Guides

書き方ガイド

AIエンジニア・機械学習エンジニアの職務経歴書の書き方|採用担当に伝わる記入例と無料テンプレート

AIエンジニア・機械学習エンジニアの職務経歴書の書き方|採用担当に伝わる記入例と無料テンプレート

AIエンジニア・機械学習エンジニアの職務経歴書でよくあるのが、「機械学習・ディープラーニング・生成AIの開発を担当」「精度を改善」と書いて終わる書き方です。これでは、何のモデルを作り、それが業務で使われているのかが読み手にわかりません。採用担当が知りたいのは、作ったモデルやアプリが業務の中でどう使われ、どう測られ、どう運用されてきたかです。

ひと言でいうと、AIエンジニアは「AIの仕組みを作り、業務で使える形にして、運用し続ける仕事」です。AIの仕組みは、データから学んで予測や判定をする「モデル」が中心です。最近は、文章を理解して答えるLLM(大規模言語モデル)を使った社内アプリづくりも、仕事の大きな部分になりました。

この記事は、AIエンジニアとして次の会社に移る人に加えて、データサイエンティストやWeb・業務系のエンジニアから、AIの開発の仕事に移りたい人に向けて書いています。記入例はAIの開発の経験が8年半ある人のものですが、項目の立て方と数字の書き方は、AIの経験が短い人も使えます。経歴別の書き分けでは、「Web・業務系のエンジニアから」「データサイエンティストから」の2つを先に、くわしく説明します。

無料テンプレート

AIエンジニア・機械学習エンジニアの職務経歴書、記入見本つきのテンプレートがあります

この記事の記入例と同じ形式で、Word・Excel・PDFの3形式。空欄のテンプレートと記入見本がセットになっています。

AIエンジニア・機械学習エンジニアの職務経歴書の記入例

まずは完成イメージです。製造業向けの外観検査AIを受託開発する会社で4年、画像検査のモデルを工場で使える形にしてきた人を想定しています。その後、保険会社のIT子会社に移り、コールセンターの入電数の予測モデルと、MLOps(モデルを本番で運用し続ける仕組み)を担当しました。現在は生成AIアプリチームのリーダー(5名)として、社内の文書検索アプリと、問い合わせメールの分類を開発・運用しています。画像をタップすると拡大できます。

AIエンジニア・機械学習エンジニアの職務経歴書の記入例(画像検査AIの受託開発4年、保険会社のIT子会社で機械学習・生成AIアプリの開発運用 約4年半)
AIエンジニア・機械学習エンジニアの職務経歴書の記入例(A4・2枚)

AIの経験が短い人は、記入例の数字の並べ方(何を・どれだけ・前後でどう変わったか)をまねて、自分の経験に置きかえてください。この記入例と同じ形式のテンプレートを無料で用意しています。Word・Excel・PDFの3形式で、空欄テンプレートと記入見本の2点セットです。

AIエンジニアの職務経歴書を、質問に答えるだけで無料作成できる「レジュメラボ AI職務経歴書メーカー」の案内

記入例をもとに、あなたの経歴でAIエンジニアの職務経歴書を作る(AI職務経歴書メーカー・無料)

ツールで聞かれる質問や記入見本は、AIエンジニアの職務経歴書をAIで作成するページで先に確かめられます。

データで読む:AIエンジニアの強みは「モデルを作る力」より「本番で運用し、確かめ続ける力」

書き方に入る前に、公的なデータを見ておきます。厚生労働省の職業情報提供サイト「job tag」には、「AIエンジニア」の職業ページがあります。ここでは、AIエンジニアのページと、近い職業の「データサイエンティスト」のページを並べて見ます。

2つのページからわかることは1つです。AIエンジニアの価値は、モデルを作ることそのものより、作ったモデルを本番で動かし、確かめ、改善し続けるところにあります。職務経歴書では、作った後に何をしてきたかを書くことが大切です。

学習させて終わりではない。運用しながらの改善と更新も9割を超える

job tag の職業ページには、よく行われる「タスク」と、働く人へのアンケートで「一般的に実施されていると思う」と答えた人の割合(実施率)が載っています。AIエンジニアでは、教師データ(正解をつけた学習用のデータ)でAIに学習させるタスクが94.3%でした。

同じ94.3%で並ぶのが、学習結果の検証を踏まえた修正と、システムを運営しながらAIを成長させることです。モデルの更新タイミングの設計も88.6%でした。AIの全体的な動きとデータの流れの確認は97.1%でした。

