AIエンジニアとプロンプトエンジニアとはなに?

はじめに
📘 本論：AIエンジニアという名称が曖昧な理由と、正しい4分類
おわりに

はじめに

「AIエンジニア」「プロンプトエンジニア」──
AI時代の登場と共に広まった言葉ですが、実務に触れるほど違和感が残ります。

一方で、「Embedded（組み込み）エンジニア」「Webエンジニア」という呼び方には、
なぜか曖昧さがなく、すっと理解できます。

それは、

Embedded / Web が “プラットフォーム（環境）” を指す言葉なのに対し、 AI は“技術・手法”を指す言葉だから

です。

この記事ではまず、
Embedded / Web / AI の「名前としての構造」を整理し、違和感の正体を明確にします。

そのうえで、
論文で定義されている Prompt Engineering を軸に、AI領域の正しい4分類を提示します。

📘 本論：AIエンジニアという名称が曖昧な理由と、正しい4分類

1. Embeddedエンジニア・Webエンジニアは “プラットフォーム × エンジニア”

✔ Embeddedエンジニア（組み込みエンジニア）の場合

Embedded（組み込み環境）という固定されたプラットフォームの上で動く “システムそのもの” を作る人。

作るものの具体例：

車のECU制御（スロットル制御・ブレーキ制御）
家電のファームウェア（電子レンジ、テレビ、掃除機）
医療機器の制御ソフト
ロボットのモーター制御ロジック
デバイスドライバやRTOS周りの制御

Embeddedは「ハードウェア＋リアルタイム制御」という明確な“環境”があり、
その上に作るものも明確。

だから Embeddedエンジニア＝Embedded Platform × Engineer という構造が成立する。

✔ Webエンジニアの場合

Web（HTTP / ブラウザ）というプラットフォームの上で動く “アプリケーション” を作る人。

作るものの具体例：

ECサイト
予約システム
SaaSのフロントエンド / バックエンド
REST API / GraphQL API
管理画面（ダッシュボード）、認証システム（JWT, OAuth）
サーバーサイドアプリ（Django, Rails, Node）

Webにも「HTTP」「ブラウザ」「サーバ」という“環境”があり、
その環境に乗せるアプリを作る。

これも構造としては同じ。

Webエンジニア＝Web Platform × Engineer

2. しかし AI は“プラットフォーム”ではなく“技術”。だから名称が破綻する

ここがもっとも重要なポイント。

AIが指すものは「技術・機能」そのもの

モデル（GPT、Claude）
推論エンジン
学習アルゴリズム
ベクトル検索
Agent
API

Embedded や Web のように 「アプリを乗せる環境」ではない。

つまり、名前の構造としてこうなる：

Embeddedエンジニア
→ Platform × Engineer
Webエンジニア
→ Platform × Engineer
AIエンジニア
→ Technology × Engineer → 構造が崩れる

技術 × エンジニアなので曖昧になるのは当然。

3. AIはまだ “統一プラットフォーム” として確立していない

AIが“技術の集合体”である以上、

WebのHTTPのような明確な基盤
EmbeddedのCPU/RTOSのような統一環境

が存在しない。

これは非常に大きい。

つまり、

AIの上でアプリが動くのではなく、アプリの中でAIが動く。

立場が逆なのです。

だから “AIエンジニア” という言葉は
構造的に“何者なのか”が定まらない。

4. では、どう分類すれば混乱しないのか？──論文の定義を元にした4分類（詳細版）

AI領域の混乱が起きる理由は、
AIが「プラットフォーム」ではなく「技術の集合体」であるため、
扱う“層”によって必要なスキル・役割がまったく異なるからです。

Embedded や Web のように「環境 × エンジニア」の構造が成立せず、
AIには明確な“技術レイヤーの階層”が存在します。

そのため、AIを扱う職種は
技術レイヤーごとに明確に切り分ける必要があります。

以下の4分類は、論文で定義された概念も踏まえ、
AI領域を混乱なく説明できる最も正確な整理です。

✨ ① AIリサーチャー（AI Researcher）

担当レイヤー：レイヤー0（AI理論・アルゴリズム研究）

AIリサーチャーは、
AIそのものを“作り出す”仕事 を担当します。
これは学術領域に深く根ざした、もっとも低層の技術レイヤーです。

扱う領域

新しいモデル構造（Transformer後継モデルなど）
学習アルゴリズムの研究（最適化手法、注意機構など）
パラメータ効率化の理論
AIに関する数学的研究
研究論文の発表

