jinbay無料で相談する

職務経歴書の記入例

AIソリューションアーキテクトの職務経歴書 記入例

AIソリューションアーキテクトの書類では、「生成AIの提案をした」だけでは評価されません。どんな要件に対して、どの選択肢を比べ、なぜその構成を勧めたのか、導入後にどれだけ使われたのかが見られます。SIer とクラウドの導入支援を経て、生成AIの導入設計を担当している人の記入例で解説します。

更新日 2026年11月16日 / 書いた人 上田 英介(ジンベイ株式会社 代表取締役/職業紹介責任者)

記入例の人物:SIer で流通業の基幹システムを9年半、クラウドの導入支援会社でアーキテクトを10年。うち直近3年は企業への生成AIの導入設計をリード。42歳。
人物・会社・数字はすべて架空です。

職務経歴書

2026年11月16日現在

氏名 松本 浩二

■ 職務要約

SIer で流通業の基幹システムの開発に9年半携わったあと、2016年にクラウドの導入支援を行う株式会社〇〇に入社し、大企業のクラウド移行の設計をリードしてきました。2023年からは生成AIの導入チームの責任者として、製造業・金融・小売など11社の生成AI基盤と RAG の設計・提案を担当しています。製造業グループの全社基盤では、利用者を約400名から9,000名に広げ、1人あたりの費用を見込みの約6割に抑えました。

■ 活かせる経験・知識・技術

  • 生成AIの構成の比較と提案(API と自社運用、RAG とファインチューニング、費用と精度の見積もり)
  • 閉域接続、ログの保存、個人情報の検知など、大企業の審査を通すためのセキュリティと統制の設計
  • 顧客の実データを使った PoC を自分で作り、精度を測ってから提案すること
  • AWS・Azure でのクラウド移行の設計と、基幹システムの開発(約20年)

■ テクニカルスキル

言語Python(8年9か月)、Java(6年6か月)、SQL(6年6か月)、TypeScript(1年7か月)、C#
フレームワーク・ライブラリFastAPI(6か月)
機械学習・生成AI商用LLMのAPI(2年1か月)、Azure AI Search(1年7か月)、埋め込みモデル(6か月)、Amazon Bedrock(6か月)、Amazon OpenSearch Service(6か月)
データベースOracle Database(13年2か月)、PostgreSQL(6年8か月)、Azure Cosmos DB(1年7か月)
OS・クラウド・インフラAzure(8年3か月)、Terraform(8年3か月)、AWS(7年2か月)、Linux(6年6か月)
ツールdraw.io

■ 職務経歴

株式会社〇〇(2016年10月〜現在)

事業内容:企業のクラウド導入・移行の支援、生成AIの導入支援 従業員数:約600名 雇用形態:正社員

所属・役職:ソリューションアーキテクト部 生成AI導入チーム 責任者(2023年4月〜)

2023年6月〜2024年12月

製造業グループ(従業員約2万名)の全社生成AI基盤の設計・導入

グループ全社で使う社内向けの生成AIの基盤(チャット、文書の検索と回答、部門ごとのアプリの土台)を設計・導入。提案から本番の展開、利用拡大までを担当。

【役割】アーキテクト(提案・全体設計の責任者) 【規模】当社8名/顧客側15名

【担当工程】要件定義、基本設計、詳細設計、総合テスト、保守・運用

【取り組み】

  • データを社外に出さない要件に対し、閉域接続でクラウドの LLM の API を使う案と、公開モデルを自社の GPU 環境で動かす案を、費用・精度・運用の手間で比べて前者を推奨した
  • API はプライベート接続でのみ呼べるようにし、入出力のログを監査用に保存、個人情報を検知したら送信前に止める処理を入れた
  • 部門ごとの利用上限と費用の配賦のしくみ、利用ガイドラインを作り、情報システム部と運用の体制を決めた

【成果】

  • 情報セキュリティ部門の審査を1回の指摘対応で通過
  • 利用部門を3部門から28部門に、月間の利用者を約400名から9,000名に拡大
  • 1人あたりの月額費用を当初の見込みの約6割に抑えた

【使用技術】Python、TypeScript、商用LLMのAPI、Azure AI Search、Azure Cosmos DB、Azure、Terraform

2025年1月〜2025年6月

金融機関(従業員約5,000名)の規程・マニュアル検索の提案と PoC

営業店からの規程・事務マニュアルの問い合わせに答える RAG の提案。顧客の実際の規程と過去の問い合わせを使った PoC を行い、本番の導入を受注した。

【役割】アーキテクト(PoC の実装も担当) 【規模】当社3名/顧客側6名

【担当工程】要件定義、基本設計、実装・単体テスト、モデル開発・評価

【取り組み】

  • 過去の問い合わせ150件に正解を付けた評価データを顧客と作り、検索の方式を3通り比べた
  • 規程の改定が頻繁なため、ファインチューニングではなく RAG を勧め、改定時の文書の差し替え手順まで設計した
  • 回答に根拠の条文を必ず示し、根拠がない場合は本部の担当者に回す流れを提案した

【成果】

  • PoC で正答率84%を確認し、本番の導入を受注(営業店約150店が対象)
  • 本部への問い合わせを導入後3か月で約35%削減

【使用技術】Python、FastAPI、商用LLMのAPI、埋め込みモデル、Amazon Bedrock、Amazon OpenSearch Service、AWS

