データサイエンティスト業務委託｜単価相場と契約設計をフェーズ別に整理

「AI や機械学習で競合と差別化せよ」と経営から指示され、社内にデータサイエンティスト（以下、サイエンティスト）がいないため業務委託を検討し始めた──そんな段階で単価相場を調べ始めると、月 60 万円から 175 万円超まで幅広く、契約形態も準委任・請負・成果報酬と複数存在し、どこから予算を組めばよいのか手が止まってしまいます。

中途採用は年収 1,000 万円超でも応募が集まらず、業務委託に切り替えたものの、「PoC をやりたいだけなのか」「本番運用まで見据えるのか」「継続改善まで含めるのか」でも必要な人材像・単価・契約形態は変わります。そのため、単価表を眺めているだけでは稟議書に書ける粒度の予算試算までたどり着けません。

さらに、サイエンティストならではの論点──モデル評価責任・データ整備の前提条件・MLOps・PoC の合否基準──を整理しないまま発注すると、「モデル精度は出たのに本番導入できない」「運用フェーズで詰まる」といった典型的な失敗パターンに陥りやすくなります。

本記事では、発注者視点でデータサイエンティスト業務委託の単価相場を整理したうえで、PoC〜本番運用〜継続改善のフェーズごとに「契約形態」「稼働」「委託先タイプ」をどう組み合わせて予算に落とすかを解説します。また、発注前に社内で決めておくべき 5 項目と、サイエンティスト業務委託ならではの失敗 5 パターンと回避策まで扱います。

読み終える頃には、「うちの PoC は準委任で月 80〜120 万円 × 3〜6 ヶ月、本番運用は請負で別途見積、継続改善は月 50〜80 万円の準委任で MLOps と分業」といった稟議書ドラフトの骨格が組める状態を目指せます。

データサイエンティスト業務委託の単価相場と市場動向【2026年版】

まずは稟議書の予算根拠として引用できる単価レンジを、公開データから発注者視点で整理します。結論を先に示すと、2026 年時点のフリーランス／業務委託データサイエンティストの月額単価は 60 万〜100 万円がボリュームゾーン、業界別の平均月単価は約 97 万〜130 万円、案件例の高単価帯で月 175 万円超というのが実勢です（BizDev Tech 2026 年版レポート）。

なお、稼働形態別・経験年数別・商流別など「受託者（フリーランス）側から見た詳細な単価相場」は姉妹記事データサイエンティストのフリーランス単価相場と案件の取り方【2026年版】で扱っています。本節では、発注者が稟議書に組み込むための「大枠のレンジと根拠」に絞ります。

フリーランス月額単価のボリュームゾーンと平均

BizDev Tech の 2026 年版レポートによると、データサイエンティスト案件の月額単価は業界により以下のとおり分布しています。

稟議書に書く際は、「月額 80 万〜130 万円レンジ（ボリュームゾーン + 業界別平均帯）を標準ケース、上振れ時 150 万〜175 万円を想定」と 2 段階で置くと、後述する生成 AI・LLM プレミアムや高度スキル案件が入っても再稟議になりにくくなります。

週稼働別（フル稼働／週 3 日／週 2 日）の相場感

サイエンティスト業務委託は、社員の代替として週 5 日フル稼働で入ってもらうケースと、専門知見を週 2〜3 日だけ借りるケースがあります。稼働日数と月額の比率をおおむね線形とみなして目安を置くと、次のとおりです。

参考として、週 5 日フル稼働案件を対象としたレバテックフリーランス「データサイエンティストの年収」の集計では、想定平均年収は 20 代 約 876 万円・30 代 約 926 万円・40 代 約 1,032 万円と年代とともに上昇しています。単純に 12 で割ると月換算 約 73 万〜86 万円のレンジであり、フル稼働 = 月 100 万円超とは限らず、若手中心の案件では下振れも起こり得ます。稼働別の細かい内訳や副業・週 2 日案件の実態は、前掲の姉妹記事のフリーランス視点解説をご覧ください。

