コトラ（広報チーム） 
LLMエンジニアの仕事内容と未経験者に求められる範囲
LLMエンジニアは、大規模言語モデルを活用し、文章作成、情報検索、問い合わせ対応、業務の自動化などを行う仕組みを開発する仕事です。未経験者が最初から言語モデルそのものを開発する必要はありません。多くの場合、既存のAIサービスをアプリケーションや業務システムに組み込み、使いやすく安全に運用できる形にする力が求められます。
なお、LLM関連の求人は一般的なWeb開発職と比べると数が限られる傾向があります。職種名だけで判断せず、実際の業務内容、既存システムとの連携、データの扱い方まで確認することが重要です。
LLMを活用した開発の基本
LLMを活用した開発では、利用者が入力した質問や文章をAIに渡し、その回答を画面に表示するだけでは実務で十分とはいえません。入力内容の確認、回答形式の指定、エラー時の処理、利用回数の管理、情報漏えいへの対策などを設計します。
たとえば、社内向けの文章作成支援ツールであれば、目的に応じた指示文を用意し、利用者が入力した条件からメール文や報告書の下書きを作れるようにします。さらに、出力結果をそのまま使わせるのではなく、利用者が確認・修正してから利用する流れを設計することも大切です。
API連携による文章生成機能の実装
APIとは、外部のサービスや機能を自社のアプリケーションから利用するための窓口です。LLM開発の入門としては、WebアプリケーションからAPIを呼び出し、文章生成機能を実装することが基本になります。
実装時には、単に回答を受け取るだけでなく、次のような点を扱います。
- 利用者の入力内容を受け取る画面の作成
- AIへ渡す指示文の設計
- 回答の表示と保存
- 通信失敗時や回答不能時のエラー処理
- APIキーなどの認証情報を安全に管理する仕組み
- 利用量に応じた費用の確認
この段階では、プログラミング、Web画面、サーバー側の処理、データ保存といった基礎的な開発力が重要です。
社内文書を参照するRAGの開発
RAGは、AIが回答を作る前に、関連する社内文書や資料を検索して参照させる仕組みです。一般的なLLMは、企業独自の規程、製品資料、業務マニュアルなどを最初から知っているわけではありません。そこで必要な文書を検索し、その内容を根拠として回答させます。
RAGを使うと、社内規程の問い合わせ対応、マニュアル検索、営業資料の確認支援などに応用できます。一方で、資料の更新漏れや検索精度の低さがあると、もっともらしい誤回答につながります。文書を整理する方法、検索対象を絞る方法、回答の根拠を表示する方法まで考える必要があります。
AIエージェントの設計と業務自動化
AIエージェントとは、質問に答えるだけでなく、必要に応じて検索、データ取得、文書作成、通知などの処理を組み合わせて実行する仕組みです。たとえば、問い合わせ内容を受け取り、関連資料を調べ、回答案を作り、担当者へ確認依頼を送るような流れを設計します。
ただし、重要な判断や外部への送信をAIに完全に任せることにはリスクがあります。未経験者がまず目指すべきなのは、AIが作った結果を人が確認してから次の処理へ進む仕組みです。自動化の範囲を小さく始め、失敗しても影響が広がらない設計にすることが求められます。
未経験者が最初に目指す開発レベル
未経験者は、独自の言語モデルを学習させることや大規模なAI基盤を構築することよりも、既存のAIサービスを使った小規模な業務支援アプリの開発を目標にすると現実的です。
最初の到達目標は、ログインや入力画面を持つ簡単なWebアプリケーションに、文章生成または文書検索の機能を組み込むことです。そのうえで、回答の根拠、エラー処理、費用への配慮、利用時の注意事項まで説明できる状態を目指します。
現在地別に考える転職の難易度と準備方針
LLMエンジニアへの転職難易度は、現在の経験によって大きく異なります。全員が同じ順番で学ぶ必要はありません。自分に不足している要素を見極め、既にある経験を転用する視点が必要です。
非エンジニアから目指す場合の優先順位
