AI人材とAXアーキテクトの違い｜AIエンジニアでは事業は変わらない理由

「AI人材」は単一カテゴリではなく、目的によって4分類に整理される。AIエンジニア（AI技術開発担当）、AI推進人材（AI導入推進担当）、AXアーキテクト（AI事業変革担当）、CAXO（経営層）。本記事はそれぞれの役割を整理し、なぜAIエンジニアでは事業は変わらないのか、AXアーキテクトという別人材像が必要な理由を示す。

「AI人材」は単一カテゴリではない

業界では「AI人材を採用する」「AI人材を育成する」と一括りに語られる場面が多い。しかし、実際に企業の現場で AI を扱う役割を分解していくと、「AI人材」と呼ばれる人々が担う仕事は、目的によってまったく違うカテゴリに分かれていることがわかる。

経済産業省と独立行政法人情報処理推進機構（IPA）が主催する AX-WG（AI トランスフォーメーション推進ワーキンググループ）でも、AI 人材を「経営者／AIエンジニア／AI推進人材／社員」の4分類で整理する議論が進められている。この4分類は、AI 人材論を「単一カテゴリ」から「役割分化」へと前進させた重要な議論である。

本記事は AX-WG の議論を尊重しつつ、AlphaDrive 独自の視点で4分類を再整理する。中核となるのは、AX-WG の整理に「AXアーキテクト」という別カテゴリを加える二段抜き構造である。AXアーキテクトは、AlphaDrive が WP-04「AXアーキテクトの実装論」で体系化した、AI で事業構造そのものを変革する人材像を指す。

「AIは効率化から、収益の創造へ。」という時代の移行を担うのは、技術担当としての AI 人材ではなく、事業構造を書き換える人材である。その境界線を、ここから整理していく。

AI人材の4分類

「AI人材」を単一の塊として捉えると、採用も育成も焦点が定まらない。目的別に4つに分けると、それぞれが担う仕事と、必要なスキルが明確になる。

分類①｜AIエンジニア（AI技術開発担当）

AIエンジニアとは、AI モデルそのものを開発・実装する技術担当である。機械学習、深層学習、LLM の実装、AI 基盤の構築といった、AI 技術領域の中核を担う。

主な活動は、AI アルゴリズムの設計、データサイエンス、AI システムの構築、MLOps の整備である。求められるスキルは、プログラミング、機械学習理論、データ処理、クラウド基盤の運用力。担当する領域は、技術領域そのもの ―― AI モデルの内側で何が起きているかを設計し、品質を担保する役割である。

AIエンジニアは AI 技術領域において極めて重要な職能であり、彼ら・彼女らがいなければ AI 活用そのものが成立しない。一方で、AIエンジニアの主戦場は技術領域に閉じている。事業構造の変革や、収益モデルの再設計といった経営判断の領域は、AIエンジニアの役割範囲ではない。これは能力の高低の話ではなく、職能の構造的な分担の話である。

収益進化AIシステムを支える基盤層として、AIエンジニアの存在は不可欠である。

分類②｜AI推進人材（AI導入推進担当）

AI推進人材とは、社内への AI ツール導入を推進し、組織への定着を担う役割である。法人向け生成AI プラットフォームの導入、全社研修、利用率モニタリング、AI 倫理・ガバナンスの整備などを担当する。

主な活動は、AI ベンダーの選定、社内 AI ガバナンスの設計、AI リテラシー研修の企画、利用状況の可視化と改善である。求められるスキルは、プロジェクトマネジメント、組織開発、変革管理、ベンダーマネジメント。担当する領域は、組織領域 ―― 「DX Area」と呼ばれる、業務効率化の領域である。

AI推進人材は、組織への AI 定着において重要な役割を果たす。多くの日本企業で、AI ツールを「入れたが使われない」状態から「全社員が日常的に使う」状態への移行を担っているのは、まさにこの層である。

一方で、AI推進人材が主に動かしているのは「DX Area」であり、事業構造そのものを変える「AX Area」とは別の領域である。McKinsey の調査でも、AI を採用する企業の88%に対し、業績インパクト（EBIT 5%以上）を生む企業は約6%に留まる（McKinsey State of AI 2025、n=1,993）。この差を生む構造は、AIイネーブルメントの対象領域の違いに帰着する。

