FDE(Forward Deployed Engineer)とは?

By Jay Revels, Ichizoku株式会社 CEO(読了目安時間:約15分)

FDE(Forward Deployed Engineer)とは、顧客の業務現場に直接入り、課題の特定からAIシステムの設計、実装、本番運用までを一貫して担うエンジニアです。コードを書くだけでなく、そのシステムが業務の成果につながるところまで責任を持ちます。本記事では、FDEの定義と由来、仕事内容、SESやITコンサルとの違い、必要なスキル、そして社内でFDEを育てる方法を解説します。


重要なポイント
  • FDEは成果まで責任を持つエンジニア:現場で課題を定義し、AIに任せる部分、決定論的なシステムで処理する部分、人が判断する部分を切り分けて実装する
  • SESやコンサルとの違いは「課題の定義」と「実装責任」:課題を自分で定義し、自分でコードを書いて本番まで届ける
  • 必要なのは技術とビジネスの両方:モデルやAPIの知識に加え、業務フローの理解やROIで説明する力が求められる
  • 採用より育成が現実的:「技術力×業務理解」を備えた人材は少なく、自社の業務を知るエンジニアを育てる方が近道になる


FDEの仕事に必要な考え方とスキルは、4週間の「FDE育成プログラム」で体系的に学べます。

まずは第1回講義動画(約5分)を無料でご覧ください。

FDEは「Forward Deployed Engineer」の略です。「Forward Deployed」はもともと軍事用語で、本部ではなく現場の最前線に配置されることを指します。日本語に直訳すると「前線配備エンジニア」です。

その名のとおり、FDEは自社のオフィスで仕様書を待つのではなく、顧客の現場に入って働きます。担当者の作業を見て、どこに本当の課題があるかを自分で確かめ、その課題を解くシステムを自分で作ります。

FDEは、通常は別々の人が担当する2つの領域をつなぎます。

  • ビジネス領域:業務ワークフロー、コスト構造、関係者の利害、運用リスク、定量化できるビジネス価値
  • 技術領域:確率的なモデル、システムアーキテクチャ、API、データパイプライン、既存システムとの統合、本番での信頼性

FDEの仕事の中心は、AIを使うことそのものではありません。業務の中で「AIに任せる部分」「決定論的なシステムで処理する部分」「人が判断する部分」を見極め、実際に成果が出る形で組み合わせることです。

FDEは、米国のデータ分析企業であるPalantir Technologiesが始めた職種です。Palantirは政府機関や大企業に自社のプラットフォームを導入する際、エンジニアを顧客の現場に送り込み、その場で課題を見つけて解決するやり方を取ってきました。

この職種が改めて注目されたきっかけは、生成AIです。基盤モデルは誰でもAPIで使えるようになりましたが、それを実際の業務に組み込み、成果が出る形で動かし続けることは簡単ではありません。そのため、OpenAIやAnthropicといったAI企業もFDEを採用し、主要な顧客の本番導入を支援しています。日本でも、AIベンダーやSIer、事業会社がFDEという名称で職種やサービスを立ち上げる動きが広がっています。

PalantirのFDEがなぜ大型契約を生むのかは、なぜPalantirの400万ドル規模の契約は、営業ではなくエンジニアから生まれるのかで詳しく解説しています。

FDEの仕事は、現場の理解から始まり、本番運用と改善まで続きます。Ichizokuでは、この流れを6つのステップで整理しています。

1. ビジネスワークフローの理解
業務が実際にどう動いているかを現場で確かめる。手順書には書かれていない例外処理や、担当者ごとのやり方の違いも理解する。
2. 正しい問題の定義
AIで解決すべきワークフローを特定し、何を指標に効果を測るかを決める。
3. AIシステムの設計
AIが担うこと、人が担うこと、使うデータ、成功の指標を決める。
4. 既存の制約に合わせた構築
既存のデータ、システム、セキュリティ、インフラに合う形で作る。小さなMVPで価値を確かめながら進める。
5. テストと本番環境へのデプロイ
実際のユーザーが使う環境で動くAIをリリースする。
6. 成果のモニタリングと精度向上
AIエージェントの動きを追跡し、ハルシネーションを抑え、現場で使われ続ける状態を作る。

