TL;DR（この記事の要約）

• MLエンジニア・データサイエンティストは有効求人倍率2.8倍超の超売り手市場。従来の採用手法では人材が集まらない

• 「MLエンジニア」と「データサイエンティスト」は役割・スキルセット・評価基準が異なるため、混同した求人票はミスマッチの元

• 年収レンジはミドルクラスで650〜1,000万円、シニアクラスで1,000〜1,500万円が目安。相場を外すとスカウトが読まれない

• 選考では論文実装・ケーススタディ・ビジネス翻訳力の3軸で評価し、ペーパーテストだけに頼らない

• Kaggle実績や論文だけでなく、プロダクション環境での運用経験があるかどうかが即戦力の分かれ目

MLエンジニア・データサイエンティスト採用はなぜ難しいのか

「ML人材を採りたいが、そもそも候補者がいない」——AI活用を推進する企業が増える一方で、MLエンジニアやデータサイエンティストの採用に苦戦するスタートアップは後を絶ちません。

背景には構造的な問題が複数あります。実務でMLシステムを本番運用した経験を持つ人材がそもそも限られていること、GAFAMや外資コンサルが高報酬で囲い込んでいること、そして企業側が「MLエンジニア」と「データサイエンティスト」を混同した曖昧な求人を出してしまうことです。

この記事では、ML人材の採用で成果を出すための要件定義・選考設計・クロージング手法を、スカウト運用のプロの視点から体系的に解説します。

このページでわかること

• MLエンジニアとデータサイエンティストの違いと要件定義のポイント

• 自社のフェーズに合ったML人材の見極め方

• 候補者に刺さる求人票・スカウト文面の書き方

• 技術力とビジネス貢献度を正しく評価する選考設計

• 内定承諾率を高めるクロージング手法

• 副業・業務委託を活用した段階的な採用アプローチ

1. MLエンジニアとデータサイエンティストの違いを正しく理解する

ML人材の採用でまず押さえるべきは、「MLエンジニア」と「データサイエンティスト」が異なる職種だということです。ここを混同すると、求人票もスカウトも選考もすべてズレます。

1-1. 役割の違い

1-2. なぜ混同されるのか

日本の求人市場では、「データサイエンティスト」というタイトルで実際にはMLエンジニアリングを求めるケースが多く見られます。逆に、分析メインの業務なのに「MLエンジニア」で募集しているケースもあります。

候補者から見ると「入社してみたらやりたい仕事ではなかった」というミスマッチの原因になりますし、選考段階で「期待されるスキルと自分のスキルが違う」と辞退されるリスクも高まります。

1-3. 自社に必要なのはどちらか？判断フレームワーク

以下の質問で、自社が今必要としている人材像を明確にしましょう。

• MLモデルを本番のプロダクトに組み込む必要がある → MLエンジニア

• データを分析して経営判断を支援したい → データサイエンティスト

• モデルの精度改善と運用の両方を担ってほしい → MLエンジニア（シニア）

• まずはPoCで機械学習の有効性を検証したい → データサイエンティスト

• MLOps基盤を構築・運用したい → MLエンジニア（プラットフォーム寄り）

どちらか迷う場合は、ソフトウェアエンジニアリングとML知識の比率で考えるとわかりやすいです。エンジニアリング7割・ML3割ならMLエンジニア、分析・統計7割・エンジニアリング3割ならデータサイエンティストです。

2. ML人材の採用が難しい5つの構造的理由

2-1. 実務経験者の絶対数が少ない

MLをプロダクションで運用した経験を持つエンジニアは、日本市場では極めて限られています。大学や研究機関でモデル構築の経験がある人材は増えていますが、本番環境でMLシステムを設計・運用・改善した経験を持つ人材となると一気に絞られます。

経済産業省の「IT人材需給に関する調査」によれば、先端IT人材（AI・データサイエンス領域を含む）は2030年に約12.4万人不足すると推計されています。足元の有効求人倍率も2.8倍を超えており、1人の候補者を複数社が奪い合う構図です。