分類③｜AXアーキテクト（AI事業変革担当）

AXアーキテクトとは、AI で事業構造そのものを変革する人材である。AI 技術担当でも、AI 導入担当でもなく、AI で「まだ存在しない売上」を作る役割を担う ―― 書籍『AI収益進化論』が提示した「収益進化家」の AX 実装版に相当する人材像である。

主な活動は、AX for Revenue Loop（AI Sprint → Plateau Detection → PI Injection → 収益構造の再設計）の90日サイクル実装、新規事業の創出、既存事業の AX 化である。求められるスキルは、BA能力（ステークホルダーを動かす力／ビジネスモデリング／環境理解）と、AI能力（Full-Product Launch、AI Orchestration、AI Sprint、PI Injection）の掛け算である。担当する領域は、事業領域 ―― 「AX Area」と呼ばれる、100倍化を扱う領域である。

AXアーキテクトは、AlphaDrive が WP-04「AXアーキテクトの実装論」で体系化した独自の人材像である。AI技術力だけでも、ビジネス力だけでも成立しない ―― 両者の掛け算が事業の質的変容を起こす条件となる。これは AI 時代に固有の人材像であり、過去10年のビジネスアーキテクト論や DX 人材論の延長では捉えきれない領域である（AXアーキテクトとビジネスアーキテクトの違い）。

分類④｜CAXO（経営層・Chief AX Officer）

CAXO（Chief AX Officer / Chief AI Transformation Officer）とは、AI 時代の経営判断を担う経営層の役割である。AlphaDrive では、麻生要一が代表取締役社長 兼 CEO/CAXO として、グループ全体の AX 戦略を統括している。

主な活動は、効率化AI イネーブルメントと収益進化AI イネーブルメントの両輪設計、90日サイクルでの経営判断、AXアーキテクト候補の発掘と育成、AX 投資の意思決定である。求められるスキルは、経営判断力、AI 時代の事業構造への深い理解、AXアーキテクト育成への長期的なコミットメント。担当する領域は、経営領域 ―― 4分類全体を統括する立場である。

CAXO は単なる新設役職ではなく、効率化AIと収益進化AIという2つの設計思想を同時に動かすための経営機能である。詳細は別記事「CAXOとは何か」、および経営層レイヤーの育成論を扱う B-11「経営層のAIリテラシー育成」で扱う。

4分類の階層構造と相互関係

4分類は対立関係ではなく、それぞれが異なる役割を担う階層構造である。経営層（CAXO）が全体を統括し、AXアーキテクトが事業現場で実装を担い、AI推進人材が組織への定着を担保し、AIエンジニアが技術基盤を支える。

組織規模によって、この4分類の重み付けは変わる。小規模組織では、一人が複数分類を兼ねる場合が多い ―― 経営者がそのまま CAXO であり、同時に AXアーキテクトとして現場に降りるケースは珍しくない。逆に、大規模組織では役割分離が進み、それぞれの分類に専任者が配置される設計になる。

AI導入の3段階モデルで言えば、段階1（試行）では AI推進人材の比重が大きく、段階2（部分組込）で AIエンジニアと AI推進人材の連携が進み、段階3（Plateau 到達）以降、AXアーキテクトと CAXO の役割が決定的に重要になる。段階3を越えるには、効率化AI の延長線ではなく、別の山への登り直しが必要だからである（2つの山モデル）。

重要なのは、いずれかの分類が「上位」「下位」という関係ではないことだ。技術担当、推進担当、変革担当、経営担当 ―― 4つの職能がそれぞれの領域で成立してはじめて、AI が事業の力に変わる構造になる。

AI人材とAXアーキテクトを分ける5つの構造的違い

ここからは、AI 人材（AIエンジニア・AI推進人材）と AXアーキテクトの違いを、5つの構造的軸で整理する。なお、CAXO は経営層レイヤーとして別の論点を持つため、ここでは主に AI人材と AXアーキテクトの境界を扱う。

観点	AIエンジニア／AI推進人材	AXアーキテクト
中核能力	AI技術力／AI導入推進力	BA能力 × AI能力（掛け算）
主戦場	業務効率化（DX Area）	事業構造変革（AX Area）
時間軸	個別プロジェクト単位	90日サイクルLoopの継続回転
担当範囲	組織内の特定機能	事業横断の統合者
知性の扱い	AI技術リテラシー	PI（Field + Crazy Intelligence）の発掘と注入

