こんにちは、ベンチャー・スタートアップへの転職支援を約25年続けているキープレイヤーズの高野です。

データエンジニアという職種について書こうと思ったのは、ネット上の情報があまりにも古いまま更新されていないことに気づいたからです。

この記事を書くにあたって上位表示されている記事をひと通り読みましたが、正直かなり驚きました。厚生労働省の統計値が古い年度のままコピーされ続けている、データエンジニアとデータベースエンジニアの年収統計が混ざっている、2024年に廃止された資格が「おすすめ資格」として紹介されている——こういう状態です。

データエンジニアは技術の移り変わりが特に速い職種で、2026年に入ってからも業界地図が大きく動きました。この記事では、すべての数値に出典と時点を明記し、2026年7月時点で確認できた事実だけを書きます。確認できなかったものは「確認できなかった」と正直に書きます。そのほうが役に立つはずです。

【まず結論】データエンジニア転職の要点

データエンジニアとは何か——3つの「データ職」を整理する

まずここを整理しないと話が始まりません。しかも多くの記事がここを間違えています。

【注意】データエンジニア ≠ データベースエンジニア

これ、本当に多くの記事が混同しています。求人ボックスの「データベースエンジニア 453万円」という数字が、なぜか「データエンジニアの年収」として引用されているケースを複数見つけました。

両者は別職種です。データベースエンジニアは業務システムのDB（受注管理、会計システム等）を扱い、データエンジニアは分析・AI用のデータ基盤を扱う。クラウド前提、分散処理前提という点でも設計思想が違います。年収水準も違うので、統計を混ぜてはいけません。

詳しくはデータアナリスト転職完全ガイド、データサイエンティスト転職完全ガイドも併せてご覧ください。

上位記事が書かない「境界の実態」

教科書的には「データエンジニアが基盤を作り、サイエンティストが分析する」という分業ですが、実務ではこの境界が企業規模で激変します。ここを書いている記事がほとんどないので、あえて書きます。

もう一つ、あまり語られない事実を書いておきます。年収の逆転現象です。「データサイエンティストのほうが花形で年収が高い」と思われがちですが、実際には基盤側（データエンジニア）のほうが高いケースが普通にあります。理由は単純で、基盤がなければ分析もAIも成立しないからです。生成AIブームで「AIにデータを供給する層」の重要性が上がり、この傾向はむしろ強まっています。

データエンジニアの年収相場【2026年版・出典明記】

まず、他の記事の「629万円」は古い数字です

ここは重要なので最初に指摘します。多くの上位記事が「厚労省job tagによるとデータエンジニアの平均年収は629万円」と書いていますが、2026年7月17日時点で一次情報を確認したところ、正しくは609.8万円でした。

出典：厚生労働省 job tag（職業情報提供サイト）「データエンジニア」ページ／2026年7月17日確認

629万円は旧年度の数値が更新されないままコピーされ続けたものと見られます。細かい話に見えるかもしれませんが、こういう数字を信じて転職の判断をする方がいるので、正確さは大事です。

エージェント・求人サイトのデータ

実際の転職事例（JAC Recruitment公表の自社事例／2023-2026年）

フリーランスの月単価

出典：ripla「データエンジニアのフリーランス市場単価」

【正直に書きます】確認できなかった年収データ

他の記事には載っているが、私が出典を確認できなかったものを列挙します。これらの数字は、この記事では出しません。

• 業態別（事業会社／SaaS／SIer／コンサル）の年収分解——業態別に切った公的統計・エージェント統計を確認できませんでした
• 階層別（ジュニア／中堅／シニア／リード）の明確なレンジ——他記事の階層別年収表は、確認した限りすべて出典明示のない自社推計でした
• 「レバテック調べのデータエンジニア年収」——レバテックにはデータエンジニア専用の年収統計ページが確認できませんでした（該当ページはデータベースエンジニアのものです）。他記事で見かけたら注意してください
• 外資テック日本法人のデータエンジニア年収——一次確認に至らず
• 「20代350〜700万／30代500〜1,000万」といった年代別早見表——数値自体は他ソースと矛盾しませんが、一次出典が明示されておらず、事実として提示はできません

