2026年のAIエンジニアの履歴書は、何よりもまず一つの問いで判断されます。モデルを本番環境に投入したか、そして実際のトラフィックが流れたときに何が起きたか、です。職種名はあてになりません。同じ仕事がAIエンジニア、MLエンジニア、アプライドサイエンティスト、LLMエンジニア、GenAIデベロッパーといった名前で募集され、書類をふるいにかける採用管理システム（ATS）は、職種名ではなく箇条書きの中の言葉を照合します。このガイドでは、何を証明すべきか、パーサーと採用マネージャーの両方に伝わるようにどう書くか、どのキーワードを載せるべきか、どの資格がいまも意味を持つか、そして確認できる出典に基づいてこの職種の報酬がいくらなのかを解説します。
要点
- 本番環境での実績を先頭に置きます。レイテンシ、コスト、精度、利用状況の数字を伴うリリース済みシステム一つは、講座の課題プロジェクト十個に勝ります。
- 技術スタックは正確に書きます。パーサーは文字列をそのまま照合します。「最新のMLツール」ではなく「PyTorch」「vLLM」「LangChain」「pgvector」と書いてください。
- スキル欄は、モデリング、サービングとインフラ、評価の三層に分けます。採用マネージャーはこれらを三つの別々の能力として読みます。
- 地味な部分こそ数値化します。p95レイテンシ、1,000リクエストあたりのGPUコスト、評価の合格率、ハルシネーション率が、面接に呼ばれる数字です。
- 2026年の報酬には幅があります。最も近い米国連邦職業分類の中央値は140,300米ドル、中堅企業の平均総報酬は211,243米ドル、Levels.fyiに報告している企業の総報酬中央値は250,000米ドルです。
2026年のAIエンジニアの履歴書は何を証明すべきですか？
次の四つを、この順番で示します。
リリースした実績があること。 実際のユーザーや実際のシステムが依存しているモデル、エージェント、検索パイプライン、推論サービスです。処理量を明記します。1日あたりのリクエスト数、インデックスした文書数、利用ユーザー数、自動化した判断の件数などです。
測定できること。 現代のAIチームはどこも評価を回しています。履歴書では、評価セットを構築または保守し、ビジネスにとって重要な指標を追跡し、それを動かしたことを示してください。「リランキングと引用チェックを追加し、社内評価セットでの回答精度を71%から86%に引き上げた」は、二度読まれる一文です。
コストとレイテンシを理解していること。 生成系システムは高価です。「連続バッチ処理（continuous batching）を使ってvLLMで量子化済み8Bモデルを提供する構成に移行し、推論コストを38%削減した」と言える候補者は、多くの応募者が持っていないスキルを示しています。
領域の境界をまたいで働けること。 AIエンジニアは、研究、データエンジニアリング、バックエンド、プロダクトの間に位置します。モデルを訓練しただけでなく、APIを書いた、デプロイを担当した、データパイプラインをデバッグした、リリースレビューを主導したことを示してください。
履歴書で証明する必要がないこと。それはTransformerのアーキテクチャを暗唱できるかどうかです。それは面接で試されます。履歴書は面接にたどり着くためのものです。
職務要約はレベルごとにどう書くべきですか？
3〜4行です。職種名、経験年数、技術スタック、数字を伴う実績一つ、そして次に取り組みたい問題の種類。自分自身を飾る形容詞は不要です。
エントリーレベル（0〜2年、またはキャリアチェンジ）
ソフトウェアエンジニアリング出身のAIエンジニア。本番環境でのLLM機能開発経験18か月。検索拡張型のサポートアシスタント（Python、LangChain、pgvector、OpenAI API）をリリースし、週1,200件のチケットにエスカレーションなしの解決率83%で対応。評価、プロンプトのバージョン管理、モデル周辺のFastAPIサービスの運用に対応可能。モデルがデモではなくプロダクトの一部となっているチームを希望。
ミドルレベル（3〜6年）
機械学習エンジニア、経験5年。LLMアプリケーションと推論インフラが専門。従業員400名のフィンテック企業で、ホスト型APIからvLLMとKubernetes上のセルフホストLlamaモデルへの移行を主導し、p95レイテンシを900ms未満に維持したまま1,000リクエストあたりのコストを61%削減。社内の評価ハーネス（ラベル付きケース1,800件、夜間実行、CIでのリグレッションゲート）を構築。PyTorch、Ray、Triton、Terraform、AWS。
