7月7日、Nate Rosidiが「Data Scientists Are Becoming AI Managers, Not Model Builders」と題した記事を公開した。この記事では、データサイエンティストの実務がモデル構築からAIシステムの監督・管理へと移行しつつある現状について詳しく紹介されている。以下に、その内容を紹介する。

「モデルを作る人」から「AIを管理する人」へ

転換点は、数字に表れている。

LinkedInの2025年データによれば、AIリテラシーとLLM（大規模言語モデル）習熟度は世界で最も成長が速いスキルの上位に入る。米国ではAIスキルを持つ求人の年収は約1万8000ドル高く、AI関連求人の51%がIT職以外に存在するとLightcastは報告している。

給与プレミアムを生み出しているスキルは、プロンプトエンジニアリング、RAG（検索拡張生成）統合、MLOps、ガバナンスワークフローだ。逆に、ダッシュボード作成・SQL生成・データクリーニング・基本的な可視化といった従来業務は、生成AIに自動化されつつある。

プレミアムが付くのは「スクラッチでモデルを訓練できる人」ではなく、「モデルをワークフローに組み込み、品質を維持し、出力に責任を持てる人」になった。これがデータサイエンティストの日常業務の意味を根本から変えている。

マルチエージェントシステムの管理という新業務

最も具体的な変化が現れているのが、マルチエージェントインフラの領域だ。

LangGraph・CrewAI・AutoGenといったフレームワークは、データ取り込み・特徴量エンジニアリング・モデル評価・レポーティングを人手をほぼ介さずに処理できる。Gartnerは2024年Q1から2025年Q2にかけてマルチエージェントシステムへの問い合わせが1,445%急増したと報告しており、2026年末までにエンタープライズアプリケーションの**40%**にAIエージェントが組み込まれると予測している（2025年時点では5%未満）。

この環境でデータサイエンティストが担うのは、複雑なタスクをエージェント実行可能なサブタスクに分解し、フィードバックループを設計し、障害が連鎖する前に検知するガードレールを構築することだ。作業の性質は「モデル開発」より「分散システム設計」に近い。

エージェントが上流でハルシネーション（誤情報の生成）を起こせば、下流の全ステップが汚染される。どこでエラーを許容し、どこで必ず捕捉し、どのステップでユーザーに届く前に人間の承認が必要かを設計するのが、この役割の核心だ。

パイロットから本番への「溝」を埋める作業

自律型エージェントへの期待は2025年後半に現実の壁にぶつかった。

McKinseyの2026年4月の調査によれば、人間の役割は「実行」から「エージェント主導ワークフローの監督・オーケストレーション」へ移行している。エンタープライズ企業の約3分の2がエージェントの実験を行っているが、実用的な価値にスケールできた事例は少なく、8割がデータの制限を主な障害として挙げている。データサイエンティストの時間の大半は、このパイロットと本番の間の溝を埋める作業に費やされている。

MIT SloanとBCGの2025年レポートは核心的なトレードオフを指摘する。「過剰な監督は自律性の効率メリットを消し、監督不足はコンプライアンスリスクと評判リスクを生む。その閾値を調整するには、ドメイン知識と組織的文脈が必要であり、自動化できない」。

プロンプトエンジニアリングと評価ハーネスの台頭

プロンプトエンジニアリングの職は2025年に135.8%増となった。コンテキストウィンドウ管理、グラウンディング技術、ハルシネーション低減、入出力の系統的テストを含むこの領域は、構造的にはソフトウェアのQE（品質エンジニアリング）に近い。

評価とプロンプトエンジニアリングに共通するのは、「モデルを完成品ではなくコンポーネントとして扱う」視点だ。評価ハーネス、プロンプトのリグレッションスイート、ドリフト監視——いずれも「以前は動いていたシステムが動かなくなった瞬間を、ユーザーより先に検知する」ための仕組みである。

ガバナンスという技術要件

EU AI Act・NIST AI RMF・OWASP LLM Top 10の整備により、ガバナンスは具体的な技術要件になった。プロンプトインジェクション脆弱性のテスト、出力の検証、依存関係のレビュー、アクセス制御の適用が求められる。

「AIガバナンスリード」という職種が独立したタイトルとして現れている。2023年にはほぼ存在しなかったカテゴリだ。この役割がリーガルやセキュリティチームではなくデータサイエンティストに委ねられる理由は単純で、制御の実装が技術的だからだ。ポリシーを読めるだけでなく、システムを読める人間が必要になる。

次のポートフォリオは何か

Monte Carloの2025年調査によれば、エージェントAIの精度はステップごとに75〜90%で、3ステップ連鎖すると**全体精度は約50%**まで低下する。自動返金処理なら許容できないが、ドラフトメール生成なら問題ない——何が「許容できる精度」かを業務文脈で判断するのは、機械には代替できない人間の仕事だ。

Nate Rosidiは記事を次の提言で締めている。「次のポートフォリオ作品は、おそらくKaggleのノートブックではない。評価ハーネス、障害ログ付きのマルチエージェントワークフロー、あるいは既存システムのガバナンスレビューだ」。これらが採用担当者の現在の求人票に直接対応し、モデルを構築できるデータサイエンティストと、モデルを運用できるデータサイエンティストを分けるものになっている。

詳細はData Scientists Are Becoming AI Managers, Not Model Buildersを参照していただきたい。