私の実感を補足すると、この職種は「使える技術スタック」で年収が大きく変わります。データ集計・前処理が中心だと相場は伸びにくく、クラウドでの基盤設計・IaC・ストリーミング処理・AI向けデータ供給まで担える人は跳ねる。フリーランス単価の分布（50〜70万 vs 80〜120万）が、まさにその差を表しています。年収の考え方全般は年収・手取りガイドを、エンジニアの年収アップ戦略はエンジニアの年収査定と年収アップ完全ガイドをどうぞ。

データエンジニアの仕事内容——1日の流れで理解する

職務記述書を並べても実感が湧かないと思うので、成長期SaaS企業のデータエンジニアの典型的な1日を書きます。

華やかなイメージを持たれがちですが、実際は「壊れたものを直す」「聞かれたことに答える」「コストを見張る」が業務のかなりの割合を占めます。ここに面白さを感じられるかは、向き不向きが分かれるところです。

【2026年最新】データ基盤の技術スタックはこう変わった

ここが、この記事で最も価値があるセクションだと思います。2026年に入ってからの変化に触れている日本語の転職記事を、私は見つけられませんでした。「dbtを学びましょう」と書いてある記事はたくさんありますが、その dbt が今どうなっているかを書いている記事がない。

最重要：Fivetran と dbt Labs が合併完了（2026年6月1日）

2026年6月1日、Fivetran と dbt Labs の合併が完了しました（2025年10月に発表）。統合後は「Fivetran + dbt Labs」として運営され、CEOはGeorge Fraser氏（元Fivetran CEO）、PresidentはTristan Handy氏（元dbt Labs CEO）です。世界10万超のデータチームが利用しており、OpenAI、HubSpot、Pfizer、Verizon、Siemens などが名を連ねます。また、dbt Core v2.0（alpha）で dbt Fusion エンジンのランタイムが Apache 2.0 でオープンソース化されました。

出典：Fivetran プレスリリース、dbt Labs 公式ブログ、TechTarget（いずれも2026年6月）

誤解しないでほしいのですが、「dbtが終わった」わけではありません。両プロダクトとも継続提供されています。ただ、「Fivetranでデータを取り込み、dbtで変換する」という別々のツールを組み合わせる前提のモダンデータスタック解説は、2026年時点では構図が変わっているということです。面接で「最近のデータ基盤界隈の動きをどう見ていますか」と聞かれた時に、この話ができるかどうかで印象は変わります。

Snowflake：2026年に主要プロダクトが2つリネーム

Snowflake Summit 2026（2026年6月）での発表内容です。

• Snowflake Intelligence → Snowflake CoWork にリブランド
• Snowflake Cortex Code → CoCo にリブランド
• Natoma を買収（2026年6月2日発表・MCPプラットフォーム）、Observe を買収
• AWSと5年60億ドルのインフラ契約（同社最大のクラウド契約）
• Apache Iceberg v3 相互運用が GA。Horizon Catalog（Apache Polaris ベース）
• 新製品：Snowflake Datastream（Kafkaのマネージドサービス／private preview）、Cortex Training、Cortex Sense、Horizon Context
• Anthropic とのパートナーシップ深化（Claude が CoWork / CoCo の中核に）

出典：Constellation Research、Flexera、Atlan（いずれもSnowflake Summit 2026レポート）

「Snowflake Intelligence」という名称で話すと、2026年時点では古い表記になります。細かいですが、面接ではこういうところで温度感が伝わります。

Apache Airflow：3.x が主流に

Airflow 3.0.0 は2025年4月22日にGA。2.0（2020年）以来、史上最大の刷新でした。Reactベースの新UI、DAG Versioning、Backfill改善、Event Driven Scheduling を導入。その後 3.1.0（2025年9月）→ 3.1.6（2026年1月）→ 3.3.0（2026年7月6日リリース）と進んでいます。

出典：Apache Airflow 公式ブログ／Release Notes／endoflife.date

Airflow 2系の知識で止まっている方は、3系のDAG Versioningとイベント駆動スケジューリングは押さえておいたほうがいいです。

Databricks

Data + AI Summit 2026 では、Agent Bricks の拡張、Genie One、Lakebase（トランザクショナルDBエンジン）が発表されました。10万超のエージェントが構築され、年間1000兆（quadrillion）トークン超を処理しているとのことです。2026年3月には Quotient AI を買収しています。

