· updated

生成AI 入門｜営業7年の私が30日で学んだ5職種別の最短ルート

生成AI を勉強しようと思うと、本・動画・PDF・資格・プログラミングと選択肢が多すぎて、最初の一歩でつまずいていませんか。ラッコキーワード実測（2026 年 5 月時点）でも「生成AI 入門」は月 210 件・SEO 難易度 28 の Sweet Spot 領域で、私自身も営業 7 年→未経験 SE→現役の生成AIエンジニアという 3 段階を歩いた当事者です。

結論から言うと、ChatGPT / Claude / Gemini のチャットアプリを 1 つ選んで 1 ヶ月触るのが最短で、本・動画・資格は業務シーンが見えてから選ぶのが筋です。本記事では 5 ペルソナ別 30 日学習プラン・業務 5 例・落とし穴・学習リソース・クラウド事業者認定・営業出身の経歴ストーリーまで、業務で OpenAI / Anthropic / Google の API を叩いている現役の生成AIエンジニア視点で整理します。

とりあえず最短で「自分は何から始めればいいか」を知りたい方は、セクション 1「結論」と セクション 5「5 ペルソナ別 30 日学習プラン」から読み始めると、5 分で判断材料が揃います。

01 — 結論：生成AI 入門は「ChatGPT / Claude / Gemini を 1 ヶ月触る」のが最短

📖 この章で使う用語

  • 生成AI（Generative AI）：文章・画像・音声などを「新しく作り出す」AI の総称。AI のカテゴリのひとつ。料理本のうち「新しいレシピを作る本」のイメージ。
  • LLM（Large Language Model：大規模言語モデル）：ChatGPT や Claude の「中身」を動かす、文章を予測する装置。読み方は「エルエルエム」。
  • 本講座 LP（Landing Page）：生成AIエンジニアになる講座の販売ページ。現在準備中で、本サイトのメルマガで先行案内する予定です。

まず結論から書きます。生成AI 入門の最短ルートは、ChatGPT / Claude / Gemini のチャットアプリのうち 1 つを選んで、1 ヶ月間、業務の文章を貼り付け続ける——これが、業務で OpenAI / Anthropic / Google の API を叩きながら、社内の非エンジニア部門への AI 展開を進めている私のいちばん実用的な最初の一手です。

本・動画・PDF・資格は、触ったあとで自分の業務シーンが見えてから選ぶ順序にしてください。本記事のサジェスト（Google の検索候補に出てくる単語）にも「本」「動画」「pdf」「おすすめ」「google」「google 資格」「aws」「開発 入門」「プログラミング入門」が並びますが、これらは 「触ったあとで効く順序」 で並んでいます。最初の 1 つ目を 1 つも触らずに本・動画・PDF を 3 冊ずつ抱え込むと、ほぼ確実に挫折します（私自身が SES に入る前にやったので痛感しています）。

ここで本記事の射程と、既存記事との役割分担を明示しておきます。本記事は 「生成AI 入門の全方位ハブ」 として、業務利用層と開発側へ進みたい層の両方を 1 記事で網羅します。LLM 自体の深い解説は LLM とは、RAG の仕組みは RAG とは、AIエージェントの概念は AIエージェント とは、ChatGPT の使い始め方は ChatGPT 始め方、Claude の使い始め方は Claude 使い方、AI コーディング全般は AI コーディング、未経験エンジニア転職そのものは エンジニア 転職 未経験 で、それぞれ別記事として整理済みです。本記事は「入門の地図」と「最初の 30 日の手順」「キャリアへの接続」を扱います。

「迷ったらこの 3 つだけ覚えれば OK」一行マップ

頭の整理用に、もう一段シンプルにします。

  • 生成AI ＝ 文章・画像・音声などを新しく作り出す AI の総称
  • ChatGPT / Claude / Gemini ＝ 生成AI の代表的なチャットアプリ
  • 業務シーン × 1 ヶ月 ＝ 入門の最短コース

サジェストに並ぶ「本」「動画」「pdf」「おすすめ」「開発」「プログラミング入門」「google」「aws」「資格」も、すべて「この 3 行のどの段階を深掘りするか」の言い換えです。本記事はこの疑問を、章ごとに 1 つずつ分解していきます。

最後に重要なメタ宣言を 1 つ。本記事では「絶対これが一番」「絶対この本を読むべき」「絶対この資格を取るべき」とは申し上げません。学習方針・教材選び・キャリア判断は、現職・年齢・家庭事情・予算で大きく振れます。本記事の判断軸は「2026 年 5 月時点・営業 7 年→未経験 SE→現役生成AIエンジニアの 3 段階を歩いた私の一次体験と、業務で AI API を叩いている現場感覚と、公開情報からの整理」であり、最終判断はご自身の状況、必要に応じて社内のキャリア相談窓口・ハローワーク・転職エージェント・法務・コンプライアンス部門・専門の弁護士の方へご相談いただくのが筋です。

02 — 生成AI とは——AI / 機械学習 / 生成AI / LLM の入れ子地図を 3 行で

📖 この章で使う用語

  • AI（Artificial Intelligence：人工知能）：機械に判断・予測・生成などをさせる技術の総称。最も大きい言葉。
  • 機械学習：データから「パターン」を見つけて予測する仕組み。AI のサブカテゴリ。
  • 入れ子（ネスト）構造：大きな箱の中に小さい箱が入っているような階層関係。

生成AI を理解する最短ルートは、AI ＞ 機械学習 ＞ 生成AI ＞ LLM の入れ子地図 を頭に描くことです。3 行で書くと、こうなります。

[ AI（人工知能） ]
    └─ [ 機械学習（データからパターンを学ぶ） ]
            └─ [ 生成AI（新しく作り出す AI） ]
                    └─ [ LLM（文章を予測する装置） ]
                            └─ [ ChatGPT / Claude / Gemini など、LLM を載せたアプリ ]

「AI」は最も大きい言葉で、機械に判断・予測・生成をさせる技術の総称です。「機械学習」はそのなかで、人がルールを書くのではなくデータからパターンを学ぶ仕組み。「生成AI」はさらにそのなかで、文章・画像・音声などを新しく作り出すカテゴリ。そして「LLM（大規模言語モデル）」は生成AI のなかで文章を扱う装置の名前です。ChatGPT・Claude・Gemini は、その LLM を載せた アプリ の代表例にあたります。

02-1. 「生成」の意味——文章 / 画像 / 動画 / 音声を新しく作る AI

「生成AI」の「生成」は、文字どおり 新しいものを作り出す という意味です。以前の AI は「画像を見て猫か犬かを判別する」「データから売上を予測する」のように、何かを当てる ことが主な仕事でした。生成AI は「猫の画像を新しく描き起こす」「営業日報の下書きを新しく書く」のように、新しい成果物そのものを作る ことができます。

扱うものの種類で名前が変わります。文章を作るのが LLM ベースのチャットアプリ（ChatGPT / Claude / Gemini）、画像を作るのが画像生成 AI（DALL-E 3 / Imagen / Adobe Firefly など）、動画を作るのが動画生成 AI（Sora / Veo など）、音声を作るのが音声生成 AI——という具合です。本記事は文章を作る生成AI を中心に扱いますが、画像と動画も最後に少し触れます。

02-2. AI / 機械学習 / 生成AI / LLM の入れ子図——詳しくは別記事へ

入れ子の各階層について 1 段ずつ深掘りすると、それだけで 1 冊の本になります。LLM の中身（「次の単語を予測する装置」というアナロジーや、Transformer の仕組み、パラメータ数の話など）に踏み込みたい方は、別記事の LLM とは で営業時代の私が読み切れる粒度で整理しているので、そちらをご参照ください。本記事では「ChatGPT / Claude / Gemini を載せている土台のひとつが LLM」という地図上の場所だけ押さえてもらえれば十分です。

02-3. ChatGPT / Claude / Gemini は LLM を載せた「アプリ」

ここはとても大事なところなのでゆっくり書きます。LLM そのものと、ChatGPT・Claude・Gemini のアプリは、別のレイヤー です。LLM は文章を予測するエンジンで、ChatGPT・Claude・Gemini はそのエンジンを車体に載せて、ハンドル（チャット画面）とシート（料金プラン）とログインを付けた「車」にあたります。エンジン単体ではドライブできません。

