目次
はじめに：スキルコレクターの末路
3年前、私は焦っていました。
新しい技術が次々と登場する。Flutter、Swift、Kotlin、Go、Rust、TypeScript...「これも学ばなきゃ、あれも学ばなきゃ」と、毎晩プログラミング学習に追われていました。
でも、どれも中途半端。
広く浅く知っているけど、深い専門性がない。
「何でもできます」と言いながら、何も極めていない。
典型的な「スキルコレクター」でした。
そんな時、尊敬する先輩エンジニアに言われた言葉があります。
「君は、"全部できる人"になろうとしている。
でも、AI時代に必要なのは、"AIに任せる力を持つ人"だよ」
その言葉が、私のキャリア観を変えました。
AI時代のスキルマップ：3つの軸
これから必要とされるスキルを、3つの軸で整理してみましょう。
【AI時代のスキルマップ】
深い専門性
↑
|
| ◎ 理想のポジション
| （T字型人材）
|
横断的な知識 ←─┼─→ 狭い知識
|
| × 避けるべき
| （何もない）
|
↓
浅い専門性軸1：深い専門性（Depth）
「これなら誰にも負けない」という得意領域を持つ
私の場合：
- Flutter/Dart でのモバイルアプリ開発
- システム開発全体の品質管理
- PHP/Laravel でのバックエンド設計
AIがどれだけ進化しても、深い専門性は簡単に代替されません。
なぜなら、深い専門性には「暗黙知」が含まれているから。
- 「このプロジェクトでは、この技術を選ぶべき」という判断
- 「このコードは、将来メンテナンスで苦労する」という予感
- 「このチーム構成なら、この開発手法が合う」という洞察
こうした経験に基づく判断は、AIには難しいのです。
軸2：横断的な知識（Breadth）
「関連領域の全体像を理解している」状態
例えば、Flutterエンジニアなら：
- モバイルアプリ開発の専門性（深い）
- バックエンドAPI設計の理解（広く）
- インフラ/DevOpsの基礎知識（広く）
- UI/UXデザインの基本（広く）
全てを深く学ぶ必要はありません。でも、「会話ができるレベル」の知識は重要です。
軸3：AIリテラシー（AI Collaboration）
「AIを効果的に使える力」
これが、AI時代の新しい軸です。
- Prompt Engineering：AIから最適な結果を引き出す
- AIの得意/不得意を理解している
- AIの出力を適切に評価できる
- AIと協働してタスクを効率化できる
これから必要とされる5つのスキルセット
具体的に、どんなスキルを磨くべきか。5つに分類してみました。
スキルセット1：Prompt Engineering（AI対話力）
AIから最適な結果を引き出す技術
これは、もはや必須スキルです。
悪いPromptの例
Flutter でログイン機能を作ってこれでは、AIは最低限の実装しか返してきません。
良いPromptの例
【目的】
Flutter 3.x でログイン機能を実装したい
【要件】
- メールアドレスとパスワードでログイン
- バリデーション
- メールアドレス: RFC 5322準拠
- パスワード: 8文字以上、英数字記号を含む
- ログイン失敗時は3回までリトライ可能、その後アカウントロック
- 状態管理: Riverpod 2.x を使用
- エラーハンドリング: ネットワークエラー、認証エラーを適切に処理
- セキュリティ: パスワードは平文で保存しない、JWTトークンで認証
【制約】
- 既存のプロジェクトに組み込むため、Material Design 3 に準拠
- テスタビリティを重視し、依存性注入を活用
【期待する出力】
1. ディレクトリ構造の提案
2. 実装コード（Repository層、Provider層、UI層を分離）
3. テストコードのサンプルこのレベルで指示を出せると、AIは驚くほど高品質なコードを返してきます。
Prompt力を鍛える3つのコツ
コツ1：5W1Hを明確にする
- What（何を作るか）
- Why（なぜ必要か）
- Who（誰が使うか）
- When（いつまでに）
- Where（どこで動かすか）
- How（どう実装するか）
コツ2：制約条件を明示する
- 技術スタック
- パフォーマンス要件
- セキュリティ要件
- 既存コードとの互換性
コツ3：段階的に深掘りする
最初から完璧なPromptは書けません。
1回目: 「Swift でカメラアプリを作りたい」
↓ AIの回答を見て
2回目: 「AVFoundation を使って、リアルタイムプレビュー付きで」
↓ さらに深掘り
3回目: 「カスタムフィルタを追加したい。Metal を使って実装して」対話を重ねながら、理想の実装に近づける。