非エンジニアから目指す場合は、まずプログラミングとWeb開発の基礎を身につけることが優先です。AIの話題を追うだけでは、実際に動くアプリケーションを作る力にはつながりません。
最初は、変数、条件分岐、繰り返し処理、関数、ファイル操作、データベースといった基本を学びます。その後、画面から入力を受け取り、サーバー側で処理して結果を返すWebアプリケーションを作ります。AIのAPI利用は、この基礎の上に積み上げる形が効果的です。
非エンジニアとしての業務経験は、ポートフォリオのテーマ選びで強みになります。営業、事務、カスタマーサポート、経理、人事などで感じた課題をもとにすると、単なる練習作品ではなく、業務理解のある開発者としてアピールしやすくなります。
Web開発経験者が強みを生かす方法
Web開発の経験者は、画面設計、サーバー処理、データベース、認証、公開作業といった実装力を生かせます。LLM開発では、AIの回答を業務で使える機能に仕上げる工程が重要であり、Web開発の基礎があることは大きな強みです。
不足しやすいのは、AIへの指示文の設計、回答品質の評価、検索とAIを組み合わせるRAG、利用費用の管理、安全性への配慮です。既存のWebアプリケーションに文章要約、問い合わせ回答、文書検索などを追加する形で学習すると、経験と新しい技術を結び付けやすくなります。
データ分析・機械学習経験者が補うべき開発力
データ分析や機械学習の経験者は、データの前処理、評価指標、実験設計、モデルの特性に関する理解を生かせます。AIの出力を感覚だけで判断せず、評価用の質問を用意して比較できる点は強みです。
一方で、実際のサービスとして公開・運用するためのWeb開発力が不足している場合があります。利用者向けの画面、認証、データ保存、API設計、エラー処理、監視などを補う必要があります。分析用のコードを作るだけでなく、第三者が操作できる形にすることを意識すると、転職市場での評価につながります。
実務未経験で転職する際の現実
LLM関連の職種は注目度が高く、応募者が集まりやすい領域です。そのため、実務未経験者が「LLMエンジニア」という職種名だけを狙うと、競争が厳しくなることがあります。特に、設計から運用までを一人で担う求人や、顧客向けのAI機能をすぐに開発する求人では、Web開発や機械学習の実務経験が求められやすい傾向があります。
未経験者は、AI活用を含むWebエンジニア職、社内システム開発職、業務改善を担う技術職なども選択肢に入れるとよいでしょう。入社後にAI活用の案件へ関わる機会を得るためにも、基礎的な開発力と業務理解を示すことが重要です。
学習時間と転職活動期間の目安
必要な期間は現在地、学習時間、作る成果物の規模によって異なります。非エンジニアから始める場合は、基礎学習、Webアプリ開発、ポートフォリオ作成、応募準備までを一連の計画として考える必要があります。短期間でAIのAPIを試すことはできますが、転職で評価される開発力を身につけるには継続した学習が必要です。
Web開発やデータ分析の経験者であれば、不足分を集中的に補い、LLMを組み込んだ作品を作ることで準備を進めやすくなります。学習と転職活動を分けるのではなく、作品が一定の完成度に達した段階で求人確認や書類準備を始め、募集要件から不足点を把握する進め方が効率的です。
LLMエンジニアを目指すための学習ロードマップ
学習では、AIに関する知識だけに偏らないことが重要です。LLMはアプリケーションの一部であり、利用者に届けるにはプログラミング、データ管理、画面設計、安全対策が必要になります。
プログラミングとWeb開発の基礎
まず、LLMのAPIを利用しやすいプログラミング言語を一つ選び、基礎文法を学びます。変数、関数、条件分岐、繰り返し処理、例外処理、ファイル操作、外部サービスとの通信を理解することが出発点です。
次に、Webアプリケーションの基本を学びます。利用者が画面に入力し、サーバー側で処理し、結果を表示する流れを作れるようにします。加えて、データベースへ情報を保存する方法、ユーザーを識別する仕組み、ソースコードを管理する方法も身につけます。