3 社の代表的なアプリと、その中で動いている LLM の名前を表で並べます。

アプリ提供会社中で動いている LLM の代表
ChatGPTOpenAIGPT-4o / GPT-4.5 など
Claude.aiAnthropicClaude 3.5 / Claude 4 / Claude 4.6 / Claude 4.7 など
GeminiGoogleGemini 2.5 など

私は本業で、Ruby・Python・Scala から OpenAI / Anthropic / Google の API を直接呼び出して、業務プロダクトに LLM を組み込んでいます。読者の方が日常で触っている ChatGPT / Claude.ai / Gemini アプリと、私が業務で叩いている「API（プログラムから呼び出す注文窓口）越しの LLM」は、同じエンジンを別の入口から触っているだけ です。この感覚を最初に持っていただけると、本記事の以降が読みやすくなると思います。

03 — 生成AI で何ができるか——業務 5 例で具体イメージ

📖 この章で使う用語

  • 議事録要約：会議の音声・テキストから要点を自動でまとめる作業。
  • ハルシネーション：AI が「もっともらしいけれど事実と異なること」を堂々と書いてしまう現象。営業時代に「自信満々で間違った数字を答えていた新人」を見かけたのと似ています。
  • プロンプト：AI への指示文。営業時代の「話す前に整える台本」と同じイメージ。

ここからは、生成AI で 実際に何ができるか を、業務 5 例で具体化します。各例で「どのアプリ（ChatGPT / Claude / Gemini）が向きそうか」の目安も添えますが、最終的には自分の業務シーンで両方触ってみるのがいちばん早いです。

03-1. 業務例①議事録自動要約

会議の音声をテキストに起こし、要点・アクションアイテム・課題に整理する作業を、生成AI に任せられます。私の業務感覚では、Web 会議ツール内蔵の議事録機能（Zoom AI Companion / Microsoft Teams トランスクリプト / Otter.ai など）で文字起こし → ChatGPT / Claude にチャットで貼り付けて整形 の 2 段階構成がもっとも安定します。1 時間の会議だと、議事録作成にかかる時間が 30 分から 5 分程度に圧縮できる感覚です（個人差・会議の質に依存します）。

詳しい使い分けは AI 議事録 おすすめ で扱っています。

03-2. 業務例②資料作成の下書き

提案書・社内資料・お客様向け説明資料の 下書き を生成AI に作らせる用途です。営業時代の私だったら「新規ご提案の骨子を 3 案ください」「このお客様向けにキャッチコピーを 5 つ」を毎朝叩いていたと思います（profile §1 営業 7 年 4 ヶ月の体験から仮定形で書いています）。

注意点として、生成AI の出力は 下書きにとどめて、必ず人間が事実確認・トーン調整・お客様情報の上書き を行ってください。生成AI は「もっともらしい嘘」を堂々と書く性質（ハルシネーション）があるため、お客様向けにそのまま出すのは絶対に避けます。

03-3. 業務例③メール文面の整形・翻訳

社内・社外メールの 言い回しの整形・敬語のトーン調整・英訳・和訳 に生成AI を使う用途です。私自身、社外向けの英文メール（海外 OSS プロジェクトへの問い合わせ・海外開発者とのやり取りなど）は、まず ChatGPT または Claude に下書きを書かせ、DeepL で精度を確認し、必要に応じて Google 翻訳でセカンドオピニオンを取る、という 3 段構成で運用しています。

詳しい使い分けは AI 翻訳 おすすめ で扱っています。

03-4. 業務例④検索の前段としての要約

「Google で 10 ページ読まないと辿り着けない答え」を、生成AI で 1 ページ分に圧縮できる用途です。たとえば「Anthropic API の最新の料金体系を教えて、出典 URL も付けて」と聞けば、自分で公式サイトを 10 分かけて読み込まなくても、骨子を 1 分で掴めます。

ただし、最新情報の数字や法律の条文など、責任が伴う部分は必ず一次情報（公式サイト・公式ドキュメント・官公庁の発表）で再確認 してください。生成AI は知識のカットオフ（学習を打ち切った日付）以降の情報を知らないので、料金・規約・法律の最新版確認は人間の仕事として残ります。

03-5. 業務例⑤翻訳（英文 OSS ドキュメント・公式読解）

エンジニア寄りの用途ですが、英文 OSS（オープンソースソフトウェア）ドキュメントを読む ときに、生成AI は強力な相棒になります。私自身、AI 関連ツール（LangChain / Dify / Ollama など）の公式 README、GitHub の issue、RFC ドキュメントを読むときは、Google 翻訳で粗く読み、DeepL で精読し、専門用語の意味で詰まったら ChatGPT / Claude に「この文脈での意味を教えて」と聞く運用です。

業務 5 例を職種別マトリクスで網羅したものは、別記事 AI 業務効率化 事例 で 5 領域 × 5 職種で扱っています。ツール俯瞰は AI 業務効率化 ツール で扱いました。

04 — 生成AI で「できないこと」「気をつけること」——5 つの落とし穴

📖 この章で使う用語

  • 著作権：作品を作った人に与えられる権利。学習データ・生成物の双方で論点になる。
  • 機密情報：会社の外に出してはいけない情報全般。顧客情報・社外秘の資料など。
  • 学習データ：LLM が事前に大量に読み込んだ文章のかたまり。本屋全体を読み尽くした司書の記憶のイメージ。

生成AI には 「できないこと」「気をつけること」 が確実にあります。ここを最初に押さえておかないと、業務利用・副業利用・転職活動のどの場面でも事故ります。先に重要なメタ宣言を 1 つ書きます——本記事では「絶対安全」「絶対大丈夫」とは申し上げません。業務利用は必ず社内の情シス・法務・コンプライアンス部門の事前確認が必要で、法律判断は専門の弁護士の方へご相談ください。

04-1. ①ハルシネーション（もっともらしい嘘）

生成AI 最大の落とし穴です。AI は「次に来そうな単語を確率で選ぶ」装置なので、事実と異なることを、自信満々の文体で書いてしまう ことがあります。よくある例は、存在しない論文の引用、間違った日付、実在しない人物の発言、URL の捏造などです。

対策はシンプルで、数字・固有名詞・URL・日付・法律条文は必ず一次情報で再確認する こと。私の業務感覚では「AI が出してきた数字を 100% 信じない、必ず公式サイトに飛ぶ」という運用を最初に身につけるのが、いちばんの転びにくさにつながります。

04-2. ②著作権・知的財産（学習データ・生成物双方）

著作権論点は 学習データ側 と 生成物側 の両方にあります。学習データ側は「OpenAI / Anthropic / Google などの LLM プロバイダーが、どの文章を学習に使ったか・将来あなたの入力を学習に使うか」、生成物側は「AI が生成した文章・画像・コードを商用利用・公開してよいか」が論点です。

各社の利用規約は頻繁に変わります。最新版の利用規約・データ取り扱いポリシーを必ず公式サイトで事前確認 してください。「学習に利用されない設定」（OpenAI なら ChatGPT 設定の「Improve the model for everyone」を OFF にする等）が用意されているケースもあります。法律判断は弁護士の方に委ねます。

04-3. ③機密情報・個人情報の入力リスク

社外秘情報・顧客の個人情報・契約書原本などを、無料版の ChatGPT・Claude・Gemini に貼り付けるのは絶対に避けます。データが学習に使われる可能性、ログとして保管される可能性、運営側で人間がレビューする可能性などがあるためです。

業務利用するなら、組織契約版（ChatGPT Team / Enterprise、Claude Team、Gemini for Workspace など）や、AWS Bedrock / Azure OpenAI 等のクラウド組織契約モデル、もしくはセルフホスト型ローカル LLM、といった選択肢を、社内の情シス・法務と協議してから選んでください。詳細は AWS Bedrock でエンタープライズ AI 基盤として整理しました。

