FDE（フォワード・デプロイド・エンジニア）とは？ AIを「現場で動かす」仕事の中身とキャリア

2026年10月14日 2026年11月4日

hosomeagane

AIを使い始めてから、仕事のスピードは確実に上がりました。できることも増えました。少し前なら外注するしかなかった小さなツールも、今はAIと相談しながら自分で作れます。

では、最近よく聞く「FDE（Forward Deployed Engineer、フォワード・デプロイド・エンジニア）」のスキルが自分にあるのか。そう聞かれると、正直、悩ましいところです。OpenAIもAnthropicもGoogleも、そして日本のスタートアップも、いまこの人たちを探しています。前回のAlphabet（Google）の記事でも、求人の中に何度も出てきました。

答えを出す前に、まずはFDEがどんな仕事なのかをまとめてみました。記事の後半には、自分にどのくらいFDEの素質があるかを確かめる10問のチェックも用意しています。筆者も実際にやってみました。

3行で言うと

FDEは、お客さんの現場に入り込み、自社のAIや製品を「実際に動く仕組み」にして根付かせるエンジニア。米Palantirで生まれ、生成AIの広がりとともに求人が急増している。
理由は、AIは「買えば動く」ものではないから。モデルと現場の業務の間にある溝を、コードと業務理解で埋める人が足りていない。
FDEの力は「作る力」と「現場を読む力」の掛け算。エンジニアでなくても、片方を武器に関わる道はある。

▶ 動画でも解説しています（約18分）

この記事の内容を、スライドと音声で約18分にまとめました。通勤中や、文字を読むのが疲れたときにどうぞ。

FDEって、どんな仕事？

「Forward Deployed」は、もともと軍事の言葉で「前線に展開する」という意味です。その名の通り、FDEは自社のオフィスではなくお客さんの組織の最前線に入り込んで、自社の製品を土台に、そのお客さん専用の仕組みを設計し、作り、実際の業務で使われるところまで持っていきます。

この職種を確立したのは、データ分析ソフトの米Palantirです。2010年代、同社は防衛や諜報機関といった、外部ネットワークから切り離された環境にソフトウェアを導入していました。遠くからサポートするだけでは、とても動かせない。そこでエンジニアを現場に送り込むようになったのが始まりです。Palantirの公式ブログでは、この役割を社内の別の職種と対比して説明しています。

	Dev（製品開発のエンジニア）	Delta（現場に入るFDE）
考え方	1つの機能を、たくさんのお客さんのために作る	1つのお客さんのために、たくさんの機能を実現する
主な居場所	自社の開発チーム	お客さんの現場
向き合う相手	製品そのもの	お客さんの業務と、その成果

出典：Palantir Blog「A Day in the Life of a Palantir Forward Deployed Software Engineer」をもとに筆者が整理。

ポイントは、FDEが「言われたものを作る下請け」ではないことです。お客さんが口にする要望の奥にある、本当に解くべき課題を見つけ、技術と事業の両方から成果まで責任を持つ。その責任の重さは「スタートアップのCTO（技術責任者）に近い」と説明されることもあります。

仕事は、おおまかに次の5つの段階で進みます。

業務を観察する：お客さんの仕事を横で見て、本当のボトルネックを探す。「AIチャットボットが欲しい」という要望の奥に、データの分断や手作業のムダが隠れていることが多い。
すぐに動くものを見せる：分厚い仕様書を書く代わりに、数日〜数週間で実際のデータを使った試作品を作り、現場の反応を見る。
本番の仕組みにつなぐ：お客さんの社内データベースや古いシステムと、自社製品をしっかりつなぐ。
精度を測り、上げる：現場の専門家と一緒に「正解データ」を作り、AIの出力がどれだけ正しいかを測る仕組み（評価、英語でEvals）を整えて改善を繰り返す。
製品に戻す：他のお客さんにも使えそうなパターンを抜き出し、自社製品に取り込んでもらう。