LLMの仕組みとAPI利用の基礎
LLMは、大量の文章から言葉のつながりを学習し、入力に続く文章を生成する仕組みです。回答が常に正しいとは限らず、事実と異なる内容をもっともらしく出力する場合があります。この特性を理解したうえで、出力をそのまま正解として扱わない設計が必要です。
API利用では、入力文と指示文を渡し、回答を受け取る処理を実装します。回答形式を指定する方法、会話履歴を扱う方法、長すぎる入力を制限する方法、失敗時に再試行する方法などを学びます。利用量に応じて費用が発生するため、開発中から利用状況を記録し、不要な呼び出しを減らす視点も必要です。
データベースと検索機能の基礎
RAGを作るには、文書を保存し、必要な情報を検索する技術が必要です。通常のキーワード検索では、入力された言葉と一致する文書を探します。一方で、意味の近さをもとに検索する方法を使うと、表現が異なる質問にも関連情報を見つけやすくなります。
ただし、検索方式だけを学んでも十分ではありません。元となる文書が古い、内容が重複している、見出しが不明確といった状態では、回答品質は上がりません。文書の更新日、作成元、対象部署、版数などを管理し、検索結果を確認できるようにすることが重要です。
RAGアプリケーションの開発
RAGアプリケーションでは、まず対象業務を一つに絞ります。たとえば、就業規則の検索、製品マニュアルの確認、社内手続きの案内など、参照する資料と質問の範囲が明確なテーマが適しています。
開発は、文書を取り込む処理、文書を分割して保存する処理、質問に関連する箇所を検索する処理、検索結果をAIへ渡して回答を生成する処理、根拠資料を画面に表示する処理に分けて進めます。回答だけでなく、どの資料を参照したかを示すことで、利用者が内容を確認しやすくなります。
評価・改善と安全な利用の基礎
LLMアプリケーションは、動作しただけでは完成ではありません。想定される質問を複数用意し、正しく答えられたか、根拠を示せたか、回答に時間がかかりすぎていないかを確認します。質問の種類ごとに評価結果を記録すると、改善前後の違いを説明できます。
安全な利用も欠かせません。個人情報、顧客情報、機密情報を外部サービスへ送ってよいかを確認し、必要に応じて入力内容を制限します。また、危険な指示や想定外の入力に対し、AIが不適切な処理をしないように対策します。重要な業務では、人が最終確認を行う設計を基本とします。
実践力を示すポートフォリオの作り方
ポートフォリオでは、AIを使ったこと自体よりも、どのような課題を設定し、どのように設計・実装・改善したかが評価されます。見た目だけのデモではなく、実務での利用を想定した判断を示すことが大切です。
採用担当者に伝わるテーマの選び方
テーマは、自分が理解している業務や興味のある業界に近いものを選びます。対象者、解決したい課題、利用するデータ、期待する効果を説明できるテーマが適しています。
たとえば、単に「何でも質問できるチャットボット」を作るよりも、「社内規程を参照して手続きの案内を行うアプリ」のように範囲を絞るほうが、必要な機能や評価方法を説明しやすくなります。実在の機密資料や著作権上の問題がある資料は使わず、公開資料や自作のサンプルデータを利用します。
RAGを活用した業務支援アプリの例
RAGを活用した作品としては、公開されているマニュアルや自作の業務資料を対象にした検索支援アプリが考えられます。利用者が質問すると、関連する資料の一部を探し、その内容をもとに回答案と参照箇所を表示する仕組みです。
実装する機能は、すべてを盛り込む必要はありません。質問入力、関連文書の検索、回答表示、根拠資料へのリンク、回答に対する評価入力など、目的に必要な機能を優先します。利用者が誤った回答を信じないよう、「回答は参照資料をもとに確認する」ことを画面上で案内する設計も有効です。
課題設定から設計までの説明