シニア・スタッフ（7年以上）
レコメンデーションシステムと生成AIにまたがる9年の経験を持つスタッフAIエンジニア。マーケットプレイス向けに1日4,000万件の推論を提供するプラットフォーム（フィーチャーストア、モデルレジストリ、カナリアリリース、オンコール）を所管。ベンダーAPI二つを置き換えたドメインモデルのファインチューニング（LoRA、DPO）を主導し、年間210万米ドルを削減。エンジニア3名をマネジメントし、採用と育成を担当。組織全体の評価と安全性レビューの基準を策定。
それぞれが何をしているかに注目してください。処理量の数字、ビフォー・アフターの数字、そして名指しされた技術スタックです。パーサーはキーワードを得て、マネージャーは読み続ける理由を得ます。
AIエンジニアの優れた実績の箇条書きとはどのようなものですか？
パターンはこうです。動詞、構築したもの、技術スタック、測定した結果。以下の数字は例です。自分の数字に置き換え、面接で説明できるものだけを残してください。
- 社内文書230万件を対象とした検索拡張生成（RAG）パイプライン（チャンキング、BM25と埋め込みのハイブリッド検索、クロスエンコーダによるリランキング）を構築し、1,200件の評価セットでの回答精度を64%から88%に向上。
- 厳選した4万件の事例でLoRAを用いて7Bのオープンウェイトモデルをファインチューニングし、チームの評価基準でホスト型フロンティアモデルと同等の性能をトークンあたり1/14のコストで達成。
- 推論をマネージドエンドポイントから、連続バッチ処理とFP8量子化を備えたKubernetes上のvLLMに移行し、GPU支出を52%削減、p95レイテンシを2.4秒から780msに短縮。
- LLM評価プログラムを設計・運用。ラベル付きケース3,400件、人間によるキャリブレーション付きLLM-as-judge（Cohenのκ係数0.81）、2ポイントの低下でデプロイをブロックする夜間リグレッション実行。
- ZendeskとStripeへのツール呼び出しを行い、月9,000件のサポートチケットをトリアージするエージェントをリリース。71%を人手なしで解決、エスカレーション精度96%。
- 引用に基づく根拠付け、拒否しきい値、生成後の主張チェッカーを追加し、顧客向け回答のハルシネーション率を11%から2.3%に削減。
- 本番モデル14件に供給するフィーチャーストアと学習パイプライン（Airflow、Spark、Snowflake）を所管し、特徴量の鮮度の遅延を6時間から15分に短縮。
- 23サービスにプロンプトのバージョン管理とトレーシング（モデル呼び出しごとのOpenTelemetryスパン）を導入し、モデルのリグレッション診断にかかる平均時間を数日から1時間未満に短縮。
- リリース前の安全性レビューとレッドチーム演習を主導。31の故障モードを文書化し、リプレイでその99.4%をブロックするガードレールをリリース。
- バックエンドから応用AIへ転向するエンジニア4名を指導し、うち2名が現在本番モデルを担当。
ルールは三つです。「手伝った」「参加した」ではなく、自分の貢献を表す動詞（構築、主導、所管、設計）で始めます。できるかぎり数字を最初の節に置きます。ツール名は文中に書きます。パーサーが見つけるのはそこだからです。
弱い箇条書きを、面接につながるものに書き直すには？
同じ仕事を三通りに書きます。一つ目は、ほとんどのAIエンジニアの履歴書に書かれているものです。三つ目が、二度読まれるものです。
Before：「OpenAIとLangChainを使ったカスタマーサポート向けLLMチャットボットに携わった。」
Better：「OpenAI APIとLangChain、pgvectorの検索レイヤーでカスタマーサポートアシスタントを構築した。」
Strong：「検索拡張型のサポートアシスタント（OpenAI API、LangChain、ヘルプセンターの18万チャンクを対象としたpgvector）を構築し、現在週1,200件のチケットを処理。リランキングと拒否しきい値を追加し、エスカレーションなしの解決率を54%から83%に向上。」
