データパイプラインの設計や運用に関わるエンジニア、そしてチームの採用計画を考える立場の方に向けた内容です。データエンジニアリングという職種で、新人向けの求人が大きく減っているという分析結果が出ています。フロントエンドやバックエンドを問わず、AIコーディング支援ツールが定着した現場全般に関係する話として整理します。
数字から確認します。2026年5月時点で分析された6,877件の求人のうち、経験2年以下を対象とする「エントリーレベル」の求人はわずか3%、件数にして219件でした。生成AIが普及する前と比べて、新人データエンジニア向け求人は67%減少したとされています。比較対象となるデータアナリスト職のエントリーレベル比率は8%で、データエンジニア職との差は小さくありません。
なぜ新人の仕事がAIに置き換わったのか
この現象の技術的な背景を段階的に見ていきます。まず前提として、新人データエンジニアが最初の2年間で担っていた業務の中身を整理する必要があります。
ステージング用SQL（分析用テーブルを作る前段階のデータ整形クエリ）の作成、DAG（Directed Acyclic Graph の略で、データ処理の実行順序を定義する有向非巡回グラフ）のひな形作成、スキーマ（テーブルの列構成やデータ型の定義）のマッピング作業、そして単体テストのボイラープレート（決まりきった定型コード）記述です。分析によれば、これらが新人業務の約70%を占めていたとされています。
ここに影響したのが、dbt（データ変換をSQLベースで管理するオープンソースツール）向けのCopilot機能です。2025年3月に一般提供が始まり、スキーマ検出やドキュメント生成をDatabricks Assistant（Databricksが提供するAIアシスタント機能）が肩代わりするようになりました。定型作業を自動生成できるようになったことで、新人がその作業を通じて学んでいた「学習の橋渡し」自体が消えてしまった、という指摘が重要な論点です。
ボイラープレートを書く経験こそが、そのコードが何をしているかを理解する手段だったわけです。作業を自動化しても、それに代わる教育カリキュラムは用意されていない状態が続いています。
フロントエンド開発にも共通する構造
この構造は、データエンジニアリング特有の話ではありません。フロントエンド開発でも、GitHub CopilotやClaude Codeのようなコーディングエージェントが、コンポーネントの雛形作成やAPI呼び出しのラッパー実装、フォームバリデーションの定型実装を高速に生成できるようになっています。
ReactのuseEffectを使ったデータフェッチのパターンや、Next.jsのAPI Routeのボイラープレートも、AIに指示すれば数秒で出力される時代です。かつて新人が「手を動かしながら覚える」対象だった作業が、そのまま自動化の対象になっているという点で、データエンジニアリングの状況と地続きです。
StanfordのDigital Economy Lab（デジタル経済研究所）の調査では、22〜25歳の若手開発者の雇用が、ChatGPT登場以降16%減少した一方、AI活用度の高い分野で30代以上の雇用は6〜12%増加したとされています。研究所ディレクターのErik Brynjolfsson氏は、特定のカテゴリだけに顕著な影響が出た点を指摘しています。年齢や経験年数を軸にした二極化が、データという裏付けを持って示された形です。
求人は増えているのに、新人には届かない
ここで整理しておきたいのが「市場の縮小」と「二極化」の違いです。データエンジニアリング全体の求人は前年比23%増加し、米国内で26万件の求人が見込まれています。世界のデータエンジニアリングサービス市場は2026年に1,050億ドル規模、年平均成長率15%で2031年には2,130億ドルに達する見通しです。
つまり市場そのものは縮んでいません。増加分がすべて、シニアや専門職に集中しているという点が本質です。ミッドレベル（DE II）の年収中央値は13万9,000ドル、シニアは基本給中央値17万4,000ドル、上位25%は21万8,000ドルを超えています。経験に対する給与プレミアムは広がる一方で、新人採用の予算にはつながっていません。
エンジニアリングリーダーの54%が、AIコパイロットの存在を理由に2026年の新人採用を減らす方針だと回答しています。大手テック企業の新卒採用比率も、2019年時点の約30%から7%まで落ち込みました。実に78%の減少です。
加えて、可視化されているデータエンジニアリング求人の48%は「ゴースト求人」（社内政治や将来的な人材パイプライン構築目的で出され、実際には採用されない求人）とされています。実質的なエントリーレベル求人の比率は、公表されている3%よりさらに低い可能性があります。
今日、自分の状況を確認する方法
抽象的な危機感だけでは判断材料になりません。自分やチームがこの二極化の影響をどう受けているか、具体的に確認できる観点を挙げます。
- 直近の求人票で「必須スキル」欄を見て、パイプライン構築の手順ではなく設計判断やコスト最適化を求めていないか確認する
- 自社のAIコーディングツール（Copilot・Claude Code・Cursorなど）導入状況と、新人へのオンボーディング教材が更新されているか照合する
- dbtやAirflowのDAGをAIに生成させた後、レビューで指摘できる項目のリストを自分が持っているか棚卸しする
- 採用側であれば、新人研修の内容が「定型コードを書く練習」で止まっていないか見直す
- Databricksのように新卒プログラムを明示的に継続している企業（840件超の求人、65%の増収を公表）の採用要件を参考にする
特に3番目の項目は実践しやすい確認方法です。AIが生成したDAGやSQLをそのまま採用するのではなく、なぜそのステップ順序になっているか、なぜそのスキーマ設計を選んだかを言語化できるかどうかが、これからの評価軸になっていきます。
レイオフの数字にも触れておきます。2026年上半期だけで12万3,000件超のテック関連解雇があり、5月単月では3万8,242件と、2024年8月以来最大の水準でした。解雇理由の54%がAIを明示的な理由として挙げていますが、Block社の従業員数が2019年から2024年で160%増加していた事実も踏まえると、コロナ禍の過剰採用の反動が「AI起因」と語られている面も否定できません。数字を見る際は、AIによる代替と景気循環的な調整を分けて捉える視点が必要です。
まとめ
データエンジニアリングにおける新人求人67%減という数字は、業界の縮小ではなく職種の二極化を示しています。定型作業の自動化によって、新人が経験を積む「橋渡し」の工程がなくなった一方、設計判断・デバッグ・コスト最適化を担えるシニア層の需要は増え続けています。
この構造はフロントエンド領域でも進行中で、AIが生成したコードを検証し理由を説明できる力が、経験年数に代わる評価軸になりつつあります。まずは自分の担当領域で、AIが自動生成できる作業と、判断が必要な作業を仕分けするところから始めてみてください。
採用側であれば、新人研修をAIツールの操作説明で終わらせず、生成された成果物をレビューし妥当性を説明させる訓練に切り替えられるか、一度カリキュラムを見直す価値があります。