ポートフォリオの説明資料には、作った機能の一覧だけでなく、課題設定の背景を記載します。誰がどのような場面で困るのか、既存のやり方にはどのような問題があるのか、AIを使うことで何を改善したいのかを整理します。
続いて、システムの流れを説明します。利用者の質問を受け取り、関連文書を検索し、検索結果をもとに回答を生成し、根拠とともに画面へ表示する流れを示します。技術用語を並べるよりも、各処理が必要な理由を説明することが重要です。
精度・費用・応答速度の改善記録
LLMを使ったアプリでは、精度、費用、応答速度のバランスを考える必要があります。高精度を目指して大量の文書をAIへ渡すと、費用や応答時間が増えることがあります。反対に、検索対象を絞りすぎると必要な情報を見つけられない可能性があります。
ポートフォリオでは、改善した内容を記録しましょう。たとえば、文書の分割方法を見直した、検索結果の件数を調整した、回答形式を固定した、質問の種類ごとに指示文を変えた、といった内容です。改善前後でどのような質問に強くなったか、残っている課題は何かまで説明できると、試行錯誤の過程が伝わります。
ソースコードと説明資料の公開方法
ソースコードは、他者が確認しやすい形で公開します。実行方法、必要な設定、使用した技術、主な機能、画面例、注意事項を説明資料にまとめます。認証情報やAPIキー、個人情報、社外秘データを公開しないことは絶対条件です。
ソースコードでは、処理ごとに役割を分け、読みやすい構成を意識します。すべてのコードを完璧に書くことよりも、なぜその設計にしたのかを説明できることが重要です。公開できない部分がある場合は、理由と代替の説明を明記します。
未経験可求人を見極めるための確認ポイント
未経験可と記載されていても、求められる経験や入社後の業務は求人ごとに大きく異なります。職種名だけで判断せず、具体的な仕事内容と育成環境を確認する必要があります。
求人票で確認する業務内容と技術要件
求人票では、LLMを使った機能開発が主業務なのか、既存システムの保守や一般的なWeb開発が中心なのかを確認します。また、AIのAPI利用、RAG、データ処理、クラウド環境、データベース、フロントエンド、バックエンドなど、どの領域が求められているかを読み取ります。
「生成AIに関わる」と書かれていても、実際には企画、営業支援、導入支援、データ入力、問い合わせ対応が中心の場合もあります。開発職を目指すなら、実装、設計、テスト、運用改善のどこまで担当するのかを確認しましょう。
研修前提の求人と即戦力求人の違い
研修前提の求人は、入社後の教育内容、研修期間、配属基準、実際に開発案件へ入るまでの流れを確認することが大切です。研修があることだけで安心せず、研修後にどのような仕事を任されるのかを把握します。
即戦力求人では、応募条件に書かれた経験年数だけでなく、具体的な担当業務を確認します。設計、顧客との要件整理、開発、公開後の運用まで担当する場合は、実務経験が重視されやすくなります。未経験者は、応募条件を満たしていない点を補える成果物があるかを検討します。
LLM開発経験の定義と実務範囲
LLM開発経験という言葉には幅があります。APIを呼び出して文章生成機能を作った経験、社内文書検索を含むRAGを作った経験、AIエージェントを使って業務を自動化した経験、評価や監視を含めて運用した経験では、求められる力が異なります。
面接や応募時には、「LLMを使った経験があります」とだけ伝えるのではなく、何を作り、どの範囲を担当し、どのような課題に対応したかを具体的に説明します。特に、データの扱い、安全対策、回答品質の確認まで触れられると、実務を意識していることが伝わります。
選考で求められる成果物と説明力
未経験者の選考では、ポートフォリオそのものに加え、作った理由や技術選定の根拠を説明する力が見られます。画面を見せるだけでなく、対象課題、設計、工夫した点、失敗した点、改善案を簡潔に説明できるように準備します。
技術的に高度な機能を無理に詰め込むよりも、小さくても最後まで動き、課題に対して適切な設計になっている作品のほうが評価されやすい場合があります。自分が書いていないコードや理解できていない仕組みを使うと、深掘り質問に答えられなくなるため注意が必要です。