04-4. ④AI 依存・スキル劣化感

「AI に書かせてばかりで、自分で考える筋肉が落ちる」という不安は、業務で AI を毎日使う私の周囲でも、よく話題に上がる論点です。とくにエンジニア志望の方が AI コーディングアシスタント（Claude Code / Cursor / GitHub Copilot 等）を最初から使うと、「自分で書けたかどうか分からない」状態に陥りがちです。

対策の方向性は 2 つあります。1 つは 「AI が書いたコードを必ず自分で 1 行ずつ読む」 習慣にすること。もう 1 つは 「最初の 1 ヶ月はあえて AI を使わずに、自分で書いて詰まる経験を積む」 ことです。AI コーディングそのもので疲弊しないコツは AI コーディング でも整理しています。

04-5. ⑤過度な期待（「AI が全部やってくれる」誤解）

最後の落とし穴は、期待値の振り切り です。「AI に質問すれば全部解決する」「AI を入れれば業務が半分になる」「AI が職場の問題を全部解決する」——という期待値で導入を進めると、ほぼ確実に失敗します。

生成AI は「下書き作成・要約・翻訳・案出し・コードの相談相手」としてはとても強いですが、「最終的な判断」「責任を伴う合意形成」「お客様への説明責任」「法律の最終判断」 は人間の仕事として残ります。私が非エンジニア部門への AI 展開を全社推進している現場でも、「AI で完全自動化」を最初に目標に置いた部門ほど、3 ヶ月後に挫折する傾向があります（個人観察、抽象化 Lv.2）。最初は「下書きを 5 割ラクにする」程度の現実的な目標設定が、結果的にいちばん長続きします。

05 — 最初の 30 日学習プラン——5 ペルソナ別ルートで併走 ★ 本記事最厚 H2

📖 この章で使う用語

  • Notion AI：Notion（ノート／ドキュメント管理ツール）に組み込まれた AI 機能。資料整形・要約に強い。
  • Claude Code：Anthropic 社の AI コーディングアシスタント。ターミナル上で動く CLI（コマンドライン）型。
  • Anthropic API：Claude を呼び出すための外部窓口。プログラムから叩く。
  • 副業：本業とは別に収入を得る活動。本記事では収入の断定は回避します。

ここから本記事のいちばん厚い章に入ります。営業 / 事務 / 個人事業主 / 副業ライター / エンジニア志望 の 5 ペルソナ別に、最初の 30 日で何を触り、何を試し、どこで詰まるかを「Day 1-7 / Day 8-15 / Day 16-23 / Day 24-30」の 4 フェーズで並べました。

5 ペルソナのうち 営業 / 事務 / 個人事業主 / 副業ライター は、私が非エンジニア部門への AI 展開を全社推進する現場で、毎週のように関わっている職種です。エンジニア志望ルート は、私自身が営業 7 年→未経験 SE→現役の生成AIエンジニアという 3 段階で歩いてきた経路の再現です（profile §1 / §1-1 / §4 / §2-2 を厳守）。

重要なメタ宣言を 1 つ。5 ペルソナのうちどれが「正解」かは、人によって違います。本記事は「自分はどのペルソナに近いか」を判断材料として並べているだけで、副業収入・転職成功・年収アップを保証するものではありません。最終判断はご自身の状況と、必要に応じて専門家（キャリアコンサルタント・税理士・弁護士など）にご相談ください。

05-1. 営業ルート——ChatGPT Pro / Claude.ai Pro で「メール・提案書・議事録」最初の 1 ヶ月

私が営業 7 年だった当時の自分に手紙を書くつもりで並べます。

Day 1-7（触る）：ChatGPT Free または Claude.ai Free に登録し、毎日 1 件、お客様向けメールの下書きを AI に書かせる。最初は粗い出力でも、3 日続けると「どのプロンプト（指示文）が効くか」が掴めます。所要時間は 1 日 10-15 分程度。

Day 8-15（広げる）：提案書のキャッチコピー、議事録の要点整理、お客様訪問前の想定 Q&A 作成に範囲を広げる。1 日 30 分まで。この週で ChatGPT または Claude.ai を Pro 版（月 $20）に切り替えると、応答速度・モデル品質が一段上がります。詳細は Claude 料金プラン を参照。

Day 16-23（使い分ける）：ChatGPT / Claude / Gemini を同じ業務シーンで試して、自分の業務に合う 1 つを決める。営業職の私の感覚では、Claude が長文の整形（議事録・契約書下書き）に向き、ChatGPT が短文の壁打ち（キャッチコピー・キーワード出し）に向きます（個人差あり）。

Day 24-30（型を作る）：自分の業務でよく使うプロンプトを 5 つだけメモに残す。「お客様向けメール作成テンプレ」「議事録 → 要約 → アクションアイテム抽出テンプレ」「お客様訪問前の想定 Q&A テンプレ」——のように、自分専用のテンプレ集を作ると、2 ヶ月目以降の生産性が倍増します。

最初の壁：プロンプトを「書く」感覚に最初は戸惑います。営業時代の「お客様への質問の角度を変える」感覚と同じで、最初は粗くて構いません。3 日で慣れます。

詳しい使い分けは ChatGPT 始め方 と Claude 使い方 を併読してください。

05-2. 事務ルート——Claude.ai Free + Notion AI で「Excel 整形・資料整形」最初の 1 ヶ月

事務職の方向けの 30 日プランです。

Day 1-7（触る）：Claude.ai Free に登録し、毎日 1 件、Excel の汚いデータを貼り付けて「列をきれいに整えて」「集計しやすい形に直して」と頼む。1 日 10 分まで。

Day 8-15（広げる）：社内資料の体裁整形、表記揺れの統一、議事録の要点抽出、メール定型文の作成に範囲を広げる。Notion AI（Notion 内蔵の AI 機能）を併用すると、議事録・ドキュメント整形が一気にラクになります。

Day 16-23（使い分ける）：Claude.ai と Notion AI の役割を分ける。Claude.ai は「単発の整形・要約」、Notion AI は「Notion 内のドキュメント管理 × AI」と分けて使うと混乱しません。

Day 24-30（型を作る）：自分の業務でよく使うテンプレを 5 つメモに残す。「議事録 → アクションアイテム抽出」「社内アンケート集計 → 要点 3 つに圧縮」「申請書 → 体裁チェック」など。

最初の壁：Excel ファイルそのものをアップロードできるかは、契約プラン・社内ルールで違います。社内ルール上「機密情報を AI に貼り付けてよいか」を必ず情シス・上長に確認してから運用してください。

05-3. 個人事業主ルート——ChatGPT Plus + Notion AI で「請求書テンプレ・業務マニュアル」最初の 1 ヶ月

個人事業主・フリーランス向けの 30 日プランです。

Day 1-7（触る）：ChatGPT Free または Plus（月 $20）に登録し、毎日 1 件、自分の業務の「定型化できそうな作業」を AI に渡す。請求書のひな型、業務マニュアル、お客様向けの定型メールなど。

Day 8-15（広げる）：自分のサービスの紹介文を 5 パターン、SNS 投稿の下書きを 1 週間分、確定申告に関する Q&A 整理（最終判断は税理士の方へ）など、業務外周りに範囲を広げる。

Day 16-23（使い分ける）：ChatGPT と Notion AI を使い分ける。ChatGPT は「単発の壁打ち・アイデア出し」、Notion AI は「業務マニュアル・ナレッジベースの整備」と分けると、3 ヶ月目以降の蓄積が効きます。

Day 24-30（型を作る）：自分の業務専用のプロンプト集を Notion に蓄積する。「請求書送付メール定型」「お客様アンケート → 改善案抽出」「月次の振り返り → 翌月計画」など。

最初の壁：個人事業主の場合、機密情報の判断は自己責任です。お客様の個人情報・契約書原本・財務情報などは、無料版に貼り付けるのは絶対に避けてください。最終判断は弁護士・税理士の方へ。

05-4. 副業ライタールート——Claude.ai Pro で「文章作成・編集・リサーチ」最初の 1 ヶ月

副業ライター（記事執筆・コピーライティングなど）向けの 30 日プランです。

重要なメタ宣言を先に書きます——本記事では「副業で必ず稼げる」「月 X 万円稼げる」とは申し上げません。副業収入は案件・スキル・時間投下・運で大きく振れます。最終判断はご自身の状況と、必要に応じて税理士・社労士の方へご相談ください。

