なぜOpenAIとAnthropicは東京で研究職を採らず、9450億円の計算基盤とFDEを集めるのか？
この記事の元になった動画（1920×1080 フル解説本編）は、こちらからご視聴いただけます：https://youtu.be/gYbAD--7Y3g
導入：なぜ東京オフィスには「基礎研究職」の求人が1件もないのか
世界最先端のフロンティアAI開発企業であるOpenAIとAnthropicの東京オフィスの求人一覧を開くと、ある決定的な事実に気づきます。次世代の大規模言語モデル（LLM）をゼロから事前学習（Pre-training）したり、強化学習アルゴリズムを研究したりする「AI基礎研究職（AI Research & Engineering）」の募集が、東京には1件も存在しないのです。
その代わりに並んでいるのは、以下のような極めて実務的かつ物理的なインフラ・実装職です。
Forward Deployed Engineer（FDE）／Deployment Lead：勤務時間の25〜50%を国内の顧客現場（オンサイト）で過ごし、PythonやTypeScriptで本番の業務システムと評価基盤（Evals）を直接書き上げる実装エンジニア
Enablement Lead（Builder）：法人向けAIを導入したものの社内利用率が20〜30%で頭打ちになった企業へ入り込み、3ヶ月間の集中伴走で利用率を90%以上へ引き上げる定着構築リーダー
Compute Country Lead, Japan：日本国内の計算基盤を初期サイトから「数ギガワット（原発数基分）」規模へと拡大し、大阪府内で最大500MW・総工費約9,450億円（最大63億ドル）の専用データセンター計画を推進するインフラ責任者
なぜ両社は、東京で基礎研究を行わず、顧客企業の基幹システム改修や発電所規模のデータセンター確保にこれほどの人材と資本を投じているのでしょうか。
結論から言えば、生成AIの競争軸が「賢いチャットボットのデモンストレーション」から「基幹システムのコード書き換え、業務特化の評価基盤（Evals）構築、社内利用率90%への定着、そして国内データ主権を守るギガワット級電源の確保」へと完全に移行したからです。
本稿では、OpenAIおよびAnthropicが公開している東京オフィスの全求人票（職務記述書：JD）、公式声明、提携発表、および米国本国の報酬・採用試験データを含む37件の一次・二次資料を横断検証し、両社の日本市場戦略と「AI時代に年収4,700万〜6,000万円クラスで求められる人材像」の全貌を解き明かします。
1. OpenAI JapanとAnthropic Japanの市場フェーズ比較：先行深化と垂直立ち上げの非対称性
同じ東京市場を攻略しながらも、2024年4月にアジア初の拠点を設けたOpenAIと、2025年10月にアジア太平洋（APAC）初の拠点を開設したAnthropicでは、現在の組織フェーズと商流の組み立て方に明確な非対称性があります。
まず、両社の日本法人における組織規模、統治構造、主要アライアンス、および最優先課題の比較を以下の要点と一覧表に整理します。
OpenAI Japanの到達点：元AWSジャパン社長の長崎忠雄氏のもと、10数名から2年強で3回のオフィス移転を経て70〜80名規模へ拡大し、2026年中に約100名体制を目指しています。日本は米国に次ぐ世界第2位のビジネスユーザー市場であり、現在は「導入後の利用率20〜30%停滞の打破」と、コーディングエージェント「Codex」および「ChatGPT Atlas」による自律型業務変革のフェーズに入っています。
Anthropic Japanの急追：2025年8月に元Snowflake日本法人社長の東條英俊氏を代表に迎え、2025年10月に東京オフィスを開設しました。APACの年換算売上高は過去1年で10倍以上に急伸しており、東京の公開求人数（16〜17件）はソウル（14件）やシンガポール（11件）を上回ってAPAC最大となっています。しかも東京求人の約7割（12件）は2026年8月以降に一斉公開されたものです。
比較項目OpenAI Japan（実装・定着深化フェーズ）Anthropic Japan（垂直立ち上げ・基盤構築フェーズ） 東京拠点開設・代表者2024年4月開設（世界4番目・アジア初）／社長 長崎忠雄氏（元AWSジャパン社長）2025年8月代表就任・10月開設（APAC初）／代表 東條英俊氏（元Snowflake日本法人社長） 従業員規模・公開求人数従業員70〜80名 → 2026年内に約100名へ拡大（世界全体で約790件募集）東京公開求人16〜17件でAPAC最大（ソウル14件・シンガポール11件超、世界全体637〜682件） 法人統治・資本構造代表社員2社による中間持株会社＋ソフトバンクGとの折半合弁「SB OpenAI Japan」Anthropic Japan合同会社（日本側代表1名＋米国本社役員2名の計3名による本社直轄執行体制） 主要パートナー・SIer連合ソフトバンクG、NTTデータG、電通ジャパン、Recursive、Frontier