2-2. 報酬レベルが他職種より高い

ML人材の報酬は、一般的なソフトウェアエンジニアよりも高い水準にあります。

外資系テック企業やヘッジファンドでは、シニアMLエンジニアに2,000万円以上を提示するケースもあります。スタートアップが報酬だけで勝負するのは難しいため、後述するEVP（Employee Value Proposition）設計が重要です。報酬設計の考え方についてはエンジニア採用で勝つための報酬設計と年収戦略の完全ガイドも参考になります。

2-3. 「研究志向」と「実装志向」のミスマッチ

ML分野には、研究寄りのキャリアを志向する人材と、プロダクト実装を志向する人材が混在しています。研究志向の人材にプロダクション運用を求めたり、実装志向の人材に論文執筆を求めたりすると、入社後のミスマッチにつながります。

採用時にキャリア志向を丁寧にヒアリングし、自社の期待する役割と一致するかを確認しましょう。

2-4. 技術の変化スピードが速い

MLの世界は技術の進化が著しく速いです。2023年以降のLLMブームにより、従来の機械学習（勾配ブースティング、ランダムフォレストなど）に加えて、LLMの活用・ファインチューニング・RAG構築といった新しいスキルが求められるようになりました。

「2年前の最新スキルが今は当たり前」という状況では、スキル要件を固定的に定義するとマッチする候補者が極端に少なくなります。学習能力と適応力を重視した要件設計が必要です。

2-5. 評価が難しい

一般的なソフトウェアエンジニアの選考と異なり、ML人材の技術力は面接だけでは判断しにくい面があります。

• Kaggleで上位入賞していても、プロダクション経験がゼロの場合がある

• 論文実績が豊富でも、ビジネス課題への翻訳力が低い場合がある

• 逆に、目立った実績がなくても実務で地道に成果を出している人材もいる

後述の選考設計セクションで、ML人材を正しく評価するためのフレームワークを解説します。

3. ML人材の要件定義と求人票の書き方

3-1. フェーズ別の要件定義

自社のMLプロジェクトのフェーズによって、必要な人材像は大きく変わります。

フェーズ1：PoC・実験段階

• 優先すべき人材: データサイエンティスト

• 必須スキル: Python、統計学、機械学習アルゴリズムの基礎知識

• 歓迎スキル: ドメイン知識（自社事業領域の理解）

• 期待する成果: 機械学習の適用可能性を検証し、ビジネスインパクトを定量化する

フェーズ2：本番導入段階

• 優先すべき人材: MLエンジニア

• 必須スキル: ソフトウェアエンジニアリング、MLフレームワーク（PyTorch / TensorFlow）、API設計

• 歓迎スキル: Kubernetes、CI/CD、モニタリング設計

• 期待する成果: PoCで検証したモデルをプロダクション環境で安定稼働させる

フェーズ3：MLOps・スケーリング段階

• 優先すべき人材: MLエンジニア（プラットフォーム寄り）

• 必須スキル: MLOps基盤設計（MLflow / Kubeflow / SageMaker）、データパイプライン、インフラ設計

• 歓迎スキル: フィーチャーストア設計、A/Bテスト基盤、モデルモニタリング

• 期待する成果: ML開発の効率化とモデルのライフサイクル管理を仕組み化する

3-2. 求人票に書くべき5つの要素

ML人材は「何を解くのか」に強い関心を持ちます。技術スタックだけでなく、取り組む課題の面白さを伝えましょう。

1. 解くべきビジネス課題 「推薦アルゴリズムの改善」よりも「月間1,000万ユーザーのマッチング精度を改善し、CVRを向上させる」の方が具体的で刺さります。

2. データの規模と質 「大量のデータ」ではなく「日次1億レコード、3年分の蓄積データ」のように定量化します。データの整備状況も正直に書くと信頼度が上がります。

3. 技術スタックと開発環境 使っているフレームワーク、クラウド環境、GPU環境を明記します。ML人材はGPU環境（NVIDIA A100 / H100等）の有無を気にする傾向があります。

4. チーム構成と裁量 「MLチーム3名」だけでなく、チームの構成（研究者何名、エンジニア何名）、意思決定のプロセス、論文投稿や学会参加の奨励有無を書くと候補者の関心を引けます。