AIエンジニアのタスクの実施率。AIの全体的な動き・データの流れの確認97.1%、データ入力の管理画面やツールの準備97.1%、教師データでの学習94.3%、検証を踏まえた修正94.3%、運営しながらAIを成長させる94.3%、関連する論文を読む91.4%、モデルの更新タイミングの設計88.6%
言いたいこと:学習だけでなく、検証と運用中の改善も9割超が担い、更新の設計も9割近い(job tag、2026年11月閲覧)

出典:職業情報提供サイト(job tag)「AIエンジニア」(厚生労働省) タスク

職務経歴書では、学習させた後に何を確かめ、どう更新してきたかを書きましょう。記入例の「本番のモデル6本の学習・評価・リリースをパイプラインに統一」は、その一例です。パイプラインは、学習から公開までの手順を自動でつなぐ仕組みのことです。「リリース作業を1回 約3日から約半日に」と並べれば、運用の仕組みを整えた結果が数字で示せます。

データサイエンティストと比べると、プログラミング・監視・環境の設定の力が高い

job tag では、仕事に必要なスキルの水準を0〜7点で示しています。データサイエンティストとAIエンジニアを比べると、傾聴力は5.0点と4.6点、数学的素養は5.1点と4.9点で、データサイエンティストがやや高くなりました。

一方、プログラミングは4.8点と5.3点、継続的観察と評価は4.3点と4.9点、設置と設定は3.5点と4.5点で、AIエンジニアが高くなっています。故障等の原因特定も3.1点と3.9点でした。

スキルの水準の比較(データサイエンティスト、AIエンジニアの順)。傾聴力5.0点・4.6点、数学的素養5.1点・4.9点、プログラミング4.8点・5.3点、継続的観察と評価4.3点・4.9点、カスタマイズと開発4.2点・4.8点、設置と設定3.5点・4.5点、故障等の原因特定3.1点・3.9点
言いたいこと:AIエンジニアは、プログラミング・継続的な観察・設置と設定の水準が高い(job tag、2026年11月閲覧)

出典:職業情報提供サイト(job tag)「データサイエンティスト」(厚生労働省)・「AIエンジニア」 しごと能力プロフィール(スキル)

job tag の数値は、働く人の一部へのアンケートの平均で、サイトのよくある質問にあるとおり職業全体を正確に表すとは限りません。目安として読んでください。

編集部の読みでは、データサイエンティストはデータを分析して答えを見つけることに重心があります。AIエンジニアは、見つけた答えをシステムにして本番の環境に組み込み、動きを監視し続けることに重心があります。

データサイエンティストからAIエンジニアに移る人は、この差を埋めた経験を前に出しましょう。モデルをAPI(ほかのシステムから呼び出せる形)にした、予測の結果を毎日システムに渡す処理を作った、精度の監視を作った、といった経験です。くわしくは「経歴別の書き分け」で説明します。

AIエンジニア・機械学習エンジニアの職務経歴書テンプレートを無料ダウンロード(Word・Excel・PDF)

海外と日本での、AIエンジニアの役割の違い

ひと言でいうと、海外では「モデルを本番で運用し続ける役割」としてはっきりしていて、日本では呼び方も仕事の範囲もまだ会社によって違う、という違いです。この違いを知っておくと、職務経歴書で何を前に出すかを決めやすくなります。

海外:作る仕事と運用する仕事を、MLOpsとしてまとめて扱う

Google Cloud の公式ドキュメントは、MLOps(機械学習の開発と運用を一体で回す仕組み)を「MLシステム開発(Dev)とMLシステムオペレーション(Ops)の統合を目的とするMLエンジニアリングの文化と手法」と説明しています。MLは機械学習の略です。同じ文書は、実際のMLシステムのうち、MLのプログラムはごく一部だとしています。データの準備・テスト・リリース・監視を含めた仕組み全体を整えることが、仕事の中心だという考え方です。

日本:呼び方も仕事の範囲も、会社によって違う

厚生労働省のjob tagには「AIエンジニア」の職業ページがあります。一方、経済産業省とIPA(情報処理推進機構)のデジタルスキル標準(DX推進スキル標準)では、人材の類型に「AIエンジニア」はなく、AIの仕組みの設計・実装・運用は「データサイエンティスト」の役割に含まれています。2026年4月のver.2.0の分冊でも、MLOpsはスキル項目「AI実装・運用」の学習項目の例(AIシステム運用)として挙がっています。job tag の説明も、データサイエンティストをAIエンジニアに含める場合があると断っています。同じ「AIエンジニア」でも、分析寄りの仕事を指す会社と、開発・運用寄りの仕事を指す会社があります。

AIの使われ方も見ておきます。IPAの「DX動向2026」では、AIを導入・試験利用・検討している企業の用途として、文書・音声の要約・翻訳・校正が82.5%、文書・レポートの作成が80.5%でした。自社製品・サービスの高度化は10.9%、生産・物流・サービス提供の計画支援は6.0%です。