何が変わったか。責任を引き受ける動詞、パーサーが見つけられる場所に書かれた技術スタック、処理量、そして指標を動かした仕組みを伴うビフォー・アフターの数値です。三つ目は、面接官が追加の質問をできる唯一の版でもあり、それこそが狙いです。
Before：「モデルのデプロイとMLOpsを担当。」
Strong：「本番モデル14件のデプロイを所管（モデルレジストリ、カナリアリリース、5分未満のロールバック）。サービングをEKS上のTritonに移行し、トラフィック3倍の条件でp95レイテンシを410msから160msに短縮。」
Before：「プロンプトエンジニアリングによりモデル精度を改善。」
Strong：「構造化プロンプト、解決済み類似ケースのfew-shot検索、検証パスにより、900件の評価セットでのタスク精度を72%から91%に向上。次のエンジニアが再現できるよう評価手順を文書化。」
強い版に見られる二つの点に注目してください。評価セットのサイズを明記していること。分母のない「精度が上がった」は反証不可能で、経験豊富なレビュアーは割り引いて読みます。そして、仕組みを一つの節で説明していること。これは、数字が動いたときにたまたま居合わせたのではなく、なぜ動いたのかを理解していたことを読み手に伝えます。
履歴書を送る前の実践的なテストがあります。それぞれの箇条書きについて、懐疑的なシニアエンジニアが「どうやって？」と尋ねたときに、本文から具体的な答えが得られるかを確認してください。答えが「箇条書きには書いていない」なら、その箇条書きはまだ完成していません。
AIエンジニアの履歴書に載せるべきATSキーワードはどれですか？
ATSは推測しません。求人票に「RAG」とあり、履歴書に「検索パイプライン」とあれば、ほとんどのシステムは両者を結びつけません。求人票を読み、自分に当てはまる範囲でその正確な用語をそのまま使い、以下のリストを該当する箇所でカバーしてください。
| グループ | 当てはまる場合にそのまま使うキーワード |
|---|---|
| モデリングと学習 | PyTorch, JAX, Hugging Face Transformers, fine-tuning, LoRA, QLoRA, RLHF, DPO, distillation, quantization |
| LLMアプリケーション | retrieval-augmented generation (RAG), embeddings, vector search, pgvector, Pinecone, Weaviate, LangChain, LlamaIndex, prompt engineering, function calling, agents |
| サービングとインフラ | vLLM, TensorRT-LLM, Triton Inference Server, Ray, Kubernetes, Docker, Terraform, AWS SageMaker, Amazon Bedrock, Vertex AI, Azure OpenAI |
| データとパイプライン | Airflow, Spark, Snowflake, BigQuery, feature store, data labeling, synthetic data |
| 評価と信頼性 | evaluation harness, LLM-as-judge, A/B testing, observability, tracing, guardrails, red teaming, hallucination rate, p95 latency |
履歴書全体でこのうち30〜40個を使うのは、シニア候補者なら普通です。当てはまる場所に置いてください。技術スタックはスキル欄に、手法は箇条書きにです。表をそのまま貼り付けてはいけません。文の中に置かれていないキーワードは読み手に何も伝えず、カンマ区切りの用語の塊を低く評価するパーサーもあります。
表記を統一すべき点が二つあります。「machine learning」と「ML」の両方を少なくとも一度ずつ、「large language model」と「LLM」の両方を少なくとも一度ずつ書いてください。求人票はどちらの表記も使い、完全一致型のシステムはそれらを別々のトークンとして扱うからです。
スキル欄はどう整理すべきですか？
ラベル付きの3行です。アルファベットの羅列にはしません。