出典：PointFive、Orchestra（Data + AI Summit 2026 レポート）

【注意】検索するとDatabricksの「日本で記録的成長」というプレスリリース（日本事業が前年比100%超成長、AEON・ANA・ブリヂストン等を新規獲得）が上位に出てきますが、これは2024年5月22日付です。2026年のデータとして引用されている記事を見かけたら、それは誤りです。

Amazon Redshift / AWS

Redshift は終了していません。SageMaker の lakehouse アーキテクチャに統合される形で継続しています。SageMaker Unified Studio が EMR・Glue・Athena・Redshift・Bedrock・SageMaker AI を単一環境に統合し、S3データレイクとRedshiftデータウェアハウスを Apache Iceberg で統一。zero-ETL統合も提供されています。

出典：AWS SageMaker Lakehouse／SageMaker Unified Studio 公式ページ

2026年の構図をひとことで言うと

Snowflake・Databricks・AWS が揃って Apache Iceberg を共通テーブルフォーマットに採用し、「AIエージェントにデータを供給する層」として自己定義し直している——これが2026年の業界地図です。

データエンジニアの仕事は「BIツールにデータを届ける」から「AIエージェントが信頼して使えるデータを届ける」へと重心が移りつつある。ここを理解しているかどうかは、面接で確実に差が出ます。

※なお、BigQuery・Spark・Kafka の2026年時点の個別動向については、今回一次情報での確認が取れなかったため記載を控えます。

データエンジニアに必要なスキル

意外と効くのは「ソフトウェアエンジニアリング」と「コスト感覚」

私が採用側から聞く「データエンジニアで評価される人」の条件を2つ挙げます。

ひとつはソフトウェアエンジニアリングの基礎です。データ職の人はSQLとPythonは書けても、テストを書かない、Gitの使い方が雑、CI/CDを組んだことがない——というケースが結構あります。ところが実務では、データパイプラインは壊れると全社が止まる本番システムです。「動くコード」ではなく「壊れないコード」を書ける人が重宝されます。バックエンド出身者がデータエンジニアで強いのは、まさにここです。

もうひとつはコスト感覚。クラウドDWHは、書き方ひとつで請求額が10倍変わります。「クエリを直して月100万円のコストを30万円に下げました」——これ、経営から見ると純粋な利益貢献です。地味ですが、こういう実績を職務経歴書に書ける人は強い。SREエンジニア転職完全ガイドで扱っている信頼性・コストの考え方は、データエンジニアにもそのまま効きます。

【2026年最新】データエンジニアの資格——廃止された資格に注意

ここも他記事の情報が古いまま止まっています。2024年4月に廃止された資格が「おすすめ資格」として紹介され続けているのを複数見つけました。

出典：AWS公式ブログ／AWS認定公式ページ／Google Cloud公式／Databricks公式（2026年5月版試験ガイド）／Snowflake公式（日本語）／いずれも2026年7月確認

正直に言えば、データエンジニアの採用で資格が決め手になることはほぼありません。見られるのは実務経験とGitHub、設計の話ができるかです。ただ、未経験からの越境時には「学習の証明」として一定の意味があります。取るなら AWS Data Engineer – Associate か GCP Professional Data Engineer が入口として素直です。

なお、資格による年収上乗せ額の日本国内データは確認できませんでした。米国のデータはありますが、日本市場に転用できないので載せません。

未経験からデータエンジニアになる3つのルート

厳しいことを最初に書きます。完全未経験（プログラミング経験ゼロ）からデータエンジニアは、かなり難しいです。この職種は本番システムを預かる仕事なので、企業側もポテンシャル採用に慎重です。

ただし、隣接領域からの越境は現実的です。

ルート1：バックエンドエンジニア → データエンジニア（最も強い）

最も成功率が高いルートです。前述の通り、ソフトウェアエンジニアリングの基礎があるのが決定的に強い。足りないのはデータモデリングとDWHの知識だけなので、そこを埋めれば移れます。