日本企業のAI利活用の用途。文書・音声の要約・翻訳・校正82.5%、文書・レポートの作成80.5%、情報検索・収集・分析・レポーティング77.0%、自社製品・サービスの高度化10.9%、生産・物流・サービス提供の計画支援6.0%
言いたいこと:日本企業のAIの使い道は文書の作業が中心で、製品・サービスへの組み込みは約1割(IPA「DX動向2026」、2026年7月公開)

出典:IPA(情報処理推進機構)「DX動向2026」 図表3-9 AI利活用の用途(調査期間 2026年4月17日〜6月12日)

AIを製品や業務の仕組みに組み込む使い方は、日本の企業ではまだ一部です。そのため、AIを本番のシステムに組み込み、運用してきた経験は、それだけで具体的に書く価値があります。

職務経歴書では、肩書きより「担った工程」と「本番の姿」を書く

呼び方がそろっていないぶん、採用担当は肩書きから仕事の中身を想像できません。職務経歴書では、データ・学習・評価・本番への組み込み・運用のどの工程を担い、何を本番に出したかを書きましょう。

  • 担った工程:データの準備・学習・評価・本番への組み込み・監視と更新のどこまでか
  • 本番の姿:誰が、どれくらいの量・頻度で使っているか(記入例の「月 約2,800名が利用」)
  • 運用の仕組み:自動化した範囲と、作業の変化(記入例の「リリース作業を1回 約3日から約半日に」)

書類選考で問われるのは「本番に出したか」「どう測ったか」「どう運用しているか」

AIエンジニアの書類選考で、採用担当が主に確かめているのは次の3つです。AIの経験が短い人も、同じ3つの観点で自分の経験を整理してください。

  1. 何のモデル・アプリを、業務で使われる形にしたか画像の判定か、需要の予測か、LLMを使った社内アプリか。試作で終わったのか、業務で毎日使われているのか。AIの仕事は試作と本番で重さが大きく違うため、採用担当はまず「本番で動いているもの」を作った経験かを確かめます。
  2. 精度を、業務の言葉と評価の仕組みで説明できるか精度の指標と前後の数字に加えて、業務の側で何が変わったか。評価のデータをどう作り、いつ確かめているか。数字を一度出しただけでなく、測り続ける仕組みを持っている人は、品質に責任を持てると判断されます。
  3. 運用の仕組みと、安全への配慮があるか学習・評価・リリース・監視の自動化(MLOps)で、モデルの更新を速く確実にしてきたか。個人情報の扱い、社内規程や審査への対応、人が確かめて確定する設計など、AIを業務で安全に使うための工夫も見られます。

「どのモデルを使ったか」より、「何を本番に出し、どう確かめ続けたか」を書きましょう。

職務要約から自己PRまで:モデル・MLOps・生成AIの実績の書き方

ここからは項目ごとに、NG例とOK例を並べて解説します。OK例は記入例からの引用です。

職務要約:会社の種類・扱ってきたモデル・得意な領域・いちばんの成果を3〜5行で

職務要約には、経験年数に加えて、会社の種類(受託開発・事業会社・自社サービスなど)、扱ってきたモデルやアプリ、得意な領域、いちばんの成果を入れます。

× NG例

AIエンジニアとして8年以上、機械学習・ディープラーニング・生成AIを使った開発に携わってきました。最新の技術を取り入れ、さまざまなAIプロジェクトを推進してきました。

ここが惜しい

  1. 受託か事業会社か、どんな業務の、何を予測・判定するモデルを作ってきたのかがわかりません。
  2. 試作までか、本番で運用してきたのかが書かれておらず、経験の重さが判断できません。
  3. 「推進してきました」に数字がなく、成果の大きさが読み手に残りません。

○ OK例

保険会社のIT子会社 株式会社サンプル損保テクノロジーで約4年半、機械学習と生成AI(LLM)のアプリを開発・運用。専門はMLOps(本番で動かし続ける仕組み)と評価による品質管理。文書検索アプリの正答率を600問の評価で約68%から約89%に。現在5名のリーダー。前職はAI受託開発(画像検査、4年)。

ここが評価される

  1. 最初の一文に、会社の種類と「開発・運用」まで担ってきたことが入っています。
  2. MLOpsと評価という、本番で使い続けるための得意な領域を示しています。
  3. 評価の基準(600問)と前後の数字で、成果を比べられる形になっています。