5. 年収レンジ ML人材は年収レンジが明記されていない求人を避ける傾向が強いです。前述の年収テーブルを参考に、市場相場に合ったレンジを明記しましょう。求人票の書き方全般についてはエンジニアが応募したくなる求人票（JD）の書き方完全ガイドも参考にしてください。

3-3. スカウト文面のポイント

ML人材へのスカウトでは、「あなたの〇〇の経験に注目しました」というパーソナライズが特に重要です。

具体的には以下の情報を事前に調べてスカウト文面に反映します。

• Kaggleプロフィール: コンペの成績、得意な手法

• GitHub: OSSへのコントリビューション、個人プロジェクト

• 論文: Google Scholarでの被引用数、研究テーマ

• 登壇実績: PyCon、MLOps Community、データサイエンス系勉強会

テンプレートのスカウトを送るよりも、1人あたり15〜20分かけてパーソナライズしたスカウトを10通送る方が、トータルの返信率は圧倒的に高くなります。スカウト文面の基本的な書き方はエンジニア向けスカウトメールの書き方と返信率を上げる例文集で詳しく解説しています。

4. ML人材を正しく見極める選考設計

4-1. 選考フローの設計

ML人材の選考フローは、一般的なエンジニア採用よりもステップが多くなりがちです。しかし、選考期間が長すぎると他社に先を越されるリスクがあります。全体で2〜3週間以内に収まるように設計しましょう。

推奨フロー（全体2〜3週間）

1. 書類選考 + ポートフォリオレビュー（2〜3日）

   • 職務経歴書だけでなく、GitHub / Kaggle / 論文もレビュー

2. カジュアル面談（30〜45分）

   • 技術的な深掘りはせず、キャリア志向とカルチャーフィットを確認

3. 技術面接（ケーススタディ）（60〜90分）

   • 後述のケーススタディ形式で技術力を評価

4. チーム面接（45〜60分）

   • 一緒に働くメンバーとの相性を確認

5. オファー面談（45〜60分）

   • 条件提示と質疑応答

4-2. 技術面接の3つの評価軸

ML人材の技術面接では、以下の3軸で評価するのが効果的です。

軸1: 技術的基礎力

統計学・機械学習の基礎を理解しているかを確認します。ホワイトボードで数式を書かせるような面接ではなく、実務に即した質問で判断します。

質問例:

• 「過学習を検知・対策するために、実務でどのようなアプローチを取りますか？」

• 「分類タスクの評価指標としてAUC-ROCを選ぶ場合と、Precision-Recallを選ぶ場合の判断基準は？」

• 「特徴量エンジニアリングで、ドメイン知識をどのように活用した経験がありますか？」

軸2: プロダクション実装力

モデルを本番環境で動かす能力を評価します。研究と実務の間の溝を埋められるかどうかが、即戦力になれるかの分かれ目です。

質問例:

• 「学習パイプラインの設計で、冪等性や再現性をどのように担保しますか？」

• 「モデルの推論レイテンシが要件を満たさない場合、どのような最適化アプローチを検討しますか？」

• 「モデルのドリフト（精度劣化）をどのように検知し、対処しますか？」

軸3: ビジネス翻訳力

技術をビジネス成果に結びつける能力を評価します。特にデータサイエンティストの採用では、この軸が最も重要です。

質問例:

• 「分析結果を非エンジニアのステークホルダーにどのように伝えますか？具体的なエピソードを教えてください」

• 「あるモデルのAUC-ROCが0.85から0.90に改善しました。この改善がビジネスにどの程度のインパクトを与えるかを、どのように算出しますか？」

• 「経営層から"AI導入で売上を10%上げたい"と言われた場合、どのようなステップで進めますか？」

4-3. ケーススタディ形式の面接

筆記試験や一問一答型の面接ではなく、実際のビジネス課題をベースにしたケーススタディを出題するのが効果的です。

ケーススタディの設計ポイント:

• 自社の実際の課題をベースにする（守秘義務に配慮して抽象化）

• 正解が1つではない問題にする（思考プロセスを見る）

• 事前に課題を送り、準備時間を与える（60〜90分程度の持ち帰り課題）

• プレゼンテーション + 質疑応答の形式にする

具体例: 「ECサイトの商品推薦システムを改善してほしいと依頼されました。現在のCTRは2%です。データとして過去1年分の購買履歴・閲覧履歴・商品マスタがあります。どのようなアプローチで取り組みますか？」

