結論
FDEへの道は「既に持っている強み＋足りない1〜2要素の補強」で設計する。 SWEなら顧客対話とLLMを、コンサルなら実装を、AIエンジニアなら顧客対話を足す。 共通の必須アクションは「LLMを組み込んだものを作り、実際に誰かに使ってもらう」——選考で最も評価される実績です。
求められる3つのスキルセット
| 領域 | 具体例 | 証明方法 |
|---|---|---|
| 1. 実装力 | Python / TypeScript、データパイプライン、API統合、クラウドデプロイ | 動くデモ・コード |
| 2. AI・LLM活用 | プロンプト設計、RAG構築、評価・改善、エージェント実装 | 実データで動くLLMアプリ |
| 3. 顧客対話 | 業務ヒアリング、課題の構造化、非エンジニアへの説明 | 導入・折衝のエピソード |
ポイントは、どれか1つが突出しているより3つを一人で往復できることが評価される点です（FDEとはで解説した仕事サイクルそのものです）。
実在求人17社から見た「必須要件」の実像【2026年7月時点】
「なるには」系の解説記事の多くは一般論のスキル論に留まりますが、実際の採用基準は公開求人票に書かれています。 当サイトが個別に確認・解説しているFDE採用企業17社の求人票を横断すると、必須要件の実像は次のとおりです。
| 観点 | 実在求人での実態（当サイト確認・求人票ベース） |
|---|---|
| 開発経験年数 | 企業差が非常に大きい。AI Shiftは実務2年以上、Gleanは4年以上、エクサウィザーズは5年以上、Databricksは6年以上。Google Cloudには経験1年程度から応募できるFDE関連求人も存在 |
| LLM実務経験 | 意外にも「歓迎」扱いが多数派。エクサウィザーズ・AI ShiftはLLM/RAG実装経験を歓迎要件に分類し、LayerXは機械学習・LLMの専門性を「必須ではありません」と求人票に明記 |
| 必須の中心 | Web/システム開発の実装経験＋API連携＋顧客との技術折衝＋要件定義から実装まで自走した経験、という組み合わせがほぼ共通 |
| PM/リード経験 | 必須に含める企業が複数（エクサウィザーズはPL/PM経験、AI Shiftはプロジェクトマネジメント経験を必須条件に記載） |
| 言語要件 | 国内系は日本語ビジネス〜ネイティブ級が軸で、マネーフォワードのように英語不問の例もある。外資（Databricks・Cohere・Google）は日本語流暢＋業務レベル英語のバイリンガル要件 |
この横断結果から言えることは3つです。
- 選考の土台は「従来の実装力＋折衝力」——LLMスキルは差別化要因であって入場券ではない求人が国内では多数派。SWE経験者は思っているより既に近い位置にいます
- 「FDE未経験可」が実質標準——FDEという職種自体が新しいため、どの求人も隣接職種（SWE・コンサル・AI/MLエンジニア等）からの転身を前提に要件が書かれています
- 間口は企業でまるで違う——経験2年で狙える求人から6年＋認定資格必須まで幅があるため、「FDEになれるか」ではなく「どの企業のFDEなら現在地から狙えるか」で考えるのが正解です
※各社の要件詳細・年収レンジ・確認日は企業別ガイドに、要件を構成する個別スキルの伸ばし方はスキルマップ（20本）にまとめています。募集状況は変動するため応募時は必ず各社採用ページでご確認ください。
適性チェックリスト（10問）
7個以上当てはまるなら、FDEはあなたに合う可能性が高い働き方です。
- 曖昧な依頼を、質問を重ねて具体化するのが苦にならない
- コードを書くことも、人と話すことも、どちらも捨てたくない
- 「作って終わり」より「使われて変わった」に達成感を覚える
- 知らない技術を触りながら覚えるのが得意
- 非エンジニアに技術の話を平易に説明できる（と言われたことがある）
- 顧客や他部署の「本当の困りごと」を聞き出した経験がある
- LLM（ChatGPT/Claude等）を実務や個人開発で使い込んでいる
- 計画が変わっても立て直しが早い方だ
- 一人で完結する仕事より、現場を巻き込む仕事が好き
- 成果を数字で語る癖がある（時間削減・件数など）
※4〜6個: 補強すべき領域を特定して伸ばせば十分狙えます ／ 3個以下: 職種比較で他の選択肢も検討を
いまの職種からのキャリアパスマップ
ソフトウェアエンジニア（SWE）・SE から
最も多いルート。実装力は既にあるので、顧客と直接向き合う経験（受託での顧客折衝・プリセールス同行）とLLMの実務活用実績を積み上げるのが近道です（→SE・システムエンジニアからFDEへ（詳説））。
ITコンサルタント・SIerから
課題発見・顧客対話は強み。足りないのは実装の手です。「自分で書いて動かした」直近の実績を作ることが転身の鍵（→コンサル・SIerからFDEへ（詳説））。
AI・MLエンジニアから
モデル理解という最強の資産持ち。顧客対話の場数だけが課題です（→AIエンジニアからFDEへ（詳説））。
データエンジニア・データサイエンティストから
顧客データを使える状態にする力は、AI導入で最も詰まる難所を解ける希少な武器。分析で終わらせず実装・定着まで踏み込むのが鍵（→データ職からFDEへ（詳説））。
セールスエンジニア・プリセールスから
顧客折衝・デモ・要件ヒアリングでFDEの前半分は得意。提案止まりから、自分で実装・定着までやり切る力を足すのが課題（→プリセールスからFDEへ（詳説））。
PdM・社内SEから
業務理解と要件の構造化が活きます。実装のブランクを埋めるところから（社内SE歓迎のFDE募集も出ています）。
最初の90日でやる3つのこと
- LLMを組み込んだ動くものを作る——RAG・エージェント・業務自動化。実データで動くデモは面接での最強の証明（ポートフォリオの作り方）
- 「導入して使われた」経験を言語化する——何がどう変わったかを数字で語れるように
- 求人の要件を定点観測する——企業ごとに求める重心（実装寄り/顧客寄り）が異なります。採用企業の動向（毎週更新）で傾向を掴んでください
週単位の詳細な計画は未経験からのロードマップ（90日/6ヶ月/1年）、選考の中身は面接対策、動機の言語化は志望動機の作り方へ。
JOB ALERT
未経験から挑戦できるFDE求人が公開されたら通知（無料）
未経験から挑戦できるFDE求人はまだ数が少なく、公開されるとすぐ動きがあります。当サイトが毎週の求人ウォッチで確認した新着情報を、メールでお知らせします。メールアドレスのみ・いつでも解除できます。
本格的なキャリア登録（希望条件つき）は人材登録ページから。