職務経歴:何のモデルかと使われ方を書き、実績は精度と業務の変化の両方で

職務経歴は、いちばん重要な項目です。まず、下の画像の3つのポイントを押さえましょう。

AIエンジニア・機械学習エンジニアの職務経歴の書き方のポイント(注釈つき)
職務経歴の書き方のポイント

× NG例

需要予測モデルを開発。LightGBMを用いて精度を改善しました。

ここが惜しい

  1. 何の需要を、どの単位・どの先まで予測するモデルなのかがわかりません。
  2. 精度をどの指標で、いくつからいくつにしたのかが書かれていません。
  3. モデルが業務の中でどう使われ、何が変わったのかが書かれていません。

○ OK例

【担当】コールセンターの入電数の予測モデルを開発・運用(30分単位・14日先)

【実績】誤差率を約11%から約6%に。シフト担当と使い方を決め、人員の過不足を月 約320時間から約150時間に

ここが評価される

  1. 予測の対象・単位・先の長さがあり、モデルの難しさが読み取れます。
  2. 誤差率の前後で、モデルの改善の大きさを示しています。
  3. 「人員の過不足」という業務の数字を並べ、モデルが業務で使われたことを示しています。

精度の指標は、名前と向きを添える

「誤差率」「過検出」「正答率」は、上がるのがよいのか下がるのがよいのかが指標によって違います。指標の名前と前後の数字をセットで書き、記入例の「見逃しを基準内に保ったまま」のように、守った条件も添えます。

本番運用(MLOps)の実績:本数・仕組み・作業の変化で、運用の力を示す

AIエンジニアならではの項目です。データの章で見たとおり、運用しながらの改善やモデルの更新は、この仕事の日常です。何本のモデルを、どこまで自動化し、作業がどう変わったかを書きます。

× NG例

MLOpsの導入を推進し、モデルの運用を効率化しました。

ここが惜しい

  1. 何本のモデルを、どこからどこまで自動化したのかがわかりません。
  2. 監視の対象(入力データ・精度など)が書かれていません。
  3. 「効率化」の中身がなく、何が変わったのかが読み取れません。

○ OK例

【MLOps】本番のモデル6本の学習・評価・リリースをパイプラインに統一

入力データと精度を監視する仕組みを整え、リリース作業を1回 約3日から約半日に

【仕組み】学習・評価の手順をスクリプトにまとめ、再学習を1件 約5日から約1.5日に

ここが評価される

  1. モデルの本数と、自動化した範囲(学習・評価・リリース)を書いています。
  2. 入力データと精度の両方を監視していることが書かれています。
  3. 前職の再学習と今のリリースで、2つの会社で続けてきた取り組みだと示しています。

MLOpsは、言葉の意味が会社によって違います。どの作業が、何日から何日になったかまで書けば、どの会社の採用担当も同じ意味で読めます。

この形のまま、質問に答えて自分の職務経歴書を作れます

質問に答えるだけ。下書きまでは登録なしで使えます

生成AI(LLM)アプリの評価と安全性:評価データの作り方・確かめ方・前後の数字をセットで

生成AIのアプリは、答えが毎回少しずつ変わり、正しさを測りにくいのが特徴です。そのため、評価データをどう作り、いつ確かめているかが、そのまま実力の証明になります。

× NG例

生成AIを活用した社内チャットボットを開発し、業務効率化に貢献しました。

ここが惜しい

  1. 何の文書・問い合わせを扱うアプリで、どれだけ使われているのかがわかりません。
  2. 回答の正しさをどう測り、いつ確かめているのかが書かれていません。
  3. 個人情報の扱いや、人が確かめる仕組みに触れておらず、安全への配慮が判断できません。

○ OK例

【評価】業務部門と評価用の質問600問を作り、リリースごとに自動評価と人の抜き取り確認。正答率を約68%から約89%に

【安全性】個人情報を伏せる処理と根拠の表示。AI規程・セキュリティ審査に対応

ここが評価される

  1. 評価の質問の数と作り方(業務部門と作成)があり、評価の確かさを判断できます。
  2. 自動評価と人の抜き取り確認を、リリースのたびに行っています。
  3. 個人情報・根拠の表示・社内規程と審査に触れ、業務で安全に使う設計だと示しています。

人が確かめて確定する設計も、実績になる

問い合わせの分類などでは、AIの結果をそのまま使わず「担当者が確認して確定する形」にした設計も書きましょう。記入例のように、人の確認を残したうえで振り分けの作業が月 約260時間から約90時間に減った、と書けば、安全と効果の両方を示せます。

テクニカルスキル・資格:分類ごとに、用途と年数をそろえる

AIの分野はツールや手法の名前が多く、並べるほど経験が薄く見えます。分類ごとに、用途と年数を書きましょう。

× NG例

Python、PyTorch、TensorFlow、LightGBM、LLM、RAG、AWS、Docker

ここが惜しい

  1. 名前を並べただけで、実務でどこまで使ったのかがわかりません。
  2. 経験年数がなく、職務経歴と突き合わせることができません。
  3. 評価の設計や監視など、ツール名にならない力が抜け落ちています。