違い①｜「AI技術力」か「BA能力 × AI能力の掛け算」か

AI 人材（AIエンジニア・AI推進人材）の主軸は、AI 技術力、または AI 導入推進力である。深層学習の理論、LLM の挙動理解、AI ツールの導入推進力、ガバナンス設計力 ―― いずれも AI を扱うための「専門能力」として独立して成立する。

一方、AXアーキテクトの中核は、BA能力（ビジネスモデリング、環境理解、ステークホルダーマネジメント）と AI能力の「掛け算」である。重要なのは、これが足し算ではなく掛け算である点だ。BA能力が10で AI能力が0なら、結果は0。AI能力が10で BA能力が0でも、結果は0になる。両方が一定水準を超えてはじめて、事業の質的変容を駆動する力が生まれる。

この掛け算構造を、過去のビジネスアーキテクト論や AI エンジニア論の枠組みでは捉えきれない。詳細は「AXアーキテクトとビジネスアーキテクトの違い」で扱う。

違い②｜「業務効率化」か「事業構造変革」か

AI 人材、特に AI 推進人材の主戦場は、業務効率化 ―― DX Areaである。社内の業務工程に AI を組み込み、工数を削減し、処理時間を短縮する。これは正しい仕事であり、日本企業の磨き上げ文化と相性がよい（麻生要一『AI収益進化論』第2-2章）。

一方、AXアーキテクトの主戦場は、事業構造変革 ―― AX Areaである。「既存の型を加速する」効率化AIに対し、「まだ存在しない型を作る」収益進化AIの設計と実装を担う（麻生要一『AI収益進化論』第2-4章）。

両者の違いは、AI ツールの違いではない。同じ ChatGPT を、同じ Copilot を使っても、設計思想の側で2つに分かれる。AI 推進人材が DX Area の責任を負い、AXアーキテクトが AX Area の責任を負う ―― この役割分担が明示されていない組織では、両者の責任範囲が混線し、結果としてどちらの領域も中途半端になる。整理は「2つの山モデル」および C-04「2つの山モデルからの整理」で詳述する。

違い③｜「単一プロジェクト」か「90日サイクルLoop」か

AI 人材の時間軸は、個別プロジェクト単位である。AI モデルの開発プロジェクト、AI 導入プロジェクト、研修プロジェクト ―― それぞれに開始と終了があり、成果物が定義され、納品される構造で動く。

一方、AXアーキテクトの時間軸は、AX for Revenue Loopの90日サイクルである。AI Sprintで既存業務をAIでやり切り、Plateau Detectionで効果の逓減点を見極め、PI Injectionで新たな金脈を探し、収益構造の再設計で兆しを事業モデルとして拡大する ―― これを継続的に回し続ける。

Loop は終わらない。回し続けることで、自社の AI が他社の AI とは別の存在に育っていき、Loop そのものの周回速度が上がっていく（麻生要一『AI収益進化論』第7-6章）。プロジェクト型の時間軸では、この継続的進化は構造的に成立しない。実装プロセスの詳細は A-09「AI事業開発の進め方」で扱う。

違い④｜「組織内の特定機能」か「事業横断の統合者」か

AI 人材は、組織内の特定機能 ―― IT 部門、AI 推進室、データサイエンスチーム等 ―― に所属する。所属組織の専門性のなかで、自らの職能を発揮する構造である。

一方、AXアーキテクトは、事業部・経営層・技術部門を横断する統合者である。事業の現場で顧客接点に立ち、経営層と直接対話して投資判断を引き出し、技術部門と協働して AI Orchestration を組み上げる。組織図の特定セルには収まらない動き方をする。

この横断性は、組織設計の難所でもある。既存の組織図に AXアーキテクトを置こうとすると、所属部門の論理に回収されてしまい、横断性が失われる。AlphaDrive が「AX Dejima」という出島構造を提示しているのは、この構造課題への解の一つである。A-05「DX推進との違い」で組織設計の論点を扱う。