年収・働き方・成長環境の確認項目
年収は職種名だけで決まるものではなく、現在の開発経験、担当範囲、勤務地、働き方、企業の事業段階などによって変わります。AI領域だから高年収になると考えるのではなく、提示される業務内容と求められる責任に見合っているかを確認することが重要です。
働き方については、リモートワークの可否だけでなく、出社頻度、試用期間中の条件、残業の状況、学習支援、技術レビューの仕組み、チーム内に相談できる開発者がいるかを確認します。未経験者にとっては、入社後にコードレビューや設計レビューを受けられる環境が成長に大きく影響します。
転職活動を進めるための応募・面接対策
転職活動では、学習内容を羅列するだけでは不十分です。応募先が求める業務と自分の経験・成果物を結び付け、入社後にどのように貢献できるかを伝える必要があります。
応募先に合わせた職務経歴書の整理
職務経歴書では、これまでの業務経験を開発職と無関係だと決めつけず、再現性のある強みとして整理します。たとえば、業務改善、データ集計、手順書作成、顧客要望の整理、関係者との調整といった経験は、AI活用の課題設定や開発要件の整理に生かせます。
Web開発経験者は、担当した機能、使用した技術、チームでの役割、改善した内容を具体的に記載します。データ分析・機械学習経験者は、扱ったデータ、評価方法、実験の進め方に加え、アプリケーションとして提供するために学んでいることを示すとよいでしょう。
未経験を補う自己PRの組み立て方
自己PRでは、未経験であることを必要以上に強調するのではなく、目指す職種に向けて何を学び、どのような成果物を作り、どこまで実装できるかを伝えます。重要なのは、学習意欲だけではなく、継続して行動した事実です。
構成としては、これまでの経験で培った強み、LLM開発を目指す理由、学習・制作した内容、応募先で生かせる点の順に整理すると伝わりやすくなります。応募先の事業や求人内容に合わせて、関心のある領域を具体的に述べることも必要です。
ポートフォリオを使った開発経験の伝え方
面接では、ポートフォリオを短時間で説明できるようにします。最初に解決したい課題を説明し、次に利用者、主な機能、システムの流れ、工夫した点、改善点を伝えます。
RAGアプリであれば、なぜ通常のチャット機能ではなく文書検索を組み合わせたのか、誤回答を減らすためにどのような工夫をしたのか、参照資料をどう見せているのかを説明します。技術名の暗記よりも、設計上の判断を自分の言葉で説明することが重要です。
技術面接で聞かれやすい質問の準備
LLM関連の技術面接では、作ったアプリの構成、APIの利用方法、RAGの流れ、回答品質の評価方法、安全対策、費用への配慮などを聞かれる可能性があります。回答を暗記するのではなく、自分の作品をもとに説明できるように準備します。
想定しておきたい質問には、次のようなものがあります。
- なぜその課題を選んだのですか
- AIへの指示文をどのように設計しましたか
- 回答が誤っていた場合、どのように改善しますか
- RAGで検索結果が適切でない場合、どこを確認しますか
- 機密情報や個人情報をどう扱いますか
- 利用費用や応答時間をどう管理しますか
- 開発中に発生した問題と、その解決方法は何ですか
回答できない質問が出た場合も、知ったかぶりをせず、確認すべき点や調査の進め方を説明する姿勢が大切です。
入社後も学び続けるための行動計画
LLM関連の技術やサービスは変化が速いため、転職後も継続的な学習が必要です。ただし、新しい情報を追うだけでは実務力につながりません。業務で使う技術の基礎を深め、実際の利用者の課題、品質、安全性、費用を意識して改善を続けることが重要です。
入社後は、担当するシステムの全体像を理解し、既存コードの読み方、テストの書き方、レビューの受け方、障害時の対応を学びます。そのうえで、小さな改善から着実に成果を出し、AI活用の提案と実装を担えるエンジニアを目指しましょう。