○ OK例

機械学習:画像認識(PyTorch、4年)、需要予測(LightGBM、2年)、評価の設計(8年半)

生成AI・LLM:LLM APIを使ったRAG・分類の設計、評価データでの自動評価(2年半)

MLOps・基盤:AWSでの学習・推論の環境、パイプライン、監視(4年半)、Docker(8年半)

ここが評価される

  1. モデルの種類とライブラリを組み合わせ、何に使ってきたかを書いています。
  2. 経験年数が職務経歴の期間(前職4年、現職の需要予測2年、生成AI 2年半)と一致しています。
  3. 「評価の設計」「監視」と、本番で使い続けるための力も書いています。

開発の補助にAIを使っている場合は

コーディング支援AIなどを使っているなら、記入例の「テストのたたき台作成(1年半。レビュー必須)」のように、使った場面と確かめ方を1行で添えます。会社のルールで使えない職場だった人は、書かなくて問題ありません。

RAG(社内の文書を検索し、その内容をもとにLLMに答えさせる仕組み)のような略語は、記入例の「約款・規程 約4,000文書のQ&Aアプリ(RAG)」のように、対象と使い道を先に書くと親切です。

自己PR:「本番に出した」「測り続けた」経験を、1つずつ数字で

自己PRは「強み → 進め方 → 結果の数字」の順に書き、強みは2つまでに絞ります。新しい技術を追いかけることは、AIエンジニアには前提として求められます。採用担当が知りたいのは、その技術で何を本番に出し、どう確かめてきたかです。

× NG例

私の強みは、最新のAI技術へのキャッチアップ力です。論文や新しいモデルの情報を常に追いかけ、業務に取り入れてきました。

ここが惜しい

  1. 新しい技術を学ぶことはAIエンジニアの前提として求められるため、それだけでは差がつきません。
  2. 学んだ技術で、どんな結果を出したのかが書かれていません。

○ OK例

精度だけでなく、現場で使える条件まで詰めて本番に出す力

外観検査では見逃しの基準を守ったまま過検出を約12%から約4%に下げ、目視の再検査を1日約1,800個から約600個に減らしました。

ここが評価される

  1. 試作と本番の差を埋める、AIエンジニアならではの強みを選んでいます。
  2. 守った条件(見逃しの基準)と、工場の作業の変化(再検査の個数)がそろっています。
  3. 記入例では2つ目の強みとして生成AIの評価の仕組みも書き、画像と生成AIの両方を示しています。
OK例をもとに書き換えるだけ。AIエンジニア・機械学習エンジニアの記入見本つきテンプレート

経歴別の書き分け:Web系・データサイエンティストから移る人と、AIエンジニアどうしの転職

これまでの経歴と、応募するポジションによって、採用担当が確かめることは変わります。AIの仕事に移る人が多い2つの経歴を先に説明し、そのあとAIエンジニアどうしの転職の3つのパターンを取り上げます。

経歴・応募先採用担当が見るポイント前に出すこと
Web・業務系のエンジニアから本番の開発・運用の力を、AIに広げられるか本番運用の経験、AIを組み込んだ機能と評価の数字
データサイエンティストから分析で終わらず、モデルを本番のシステムに組み込めるか本番で使われたモデル、組み込み・監視で担った範囲
AI受託開発から事業会社へ納品で終わらず、自社の業務で長く運用できるか本番に出した件数、運用と更新の経験
AIを製品にする会社へ多くの利用者に、速く安く安定して提供できるか利用の規模、速さ・費用・監視の数字
生成AI・LLMの開発へ答えの正しさと安全を、仕組みで守れるか評価データの作り方、安全への配慮

Web・業務系のエンジニアから、AIの仕事へ

AIの経験が少なくても、本番のシステムを設計・テスト・リリース・監視してきた経験は強みです。データの章で見たとおり、AIエンジニアの仕事の多くは作った後の運用と改善だからです。採用担当が確かめるのは、その力をAIの開発に広げられるかです。

職務経歴書に書きたいこと

  • 本番のシステムの規模(利用者の数・処理の件数)と、設計・テスト・リリース・監視で担った範囲
  • AIを組み込んだ機能や、LLM APIを使った機能の開発経験と、評価の数字(あれば)
  • データを扱った経験(SQLでの集計、ログの分析、夜間のバッチ処理など)
  • 個人で学んだことは、作ったものと確かめ方を1〜2行で

記入例

※記入例とは別の架空例です

【担当】問い合わせフォームに、LLM APIで回答の候補を出す機能を追加(担当者が確認して送信)。評価用の問い合わせ200件で、候補をそのまま使えた割合を約55%から約74%に