Day 1-7（触る）：Claude.ai Free に登録し、毎日 1 本、テーマを決めて 500 字の下書きを AI に書かせる。書かせた文を必ず自分で読み返し、トーン・事実・引用元を確認する習慣をつける。

Day 8-15（広げる）：取材メモ → 構成案、構成案 → 下書き、下書き → 編集（誤字脱字・冗長な言い回しの削除）の 3 ステップに分けて Claude.ai を使う。Claude.ai を Pro 版（月 $20）に切り替えると、長文（5,000 字超）の整形がラクになります。

Day 16-23（使い分ける）：ChatGPT / Claude / Gemini を同じテーマで書かせて、文体・構成・正確性を比較する。私自身、本ブログの記事執筆では Claude を主軸に、リサーチ補助で ChatGPT、英語翻訳で DeepL、を組み合わせています。

Day 24-30（型を作る）：自分の得意ジャンルでの「型」をプロンプト化する。「BtoB IT 記事の構成テンプレ」「インタビュー記事の編集テンプレ」など。

最初の壁：AI 生成文をそのまま納品するのは、多くの媒体で禁止されています。生成 AI の利用ガイドラインを必ず媒体側に事前確認 してください。著作権論点もここに絡みます（最終判断は弁護士の方へ）。

05-5. エンジニア志望ルート——Anthropic API + Claude Code で「最初の 1 ヶ月」（営業→SE→生成AIエンジニアの再現、本講座 LP 接続）

ここから本記事のいちばん深いルートです。営業 7 年→未経験 SE 2 年半→自社開発で現役の生成AIエンジニアという 3 段階を、私自身が歩いてきた経路を、最初の 1 ヶ月分に圧縮して並べます。

Day 1-7（触る）：ChatGPT または Claude.ai に登録し、業務に関係なく「コードを書かせる遊び」を毎日 30 分。「Python で FizzBuzz を書いて」「この JavaScript の意味を説明して」「これを Ruby で書き直して」など。プログラミング未経験でも、コードを「読む」「動かす」「直す」の感覚が掴めます。

Day 8-15（環境を作る）：自分のパソコンに Python をインストールし、ターミナル（Mac の標準ターミナル、Windows なら PowerShell / WSL）で python --version が打てる状態にする。VS Code（無料のコードエディタ）も入れます。Anthropic または OpenAI のアカウントを作り、API キーを発行（クレジットカード登録が必要、最初は $5 のチャージで十分）。

Day 16-23（API を叩く）：Python から Anthropic API（または OpenAI API）を叩く最小コードを写経する。下の最小サンプルコードを参考にしてください（Anthropic 公式 SDK 使用、2026 年 5 月時点）。

# 最小サンプル：Anthropic API を Python から叩く（写経用）
# 事前準備：pip install anthropic
# 環境変数 ANTHROPIC_API_KEY に API キーを設定

import os
from anthropic import Anthropic

client = Anthropic(api_key=os.environ["ANTHROPIC_API_KEY"])

response = client.messages.create(
    model="claude-sonnet-4-5",  # 2026 年 5 月時点の Sonnet 系
    max_tokens=1024,
    messages=[
        {"role": "user", "content": "Python の FizzBuzz を 10 行以内で書いてください"}
    ]
)

print(response.content[0].text)

このコードが動いて、Claude が FizzBuzz のコードを返してきた瞬間が、「ChatGPT のユーザー」から「API を叩く開発者」に変わる瞬間 です。私自身、SES 時代に初めてこの感覚を体験したとき、世界の見え方が変わりました。

Day 24-30（コーディングアシスタントを入れる）：Claude Code または Cursor を入れて、AI に学習を伴走させる体制を作る。私自身、業務でも個人学習でも Claude Code を毎日叩いており、未経験から学習する場合の「最初の壁」を超えるスピードが、3 年前と比べて格段に上がっている実感があります（個人観察）。

詳細な学習ロードマップは セクション 9 と、未経験エンジニア転職そのものは別記事 エンジニア 転職 未経験 で扱っています。

最初の壁：ターミナル・コマンドライン・API キー管理の 3 つが、未経験者には大きな心理的壁になります。営業時代の私は「真っ黒な怖い画面」と思っていました。3 日触れば慣れます。

本講座（生成AIエンジニアになる講座）は現在準備中で、本サイトのメルマガで先行案内する予定です。営業 7 年→未経験 SE→現役生成AIエンジニアの 3 段階を再現するロードマップを、5 万円弱で体系化する企画です。興味のある方は、本記事末尾のメルマガ登録 CTA からご登録ください。

06 — 用語集——LLM / RAG / エージェント / プロンプト / API / トークン / コンテキスト

📖 この章で使う用語

  • RAG（Retrieval-Augmented Generation：検索拡張生成）：LLM に「外部の知識」を渡してから答えさせる仕組み。本屋で本を取ってきて読んでもらうイメージ。
  • AIエージェント：LLM が自分で「次に何をするか」を判断して実行する仕組み。
  • トークン：AI が文章を扱う最小単位。料金の単位にもなる。タクシーのメーターのイメージ。
  • コンテキスト：AI が一度に読める文章の量（または「文脈」そのもの）。

入門段階で頻出する 7 用語を、1 行 + 日常アナロジー + 詳しい記事への送り出しで整理します。

06-1. LLM（大規模言語モデル）

1 行：ChatGPT・Claude・Gemini の「中身」を動かす、文章を予測する装置。

アナロジー：膨大な本を読み尽くした巨大な司書。質問されると、頭の中の記憶から「次に来そうな一番自然な言葉」を 1 単語ずつ予測して書いていく。

詳しくは別記事へ：LLM とは。

06-2. RAG（検索拡張生成）

1 行：LLM に「外部の知識」を渡してから答えさせる仕組み。

アナロジー：本屋で「この本に似た本ありますか？」と店員に聞くと、店員が棚から本を取ってきて、その本を見ながら答えてくれる感覚。社内ドキュメント検索、社内ナレッジ問い合わせ Bot などの土台。

詳しくは別記事へ：RAG とは。

06-3. AIエージェント

1 行：LLM が自分で「次に何をするか」を判断して、道具を選び、手順を組み立てて実行する仕組み。

アナロジー：新人営業に「お客様に提案してきて」と指示すると、自分で資料を作り、訪問のアポを取り、提案して、結果を報告してくれる——その自律性を AI で実現するイメージ。

詳しくは別記事へ：AIエージェント とは、作る側は AIエージェント 作り方。

06-4. プロンプト

1 行：AI への指示文。

アナロジー：営業時代の「お客様との会話を始める前に整える台本」。粗い台本でも会話は始まりますが、整えた台本のほうが結果がよくなります。

06-5. API（外部呼び出し窓口）

1 行：プログラムから AI を呼び出すための窓口。

アナロジー：お店のレジで使う「注文票」。注文票に「商品名・数量・お会計方法」を書いて渡せば、店員さんが調理して商品を返してくれる。API も同じで、「何を聞きたいか・どのモデルで・最大何トークン」を渡せば、AI が答えを返してくれます。

06-6. トークン（料金単位）

1 行：AI が文章を扱う最小単位。料金の単位でもある。

アナロジー：タクシーのメーター。話せば話すほど料金が上がる。日本語は概ね 1 文字 = 1.5-2 トークン、英語は 1 単語 ≒ 1.3 トークン（モデルにより異なる）。

06-7. コンテキスト（文脈の量）

1 行：AI が一度に読める文章の量、または「文脈」そのもの。

アナロジー：人間が一度に読める本の厚みに上限があるのと同じ。最新の LLM はコンテキストウィンドウが 20 万トークン（日本語で約 10-13 万字）以上に拡大しており、論文 1 本・契約書 1 冊を丸ごと読ませて議論する用途も射程に入ります。

07 — 学習リソース——本 / 動画 / PDF / 公式ドキュメント / 無料コース

📖 この章で使う用語

  • ホワイトペーパー：事業者が公開する公式の解説資料（PDF が多い）。
  • Anthropic Academy：Anthropic 社が公開する無料学習プラットフォーム。
  • OpenAI Cookbook：OpenAI 社が公開する API 利用サンプル集（無料）。
  • Google Cloud Skills Boost：Google Cloud の無料・有料学習プラットフォーム。

