10月7日、Nate Rosidiが「ML Engineer, AI Engineer, or LLM Engineer: Which Role Actually Builds What in 2026?」と題した記事を公開した。この記事では、2026年時点におけるML Engineer・AI Engineer・LLM Engineerの3職種が実際に何を構築するのかという違いを、求人票の実態に基づいて整理している。
ある企業はAI Engineer、別の企業はApplied AI Engineer（AIをプロダクトに統合する役割）、さらに別はLLM Engineerと呼ぶ。記載されているスキルはPython、LLMのAPIキー、RAG（Retrieval-Augmented Generation：検索拡張生成）、本番環境の信頼性とほぼ同じだ。
タイトルではなく「何を作るか」で役割を理解するのが、キャリア選択を誤らないための核心だと著者は指摘する。
3職種の本質的な違い
ML Engineer：データからモデルを作る
ML Engineerの仕事の核は、データ収集→アルゴリズム選定→学習→検証→デプロイ→監視・再学習のサイクルだ。使うツールはPython、PyTorchまたはTensorFlow、scikit-learn、そしてAmazon SageMakerやDatabricksといったフィーチャーストア。成果物はレコメンデーションシステム、不正検知モデル、需要予測といった具体的なモデルだ。
実際の作業時間の大半はアルゴリズムではなくデータに費やされる。ラベルの漏洩や特徴量の設計ミスはアルゴリズムの選択よりもはるかに早くモデルを壊す、というのが現場の実態だ。
AI Engineer：既存モデルをプロダクトに繋げる
AI Engineerはモデルが既に存在している前提で動く。誰かが学習させた大規模モデル（通常はAPI経由）を、実際のプロダクト——サポートツール、社内検索、マルチステップを処理するエージェント——に接続するのが仕事だ。
著者によれば、業務時間の内訳はプロンプト設計・検索・LLM連携が大半を占め、ハルシネーション監視と品質評価が続き、残りがAPIやデータベース周りのバックエンド作業だという（これは著者が現場の実態を要約したものであり、調査データの引用ではない）。ツールはLangChain、LangGraph、LlamaIndexなどのオーケストレーションフレームワーク、ベクトルDBにはPineconeやQdrantが使われる。
「モデルを学習させる仕事だと思って入ったら、データパイプラインの修正とプロンプト書き直しで一日が終わった」というのが現実らしい。記事はこれを「honest version of the job」と表現している。
LLM Engineer：さらに狭く、ファインチューニングまで踏み込む
LLM EngineerはAI Engineerの仕事に加えて、ファインチューニングを扱う点が異なる。LoRAやQLoRAといった手法を使い、汎用モデルの重みを特定ドメインのデータセットで調整する。汎用モデルでは精度が不十分な専門的タスクへの対応が主な動機だ。
ただし、優秀なLLM Engineerほどファインチューニングを避けようとする。より良い検索設計、長いプロンプト、別のベースモデルへの切り替えで同じ問題を解決できることが多く、コストと保守負担が段違いに小さいからだ。ファインチューニングは他の選択肢をすべて排除した後の最終手段として位置づけられている。
タイトルが実態を反映しない理由
この混乱の背景はシンプルだ。ML EngineeringはData Scienceからのスピンオフとして生まれ、生成AIが2022年以降にまったく新しいカテゴリ「AI Engineer」を生み出した。業界が命名に合意できていないため、同じ職務がAI Engineer、GenAI Engineer（生成AIに特化したエンジニア）、Applied AI Engineer（AIをプロダクト・業務に適用するエンジニア）、Prompt Engineer、RAG Engineerといった名称でばらばらに求人に掲載される。
著者はこの命名の乱れが報酬面にも影響しうると指摘しているが、具体的な数値データの提示はなく、あくまで職種名の不統一がもたらす副作用として言及されているにとどまる。
さらに、会社規模によって職種の範囲は大きく変わる。スタートアップでは1人がモデル学習・検索パイプライン構築・機能リリースを全部こなすことも珍しくない。大企業では同じ責任範囲が、Applied AI Product Engineer、MLエンジニア、AI Research Engineer、AIインフラエンジニア、Forward-Deployed Engineer（顧客の環境に直接入り込んでAIを実装・展開する役割）と5つ以上に分化することもある。
キャリア選択の実践的アドバイス
タイトルに惑わされないために、著者は具体的な問いを提示する。
- 「最初の90日間で何を作るか？」
- 「その後、何を自分でオーナーシップを持つか？」
この2つが求人票の職種名より正確な仕事の実態を教えてくれる。
面接対策については、3つの職種すべてでSQLの基礎力、データの問題定義力、トレードオフを説明する力が評価軸になる点は共通している。アルゴリズムの暗記よりも、問題を正確に定義しデータリークを防ぐ思考が重視されるという。企業はロール名を変えるスピードよりも、評価基準を変えるスピードの方がはるかに遅い——この観察は面接準備において実用的な示唆を持つ。
詳細はML Engineer, AI Engineer, or LLM Engineer: Which Role Actually Builds What in 2026?を参照していただきたい。