なぜ今、急に求められているの？

英Financial Timesの報道を紹介した米Fast Companyの記事（2025年11月）によると、FDEの求人は2025年の初めから9月までに800%以上増えました。OpenAIにはFDE部門のトップを務めるコリン・ジャーヴィス氏がいて、AnthropicやAWS、Databricksといった企業もFDEの組織を作ったり広げたりしています。

JobSignalの求人調査から：Anthropicでは5件に1件

JobSignalが2026年10月に整理したAnthropic（Claudeの開発元）の公開求人では、277件のうち57件（約21%）が、AIを企業の現場に組み込む「Applied AI」の職種でした。FDEの採用も世界各地で進めていました。前回の記事で取り上げたGoogleも、同じFDEを募集しています。AIを作る会社が、AIを「届ける人」を大量に探している。これが、今の求人から見える一番はっきりしたシグナルです。

背景にあるのは、企業のAI導入が「試してみた」で止まりがちだという現実です。米MITの研究チームが2025年8月に出した報告書「The GenAI Divide」は、企業が生成AIに巨額の投資をしているにもかかわらず、約95%の組織が目に見える利益を得られていないと指摘しました。同じ報告書は、企業向けのAIツールのうち本番の業務で使われるところまで進むのは5%程度だとも書いています。

なぜ、こうなるのでしょうか。生成AIは、同じ質問にも毎回少し違う答えを返します。会計ソフトのように「仕様書どおりに作れば正しく動く」とは限りません。しかも企業の中には、ばらばらに保存されたデータ、古いシステム、複雑な社内ルールがあります。それらを読み解き、「この業務なら、どのくらいの精度が出れば使えるのか」を測る仕組みまで作って初めて、AIは仕事の役に立ちます。この最後の一歩を、現場でコードを書きながら埋めるのがFDEです。

「利益率を削ってでも、堀をつくる」という考え方

腕の立つエンジニアをお客さん1社ごとに張り付けるのは、ソフトウェア会社にとって普通は割に合いません。これに対し、米大手ベンチャーキャピタルのa16z（Andreessen Horowitz）は2025年6月の論考「Trading Margin for Moat（堀のために利益率を差し出す）」で、最初は利益率を犠牲にしてでもお客さんの中核業務に深く入り込めば、他社に簡単には乗り換えられない強い立場（＝堀）を築ける、と論じました。

この考え方が成り立つかどうかは、現場で作ったものを製品に戻せるかにかかっています。

FDEの仕事が製品につながる流れを、図にしました。赤い枠が、FDEが働く「お客さんの現場」です。

FDEの「砂利道」が、製品の「高速道路」になる（FDEの仕事が製品につながる流れ）：① お客さんの現場 FDEが個別の仕組みを作る（砂利道）、② 製品チーム共通するパターンを抜き出す、③ 製品の標準機能に誰でも使える形にする（高速道路）、④ 次のお客さん導入が速く、安くなる

出典：a16z、Qiita・Zennの解説記事など、FDEに関する解説をもとに筆者作成。

現場で切り開いた道は、最初は1社専用の「砂利道」です。それを製品チームが共通の機能に作り直すと、次のお客さんも使える「高速道路」になる。Palantirの売上総利益率（売上からその原価を引いた割合）は、2025年1〜9月で約81%でした（SEC提出の四半期報告書から筆者計算）。人手のかかる現場型のやり方をとりながら高い利益率を保っているのは、この仕組みが回っている一つの証拠と見ることができます。

似ている仕事と、どこが違う？

「お客さんのところでシステムを作る」と聞くと、SIer（システムインテグレーター）やコンサルタントを思い浮かべる人も多いと思います。それぞれの仕事を「自分で作る技術の深さ」と「お客さんの業務への踏み込み」の2つの軸で並べると、FDEの位置がよくわかります。

似ている仕事と、縦と横の2つの軸で比べました。右上の赤い丸がFDEです。

FDEは「作る力」も「現場への踏み込み」も深い（似ている仕事との位置関係）：FDE 右上：作って、現場で成果まで、SWE 左上：製品そのものを作る、SIer 中央：仕様どおりに納品、SA 中央下：提案と設計、コンサル右下：戦略を提言

