AIエンジニアリングの未来：2025年AIエンジニアリングサーベイが示す現状と展望
テクノロジーの進化が加速する現代において、AIの進歩は私たちの働き方、ビジネスのあり方、そして日常生活そのものを根底から変えつつあります。特にAIエンジニアリングの分野は、その進化を牽引する中核として、日々新たな課題に直面し、革新的なソリューションを生み出しています。
Amplify社が実施した「2025年AIエンジニアリングサーベイ」は、このダイナミックな分野の現状と未来を深く掘り下げた貴重な洞察を提供しています。本記事では、このサーベイ結果を基に、AIエンジニアリングの現状、LLMの活用実態、モデルのカスタマイズ、エージェントの動向、そしてAIシステムの運用と評価における課題と機会について、詳細に解説していきます。
1. AIエンジニアリングの現状：多様な専門家が牽引する成長分野
まず、サーベイの回答者の属性から見ていきましょう。今回のサーベイには500名以上のAIエンジニアリングに関わる専門家が参加しました。興味深いのは、回答者の職種が「ソフトウェアエンジニア」と「AIエンジニア」が最も大きな割合を占める一方で、「ファウンダー（起業家）」、「マネジメント層」、「VP/CTO」、「MLOpsエンジニア」、「研究者」、「プロダクトマネージャー」、「データサイエンティスト」など、多岐にわたる専門家がこの分野に携わっていることです。
特に注目すべきは、AIエンジニアという職種が2022年後半までGoogle Trendsでほとんど認知されていなかったにもかかわらず、ChatGPTの登場以降、その検索数が急増している点です。これは、AIエンジニアリングという専門分野が急速に台頭し、その重要性が広く認識され始めたことを示唆しています。
経験年数に関しても、ソフトウェア開発経験が10年以上のベテラン開発者の約半数が、AI/MLの経験が3年未満の「AI分野の新人」であることが明らかになりました。さらに、全体の10%は過去1年以内にAI/MLの分野に参入しています。このデータは、AI技術の急速な進化と普及に伴い、経験豊富なソフトウェアエンジニアがAI分野へのキャリアチェンジを図っていること、そしてこの分野が常に新しい才能と視点を取り込みながら成長していることを示しています。変化が唯一の不変であるAIの世界において、ベテラン開発者でさえも常に学び、適応し続ける必要があるのです。
2. LLMの活用実態：企業におけるGenAIのプロダクション展開
AIエンジニアリングの現場では、具体的にどのような技術が活用されているのでしょうか。サーベイの結果からは、大規模言語モデル（LLM）が企業において広く活用され、生産環境への展開が進んでいることが分かります。
回答者の半数以上が、GenAI（生成AI）を社内ツールと外部ツールの両方でプロダクション環境に導入していると回答しています。これは、LLMが単なる実験的な技術ではなく、企業の業務プロセスや顧客向け製品に深く統合されつつあることを示しています。
特に目を引くのは、顧客向けの製品に利用されているLLMの上位5モデルのうち3つ、上位10モデルのうち半分がOpenAI製であるという事実です。これは、OpenAIが提供するLLMが市場で圧倒的なシェアを誇り、多くの企業がその技術力を信頼して採用していることを浮き彫りにしています。しかし、これは同時に、少数のプロバイダーへの依存が深まることによるリスク管理の重要性も示唆していると言えるでしょう。
3. LLMの主要なユースケース：コードとコンテンツが中心、そして多様化
LLMの主要なユースケースを見ると、「コードインテリジェンスとコード生成」が最も多く、次に「ライティングアシスタント/コンテンツ生成」が続きます。これは、AIが開発者の生産性向上とクリエイティブなコンテンツ作成において、すでに不可欠なツールとなっていることを示しています。
しかし、注目すべきは、LLMのユースケースが驚くほど多様化している点です。LLMを利用している回答者の94%が少なくとも2つのユースケースでLLMを活用しており、82%が少なくとも3つのユースケースで利用しています。これには「テキスト要約」、「構造化データ抽出」、「ワークフロー/タスク自動化」、「検索/レコメンデーションシステム」、「顧客サポート」、「メタデータ生成」、「感情分析」、「不正検知/異常検知」などが含まれます。
この「異質性」は、LLMが非常に汎用性の高いツールであり、様々なビジネス課題に対応できる可能性を秘めていることを示しています。企業はLLMを内部向け、外部向けの両方で、複数の目的に合わせて柔軟に導入しているのです。これは、LLMが特定のニッチな用途に限定されるのではなく、広範な領域で価値を創出できることを意味します。
4. モデルのカスタマイズ：RAGとファインチューニングの重要性
LLMを特定のユースケースに最適化するためには、モデルのカスタマイズが不可欠です。サーベイでは、AIシステムをカスタマイズするためにどのような技術が使われているかについても尋ねています。