準備すること：今の業務でデータ処理・バッチ・ETL周りに手を挙げる。dbtとSnowflake（またはBigQuery）を個人で触る。ディメンショナルモデリングを学ぶ。詳しくはバックエンドエンジニア転職完全ガイドもご覧ください。

ルート2：データアナリスト → データエンジニア

SQLが書けて事業も理解している。足りないのはエンジニアリング力です。「SQLは書けるがGitとテストとCI/CDが分からない」という状態からの脱出が課題。

準備すること：Pythonでの実装経験を積む。自分が使っているデータパイプラインの中身を読ませてもらう。dbtでの変換をアナリスト側から担当する（アナリティクスエンジニアという中間職はここへの良い橋渡しです）。データアナリスト転職完全ガイドと併せて読んでください。

ルート3：インフラ・SRE → データエンジニア

クラウドとIaCの経験が活きる。足りないのはSQLとデータモデリング。SREエンジニア転職完全ガイド、ソリューションアーキテクト転職完全ガイドの領域から移る方も増えています。

12ヶ月ロードマップ

7〜9ヶ月目の個人プロジェクトが要です。「動くパイプラインをGitHubに置いてある」ことが、この職種では何よりの説得材料になります。しかもテストとCIまで書いてあると、それだけで他の候補者と差がつきます。ポートフォリオの作り方は未経験エンジニア転職のポートフォリオ完全ガイドが参考になります。

データエンジニアのメリット・デメリット

メリット

• 需要が構造的に強い——生成AI時代、AIに食わせるデータの整備は避けて通れない
• 年収水準が高い——公的統計で609.8万円、ハイクラス求人は2,000万円超も
• スキルの汎用性が高い——業界を問わずデータ基盤は必要
• 成果が定量化しやすい——「バッチ実行時間を1/5に」「クラウドコストを70%削減」は明確な実績になる
• キャリアの選択肢が広い——ML、アナリティクス、プラットフォーム、マネジメント、どこへでも行ける
• フリーランス市場がある——月80〜120万円のミドル〜シニア案件

デメリット

• 障害対応がある——夜間バッチが落ちれば朝イチで対応。オンコールがある企業も
• 感謝されにくい——動いて当たり前、止まると怒られる。SREと同じ構造的な宿命
• 技術の移り変わりが激しい——本記事が示す通り、1年で業界地図が動く
• 地味な作業が多い——データの不整合を延々と追いかける日がある
• 企業によっては「基盤を作る経験」にならない——後述の失敗パターン参照
• ジュニア層の業務は自動化圧力が強い——後述

データエンジニアに向いている人・向いていない人

データエンジニア転職の失敗パターン6選

上位記事にこのセクションがひとつもありませんでした。実際の相談で最も多い話なので、しっかり書きます。

失敗1：SIerのデータ案件に入ったが、基盤を作る経験が積めなかった

最も多い相談です。「データエンジニア募集」で入社したら、実態は既存システムのデータ移行や、Excelのデータをひたすら整形する作業だった。3年経っても、モダンなデータ基盤を設計した経験がゼロ。次の転職で通用しない。

対策：面接で必ず聞いてください。「現在のデータ基盤の構成を教えてください。DWHは何を使っていますか」「このポジションは、既存基盤の運用ですか、新規の設計・構築も含みますか」「データ移行案件の割合はどのくらいですか」。構成をスラスラ答えられない会社は、基盤がないか、教えたくない何かがあります。

失敗2：「データ活用推進」の求人だったが、データが存在しなかった

笑い話のようですが、本当にあります。「データドリブン経営を推進します」と言われて入社したら、データがそもそも取れていない。まずログの実装から始めなければならず、それを頼む相手（開発チーム）が協力してくれない。

対策：「現在、分析に使えるデータはどの程度蓄積されていますか」「データ基盤の構築は、開発チームの優先順位の中でどの位置にありますか」。経営がデータ活用に本気でない会社に一人目のデータエンジニアとして入るのは、相当な茨の道です。それを承知で「作りに行く」ならアリですが、覚悟が要ります。