リモート比率とアサイン形態

コロナ禍以降、データサイエンティスト業務委託はフルリモートまたはハイブリッドが主流になっています。ただし、以下のようなケースでは「週 1〜2 日出社」を条件に置いた方が案件マッチングと業務品質の両面で有利になります。

• 個人情報・機微データを扱い、閉域ネットワーク内でのみ作業が許される
• 事業部門との対話が頻繁で、対面ワークショップが PoC の質を左右する
• 経営会議への報告や役員説明を委託先メンバーにも同席してほしい

出社条件を厳しくすると単価がプレミアム化する傾向があるため、稟議段階では「フルリモート前提、必要時のみ出社（月 2〜4 回、旅費別途）」とすると調達コストを抑えやすくなります。

生成 AI・LLM 対応可能人材のプレミアム相場

2026 年時点で単価を最も押し上げるスキル領域は、生成 AI・LLM の活用実装（RAG 構築・ファインチューニング・エージェント設計等）です。BizDev Tech の 2026 年版レポートでは、RAG 構築や LLM 活用まで担えるサイエンティストは月 150 万円レイヤーに到達しやすいと報告されています（BizDev Tech 2026 年版レポート）。

稟議書では、「生成 AI 活用 PoC の場合は上限を月 150 万〜175 万円まで許容」と幅を持たせておくと、いざ人材選定が始まってから予算再申請でスタックする事故を防げます。

業務委託を検討する前に確認する「本当にデータサイエンティストが必要か」

単価が高い職種だからこそ、発注する前に「サイエンティストが必要なのか、アナリストで足りるのか」を仕分けする必要があります。ここを飛ばすと、月 120 万円で発注したのに実際の作業はダッシュボード作成と KPI 集計だった、というミスマッチが起こります。

なお、より基礎的な「まずデータアナリストで始めるべきか」の判断フレームは、姉妹記事データアナリスト業務委託の発注設計｜サイエンティストとの違いと費用相場で詳しく扱っています。本記事は「アナリストでは対応できない領域が明確になり、サイエンティストの発注設計を進める段階」を対象としています。

サイエンティスト・アナリスト・エンジニアの守備範囲

3 職種の守備範囲を発注者視点で単純化すると次のとおりです。

厳密にはこの 3 職種は重なり合い、1 人が兼任するケースもあります。ただ、発注書と稟議書の粒度では「主担当領域はどこか」を明確にしておく方が、後の契約形態・成果物定義がぶれません。

サイエンティストが必要になる 4 つの転換点

以下 4 つのうち 2 つ以上に該当する場合、アナリスト単体では対応が難しく、サイエンティストの発注を検討する段階に入っていると考えられます。

1. 予測・分類・レコメンドが PoC 対象: 過去データから未来の需要・離脱・故障などを予測する、あるいは異常検知やレコメンドを行うテーマは、機械学習モデルの設計・評価・改善が必要
2. モデル評価に責任を負う人が必要: 「精度 80% を業務要件として満たすか」「本番投入した際の誤検知リスクをどう抑えるか」など、モデル評価と業務要件の橋渡しをする役割が空席
3. 研究要素・不確実性が高い: 教師データが揃っていない、手法選定に試行錯誤が必要、既存の SaaS 機能では要件が満たせない
4. 生成 AI・LLM を業務プロセスに統合したい: プロンプト設計だけで済まず、RAG や社内データとの接続、精度評価、ハルシネーション対策まで含めた設計が必要

「まずアナリストで十分」なケースの判断軸

一方、次のような場合は無理にサイエンティストを起用せず、まずアナリスト（またはデータエンジニア）に発注する方が投資対効果が出やすいと言えます。

• BI ツール（Looker Studio、Tableau、Power BI 等）でのダッシュボード整備が最優先
• そもそも社内データが散在しており、まずは統合・クレンジングが必要
• KPI 設計・A/B テスト設計・レポーティングの自動化が主目的
• 意思決定は現場の勘と経験で十分機能しており、機械学習で置き換える必然性が薄い