【運用】候補の採用率を週ごとに集計し、参照する文書と指示文を月2回見直し

ポイント

  1. 本番の機能として作り、人の確認を残し、評価の数字まで書いています。AIの仕事への入り口として十分な実績です。
  2. 週ごとの集計と見直しの頻度で、作った後も運用していることを示しています。

職務要約では、エンジニアとしての年数と、AIの機能に関わった期間を分けて書きます。例:「業務システムの開発 約6年。うち約1年、LLM APIを使った問い合わせ対応の機能を開発・運用」。AIの経験を長く見せようとせず、期間を正直に分けるほうが信頼されます。

よくある落とし穴は、受けた講座や資格だけを並べるケースです。小さくても実際に動くものを作り、確かめた経験を1つ書くほうが評価されます。

データサイエンティストから、AIエンジニアへ

データの分析やモデルづくりの経験は、そのまま強みになります。採用担当が確かめたいのは、分析で終わらず、モデルを本番のシステムに組み込み、運用した経験があるかです。データの章で見たとおり、job tag ではプログラミング・継続的観察と評価・設置と設定で、AIエンジニアの水準が高くなっています。この差を埋めてきた経験を前に出しましょう。

職務経歴書に書きたいこと

  • 作ったモデルが、どの業務で、どの頻度で使われているか(分析レポートで終わったものとは分ける)
  • モデルを本番に出すために自分で担った範囲(API化、毎日の予測の処理、精度の監視、再学習など)
  • 精度の指標と前後の数字、業務の側で変わったこと(件数・時間・金額)

記入例

※記入例とは別の架空例です

【担当】小売の需要予測モデル(店舗×商品、週単位)を開発。エンジニアと分担し、予測を毎朝 発注システムに渡す処理と、精度の監視を担当

【実績】誤差率を約18%から約12%に。精度が基準を下回ったら再学習する手順を作り、更新を月1回の定例の作業に

ポイント

  1. モデルを作っただけでなく、本番のシステムに渡す処理と監視まで自分で担ったことがはっきりしています。
  2. 再学習の基準と頻度を書き、作った後も運用していることを示しています。

よくある落とし穴は、分析の手法やコンペティションの順位だけを並べるケースです。本番で使われたモデルが1本でもあれば、先頭に書きましょう。分析が中心だった人は、結果がどの業務の判断に使われたかと、本番のシステムに関わった範囲を正直に書きます。

自分の経歴に合わせた下書きを、AIで作れます

AI受託開発の会社から、事業会社へ

採用担当が見たいのは、いくつの案件をこなしたかより、納品した後も使われ続けるものを作れるかです。事業会社では、同じモデルを何年も運用し、業務の変化に合わせて更新し続けます。

職務経歴書に書きたいこと

  • 案件の数と顧客の業種、作ったモデルの種類(顧客名は出さない)
  • 本番の導入まで進んだ件数と、導入後に関わった運用・保守の範囲
  • 顧客の品質保証・業務の担当者と、判定の基準や使い方を決めた経験

記入例

【担当】食品・電子部品の工場向け検査モデル5件のリーダー(メンバー4名)

【実績】モデルの軽量化で、工場の端末での判定を1枚 約180ミリ秒から約45ミリ秒に

【仕組み】学習・評価の手順をスクリプトにまとめ、再学習を1件 約5日から約1.5日に

ポイント

  1. 記入例の前職の書き方です。件数・業種・チームの人数と、工場の条件に合わせた数字に加え、事業会社で求められる再学習の手順づくりも書いています。

よくある落とし穴は、PoC(小さく試す検証)の件数だけを並べるケースです。試作で終わった案件は、検証の結果と、本番に進んだか・進まなかったかを分けて書くほうが信頼されます。

事業会社から、AIを製品にする会社へ

AIそのものを製品として外に提供する会社では、多くの利用者に、速く、安く、安定して提供することが求められます。データの章で見た「設置と設定」「継続的観察と評価」の力が、より強く問われます。

職務経歴書に書きたいこと

  • 利用者の数・処理の量・応答の速さなど、本番の規模を示す数字
  • 推論(モデルが答えを出す処理)の速さや費用を、どう測り、どう下げたか
  • 監視・アラート・障害のときの対応など、止めないための仕組み

記入例

※記入例とは別の架空例です

【担当】契約書の要約APIの推論基盤(1日 約12万リクエスト)。応答の速さ(95パーセンタイル)を約4.2秒から約1.8秒に。1件あたりの処理費用を約35%削減