出典：a16z、Qiita・Zennの解説記事などをもとに筆者作成。SWE＝ソフトウェアエンジニア、SA＝ソリューションアーキテクト。位置はおおよそのイメージで、企業によって異なります。

右上にいるのはFDEだけです。自分で作れて、しかもお客さんの業務の奥まで入り込み、成果が出るところまで責任を持つ。さらに、図には表れないもう一つの違いがあります。現場で得た学びを自社製品に戻すことです。SIerやコンサルタントの成果はお客さんの資産になって終わりますが、FDEの学びは製品を通じて次のお客さんに引き継がれます。

「名ばかりFDE」に注意

FDEという言葉が流行するにつれ、注意を促す声も出ています。米ベンチャーキャピタルFlybridgeの論考は、FDEを置いても現場の仕事が製品に戻らず、お客さんごとに使い捨ての仕組みを作るだけになっているスタートアップが多いと指摘しています。現場のエンジニアに自社製品を直す権限がなく、学びを製品に戻す仕組みもない。そうなると、会社はお客さんごとにばらばらのコードを抱え込み、やっていることは「見た目がきれいな受託開発」と変わらなくなります。FDEの求人に応募するなら、「現場で作ったものが、どうやって製品に取り込まれるのか」を面接で聞いてみるとよさそうです。

現場の声から見えるリアル

Palantir：数日で動く仕組みが求められる

Palantirの公式ブログでは、米国防総省向けの案件を担当するFDEのブライアン氏が仕事を語っています。仕事はソフトウェア開発、データの整備、お客さんとのやり取り、創造的な問題解決が混ざり合ったもの。新型コロナ対応の案件では、数日のうちに実際に使える仕組みを動かすことが求められたといいます。

OpenAI × John Deere：農薬を最大70%減らす

OpenAIが公開している導入事例では、農機大手のJohn Deereが、AIを使った仕組みで農薬などの使用量を最大70%減らせると紹介されています。AIの仕組みの組み立て方や、精度を測る評価の設計にOpenAIが関わったことにも触れています。FDEの代表的な成功例としてよく挙げられますが、事例ページ自体には「FDE」という言葉は出てこない点は補足しておきます。

LayerX：正解データを手で作る

日本でFDEに力を入れている企業の一つがLayerXです。同社のFDE、恩田壮恭氏はインタビューで、FDEの真価は「お客さまの事業価値を最も引き上げることができる、イシューを見抜くこと」だと語っています（Findy Engineer Lab、2026年4月）。

同社のエンジニアブログには、FDEチームでのインターン体験記もあります。書類から情報を取り出すAIの案件で、まず受け取ったサンプル全件の正解データを手作業で作った。最初から8割以上は正しく処理できていたものの、残りの間違いのパターンを一つずつ潰して精度を上げていった。そして、お客さんから「作業時間が大幅に削減できそうだ」という声をもらえた、という話です。AIの最前線の仕事は、実はとても地道な作業の積み重ねです。

Kiva：「詰んでからが本番」

AIエージェント「SamuraiAI」を手がけるKivaのエンジニア、吉野氏の記事（Zenn、2026年2月）も印象的です。任されたのは、社内システムから帳票を取り出して印刷する作業の自動化。ところが印刷の画面がブラウザの外に出てしまい、自動操作では先に進めなくなりました。本人いわく「ここで完全に詰みました」。そこで、保存したPDFに印刷の指示を送れる小さなプログラム（MCPサーバー）を自作し、「帳票取得→PDF保存→印刷」を丸ごと自動化しました。「自分が作ったワークフローを顧客が実際に使ってるのを見ると、やっぱりやってよかったなと思えます」という一文に、この仕事のやりがいが詰まっています。