従来の開発との大きな違いは、ステップ1と2をエンジニア自身が担うこと、ステップ6で完了するのではなく、その後も改善を続けることです。AIは確率的に動くため、一度作って終わりではなく、本番のデータで評価して直し続ける必要があります。

通信系グループ企業のカスタマーサポートAIに関する事例をもとにご説明します。

クライアントは、コンタクトセンターに寄せられる問い合わせに対応するプロダクトを開発しており、RAGのPoCはすでに稼働していました。

先方のシニアNLPエンジニアは、目標を「検索結果の1件目が正解であること」と端的に表現していました。従来の検索では、必要な情報に漏れがないか不安になる、または検索結果が多すぎて実用性に欠けるかのどちらかだったそうです。

私たちが最初に取り組んだのは、エージェント開発ではなく、ベンチマーク(評価用のテスト)の構築です。

最初の数週間:開発に着手する前に、課題を理解する

チームには精度に関する文書化された明確な基準がなかったため、まずは、GitHub上のPoCのコードを読み込み、実際の問い合わせがどのように届き、どのように回答されているのかを関係者と確認し、「正解」とは何かを明文化することから始めました。

この期間の大半は、プロダクトマネージャーやNLPエンジニアと議論し、モデルのスコアではなく、利用者にとってどのような回答が望ましいのかを明らかにすることに費やしました。また、各ベンダーが個別に作業を進めるのではなく、パートナー企業全体で課題をオープンに議論できるよう働きかけました。

中盤:あらゆる要素を測定する

テスト環境を構築し、エージェントが回答対象とする実際の製品ページからスクレイピングして収集したデータを含むデータセットを作りました。

そのうえで、チャンキングの手法、埋め込みモデル、データベース設計などを比較検証し、すべての検証にコードを用意し、誰でも再実行できるようにしました。データベースについては、FAISSからPostgreSQLに移行すべきかどうかも検証しました。

終盤:精度を改善し、可視化する

埋め込みモデルをファインチューニングし、Azure上でその処理を実行するためのコードを準備し、リリース後も検索精度を継続的に把握できるよう、監視機能を組み込みました。これにより、本番環境で精度が低下した場合も、利用者から指摘を受ける前に、開発チームはダッシュボードで把握できるようになります。

後日、先方のエンジニアの方が、プロダクトの仕様が固まるまでパラメータを一つずつ検証したことを最も高く評価していると話してくれました。FDEの仕事を一言で表すなら、モデルに対する主観的な意見を客観的な根拠に置き換え、その根拠に基づいて開発を進めることです。

FDEとよく比べられるのが、SES、ITコンサルタント、SIerです。いちばん大きな違いは、課題を自ら定義することと、自ら実装して本番まで届けることの両方を担う点です。

FDESESITコンサルタントSIer
主な役割現場に入り、課題の定義から実装、本番運用までを担う契約で決めた業務を、技術者として遂行する課題を分析し、解決策を提言する決められた要件にもとづいて、システムを開発・納品する
課題を決めるのはFDE自身
(現場で確かめ、顧客と合意する)
顧客
(業務の内容は契約で決める)
コンサルタント自身
(顧客と一緒に)
顧客
(SIerが要件定義から支援することも多い)
実装FDE自身が行う契約で決めた範囲で行う担わないことが多い行う
責任を持つもの業務の成果が出ること業務を適切に遂行すること(完成責任はない)提言の内容仕様どおりに完成させること(請負契約の場合)
関わる期間本番で定着し、顧客が自走できるまで契約期間中調査・提言の期間プロジェクト単位