この課題で見られること:

• 問題の構造化能力（いきなり手法に飛びつかず、課題を整理できるか）

• 手法選択の妥当性（協調フィルタリング、コンテンツベース、深層学習の使い分け）

• 実装の現実感（「精度を上げる」だけでなく、レイテンシや運用コストへの言及があるか）

• コミュニケーション力（技術的な内容をわかりやすく説明できるか）

4-4. Kaggle実績・論文の正しい評価方法

ML人材の選考でよく参照されるKaggle実績や論文について、注意すべきポイントがあります。

Kaggle実績の評価

• Kaggle Masterやコンペ入賞実績は技術力の証明として有効。ただし、Kaggleの課題と実務の課題は質的に異なる点に注意

• Kaggleでは「精度を0.01上げる」ことが評価されるが、実務では「精度はほどほどでも安定して動くシステム」が求められることが多い

• Kaggleのソリューションだけでなく、Discussionへの貢献やNotebookの質も見ると候補者の本質的な能力がわかる

論文実績の評価

• トップカンファレンス（NeurIPS、ICML、CVPR等）への採択は高い技術力の証明

• ただし、論文の実績が豊富な候補者が必ずしも「プロダクトに貢献できる」とは限らない

• 筆頭著者かどうか、どの部分を担当したかを面接で確認すると、実際の貢献度がわかる

5. ML人材を口説くクロージング戦略

5-1. ML人材が重視する5つの条件

ML人材の転職動機は、一般的なエンジニアと異なる傾向があります。スカウトやオファー面談で以下のポイントをアピールしましょう。

1. 解くべき課題の面白さ ML人材は「どんな技術を使うか」よりも「どんな課題を解くか」に関心が強い傾向があります。自社のデータやドメインの独自性を具体的に伝えましょう。

2. データの質と量 「データはたくさんあります」ではなく、「日次5億レコードの行動ログ、正解ラベル付き」のように具体的に伝えます。データの整備状況が悪い場合も、正直に伝えた上で「だからこそあなたの力が必要」と動機づけるのが効果的です。

3. GPU・計算リソースの充実度 モデルの学習にGPUが必要な業務の場合、GPU環境の有無は大きな判断材料になります。クラウドGPU（AWS p4d / GCP A3等）の利用予算があるか、オンプレのGPUサーバーがあるかを明確にしましょう。

4. 研究活動への理解 論文投稿やカンファレンス参加を業務時間内に認めるかどうかは、特に研究志向の候補者にとって重要な判断材料です。副業研究や社外活動への姿勢も明確にしておくとよいでしょう。