Alliances（BCG・McKinsey・Accenture・Capgemini）NTTデータ、富士通、NEC、日立製作所、Accenture、日本のAIセーフティ・インスティテュート（AISI）覚書 日本市場での実績・成長率ビジネスユーザー数で米国に次ぐ世界第2位APAC年換算売上が過去1年で10倍以上に成長（楽天、野村総合研究所、パナソニック等が導入） 現在の最優先ミッションChatGPT Enterprise導入後の「利用率20〜30%の壁」を3ヶ月で90%超へ引き上げる伴走とCodex展開国内大手SIer商流の確立（求人の56%が営業・パートナー職）と大阪500MW専用データセンター構築
OpenAIがソフトバンクグループとの合弁会社（SB OpenAI Japan）やグローバル戦略コンサルティングファーム連合（Frontier Alliances）を軸にトップダウンの変革を推進しているのに対し、Anthropicは米国本社役員2名が職務執行者に名を連ねる直轄ガバナンスを敷きつつ、日本の伝統的な大手システムインテグレーター（SIer）5社との強固なパートナーシップと、高市早苗首相との会談・AISIとの覚書締結に象徴される「安全性・ソブリン性」を武器に食い込んでいる点が極めて対照的です。
2. 東京オフィスを構成する「4層の価値創出エコシステム」
なぜ両社とも、東京では基礎研究職（Pre-training / RL）を1人も募集しないのでしょうか。それは、日本市場における最大のボトルネックが「モデルのアルゴリズム開発」ではなく、日本企業特有の「商流の壁」「定着不全の壁」「国内データ主権・電力の壁」という3つの実務障壁にあるからです。
両社の東京求人を職務記述書（JD）の要件から分類すると、以下の4層構造として体系化できます。
第1層（経営層・SIerエコシステム開拓層）：年間1.5億円以上の目標を3年連続で達成してきたAccount Directorや、5大SIerを動かすパートナー責任者が、ライセンスの売り切りではなく「API・モデルの継続的な消費売上（Consumption Revenue）」を作る層です。
第2層（本番システム実装・ドメイン特化層）：FDEやApplied AI Engineer（Codex／Cyber）が顧客現場に常駐し、本番のフルスタックコードと自動採点ハーネス（Evals）を直接実装する層です。
第3層（導入後定着・APACサポート拠点層）：Enablement Lead（Builder）が3ヶ月間で社内利用率を20〜30%から90%以上へ引き上げ、多言語サポート部隊が運用を支える層です。
第4層（ギガワット級計算基盤・公共政策層）：数GW規模のデータセンター電源・用地調達と、政府・東京大学との政策・経済指標策定を担う層です。
階層役割定義OpenAI 東京オフィスの主な募集職種Anthropic 東京オフィスの主な募集職種突破する日本市場の壁 第1層C-Suite直販・SIerアライアンス層Account Director（Manufacturing / Financial / Digital Natives / Startups）、Executive AssistantEnterprise AE（金融・保険／通信／小売・商社／SIer／デジタル）、Head of Partnerships、Partner AM、Reseller Ops、BDR大手SIerが顧客関係を握る日本の商習慣と経営層の意思決定 第2層本番コード実装・専門領域統合層Forward Deployed Engineer（FDE）、Manager FDE、Deployment Lead、Applied AI Engineer（General / Codex / Cyber）Applied AI Engineer、Applied AI Architect（Solutions Architect）、Applied AI Architects（Partner：Bedrock/Vertex AI）デモ・PoC止まりで本番基幹業務へ統合できない技術ギャップ 第3層利用定着伴走・APACサポート層Enablement Lead（Builder）、Dedicated Support Engineer、AI Support Engineer（通常／韓国語／週末シフト）Technical Customer Support Specialist（APAC顧客対応）導入後に社内利用率が20〜30%で停滞する定着不全 第4層GW級計算基盤・公共政策・経済研究層（サンフランシスコ本社およびSBG・パートナー連合と連携）Compute Country Lead, Japan、External Affairs / Public Policy、Regional Research Economist金融・医療・公共の国内データ保管（APPI）と数GW級の電力確保