回答者の70%以上が「RAG（Retrieval Augmented Generation）」を利用していると回答しており、Few-shot Learningに次いで最も普及しているカスタマイズ手法であることが判明しました。RAGは、モデルが生成する情報に外部の知識ベースから取得した情報を補強することで、回答の精度と信頼性を向上させる技術です。これは、LLMの幻覚（ハルシネーション）問題への効果的な対策としても注目されています。
さらに、驚くべきは「ファインチューニング」が予想以上に広く行われていることです。研究者や研究エンジニアがファインチューニングの大部分を担っているものの、全体的に見てこの手法の利用が非常に多いことが示されました。ファインチューニングには、LoRA (Low-Rank Adaptation) や QLoRA のようなパラメーター効率の良い手法が40%の回答者から言及されており、計算資源の制約がある中でもモデルをカスタマイズしようとする傾向が伺えます。また、DPO (Direct Preference Optimization) や強化学習によるファインチューニングなど、多様な手法が利用されており、最も一般的なコアトレーニングアプローチは教師ありファインチューニングであるとされています。
これらの結果は、単に既成のLLMを利用するだけでなく、企業がそれぞれのニーズに合わせてモデルを積極的に調整・最適化していることを示しています。RAGやファインチューニングといった技術は、LLMの可能性を最大限に引き出し、特定のビジネス要件に合致した高性能なAIシステムを構築するための鍵となっているのです。
5. モデルとプロンプトの更新頻度：変化の速いAI開発の現実
AI開発の現場では、モデルやプロンプトがどれくらいの頻度で更新されているのでしょうか。この質問への回答は、AI分野の変化の速さを如実に物語っています。
モデルの更新頻度については、50%以上が「少なくとも毎月」モデルを更新しており、17%が「毎週」更新していると回答しました。これは、AIモデルが一度構築されたら終わりではなく、継続的な改善と再学習が必要であることを示唆しています。新しいデータが収集されたり、より優れたアルゴリズムが開発されたりするたびに、モデルは更新され、パフォーマンスが最適化されているのです。
さらに驚くべきは、プロンプトの更新頻度です。回答者の70%が「少なくとも毎月」プロンプトを更新しており、10%が「毎日」更新していると回答しました。これは、LLMの性能を最大限に引き出すためには、プロンプトエンジニアリングが極めて重要であり、その最適化が日々行われていることを示しています。ChatGPTの登場以来、効果的なプロンプトの作成は、AIシステムが意図した結果を生成するための重要な要素となっています。
しかし、この急速な変化には課題も伴います。回答者の31%がプロンプトを管理する手段を全く持っていないと回答しているのです。これは、多くの企業や開発者が、モデルやプロンプトの頻繁な更新に対応するための適切なツールやプロセスをまだ確立できていないことを示しています。変化のスピードに追いつくためのプロンプト管理ソリューションの需要は、今後さらに高まることでしょう。
6. マルチモーダルAIの現状：テキスト中心から多様なモダリティへ
現在のAIモデルの活用は、テキスト生成が圧倒的な主流ですが、マルチモーダルAIの将来性にも大きな期待が寄せられています。
テキスト生成/LLMが75%以上の利用率を示す一方で、画像生成、音声生成、動画生成といった他のモダリティは、テキストに比べて大幅に遅れをとっています。これを「マルチモーダル生産性ギャップ」と呼んでいますが、これは現在の技術的な成熟度や導入の容易さを反映していると言えるでしょう。
しかし、より詳細なデータを見ると、このギャップは将来的に縮まる可能性を秘めています。現在音声モデルを使用していない回答者の37%が、将来的には音声モデルを導入する計画があると回答しています。これは、オーディオが最も高い採用意欲を示すモダリティであることを意味します。画像や動画生成も同様に、現在利用していなくても将来的な導入を検討している企業が多いことが示されており、AI技術の進化とともに、これらのモダリティへの関心と採用意欲が高まっていることが分かります。モデルの性能向上とアクセシビリティの改善に伴い、今後はテキストだけでなく、画像、音声、動画といった多様なモダリティを統合したAIシステムの普及が加速すると予想されます。
7. AIエージェントの台頭：自律的な意思決定システムへの期待
AIエージェントは、LLMの進化とともに注目を集める新たなフロンティアです。サーベイでは、AIエージェントの現状と将来性についても掘り下げています。
LLMは80%の回答者が「うまく機能している」と評価しているのに対し、AIエージェントについては20%未満しか同様の評価をしていません。これは、AIエージェントがまだ発展途上の段階にあり、本格的な実用化には課題が多いことを示しています。