失敗3：ツール名だけ追いかけて、モデリングを学ばなかった

「Snowflakeが使えます」「dbtが使えます」——ツールは学びやすいので、みんなここに走ります。しかし面接で本当に見られるのはデータモデリングです。「このビジネス要件を、どうテーブル設計しますか」に答えられないと落ちます。

しかも本記事で見た通り、ツールは1年で状況が変わります（Fivetranとdbtが合併するなんて誰が予想したでしょう）。モデリングの考え方は10年以上変わりません。投資すべきはこちらです。

失敗4：アナリストから移ったが、エンジニアリングの壁で潰れた

SQLが書けるからと移ったものの、Git、テスト、CI/CD、コードレビュー、本番障害対応——ここで挫折する。悪気なくパイプラインを壊して、全社の分析を止めてしまう。

対策：移る前にソフトウェアエンジニアリングの基礎を固める。アナリティクスエンジニアという中間ポジションを経由するのが賢いルートです。いきなりデータエンジニアに飛ばない。

失敗5：年収だけ見てスタートアップの一人目データエンジニアになった

SOも付くし年収も悪くない。しかし入ってみたら、レビューしてくれる人がいない。設計が正しいのか誰も判断できない。1年後、自分が作った基盤の技術的負債に自分で苦しむ。

対策：経験が浅いうちは「教えてくれる先輩がいる環境」を優先すべきです。私は普段「若いうちはスタートアップへ」と言うことが多いのですが、この職種に限っては、最初はチームがある会社を勧めます。データ基盤は一度設計を誤ると作り直しのコストが甚大で、独学で正解に辿り着くのが難しい領域だからです。ベンチャー転職 失敗・後悔ガイドもご覧ください。

失敗6：「集計係」のポジションから抜け出せない

依頼されたデータを抽出して渡すだけの仕事を続けてしまう。これは生成AIによる自動化圧力が最も強い領域です。ここに留まるのは、キャリアとしてかなり危険です。

対策：設計に関わるポジションを取りに行く。「なぜこのデータが必要なのか」を事業側と議論する立場に自分を置く。抽出依頼をこなす側から、依頼が来なくても済む仕組みを作る側へ回る。

年代別の戦略

20代のデータエンジニア転職

ポテンシャル採用の余地がある唯一の時期です。SQL＋Python＋GitHubに公開した個人プロジェクトがあれば、未経験でも拾われる可能性があります。

狙い目はデータチームがある成長期SaaS。前述の通り、この職種は最初に型を身につけないと苦しい。教えてくれる人がいる環境を最優先してください。年収は後からいくらでも上がります。20代のベンチャー転職完全ガイドも参考に。

30代のデータエンジニア転職

最も市場価値が高い時期。バックエンド経験＋データ基盤経験の組み合わせがあれば、引く手あまたです。

ここでの分岐は「専門を深める」か「マネジメントに行く」か。私の意見では、30代のうちはもう少し手を動かして、設計の引き出しを増やしたほうがいい。データ基盤の設計力は、経験した基盤の数に比例します。30代エンジニア転職を成功させる完全ガイド、30代からのベンチャー転職完全ガイドもどうぞ。

40代のデータエンジニア転職

リード・マネージャー級での採用が中心。問われるのは「データ基盤をゼロから立ち上げた経験」と「チームを作れるか」です。

スタートアップの「データ組織の立ち上げ」ポジションは40代に刺さります。技術選定、採用、ロードマップ設計——経験がものを言う領域です。年齢別転職ガイドで年代別の考え方を整理しています。

50代のデータエンジニア転職

CTO・VPoE・データ組織責任者としての採用が中心になります。技術より組織づくりとデータガバナンスが問われる。VPoE転職完全ガイド、50代のベンチャー・スタートアップ転職完全ガイドが参考になります。

生成AIはデータエンジニアの仕事を奪うのか——データで見る

ここは慎重に書きます。「AIで需要増」も「AIで消える」も、どちらも不正確です。両方に証拠があります。

需要が減っている側の証拠

• データ＆アナリティクス職の新規求人は2025年に13.2%減（業界全体）
• データ＆アナリティクス職の Job Postings Index は 60.4 で全セクター中最低（2025年末時点）。一方で1求人あたりの応募数は急増
• 2025年12月時点で、データ＆アナリティクス求人の45%がAIに言及（全セクター中最高）