スキルセット2：「AIと共通言語を持つ」技術力
AIと効果的に協働するには、AIが理解しやすい言語やツールを知っていることが有利です。
Python：AIの母国語
AIモデルの多くは、Pythonで書かれています。
ChatGPT、GitHub Copilot、各種AIツール...すべてPythonとの親和性が高い。
私のPython活用例：
# データ分析スクリプト（ChatGPTが書いた）
import pandas as pd
import matplotlib.pyplot as plt
# プロジェクトのバグデータを分析
df = pd.read_csv('bug_report.csv')
# バグの発生頻度を可視化
df['created_at'] = pd.to_datetime(df['created_at'])
df.set_index('created_at').resample('W')['bug_id'].count().plot()
plt.title('Weekly Bug Report Trend')
plt.savefig('bug_trend.png')私はPythonの専門家ではありません。でも、「ChatGPTに書いてもらったPythonコードを読んで、修正できる」レベルは重要です。
Flutter/Swift/PHPを深く知っていても、Pythonの基礎は押さえておくと、AIとの協働がスムーズになります。
SQL：データを語る言語
AIにデータ分析を依頼するとき、SQLの知識があると圧倒的に有利です。
例：システムのパフォーマンス分析
ChatGPTへの質問:
「このSQLクエリ、遅いんだけど最適化して」
SELECT u.name, COUNT(o.id) as order_count
FROM users u
LEFT JOIN orders o ON u.id = o.user_id
WHERE o.created_at >= '2025-01-01'
GROUP BY u.name
HAVING COUNT(o.id) > 10
ORDER BY order_count DESC;SQLがわかれば、AIの提案を評価し、プロジェクトに適用できます。
Git/GitHub：協働の基盤
AIツール（GitHub Copilot、Cursor、Windsurf等）は、Gitのコンテキストを理解します。
- コミット履歴から意図を推測
- ブランチ名から機能を推測
- PRのdiffから変更の影響を分析
Gitの使い方が上手いエンジニアは、AIも上手く使える。
スキルセット3：設計力と抽象化思考
これまでの連載でも強調してきましたが、改めて。
AIはコードを書くが、設計はしない。
設計力 = AIの出力を評価する力
AIが生成したコードを見て：
❓「このコードは、スケールするか？」
❓「このアーキテクチャは、将来の変更に耐えられるか？」
❓「このコードは、チームメンバーが理解できるか？」
これらを判断する力が、設計力です。
抽象化思考 = 共通パターンを見抜く力
具体例を見て、抽象的なパターンを見抜く。
例：複数の画面で似たような処理を発見
// ユーザー一覧画面
Future<void> loadUsers() async {
setState(() => isLoading = true);
try {
final users = await api.getUsers();
setState(() {
userList = users;
isLoading = false;
});
} catch (e) {
setState(() {
error = e.toString();
isLoading = false;
});
}
}
// 商品一覧画面
Future<void> loadProducts() async {
setState(() => isLoading = true);
try {
final products = await api.getProducts();
setState(() {
productList = products;
isLoading = false;
});
} catch (e) {
setState(() {
error = e.toString();
isLoading = false;
});
}
}パターンを見抜き、抽象化する：
// 共通のAsyncValue型を定義（Riverpodスタイル）
class AsyncValue<T> {
final T? data;
final Object? error;
final bool isLoading;
// when メソッドでパターンマッチ
R when<R>({
required R Function(T data) data,
