AI案件に提案できるエンジニアが見つからない理由

AI案件の要件と人材経験を同じ粒度で照合する

AI案件へ提案できるエンジニアが見つからない主な原因は、案件のAI要件と人材の経験が同じ粒度で記録されていないことです。

「生成AI」「機械学習」といった案件名と、スキルシートの技術名だけを比べても、本人が担える作業は判断できません。

案件の作業と経験の根拠を対応させることが、候補探索の出発点です。

この記事ではAIマッチングの仕組み全般や案件の一般的な優先順位には広げず、AI案件を受け取った営業担当の方が所属・保有人材を探し、提案材料をそろえる手順へ範囲を絞ります。

AIという名称だけで検索すると候補を見落とす

AI案件という名称だけで候補を探すと、同じ言葉を経歴へ書いていない人材や、周辺工程で対応できる人材を見落とします。

反対にAIという語があるだけの経歴を拾うと、案件で求める担当範囲とのずれが残ります。

案件名から担当業務を判断できない

AIを使った機能の企画、データ準備、既存システムへの組み込み、出力評価、運用監視では、必要な経験が異なります。

案件名が同じでも、モデルを作るのか、外部サービスを利用するのか、既存機能へ接続するのかによって確認項目は変わります。

スキルシートのAI表記だけでは根拠が足りない

「AI経験あり」という記載だけでは、使用場面、担当工程、本人の作業、出力の確認方法を説明できません。

ツール名や案件名だけを適合根拠にしないで、案件経歴へ戻って事実を確認してください。

既存技術の経験が検索から漏れる

AI機能を業務システムへ組み込む案件では、API、バックエンド、データ処理、クラウド、認証、監視など既存領域の経験が必要になる場合があります。

AIというキーワードだけで検索すると、このような隣接経験を持つ候補へ届きません。

生成AIがSES案件の要件へ与え得る変化は、次の記事で整理しています。

生成AIでSESの仕事は減るのか｜案件・単価・営業に起きる変化

公式資料はAI活用とスキル把握を分けて示す

公式資料から読み取れるのはAI導入の広がりとスキル把握の必要性であり、AI案件へ提案できる人材を職種名だけで決める根拠ではありません。

SES営業では資料の方向性を、案件と人材を具体的な項目で確認するために使います。

IPAが2026年7月に公表した国内企業のDX・AI活用動向では、AI導入が広がる一方、活用は業務効率化や迅速化が中心で、企業価値創出への展開は限定的だと整理されています。