担う役割

AIという「技術の根幹」を進化させる
GPT、Claude、Gemini のような基盤モデルの礎を作る

AIリサーチャーは AI技術の出発点 にあり、
一般的なエンジニアリング職よりも高度な数理・研究能力が求められます。

✨ ② AIエンジニア（AI Engineer）

担当レイヤー：レイヤー1（モデル開発・モデル最適化）

AIエンジニアは、AIリサーチャーが作ったモデルを
「実用レベルに調整・最適化する」役割 を担います。

学術的には “Model Adaptation” に該当し、
モデルそのものに直接触れる技術者です。

扱う領域

Fine-tuning（ファインチューニング）
モデル蒸留（Distillation）
推論高速化（推論エンジン、量子化、GPU最適化）
評価基準の策定（BLEU、BERTScoreなど）
大規模データの前処理・整形

担う役割

モデルの性能・速度・安定性を改善
特定用途向けのモデルを作り込む
実際に動くAI「基盤技術」の品質を担保

レイヤー0に近い高い専門性が必要で、
AI技術の“内部”に触れる数少ない職種です。

✨ ③ AIアプリケーションエンジニア（AI Application Engineer）

担当レイヤー：レイヤー2（アプリ構築）

AIアプリケーションエンジニアは、
AIという技術を利用して、実際のアプリや業務システムを構築する専門家です。

モデル内部には触れませんが、
AIの仕組みを深く理解し、
RAGやAgentなどを組み合わせて価値を生み出す 役割を持ちます。

扱う領域

RAG（検索拡張生成）の設計・構築
Agentアーキテクチャ設計（ツール連携、ワークフロー構築）
業務システムとの統合（SmartHR、GAS、Djangoなど）
AIを活用した自動化（勤怠処理、CSVマッピング、社内Bot）
AIの出力をもとにしたUI/UX・API設計

担う役割

AIを組み合わせて“実務価値”を生み出す
現場プロダクトにAIを組み込む
企業がもっとも求めている領域

AIリサーチャーやAIエンジニアが作る基盤技術を
「社会や業務に落とし込む」最前線の職種 です。

✨ ④ プロンプトエンジニア（Prompt Engineer）

担当領域：レイヤー外（AIの“外部インターフェース”）

大きなポイント：

プロンプトエンジニアは AI技術レイヤーの内部にいない。 AIの“外側”のインターフェースを扱う特殊な領域である。

プロンプトはモデルの内部構造に触れず、
LLMを操作するための「I/O制御」です。

そのため、
AI技術（レイヤー0〜2）の内部とは独立した領域になります。

扱う領域

プロンプト設計・最適化
few-shot、chain-of-thought などのテクニック
JSON出力強制・整形
役割付与（system prompt）
LLMの出力品質の安定化
hallucination抑制

論文での定義

Sahoo et al. (2024)

「プロンプトを設計・最適化し、LLMを下流タスクに適応させる技法体系」

Meskó (2023)

「一貫した出力を得るための指示文の最適化プロセス」

担う役割

モデルの内部を変えずに“結果だけ”を制御する
AI利用者の体験を改善する
UI/UXや業務要件に近い位置でAIを操作する

まさに 「AIとアプリケーションの間にある外部インターフェース」 を担当する職種です。

🧩 まとめ：4分類は AIの技術レイヤーの違いを明確に示している

分類	技術レイヤー	役割の本質
AIリサーチャー	レイヤー0	AIそのものを開発
AIエンジニア	レイヤー1	モデルを最適化
AIアプリケーションエンジニア	レイヤー2	AIを使ってアプリを作る
プロンプトエンジニア	レイヤー外	AIの入力/出力を制御