この4層は独立して動いているわけではありません。第2層のFDEや第3層のEnablement Leadが顧客現場で構築した「評価基盤（Evals）」から得られたモデルの弱点や業務課題のシグナルは、構造化されてサンフランシスコ本国の基礎研究・プロダクト開発陣へと直接還流される仕組みになっています。
3. 第1層・第3層の深掘り：「利用率20〜30%の壁」を3ヶ月で90%に変える仕組みとSIer戦略
日本企業が生成AIを全社導入した後に直面する最大の課題が、いわゆる「導入後の利用率停滞」です。全社員にアカウントを配布したにもかかわらず、日常業務のワークフローに組み込まれず、アクティブ利用率が20〜30%で頭打ちになるケースが相次いでいます。
OpenAIとAnthropicは、この課題に対して求人票の中で極めて具体的な処方箋を提示しています。
3.1 OpenAI「Enablement Lead (Builder)」と「Account Director」の厳格な要件
OpenAIの東京オフィスが募集している「Enablement Lead (Builder) - Tokyo」は、従来のソフトウェア企業における「カスタマーサクセス（使い方セミナーの講師）」とは全く異なる職種です。
3ヶ月間で利用率90%超を達成する伴走モデル：求人票および長崎社長の公表データによれば、導入後に利用率20〜30%で停滞している顧客企業に対し、3ヶ月間の集中伴走プログラムを提供して社内利用率を90%以上へと引き上げます。
「Builder（構築者）」としての実装力：ライブ研修やハンズオンワークショップを行うだけでなく、顧客固有の業務データに合わせた「デプロイメント・ハーネス（展開基盤）」と「評価レイヤー（Evals）」をその場で組み立て、現場社員が自力でエージェントを構築・運用できる状態を作ります。
Account Directorの数値基準：営業職であるAccount Director（製造業、金融、デジタルネイティブ担当）には、7年以上のPaaS/SaaS法人営業経験に加え、「年間100万ドル（約1億5,000万円）以上の売上目標（Quota）を3年以上連続で達成した実績」が必須条件として課されています。1人あたり10社前後の重要アカウント（Key Accounts）を担当し、契約時のライセンス料ではなく、顧客が実際にAPIやモデルを稼働させ続ける「消費型売上（Consumption Revenue）」の予測と成長に責任を負います。
3.2 Anthropicが求人票に明記した「日本のSIer商流の真実」
一方、Anthropicの「Head of Partnerships, Japan」の求人票には、日本の法人市場の構造を突く極めて率直な一文が記されています。
"In the Japanese enterprise market, it is typically the partner—not the software vendor—that holds the customer relationship."
（日本のエンタープライズ市場においては、顧客との関係性を握っているのはソフトウェアベンダーではなく、パートナー企業であるのが一般的である。）
この冷徹な市場認識に基づき、Anthropicは以下の体制を敷いています。
5大パートナーの名指し指定：求人票の中で、NTTデータ、富士通、NEC、日立製作所、Accentureの5社を中核パートナーとして明確に列挙し、彼らと共同で市場開拓（Go-to-Market）を行う体制を構築しています。
求人の56%を営業・パートナー職へ集中：東京オフィスの公開求人16件のうち、実に9件（56%）が産業別Enterprise AE（金融・保険、通信、小売・消費財・商社、SIer、デジタルネイティブの5領域）およびパートナー管理3職種（Head of Partnerships、Partner Account Manager、Reseller Operations Manager）に割かれています。
営業現場へのClaude Managed Agents導入：さらにインサイドセールス（BDR：Business Development Representative）の求人票では、日々の見込み客調査やアウトバウンド開拓のワークフロー自体に、Anthropic社内の自律型エージェント基盤「Claude Managed Agents」を組み込んで業務を高速化することが求められています。
4. 第2層の深掘り：「デモだけ作るプリセールス」の終焉とFDE・Codex・Cyberの専門実装
本調査で最も鮮明になった技術職の変化が、従来の「プリセールスエンジニア（概念実証やデモだけを作って本番開発はSIerへ引き渡す役割）」の消滅と、顧客現場で本番コードを書き切るFDE（Forward Deployed Engineer）およびApplied AI Engineerへの完全シフトです。
両社の東京オフィスで募集されている主要エンジニア職の必須要件と業務内容を以下にまとめます。