モデリング： PyTorch、Hugging Face Transformers、LoRA/QLoRAファインチューニング、DPO、埋め込み、評価設計 サービングとインフラ： vLLM、Triton、Ray、Kubernetes、Docker、Terraform、AWS（SageMaker、Bedrock、EKS）、GCP Vertex AI データとツール： Python、SQL、Spark、Airflow、Snowflake、pgvector、MLflow、Weights & Biases、OpenTelemetry
採用マネージャーはこれを4秒で読み、あなたがデプロイもできるモデリング担当なのか、学習もできるインフラエンジニアなのかを判断します。どちらも採用対象です。箇条書きが別のことを語っているのに、三つ目の存在、つまり研究者を装うことが、履歴書を脇に置かれる原因です。
2026年の求人票に典型的な、必須と歓迎の区分は次のとおりです。
| 通常は必須 | 歓迎されることが多い |
|---|---|
| Python、PyTorch、少なくとも一つのモデルまたはLLMシステムの本番運用経験 | オープンウェイトモデルのファインチューニング経験 |
| クラウドデプロイ（AWS、GCP、Azureのいずれか）とコンテナ | 大規模なKubernetes運用、GPUクラスタの運用 |
| 評価設計と指標 | 安全性、レッドチーム、コンプライアンスレビューの経験 |
| SQLとデータパイプラインの実務力 | ストリーミング（Kafka、Flink）またはフィーチャーストアの所管 |
| API設計（REST、gRPC） | AI機能に関するフロントエンドまたはプロダクトの経験 |
AIエンジニアの履歴書でいまも価値のある資格はどれですか？
ベンダーが言うより少ないです。本番環境での実績はあらゆる資格に勝ります。2026年に記載する価値があるのは二つで、採用マネージャーが知っていて、内容が実務に対応しているからです。
- Google Cloud Professional Machine Learning Engineer。 試験時間2時間、50〜60問、200米ドル。Googleは3年以上の業界経験（うち1年以上はGoogle Cloud）を推奨しています。求人票にVertex AIやBigQueryが挙げられている場合に有効です。
- AWS Certified Machine Learning Engineer – Associate（MLA-C01）。 現行の試験は2026年9月28日まで受験可能で、改訂版（MLA-C02）は2026年9月29日にベータ版が開始されます。求人票にSageMakerやBedrockが挙げられている場合に有効です。
外すべきものが一つあります。Microsoftは2026年にAzure AI Engineer Associate（AI-102）認定とその更新アセスメントを廃止しました。保有している場合は取得年を添えて記載し、現在有効なものとして提示しないでください。Azure固有の項目を追加する前に、Microsoft Learnで後継の資格を確認してください。
講座の修了証（ブートキャンプ、MOOC）は末尾に1行でまとめるか、載せません。経験豊富な候補者の履歴書を動かすことはなく、ジュニアの履歴書を薄めてしまいます。
2026年のAIエンジニアの年収はいくらですか？
出典が三つあり、対象となる母集団もそれぞれ異なります。応募先の企業に合ったものを使ってください。
| 出典 | 母集団 | 数値 |
|---|---|---|
| 米国労働統計局（BLS）、Occupational Outlook Handbook | コンピュータ・情報研究科学者。応用AI業務に最も近い連邦職業分類（38,600人） | 年収中央値140,300米ドル（2025年5月）。下位10%は82,200米ドル未満、上位10%は230,630米ドル超。2025年から2035年の予測成長率22% |
| Built In | 同プラットフォーム上の米国企業に勤めるAIエンジニアの自己申告、2026年 | 平均基本給184,757米ドル、平均追加現金報酬26,486米ドル、平均総報酬211,243米ドル。報告レンジ80,000〜338,000米ドル、中央値180,000米ドル |
