前提: 自分の現在地を確認する
| 現在地 | ロードマップの入り方 |
|---|---|
| SWE経験2年以上 | そのまま「最初の90日」から開始 |
| AIエンジニア・MLエンジニア | Phase 1の大半は済んでいるはず。Phase 2の「使われた実績」と顧客対話に集中（AIエンジニアからFDEへ参照） |
| コンサル・PdM（実装ブランクあり） | 90日を「コーディング復帰」に充ててから開始（コンサルからFDEへ参照） |
| 学生・新卒 | 新卒でFDEに就く道は限られています。確認できた新卒枠と進路は新卒でFDEになるにはをご覧ください |
| 完全未経験 | まずSWE/データエンジニアとしての就業を先に（1〜2年）。その間もLLM活用は並行できます |
Phase 1: 最初の90日 — LLM実装の実績を作る
- LLM APIで動くものを作る（週末×4週）— OpenAI/Claude APIで、実データを扱う小さなツールを完成させる（必要な実装力の水準はPython/TypeScriptはどこまで必要か）
- RAGを一本組む（週末×4週）— 社内文書・マニュアル等の検索応答。埋め込み・チャンク設計・評価まで（RAG実装スキル・評価・テスト設計）
- エージェントの基礎（週末×4週）— ツール呼び出し・ワークフロー化。Agents SDK等のフレームワークに1つ習熟（LLMエージェント設計）
この段階の目標は、「面接で画面共有してデモできるもの」を3つ用意することです（ポートフォリオの作り方）。
Phase 2: 〜6ヶ月 — 「使われた」実績を作る
- 実在の誰かの課題を解く — 社内の他部署・知人の業務・コミュニティ。ヒアリング→実装→導入→改善のサイクルを最低1周（曖昧な困りごとを実装可能な形にする方法は要件の言語化）
- 「PoC止まり」にしない — 作って見せて終わりではなく、相手の業務に組み込まれて使われ続ける状態まで持っていく（PoC設計・変化管理）
- 成果を数字で記録する — 「週3時間の作業が15分になった」という程度の記録で十分です。こうした具体的な記録は、選考で大きな説得力を持ちます
- 顧客対話の場数 — 現職で顧客・非エンジニアと接する機会（プリセールス同行・要件ヒアリング）を自ら引き受ける（デモ・プレゼンテーション）
Phase 3: 〜1年 — 応募と選考
- 求人の定点観測 — FDE求人ウォッチ（毎週更新）で募集企業と要件の傾向を把握
- 求人のタイプを見極める — 同じ「FDE」でも、実装中心（データパイプライン構築・プロトタイピング等が業務内容の中心）か、設計・折衝中心（業務プロセス設計・合意形成等が中心）かは求人票の業務内容欄で判別できます。自分のPhase 1〜2の経験に合う求人に応募します
- 志望動機の言語化 — なぜプロダクト開発でなくFDEなのか（志望動機の作り方）
- 面接準備 — 曖昧な設計問題・高速学習・行動面接の対策（面接対策）
フェーズ別スキルマップ — どの段階で何を学ぶか
当サイトではFDEに必要なスキルを5領域20項目に棚卸しして個別解説しています。すべてを一度に習得する必要はなく、フェーズごとに必要な領域から身につけることをおすすめします。
| フェーズ | 優先して身につけるスキル | 後回しでよいスキル |
|---|---|---|
| Phase 1（〜90日） | プログラミング・RAG・エージェント設計・プロンプト設計・評価設計 | 業界ドメイン知識・経営層向け報告 |
| Phase 2（〜6ヶ月） | 要件の言語化・PoC設計・デモ・プレゼン・現場での信頼構築 | 規制業界の制約理解（応募先が決まってから） |
| Phase 3（〜1年） | ROI説明・業界知識のキャッチアップ法・年収交渉 | 追加案件の種まき・スコープ管理（入社後に実務で磨く） |
独学でどこまで進めるか
Phase 1（技術）は独学で完結できますが、Phase 2の核心（使われた実績）は独学だけでは作れません。LLM実装・RAG・エージェントは教材が揃っており、書籍と公式ドキュメントで到達可能です（実在確認済みの教材はFDEを学ぶ本・学習リソース）。一方、「顧客と課題を特定し、導入して使われる」経験は、相手がいて初めて成立します。そのため本ロードマップでは、独学の完成度を高め続けるのではなく、90日を目安に実在の相手を見つけ、小規模に一連の流れを経験することを優先しています。
なお資格取得は独学の進捗を測る目安にはなりますが、FDE求人で必須とされている資格は確認できていません（FDEに資格は必要？）。外資系を視野に入れる場合の英語だけは早めの並行着手が有効です（FDEに英語は必要？）。
「未経験可」求人の実態
FDEという職種自体が新しいため、「FDE未経験」はどの求人でも実質的に前提です。当サイトが定点観測している実在求人でも、要件は隣接職種（SWE・コンサル・AI/MLエンジニア等）からの転身を想定して書かれています。たとえばLayerXの公開求人では、ML・LLMの専門性は歓迎要件で「必須ではない」と明記される一方、Python開発やTypeScript等の実装経験は年数付きで挙げられています（LayerXのFDE求人詳細）。
「未経験可」の実態は、LLM未経験は可、実装未経験は不可に近いといえます。応募の前提となるのは従来の実装力と折衝力であり、LLMスキルは差別化要因です。この前提でロードマップを進めることで、求人要件に沿った準備ができます（詳細はFDEになるには）。
つまずきやすい失敗パターン
- チュートリアル完走で止まる — 教材通りに作ったものは選考で差になりません。「実データ・実在の相手」に接続することで、実務に近い学習が可能になります
- インプット過多で作らない — 書籍・動画・資格の積み上げは進んでいる感覚が得られますが、選考で問われるのは「作って使われた」記録です
- 「未経験可」の読み違い — 上述の通り、FDE未経験可は実装未経験可を意味しません。実装の土台がないまま応募を繰り返すより、前段のキャリアを固めるほうが、結果的に近道となります
- 求人タイプを見極めずに応募する — 実装中心の求人に折衝の実績で応募する（またはその逆）とミスマッチになります。求人票の業務内容欄でタイプを確認してから応募します
- 入社後の立ち上がりを確認しない — FDEは新しい職種のため、体系的な研修が整っていない企業もありえます。選考の場でオンボーディングや教育体制を具体的に質問しておくことは、入社後のギャップを減らすうえで有効です
優先度の低い取り組み
- ❌ 機械学習の理論を大学院レベルまで学ぶ — FDEはモデルを「作る」のでなく「使って導入する」職種です
- ❌ Kaggleで上位を目指す — 選考で評価されるのは導入実績です
- ❌ 資格集め — 「動くもの＋使われた記録」のほうが、資格よりも評価につながります