サイエンティストを起用しても、上記のケースでは価値発揮の場面が少なく、月額 100 万円超の投資が「高機能なアナリスト」で終わってしまいます。判断に迷う場合は、まず短期のアドバイザリー契約（時間単価 1〜2 万円で月 5〜10 時間）で診断してもらう選択肢もあります。

単価相場を「自社の予算」に置き換える 3 軸（フェーズ・契約形態・稼働）

競合記事の多くは「単価相場は月 60 万〜100 万円」で説明を止めていますが、発注者が本当に欲しいのは「うちのプロジェクトなら合計いくらになるのか」の試算です。ここでは、単価を自社の予算に翻訳する 3 軸フレームワークを提示します。

軸 1「フェーズ」（PoC／本番運用／継続改善）別の目安

サイエンティスト業務委託は、プロジェクトのフェーズごとに必要な人材像と工数が大きく異なります。

「PoC で必要な工数を、そのまま本番運用にスライドする」のは典型的な予算超過パターンです。本番運用は開発工数だけでなく、モデル精度検証・非機能要件対応・運用手順書作成などで PoC の 1.5〜3 倍の工数が積み上がります。

軸 2「契約形態」（準委任／請負／成果報酬）別の目安

3 つの契約形態を発注者視点で整理すると次のとおりです。

サイエンティスト案件は「試行錯誤が前提」の PoC で請負契約を結ぶと、成果物定義が曖昧なまま追加請求が発生しやすくなります。逆に、モデル納品が明確なフェーズでは準委任のまま続けると「いつまでモデル改善に稼働を投下するのか」が不明瞭になり、発注者側の予算コントロールが利かなくなります。

軸 3「稼働形態」（フル稼働／週 3 日／週 2 日／時間単価）別の目安

前節で示した単価表と組み合わせて考えます。目安は以下です。

• PoC の主担当: 週 5 日フル稼働（月 100 万〜150 万円）
• PoC のレビュアー・技術顧問: 週 1〜2 日（月 30 万〜60 万円、時間単価 1.5 万〜2 万円）
• 本番運用構築のリード: 週 3〜5 日（月 80 万〜150 万円）
• 継続改善: 週 2〜3 日（月 50 万〜80 万円）

サイエンティスト 1 人で全フェーズを見るより、フェーズごとに稼働率と役割を切り替える方が費用対効果が高い場合が多く、これは組織の内製化を進める際にも移行しやすくなります。

3 軸を組み合わせた稟議書用予算試算例（PoC〜本番運用〜継続改善の 12 ヶ月モデル）

3 軸を組み合わせて、稟議書に書ける粒度の予算試算例を示します。前提として「需要予測モデルを PoC → 本番運用 → 継続改善までの 12 ヶ月で立ち上げるケース」を想定します。

このように「フェーズ × 契約形態 × 稼働」の 3 軸で分解すれば、稟議書の予算欄に「PoC 400 万円 + 本番運用 800 万円（中央値）+ 継続改善 840 万円 = 総額 2,040 万円（生成 AI 活用時 + 300 万円まで上振れ許容）」といった書き方ができます。

契約形態の選び方（準委任・請負・成果報酬）とフェーズごとの切り替え

契約形態は「どちらが正解か」ではなく、フェーズごとに使い分ける対象です。ここでは、データサイエンティスト業務委託ならではの実務観点で 3 形態を掘り下げます。

なお、業務委託契約で発注者側が委託者に対して実務指示を出す際の適法な範囲については、業務委託で適法な指揮命令の範囲で詳しく解説しています。データサイエンティスト業務委託でも、PoC 期間中の日次コミュニケーションが偽装請負とみなされないよう、事前に法務・情シスと確認しておくことをおすすめします。

準委任契約（PoC・探索的分析・継続改善向き）

準委任契約は「善良な管理者の注意義務」を負う工数払い契約で、成果物の完成責任は問われません。PoC のように「そもそもデータで解けるかどうか自体が不確実」なフェーズでは、準委任が第一選択となります。

