39才で品質保証からAI QAへ転身した理由
39歳、大手IT企業でQAエンジニアとして品質保証を担ってきた彼は、AIモデルの“不確実性の高さ”に興味を抱き、AI QA（ML品質保証）としてスタートアップに転身しました。AI特有の品質課題に挑み、再現性のあるAI導入を支える専門職に踏み込んだキャリアをMCが紹介します。
人物プロフィール
年齢：39歳
性別：男性
転職前：大手IT企業／QAエンジニア（品質保証）
転職後：AIスタートアップ／AI QA（ML品質保証）
転職前年収：780万
転職後年収：1100万
転職動機・テーマ：AIモデルの品質を“再現性ある基準”で保証する専門職へ挑戦したい
ざっくりまとめると
・QAエンジニアからAI QA（ML品質保証）へ転身
・780万→1100万＋SO
・モデル精度テスト、データQA、ドリフト検知、再現性保証を担当
・生成AI時代に急増する“AI品質の専門家”として活躍
転職前のキャリアと悩み
“仕様どおり動くはずのソフトウェアが、AIになると動かない”違和感
私は、前職ではWebサービスの品質保証を担当し、テスト設計、バグ検知、再現性チェックなどを日常業務としてきました。従来のシステムは仕様通りに作れば一定の再現性が保てていましたが、AI機能が追加された途端、全く異なる世界が広がっていました。
・同じ入力でも日によってモデルの回答が変わる
・訓練データの粒度によって挙動が大きく変わる
・データの偏りがそのまま不具合につながる
・精度指標を定めても現場と乖離する
従来のQAでは扱えない“不確実性の塊”に強く興味を持ちました。「AI時代は品質保証そのものが変わる。ここに大きなキャリア機会がある」と直感しました。
転職を意識したきっかけ
AI企業から届いた“モデル品質の基準を作れる人がいない”というスカウト
転機はAIスタートアップからのスカウトでした。内容は「MLモデルの品質保証を体系化できる人材が社内にいない」。
面談で共有された課題は以下の通りでした：
・精度の基準が曖昧でPoCの成功判定が人によって違う
・再学習後のモデル比較を手作業で行っている
・データの品質チェックが属人的でロジック化していない
・LLMの回答品質が安定せず、改善指標がない
QA経験をAI領域に転用することで、組織の“品質の柱を作れる”と確信しました。
転職活動内容
QAスキルを“AI品質保証要素”へ分解して棚卸し
自身のスキルをAI QAの観点で棚卸ししました。
・テスト設計 → 評価指標（Precision/Recall/F1）に応用
・バグ検知 → 異常出力検知・エッジケース分析
・再現性チェック → モデルバージョン管理・再学習比較
・品質基準策定 → 評価データセット作成・LLMプロンプト評価
・エージェント：AI QA市場の希少性と年収帯を確認
・スカウト：モデル品質のどこに課題があるかをCTOと壁打ち
・求人サイト：他社のAI QA職の役割を比較し整理
強みは「品質を言語化し基準化する力」。弱みは「モデル内部の深い理解」。ただ企業側は“品質基準の体系化”を最も重視しており、強くフィットしていました。
意思決定のポイント／自分の市場価値
意思決定軸は“AI品質を仕組みで保証できるか”
最終的に選んだ企業は、AI QAを専門チームとして立ち上げ、モデル品質の基準づくり、評価データセットの設計、ドリフト検知、再学習後の比較テスト、LLM回答評価などを体系化していく環境でした。
他社はPoC中心で品質保証が曖昧なケースが多く、“仕組みとして品質を作る”という観点が薄かったため辞退しました。
内定・転職後の変化
AI QAは“AIの判断を人が信頼できる状態にする仕事”だった
入社後は、モデル比較テスト、評価データセットの作成、ドリフト検知ロジックの改良、LLM回答品質の評価基準策定などを担当。プロダクトの品質が向上し、誤答率が低下していくことに大きなやりがいを感じています。
課題は、AI特有の曖昧さをどこまで“基準化”できるかですが、仕組み化の推進によって、現場の不安は確実に減り、事業成長に直結しています。
メッセージと総括
“従来QAの延長線では測れない品質”に挑戦したい人へ
AI QAは、従来のソフトウェアQAとは全く異なる領域です。データ品質、モデル挙動、再学習サイクル、LLMの回答品質など、多様な観点で品質を保証する必要があります。
エージェントはスキル棚卸しに役立ち、スカウトは企業が抱える“AI品質の本音”を知る機会になります。AI領域で品質を体系化したい人にとって、強いキャリア価値を持つ職種です。
あなたと同じタイプの転職成功事例を探す
会員登録(無料)