週の25〜50%を顧客現場で過ごすFDE：OpenAIのFDEおよびDeployment Leadは、週3日の東京オフィス出社に加え、勤務時間の25〜50%を国内顧客の現場（オンサイト）への出張・常駐に充てます。PythonやJavaScript/TypeScriptで本番稼働するフルスタックコードを直接書き、「Before AI」の業務をマルチエージェントが協調する「After AI」の業務へと移行させます。
SDLC全体を再設計するCodex専門職：OpenAIの「Applied AI Engineer, Codex ／ Tokyo」は、単にコード補完ツールを導入するのではなく、顧客企業のソフトウェア開発ライフサイクル（要件定義・設計・実装・テスト・コードレビュー・デバッグ・デプロイ）全体をコーディングエージェント「Codex」前提で再設計し、自動採点ハーネス（Automated Grading Harnesses）を構築します。
CISO/SOCと組むサイバーセキュリティ専門職：OpenAIの「Applied AI Engineer, Cyber ／ Tokyo」は、5年以上のセキュリティ設計・アドバイザリー経験を必須とし、顧客のCISO、CTO、SOC（セキュリティ監視センター）、インシデント対応チーム、Red Teamと協業します。関数呼び出し（Function Calling）、構造化出力、RAG、サンドボックス隔離、人間の承認ゲート（Approval-gated side effects）、監査テレメトリを実装し、「AIモデルが出すノイズと本物の脅威を証拠ベースで見分ける判断力」を求められます。
職種名（企業・拠点）必須経験年数・語学・勤務条件顧客カウンターパート求められる具体的な実装・アーキテクチャ能力 Forward Deployed Engineer (FDE) ／ （OpenAI / Tokyo）開発5年以上（Managerは8年以上＋管理2年以上）、日英バイリンガル、週3日出社＋25〜50%国内出張戦略顧客の事業部門・エンジニアリング部門Python / JS / TSによる本番フルスタック開発、マルチエージェント統合、カスタムEvals構築と本国研究陣へのフィードバック Deployment Lead (DL), FDE ／ （OpenAI / Tokyo）技術導入・システム設計の実務経験、日英バイリンガル、25〜50%国内出張顧客の経営層（C-Suite）および現場開発リーダー業務変革ロードマップの策定から本番環境へのエージェント組み込み・運用定着までの一気通貫リード Applied AI Engineer, Codex ／ （OpenAI / Tokyo）ソフトウェア開発およびAI統合の深い実務経験、日英バイリンガル顧客企業のVP of Engineering、開発組織全体Codexを用いたSDLC（設計・実装・テスト・レビュー・デバッグ）の自律化と自動採点ハーネス（Evals）の構築 Applied AI Engineer, Cyber ／ （OpenAI / Tokyo）セキュリティ設計・アドバイザリー5年以上、日英バイリンガルCISO、CTO、SOC、IR、Red Team脆弱性管理・AppSec・DevSecOps・GRCへのAI統合、サンドボックス隔離・承認ゲート・監査ログ設計、モデルノイズと真の脅威の識別 Applied AI Architects, Partner ／ （Anthropic / Tokyo）クラウドアーキテクチャ・AI実装経験、日英バイリンガル、週25%以上出社AWS Bedrock / Google Cloud Vertex AIおよび大手SIer技術部門大規模クラウド基盤上でのClaude統合設計、プロンプト・評価設計、パートナー企業のエンジニア育成と共同デリバリー
このように、「スライドで構想を描くだけのコンサルタント」や「簡単なチャットUIのデモを作るだけのプリセールス」が入り込む余地はなく、本番環境のコード、セキュリティ境界、そして自動評価ハーネス（Evals）を自ら実装できるエンジニアだけが採用対象となっています。
5. 第4層の深掘り：数ギガワット規模への拡張と「9,450億円」大阪専用データセンター計画
東京オフィスの求人の中で、最も物理的なスケールが大きいのが、Anthropicが2026年8月に公開した「Compute Country Lead, Japan」（Greenhouse Job ID: 5385559008）です。
この求人票と関連するインフラ交渉データを照合すると、AI企業が単なるソフトウェア提供者から「国家規模の電力・社会インフラ事業者」へと変貌している実態が浮かび上がります。
5.1 「初期サイトから数ギガワットへ」という異次元のミッション
「Compute Country Lead, Japan」の求人票には、そのミッションが次のように明記されています。
"Expand Anthropic's compute footprint in Japan from initial sites to multiple gigawatts."
