──コンサルファーム出身DSが語る、「AIと働く」プロジェクトのリアル
生成AIやAIエージェントの進化により、「コンサルタントやデータサイエンティストの仕事はAIに置き換わるのではないか」という議論を耳にする機会が増えました。
資料作成やリサーチ、コーディング、分析──これまで人が多くの時間を費やしてきた仕事を、AIが担う場面は確実に増えています。
では、AIが当たり前になった時代に、データサイエンティストにはどのような価値が求められるのでしょうか。
そして、コンサルティングファームで培ってきた経験は、これからも武器になるのでしょうか。
今回、松尾研究所では「AIエージェント時代、コンサル出身DSの価値とは？」をテーマに、コンサルファームを経て松尾研究所へ転職した2名のデータサイエンティストにインタビューを行いました。
ープロフィール
勇川 健太郎
大学・大学院で物理学を専攻後、大手テクノロジー企業でディープラーニングや量子コンピューティングの研究開発に従事。その後、総合コンサルティングファームでデータサイエンスプロジェクトを担当し、現在は松尾研究所でAIエージェント関連プロジェクトのPM・データサイエンティストとして活躍しています。
大岡 勇太
会計系コンサルティングファームでデータ活用プロジェクトを経験後、事業会社でモバイルアプリ分析や金融・不正検知など幅広いデータサイエンスプロジェクトを担当。現在は松尾研究所でAIエージェント関連プロジェクトや企業向けAI活用を推進しています。
ーそれぞれ転職を考えたきっかけについて教えてください
勇川：
前職でもデータサイエンス領域のプロジェクトは担当していたのですが、生成AIの台頭により、より専門性の高いプロジェクトに従事したい、最先端のAI技術を社会実装したいと思うようになったことがきっかけです。
大岡：
LLM含め最新のテクノロジーに時間を掛けて取り組む事ができる環境・仲間で働きたいと思ったからです。テクノロジーの進展速度がどんどん高速化し、ビジネス領域での複雑さが増している中、一度技術動向が定まってから腰を据えて課題に取り組むべきという考えもあると思います。ですが、私はむしろその複雑さの中に自分の時間を投下することでキャリアの価値が高まると考えました。
ー実際に松尾研に入社し、AIエージェントを活用する中で、仕事の進め方はどのように変化しましたか？
勇川：
一番大きな変化は、プロジェクトの知識や文脈を、AIエージェントと共有できるようになったことです。
これまでは、プロジェクトの背景や意思決定の経緯は人の頭の中にあったり、散在するファイルを探したり、チャットを遡ったりしないと分からないことが多くありました。
時間が経つとチャットも流れてしまいますし、「あの時どういう議論をして、この結論になったんだっけ？」ということも少なくありませんでした。
今は、議事録や提案資料などのプロジェクトに関する情報を一つの環境に集約し、AIエージェントがその文脈ごとに理解できるようになっています。
その結果、プロジェクト全体で共通の情報源を持てるようになったことは、とても大きな変化だと感じています。
もう一つは、知見を再利用できるようになったことです。
以前は案件ごとにゼロから調査や検討を始めることも多かったのですが、過去のプロジェクトで蓄積した知見をAIエージェントが参照しながら活用できるようになったことで、過去の経験を次の案件へ自然につなげられるようになりました。
これまでは、リサーチから成果物の作成まで、すべて人が担っていましたが、今はAIエージェントがリサーチやたたき台の作成を担ってくれます。
その分、人は「どの情報を採用するか」「本当にこの方向性で良いのか」を判断することに、より多くの時間を使えるようになりました。
私は、この「キュレーションと意思決定に集中できるようになったこと」が、一番大きな変化だと感じています。
大岡：
私が一番感じているのは、プロジェクト全体のスピードが大きく変わったことです。
分析やコーディングは、今ではAIエージェントと一緒に進めるのが当たり前になっていると思います。以前から生成AIは活用していましたが、モデルやコーディングエージェントの進化によって、開発スピードはここ半年でも大きく変わったと感じています。