ポイント

  1. 規模・速さの測り方・費用がそろい、製品として提供する力を示しています。

社内向けの経験も、利用者の数や頻度、止めずに運用した期間を書けば、本番の重さは十分に伝わります。

生成AI・LLMの開発へ軸足を移す

生成AIの開発は、既存のLLMを組み合わせて業務に合う答えを出す仕組みづくりが中心です。採用担当は、答えの正しさと安全を仕組みで守れるかを確かめます。

職務経歴書に書きたいこと

  • 扱った文書・問い合わせの種類と量、利用者の数
  • 評価データの作り方(誰と、何件)と、確かめるタイミング(リリースごとなど)
  • 個人情報・機密情報の扱い、根拠の表示、人が確かめる仕組み

記入例の現職の【文書検索】【評価】の行が、この書き方の例です。よくある落とし穴は、使ったLLMの名前やプロンプト(AIへの指示文)の工夫だけを書くケースです。モデルの名前は変わりやすいため、評価の仕組みと結果を中心に書くほうが長く通用します。AIエージェント(手順を自分で決めて、社内のシステムを操作するAI)を開発した場合も同じです。AIに任せた作業の範囲と、人が確かめて止められる仕組みを書きましょう。

無料テンプレート

書き方がわかったら、テンプレートに書き込んでみましょう

この記事の記入例と同じ形式の、空欄のテンプレートと記入見本のセットです。Word・Excel・PDFから選べます。

2026年のAIエンジニア:評価・本番運用・安全性・人の確認の書き方

AIエンジニアにとって、AIは「使う道具」ではなく仕事そのものです。この章では、AIの仕事の実績を、評価・本番運用・安全性・人の確認の4つの観点で書く方法を整理します。

評価の仕方:評価データの作り方と、確かめるタイミング

AIの品質は、評価の基準があって初めて説明できます。精度の数字だけを書くと、「何で測った数字か」が読み手にわかりません。書くことを表にまとめました。

書くこと具体例採用担当が読み取ること
評価データ業務部門と評価用の質問600問を作成(記入例)基準が業務に合っているか
指標正答率、誤差率、過検出など、名前と向き何を良くしたのか
確かめるタイミングリリースごとに自動評価と人の抜き取り確認(記入例)品質を測り続けているか
前後の数字正答率を約68%から約89%に(記入例)改善の大きさ

生成AIでは、評価データづくりに業務の担当者が加わることがとくに大切です。答えが正しいかを判断できるのは、その業務をよく知る人だからです。評価データを「誰と作ったか」まで書くと、業務の担当者と組んで品質を決められる人だと伝わります。

本番運用:利用の規模と、運用し続ける仕組み

本番では、試作(PoC)では問われなかった利用の規模・応答の速さ・費用・監視・更新の手順が問われます。

  • 利用の規模:誰が、どれくらいの量・頻度で使っているか
  • 速さ・費用:応答の時間や処理の費用の前後の数字(記入例の「1枚 約180ミリ秒から約45ミリ秒に」)
  • 監視と更新:入力データや精度の変化の監視と、更新の手順

安全性:個人情報・機密情報と、社内のルール

AIを業務で使うときの考え方は、国の資料でも整理されています。総務省と経済産業省の「AI事業者ガイドライン(第1.2版)」(2026年3月31日)は、関わる立場を「AI開発者」「AI提供者」「AI利用者」の3つに分けています。AIエージェント(目標に向けて自分で判断して動くAI)を定義し、適切なタイミングで人間の判断を介在させる使い方も勧めています。

職務経歴書では、自分がどの立場で関わったかを意識すると書きやすくなります。記入例は社内向けのアプリを作って提供する立場なので、個人情報を伏せる処理・根拠の文書の表示・社内のAI規程とセキュリティ審査への対応を書いています。

人の確認:AIの結果を、誰がどこで確かめるか

AIの結果をどこまで自動で使い、どこから人が確かめるかを決めるのも、AIエンジニアの仕事です。記入例の問い合わせメールの分類では、AIが振り分けた結果を担当者が確認して確定する形にしています。

○ OK例

【分類】代理店からの問い合わせメール(月 約1.5万件)を14区分に振り分け。担当者が確認して確定する形にし、振り分けの作業を月 約260時間から約90時間に

ここが評価される

  1. 件数と区分の数で、仕組みの規模を示しています。
  2. 人の確認を残した設計と、作業時間の変化の両方が書かれています。

実績の数字が書けないときの対処法

AIの仕事は、業務の効果が見えにくかったり、顧客の数字を出せなかったりします。次の4つの切り口で探すと、書ける数字はたいてい見つかります。切り口を図にまとめました。