（日本におけるAnthropicの計算基盤を、初期サイトから数ギガワット規模へと拡大する。）
1ギガワット（GW）とは、大型の原子力発電所およそ1基分に相当する電力容量です。それを「数ギガワット（Multiple Gigawatts）」へ拡大するという計画の裏付けとして、以下の具体的なプロジェクトが進行しています。
大阪府内での最大500MW・約9,450億円の専用データセンター交渉：AnthropicはNTTデータとの間で、大阪府内に日本初となるAnthropic専用データセンターを建設する最終交渉を進めています。最大電力容量は500メガワット（MW）、総工費は最大63億ドル（1ドル150円換算で約9,450億円〜1兆円規模）に達し、早ければ2028年の部分稼働を目指しています。
なぜ日本国内に専用データセンターが必要なのか：日本の個人情報保護法（APPI）や、金融機関・医療機関・政府公共機関における厳格な「データ国内保管（Data Residency / Sovereignty）」要件を満たすと同時に、推論時の通信遅延（レイテンシ）を極限まで低減するためです。
「指揮命令権なし」で本社機能部門を動かすリーダーシップ：この職種には、日本の電力会社、経済産業省、地方自治体との深い折衝ネットワーク（日本の規制・商習慣に精通した日本国籍・ネイティブ人材を強く優先）が求められるだけでなく、「正式な指揮命令権（Formal Line Authority）を持たない状態で、サンフランシスコ本社の不動産、エネルギー、財務、政策、建設、運用の各機能責任者をまとめ上げる能力」が必須条件として掲げられています。
5.2 政策連携（AISI覚書）と東京大学との「AI利用指数」共同研究
物理インフラと同時に、ルール形成と経済分析の現地化も進んでいます。
External Affairs / Public Policy, Japan：ダリオ・アモデイCEOと高市早苗首相の会談、および日本のAIセーフティ・インスティテュート（AISI）との覚書（MoU）に基づき、安全性評価基準や著作権・個人情報保護・産業政策を政府省庁と直接折衝します。
Regional Research Economist：東京大学と共同で日本独自の「AI利用指数（AI Usage Index）」を開発し、Anthropicが展開する「Anthropic Economic Index」を文部科学省や日本の産業界の労働・生産性分析へ拡張する役割を担います。
6. 年収6,000万円の報酬ベンチマークと、Claude自身が突破した『Shenzhen I/O』型採用試験
これほど高度な要件を満たす人材に対し、両社はどの程度の報酬を提示し、どのような採用試験で選抜しているのでしょうか。
6.1 米国求人497件から見る報酬水準と東京オフィスの勤務条件
日本の求人票では現地の慣行により具体的な金額は非公開（「競争力のある基本給＋株式報酬（Equity）＋業績賞与・福利厚生」と表記）ですが、給与レンジの開示が義務付けられている米国本国のAnthropic公開求人497件を集計したデータが明確な基準となります。
全職種の中央値は約4,725万〜6,000万円：米国求人497件の提示年俸レンジの中央値は31万5,000ドル〜40万ドル（1ドル150円換算で約4,725万〜6,000万円）です。OpenAIの上限レンジはさらに高水準に達するケースがあります。
ハイブリッド出社と語学条件：東京オフィスのほぼ全職種（Anthropicでは16件中13件以上）で「ネイティブレベルの日本語＋ビジネス〜流暢レベルの英語」が必須であり、英語履歴書の提出と日英両言語での面接が行われます。出社条件はOpenAIが週3日出社（FDE等は＋25〜50%出張）、Anthropicが勤務時間の25%以上（週1〜1.5日程度）の出社となっています。
職種カテゴリ（米国497件ベンチマーク）米国年間報酬レンジ（USD）日本円換算目安（150円/USD）東京オフィスの主な勤務・言語・採用条件 全体中央値（497件集計）$315,000 〜 $400,000約4,725万 〜 6,000万円基本給＋株式報酬（Equity）＋賞与のトータルパッケージ Enterprise Account Executive (OTE)$380,000 〜 $450,000約5,700万 〜 6,750万円目標達成時報酬（OTE）。大型案件の消費売上拡大に連動 Applied AI Engineer$275,000 〜 $365,000約4,125万 〜 5,475万円顧客現場での本番コード実装・Evals構築・日英バイリンガル必須 Software Engineer（一般層）$320,000 〜 $485,000約4,800万 〜 7,275万円OpenAI：週3日オフィス出社／Anthropic：週25%以上出社・ビザ支援あり Software Engineer（Senior / Lead層）$563,000 〜 $756,000約8,445万 〜 1億1,340万円高度な分散システム・推論基盤・セキュリティ設計を主導