発注者が注意すべきは以下の 3 点です。

1. 稼働報告のフォーマットを事前に合意する: 週次で「実施内容・所要時間・課題・次週予定」を提出してもらう運用を契約書に明記
2. 中間レビューポイントを設ける: 1 ヶ月目・2 ヶ月目終了時に「継続 / 方針転換 / 中止」を判断できるゲートを置く
3. 知的財産（コード・モデル・データ）の帰属を契約書で明示: 委託者の既存 OSS 資産と、業務中に生成された成果物を切り分ける

請負契約（モデル成果物納品型）と目標精度の合意

本番導入するモデルを納品してもらう場合は請負契約が向いていますが、サイエンティスト案件では「成果物 = モデル」の定義が意外に難しい点に注意が必要です。

• 精度目標: 「テスト用データセットに対して F1 スコア 0.85 以上」など、評価データと評価指標の両方を契約書に明記
• 精度未達時の扱い: 精度未達で納品不可の場合の対応（減額・再作業・準委任への切り替え）を事前合意
• 納品物の範囲: モデルコード、学習済みパラメータ、前処理コード、推論 API、運用手順書、精度検証レポートなど、どこまで含めるか列挙
• データ提供責任の分離: 学習データの品質不足で精度目標が達成できない場合は発注者責任、というリスク分担を明示

成果報酬型（ビジネス KPI 連動）の可能性と制約

「予測精度が向上した分の利益の X%」といった成果報酬契約は理論上は魅力的ですが、実務では以下の理由から採用ハードルが高い契約形態です。

• ビジネス KPI 変動は委託者の努力以外の要因（季節性・キャンペーン・競合動向）に大きく影響される
• 「モデル改善による貢献」を客観的に切り出すのが困難
• 委託者が個人フリーランスの場合、キャッシュフローの都合で先払い部分がないと受注できない

現実的には、「固定月額 + 成功時のインセンティブ（上限あり）」というハイブリッド設計が採用されやすい傾向にあります。

フェーズ移行時の契約切り替え実務

PoC の準委任 → 本番運用の請負に切り替える際は、以下の手順を踏むと発注者側のコントロールが利きやすくなります。

1. PoC 終了報告書に「本番化要件と工数見積」を含めるよう発注仕様に入れる（同じ委託者が本番運用も担当する前提のみ）
2. 本番運用の請負契約は別 SOW として起票し、準委任契約の自動延長にしない
3. 委託者を変える選択肢を残す: PoC 担当と本番運用担当を別会社にする分業も、ロックインを避ける上では有効
4. 継続改善フェーズでは再び準委任に戻す: 本番稼働後は「モデルの精度劣化対応・追加特徴量の実験・再学習パイプラインの整備」といった探索的作業が続くため、成果物型の請負にはなじまない

委託先の 4 タイプ（コンサル・SIer・専業ベンダー・フリーランスマッチング）の使い分け

同じ「データサイエンティスト業務委託」でも、委託先タイプによって費用感・強み・弱みが大きく異なります。ここでは 4 タイプに分けて整理します。

戦略コンサル（大手コンサルファーム）

• 費用感: 月額 300 万〜1,000 万円 / 人（プロジェクト全体では数千万〜数億円）
• 強み: 経営課題からの落とし込み、業界ベンチマーク、経営層への説明力
• 弱み: 実装は薄い（実装は下請け SIer に委託されることが多い）、単価が最も高い
• 向くフェーズ: 経営戦略上の重要 PoC の企画・体制構築、経営会議報告
• 向かないケース: 中小規模の PoC、既に社内で経営同意が取れている案件

SIer・システム開発会社（AI 特化・非特化）

• 費用感: 月額 150 万〜300 万円 / 人（プロジェクト全体で数百万〜数千万円）
• 強み: システム連携・本番運用インフラの設計と実装、既存システムとの接続
• 弱み: 探索的な PoC はコスト過剰、モデル研究要素の弱さ（AI 特化 SIer は例外）
• 向くフェーズ: 本番運用構築、既存基幹システムとの接続、大規模データパイプライン
• 向かないケース: 短期の PoC、モデル手法選定が主目的の案件