ここでサジェスト 2/4/5/6 位「本／動画／pdf／おすすめ」を統合します。先に立ち位置を明示します——学習リソースは公開情報からの整理が中心です。私自身、未経験 SE への転職前にプログラミングスクールを 3-6 ヶ月利用しましたが、スクール名・教材名・コース名は非公開（profile §1-1）です。本セクションでは「私が読んだことのある書籍ジャンル」「業務で公式ドキュメントを日々読む現場感覚」だけを明示し、個別タイトルの推薦は控えます。

07-1. 書籍——生成AI 入門 4 系統（私の射程内のみ明示）

書籍ジャンルとしては、概ね 4 系統 に分けて棚を眺めると整理しやすいです。

  1. 生成AI 入門書：生成AI とは何か、LLM の仕組み、ビジネスへのインパクト、を非エンジニア向けに解説した一般書。新書・ビジネス書の棚に多い。
  2. ChatGPT 活用本：プロンプト集、業務効率化の具体例、職種別の使い方を扱う実用書。書店の IT・ビジネス書コーナーに山積みされている。
  3. Python × AI 入門本：Python の基礎 + AI ライブラリ（OpenAI / Anthropic SDK / LangChain など）を扱う技術書。プログラミング書籍コーナー。
  4. RAG・LangChain 専門書：RAG 構築、LangChain / LangGraph の実装、ベクトル DB の使い分けなどを扱う中上級者向けの専門書。

選び方の判断軸：書店で目次を見て「自分の業務シーンが想像できるか」を最優先にしてください。技術的に高度な本でも、業務シーンが想像できなければ最後まで読み切れません。私自身、SES 時代に技術書を 5 冊買って 1 冊しか読み切れなかった経験があります（個人観察）。

07-2. 動画——YouTube 無料 / Udemy 有料 / 事業者公式（公開情報整理）

動画リソースは概ね 3 系統 あります。

  1. YouTube 無料：個人クリエイターが公開する生成AI 解説動画。無料で大量に見られる代わりに、情報の鮮度・正確性・編集品質に差があります。
  2. Udemy 有料：体系的なコース（数時間〜数十時間）が、セール時で 1,500-3,000 円程度。投資対効果は人によって振れます。
  3. 事業者公式無料：Anthropic / OpenAI / Google / AWS が公開する無料動画・チュートリアル。鮮度・正確性は高いが、英語コンテンツが多い。

私自身の業務感覚では、まず事業者公式の無料動画 → 必要に応じて Udemy 有料コース → 補助で YouTube の順序が、情報の正確性とコストの両方で無理がありません。

07-3. PDF——事業者公式ホワイトペーパー（Anthropic / OpenAI / Google）

PDF リソースの主軸は 事業者公式ホワイトペーパー です。

  • Anthropic 公式：Claude のモデルカード、Constitutional AI の論文、業務利用ガイドラインなど（anthropic.com）
  • OpenAI 公式：GPT のモデルカード、API ドキュメント、Cookbook（openai.com、platform.openai.com）
  • Google 公式：Gemini のテクニカルレポート、Generative AI on Google Cloud のホワイトペーパー（ai.google / cloud.google.com）

PDF は 「一次情報」 として最も信頼性が高い反面、英語コンテンツが中心で、未経験者には読み切るハードルが高めです。最初の 1 ヶ月で全部読む必要はありません。業務シーンが見えてから、自分の業務に該当する 1 本を選んで読む 順序がおすすめです。

07-4. 公式ドキュメント——直 API ドキュメントを読む習慣

エンジニア志望ルートに進む方には、Anthropic / OpenAI / Google AI Studio の公式 API ドキュメントを直接読む習慣 を強くおすすめします。私自身、業務で AI API を組み込むときは、毎回必ず公式ドキュメントの該当ページを開いた状態で実装します。

公式ドキュメントは英語ですが、生成AI 時代の今、Google 翻訳 + DeepL + ChatGPT/Claude のチャット翻訳の 3 段運用で、英語が苦手な方でも実用速度で読めます。詳細は AI 翻訳 おすすめ を参照してください。

07-5. 無料コース——Anthropic Academy / OpenAI Cookbook / Google Cloud Skills Boost

無料で体系的に学べる代表的なコースを 3 つ並べます。

  • Anthropic Academy：Anthropic 社が公開する無料コース。Claude API の使い方、プロンプトエンジニアリング、Tool use（ツール呼び出し）、Computer use などが体系化されている。
  • OpenAI Cookbook：OpenAI 社が公開する API 利用サンプル集。GitHub 上で MIT ライセンス、コード写経しながら学べる。
  • Google Cloud Skills Boost：Google Cloud の生成AI 関連無料コース（一部有料）。Vertex AI、Gemini API、AgentBuilder などを扱う。

私自身は Anthropic Academy を業務利用範囲内で実際に参照 している（profile §2-2 Anthropic API 業務利用）ため、コンテンツの質感は語れます。OpenAI Cookbook と Google Cloud Skills Boost については認定資格を保有しておらず、公開情報からの整理になります。

08 — クラウド事業者の認定パス——Google / AWS / Anthropic Academy

📖 この章で使う用語

  • AWS Bedrock：AWS 上で複数の LLM（Claude / Llama 等）を統一 API で呼び出せるサービス（詳細は別記事 AWS Bedrock で扱っています）。
  • Generative AI Leader 認定：Google Cloud の生成AI 関連の認定資格。
  • AWS Certified AI Practitioner：AWS Skill Builder の生成AI 関連の認定資格。
  • 認定資格：事業者または団体が「この水準を満たしている」と認める証明書。

ここでサジェスト 3/9/10 位「google／google 資格／aws」を統合します。先に立ち位置を明示します——私は AWS を業務で利用しており、AWS Bedrock 経由 Claude も部分使用しています（profile §2 / §2-2）が、Google Cloud / Anthropic Academy の認定資格は保有していません。本セクションでは AWS は実体験ベース、Google Cloud と Anthropic Academy は公開情報からの整理として書きます。

08-1. Google Cloud Skills Boost / Generative AI Leader 認定（公開情報整理）

Google Cloud Skills Boost は、Google Cloud の無料・有料学習プラットフォームです（cloud.google.com/skills、取得：2026-05-20）。生成AI 関連では「Introduction to Generative AI」「Introduction to Large Language Models」「Generative AI Fundamentals」などの無料コースが用意されています。

Generative AI Leader 認定 は、Google Cloud が提供する生成AI 関連の認定資格です。ビジネスリーダー向けの内容で、生成AI の概念、ユースケース、Google Cloud の AI 製品（Vertex AI、Gemini API など）の俯瞰を扱います。

私自身、本認定は保有していないため、コンテンツの細部・受験体験は語れません。最新の詳細は公式サイトで必ず事前確認してください。

08-2. AWS Skill Builder / AWS Certified AI Practitioner（業務感覚 + Bedrock 部分使用）

AWS Skill Builder は AWS の学習プラットフォーム、AWS Certified AI Practitioner および AWS Certified Machine Learning Engineer などが生成AI 関連の認定資格です（aws.amazon.com/certification、取得：2026-05-20）。

私自身は AWS を業務で利用しており（profile §2 EC2 / RDS / Lambda / S3 / SES / SQS / ECR / Elasticsearch）、AWS Bedrock 経由 Claude も部分的に業務で利用 しています。Bedrock 経由を選ぶ判断材料（IAM 連携、VPC 内通信、コスト体系、データ取り扱いポリシー）の整理レベルまでは語れます。詳細は AWS Bedrock で扱いました。

ただし、業務本番運用の細部や具体的な料金最適化テクニックは公開情報からの整理扱い で書きます（profile §2-2）。AWS 認定資格そのものの受験体験も私は持っていないため、認定の難易度・コンテンツ詳細は公式情報をご参照ください。

08-3. Anthropic Academy（無料公開コース、業務利用範囲内で参照）

Anthropic Academy は、Anthropic 社が公開する無料学習プラットフォームです（anthropic.com 配下、取得：2026-05-20）。Claude API の使い方、プロンプトエンジニアリング、Tool use、Computer use などのコースが体系化されています。