| Levels.fyi | ML/AIソフトウェアエンジニアの検証済みオファー。主に大手テック企業、2026年 | 総報酬中央値250,000米ドル |
差の読み方はこうです。BLSは政府、大学、中小企業を含む経済全体を対象としています。Built Inはベンチャー支援の企業や中堅テック企業に偏っています。Levels.fyiは株式報酬が総報酬の3分の1以上を占める大手テック企業に偏っています。フロンティアラボはこの三つすべてをはるかに上回る報酬を支払いますが、それは別の市場です。
履歴書での使い方はこうです。希望年収の数字を紙面に書かないでください。自分がどの帯で競っているのかを判断し、その帯が求める証拠を箇条書きが備えているかを確認するために使います。コスト、レイテンシ、規模の数字が一つもない履歴書に、総報酬250,000米ドルのオファーが出ることはまずありません。
AIエンジニアの履歴書が落とされる原因となるミスは何ですか？
構築したシステムではなく、呼び出したモデルを列挙する。「GPT-4、Claude、Geminiの使用経験」は、どの応募者でも書ける一行です。呼び出しの周りにあるシステムを説明してください。
講座の課題を実務のように見せる。 リクルーターはKaggleのTitanicデータセットや定番の感情分類器を見抜きます。プロジェクトを載せる必要があるなら、ユーザーとURLのあるものを載せてください。
数字がない。 この職種は定量的です。指標がゼロの履歴書は、ダッシュボードを一度も見たことがない人の履歴書として読まれます。
エンジニアリング職に研究者の書き方をする。 論文と被引用数はアプライドサイエンティスト職では重要です。AIエンジニア職では、リリース済みのサービスがワークショップ論文に勝ります。
技術スタックの詰め込み。 スキル欄に40個のツールを並べながら、それらを使った箇条書きが一つもない。パーサーは一致させるかもしれませんが、その後の人間によるレビューは通りません。
見えないフォーマットの問題。 2段組レイアウト、画像内のテキスト、スキルバーのグラフィックはパーサーを壊します。1段組、標準的な見出し、PDFまたはDOCXにしてください。送る前に履歴書がどう解析されるかを確認してください。修正はたいてい5分で済みます。
AIの安全性に関する曖昧な表現。「責任あるAIに情熱を持っています」はスローガンです。「リリース前のレッドチーム演習を実施。31の故障モードを文書化。ガードレールをリリース」は証拠です。
企業のタイプによって履歴書はどう変えるべきですか？
スタートアップ（シードからシリーズB）。 幅広さとスピードです。データ、モデル、API、デプロイ、指標まで一気通貫でリリースしたことを示してください。コスト管理に関する箇条書きは一つあると効果的です。スタートアップの予算はGPUの請求額に敏感です。
大規模テック企業。 一つの層での深さと、評価における厳密さです。評価ハーネス、カナリアのプロセス、オンコールの担当、チーム横断の仕事を示してください。規模は秒間リクエスト数や1日あたりの推論数で表します。
エンタープライズ（金融、医療、保険）。 ガバナンスと信頼性です。モデルの文書化、監査証跡、個人情報の取り扱い、アクセス制御、規制対象データの経験があれば触れてください。ここでは生の精度よりもハルシネーションと拒否の指標が重視されます。
AIラボと研究寄りのチーム。 学習インフラ、分散システム、実験の厳密さです。ここでは論文やオープンソースへの貢献を上部に置くのが適切です。
コンサルティングとエージェンシー。 クライアントごとに異なる技術スタックに対応できる幅と、納期を守って納品してきた実績です。案件ごとに業界と成果を明記してください。
AIエンジニアの履歴書の長さと構成はどうすべきですか？
経験が約6年までなら1ページ、それ以降は2ページです。順序は、職務要約、スキル（3行）、職務経歴（新しい順、各職務につき3〜6個の箇条書き）、証拠になるなら厳選したプロジェクトやオープンソース、最後に学歴と資格です。学歴を上に移すのは、新卒者と大学院の学位が必須の職種だけです。
職務経歴では、各職務の最初の箇条書きを、最も大きな数字を持つものにしてください。リクルーターは最初の箇条書きを読み、残りは流し読みすると報告されています。最初の一つにその職務を背負わせてください。
よくある質問
AIエンジニアと機械学習エンジニアの履歴書の違いは何ですか？