データサイエンス専業ベンダー

• 費用感: 月額 100 万〜200 万円 / 人
• 強み: モデル設計力、業界特化ノウハウ、他社案件で蓄積した手法の再利用
• 弱み: 会社によって得意領域が偏る、実装から運用までの一気通貫は不得手なところも
• 向くフェーズ: モデル設計・PoC・技術顧問、業界特化型の予測モデル構築
• 向かないケース: 大規模な本番運用インフラ構築、経営層への説明が主目的の案件

フリーランスマッチング・エージェント

• 費用感: 月額 60 万〜150 万円 / 人（マッチング手数料込み）
• 強み: 最もコストを抑えられる、稼働形態を柔軟に調整できる、特定スキル特化人材にアクセスしやすい
• 弱み: 体制構築・PM は発注側の責任、個人の得手不得手に依存、稼働の予測可能性
• 向くフェーズ: 継続改善、専門レビュー、内製メンバーのメンター役
• 向かないケース: 発注者側に PM がいない、失敗が許されないミッションクリティカル案件

4 タイプ比較表とフェーズ別の使い分けパターン

発注者にサイエンティスト経験のある PM がいる場合は、フリーランス活用でコストを最適化できます。逆に、社内に AI プロジェクト経験者が不足している場合は、SIer やデータサイエンス専業ベンダーにプロジェクト全体を委ねる方が、結果的に総コストは下がることもあります。

発注前に社内で決めておく 5 項目

サイエンティスト業務委託の失敗の多くは、発注前の社内合意が不足していたことに起因します。ここでは、稟議書と一緒に整えるべき 5 項目を提示します。

ビジネスゴールと成功 KPI の言語化

「AI を使って何かしたい」ではなく、「営業リストの成約確率予測モデルを作り、既存の営業案件優先度付けにおいて、上位 20% のリストの受注率を X% 改善する」といった具体的なビジネスゴールを言語化します。ここが曖昧だと、モデル精度が出ても「で、これで何が良くなるの？」と役員会で詰まります。

データ整備状況の棚卸し

以下を発注前に棚卸しします。

• どのシステムに、どのようなデータが、どの粒度で、どこまで遡って蓄積されているか
• 個人情報・機微データが含まれる場合、委託者に提供可能な形（匿名化・マスキング）にできるか
• データが分散している場合、統合作業を誰が（発注者か委託者か）担当するか

データ整備が不十分な状態でモデル開発に着手すると、委託者の稼働の大半が「データ探索と前処理」で消費され、モデル開発工数が圧迫されます。

意思決定者・データオーナー・現場窓口の指名

3 つの役割を明示的にアサインします。

• 意思決定者: PoC 継続 / 中止・本番運用ゴー / ノーゴーを決める役員クラス
• データオーナー: 利用データの所管部門責任者（承認・目的外利用の判断）
• 現場窓口: 週次の進捗共有・データ質問対応・業務ヒアリング

この 3 役が明確でないと、委託者は「誰に何を聞けばいいか分からず」プロジェクトが停滞します。

PoC の合否基準の事前合意

PoC を始める前に、以下 3 つを合意しておきます。

• 技術的な合否基準: モデル精度（F1 スコア・AUC・MAE 等）の目標値
• ビジネス的な合否基準: 想定 ROI・削減工数・売上増加見込みなど
• 継続 / 中止判断のトリガー: 「精度が達成できても業務プロセスに組み込めない場合は中止」など

PoC を始めてから合否基準を決めようとすると、「精度は出たが本番導入されない PoC 沼」から抜け出せなくなります。

内製化の出口設計

業務委託は永続契約ではないため、以下を決めておきます。

• 「本番運用開始後 X ヶ月で、内製メンバー Y 人にモデル運用を移管」といった移管計画
• 移管のためのドキュメント（モデル設計書・運用手順書・特徴量定義書）を成果物に含める契約条項
• 移管期間中の並行稼働をどこまで含めるか