私自身、業務で Anthropic API を日常的に叩いており（profile §2-2）、Anthropic Academy のコース内容は業務範囲内で参照してきました。英語コンテンツが中心 ですが、生成AI のチャット翻訳との併用で実用速度で読めます。

認定資格 は本記事執筆時点（2026-05-20）では、独立した「Anthropic 認定資格」というブランドの提供は確認していません（最新情報は Anthropic 公式で必ず確認）。

08-4. 認定資格を取るべきか——転職市場での評価（YMYL 警戒、断定回避）

重要なメタ宣言を 1 つ。「絶対に認定資格を取るべき」とも「絶対に不要」とも申し上げません。転職市場での評価は会社・採用方針・職種・地域で大きく振れます（個人差・市場差・時期差あり）。

私自身の現役視点でお伝えできるのは、概ね次の 3 点です。

  • 資格 < ポートフォリオ：「実際に何を作ったか」のほうが、未経験者の場合は強く効く印象（個人観察、抽象化 Lv.2）。
  • クラウド認定は実務経験とセットで効く：AWS / Google Cloud の認定は、実務でそのクラウドを触っている前提で取ると評価されやすい印象。未経験段階で先取りすると「資格はあるが触ったことがない」状態になりがちで、面接で詰まる場面を見聞きします。
  • 入門段階では資格より触る経験：本記事のテーマである「生成AI 入門」段階では、認定よりも 30 日触る経験の方が、伸びしろが大きいと感じます。

最終判断はご自身のキャリア戦略と、必要に応じて転職エージェント・キャリアコンサルタントの方へご相談ください。年収・転職率の数字は本記事では断定しません（YMYL 警戒）。

09 — 開発・プログラミング側に進むには——生成AIエンジニアロードマップへの接続

📖 この章で使う用語

  • Python：シンプルな文法で、AI / データ分析 / Web 開発で広く使われるプログラミング言語。
  • API キー：API を使うための「合鍵」。漏らすと第三者に勝手に使われるので厳重管理。
  • ChatGPT API：OpenAI が提供する ChatGPT を呼び出すための API。
  • Claude API：Anthropic が提供する Claude を呼び出すための API。

ここでサジェスト 7/8 位「開発 入門／プログラミング入門」を統合します。営業 7 年→未経験 SE→現役の生成AIエンジニアという 3 段階を歩いた私が、「自分が知りたかった順序」 で並べます。

09-1. Python 学習——プログラミングの最小単位

最初に学ぶ言語は Python 一択 で問題ないと感じています。理由は 3 つ。

  • 生成AI 開発の標準言語：Anthropic / OpenAI / Google の公式 SDK は Python 版が最も充実している
  • データ分析・機械学習の標準言語：scikit-learn / pandas / NumPy などの主要ライブラリが Python 中心
  • 文法がシンプル：英語のように読める文法で、未経験者にも入りやすい

学習方法は問いません。書籍、YouTube、Udemy、ChatGPT・Claude に教えてもらう、どれでもよいです。重要なのは 「FizzBuzz が書ける」「リストと辞書が使える」「関数が書ける」「ファイル読み書きができる」の 4 つができれば、API を叩き始めて構わない ということです。

09-2. ChatGPT API / Claude API を呼び出す

Python の基礎が掴めたら、ChatGPT API または Claude API を呼び出す最小コードを写経します。下のコードは Claude API の最小サンプル（再掲、セクション 5 の Day 16-23 と同じコード）。

# 最小サンプル：Anthropic API を Python から叩く（写経用、再掲）
import os
from anthropic import Anthropic

client = Anthropic(api_key=os.environ["ANTHROPIC_API_KEY"])

response = client.messages.create(
    model="claude-sonnet-4-5",
    max_tokens=1024,
    messages=[
        {"role": "user", "content": "Python の FizzBuzz を 10 行以内で書いてください"}
    ]
)

print(response.content[0].text)

OpenAI 版（ChatGPT API）も構造はほぼ同じです。

# 最小サンプル：OpenAI API を Python から叩く（写経用）
# 事前準備：pip install openai
# 環境変数 OPENAI_API_KEY に API キーを設定

import os
from openai import OpenAI

client = OpenAI(api_key=os.environ["OPENAI_API_KEY"])

response = client.chat.completions.create(
    model="gpt-4o",
    messages=[
        {"role": "user", "content": "Python の FizzBuzz を 10 行以内で書いてください"}
    ]
)

print(response.choices[0].message.content)

このコードが動いた瞬間が、「ChatGPT のユーザー」から「API を叩く開発者」に切り替わる瞬間です。詳しい使い方は Claude Code 始め方 と ChatGPT 始め方 でも整理しています。

09-3. RAG 構築

API 直叩きに慣れたら、次のステップは RAG（検索拡張生成） の構築です。社内ドキュメント検索、社内ナレッジ問い合わせ Bot、PDF 質問応答などの土台になります。

私自身、業務で RAG を構築・運用しており（profile §2-2）、実装スタックは LangChain / LangGraph を部分的に使用しつつ、公式 SDK 直叩き + 自前パイプライン の組み合わせがメインです。ベクトル DB は FAISS / Chroma / Weaviate を業務で使った経験があります。

RAG の仕組み・3 つの構成要素・実装の入口は、別記事 RAG とは で営業時代の私が読み切れる粒度で整理しました。

09-4. AIエージェント構築 4 ルート

RAG の次のステップは AIエージェント構築 です。LLM が自分で「次に何をするか」を判断して、道具を選び、手順を組み立てて実行する仕組みです。

実装ルートは大きく 4 つ。

  1. Python + LangChain/LangGraph + 直 API（業務基幹ルート）
  2. ノーコード AI エージェント構築プラットフォーム（Dify / n8n / Make / Zapier 等）
  3. Microsoft Copilot Studio（Microsoft 365 連携の組織向けエージェント構築）
  4. Claude Projects（Claude.ai 機能）+ ChatGPT カスタム GPTs（コードを書かない簡易エージェント）

詳しい使い分けは AIエージェント 作り方 で 4 ルート全体を扱っています。AIエージェントの概念そのものは AIエージェント とは で整理しました。

09-5. Claude Code / Cursor で AI に学習を伴走させる

最後に、未経験者の方にいちばん伝えたいことを書きます。2026 年現在の学習は、AI コーディングアシスタントで一気に加速できます。

私自身、業務でも個人学習でも Claude Code と Cursor を毎日叩いており、3 年前に SES に入った当時とは、学習の進む速度が文字どおり別次元になっています（個人観察）。「分からないコードを 1 行ずつ解説してもらう」「エラーメッセージの意味を 30 秒で教えてもらう」「リファクタリングの方向性を壁打ちする」——どれも、当時の私が 1 人で 1 時間かけていた作業です。

ただし セクション 4-4 で書いたとおり、AI に書かせたコードを必ず自分で 1 行ずつ読む 習慣だけは絶対に守ってください。読まずに動かすだけだと、面接で「このコードの意味を説明して」と聞かれた瞬間に詰まります。AI コーディングの全体俯瞰は AI コーディング で扱っています。

本講座（生成AIエンジニアになる講座）は現在準備中で、本サイトのメルマガで先行案内予定です。営業 7 年→未経験 SE→現役生成AIエンジニアの 3 段階キャリアを再現するロードマップを、5 万円弱で体系化する企画です。

10 — 営業出身の現役生成AIエンジニアからの一言——3 段階キャリアの一次体験 ★ 信用補強最重要 H2

📖 この章で使う用語

  • SES（System Engineering Service）：システム開発を客先常駐で提供する受託形態。未経験から SE になる入口として広い。
  • 自社開発：会社が自社のプロダクトを開発・運営する業態。SES と対比される。
  • 抽象化 Lv.2：具体的な企業名・プロダクト名は出さず、「型（パターン）」として語る粒度。