出典：Indeed Hiring Lab（2026年1月）、Towards Data Science

自動化が進んでいるのは、データクレンジング、基本レポート、ダッシュボード作成、標準的な統計サマリ——つまりジュニア／エントリーレベルのタスクです。

※他記事でよく見る「15.2%減」という数字は一次ソースに到達できませんでした。確認できたのは13.2%です。

需要が増えている側の証拠

• LLMエンジニアはデータサイエンス職で最も成長が速いカテゴリ：データサイエンス求人に占める割合が2025年初頭の約3% → 2026年初頭に約12%
• LLMスペシャリストの報酬は2026年時点で $220K〜$280K、需要は年内135.8%増（※米国市場）
• データ業務の76%がAIツールで強化され、25%の生産性向上（※出典元はデータ基盤ベンダーであり、利害関係がある点に留意）

出典：herohunt.ai、Second Talent、Coalesce

私の解釈：これは「二極化」です

データを並べると構図が見えてきます。職種全体の求人は縮小しつつ、AI/LLM関連にスキルシフトした層に需要が集中している。つまり二極化です。

直撃を受けているのは「集計・前処理だけ」の層。一方で、基盤設計・MLOps・AIエージェント向けのデータ供給まで担える層は価値が上がっています。フリーランス単価の分布（ジュニア50〜70万円 vs シニア80〜120万円）も、この構図と整合します。

重要な注意：ここで挙げた求人データはすべて米国市場のものです。日本市場の求人増減の定量データは確認できませんでした。「日本でもデータエンジニアの求人が減っている／増えている」と断定することは、データ上できません。私の体感では日本のデータ基盤ポジションはむしろ増えていますが、これは実感であってデータではないので、そう明記しておきます。

AI・機械学習寄りのキャリアを考えている方は、AIエンジニア転職完全ガイドも併せてご覧ください。

データエンジニアのキャリアパス

個人的に注目しているのはMLOps／AIプラットフォーム方向です。前述の通り、業界全体が「AIエージェントにデータを供給する層」として自己定義し直している。データエンジニアはこの流れの中心にいます。パイプライン設計の経験はそのままAI基盤に転用できるので、ここは素直に伸ばしがいのある方向だと思います。

データエンジニア転職でエージェントをどう使うか

この職種でエージェントを使う最大の価値は、「その会社に本当にデータ基盤があるのか」を教えてもらえることです。失敗パターン1・2で書いた通り、ここが最大のリスクだからです。

面談では、必ずこう聞いてください。「この求人のデータ基盤は、何を使っていますか」「このポジションは新規構築ですか、既存運用ですか」。答えられないエージェントは、その企業のエンジニア組織を理解していません。技術に強いエージェントを最低1社は入れるべきです。

エージェントの選び方・使い分けは転職エージェント選び方ガイド、Webエンジニア向けのサービス比較はWebエンジニア転職おすすめサイト・エージェント完全ガイドにまとめています。

よくある質問（FAQ）

Q1. 未経験からデータエンジニアになれますか？

完全未経験（プログラミング経験ゼロ）からは、率直に言って厳しいです。本番システムを預かる職種なので、企業側も慎重です。ただしバックエンド、SRE、データアナリストなど「隣接領域からの越境」は十分に現実的です。特にバックエンド経験者は強い。

どうしても未経験から目指すなら、まずバックエンドエンジニアとして入り、2〜3年でデータ基盤側に移るのが遠回りに見えて最短だと思います。

Q2. 文系出身でも大丈夫ですか？

大丈夫です。この職種で必要なのは統計学の深い知識ではなく、SQL・プログラミング・設計力です（統計が要るのはデータサイエンティスト）。文系出身のデータエンジニアはたくさんいます。

Q3. データサイエンティストとどちらが年収は高いですか？

意外に思われるかもしれませんが、データエンジニアのほうが高いケースは普通にあります。Geeklyの自社DBでもデータエンジニア558万円／データサイエンティスト570万円と、ほぼ拮抗しています。基盤がなければ分析もAIも成立しないので、基盤人材の希少性が高いのが理由です。「サイエンティストのほうが花形で高年収」というイメージは、実態とはズレています。

