データサイエンティストのキャリア ─ 年収・職種・転職の現実

AI ・ データ系の職種は急速に細分化しています。本記事では『データアナリスト』『データサイエンティスト』『ML エンジニア』『AI / LLM エンジニア』の違いと、各キャリアの年収 ・ 必要スキル ・ 転職戦略を実態ベースで整理します。

4 つの職種と役割の違い

データアナリスト(年収 400〜700 万円)

• 主業務: SQL での集計、ダッシュボード作成、ビジネスレポート
• ツール: SQL ・ Excel ・ Tableau ・ Looker
• 統計レベル: 統計検定 3 級 ・ DS 検定リテラシー
• 入門に最適: 文系出身者でも入りやすい

データサイエンティスト(年収 600〜1,200 万円)

• 主業務: 仮説検証 ・ A/B テスト ・ ML モデル設計 ・ ビジネス提案
• ツール: Python ・ scikit-learn ・ Pandas ・ SQL ・ クラウド
• 統計レベル: 統計検定 2 級〜準 1 級 ・ DS 検定
• 強み: 統計的思考とビジネス感度の両立

ML エンジニア(年収 700〜1,500 万円)

• 主業務: モデル実装 ・ MLOps ・ 本番環境運用 ・ パフォーマンス最適化
• ツール: PyTorch ・ TensorFlow ・ Docker ・ Kubernetes ・ AWS/GCP
• 統計レベル: 準 1 級 ・ E 資格
• 特徴: ソフトウェアエンジニアリング寄り

AI / LLM エンジニア(年収 1,000〜2,500 万円)

• 主業務: LLM 活用システム設計 ・ プロンプトエンジニアリング ・ RAG 構築 ・ ファインチューニング
• ツール: OpenAI / Anthropic API ・ LangChain ・ ベクトル DB ・ Vercel
• 特徴: 2024 年以降急増した最新職種、需要過多
• スキル: プロダクト感覚 + LLM の挙動理解 + 高速プロトタイピング

未経験から目指すルート

1. Phase 1〜2(3〜6 ヶ月): 数学基礎 + 統計検定 3 級 + Python 基礎 → アナリスト or 社内 DS 候補生
2. Phase 3(6〜12 ヶ月): 統計検定 2 級 + Kaggle + ポートフォリオ → DS / アナリスト中堅
3. Phase 4〜5(12〜24 ヶ月): E 資格 + MLOps 経験 + 本番開発実績 → ML エンジニア
4. Phase 5+(2〜3 年〜): LLM プロジェクト経験 + OSS コントリビューション → AI エンジニア

転職を有利にする 4 点セット

• 資格: 統計検定 2 級 + E 資格 / G 検定 が定番
• Kaggle: 銅メダル 1 個で実力証明、銀以上で大手のスクリーニング通過
• GitHub ポートフォリオ: 自作モデル ・ 分析ノート ・ Streamlit デモ
• 業務経験: 業務委託 ・ ボランティア分析 ・ 社内提案も含めて記述

実装力を見せるには [Streamlit でデモアプリ作成](/blog/streamlit-demo-app) や [Vercel でのデプロイ](/blog/vercel-deployment-for-ai) が手っ取り早く効きます。

市場動向(2026 年)

• LLM エンジニア需要が爆発的: 経験者の年収 1,500 万円超は珍しくない
• MLOps 経験者の希少性: 本番運用できる人材は引く手あまた
• フルリモート可の求人増加: 国内外問わず採用
• 生成 AI スタートアップの隆盛: 株式報酬込みで高待遇
• ドメイン特化人材: 医療 / 金融 / 製造業 × AI が単価高い

学習リソース

• [AIエンジニア・ロードマップ](/roadmap)
• [学習プラン計算](/plan)
• [Kaggle 始め方](/blog/kaggle-getting-started)
• [受験情報まとめ](/exam-info)