5. キャリアパスの明確さ ML人材のキャリアパスは大きく3つに分かれます。

• ICトラック（Individual Contributor）: テックリード → プリンシパルエンジニア → フェロー

• マネジメントトラック: チームリード → エンジニアリングマネージャー → VPoE

• リサーチトラック: リサーチエンジニア → シニアリサーチャー → リサーチディレクター

自社でどのキャリアパスが実現可能かを具体的に示せると、候補者の安心感につながります。

5-2. オファー面談で差をつけるポイント

ML人材のオファー面談では、条件面だけでなく入社後の具体的なイメージを伝えることが重要です。

• 最初の3ヶ月で取り組む課題を具体的に説明する

• チームメンバーの紹介（可能であれば面談時に同席してもらう）

• 学習・研究のサポート体制（書籍購入、カンファレンス参加、GPU予算等）

• 評価制度（ML人材のアウトプットをどのように評価するかを明確にする）

5-3. カウンターオファーへの対策

ML人材は転職活動中に現職からカウンターオファー（引き留め）を受けるケースが多いです。対策として以下を意識しましょう。

• 金額だけでなく「環境」で差別化する: 現職のカウンターオファーが年収アップだけなら、「解く課題の面白さ」「成長機会」で勝負する

• 内定から承諾までの期間を短くする: 長引くほどカウンターオファーの影響を受けやすい。1週間以内の回答を目安にする

• 候補者の転職理由を深く理解する: 「なぜ現職を離れたいのか」の本質的な理由に自社がフィットしていることを確認する

6. 副業・業務委託から始めるML人材の段階的採用

6-1. なぜ段階的採用が有効なのか

ML人材の採用では、いきなり正社員を目指すよりも副業・業務委託から始める段階的なアプローチが特に有効です。理由は3つあります。

• ミスマッチリスクの軽減: MLプロジェクトは「やってみないとわからない」要素が大きい。一緒に仕事をしてからフルタイムに移行すれば、双方のリスクが小さくなる

• 候補者側のハードルが低い: 「まず副業で」と提案することで、転職を迷っている優秀な人材にもアプローチできる

• 市場の特性に合っている: ML人材は副業・兼業に積極的な傾向がある。研究者やフリーランスのデータサイエンティストは、複数プロジェクトを並行して進めるワークスタイルに慣れている

段階的採用の全体像についてはエンジニア採用のトライハイヤー戦略｜業務委託→正社員で失敗を防ぐでも詳しく解説しています。

6-2. 副業・業務委託の活用パターン

パターン1: PoCプロジェクトの外注

• 3〜6ヶ月のPoC案件を業務委託で依頼し、成果と相性を見てから正社員オファーを出す

• メリット: プロジェクトの成否を見てから採用判断ができる

• 稼働目安: 週1〜2日

パターン2: 技術顧問として参画

• シニアML人材に技術顧問として月8〜16時間程度参画してもらう

• メリット: 自社のMLチームの方向性やアーキテクチャに対するアドバイスを受けられる

• 正社員オファーにつながるケースも多い

パターン3: Kaggle型社内コンペの審査員

• ML分野の著名な人材を社内コンペの審査員やメンターとして招く

• メリット: 自社の課題とデータを知ってもらう機会になる

• そのまま興味を持って参画につながるケースがある

6-3. 副業から正社員へ移行する際の注意点

• 移行時期の目安: 3〜6ヶ月の業務委託期間を経て、双方の意向を確認

• 条件面のギャップに注意: 業務委託は時給換算で正社員より高くなることが多いため、正社員移行時の年収設計は慎重に

• 契約条件の整理: 業務委託期間中の成果物の知的財産権、競合制限条項を事前に取り決めておく

7. LLM時代に変わるML人材の採用要件

7-1. LLMの台頭で求められるスキルが変わった

2023年以降、LLM（大規模言語モデル）の普及により、ML人材に求められるスキルセットが大きく変化しました。

従来のML人材に求められたスキル:

• 特徴量エンジニアリング

• 勾配ブースティング（XGBoost / LightGBM）

• ニューラルネットワークの設計と学習

• A/Bテスト設計

LLM時代に加わった新しいスキル:

• プロンプトエンジニアリング

• RAG（Retrieval-Augmented Generation）アーキテクチャの設計

• ファインチューニング（LoRA / QLoRA）

• LLMアプリケーションの評価手法（LLM-as-a-Judge等）

• ベクトルデータベースの設計・運用

7-2. 「フルスタックML人材」への期待と現実

従来のMLに加えてLLMスキルも求める「フルスタックML人材」を探そうとする企業が増えていますが、そのような人材は市場にほぼ存在しません。

現実的なアプローチとしては以下が考えられます。

• 既存のMLエンジニアにLLMスキルを学んでもらう（学習支援制度の整備）

• LLM特化の業務委託人材を活用する（RAG構築やファインチューニングをスポット依頼）

• ソフトウェアエンジニアをMLに育成する（API連携やインフラ構築が得意なエンジニアにLLM活用を担当してもらう）

7-3. 採用要件の書き方も変わる

LLM時代のML人材採用では、要件定義を**「従来ML」と「LLM」で分けて記載**するとよいでしょう。

例:

• 必須: Python / ML基礎（教師あり学習・教師なし学習）/ データ前処理

• 歓迎（従来ML）: PyTorch / 推薦システム / 時系列予測

• 歓迎（LLM）: RAG設計 / プロンプト最適化 / LLMOps

• 期待する成長: 入社後6ヶ月以内に、自社プロダクトへのLLM活用方針を策定できるレベル

FAQ（よくある質問）

Q1. MLエンジニアとデータサイエンティスト、どちらを先に採用すべきですか？

自社のMLプロジェクトのフェーズによります。まだ機械学習の有効性を検証する段階（PoC）であればデータサイエンティスト、すでに検証済みのモデルを本番環境に組み込む段階であればMLエンジニアが先です。迷う場合は、ソフトウェアエンジニアリング力が高いMLエンジニアを採用し、分析業務は外部のデータサイエンティストに業務委託する方法もあります。

Q2. Kaggle実績がない候補者は評価が難しいのですが、どうすればよいですか？

Kaggle実績は技術力の一つの指標ですが、必須ではありません。実務でMLプロジェクトを推進した経験がある候補者は、Kaggle未経験でも即戦力になれます。ケーススタディ形式の面接で実践力を評価する方法が有効です。GitHub上のプロジェクト、技術ブログの発信内容、勉強会での登壇資料なども参考になります。

Q3. ML人材の年収相場がわかりません。どこで確認できますか？

dodaやレバテック等の転職サービスが公開している年収データが参考になります。また、スカウトサービスで類似スキルの候補者の希望年収を確認するのも有効です。本記事のセクション2-2に記載した年収テーブルも目安としてご活用ください。相場より大幅に低い提示では、スカウトの返信率が著しく下がります。

Q4. MLの専門知識がない人事担当者でも、ML人材の選考はできますか？

1次面接（カルチャーフィット・キャリア志向の確認）は人事担当者が対応できます。技術面接は社内のエンジニアに担当してもらうか、外部の技術顧問に協力を依頼しましょう。また、本記事のケーススタディ形式の面接であれば、「候補者の説明がわかりやすいか」「論理的に構造化できているか」という観点で非エンジニアでも評価できる部分があります。

Q5. LLM時代でも、従来の機械学習（XGBoostなど）のスキルは必要ですか？

はい、必要です。LLMは万能ではなく、構造化データの予測タスク（需要予測、不正検知、レコメンドなど）では依然として勾配ブースティング系の手法が高い精度を出すケースが多いです。LLMと従来MLの使い分けができる人材が、実務では最も価値が高いです。

Q6. ML人材の採用に強いスカウトサービスはどれですか？

ML人材のスカウトでは、BizReach、Forkwell、LAPRASが相対的にML人材の登録が多い傾向があります。また、LinkedIn経由で海外在住の日本人ML人材にアプローチするケースも増えています。どのサービスを使うかよりも、パーソナライズしたスカウト文面を送れるかどうかが返信率の決め手です。

Q7. スタートアップがGAFAMと採用で戦うには、どうすればよいですか？

報酬面でGAFAMに勝つのは難しいため、別の価値で差別化しましょう。スタートアップならではの強みとして「ビジネスに直結する課題に取り組める」「意思決定が速い」「自分の仕事が事業に直接インパクトする実感がある」「研究テーマの自由度が高い」といった点があります。ストックオプションの付与も報酬格差を補う手段の一つです。

まとめ：ML人材の採用で成果を出すためのアクション

MLエンジニア・データサイエンティストの採用は、職種理解の深さと選考設計の精度が成果を左右します。

今すぐできるアクション:

1. 自社のMLプロジェクトのフェーズを整理し、必要な人材像（MLエンジニアかデータサイエンティストか）を明確にする

2. 年収レンジを市場相場に合わせて設定し、求人票に明記する

3. 求人票に「解くべき課題」「データの規模と質」「GPU環境」を具体的に記載する

4. ケーススタディ形式の技術面接を設計し、3軸（技術基礎力・プロダクション実装力・ビジネス翻訳力）で評価する

5. 副業・業務委託からの段階的アプローチを採用チャネルに加える

ML人材の採用は一朝一夕では成果が出ません。しかし、正しい職種理解と選考設計を持って臨めば、限られた候補者市場でも採用は実現できます。

techcellarでは、エンジニア採用に特化したスカウト運用代行・AIスカウト運用を提供しています。MLエンジニアやデータサイエンティストのスカウト運用でお困りの方は、お気軽にお問い合わせください。