数字が書けないときの4つの切り口:試作(PoC)で終わった、業務の効果を測っていない、受託で顧客の数字を出せない、チームの成果で自分の分がない

試作(PoC)で終わり、本番に出なかった

検証の条件と結果、止めた理由を書きます。例:「画像約5,000枚で検証し、過検出の目標(5%以下)に届かず、撮影条件の見直しを提案して終了」。

業務の効果を、会社で測っていなかった

精度の指標と、使われ方の数字を書きます。例:「月 約2,800名が利用」「正答率を約68%から約89%に」。業務の効果は、測っていなければ推測で作らないようにします。

受託開発で、顧客の数字を社外に出せない

顧客名と具体的な数字の代わりに、業種・件数・担当した工程を書きます。例:「自動車部品メーカー向けの外観検査モデル」「工場向け検査モデル5件のリーダー」。

チームの成果で、自分の分を切り出せない

全体の規模と、自分が担った工程を分けて書きます。例:「本番のモデル6本の学習・評価・リリースをパイプラインに統一」のうち、自分が設計した部分と、チームで分担した部分を分けます。

無料テンプレート

記入見本を横に置くと、書き進めやすくなります

見本と見比べながら空欄を埋めていけば、ここまでの書き方をそのまま当てはめられます。

提出前のチェックリスト

書き終えたら、提出前に次の7つを確認しましょう。要点を短くまとめた図と、くわしいチェック項目の順に載せています。

提出前に確かめる7つのこと(AIエンジニア・機械学習エンジニアの職務経歴書)
  • 職務要約に、会社の種類・年数・扱ってきたモデル・得意な領域・いちばんの成果が入っている
  • モデルごとに、何を予測・判定するか、本番でどう使われているかを書いている
  • 精度は指標の名前と前後の数字で書き、業務の側の変化も並べている
  • MLOpsは、モデルの本数・自動化した範囲・作業の変化で書いている
  • 生成AIは、評価データの作り方・確かめ方と、個人情報や人の確認への配慮を書いている
  • テクニカルスキルの経験年数が、職務経歴の期間と一致している
  • 顧客名、社内の文書やデータの中身、未公開の機能など、社外に出せない情報を書いていない

最後に、職務要約・職務経歴・自己PRで同じ数字(正答率、過検出の割合など)を読み合わせ、食い違いがないかを確かめましょう。

書いた職務経歴書を、採用担当の視点で100点満点チェックできる「レジュメラボ AI職務経歴書メーカー」の案内

よくある質問

生成AI(LLM)の開発経験がないと、AIエンジニアの転職で不利になりますか?

応募先によって大きく違い、経験がないことだけで不利になるとは限りません。画像や予測のモデルを作り、本番で評価・運用してきた経験は、生成AIの評価や運用にもそのまま活きます。経験がない場合は、これまでのモデルの評価の仕組みと本番運用の経験を、数字とともに書きましょう。

試作(PoC)ばかりで、本番に出した経験がほとんどありません。

試作の経験も、検証の条件・結果・判断を書けば十分な実績になります。目標に届かず止めた案件も、なぜ止めたかを書けば、本番に出すかどうかを判断できる人だと評価されます。本番に出たものが1件でもあれば、それを先頭に書きましょう。

論文や学会発表、コンペティションの成績は書いたほうがいいですか?

応募先の仕事に関係するものは、職務経歴書の最後に1〜3件書きましょう。job tag の「AIエンジニア」でも、論文を読むことは91.4%、書くことは80.0%が実施しているタスクです。ただし中途採用では業務の実績が中心なので、添える形で十分です。

資格はあったほうがいいですか?

AIエンジニアの採用では、資格より実務の経験が重く見られることが多くあります。持っている資格は、正式な名前と取得年月で書きましょう。記入例のE資格は、日本ディープラーニング協会の資格です。なおIPAの発表では、情報処理技術者試験は2027年度から新しい制度に移る予定です。応用情報技術者試験と高度試験は再編され、案では「データ・AI領域」の区分も設けられます。最新の案内を確かめてください。

受託開発の顧客や、社内のデータの中身はどこまで書いてよいですか?

顧客名や社内のデータの中身は書かず、業種・規模・扱ったデータの種類と量で書きます。例:「自動車部品メーカー向け」「約款・規程 約4,000文書」。評価データの具体的な質問や、セキュリティの仕組みの詳細も書かないようにしましょう。

この記事の記入例テンプレートを無料でダウンロード

Word・Excel・PDFの3形式に対応。空欄テンプレートと記入見本のセットです。

Author

佐藤 大貴

レジュメラボ編集責任者/アースダイバー代表

佐藤 大貴

人材紹介の会社で、キャリア系メディアの編集長をしていました。転職やキャリアをテーマにした記事づくりに長く関わり、2019年にアースダイバー株式会社を立ち上げました。編集長時代、たくさんの求職者の方やキャ…

Share

前の記事
一覧へ戻る
次の記事