変わる行動
技術力マルチステップ推論や状態管理、ツール連携を含む自律型エージェント（Agentic Workflow）を堅牢に設計し、無限ループやガードレール逸脱を防ぐ実装ができる。複数チームが利用する全社AI基盤（オーケストレーション、モデルゲートウェイ、プロンプト/モデルレジストリ、共有Eval、ガードレール）を設計・運用する。
スコープと影響チーム規模のAIプロダクトの技術アーキテクチャを担い、推論レイテンシ・トークンコスト・精度のトレードオフを最適化して事業KPIに貢献する。ラベル付きデータの枯渇、業務データのサイロ化、ドメイン特化推論といった、全社で最も難度の高いAIエンジニアリング課題を解く。
自律性複数LLMプロバイダーやオープンウェイトモデルの選定、キャッシュ戦略（Prompt Caching等）、ファインチューニングの採否を主導する。全社AIプラットフォームのコスト効率（GPU/API費用最適化）、データプライバシー、および安全なAI運用（Responsible AI）に説明責任を持つ。
協働とコミュニケーション評価結果（evalスコア）をビジネス側にも直感的にわかる形で可視化し、機能リリースの品質判断材料を提示して合意形成をリードする。研究チーム（リサーチャー）、プロダクト開発、法務/セキュリティと横断的に協調し、新技術の本番適用における組織的合意を形成する。
人を伸ばすチームメンバーにプロンプトエンジニアリングやエージェントデバッグの手法をメンタリングし、チーム全体のAI実装力を引き上げる。複数チームのAIエンジニアをメンタリングし、社内のAI技術基準の策定やシニア人材の採用をリードする。
評価・エージェント設計CI/CDに組み込まれた自動評価パイプライン（Eval-Driven Development）を構築し、プロンプトやモデル変更によるデグレを早期検知する仕組みを確立する。他のエンジニアが従うリファレンス実装やエージェント設計パターンを標準化し、組織全体のAI開発のベロシティと安全性を底上げする。
L4 (Staff) → L5 (Principal)
評価軸L4 での行動L5 で加わる・変わる行動
技術力複数チームが利用する全社AI基盤（オーケストレーション、モデルゲートウェイ、プロンプト/モデルレジストリ、共有Eval、ガードレール）を設計・運用する。急速に進化する基盤モデルや推論パラダイムの潮目を見極め、3〜5年先の全社AI技術スタックの不可逆な投資判断（内製基盤 vs API、専用クラスタ投資等）を牽引する。
スコープと影響ラベル付きデータの枯渇、業務データのサイロ化、ドメイン特化推論といった、全社で最も難度の高いAIエンジニアリング課題を解く。会社の事業モデルそのものを変革するような中核AIシステムの設計を牽引し、AI技術のブレークスルーを事業の持続的競争優位性に転換する。
自律性全社AIプラットフォームのコスト効率（GPU/API費用最適化）、データプライバシー、および安全なAI運用（Responsible AI）に説明責任を持つ。AIの自律化に伴う重大なリスク（モデルの暴走、データ漏洩、倫理・規制対応）とビジネス機会について、経営陣と直接対話し全社責任を引き受ける。
協働とコミュニケーション研究チーム（リサーチャー）、プロダクト開発、法務/セキュリティと横断的に協調し、新技術の本番適用における組織的合意を形成する。経営陣（CEO/CTO）のAI技術顧問として戦略的アラインメントを主導し、業界の標準化団体やオープンソースコミュニティとの連携を牽引する。
人を伸ばす複数チームのAIエンジニアをメンタリングし、社内のAI技術基準の策定やシニア人材の採用をリードする。会社全体のAIエンジニアリング文化と倫理的規範を確立し、世界水準のAIエキスパートが集まり育つ環境を作る。
評価・エージェント設計他のエンジニアが従うリファレンス実装やエージェント設計パターンを標準化し、組織全体のAI開発のベロシティと安全性を底上げする。次世代AIエージェントの安全性評価フレームワークや、組織の自律AIガバナンス基準そのものを定義し、業界のベストプラクティスを先導する。

行動記述は海外の先進企業の公開求人・公開ラダーを参照して独自に書き下ろしています。