しかし、興味深いのは、回答者の大多数がAIエージェントをまだ利用していないものの、そのほとんどが「少なくとも将来的には導入を計画している」と回答していることです。AIエージェントを全く使用しないと回答した企業は10%未満にとどまります。このデータは、AIエージェントへの高い期待と、その潜在能力に対する幅広い認識を反映しています。
現在、プロダクション環境で利用されているAIエージェントの多くは「書き込みアクセス」を持ち、人間がループに入って確認する形式で運用されています。中には、一部のタスクを自律的に実行できる「高い自律性」を持つエージェントも存在します。今後AIエージェントの導入が進むにつれて、彼らが持つツールパーミッション（ツールの利用許可）のレベルや、人間との協調のあり方に関する議論がさらに活発化するでしょう。人々はエージェントを求めており、そのニーズに応えるための技術と導入戦略が求められています。
8. AIシステムの運用：モニタリングとオブザーバビリティの重要性
AIシステムを効果的に運用するためには、堅牢なモニタリングとオブザーバビリティが不可欠です。サーベイでは、AIシステムの管理と監視の方法についても質問しています。
回答者の60%が「標準的なオブザーバビリティ（可観測性）」を利用しており、50%以上が「オフライン評価」に頼っていると回答しています。これは、AIシステムのパフォーマンスを継続的に追跡し、潜在的な問題を早期に特定するために、複数の手法を組み合わせていることを示しています。
AIモデル/システムの精度と品質を評価するにあたり、最も信頼されているのは依然として「人間のレビュー」です。ユーザーからのデータ収集（フィードバックや評価）、LLMによる評価（LLMジャッジ）、内部評価指標、学術的ベンチマーク、ベンダーの指標（サードパーティベンチマーク）なども利用されていますが、最終的な判断は人間の目と専門知識に委ねられているケースが多いようです。これは、AIの出力がまだ完璧ではなく、人間の介入が品質保証のために不可欠であることを示唆しています。
自社モデルのAI使用状況をモニタリングする方法としては、「社内モニタリング/コディング分析ソリューション」が最も多く、次に「ベンダー提供の指標」が続きます。サードパーティのモニタリングツールも利用されていますが、多くの企業が自社のニーズに合わせて内部的な指標を重視していることが分かります。
9. ストレージと検索：ベクトルデータベースの普及
LLMの効率的な運用には、大量のデータを高速に検索・処理できるストレージソリューションが不可欠です。特に、RAGのような手法では、関連する情報を効率的に取得するための「ベクトルデータベース」が重要な役割を果たします。
サーベイの結果、回答者の65%が専用のベクトルデータベースを利用していることが判明しました。これは、多くのユースケースにおいて、汎用データベースにベクトル拡張機能を付加するよりも、専用のベクトルデータベースが提供する価値が十分にあることを示唆しています。ベクトルデータベースは、AIモデルが生成する「埋め込みベクトル」を効率的に保存・検索できるため、セマンティック検索やRAGの性能向上に貢献します。
専用のベクトルデータベースを使用している企業のうち、35%が「自社ホスティング」を選択し、30%が「サードパーティプロバイダー」を利用しています。これは、企業が自社のインフラストラクチャや運用の複雑性、コスト、セキュリティ要件に応じて、柔軟なデプロイメントオプションを選んでいることを示しています。
10. AIエンジニアリングの痛みと未来への展望
最後に、サーベイではAIエンジニアリングにおける最大の「痛み」について尋ねています。その結果、最も多く挙げられたのは「評価/Eval」でした。これは、AIモデルの性能を客観的かつ正確に評価することの難しさを浮き彫りにしています。次に、「急速な変化への追随」、「断片化されたツール/エコシステム」、「コスト/GPU費用」、「信頼性」、「精度」、「データ」、「幻覚」、「ハイプ（過剰な期待）」、「プロンプトエンジニアリング」、「プライバシー/セキュリティ」、「デバッグ」が続きます。
この「痛み」のリストは、AIエンジニアリングがまだ成熟途上の分野であり、多くの技術的・運用的課題が残されていることを示しています。特に評価の難しさは、AIシステムの品質保証と信頼性向上において、解決すべき最重要課題の一つと言えるでしょう。
しかし、これらの課題は同時に、イノベーションの大きな機会でもあります。AIエンジニアリングは、変化の激しい、刺激的な分野であり、新たなツール、手法、アプローチが日々生まれています。サーベイで示されたように、AIエンジニアたちは、AIエージェントの活用やマルチモーダルモデルの導入、そしてより効果的な評価・モニタリング手法の確立に向けて、積極的に取り組んでいます。
「2025年AIエンジニアリングサーベイ」は、AIエンジニアリングコミュニティの現状を理解し、今後のトレンドを予測するための貴重な情報源です。この分野の専門家たちは、未来の技術を形作り、私たちの社会に大きな変革をもたらす可能性を秘めているのです。私たちは今、AIエンジニアリングの夜明けに立ち会っており、この先数年間でさらなる驚くべき進歩が起こることは間違いありません。