この章は、私の経歴を独立した H2 として書きます。本記事を最後まで読んでくださっている方への、感謝を込めた章です。

10-1. 営業 7 年で身につけた「気配りと配慮」が、AI 時代の最強武器になる

私は新卒で通信機器商社（約 400 名規模）に入社し、法人営業を約 7 年 4 ヶ月 続けました。機器リース・消耗品販売、新規開拓 + 既存深耕、新入社員指導、課長代理としてチーム売上達成——という業務内容です（profile §1）。

毎日 60 件ほどの訪問のなかで、「お客様の次の一言を、半歩先で予測する」癖 が自然に身につきました。「いや、今回はちょっと……」が来そうな空気が読めれば、それを言わせる前に提案の角度を変えられる。この癖は、エンジニアになった今、コードレビュー・要件定義・お客様向け提案の場面で、毎日使っています。

AI 時代になって、技術スキルの価値は変動しています。生成AI が下書き・コード補完・要約・翻訳をこなしてくれるなかで、「相手の意図を一歩先読みする」「お客様の半歩先を予測する」という気配りと配慮の領域は、AI に置き換えにくい人間の仕事として残る ——というのが、業務で AI を毎日叩いている私の実感です。

これから生成AI を学ぶあなたが、もし営業職や事務職や接客業から来た方なら、その職種で身につけた人間関係の感度こそが、AI 時代の最強の差別化軸 になります。技術スキルの劣化は怖くありません。営業時代の私だって、エクセルの関数すらまともに使えませんでした。

10-2. 未経験から SES へ——スクール 3-6 ヶ月 / 応募 10 社以下 / 3 ヶ月以内の現実ライン

営業から SES への転職時の動き方は、profile §1-1 に記載のとおり、プログラミングスクールを 3-6 ヶ月利用、応募社数 10 社以下、転職活動期間約 3 ヶ月以内で内定 でした。スクール名・サービス名・コース名は非公開です（profile §1-1 / §5）。

業界一般のデータとして、プログラミングスクール RUNTEQ のプレスリリースでは、卒業生のうち 3 ヶ月以内に内定獲得した割合が 70% を超える という実績が公表されています（出典：RUNTEQ プレスリリース、取得：2026-05-20）。これは自社調査・自社母数のため過度に一般化はできませんが、「30 代だから無理」という極論を覆すデータとしては参考になります。

詳細は別記事 エンジニア 転職 未経験 で、未経験エンジニア転職そのものを 10 セクションで扱っています。

10-3. SES から自社開発へ——「いろんな技術に触れたくて」の curiosity 主導転職

SES に入って約 2 年 5 ヶ月後、自社開発に移りました。理由は「SES が嫌だったから」ではありません——いろんな技術に触れたくて、という curiosity（好奇心）主導の動きでした（profile §1 / §4）。

SES 時代の現場で graphDB（人・モノを紐付ける基幹システム）を Ruby で組んだ経験は、今の自社開発でも活きています。SES が悪いという論調の SERP 記事が多いですが、私の体験はそうではありません。SES の良し悪し論は SES やめとけ で別途整理しました。

10-4. 自社開発から生成AIエンジニアへ——4 領域業務（API / RAG・エージェント / コーディングアシスタント / 全社推進）

自社開発スタートアップに移って約 3 年 3 ヶ月。現在、生成AI 関連の業務を 4 領域 で進めています（profile §2-2）。

  • 領域 1：AI API 利用（OpenAI / Anthropic / Google API、AWS Bedrock 経由 Claude を部分使用）
  • 領域 2：RAG / エージェント / チャットボット構築（業務プロダクトへの統合、LangChain / LangGraph 部分使用、FAISS / Chroma / Weaviate ベクトル DB 業務利用）
  • 領域 3：AI コーディングアシスタント（Claude Code / Cursor / GitHub Copilot を業務で日常利用、Cursor MCP サーバー業務常用）
  • 領域 4：全社推進（非エンジニア部門への AI 展開、議事録・資料作成・コードレビュー等の業務適用）

4 領域すべてを業務で触っている生成AIエンジニアは、私の周囲でも稀です（自社開発スタートアップで全社推進を任されている立場の特殊性）。この経験を 5 万円弱の講座に圧縮して、これから生成AIエンジニアを目指す未経験者の方に伝えるのが、本サイトと講座のコアです。

10-5. 生成AIエンジニアになって変わったこと、変わらないこと

最後に、生成AIエンジニアになって 1 年強の私が、最も伝えたい 1 行を書きます。

変わったこと：使う道具が、訪問用の名刺入れと提案書ファイルから、ターミナルとエディタと API キーに変わりました。1 日約 60 件の訪問から、1 日約 60 個のプルリクエスト（コードの変更提案）と AI への対話に変わりました。

変わらないこと：相手の意図を半歩先で読む癖、お客様への気配りと配慮、断られてからが本番という覚悟——これらは営業時代と 1 ミリも変わっていません。むしろ AI 時代になって、この人間側の感度の価値が 上がった とすら感じています。

技術スキルは AI に追い抜かれます。営業時代の私が見たら「ありえない速度」で、毎週のように新しい AI ツールが世に出てきます。でも、お客様の半歩先を読む癖は、AI に追い抜かれません。これから生成AI を学ぶあなたが、もし「自分には技術的な才能がない」と思っているなら、技術より、相手を読む癖を磨いてください。その癖が、AI 時代のあなたを最も強くします。

年収・転職率・案件単価の数字は、本記事では断定しません（YMYL 警戒、profile §6 年収非公開）。会社・市場・個人差で大きく振れるためです。最終判断はご自身の状況と、必要に応じて専門家にご相談ください。

11 — 業務利用と法律・著作権——三重メタ否定

📖 この章で使う用語

  • 利用規約：サービスを使うときに合意するルールの文書。LLM プロバイダーの最新版を必ず確認。
  • GDPR（General Data Protection Regulation）：EU の個人情報保護に関する規則。日本でも対象になる場合あり。
  • 個人情報保護法：日本の個人情報保護に関する法律。

ここから法律・著作権・機密情報の論点に入ります。先に重要なメタ宣言を 3 つ書きます——(1) 私は弁護士ではありません、(2) 本記事では「絶対安全」「絶対大丈夫」とは申し上げません、(3) 法律・契約・コンプライアンスの最終判断は、必ず社内法務・コンプラ部門、必要に応じて専門の弁護士・税理士・社労士の方へご相談ください。

11-1. 商用利用条件——LLM プロバイダーの利用規約を必ず最新版で確認

ChatGPT / Claude / Gemini で生成した文章・画像・コードを、商用利用（販売・公開・お客様への納品）してよいかは、LLM プロバイダーの利用規約 で定められています。最新版を必ず公式サイトで確認してください。

代表的な公式ページは次のとおりです（取得：2026-05-20）。

各社の規約は 頻繁に変わります。3 ヶ月前に確認した内容が、今日も同じとは限りません。商用利用前には必ず最新版を再確認してください。

11-2. 学習データ著作権——「学習に利用されない設定」の有無

入力したプロンプト・添付したファイルが モデル学習に使われるか は、サービス・プラン・設定で異なります。

たとえば ChatGPT Free / Plus では、設定画面の「Improve the model for everyone」を OFF にすることで、学習への利用を抑止できます（最新版で必ず確認）。Claude.ai Free / Pro、Gemini も同様の設定があります。組織契約版（ChatGPT Team / Enterprise、Claude Team、Gemini for Workspace）では、デフォルトで学習に使われない契約条件になっているケースが多いです（契約条件で必ず確認）。

業務利用するなら、「学習に利用されない契約条件」を事前に確認 することが、機密情報保護の出発点になります。

11-3. 機密情報・個人情報の入力リスク——情シス事前確認

社外秘情報・顧客の個人情報・契約書原本などを、無料版 / 個人プランの ChatGPT・Claude・Gemini に貼り付けるのは 絶対に避けます。

業務利用なら、組織契約版・AWS Bedrock / Azure OpenAI 等のクラウド組織契約モデル・セルフホスト型ローカル LLM の選択肢を、社内の情シス・法務・コンプライアンス部門と協議してから選んでください。詳細は AWS Bedrock でエンタープライズ AI 基盤として整理しました。