Q4. どのクラウド／DWHを学ぶべきですか？

どれか1つを深くやれば、他は移行できます。日本の求人数ではAWSとGCP（BigQuery）が多い印象です。学習コストで言えばBigQueryが最も入りやすい（無料枠があり、環境構築がほぼ不要）。Snowflakeも無料トライアルがあります。

ツール名で悩む時間があったら、1つ選んで手を動かしてください。前述の通り、本当に効くのはモデリングの力です。

Q5. 資格は必要ですか？

採用の決め手にはなりません。見られるのは実務経験、GitHub、設計の話ができるか。ただし未経験からの越境では「学習の証明」として一定の意味があります。取るならAWS Certified Data Engineer – Associate かGoogle Cloud Professional Data Engineerを。

注意：AWS Certified Data Analytics – Specialty は2024年4月に廃止されています。他サイトで「おすすめ資格」として紹介されていることがありますが、もう受験できません。

Q6. 生成AIでデータエンジニアの仕事はなくなりますか？

二極化する、というのが正確な答えです。集計・前処理・定型レポートといったジュニア層のタスクは自動化圧力が非常に強い。一方で、基盤設計・MLOps・AIエージェント向けのデータ供給まで担える層はむしろ価値が上がっています。

実際、米国のデータではデータ＆アナリティクス職の新規求人が2025年に13.2%減（Indeed Hiring Lab）という一方で、LLM関連職はデータサイエンス求人に占める割合が3%→12%に急増しています。仕事がなくなるのではなく、求められる中身が変わっているということです。

Q7. Airflowは2系と3系、どちらを学ぶべきですか？

3系です。Airflow 3.0は2025年4月にGAされ、2026年7月時点で3.3.0までリリースされています。DAG VersioningとEvent Driven Schedulingは3系からの機能で、面接でも話題になります。ただし現場では2系が動いている企業もまだ多いので、移行の勘所を理解していると評価されます。

Q8. dbtは今後も学ぶ価値がありますか？

あります。2026年6月1日にFivetranとdbt Labsの合併が完了しましたが、dbtは終了していません。継続提供されており、dbt Core v2.0（alpha）ではdbt FusionエンジンのランタイムがApache 2.0でオープンソース化されています。むしろ「合併後どうなるのか」を語れると、業界動向を追っている証明になります。

まとめ——データエンジニアは「AIにデータを届ける」職種になった

この記事で伝えたかったことを3つにまとめます。

1つ目は、情報の鮮度を疑ってください。この職種の解説記事は、古い統計値と廃止された資格が延々とコピーされ続けています。厚労省job tagの平均年収は629万円ではなく609.8万円（令和7年賃金構造基本統計調査）。AWS Data Analytics – Specialtyは2024年4月に廃止。FivetranとdbtLabsは2026年6月1日に合併完了。転職の判断材料にするなら、一次情報を見る癖をつけたほうがいいです。

2つ目は、ツールよりモデリングです。SnowflakeもdbtもAirflowも、1年で状況が変わります。実際、この1年で業界地図は大きく動きました。しかしディメンショナルモデリングの考え方は10年以上変わっていません。面接で本当に見られるのはそちらです。

3つ目は、集計係で終わらないでください。生成AIの自動化圧力が最も強いのがそこです。設計に関わり、事業と議論し、AIエージェントが信頼して使えるデータ基盤を作る側に回る。業界全体がその方向に動いている今、ここに立てる人の価値は上がり続けます。

この職種は、地味です。動いて当たり前、止まると怒られる。感謝もされにくい。でも、データ基盤がなければ、分析もAIも何も成立しません。全社の意思決定の土台を支えているという実感は、他の職種ではなかなか得られないものだと思います。

キープレイヤーズでは、データエンジニア・データ基盤・MLOps領域のご相談を数多くいただいています。「この求人、本当にデータ基盤があるのか見てほしい」といった具体的な相談も歓迎です。ベンチャー・スタートアップでデータ領域のキャリアを考えている方は、ベンチャー転職 完全ガイドもご覧いただいたうえで、お気軽にご相談ください。