6.2 自社の採用試験をClaude Opus 4.5が突破し、『Shenzhen I/O』型テストへ全面刷新
Anthropic社内では現在、エンジニア自身が自社のコーディングエージェント「Claude Code」を日常業務の第一選択肢（First Stop）として徹底活用しており、Google Cloud上のKubernetes環境で発生したPod IPアドレス枯渇障害の根本原因特定などを従来の3倍の速度で完了させています。
しかし、自社のAIモデルが急速に進化した結果、「自社のエンジニア採用試験が自社モデルに突破されて使えなくなる」という象徴的な出来事が起きました。旧試験の崩壊から新試験への移行プロセスは以下の通りです。
旧試験（仮想TPUシミュレーター最適化）の限界：2023年11月に導入されたパフォーマンス・エンジニアリング職の持ち帰り試験（当初4時間、のち2時間制限）は、Pythonで書かれた仮想TPU（Tensor Processing Unit）シミュレーター上で、スクラッチパッドメモリやVLIW（超長命令語）・SIMD（単一命令複数データ）を駆使して並列ツリー探索のサイクル数を最小化する難問でした。
Claude Opus 4.5による人間最優秀層の突破：2025年5月に登場した「Claude Opus 4」が人間の応募者の大半を上回り、続く「Claude Opus 4.5」は2時間の制限時間内に人間のトップ層に並ぶ1,790サイクルを達成しました。さらにハーネスの実行時間を延長した検証では1,487サイクルから1,363サイクルへと到達し、2次元TPUレジスタ転置やメモリバンク競合の解消まで自律的に解き切ってしまったのです。
新試験（『Shenzhen I/O』着想の未知アーキテクチャパズル）への刷新：これを受けてAnthropicは、学習データに一切存在しない「分布外（Out-of-Distribution：OOD）」の試験問題をゼロから設計しました。Zachtronics社の名作ハードウェア設計パズルゲーム『Shenzhen I/O』から着想を得たこの新試験は、「わずか10個程度の独自命令と1〜2個のレジスタしか持たず、デバッガーすら存在しない架空の小型プロセッサ上で命令数を極限まで削る」という課題です。
比較項目旧パフォーマンス採用試験（2023年11月〜）新パフォーマンス採用試験（『Shenzhen I/O』型 OOD試験） 課題の内容仮想TPUシミュレーター（Python）上での並列ツリー探索の高速化（VLIW / SIMD / スクラッチパッドメモリ最適化）Zachtronics社のゲーム『Shenzhen I/O』に着想を得た、学習データに存在しない架空命令セット（約10命令・1〜2レジスタ）での命令数最小化 制限時間・環境持ち帰り試験（当初4時間 → 2時間制限）デバッガーが一切提供されない極限の制約環境 Claudeの到達スコアClaude Opus 4が大半の人間を超え、Claude Opus 4.5が2時間で1,790サイクル（人間最優秀層）、拡張実行で1,363サイクルを達成事前学習データに解法パターンが存在しないため、モデルへの単純な丸投げでは解けない構造 測定している真の能力既存のハードウェア最適化知識と低レイヤー実装の熟練度デバッガーがない環境で自らプリントデバッグを作るか、AIに指示して専用対話型デバッガーをその場で自作させ、第一原理でボトルネックを特定する判断力
この試験刷新が示しているメッセージは極めて明確です。AIに問題をそのまま貼り付けて答えを出させるだけの人は論外であり、かといってAIを使わずに手作業だけで戦う人も求めていません。「未知の課題に直面したとき、まず状況を観察・計測するための専用ツール（デバッガーや評価器）をAIと一緒に素早く自作し、第一原理（First Principles）でボトルネックを特定できるエンジニア」こそが、年収6,000万円クラスで求められている人材なのです。
7. 結論：私たちが明日から変えるべきキャリアと組織の3つの行動
OpenAIとAnthropicの東京オフィスに基礎研究職が1人もおらず、FDE、Enablement Lead、そしてCompute Country Leadが集められている事実は、これからのAI時代における個人のキャリアと企業組織のあり方に3つの明確な指針を与えてくれます。