required R Function() loading,
required R Function(Object error) error,
}) {
if (isLoading) return loading();
if (this.error != null) return error(this.error!);
return data(this.data as T);
}
}このパターン認識と抽象化が、設計力の核心です。
スキルセット4：システム思考と全体最適化
部分最適ではなく、全体最適を考える。
私がシステム開発全体の管理をしていて、最も重要だと感じるスキルです。
ケーススタディ：パフォーマンス問題
状況：
Flutter製アプリで、一覧画面の表示が遅い。
開発者Aの提案（部分最適）：
「リストの表示を最適化しましょう。ListView.builderを使って、仮想スクロールを実装します」
開発者Bの提案（システム思考）：
「待ってください。なぜ遅いのか、原因を調査しましょう」
調査の結果：
- APIレスポンスが3秒かかっている（PHP側の問題）
- 画像が高解像度のまま送信されている（バックエンドで圧縮すべき）
- 毎回全データを取得している（ページネーションが必要）
真の問題は、フロントエンドではなく、システム全体の設計でした。
システム思考を鍛える方法
方法1：影響範囲を常に考える
コード変更をする前に：
- この変更は、どこに影響するか？
- バックエンドに影響は？
- 既存ユーザーに影響は？
- パフォーマンスに影響は？
方法2：メトリクスで測る
感覚ではなく、数値で判断。
- レスポンスタイム
- エラー率
- ユーザー満足度
- 開発速度
方法3：ステークホルダーマップを描く
このシステムに関わる全ての人を可視化：
[ エンドユーザー ] ─ 使う
↓
[ カスタマーサポート ] ─ サポート
↓
[ プロダクトオーナー ] ─ 方針決定
↓
[ 開発チーム ] ─ 実装
↓
[ インフラチーム ] ─ 運用全員の視点で考える習慣が、システム思考を鍛えます。
スキルセット5：継続学習力
技術は変化し続けます。学び続ける力が、最も重要なスキルです。
私が実践している学習ルーティン
朝のルーティン（30分）：情報収集
- Hacker News（技術トレンド）
- Zenn、Qiita（日本語の技術記事）
- Flutter/Swift/PHP の公式ブログ
- GitHub Trending（人気のリポジトリ）
週1回（2時間）：深掘り学習
気になった技術を、実際に手を動かして試す。
月1回（半日）：振り返りと計画
- 今月学んだことを整理
- 来月学ぶことを計画
- スキルマップを更新
情報過多時代の学習戦略
すべての情報を追うのは不可能です。
私の情報フィルタリング法：
レベル1：流し読み（毎日）
タイトルだけチェック。興味があれば次のレベルへ。
レベル2：斜め読み（週に数本）
記事を開いて、概要を把握。
レベル3：精読（月に数本）
本当に重要な記事だけ、じっくり読む。
レベル4：実践（月1-2本）
実際にコードを書いて試す。
すべてを「レベル4」でやろうとすると、疲弊します。
AI×SEでキャリアを広げる：3つの方向性
AIを味方につけると、キャリアの選択肢が広がります。
方向性1：AI活用エンジニア
「AIを最も効果的に使えるエンジニア」
- 開発速度が圧倒的に速い
- AIツールを使いこなし、チームの生産性を向上
- AIによるコード生成 → 品質管理 → 最適化のフローを確立
求められるスキル：
- 深い技術力（Flutter/Swift/PHP等）
- Prompt Engineering
- AIの限界を理解し、適切に人間が介入
私自身、この方向性を目指しています。
方向性2：AI×ビジネスブリッジ
「AIで何ができるかを、ビジネス側に翻訳できる人」
- 要件定義 + 生成AI分析
- 「この業務、AIで自動化できますよ」と提案
- ビジネス価値を最大化する技術選定
求められるスキル：
- 課題定義力（連載第2回）
- ビジネス理解
- AIの最新動向の把握
方向性3：AI時代のアーキテクト
「AIが組み込まれたシステムを設計できる人」
- AIモデルをシステムに組み込む設計
- スケーラブルなMLOps環境の構築
- AI倫理やバイアス問題への対処
求められるスキル：
- システム設計力（連載第3回）
- インフラ/クラウドの知識
- 機械学習の基礎理解
実践：私の学習ロードマップ（2025年版）
参考までに、私が2025年に学んでいることを共有します。
Q1（1-3月）：AIツールの深化
目標：
- GitHub Copilot のショートカットを完全習慣化