※FDEは職種の名前であり、契約の形は企業によって異なります。SESは契約の形(多くは準委任契約)を指す言葉であり、客先常駐という働き方とは別のものです。

ソリューションエンジニア(セールスエンジニア)とも似ていますが、ソリューションエンジニアの主な役割は受注前の技術的な提案やデモです。FDEは受注後に現場で実装し、成果を出すところまで責任を持ちます。

FDEに必要なのは、エンジニアとしての実装力に加えて、これまでのソフトウェアエンジニアにはあまり求められてこなかった「現場での判断力」です。

ビジネスのスキル

  • 課題発見力:顧客自身も言語化できていない問題を現場の観察やヒアリングから見つける
  • スコープを定義する力:何をやり、何をやらないかを決め、関係者と合意する
  • 信頼関係を築く力:現場の担当者から本音を引き出し、導入後も使ってもらえる関係を作る
  • 成果をビジネスの言葉で示す力:モデルの精度ではなく、手戻り率や処理時間、ROIで効果を説明する

技術のスキル

  • 迅速なプロトタイピング:小さなMVPを短期間で作り、価値を確かめる
  • AIアプリケーション設計:ツール利用、エージェント、RAG、評価、ガードレールを特定ベンダーに依存せずに使い分ける
  • 制約の多い環境への対応:既存システム、権限、セキュリティレビューに合わせて本番に出す
  • LLMOpsと監視:本番でのAIの動きをトレースし、障害や精度の低下に気づける仕組みを作る

特に大事なのは、「AIを使わない」と判断できることです。シンプルなスクリプトや既存のルールで解決できる処理に、確率的なモデルを使う必要はありません。

ソフトバンクグループとOpenAIが共同設立したSB OAI Japan合同会社でFDEの採用設計を支援した際、当初の募集要項には課題がありました。(参考:Ichizoku主催モーニングセッション)

SQL、pandas、Docker、RAGの最適化、ガードレールなどを必須要件としていたところ、この条件では要件を満たす候補者がほとんどいないことを採用責任者から指摘されたのです。そこで、ツールや技術に関する要件の多くを「歓迎要件」に変更し、チュートリアルだけでは身につかない能力を必須要件として残しました。

技術試験の内容も見直しました。コードレビューの代わりに、OpenAIのライブラリを使用して基本的なRAGを構築し、その性能を評価してもらう形式に変更しました。面接では、コードの書き方や構文の細部よりも、評価結果の数値から何が読み取れるか、精度を高めるには何を改善すべきかなどの質問を重視します。先方の技術マネージャーからは、実際の実装で一度は苦労した経験がなければ解けない試験だという評価をいただきました。これが、私たちの基準です。

高い技術力を持ちながらも現場で成果を出せないエンジニアは、仕様が決まるのを待ち、モデルを調整して、その精度を報告するだけにとどまる傾向があります。一方、成果を出すエンジニアは、事業にとって何が「正解」なのかを自ら確かめに行きます。

まずは小さなものを作り、その成果を作業時間の削減や手戻りの防止といったビジネス上の価値に置き換えて説明します。また、現時点でわからないことは、わからないと率直に伝えます。日本企業において、こうした率直なコミュニケーションは意思決定を遅らせるどころか、むしろ迅速化につながります。

面接の最後には、すべての候補者に同じ質問をします。

「これがあなたの評価結果です。この結果から何が読み取れますか。また、最初に何を改善しますか。」

モデルそのものではなく、データとユーザーの視点から考え始める人ほど、現場で成果を上げる傾向があります。

生成AIの導入は進んでいますが、PoC(実証実験)ではうまく動いたのに、本番では使われないAIプロジェクトは少なくありません。その原因の多くは、モデルの性能ではありません。

米国のシンクタンクRANDが2024年に発表した調査では、AI・機械学習の実務経験者へのインタビューから、AIプロジェクトが失敗する主な要因として5つを挙げています。