違い⑤｜「技術リテラシー」か「PI（Primal Intelligence）発掘」か

AI 人材に求められる知性の中核は、AI 技術への深い理解と、最新動向のキャッチアップ能力である。新しいモデル、新しい API、新しいフレームワーク ―― 技術の最前線を追い続けることが価値の源泉となる。

一方、AXアーキテクトに求められる知性は、技術理解に加えて、PI（Primal Intelligence） の発掘と AI への注入である。PI とは、AI が学習できる領域の「外側」にある原初の知性 ―― Field Intelligence（言語化されていない現場の情報）と Crazy Intelligence（論理的に導けないとっぴな発想）の2要素から構成される（麻生要一『AI収益進化論』第4-5章）。

「AI 技術を使う」段階から、「人にしか持ち得ない知性を AI に注入する」段階へ ―― これが AXアーキテクトに固有の知性領域である。学習可能なナレッジを問い直す能力については、B-08「『問いを立てる力』はAI研修では育たない」で扱う。

「AIエンジニアでは事業は変わらない」という構造的事実

AIエンジニアは、AI 技術領域において極めて重要な職能である。彼ら・彼女らがいなければ、自社固有のモデル、AI 基盤、データパイプラインは成立しない。本記事は、AIエンジニアという職能を否定するものではない。

その上で構造的事実として整理すべきは、「AIエンジニアを採用すれば事業が変わる」という期待は、職能の構造的ミスマッチを抱えている、ということだ。

多くの企業で、AI 推進室や DX 部門が「優秀な AIエンジニアを採用すれば AI で事業が変わるはず」と期待して採用に踏み切る。しかし、入社した AIエンジニアは技術領域の最適化に専念する ―― それが彼ら・彼女らの本来の職能だからだ。事業の収益構造を書き換える役割は、AIエンジニアの担当範囲ではない。期待と職能のずれが、組織内に静かな失望を生む。

MIT NANDA の調査では、企業の生成AI 投資累計300〜400億ドル規模に対し、組織の95%が測定可能な P&L リターンを得られていない（MIT NANDA 2025）。BCG の調査では、経営層の75%が AI を「トップ3の戦略的優先事項」に挙げる一方、AI から「重要な価値」を得ているのは25%のみである（BCG AI Radar 2025、n=1,803）。

この差を埋めるのは、AIエンジニアの追加採用ではない。事業構造の側を書き換える AXアーキテクトの存在である。AIエンジニアの採用・育成は「AI 技術領域での即戦力」として極めて有効であり、事業変革の担い手として AXアーキテクトの採用・育成と並行して進めるべき投資である ―― これは二者択一ではなく、両輪の話である。

この構造を見ずに「優秀な人を採れば変わる」と期待する経営判断が、なぜ機能しないのかは、B-07「AI人材を外部から採用しても変革が起きない構造」、および「優秀な人ほど新規事業で失敗する」で扱う。

自社の AI 人材戦略を再構成するための3つの問い

ここまでの整理を、自社の状況に当てはめるための3つの問いを示す。

Q1：自社の AI 人材戦略は「AIエンジニア中心」「AI推進人材中心」「AXアーキテクト育成」のどれに偏っているか。

多くの企業では、AIエンジニア採用と AI推進人材育成（全社研修、ガバナンス整備）に投資が集中している。AXアーキテクト育成への投資が組織内に存在するかどうかは、AX Area への踏み込みの本気度を示すシグナルになる。

Q2：AXアーキテクト候補となる「BA能力 × AI能力」の素地を持つ人材を組織内で発掘できているか。

AXアーキテクトは、外部採用だけで揃えるのが構造的に難しい人材像である。自社の事業構造、自社の現場、自社の Field Intelligence を深く理解している人材を、内部から発掘・育成する経路を持っているか。育成プロセスの整理は「AXアーキテクト育成の5段階モデル」で扱う。

Q3：経営層（CAXO）が4分類を統括する責任を負っているか。

4分類のバランス設計、AXアーキテクト育成への長期コミットメント、効率化AIと収益進化AIの両輪設計 ―― これらは経営層が直接担う領域である。情報システム部門や DX 推進部門への委任で済む話ではない。