- Claude、ChatGPT、Gemini の使い分けをマスター
- Cursor、Windsurf 等のAIエディタを試す
実践方法：
- 毎日の開発で、意識的にAIツールを使う
- 「AIに任せた方が速いタスク」のリストを作る
- Prompt のテンプレート集を作成
Q2（4-6月）：Python × データ分析
目標：
- Pandas、Matplotlib で簡単なデータ分析ができる
- プロジェクトのメトリクスを可視化するスクリプトを作る
実践方法：
- Kaggleのチュートリアルを進める
- 実際のプロジェクトデータで分析してみる
- ChatGPTに書いてもらったコードを理解し、改良する
Q3（7-9月）：Flutter × AIの融合
目標：
- Flutter アプリに機械学習モデルを組み込む
- TensorFlow Lite を使った画像認識アプリを作る
実践方法：
- 公式ドキュメント + YouTube
- 個人プロジェクトで小さく試す
- 学んだことを記事にして発信
Q4（10-12月）：品質管理 × AI
目標：
- AIを活用した自動テスト生成
- AIによるコードレビュー支援ツールの導入
- 品質メトリクスの自動収集と分析
実践方法：
- チームで試験的に導入
- 効果測定と改善
- ナレッジの体系化
学習を継続するための5つのコツ
スキルマップを描いても、継続できなければ意味がありません。
コツ1：完璧を目指さない
「70%理解したら、次に進む」
100%理解しようとすると、時間がかかりすぎて挫折します。
大まかに理解したら、実践しながら深める。
コツ2：アウトプット駆動で学ぶ
「学ぶ → 作る → 発信する」
- ブログ記事を書く
- GitHub にコードを公開する
- 社内勉強会で発表する
アウトプットすることで、理解が深まります。
コツ3：学習時間を習慣化する
「いつ学ぶか」を決める
- 毎朝7:00-7:30（情報収集）
- 毎週土曜10:00-12:00（深掘り学習）
- 毎月最終日曜（振り返りと計画）
時間を決めないと、「いつか学ぼう」で終わります。
コツ4：学習仲間を作る
一人では続かない
- 社内で勉強会を開く
- オンラインコミュニティに参加
- TwitterやZennで学習記録を共有
誰かと一緒に学ぶと、継続率が上がります。
コツ5：「やらないこと」を決める
すべては学べない
私の「やらないことリスト」：
- ❌ 話題の技術を全て追いかける
- ❌ すべてのフレームワークを試す
- ❌ 毎日新しいツールを試す
「やること」だけでなく、「やらないこと」を決めることで、集中できます。
AI時代の「T字型人材」を目指す
理想的なスキルセットは、T字型です。
深い専門性
|
─────────┼──────── 横断的な知識
|縦棒：深い専門性
- Flutter/Swift/PHP のどれか1つを深く
- システム設計 or 品質管理 or 特定のドメイン知識
横棒：横断的な知識
- 開発の全工程（要件定義〜運用）を理解
- フロント、バック、インフラの基礎
- AIツールの活用力
これからは、T字に「AIリテラシー」が加わります。
深い専門性
|
─────────┼──────── 横断的な知識
|
|
AIリテラシーまとめ：「全部できる」を目指さない勇気
AI時代、すべてを学ぼうとすると、疲弊します。
大切なのは：
✅ 深い専門性を1つ持つ
✅ 関連領域の全体像を理解する
✅ AIを効果的に使える
✅ 継続的に学び続ける
完璧な技術者を目指さない。
AIと協働できる技術者を目指す。
AIは敵じゃありません。
最強のパートナーです。
でも、AIに使われるのではなく、AIを使いこなす。
そのためのスキルマップを描き、一歩ずつ進んでいきましょう。
次回予告（最終回）
第6回では、「これからも変わらない"システムエンジニアの本質"」をお届けします。
技術、ツール、フレームワーク...すべてが変化します。
でも、変わらないものがあります。
- 技術は道具、信頼が価値を生む
- 「システム」は人の営みを支えるもの
- AI時代だからこそ求められる"誠実さと倫理観"
- 次世代へのメッセージ：「AIと共に、より人間らしく」
このシリーズの締めくくりとして、
システムエンジニアという仕事の本質を、改めて見つめ直します。
最後まで、お付き合いください。
【AI時代を生き抜くシステムエンジニア論 - 連載目次】
- AI時代の到来と、SEの役割の変化
- AIに代替されないSEの基本「課題定義力」と「論理的思考」
- 変わる技術トレンド、変わらない「設計思考」
- AIと共存する時代の"チーム開発力"
- AIを味方につけるためのスキルマップ（今回）
- これからも変わらない"システムエンジニアの本質"（次回・最終回）