同じ資料は、DXを推進する人材のスキル把握状況も分析対象にしています。

IPAの「DX動向2025」も、AI・生成AIの利活用と、DXを推進する人材の量・質や獲得・育成の課題を分けて扱っています。

これらのIPA資料は、SES人材台帳の標準項目やAI案件への提案基準を定めるものではありません。

調査項目を候補条件へ転記するのではなく、受け取った案件の業務へ置き換えて確認することが重要です。

AI案件の要件を検索項目へ分解する

AI案件は、業務目的、AIの利用方法、担当工程、既存技術、検証責任、成果、条件へ分けると人材情報と照合できます。

案件メールで不足している項目は推測せず、案件担当者への質問として残します。

業務目的とAIの使い方を聞く

顧客が解決したい業務と、AIをどの場面で使うのかを分けて聞きます。

「AIを導入したい」という説明だけなら、利用者、現在の作業、期待する出力、導入後に人が判断する範囲を確認します。

担当工程と成果を聞く

案件全体の工程ではなく、提案する人材が担う工程と作成物を確認します。

要件整理、実装、評価、運用のどこまでを求めるかが分かると、経歴の同じ工程へ戻れます。

制約と稼働条件を聞く

利用できる環境、扱えるデータ、セキュリティ上の制約、勤務地、稼働開始時期、商流、単価を別項目にします。

AI経験が合っても取引条件が成立しない場合があるため、技術確認と並行して扱います。

人材情報は経験の事実へ分解して探す

人材側はAI経験の有無だけで絞らず、担当業務、工程、既存スキル、検証、成果、現在の希望を案件と同じ順序で探します。

一致しない表現は本人へ確認できる候補として残してください。

実務経験と学習経験を分ける

顧客案件で使った経験、社内検証で使った経験、研修や自己学習で触れた経験を区別します。

学習経験を実務経験へ置き換えず、本人が説明できる作成物と担当範囲を記録します。

AIの利用と開発を分ける

AIツールを業務で利用した経験と、AIを組み込む機能を設計・実装した経験は同じではありません。

入力を作ったのか、APIを接続したのか、データを整えたのか、出力を評価したのかを確認します。

既存スキルを業務へつなげる

言語や製品名だけでなく、API実装、データ加工、クラウド構築、テスト、監視などの使用場面を探します。

AI経験と既存スキルを別々に確認すると、何が一致し、何を補う必要があるかを説明できます。

スキルを案件条件へ照合できる形に整える項目は、次の記事も参考になります。

SESマッチングツール導入前に整えるデータ項目｜案件・人材の準備チェック

完全一致と隣接経験と確認待ちを分ける

検索結果は該当・非該当の二択にせず、完全一致、隣接経験、本人確認が必要という状態へ分けます。

状態と根拠を残すと、確認前の候補を経験者として扱う誤りを避けられます。

この表は候補を自動で合格させる基準ではありません。

営業担当の方が確認先と次の行動を決めるための状態管理として使います。

完全一致は根拠を経歴へ戻す

完全一致とする場合は、案件経歴のどの作業が要件へ対応するかを示します。

本人の説明と資料が一致しない項目は、確認済みにしません。

隣接経験は調整可能な条件へ当てる

隣接経験を持つ人材は、案件側が調整できる条件と本人が補える範囲を確認します。

不足している経験を言い換えて一致させるのではなく、差分を提案前に共有します。

本人確認ではAI経験を作業単位で聞く

本人確認では、使った名称よりも、目的、入力、作業、出力、検証、責任範囲を順に聞きます。

顧客や機密情報の具体名を収集せず、提案に必要な経験の事実へ絞ります。

AI利用の目的：［どの業務で何を実現したか］
本人の担当：［設計・実装・評価・運用など］
入力とデータ：［種類と準備した作業］
出力：［作成物または結果］
検証方法：［誰が何を確認したか］
既存技術：［使用場面を説明できる技術］
成果：［本人が説明できる変化または完了内容］
経験区分：［実務・社内検証・学習］
現在の希望：［希望する業務・工程・条件］

未確認の経験を営業判断で補わないことが、提案後の説明差を防ぎます。

提案文は要件と根拠と差分で組み立てる

AI案件の提案文は、案件要件、対応する経験の根拠、未経験または確認中の差分、本人の希望を分けて書きます。

候補の良さを抽象的に強調するより、案件担当者が追加確認できる材料を示してください。

推薦理由は対応表から作る

「AIに強い人材です」ではなく、案件のどの作業にどの経験が対応するかを書きます。

案件要件：［求める作業］
対応経験：［本人が担当した作業と工程］
既存スキル：［案件で使える使用場面］
検証経験：［出力を確認した方法］
差分：［未経験または追加確認が必要な内容］
稼働・希望：［本人確認済みの条件］

不足条件は質問へ変える

候補に不足がある場合は隠さず、案件側が調整できるかを確認する質問へ変えます。

提案可否の最終判断は、案件担当者の回答と本人の意思を確認して営業担当の方が行います。

案件全体の提案順を決める方法は、次の記事で扱っています。

SES営業で案件の提案優先順位を決める方法｜商流・単価・稼働時期の判断順

Dot Linkは検索と候補照合を支援する

Dot Linkは受信した案件・人材メールを構造化し、商流、単価、スキル、稼働時期、勤務地などから検索と候補照合を支援します。

自由文のまま記憶で探す作業を減らし、候補と条件差を確認するために使えます。

一方で、書かれていないAI経験を作成したり、提案する人材を自動で最終決定したりする機能ではありません。

候補提示後の本人確認を残すことで、構造化された情報と現在の意思を合わせて判断できます。

候補を段階的に絞る仕組みは、次の記事で確認できます。

AIマッチングはどう案件と人材を結びつけるのか｜2段階フィルタの仕組み

AI案件の候補探索は要件分解から始める

AI案件へ提案できるエンジニアを探すときは、AI経験の有無だけでなく、業務目的、担当工程、既存スキル、検証、成果、稼働時期、希望条件をそろえます。

完全一致、隣接経験、本人確認が必要な項目を分け、経験の差分を隠さず提案材料へ変えてください。

最終判断は営業担当の方が案件側と本人へ確認して行い、AIの候補提示だけで提案を確定しません。

受信メールから案件と人材の条件を整理し、AI案件の候補を探せる状態にしたい場合はDot Linkを試せます。

よくある質問

AI案件の候補探索で迷いやすい経歴の表現、隣接経験、本人確認の扱いを整理します。

スキルシートにAIと書かれていない人材も探しますか？

AIという記載がない人材も、案件で必要な既存技術と担当工程から探してください。

AI機能の組み込みにAPIやバックエンド開発が必要な場合や、運用にデータ処理や監視が必要な場合は、その使用場面を説明できる経験が候補探索の材料になります。

ただし周辺技術が一致するだけでAI案件へ対応できるとは決めません。

案件で本人が担う作業を示し、類似する経験、AI利用の経験、学習状況、本人の意思を確認してから提案可否を判断します。

AI案件の隣接経験はどこまで提案へ書けますか？

本人が実際に担当した範囲までを書き、未経験の工程は差分として明示してください。

たとえばデータ加工の経験があっても、モデルの設計や評価まで担当したとは限りません。

案件要件と経験の対応表を作り、完全一致する作業、近い作業、経験がない作業、本人確認が必要な項目を分けます。

調整可能な要件は案件担当者へ質問し、隣接経験を必須経験と同じ意味へ言い換えないことが重要です。

回答後は本人にも条件差を共有し、提案意思を改めて確認します。

本人へAI経験を聞くときに何を確認しますか？

使用したツール名だけでなく、業務目的、本人の担当、入力データ、作成した出力、検証方法、責任範囲を順に確認します。

実務、社内検証、学習のどの経験かを分け、既存技術をどの作業で使ったかも聞いてください。

顧客名や機密情報の具体的な内容は収集せず、提案先へ説明できる事実へ絞ります。

最後に現在の希望案件、稼働時期、勤務地、提案意思を確認し、古い経歴だけで候補を確定しないようにします。

確認した日付と担当者も残してください。

参照リンク

AI活用の動向と人材スキルを確認する公式情報として、次のページを参照しました。

IPA「国内企業のDX動向・AI活用動向のポイント」 — AI導入・活用の状況とDX人材のスキル把握に関する調査項目を確認できます。

IPA「DX動向2025」 — AI・生成AIの利活用とDX人材の量・質、獲得・育成に関する調査の構成を確認できます。