出口設計がないと、「モデルを作った人しか触れない」ロックイン状態になり、継続的に高額な保守費が発生します。

データサイエンティスト業務委託の失敗 5 パターンと回避策

最後に、サイエンティスト業務委託ならではの失敗パターンを 5 つに整理します。それぞれ、発注者側で事前に打てる回避策とセットで示します。

失敗 1「PoC で終わり本番導入できない」

• 原因: PoC の合否基準に「本番導入可能性」の観点が抜けていた、あるいは本番導入までの工数見積が抜けていた
• 回避策: PoC 発注仕様に「本番運用要件定義書のドラフト」を成果物として含める。PoC 予算の 20〜30% を「本番化見積作成」に振り分ける
• 副次効果: 本番化を委託者以外に発注する場合の相見積取得材料になる

失敗 2「モデル精度は出たがビジネス KPI に繋がらない」

• 原因: モデル精度の目標だけが独立し、業務プロセスへの組み込み設計が不在
• 回避策: PoC 開始時に「モデル出力を誰が / どのタイミングで / どう使うか」の業務フロー図を作成する。営業や現場責任者を PoC のレビュアーに巻き込む
• 副次効果: 現場が納得している状態で本番導入できるため、運用開始後の抵抗が少ない

失敗 3「データ整備不足でモデル開発が停滞」

• 原因: 発注時に「データはある」と伝えたが、実際には統合・クレンジングが未着手だった
• 回避策: PoC 発注前に、委託者候補による「データ実物レビュー（NDA 締結後 2〜4 時間）」を実施する。データ整備工数がモデル開発工数の何倍になるかを事前に把握
• 副次効果: 場合によっては先にデータ基盤整備の別プロジェクトを組成する判断ができる

失敗 4「MLOps 未考慮で運用フェーズが詰まる」

• 原因: PoC で作ったモデルを本番運用する際、モデル再学習・監視・データドリフト検知の仕組みがなく、精度が徐々に劣化する
• 回避策: PoC の設計段階で「本番運用時の再学習頻度」「監視するメトリクス」を仮置きしておく。本番運用構築の請負契約に MLOps 要件（監視ダッシュボード・アラート・再学習パイプライン）を必ず含める
• 副次効果: 継続改善フェーズの費用見積が具体化する

失敗 5「秘密保持・データ持ち出しでセキュリティ事故」

• 原因: NDA は締結したが、実務レベルでのデータ取扱いルール（作業端末・保管場所・アクセス権）が未整備
• 回避策: 委託者に対して、①作業環境（自社支給端末 / VDI / セキュア PC）、②保管ポリシー（作業後の削除ルール）、③アクセス権限（最小権限原則）を契約書と付属セキュリティ要件書で規定する。個人情報が含まれる場合は特に、法務・情報セキュリティ部門を巻き込んで発注仕様を作る
• 副次効果: 情シス・法務が納得しやすくなり、稟議通過が早まる

まとめ｜稟議書を書き始めるための 3 ステップ

データサイエンティスト業務委託を「稟議書に書ける粒度」まで具体化するために、本記事の内容を 3 ステップに要約します。

1. 職種を仕分ける: 「サイエンティスト・アナリスト・エンジニア」の守備範囲を確認し、自社の PoC がサイエンティスト前提であることを判定する（先ほど提示した 4 つの転換点で判断可能）
2. 3 軸マトリクスで予算試算: 「フェーズ × 契約形態 × 稼働」の 3 軸で単価を分解し、12 ヶ月の総予算試算を組む（本記事の試算例では、需要予測モデルの PoC から継続改善まで総額 2,000 万円前後）
3. 発注前チェックリスト 5 項目を社内合意: ビジネスゴール、データ整備状況、3 役の指名、PoC 合否基準、内製化の出口設計を稟議書に含める

これら 3 ステップを踏むと、法務・調達・情シスへの説明材料が揃い、稟議書ドラフトを今週中に共有できる状態を目指せます。「AI で差別化」という抽象的な指示から、具体的な発注設計に変換する第一歩として活用してください。