2026年には、ほとんどの企業がこの二つの職種名を区別なく使っており、ATSは職種名ではなくスキルを照合します。実務上の違いはこうです。AIエンジニアの求人はLLMアプリケーション（RAG、エージェント、プロンプトと評価の設計、推論コスト）に寄り、MLエンジニアの求人は学習パイプライン、特徴量エンジニアリング、大規模な古典的モデルに寄ります。求人票を読んでその語彙を反映してください。両方の経験があるなら、職務要約でそう述べてください。
AIエンジニアはGitHubやポートフォリオのリンクを載せるべきですか？
レビュアーが5分で動かせる、または読めるものがあるなら載せてください。デプロイ済みのデモ、文書が整ったリポジトリ、実質的なオープンソースへの貢献などです。作りかけのノートブックの墓場なら載せないでください。強力なリンク一つは、40個のリポジトリが並ぶプロフィールに勝ります。
AIエンジニアの履歴書がATSを通過するにはキーワードがいくつ必要ですか？
魔法の数はありません。求人票の必須スキルを正確な用語でカバーし、長い形と短い形の両方（machine learningとML、large language modelとLLM）を使い、各キーワードが、それを使ったことを示す文の中に現れるようにしてください。ほとんどのシステムは一致の質と新しさで順位付けし、ATS内で検索するリクルーターは正確な文字列を入力します。リクルーターがATS内でどう検索するかを参照してください。
AIエンジニアとして採用されるには修士号が必要ですか？
必要ありません。応用AIに最も近い連邦職業分類では典型的な入職時の学歴として修士号が挙げられていますが、2026年のAIエンジニアの求人では、学士号と本番運用経験の組み合わせが日常的に受け入れられています。大学院の学位が最も役立つのは、研究寄りの職種と、就労ビザが関わる採用です。それ以外の人にとっては、リリースしたシステムが決め手になります。
会社がベンダーのAPIしか使っていなかった場合、LLMの経験はどう示せばよいですか？
APIの周りに構築したシステムを説明してください。検索、プロンプトのバージョン管理、評価、ガードレール、キャッシュ、コスト管理、監視です。これらが雇用主が採用の際に求めるスキルです。「OpenAI APIを統合した」は弱い箇条書きです。「ホスト型モデルの周りにRAG、評価、フォールバックのレイヤーを構築し、コストを40%削減、精度を19ポイント向上させた」は強い箇条書きで、しかも同じプロジェクトです。
CopilotやClaude Codeなど、コーディングに使うAIツールを記載すべきですか？
求人票が求めている場合や、企業が明らかに重視している場合に限ります。ツール欄に一言添えれば十分です。箇条書きにはしないでください。それはあなたがどう入力するかであって、何を構築したかではありません。
関連ガイド
出典
- U.S. Bureau of Labor Statistics, Occupational Outlook Handbook: Computer and Information Research Scientists — 年収中央値140,300米ドル（2025年5月）、10パーセンタイルおよび90パーセンタイルの賃金、38,600人、2025〜35年の予測成長率22%。
- Levels.fyi: ML / AI Software Engineer salaries, United States — 総報酬中央値250,000米ドル（2026年）。
- Built In: AI Engineer salary in the US — 平均基本給184,757米ドル、追加現金報酬26,486米ドル、総報酬211,243米ドル、レンジ80,000〜338,000米ドル（2026年）。
- Google Cloud: Professional Machine Learning Engineer certification — 試験時間、問題数、価格、推奨される経験。
- AWS Certified Machine Learning Engineer – Associate — MLA-C01は2026年9月28日まで受験可能、MLA-C02のベータ版は2026年9月29日から。
- Microsoft Learn: Azure AI Engineer Associate — 認定と更新アセスメントが廃止された旨の通知。
