
AI時代、エンジニアは何で価値を証明するのか
はじめに
AIがコードを書く時代、エンジニアは何によって自分の価値を証明するのだろうか。
これまでの記事では、AIによって実装が速くなっても、開発全体が速くなるとは限らないこと、そして「AIは作る、人間は選ぶ」という変化について考えてきた。
私自身、コーディングエージェントを使い続けるなかで、技術の進化とともに、エンジニアに求められる役割も変わりつつあると感じている。
重要なのは、どれだけ多くのコードを書けるかではなく、技術を通じて、どんな変化を生み出せるかということだ。
その価値は、大きく2つの役割に現れると考えている。
1. 開発フローを支える|成果を安定して届ける力
コーディングエージェントを使うなかで、実装の速さと、価値を届けるまでの速さは別だと実感した。
AIによってコードは速く用意できる。しかし、レビューや意思決定が追いつかず、開発全体の流れが滞る場面があった。実装が終わっても、変更の影響やリリースのリスクを判断できなければ、次の工程には進めない。
そこで感じたのは、実装をさらに速くするよりも、開発全体のどこが滞っているかを捉えることの大切さだ。個人の実装能力を高めるだけでは、開発全体の成果は最大化できない。
だからこそ、開発フロー全体を一つのシステムとして捉える必要がある。

例えば、レビューが滞っているなら、単にレビュー担当者を増やすだけでなく、変更の単位やレビュー基準、設計段階での合意形成まで見直す必要がある。
リリースに時間がかかるなら、テストの自動化だけでなく、品質をどう判断し、誰が何を確認するのかという流れも考えなければならない。
また、速度や品質だけでなく、開発・運用・AI利用にかかるコストとのバランスも欠かせない。
ここで求められるのが、言語化と仕組み化だ。
個人の経験や暗黙知に頼っていた判断を、チームで共有できる基準に変える。そして、誰か一人の頑張りに依存せず、安定して成果を届けられる状態をつくる。
もちろん、エンジニア一人ですべてを変えられるわけではない。しかし、技術的な知識をもとに問題を発見し、改善の選択肢を示すことはできる。
自分が速く作ることから、チーム全体が安定して価値を届けられる状態をつくることへ。
そこに、エンジニアの新しい価値の一つがある。
2. 共創を回す|意図とデータを循環させる力
もう一つ重要なのが、異なる専門性を持つ人たちの共創を支える役割だ。
AIによって試作や実装のコストが下がると、最初に決めた要件をそのまま形にするだけでなく、試しながら何を作るべきかを見極める進め方が現実的になる。
そのとき、エンジニアに求められるのは、与えられた要件を実装することだけではない。
ここでは、よくある場面で考えてみたい。例えば、あるプロダクトで「ユーザーの継続率を改善したい」という要望があったとする。
すぐに新しい機能を追加するのではなく、まず、ユーザーがどの段階で離脱しているのか、何が原因なのかを考える必要がある。
ここでエンジニアは、技術的な知識を使って、抽象的な意図を検証可能な問いに変えられる。
どのようなデータが必要なのか。現在のシステムで何を計測できるのか。小さな変更で仮説を検証する方法はないか。
そして、得られたデータをもとに、次の判断を考える。
もし想定していた原因が違っていたなら、新しい機能を作る前に、問題の捉え方そのものを見直せばよい。
ここには、「意図」と「データ」を往復する循環がある。
意図 → 仮説 → 検証 → データ → 意図の見直し