やりがい	きつさ
自分のコードが、すぐにお客さんの業務を変える	仕様書がない中で、金融・法務・防衛などの専門知識を短期間で身につける必要がある
現場の人から直接「助かった」と言われる	AIの出力の「最後の数%」の精度を上げる、地道な試行錯誤が続く
現場での工夫が、自社製品の新機能になる	出張や常駐が多い求人もあり、頭の切り替えが大変
事業と技術の両方の経験が積める	社内のエンジニア仲間から離れ、孤立や燃え尽きのリスクがある

出典：Palantir Blog、LayerXエンジニアブログ、Kiva（Zenn）、FDEに関する各種解説記事をもとに筆者が整理。

あなたのFDE度チェック（10問）

ここまで見てきたFDEの仕事を、10個の質問にしてみました。「はい」と言えるものを数えてみてください。前半の5問は「作る力」、後半の5問は「現場を読む力」です。

作る力

AIに手伝ってもらいながらでも、小さなツールや自動化を自分で作って動かしたことがある
表計算ソフトやSQLで、バラバラのデータを集計・加工できる
AIの答えをそのまま使わず、どこで間違えやすいかを調べたことがある
「正解」の例を用意して、AIの精度を確かめたことがある
作った仕組みが動かなくなったとき、自分で原因を探して直したことがある

現場を読む力

頼まれごとを受けたとき、「本当に困っていることは何か」を聞き返せる
専門的な話を、相手に合わせた言葉に言い換えて説明できる
やり方が決まっていない仕事を、自分で形にして進めたことがある
成果につながらない頼まれごとに、代わりの案を出して断ったことがある
人に教えられるくらい詳しい業界や業務がある

「はい」の数	今の位置	次の一歩
0〜3	これから	まずは自分の業務を観察し、AIに任せられそうな作業を1つ見つける
4〜6	「つなぐ人」の素質あり	弱いほう（作る力か、現場を読む力か）を1つだけ伸ばす
7〜10	FDEにかなり近い	小さな案件でいいので、他の人の業務にAIを根付かせる経験を積む

筆者が本記事の内容をもとに作成した目安です。採用基準ではありません。

筆者の場合：10問中5問

筆者もやってみました。結果は10問中5問。「作る力」は2問、「現場を読む力」は3問でした。

AIのおかげで、小さなツールを作ること（1問目）や、AIの答えを疑って確かめること（3問目）はできるようになりました。これは、AIを使い始める前の自分なら「いいえ」だった項目です。一方で、SQLでデータを扱うことや、動かなくなった仕組みを自力で直すことには、まだ自信がありません。

つまり、AIが伸ばしてくれたのは「作る力」の入り口まで。そこから先の「本番で動かし続ける力」と「現場の課題を見抜く力」は、自分で積み上げるしかない。チェックをしてみて、そう感じました。

エンジニアでなくても関われる道

チェックで「作る力」の点が低かった人も、がっかりする必要はありません。FDEの仕事は、必ずしも一人で全部を担うものではないからです。

LayerXでは、FDEと「Deployment Strategist（DS）」がペアを組んで案件に入ります。DSは、お客さんの業務の今の姿を分析し、あるべき姿を描き、業務の流れを分解し、プロジェクト全体を設計する役割です。コンサルティングやプロジェクトマネジメントに近い仕事で、FDEはそれを受けてAIの仕組みづくりや精度の評価を担います。

これは、FDEの力が「作る力」と「現場を読む力」の掛け算であり、片方を強みにチームで関わる道があることを示しています。経理、物流、医療、不動産。特定の業務を深く知っている人は、それだけで「現場を読む力」の大きな部分を持っています。そこにAIを使って「少し作れる」力が加われば、立派な「つなぐ人」になれる可能性があります。

ちなみに、FDEの採用面接では「大手銀行の審査業務にAIを導入するには？」のような大きな問いを与え、どう課題を分解して手順に落とし込むかを見る「問題分解（デコンポジション）面接」が行われると言われます。問われているのはコードの書き方より、考え方の筋道です。