また、コードを書くだけではなく、プロジェクトを進める中で必要になる調査や仮説整理、報告資料の作成などもAIエージェントと一緒に、ないしは、AIエージェントが単独で進められるようになり、人が検討する内容の質を、PJTゴールを達成するためにこれまで時間を割きにくかった重要だが緊急ではないといったようなより本質的な価値につながる部分に移せているように感じます。
その結果、プロジェクト全体のリードタイムそのものが短くなっています。
ただ、単純に「早く終わる」ということではなく、その分だけ追加の仮説検証やクライアントとの議論に時間を使えるようになったことが、一番大きな変化ですね。
ーAIエージェントを、プロジェクトの”パートナー”として具体的にどう取り入れていますか
Case1：知見を”個人”ではなく”組織”に残す
─ AIとの対話を、次のプロジェクトの資産にする「LLM Wiki」の仕組み
勇川
「LLM Wiki」という概念があります。LLM Wiki は、Andrej Karpathyという著名なAI研究者が提唱した概念です。簡潔に言うと『個人の知識を、LLMが活用しやすい形で整理し、LLMに外部メモリとして使わせる』という仕組みです。
具体的には、個人の知識を3層に分けます。1つ目が「Raw」。これは取得した一次情報ですね。論文PDF、議事録の原本、取得ログ。2つ目が「Wiki」。これは構造化されたページです。1ページ1ノード、wikilink で接続される。3つ目が「Schema」。これは型や命名規則、分類軸を定義する層です。
Ingestは新しい情報をRawに取り込むこと。QueryはWikiに質問・検索すること。LintはWikiの健全性を点検すること。
そして、私たちが独立した操作として立てたのが「Synthesize」という操作です。複数のWikiページを統合して、時系列地図を作ったり、転換点を見つけたり、『So What？』という示唆を合成する操作です。これがあることで『知見の複利効果』を生み出します。
例えば、前職では『新しいクライアントだから、新しいテーマだから、ゼロからスタート』という感じで、案件ごとに一から調査を始めていました。でも、松尾研では、Obsidian Vaultという個人用のLLM Wikiに、過去の分析結果、議事録、そこから導き出した『考え方』が全て蓄積されている。
そのため、新しい案件が始まった時、『あ、このテーマ、前回のあのプロジェクトと似てるな』と思ったら、その知見を一瞬で引き出すことができます。『あの時は、こういう考え方で、こういう結論に至った』『あの時の失敗は、こういう部分だった』という情報が全部、すぐに活用できるようになっています。
そのため、プロジェクトを重ねるたびに『出発点が高くなる』という感覚があります。従来のコンサルでは、知見は個人の頭の中に閉じ込められていて、案件が終わると消えてしまう。案件の成果物（提案資料とか）は残るけど、『考え方』『意思決定のプロセス』『なぜそういう結論に至ったのか』という本質的な知見は、チーム内に蓄積されない。
でも、この仕組みではそれが資産として残ります。
蓄積された知見を抽象化して展開することで、個人の生産性が上がるだけではなく、組織全体の学習スピードが上がることが一番大きいと思っています。
Case2：Sprintを短縮し、仮説検証の回数を増やす
─ 「早く終わる」ではなく、「より良い提案」を実現する
大岡
Sprint planningや分析する際に、どのようにエージェントを活用しているかをお話しします。
前職での2週間のサイクルは、こんな感じでした（=Before図）。月曜日、クライアントとミーティング。議事録を作成して、翌日展開。その後、議事録や文字起こしをもとにストーリー洗い出しをして、チーム内でディスカッションします。『こんなタスクが必要ですね』『あんなタスクが必要ですね』と洗い出すのですが、ここまでで木曜日までかかります。
その後、スプリントプランニングで『このスプリントで倒すべきストーリータスクはこれです』と決まる。そこから、ようやく分析が始まるのです。
＜Before＞
1週間目の後半から分析がスタートして、2週間目に成果物をまとめるという感じです。
でも今は、月曜日のクライアント会議の直後に、議事録をAIエージェントが文字起こしして、自動でLLM Wikiに構造化します。その情報を利用し、その日の内に、私とAIエージェントが時間をかけてディスカッション。『ミーティングを踏まえて、バックログの優先度をどのように見直すべきか』『前回の課題はどう活かすべきか』『新しい視点は何か』という壁打ちをします。
