はじめに
2026年8月、Andrew Ng氏（DeepLearning.AI創業者、Coursera共同創業者）が「The AI Engineering Skills Map」という記事を公開しました。
1万件以上の求人票の分析、AI専門家・採用担当者・リクルーターへの数十回にわたる構造化インタビュー、アンケート調査、その他オンラインデータの統合 ── これらをもとに、「AI時代に最も価値のあるエンジニアリングスキル」を4つに整理したものです。
本記事は、Ng氏の原文の要約と解説です。原文（英語）は以下を参照してください。
- 原文（The Batch / DeepLearning.AI）：https://www.deeplearning.ai/the-batch/the-ai-engineering-skills-map/
※本記事はNg氏の主張を筆者の言葉で要約・整理したものであり、全文翻訳ではありません。詳細やニュアンスは原文をご確認ください。
前提：「AIエンジニア」という職種ではなく「AIエンジニアリングスキル」
まず、Ng氏がこだわっている用語の話から。
彼が語るのは「AIエンジニア」という職種ではなく、「AIエンジニアリングスキル」です。この区別は重要です。
Ng氏はこう例えています。今やすべての開発者がクラウドを扱えるべきですが、「クラウドエンジニア」という肩書きを持つ人はごく一部です。同じように、フルスタックエンジニア、データエンジニア、DevOpsエンジニア、機械学習エンジニア ── そしてもちろんAIエンジニアも ── すべての開発者がAIエンジニアリングスキルを必要とするようになる、と。
つまりこの4スキルは「特定の専門職のためのもの」ではなく、「これからの開発者全般が身につけるべき素養」として提示されています。
その4つは：
- AIアプリケーションの構築とデプロイ
- ソフトウェアエンジニアリングの基礎
- コーディングエージェントの活用
- ビルドの方向づけ（Shaping the build）
順に見ていきます。
スキル1：AIアプリケーションの構築とデプロイ
核心：AIアプリは「出力が予測不可能」
Ng氏がまず強調するのは、AIアプリと従来型アプリの根本的な違いです。
AIアプリは、出力が予測不可能である。
LLMにプロンプトを投げても、何が返ってくるか事前には分かりません。深層学習アルゴリズムを学習させても、新しいデータに対してどんな予測をするかは分かりません。一方、従来型のソフトウェアははるかに予測可能な振る舞いをします。
この「予測不可能性」こそが、AIアプリ開発を難しくしている本質だ、というわけです。
求められる力
このスキルに長けた人は、AIの構成要素を理解しています。具体的には：
- LLM
- コンテキストエンジニアリング
- RAG（検索拡張生成）
- エージェント的ワークフロー
- 機械学習・深層学習
そして ── ここが重要ですが ── 統計的手法を使ってAIシステムを測定・制御・ガバナンスし、その振る舞いをより予測可能にする方法を知っています。
中核スキルは「evals（評価）とerror analysis（エラー分析）」
Ng氏は、このスキルの中核として 「規律あるevalsとerror analysisのループを回す方法を知っていること」 を挙げています。
ここは筆者が個人的に最も注目したポイントです。「規律ある（disciplined）」という言葉が付いている点に注意してください。ただ評価するのではなく、体系的・継続的に評価を回すことが求められている、というニュアンスです。
出力が予測不可能なシステムを相手にする以上、「なんとなく良さそう」で判断するわけにはいきません。何が失敗しているのかを測定し、分類し、改善していく ── この地道なループを回せるかどうかが、AIアプリを本番投入できるかの分かれ目になります。
スキル2：ソフトウェアエンジニアリングの基礎
核心：トレードオフを理解しているか
2つ目は、従来型のソフトウェアエンジニアリングの基礎です。
ソフトウェアの動作原理を深く理解していれば、はるかに効果的に構築できます。ソフトウェア開発とは、コスト・スケーラビリティ・信頼性・速度などの間でトレードオフを行う作業です。セキュリティとプライバシーがさらに複雑さを加えます。
基礎を理解していることで、そもそもどんなトレードオフが存在するのかを認識できます。これが、技術スタックの選択、システムアーキテクチャの設計、データストアの設計、テストなどにおいて、より良い判断につながります。
「vibe coding」への警鐘
ここでNg氏は、基礎を欠いた開発者について踏み込んだ指摘をしています。
基礎を知らないまま、コーディングエージェントが行っているトレードオフを理解せずに「vibe coding（雰囲気でコードを書く）」する開発者は、しばしば質の低い結果を生む、と。なぜなら、彼らはエージェントにどんなコンテキストを与えるべきか分かっていないからです。