この3つの問いに対する自社の現在地が、AI 投資が「DX止まり」で終わるか、「AX に届く」かの分岐点になる。

よくある質問

Q1：AIエンジニアは AI 時代に不要になるのか？

不要にはならない。むしろ、AIエンジニアは AI 技術領域において極めて重要な職能であり続ける。自社固有のモデル、AI 基盤、データパイプラインの設計・運用は、AIエンジニアなしには成立しない。本記事の論点は「AIエンジニアが不要」ではなく、「AIエンジニアの職能と、事業構造を変革する職能（AXアーキテクト）は別カテゴリである」という構造的整理である。両者は対立せず、それぞれの領域で必要な人材として並走する関係にある。

Q2：AI推進人材と AXアーキテクトは兼務できるのか？

組織規模と段階によって、兼務の現実性は変わる。小規模組織や、AI 導入の初期段階では、一人が AI 推進人材と AXアーキテクトの両方を担うことは珍しくない。一方、組織が大きくなり、AX for Revenue Loop が複数事業で同時に回り始めると、役割分離が進む。DX Area の責任（AI 推進人材）と AX Area の責任（AXアーキテクト）は、対象領域も時間軸も異なるため、ある段階で必ず分離が必要になる。兼務状態を「永続的な体制」と捉えると、どちらの領域も中途半端になりやすい。

Q3：AXアーキテクトを社内で育成するには何から始めればよいか？

第一歩は、AXアーキテクト候補となる人材の発掘である。AI 技術への素養と、事業構造への深い理解（BA能力）の両方の素地を持つ人材を、組織内で見出すことから始まる。詳細な育成プロセスは「AXアーキテクト育成の5段階モデル」で扱う。発掘した候補に対して、AI Sprint や PI Injection を実際に回す経験を OJT で積ませることが、座学研修よりも本質的な育成経路になる。経営層（CAXO）が育成プロセスに直接関与することが、成立条件となる。

Q4：AXアーキテクトは何人必要なのか？

組織規模と AX for Revenue Loop の同時回転本数によって変わる。一つの事業で Loop を回すには、AXアーキテクト1名と、その周囲を支える AI推進人材・AIエンジニアの体制があれば成立する。複数事業で並走させる場合は、それぞれの事業に AXアーキテクトを配置する必要が出てくる。重要なのは「AXアーキテクトを大量採用する」ことではなく、「自社固有の Field Intelligence を持つ AXアーキテクトを、内部から育てる経路を持つ」ことである。少数精鋭で始め、Loop の成果に応じて段階的に増やす設計が現実的である。

Q5：AX-WG の AI 人材4分類との関係はどう整理すべきか？

経済産業省・IPA 主催の AX-WG が議論した「経営者／AIエンジニア／AI推進人材／社員」の4分類は、AI 人材論を「単一カテゴリ」から「役割分化」へと前進させた重要な議論である。AlphaDrive の整理は、AX-WG の議論を否定するものではなく、その上に「AXアーキテクト」という別カテゴリを加える二段抜き構造である。AX-WG の「AIエンジニア／AI推進人材」を継承しつつ、事業変革の担い手として AXアーキテクトを独立カテゴリとして位置付ける。これは AX-WG の議論をさらに精緻化する位置付けであり、政策層の議論と実装現場の方法論を接続する整理として機能する。

関連する AX for Revenue の概念

• AXアーキテクトとは何か
• AXアーキテクトとビジネスアーキテクトの違い
• AXアーキテクト育成の5段階モデル
• CAXOとは何か
• 収益進化AIシステム
• 2つの山モデル
• 3領域モデル
• AX Area
• DX Area
• Human Area
• 領域誤認
• PI（Primal Intelligence）
• Field Intelligence
• Crazy Intelligence
• PI Injection
• AX for Revenue Loop
• AI Sprint
• Plateau Detection
• 収益構造の再設計
• Full-Product Launch
• AI Orchestration
• AIイネーブルメント
• 100倍化
• なぜAI投資はDX止まりで終わるのか
• 優秀な人ほど新規事業で失敗する

---

発行: 株式会社アルファドライブ / AX for Revenue Institute

書籍参照: 麻生要一（株式会社アルファドライブ 代表取締役社長 兼 CEO/CAXO）『AI収益進化論──完成品製造コストゼロ時代の収益創造』株式会社Ambitions、2026年5月。