1. 「プロンプトの工夫」より先に「業務の評価基準（Evals）10ケース」を定義する
両社のFDEやApplied AI Engineerが現場で最初に作るのは、AIの出力の良し悪しを自動採点する「評価ハーネス（Evals）」です。自分の業務にAIを入れる際は、「どういう入力に対して、どの条件を満たす出力が出れば合格か（逆に何が混ざれば不合格か）」というテストケースをまず10個書き出し、定量的に採点できる仕組みを作ってください。
2. 「構想だけ書いて実装を丸投げする分業」を終わらせる
美しい構想スライドを作るだけのコンサルタントや、デモだけ作ってSIerへ引き渡すプリセールスの役割は、両社の求人票から完全に姿を消しました。小さな業務範囲で構わないので、データの入力からAIの処理、人間の承認ゲート、そして本番システムへの反映までを「自分の手で最後まで繋ぎ切る経験」を持つことが最大のキャリア防衛になります。
3. AIを「答えを出す箱」ではなく「観察道具（デバッガー）を自作する相棒」として使う
『Shenzhen I/O』型の採用試験が示す通り、前例のない業務課題やシステム障害にぶつかったとき、AIにいきなり最終回答を求めるとノイズに振り回されます。「まずこのデータのどこで詰まっているかを可視化する検証スクリプトをAIに書かせる」というアプローチへ切り替えることで、問題解決の速度と精度は何倍にも跳ね上がります。
8. 一次資料・出典リンク一覧（全37件）
本記事の検証で参照したOpenAIおよびAnthropicの公開求人票、公式発表、および市場分析レポートは以下の通りです。
OpenAI 公式求人票・公式発表（Tokyo, Japan 他）
Deployment Lead (DL), FDE - Tokyo ／ OpenAI Careers-fde-tokyo-tokyo-japan/)
Enablement Lead (Builder) - Tokyo ／ OpenAI Careers-tokyo-tokyo-japan/)
Account Director, Digital Natives / Startups - Tokyo ／ Startup.jobs
OpenAI Japan 長崎忠雄社長インタビュー：70〜80名体制から100名へ、利用率90%への伴走 ／ 週刊BCN (2026-04-13)
Anthropic 公式求人票・公式発表・採用試験解説
Anthropic appoints Hidetoshi Tojo as Head of Japan and announces hiring plans ／ Anthropic News
Compute Country Lead, Japan (Job ID: 5385559008) ／ Anthropic Greenhouse
Applied AI Engineer, Tokyo (Job ID: 5390799008) ／ Anthropic Greenhouse
Applied AI Architects, Partner (Job ID: 5439499008) ／ Anthropic Greenhouse
Business Development Representative, Japan ／ Startup.jobs / Anthropic
市場分析・報酬調査・データセンター動向レポート
書き手の自己紹介とチャンネルのご案内
普段は企業の経営企画や技術戦略の現場で、海外の一次資料や財務データ、技術仕様書を分析し、事業判断へ落とし込む仕事をしています。YouTubeチャンネル「コンサルオジ」とこのnoteでは、ニュースの表面的な見出しだけでは見えてこない「一次資料の裏側にある構造」を1テーマずつ深掘りしています。
なぜこの発信を続けているのか、どのような視点で資料を検証しているのかについては、こちらの自己紹介記事にまとめていますので、よろしければあわせてご覧ください。
https://note.com/consuloji_ch/n/n1975ecc3cf48
関連して読まれている記事
なぜ半年807億ドル赤字のAnthropicが評価額2兆ドルで上場できるのか？Form S-1目論見書の「7,500億ドル計算契約・議決権50.1%支配」とフロンティアAI 6社比較の徹底解剖：同じAnthropicを、上場書類の側から読んだ記事です。
AI計算資源の契約は90日前の通知で終われるのか？ ── SpaceXの10-Q「顧客B」34.5%とAnthropic S-1を書類ごとに読む：AI計算資源の契約を、書類ごとに読み解く記事です。
