データエンジニアはAIに何を任せて、何を任せてはいけないか

和歌山県那智勝浦の廃線危機に対し、Claude・Gemini・Copilot・MetaAI・ChatGPT の 5 つのLLMに同一プロンプトで施策案を出させ、強みと弱みを比較検証した。Claude は戦略コンセプト、MetaAI は実証メニューに優れ、複数モデルの視点を職員が編集することで、単一モデルより実現性の高い地域施策が生まれることを示唆。

建設会社経営者が Claude・Codex・Gemini を役割分担で運用し、月100時間分の作業を AI に置き換えた。AI が8割下書きし人間が2割確認する体制により、自身の実作業は月20-25時間に圧縮。効果的なポイントは「役割を固定してから並列化する」こと。初期3ヶ月は同じ質問を複数 AI に投げて逆に3倍遅くなったが、判断は集中・作業は分業という流れに統一後に改善した。

マスキングされた100種類超の特徴量を用いたMLコンペで、製造エンジニアが Claudeと協働して同期20人中1位を獲得。Claudeが手法比較やハイパーパラメータ最適化を担当する一方、エンジニアが時系列グラフのパターン認識、リーダーボード分析、LASSO+PLS 2段階パイプラインの提案という現場感覚からの3つの判断を加えることで、精度を0.5355に引き上げた事例。カラム名なしでも工場データの経験から仮説を立てられる強みと、AIツールの役割分担を示す。

高齢者向け AI チャットアプリ lifebot の開発者が、プロンプト内の例文がモデルに「記憶」として機能する事象（通帳事件）を経験。その過程で Claude との対話を通じ、LLM のコンテキスト依存性を「バグ」から「キャラクター形成の仕様」へ逆転発想し、ユーザーの会話から人格を学習するシステムへ進化させた経験記。