逆に言えば、ソフトウェアエンジニアリングの基礎を理解していれば、ソフトウェア工学の正確な言語を使ってコーディングエージェントを制御し、良いトレードオフを行えます。
AI時代だからこそ基礎が重要になる ── というのが、この2つ目の主張です。
スキル3：コーディングエージェントの活用
核心：エージェントの「メンタルモデル」を持つ
3つ目は、コーディングエージェント（Claude Code、Cursorなど）を使いこなす力です。今やこれは、すべての開発者にとっての鍵となるスキルだ、とNg氏は言います。
このスキルを持つ人は、エージェントがどう動くかについて良いメンタルモデルを持っています。エージェントの限界を理解し、それを回避する方法を知り、素早く方向修正できます。「どこまで介入し、どこまで任せるか」を見極めながら、時間やトークンを浪費せずに堅牢なソフトウェアを構築できます。
具体的に必要な力
Ng氏が挙げる具体的なスキルは以下の通りです：
- コーディングエージェントのコンテキストを管理する
- 計画（planning）と実行（execution）のトレードオフを判断する
- verifierやevalsを提供して、エージェントが自律的にループを閉じるのを助ける
- 明確なspec（仕様）を使って作業する（そして、いつspecを書かなくてよいかも知る）
- 複数のエージェントを協調させて動かす（オーケストレーション）
- 落とし穴を避ける（例：エージェントが本番データベースを壊すリスク）
「学び続ける習慣」も含まれる
さらにNg氏は、agentic codingが急速に進化していることを踏まえ、こう付け加えています。
コーディングエージェントを巧みに使うとは、最先端のプラクティスを知っているだけでなく、新しいツールを試し続け、ベストプラクティスの変化に合わせて自分のワークフローを進化させる「習慣（routines）」を持っていることでもある、と。
つまり「一度学んで終わり」ではなく、継続的にアップデートし続ける姿勢そのものがスキルの一部だ、という捉え方です。
スキル4：ビルドの方向づけ（Shaping the build）
核心：「何を作るか」を決める仕事へ
4つ目が、この記事で最も示唆的なポイントかもしれません。
コーディングエージェントは、明確なspecさえ与えれば、それを実装する能力を急速に高めています。だとすれば、エンジニアの仕事は「specに何を書くべきか」を決めることへとシフトしていく、というのがNg氏の主張です。
彼はこう言います。エンジニアはもはや、ピクセル単位で完成した設計を渡されて「これを実装するだけ」を期待すべきではない、と。
その代わり、効果的なAIエンジニアリングにはプロダクトセンス、ビジネスの文脈の理解、顧客のゴールの理解が求められます。それによって、「何を作るか」を形づくり、推進するプロセスに参加できるようになります。
AIは「オーナーシップ」の機会でもある
Ng氏は、これをネガティブな変化ではなく機会として捉えています。
AIは、これまで以上に大きなオーナーシップと主体性を持つ機会を与えてくれる。興味深い問題や機会を自分で見つけ、責任ある形でそれを実行に移せる、と。
そのためには「プロジェクトを前に進める方法」を知る必要があります。たとえば、いつ素早くMVPを作ってユーザーテストに持ち込むべきか、いつ時間をかけて丁寧に作るべきかを見極める判断です。
すべての土台：継続的な学びのマインドセット
これら4つのスキルの根底にあるのは、継続的な学び（continuous learning） のマインドセットだ、とNg氏は締めくくります。
AIは急速に変化し続けている。だから私たちは全員、学び続け、新しいベストプラクティスを取り入れながらスキルを進化させ続けなければならない ── と。
まとめ：4つのスキルを一枚で
| # | スキル | 核心 |
|---|---|---|
| 1 | AIアプリの構築とデプロイ | 出力が予測不可能なシステムを、evals・error analysisで測定・制御する |
| 2 | ソフトウェアエンジニアリングの基礎 | トレードオフを理解し、エージェントを正確な言葉で制御する |
| 3 | コーディングエージェントの活用 | エージェントのメンタルモデルを持ち、使いこなし、学び続ける |
| 4 | ビルドの方向づけ | 「何を作るか（spec）」を決める側へ。プロダクトセンスが問われる |
| ─ | （土台）継続的な学び | すべての前提。変化し続けるAIに合わせて自分を更新し続ける |
参考リンク
- Andrew Ng「The AI Engineering Skills Map」原文：https://www.deeplearning.ai/the-batch/the-ai-engineering-skills-map/