2016年10月〜2023年5月

大企業の基幹システムのクラウド移行の設計

小売・物流など大企業9社の基幹システムをオンプレミスから AWS・Azure へ移す案件で、移行方式と全体の構成を設計。

【役割】アーキテクト(2019年からリード) 【規模】案件ごとに当社5〜15名

【担当工程】要件定義、基本設計、詳細設計、総合テスト

【取り組み】

  • 移行の優先順位と方式(そのまま移す・作り直す)をシステムごとに決める評価の型を作った
  • 可用性と災害対策の要件を、費用とあわせて顧客と決めた

【成果】

  • 9社の移行を設計し、いずれも計画した停止時間内で本番を切り替えた
  • 移行後のインフラ費用を各社で平均約25%削減

【使用技術】Python、Oracle Database、PostgreSQL、AWS、Azure、Terraform

株式会社〇〇(2007年4月〜2016年9月)

事業内容:流通業向けのシステムインテグレーション 従業員数:約1,500名 雇用形態:正社員

所属・役職:流通システム事業部

2010年4月〜2016年9月

スーパーマーケットチェーンの発注・在庫システムの開発

約200店舗の発注・在庫・物流センターをつなぐ基幹システムの開発と更改。

【役割】SE(2013年からチームリーダー) 【規模】チーム10名/全体約60名

【担当工程】要件定義、基本設計、詳細設計、実装・単体テスト、結合テスト、総合テスト

【取り組み】

  • 店舗と物流センターの業務を聞き取り、発注の締め時刻と例外の扱いを整理した

【成果】

  • 夜間の発注処理の時間を約3時間から1時間に短縮

【使用技術】Java、SQL、Oracle Database、Linux

■ 資格

  • 2018年5月 AWS Certified Solutions Architect – Professional
  • 2021年9月 Microsoft Certified: Azure Solutions Architect Expert
  • 2012年10月 システムアーキテクト試験

■ 社外での活動

  • クラウド事業者の主催イベントで「大企業の生成AI基盤を全社に広げるまで」を講演(2024年)

■ URL

  • 技術記事:https://qiita.com/example

■ 自己PR

生成AIの提案では、流行の構成を勧めるのではなく、顧客の要件に合う選択肢を比べて説明することを大切にしています。金融機関の案件では、ファインチューニングを希望されていましたが、規程の改定が多いことを踏まえて RAG を勧め、実データでの PoC で正答率を示して納得してもらいました。

基幹システムとクラウドの経験から、導入したあとに使われ続けるための運用と費用の設計まで責任を持つようにしています。今後は、より多くの企業で生成AIが業務の中で使われる状態を作ることに力を注ぎたいと考えています。

以上

ダウンロードは登録なしで使えます。経験年数は、各プロジェクトの期間から自動で計算しています。

AIソリューションアーキテクトの職務経歴書で、見られる点

  1. 01

    選択肢を比べて、勧めた理由を説明できるか

    生成AIの導入では、クラウドの LLM の API を使うか、公開されているモデルを自社で動かすか、RAG で足りるかファインチューニングが要るか、といった判断が必ず出てきます。比べた観点(費用・精度・運用の手間・データの扱い)と、勧めた理由を書けると、アーキテクトとしての力が伝わります。

  2. 02

    セキュリティと統制の設計ができるか

    大企業の導入では、データを社外に出さない接続、入出力のログの保存、個人情報の扱い、部門ごとの権限など、非機能の要件が受注を左右します。情報システム部やセキュリティ部門の審査を通した経験は、具体的に書きます。

  3. 03

    提案だけでなく、導入と利用拡大まで見たか

    生成AIは導入しても使われないことがよくあります。受注した後に、利用者数や利用部門がどう広がったか、費用をどう管理したかまで書くと、提案して終わりの人と区別できます。

  4. 04

    自分で手を動かして確かめられるか

    生成AIは変化が速く、資料だけの提案では説得力が出ません。PoC(概念実証)を自分で作った、顧客の実データで精度を測ってから提案した、といった経験は強い材料になります。

欄ごとの書き方

職務要約
経験が長い場合は、全体を「基幹システム → クラウド → 生成AI」のように流れで1文にまとめ、直近の生成AIの成果を数字で書きます。受注の金額や件数は、会社の規定で出せる範囲にとどめます。
活かせる経験・知識・技術
生成AIの構成の設計、セキュリティと統制、提案と合意づくりの3つに分けて書きます。クラウドの経験は長いほど信頼につながるので、生成AIの経験と並べて書きます。
職務経歴
案件ごとに「顧客の要件 → 比べた選択肢 → 勧めた構成 → 結果」の順に書きます。顧客名は「製造業グループ(従業員約2万名)」のように業界と規模で表します。
資格
クラウドの上位資格は、アーキテクトとしての基礎の証拠になります。取得年が古いものは更新の状況も分かるように書きます。

よくある書き方を、こう直す

よくある書き方

大手企業向けに、生成AI導入の技術提案を実施。

直した書き方

製造業グループ(従業員約2万名)に全社の生成AI基盤を提案。データを社外に出さない要件に対し、閉域接続でクラウドの LLM の API を使う案と、公開モデルを自社の GPU 環境で動かす案を、費用・精度・運用の手間で比べ、前者を勧めて受注。

比べた選択肢と勧めた理由を書くと、技術の判断ができるアーキテクトだと伝わります。

よくある書き方

セキュリティを考慮したアーキテクチャを設計。

直した書き方

API はプライベート接続でのみ呼べるようにし、入出力のログを監査用に保存、個人情報を検知したら送信前に止める処理を入れた。情報セキュリティ部門の審査を1回の指摘対応で通過。

何を守るために、どんなしくみを入れたかを具体的に書きます。審査の結果も成果になります。

よくある書き方

生成AIの全社展開を支援。

直した書き方

利用ガイドラインと部門ごとの費用の配賦のしくみを作り、利用部門を3部門から28部門に、月間の利用者を約400名から9,000名に拡大。1人あたりの月額費用は当初の見込みの約6割に収めた。

導入後に使われたこと、費用を管理できたことまで書くと、提案の質が裏づけられます。

あわせて読みたい