意図は、何を実現したいのかという方向を示す。一方、データは、実際に何が起きているかを教えてくれる。
ただし、データだけで正しい答えが決まるわけではない。何を計測したか、どう解釈するかによって、見えるものも変わる。
だからこそ、意図をデータで確かめ、データから意図を問い直すことが重要になる。
この循環を成立させるには、データを分析する能力だけでなく、異なる専門性を持つ人たちの認識をそろえる力も必要だ。
例えば、ビジネス側が新機能の追加を提案したとき、エンジニアが「まず離脱の状況を把握して、原因について仮説を立ててみませんか」と提案する。それによって、議論は「何を作るか」から「何を解決すべきか」へ進む。
これは、単なる会議の進行ではない。専門性の違いを生かし、チームがよりよい判断にたどり着くための働きかけである。
技術を使って意図を検証可能な形に変え、現実から得た情報を次の判断につなぐ。
その循環を支えることが、共創におけるエンジニアの価値だと考えている。
3. 俯瞰力とメタ認知|何を解くべきかを問い直す
開発フローを整えることと、共創を回すこと。この2つの役割を支えるのが、俯瞰力とメタ認知だ。
俯瞰力は、目の前の作業だけでなく、全体の構造や相互の関係を捉える力である。一方、メタ認知は、自分自身の認識や思考、判断を客観的に捉える力だ。
この2つが重要なのは、目の前の問題を解決するだけでなく、そもそも正しい問題を解こうとしているのかを問い直せるからだ。
例えば、AIが高度なシステム設計を提案したとする。その設計が技術的に成立するかを確かめるのは重要だ。しかし、今のプロダクトにそこまでの複雑さが必要なのか。将来の拡張性を重視しすぎて、目の前の課題を見失っていないか。
俯瞰力があれば、設計の影響を開発や運用、事業の目的まで含めて捉えられる。メタ認知があれば、「拡張性を重視すべきだ」という自分の判断基準そのものを問い直せる。
技術的な可能性と制約を理解しているからこそ、エンジニアは前提を見直し、実現可能な別の選択肢も示せる。こうした姿勢は、異なる専門性を持つ人たちが共創するときにも欠かせない。
問題設定の重要性は、AI以前から変わらない。しかし、AIによって実装や検証が容易になるほど、問いの妥当性を確かめることの重要性は増していく。
俯瞰力は、全体の構造を見る力。メタ認知は、その構造を見ている自分自身の認識を問い直す力。
AIの答えを評価するだけでは足りない。答えを求める問いそのものが妥当なのかを、私たち自身が考えなければならない。
4. 価値を証明する|組織の骨格と血流
ここまで考えてきた2つの役割は、人間の身体に例えると「骨格」と「血流」に近い。
開発フローは、組織を支える骨格だ。判断基準や仕組みが整っているからこそ、個人の能力だけに依存せず、安定して成果を届けられる。
一方、意図とデータの循環は、組織を動かす血流だ。異なる専門性を持つ人たちが、仮説と検証を繰り返しながら、よりよい判断へと進んでいく。
骨格がしっかりしていても、血流が滞れば組織は前に進まない。血流が活発でも、骨格が弱ければ安定して成果を生み出せない。
エンジニアは、技術を通じて組織の骨格を整え、意図とデータの血流を促す存在だ。

では、その価値は何によって証明できるのだろうか。
例えば、レビューやリリースが以前より安定したこと。仮説検証が速くなり、不要な開発を減らせたこと。こうした変化は、エンジニアの働きかけが組織の成果につながったことを示す材料になる。
価値を証明するのは、役割そのものではなく、その役割を通じて生み出した変化だ。
その変化を示すには、改善前後の違いだけでなく、何を課題と捉え、なぜその打ち手を選んだのかも残しておくとよい。
大切なのは、自分がどれだけ多くの仕事をこなしたかではない。自分の働きかけによって、組織がどれだけよく機能するようになったかということだ。
まとめ|作る力から、成果を生み出す力へ
AIがコードを書くようになっても、エンジニアの技術力が不要になるわけではない。
技術的な理解があるからこそ、AIの出力を評価し、実現可能性やリスクを判断し、よりよい選択肢を示せる。
ただし、その能力をどんな成果につなげられるかが、これまで以上に重要になる。
開発フローを整え、安定して価値を届けること。異なる専門性をつなぎ、意図とデータを往復しながら、届けるべき価値を見極めること。
そして、全体を俯瞰し、自分たちの認識や判断を問い直し続けること。
これまで考えてきた「AIは作る、人間は選ぶ」という言葉も、ここにつながっている。
その「選ぶ」を個人の能力だけに依存させず、仕組みと共創を通じて、組織全体の力にしていく。
エンジニアの価値は、どれだけ多くのコードを書いたかではなく、技術を通じて、どれだけ意味のある変化を生み出せたかに現れる。
「自分の仕事によって、何がよりよく変わったのか」
AI時代のエンジニアにとって、この問いに答え続けることが、価値の証明になる。