課題を手順に分けて伝える力を、ふだんの仕事で練習する方法は、「自分の仕事を手順に分けて説明する力」は、どう鍛える？ AIに任せる前の3つの練習にまとめています。

FDEの先にあるキャリア

FDEは、その先のキャリアの広さでも注目されています。よく挙げられるのは次の3つです。

起業家・CTO：お客さん探し、予算の現実、課題の発見、実装での価値証明を一通り経験するため。Palantirが多くの起業家を生む「ファウンダー・ファクトリー」と呼ばれる理由の一つが、FDEの経験だと言われます。
プロダクトマネージャー：「製品が現場のどこで壊れたか」「どんな機能があれば広く使われるか」を誰よりも生々しく知っているため。
技術部門の経営幹部：LayerXのCTO、松本勇気氏は、FDEを「お客様にとってのCTO」と位置づけ、その経験が将来CTOを担う力になると書いています（note、2025年12月）。

今日からできる「1週間ミニFDE」

FDEの仕事の核心は、どんな職場でも小さく試せます。1週間で、次の3つをやってみてはどうでしょうか。

観察する（1〜2日目）：自分か同僚の業務を1つ選び、どこで時間がかかっているかを書き出す。「AIで何ができるか」ではなく「何に困っているか」から始めるのがコツです。
正解を作る（3〜4日目）：その業務で「こう出てくれば合格」という答えの例を10件、自分の手で作る。LayerXのインターンが最初にやったことの小さな版です。
AIに試させる（5〜7日目）：同じ10件をAIにやらせ、正解と比べて何件合っていたかを数える。間違えたものは、指示の出し方や手順を変えてもう一度。点数が上がる手応えこそ、FDEの仕事そのものです。

うまくいったら、そのやり方を同僚にも使える形にまとめてみてください。それが、小さな「砂利道」を「高速道路」に変える一歩になります。

新しいビジネスのヒント

大企業ですら、AI導入の多くが「試してみた」で止まっています。中小企業や地域の事業者なら、なおさらでしょう。特定の業界の業務をよく知っていて、AIを現場に根付かせるところまで伴走できる人やサービスには、まだ大きな余地がありそうです。ただし「名ばかりFDE」の議論が示すように、ただの請負になると長続きしません。現場の学びを、繰り返し使える型にしていくことが大事なのは、個人でも会社でも同じです。

まとめ：で、自分にFDEのスキルはあるのか？

冒頭の問いに戻ります。今の筆者の答えは、「まだ、ない。でも半分は手の届くところにある」です。

AIのおかげで、作ることのハードルは確実に下がりました。足りないのは、本番で動かし続ける粘り強さと、現場の本当の課題を見抜く目です。そしてこの2つは、AIが代わりに身につけてくれるものではありません。だからこそ、今これほど求人が増えているのだと思います。

AIの性能がどれだけ上がっても、それを一つひとつの現場の仕事に落とし込む人がいなければ、価値は生まれません。筆者もまずは「1週間ミニFDE」から、自分の仕事のどこに「つなぐ」余地があるのかを探してみます。JobSignalでは、これからも次の点を追いかけていきます。

FDEの求人は、ビッグテックや日本企業でこれからも増え続けるか
企業のAI導入が「試してみた」から「本番」に進む割合は上がっていくか
「FDE」を名乗る求人の中に、中身が受託開発のものが増えていないか

📺 この記事は動画でも見られます（約18分）

スライドと音声で、要点をまとめました。復習や、まわりの人に紹介するときにどうぞ。

▶ YouTubeで動画を見る

よくある質問

Q. FDEはSIerやコンサルタントと何が違うのですか？

A. 自分でコードを書いてお客さんの本番で動かすところまで責任を持ち、その学びを自社製品に戻す点です。SIerは仕様どおりに納品すること、コンサルタントは提言することが主な成果物で、製品への還元は基本的に起きません。

Q. プログラミング未経験でもFDEになれますか？

A. 現在の求人の多くは、実務で使える開発経験を前提にしています。ただ、LayerXのDSのように業務設計の側からFDEと組む職種もあり、業務の深い知識を武器に関わる道はあります。

Q. FDEを目指すなら、何から学べばいいですか？

A. おすすめは次の順番です。まず、AIに手伝ってもらいながら、自分の業務を楽にする小さなツールを作ってみる。次に、表計算ソフトやSQLでデータを集計・加工する力をつける。そして、「正解」の例を用意してAIの精度を測る経験を積む。本文の「1週間ミニFDE」は、この3つ目の練習にそのまま使えます。あわせて、10問のチェックで弱いほうの力を確かめておくと、何を優先すべきかが見えてきます。

