FDEとAIエンジニアは何が違うのか？

FDEとAIエンジニアは、何が違うのか？

FDEとAIエンジニアの違いは、「責任の対象」です。AIエンジニアが責任を持つのはAIモデル・システムの精度や性能、FDEが責任を持つのは顧客の成果です。同じAIを扱っていても、向き合っている先が違います。

AIエンジニア（機械学習エンジニアを含みます）にとって、AIは仕上げる対象そのものです。モデルの精度をどう上げるか、推論をどう速くするか、学習データをどう設計するか——「AIをうまく動かすこと」が仕事の中心にあります。良し悪しは、モデルの性能という比較的はっきりした指標で測れます。

一方FDE（Forward Deployed Engineer）にとって、AIは課題を解くための手段です。ゴールはあくまで「顧客の業務が良くなったか」にあり、AIはそこへ至る道具のひとつにすぎません。だからFDEは、精度の高いモデルを作ること自体を目的にはしません。既存のモデルやAPIで顧客の課題が解けるなら、それで十分だと考えます。見ているのは、モデルの性能ではなく、顧客の成果だからです。

担う範囲は、どこまで違うのか？

関わる範囲も対照的です。AIエンジニアはモデル開発に「深く」関わり、FDEは課題定義から成果まで「広く」関わります。深く狭く掘るのがAIエンジニア、端から端まで通しで持つのがFDEです。

AIエンジニアは、モデルや実装という一点を深く掘ります。そこには高い専門性が要り、精度を1ポイント上げるために何週間も向き合うこともあります。対してFDEは、「そもそも何を作るべきか」という課題定義から、作ったものが使われ続け、成果につながるところまでを通しで引き受けます。一つひとつの深さでは専門家にかないませんが、端から端までを一人称でつなげるのがFDEの持ち場です。

表のとおり、AIエンジニアの成功は「モデルが目標の精度に届いたか」で測れます。FDEの成功は「顧客の課題が実際に解けたか」でしか測れません。精度が高くても顧客の役に立たなければFDEは失敗ですし、逆に枯れた技術でも課題が解ければFDEは成功です。同じAIを扱いながら、合否のものさしがまるで違うのです。

AIエンジニアは「AIをうまく動かす」人、FDEは「AIで顧客の課題を解く」人。動かす対象が、モデルなのか、顧客の成果なのか。その一点が、二つの役割を分けています。

AIエンジニアは、FDEになれるのか？

なれます。AIエンジニアが持つ「AIを再現可能に動かす力」（AI設計力）は、FDEの土台そのものだからです。足りないものを一つ足せば、FDEに近づきます。それは、「何を作るべきか」を顧客と決めるUX設計力です。

FDEに必要な力は、大きく2つの設計力に整理できます。AI設計力（決めたことをAIで再現可能に動かす力）と、UX設計力（そもそも何を作るべきかを顧客と決める力）です。AIエンジニアは前者をすでに高い水準で持っています。だからFDEへの距離は、ゼロから学び直す距離ではなく、「うまく動かす対象を、モデルから顧客の成果へ広げる」距離です。

具体的には、顧客が「このモデルの精度を上げてほしい」と言ったとき、その通りに精度を追うのではなく、「精度を上げる前に、そもそもこの予測は業務のどこで使われるのか」を問い直せるかどうか。この問い直しが、AIエンジニアからFDEへ踏み出す最初の一歩です。2つの設計力の中身と伸ばし方はFDEに必要なスキル──2つの設計力で詳しく整理しています。

組織には、どちらが必要なのか？

結論から言えば、対立ではなく、層が違うので両方が要ります。深く掘るAIエンジニアと、課題から成果までをつなぐFDE。どちらかを選ぶのではなく、それぞれが別の層を埋める関係です。

モデルや基盤を深く作り込む仕事は、AIエンジニアにしかできません。精度・速度・安定性という土台がなければ、そもそも顧客に届けるものが成り立ちません。一方で、その技術を「顧客のどの課題に、どう当てれば成果になるか」に結びつける層が薄いと、優れた技術があっても使われずに終わります。この層を埋めるのがFDEです。

とくに受託開発・SIerでは、技術力はあっても「何を作れば顧客の役に立つか」を顧客と決める層が手薄になりがちです。AIエンジニアが深さを担い、FDEが広さを担う。二つがそろって初めて、技術が顧客の成果まで通ります。なぜこの組み合わせが受託・SIerに要るのかはなぜSIer・受託開発にFDEが必要なのか？で掘り下げています。

AIエンジニアとFDEは、奪い合う関係ではありません。モデルを深く仕上げる人と、その手段で顧客の課題を解く人。動かす対象が違うだけで、どちらも欠かせない。自社にどちらの層が足りていないかを見極めることが、AI時代の組織づくりの出発点になります。