火曜日の朝には、スプリントボードができていて、チームメンバーと追加のディスカッションを行う。つまり、火曜日の午後から、もう分析が始められるのです（=After図）。
＜After＞
これは、単に『自動化されたから速くなった』という話ではなくて『自動化すべき部分と、人間がやるべき部分が区別された』という話です。
以前は、人間が『やらなくてもいい仕事』もやっていたと思います。議事録の文字起こし、アクションアイテムの抽出、Notionへの登録。こういった『やらなければいけないが、創造性が不要な仕事』に、結構な時間を使っていた。
今は、そういう仕事はAIエージェントに任せる。その結果、人間は『インプット設計と、アウトプットへの問い』に集中できるようになったということです。
『スプリントの期間が短くなった』という効果よりも『人間が重要度の高い仕事に集中できるようになった』という効果のほうが、大きいと思っています。
ーこれからのAIエージェント時代に、データサイエンティストに求められる価値は？
勇川
これからのAIエージェント時代に、データサイエンティストに求められる価値は、単に自分でリサーチし、分析し、成果物を作ることではなくなっていくと思います。
AIエージェントがリサーチや実装、たたき台づくりを担えるようになる中で、人がより注力すべきなのは、問いを立て、文脈を整理し、AIが生み出したものをどう判断するかです。
特に重要なのは、プロジェクトの文脈を理解し続けることだと思っています。クライアントが何を目指していて、これまでどんな議論があり、なぜその意思決定に至ったのか。
そうした文脈をAIエージェントと共有できるように整え、人とAIが同じ前提でプロジェクトを進められる状態をつくる。
その上で、AIが出したアウトプットに対して、「これは本当にこのクライアントの課題解決につながるのか」「この文脈において正しいと言えるのか」を判断することが、人間の大きな役割になると思っています。
つまり、これからのデータサイエンティストに求められるのは、AIエージェントをプロジェクトのパートナーとして活かしながら、問いを設計し、知見を蓄積し、最終的な価値判断を担う力だと考えています。
大岡
AIが進化していく中で、インプット設計とアウトプットへの問い、そして人間空間での実行が、人間のより強みであり、重要になると考えています。
インプット設計というのは、「クライアントから引き出すべき情報はなにか」という問いです。クライアント自身も、自分たちの課題を完全に言語化できているケースは多くありません。だからこそ、「まだ言語化されていない課題は何なのか」を一緒に見つけていくことが重要になると考えています。これは、データサイエンティストが専門家として描くゴールを持ちながら、クライアントと対話し、背景や文脈を理解しながら進める必要があります。
AIは情報を整理することは得意ですが、この「まだ言葉になっていない課題」を引き出すことは、人間だからこそできる仕事だと思っています。
一方で、アウトプットも同じです。
AIはアウトプットを出してくれますが、「この結果で本当に課題は解決されたのか」「この方向性でビジネスは良くなるのか」「そもそも、この問い自体を見直す必要はないのか」そうやって問い続ける、そして、アウトプットに責任をもってクライアントを巻き込んで推進していくことは、人が担う役割だと思っており、これからのデータサイエンティストに求められる価値だと考えています。
おわりに
AIエージェントの進化によって、データサイエンティストの仕事は大きく変わり始めています。一方で、今回二人のお話から見えてきたのは、AIが人の役割を置き換えるのではなく、人がより本質的な価値を発揮できるようになっているということでした。
クライアントの課題を整理し、AIをどう活用すれば価値につながるのかを考え、社会実装まで伴走する。そんな仕事に面白さを感じる方にとって、松尾研究所は挑戦できるフィールドが広がっています。
もしこの記事を読んで、「コンサルティングで培った経験を、AIエージェント時代の新しい価値創出につなげたい」そう感じていただけたら、ぜひ一度カジュアルにお話ししましょう。
皆さんとお会いできることを楽しみにしています。
＊
松尾研究所では一緒に働く仲間を募集しています！