Q. SIerやコンサルタント出身でも目指せますか？

A. 目指せると考えられます。FDEの力は「作る力」と「現場を読む力」の掛け算です。SIer出身の人はシステムを作り、お客さんのシステムとつなぐ経験が、コンサルタント出身の人は業務を分析し課題を整理する経験が、すでにあります。足りないほうを伸ばせば、FDEに近づけます。特に意識したいのは、仕様どおりに納品して終わりではなく、「お客さんの現場で成果が出たか」まで責任を持つ姿勢です。

Q. 英語は必要ですか？

A. 働く会社によります。外資系企業では、海外の製品チームとのやり取りや英語の技術資料が日常になるため、多くの場合、英語力が求められます。一方、日本のスタートアップでは、お客さんも社内も日本語が中心のため、必須でないことが多いようです。ただ、AIの最新情報や技術資料は英語で出ることが多いので、読める力はあって損はありません。

Q. FDEの給料はどのくらいですか？

A. 高めの水準が提示される傾向があります。米国の採用支援会社Paraformのデータでは、FDEの基本給はおよそ15万〜21.7万ドル（中央値18.3万ドル）。AI大手の中堅〜シニアでは、株式報酬などを含む総額で35万〜55万ドル程度とされています。日本では、外資系企業で2,000万円以上、有力スタートアップで1,000万〜2,500万円程度とする人材会社の推計があります。いずれも企業の公式な数字ではないため、目安として受け止めてください。

Q. FDEは仕事の記録として、どんなドキュメントを残すのですか？

A. 一番の成果物は「動くコード」で、ドキュメントは読む人ごとに分けて残すのが一般的です。現場のエンジニア向けには設計メモや障害時の手順書（コードと一緒にMarkdownで置くことが多い）、精度の記録として正解データと評価結果の表、製品チーム向けには改善要望のチケットやコードの修正案、お客さんの経営層向けには削減できた時間やコストをまとめた報告資料、といった具合です。形式は会社によって異なりますが、共通しているのは「FDEがいなくなっても回る状態にする」こと。引き継ぎ資料も大切な成果物の一つです。

Q. FDEはブームで終わりませんか？

A. わかりません。ただ、AIを現場の業務に根付かせる難しさは、モデルが賢くなっても簡単には消えないと考えられています。AIが賢くなっても、お客さんごとに違うデータや社内ルール、「何を成果とするか」の判断は残るからです。一方で、名前だけが流行し、中身が受託開発になるケースへの批判も出ており、職種の中身は今後も見ていく必要があります。

この記事の数字について

FDE求人の「800%以上の増加」は、2025年1〜9月の動きです（Financial Timesの報道をFast Companyが紹介）。「1,165%」とする情報もありますが、出典を確認できなかったため使っていません。
MITの「95%」は「目に見える利益が出ていない組織の割合」として示された数字で、聞き取り52件、アンケート153件、公開事例300件超の分析にもとづくものです。数字の算出方法には議論もあります。
Anthropicの求人数は、JobSignalが2026年10月時点で整理したものです。
報酬の数字は採用支援会社・人材会社のデータや推計で、企業の公式な数字ではありません。日本の数字は筆者が一次情報で確認できていません。

参考にした主な情報源

本記事は公開情報をもとに職種の動向を整理したもので、特定の企業への就職や転職を勧めるものではありません。求人に関する記述は、公開されている報道や二次資料をもとに整理したもので、個別の求人情報への誘導を目的としたものではありません。数値は記事作成時点（2026年10月）のものです。

カテゴリー: 仕事とスキル

タグ: Anthropic OpenAI エンジニア