1. 課題認識のずれ:解決すべき課題や成功の基準が、関係者の間で一致していない

2. データ不足:開発に必要なデータを確保できていない

3. 技術ありきの進め方:業務課題の解決よりも、新技術の採用を優先している

4. 開発・運用基盤の不足:データ管理やデプロイに必要な基盤が整っていない

5. 技術の限界を超えた要求:現在のAI技術では解決が難しい課題を選んでいる

このうち4つは、開発が始まる前の「何を、どこまで、どうやって作るか」の判断に関わる問題です。つまり、現場の業務と技術の両方を理解している人が最初から担当していれば、回避できた可能性が高いものです。その役割を担うのがFDEです。

※この調査は実務経験者への定性調査であり、生成AI案件全般の失敗率を示すものではありません。

私が現場で最もよく目にする失敗は、システムが停止することではありません。デモではうまく動いていたエージェントが、徐々にユーザーの信頼を失っていくことです。私たちが改善依頼を受けた、あるカスタマーサポート用エージェントは、その典型的な例でした。

当初、原因だと考えられていたのはモデル

質問の6〜7割に適切に回答できるエージェントを作るのは、比較的簡単です。モデルを接続し、プロンプトを作成して、RAGを組み込めば実現できます。しかし、残りの質問に正しく回答できないと、より大規模なモデルやプロンプトの書き直しを試してしまいます。このような改善で精度が多少向上しても、やがて頭打ちになります。

実際の原因は、モデルよりも前段の処理

・「正解」が定義されていなかった

私たちが確認した範囲では、精度に関する明文化された基準や品質保証(QA)のプロセスは見当たらず、個々の苦情が体系的に分析されないまま、改善策も推測に頼りがちだった。

・検索処理が弱点だった

文書はデータ形式にかかわらず一律の方法で分割され、埋め込みモデルは対象分野に合わせた調整が実施されていなかったため、エージェントは誤った箇所を参照しながら、確信を持って回答していた。

・問題が可視化されていなかった

古くなった検索結果やデータのスキーマの変化は、システムエラーにならないため、誤った回答が返されても、誰も気づかない状態だった。

解決策は、決して華やかなものではありませんでした。データ形式に応じたチャンキング、埋め込みモデルのファインチューニング、各手法のテストコードの整備、検索精度の監視です。

これは、RANDが指摘する失敗要因のうち、1つ目と3つ目が実際の現場で表れた例です。成功の基準が定義されておらず、課題が明確になる前に技術的な解決策を優先していました。

FDEの最初の仕事は、「正確である」とはどういうことかを定義し、測定できるようにすることです。

FDEに必要な「技術力×業務理解」を備えた人材はまだ少なく、外部からの採用は簡単ではありません。採用できたとしても、自社固有の業務やシステムを理解するまでに時間がかかります。

そのため現実的なのは、すでに自社の業務を知っている人材をFDEに育てる方法です。候補になるのは、次のような人材です。

  • システムエンジニア・ソフトウェアエンジニア:社内システム、データベース、APIの構造を理解している
  • ビジネスアナリスト・プロダクトマネージャー:業務ルール、KPI、業務上のボトルネックを理解している
  • オペレーションリーダー:現場のどこで手作業の非効率が起きているかを知っている

エンジニアをFDEに育てる場合、コードを書く力はすでにあるので、伸ばすべきなのは現場での判断力です。

日本企業への生成AIエージェントの導入を進める中で、私たちは何度も同じ壁に直面してきました。20件以上のAIエージェント導入を通じてわかったのは、デモを作ること自体は比較的容易だということです。

しかし、エージェントが本番環境で信頼されるようになるまでには、性能の評価、検索精度の改善、継続的な監視、そして実際に利用する人たちとの丁寧な対話が欠かせませんでした。名称はどうあれ、これこそがFDEの仕事です。前述の「実際の案件でFDEはどのように動くのか」で紹介した通信系グループ企業のカスタマーサポートAIの事例も、その一例です。