11-4. 個人情報保護法 / GDPR——法務・弁護士判断

個人情報を含むデータを生成AI に入力する場合、日本の 個人情報保護法、EU 対象なら GDPR の規定が関わります。

法律判断は本記事の射程外です。最終判断は必ず社内法務・コンプライアンス部門、必要に応じて専門の弁護士の方へご相談ください。

11-5. 最終判断は法務・契約担当・弁護士に委ねる

本セクションの結論を再掲します——法律・契約・コンプライアンスの最終判断は、必ず社内法務・コンプラ部門、必要に応じて専門の弁護士・税理士・社労士の方へご相談ください。本記事の判断軸は「2026 年 5 月時点・私の業務感覚と公開情報からの整理」であり、保証するものではありません。

12 — よくある誤解——「AI が全部やる」「人間の仕事がなくなる」断定回避

📖 この章で使う用語

  • 三段階バックグラウンド：営業→エンジニア→生成AIエンジニアの 3 つのキャリアを歩んだ経歴（私の差別化軸、profile §4）。
  • AGI（Artificial General Intelligence：汎用人工知能）：人間と同等以上の幅広い知的作業ができる AI の概念。本記事執筆時点（2026 年 5 月）では、実現状況・到達時期について各社・専門家で意見が大きく分かれています。

生成AI を学び始めると、SNS・YouTube・SERP で 5 つの誤解 に必ず触れます。1 つずつ、現役の生成AIエンジニアの視点から否定します。

12-1. 誤解①「AI が全部やってくれる」

最も多い誤解です。生成AI は 下書き作成・要約・翻訳・案出し・コードの相談相手 としてとても強いですが、「最終的な判断」「責任を伴う合意形成」「お客様への説明責任」 は人間の仕事として残ります。

私が非エンジニア部門への AI 展開を全社推進している現場でも、「AI で完全自動化」を最初に目標に置いた部門ほど、3 ヶ月後に挫折する傾向があります（個人観察、抽象化 Lv.2）。最初は「下書きを 5 割ラクにする」程度の現実的な目標設定が、結果的にいちばん長続きします。

12-2. 誤解②「人間の仕事がなくなる」

短期的には、「AI に置き換わる作業」と「AI で生産性が上がる仕事」と「AI と関係なく残る仕事」 の 3 つに分かれていく、というのが業務感覚です。長期的にどうなるかは、本記事執筆時点（2026 年 5 月）では誰にも分かりません（AGI の到達時期について各社・専門家で意見が大きく分かれている状態）。

私の現役視点でお伝えできるのは、「AI を使う側に立てた人」は、AI 時代でも自分の市場価値を維持・向上させやすい ということです。生成AI 入門は、そのための最初の一歩になります。

12-3. 誤解③「プログラマーは不要になる」

「AI コーディングアシスタント（Claude Code / Cursor / GitHub Copilot 等）の進化で、プログラマーは不要になる」という論調をよく目にします。私自身、毎日 AI コーディングを叩いている現役エンジニアの体感としては、「不要になる」ではなく「役割が変わる」 が近い表現です。

コードを「ゼロから書く」作業は減りますが、「AI が書いたコードを読む」「AI に出させる前に要件を整理する」「AI が書けない領域（システム設計・お客様要件・運用判断）を埋める」 作業は、むしろ重要性が増しています。

12-4. 誤解④「営業職は AI に置き換えられる」

営業職は AI に置き換えられる、という論調も多いですが、私の体験から否定 します。営業の本質は「商品の説明」ではなく「相手の意図を半歩先で読む」「お客様の課題を一緒に整理する」「人間関係を作る」という、人間側の感度の仕事です。これは AI に置き換えにくい領域です。

むしろ、営業の現場に AI を持ち込めるかどうかで、営業の成果が変わる時代 になっています。営業時代の私が今に戻れるなら、ChatGPT / Claude をフル活用して、訪問前の情報整理・提案書下書き・お客様向けメール整形に毎日使うと思います。

12-5. 誤解⑤「文系は生成AIエンジニアになれない」

「数学が苦手だから生成AIエンジニアは無理」「文系出身は不利」という不安をよく聞きます。結論から言うと、断定はできません が、私自身の体験からお伝えできるのは次のとおりです。

私が文系か理系かは本記事では非公開（profile §6）ですが、営業 7 年 4 ヶ月 → 未経験 SE → 現役の生成AIエンジニア という 3 段階を歩いている事実だけは公開しています。営業時代の私はエクセルの関数も怪しいレベルでした。それでも今、業務で OpenAI / Anthropic / Google の API を Ruby・Python・Scala から叩き、RAG / エージェント / チャットボットを業務プロダクトに組み込み、AWS Bedrock 経由 Claude も部分使用し、全社推進を任されている——という現在地に立てています。

生成AIエンジニアの仕事の主軸は、「数学的な深さ」よりも「業務要件を理解して、AI を業務に組み込む実装力」 です。営業時代の「お客様の意図を半歩先で読む癖」が、要件定義の現場で毎日活きています。文系・理系の別よりも、学習を継続できるか、業務で必要な周辺スキル（要件定義・コミュニケーション）を持てるか のほうが、結果的に効きます。

年収・転職率の数字は会社・市場・個人差で大きく振れるため、断定は避けます。最終判断はご自身の状況と、必要に応じて専門家にご相談ください。

13 — よくある質問

Q1: 生成AI を勉強するなら、最初の 1 ヶ月で何をすればいいですか？

A1: ChatGPT / Claude / Gemini のチャットアプリのうち 1 つを選び、業務の文章を貼り付けて 1 ヶ月続けるのが最短です。本・動画・PDF・資格は触ったあとに自分の業務シーンが見えてから選ぶ順序が、私が非エンジニア部門への展開で実感した王道です。詳細は セクション 5 の 5 ペルソナ別 30 日プランをご参照ください。

Q2: 生成AI 入門におすすめの本は何ですか？

A2: 「絶対これ」とは申し上げません（本記事の方針）。一般論として (1) 生成AI 入門書、(2) ChatGPT 活用本、(3) Python × AI 入門本、(4) RAG・LangChain 専門書、の 4 系統があります。私が読んだ範囲は公開できる粒度で示しつつ、最終的には書店で目次を見て「自分の業務シーンが想像できるか」で選ぶのがおすすめです。詳細は セクション 7 をご参照ください。

Q3: 生成AIエンジニアになるには、どの資格を取ればいいですか？

A3: 資格は必須ではありません。Google Cloud Skills Boost の「Generative AI Leader」認定、AWS Skill Builder の「AWS Certified AI Practitioner」認定、Anthropic Academy の無料コースの 3 系統が代表的ですが、転職市場での評価は会社・採用方針で大きく振れます。資格よりも「実際に何を作ったか」のポートフォリオが評価される傾向は、私の現役体感として変わっていません。詳細は セクション 8 をご参照ください。

Q4: 文系出身でも生成AIエンジニアになれますか？

A4: 「絶対なれます」とも「絶対無理です」とも申し上げません。私自身は営業 7 年→未経験 SE→現役の生成AIエンジニアという 3 段階を歩いたので、文系／理系の別よりも「学習を継続できるか」「業務で必要な周辺スキル（要件定義／コミュニケーション）を持てるか」のほうが効くと感じています。年収・転職率の数字は会社・市場・個人差で大きく振れるため、断定は避けます。詳細は セクション 12 をご参照ください。

Q5: 生成AI 入門で AWS や Google Cloud を学ぶ必要はありますか？

A5: 「最初の 1 ヶ月」段階では不要です。ChatGPT / Claude / Gemini のチャットアプリで業務シーンを掴んでから、必要に応じて AWS Bedrock / Google Cloud Skills Boost に進むのが順序として無理がありません。私自身は AWS を業務で使い、AWS Bedrock 経由 Claude も部分使用していますが、「業務シーンが見える前にクラウドを学ぶ」のは初学者には負担が重すぎる印象です。詳細は セクション 8 をご参照ください。

訂正連絡先

本記事の数字・出典・記述に誤りや古い情報があれば、お手数ですが send@bon-bon-tools.com までお知らせください。確認の上、本文末尾の「訂正履歴」セクションに反映いたします。

関連記事

出典

新しい記事のお知らせを受け取る → 登録（準備中）