9月26日、データ戦略コンサルタントのDonald Farmerが「Why entry-level data jobs are still critical in the AI age」と題したオピニオン記事を公開した。MicrosoftおよびQlikでプロダクトチームのリーダーを歴任し、30年超のデータ戦略経験を持つFarmerは、AI時代においてエントリーレベルのデータ職を廃止するのではなく再定義することが、組織の長期的な競争力に直結すると主張する。
エントリーレベル削減の落とし穴
背景として、2025年5月にAnthropicのCEO Dario Amodeiが「AIが1〜5年以内にエントリーレベルのホワイトカラー職の半分を消滅させる可能性がある」と発言したことが広く報じられており、データ準備・分析の自動化はその最前線に位置づけられている。CFOの目には明らかなコスト削減機会として映るこの状況に対し、Farmerは本記事で正面から警鐘を鳴らしている。
エントリーレベルの採用を凍結すると、ヘッドカウントの数字上は変化がわかりにくい——そもそも採用しなかった人間は報告書に現れないからだ。だが5年間の採用凍結が終わったとき、組織は二つの重要な能力を失っている。
1. 自社データアーキテクチャの実地知識
顧客テーブルの抽出・結合・クリーニングを繰り返したアナリストは、どのフィールドが信頼できないか、どのシステムが食い違っているか、なぜ二つのレポートが一致しないのかを経験から体得する。こうした知識はドキュメントに残りにくく、アナリスト個人の実務知識として蓄積されるものだ。AIにその作業を委ねることは、専門知識をアルゴリズムで置き換えることを意味する。
2. 次世代人材の育成パイプライン
初心者は監督下でルールに従い、専門家は無数の事例を経験することで状況を見抜く力を身につける。エントリーレベルという「キャリアのはしご」を切り落とせば、中堅人材を外部から採用しようにも、業界全体が同じ判断をした結果、そもそも市場に人材がいなくなる。
「AIエディター」という新しい入口
Farmerの提案は単純なジョブ維持ではない。エントリーレベルの職務内容を再定義することだ。具体的には以下の三つの柱を軸に若手の役割を再構築することを提言している。
バリデーションとQA（"AIエディター"） コードを一から書く代わりに、AI生成クエリの監査、ハルシネーション（AIが事実と異なる内容を自信を持って出力してしまう現象）の検出、自動生成された洞察と実際のビジネスロジックとの照合を担う。データ環境の癖を、実際に設計したのと同程度の深さで習得できる。
データカタログとメタデータ管理 AIツールの精度はアクセスできるコンテキストの質に依存する。若手がデータカタログやセマンティックレイヤー（データの物理構造をビジネス用語に変換する抽象層）の構築・維持を担い、ドキュメント化されていない業務ロジックを構造化メタデータとして整備する。
プロンプトエンジニアリングとパイプライン監視 システムプロンプトのチューニング、トークン使用量・APIコストの監視、自動データパイプラインの品質管理・ドリフト検知（モデルや入力データの統計的特性が時間とともにずれていく現象の監視）といった作業を上級エンジニアと協働して担当する。
Farmerはこの転換を「ジュニア職を救うための慈善行為ではない」と明言する。AIの出力が実際のビジネスと乖離しないよう保つための、実用的な品質管理措置だという位置づけだ。
長期的な視点
AIの出力を監査することから始めたジュニアは、エッジケースや構造的バイアスを見抜く能力を、過去のどの世代よりも早く習得する——Farmerはそう主張する。数年後、他社がミッドレベル人材の採用に奔走するなか、早期に再定義した組織は「AIに流暢な」内部人材パイプラインを持つことになる。
30年超のキャリアでデータ技術の複数の世代的転換を見届けてきたFarmerは、新技術が登場するたびに現場の実地知識が軽視され、数年後にその欠如が露わになるという構造的な繰り返しをこそ問題視している。エントリーレベルの採用凍結は、その同じ過ちの最新版だというのが本記事の核心的な主張だ。
詳細はWhy entry-level data jobs are still critical in the AI ageを参照していただきたい。