また、前述のSB OAI Japan合同会社では、リアライズ・イノベーションズと共同で、FDEプログラムの立ち上げを支援しました。IchizokuでHead of Client Solutions and AI Innovationを務めるFrancisco Soares(フランシスコ・ソアレス)が、クライアントとともにFDEとソフトウェアエンジニアの役割を定義しました。さらに、RAGの構築、評価、結果の説明までを行う実践型の採用試験も設計しました。

この取り組みで得られた知見は、Franciscoが設計したIchizokuのFDE育成プログラムにも活かされています。FranciscoはIchizokuに加わる前、Retail AIで40名以上のチームを率いた経験があり、Googleやサイバーエージェントでの勤務経験もあります。

IchizokuのFDE育成プログラムは、中堅エンジニアを4週間でFDEへ育てるプログラムです。約88本の動画(各約5分)と週次演習で、本記事で紹介した6つのステップを実践的に身につけます。

社内でのFDE育成について、さらに詳しく知りたい方は、次の記事もご覧ください。

FDEは、顧客の現場で課題を定義し、AIを本番で使われ続ける形で実装・運用するエンジニアです。本記事のポイントを振り返ります。

  • 仕事の中心は、AIを使うこと自体ではなく「AIに任せる部分」「決定論的なシステムで処理する部分」「人が判断する部分」を見極めて組み合わせること
  • SESやITコンサル、SIerとの違いは、課題を自ら定義し、自ら実装して本番まで届ける点
  • 必要なのは、実装力に加えて、課題発見、スコープの定義、信頼関係づくり、成果をビジネスの言葉で示す力
  • AIプロジェクトがつまずく原因の多くは開発前の判断にあるため、業務と技術の両方がわかる人が最初から関わることが重要
  • FDEの人材はまだ少なく、自社の業務を知るエンジニアを育てるのが現実的

モデルの性能が上がっても、業務に組み込むところでつまずく企業は少なくありません。その差を埋めるのがFDEです。


FDEの仕事に必要な考え方とスキルは、4週間の「FDE育成プログラム」で体系的に学べます。

まずは第1回講義動画(約5分)を無料でご覧ください。


1. FDEの読み方と意味は?

「エフディーイー」と読み、Forward Deployed Engineer(フォワード・デプロイド・エンジニア)の略です。顧客の業務現場で課題の特定からAIの実装、本番運用までを担うエンジニアを指します。

2. FDEとSESは何が違うのですか?

SESは契約で決められた業務を行い、その作業に対して報酬を受け取る契約の形です。FDEは課題そのものを自分で定義し、業務の成果が出るところまで責任を持ちます。定着したら、顧客が自走できる状態にして離れるのも特徴です。

3. FDEになるには何が必要ですか?

エンジニアとしての実装力に加えて、課題発見、スコープの定義、関係者との信頼構築、成果をROIで説明する力が必要です。技術面では、エージェントやRAGの設計、評価、LLMOpsの知識が求められます。

4. 未経験でもFDEになれますか?

プログラミング未経験からいきなりFDEになるのは難しいです。一方で、クライアント向けの開発経験があるエンジニアであれば、AIの深い専門知識がなくても、現場での判断力を身につけることでFDEとして活躍できます。

5. 社内でFDEを育てるにはどうすればよいですか?

自社の業務やシステムをすでに理解しているエンジニアを候補にし、現場での課題定義から本番運用までの流れを、実際の演習を通して身につけるのが効果的です。


著者について
Jay Revels(ジェイ・レベルズ)。東京を拠点とするAIコンサルティング・FDE研修企業、Ichizoku株式会社 CEO & Founder。Marin SoftwareやAdobe Japanなど、日本のテクノロジー業界で20年以上にわたり経営に携わってきました。Ichizokuは日本企業向けAIエージェントの開発・導入支援、AIエージェントを本番環境で運用できるエンジニアチームの育成を行っています。


Share This Story!

Recent Posts

;