データサイエンティストはAI 競争で淘汰されるのか？自動化される業務と残る業務の境目

公的な職業情報で示されている求められる力

厚生労働省の職業情報提供サイトjob tag（データサイエンティスト）では、IT、データ解析、ビジネス等の専門知識とスキルのほかに、コミュニケーション能力や発想力も要求されると説明されています。また、ビッグデータの分析や活用のニーズが高まっており、人材不足が顕著であるとも記載されています。

モデルを作る技術だけでなく、ビジネスの理解や周囲とのやり取りが仕事の一部として挙げられている点は、AIとの競争を考えるうえでの手がかりになります。以降で見る、人が担い続ける業務の多くも、この部分と重なります。

AutoMLでモデル構築は誰でもできるようになった、という声

表形式のデータに対して、複数のアルゴリズムを試し、ハイパーパラメータ(モデルの設定値)を調整し、精度の高いモデルを選ぶ作業は、AutoMLツールでかなりの部分が自動化されました。ここは事実です。

一方で、AutoMLが動くのは「目的変数」と「学習データ」が決まった後です。たとえば小売企業の需要予測で、欠品していた日の販売数をそのまま学習に使うと、本来の需要より少なく見積もるモデルができてしまいます。欠品日をどう扱うか、セール日を別に扱うかといった判断は、ツールの外側にあります。自動化されたのはモデル選びの作業であり、何を予測するべきかの設計ではありません。

生成AIが集計とグラフ作成を代わりにやってくれる、という声

生成AIにデータを渡せば、平均や前年比を計算し、グラフ付きで説明してくれます。単発の集計依頼に応える仕事は、確かに人が手を動かす必要が減りました。

ただ、社内のデータは、注文テーブルにキャンセル分が含まれている、会員IDが統合前後で変わっている、といった事情を抱えていることがあります。こうした前提を知らないまま集計すると、計算は正しくても結論が誤ります。データの来歴を知り、数字の違和感に気づける人の役割は、集計が速くなった分だけむしろ目立つようになっています。

求人が減っている、という声

求人情報を見比べると、「Pythonで機械学習モデルを作れる人」という条件だけの募集に加えて、事業領域の知識を持つ人、モデルを本番環境で運用するMLOps(機械学習の運用基盤づくり)に関われる人、LLMを使ったプロダクトの評価や改善を担える人など、複数の要素を組み合わせた募集も見られます。総数の増減よりも、求められる中身の変化に目を向けたほうが、求職者にとって実用的な捉え方になります。待遇の傾向はデータサイエンティストの年収もあわせて確認してください。

何を当てるかを決める仕事

サブスクリプションサービスで「優良顧客を予測したい」と言われたとき、優良の定義は売上の多さなのか、継続期間の長さなのか、紹介数なのかで、集めるデータもモデルもまったく変わります。依頼者自身も定義を決めきれていないことが多く、選択肢ごとの施策への影響を示しながら一緒に決めていく過程は、データと事業の両方を理解した人にしか担えません。

相関と因果を見分け、実験を設計する仕事

「アプリのプッシュ通知を受け取ったユーザーは購入率が高い」というデータがあっても、もともと熱心なユーザーほど通知を許可しているだけかもしれません。施策の効果を正しく測るには、A/Bテスト(対象をランダムに2群へ分けて比較する方法)を設計したり、実験ができない場合に傾向スコアなどの因果推論の手法を選んだりする必要があります。手法の計算はAIでもできますが、どの前提なら結論が成り立つのかを現場の事情と照らして判断するのは人の役割です。

データの品質に責任を持つ仕事

アプリのアップデートでログの仕様が変わり、ある日を境に特定のイベントが記録されなくなる、といった事態は珍しくありません。モデルの精度が急に落ちたとき、原因がモデルなのかデータなのかを切り分け、関係部署と修正を進めるには、システムと組織の両方への理解が要ります。

結論を意思決定の場に持ち込む仕事

分析の結論が「出店計画を見直すべき」というものであれば、経営会議で前提や不確実性を説明し、反論に答える必要があります。AIが作った資料をそのまま読み上げるだけでは、質問に耐えられません。結論に責任を持てる人がいることが、組織が分析結果を使うための条件になっています。

統計と因果推論の側に寄せる

AIの出力を検証できる側に立つための、基礎となる方向です。バイアスや交絡(見かけの関係を生む第三の要因)、検定の前提といった考え方は、ツールが変わっても古くなりません。これから職種を目指す人は、ツールの操作より先にここを固めておくと、入社後にAIを使いこなす土台になります。学習の順序や未経験からの入り方は、データサイエンティストを目指すための具体的なステップで全体像をつかめます。

統計の理解度を測る目安としては、大学基礎科目レベルの統計学の知識と活用の理解度を問う統計検定2級があります。学び方はデータサイエンティストの勉強方法、ほかの資格はデータサイエンティストに役立つ資格で紹介しています。

運用と実装の側に寄せる

モデルを作って終わりではなく、本番環境で動かし続ける仕組みに関わる方向です。精度の監視、データの変化を検知したときの再学習、推論コストの管理などは、システムごとの事情が強く、自動化ツールだけでは完結しません。モデルの精度改善を中心に経験を積んできた人が、隣接領域として広げやすい分野でもあります。

事業と意思決定の側に寄せる

特定の業界の知識を深め、施策の企画段階から分析を組み込む方向です。小売なら在庫と販促、金融なら与信とリスク管理のように、業界ごとの判断基準を理解していると、分析の問いそのものを提案できるようになります。チームを率いる立場であれば、分析依頼の受付から効果検証までの流れを設計し、AIに任せる工程と人が確認する工程を分けることも、この方向の仕事に含まれます。どの軸足を選ぶかで将来の役割が変わるため、データサイエンティストのキャリアの選択肢と照らし合わせて決めるとよいでしょう。なお、AIを工程ごとにどう使うかという実務の話は別のテーマになるため、ここでは役割の変化に絞っています。具体的な使い方はデータサイエンティストのAI活用で、職種の今後についてはデータサイエンティストの将来性で解説しています。