AIエンジニア/データサイエンティストのフリーランス転向手順｜職種選択と6ヶ月準備

「AIエンジニアとして独立するか、それともデータサイエンティストとして独立するか」——生成AIや機械学習、データ分析の実務経験を積んできた方が、フリーランス転向を具体的に考え始めた瞬間、多くの方がこの問いで立ち止まります。Pythonが書けて、モデルも触れて、ビジネス課題を分析した経験もある。だからこそ、どちらの看板で独立するのが自分にとって正解なのかが分からなくなる、という状態です。

ネットで検索してみると、記事はほぼ例外なく片方の職種に絞って書かれています。「AIエンジニアになる方法」「データサイエンティストとして独立するには」——それぞれ単体では有用でも、両者を並べて比較しながら「自分はどちらを主軸に据えるべきか」を判断する材料にはなりません。片方の記事を読むほど、もう片方の選択肢が視界から消えてしまい、判断がかえって難しくなるという逆説的な状況が起きます。

本記事では、AIエンジニアとデータサイエンティストの両方を並列に扱い、(1) 職種としての違いとフリーランス案件市場での見え方の違い、(2) 自分がどちらを主軸に選ぶべきかの判断軸、(3) 選択後に必要な準備手順を6ヶ月のタイムラインで俯瞰した実行プラン、(4) 独立後に案件を切らさないための運用まで、一気通貫でお伝えします。

読み終えたときには、「自分は生成AI実装が強いのでAIエンジニア主軸、DS案件は副次的に受ける」または「ビジネス課題解決寄りなのでDS主軸で行く」といった、あなた自身の転向プランが具体的に描けるはずです。単価の内訳や需要トレンドの深掘りは既存記事に譲り、本記事は「職種選択を含む転向プロセス」に集中してお届けします。

AIエンジニアとデータサイエンティストの違いをフリーランス目線で押さえる

判断軸を立てる前に、まずは両職種の違いをフリーランス案件市場の目線で整理します。「業務内容の一般論」ではなく、「フリーランス案件として市場に出たときに、どのように違って見えるか」を軸に押さえていきましょう。

職務内容と必要スキルの違い

大まかに言うと、AIエンジニアは「機械学習やAIのシステムを作る側」、データサイエンティストは「データからビジネスの示唆を引き出す側」に軸足があります。前者はモデル実装・MLOps・生成AI/LLMアプリケーション構築などの技術開発寄りのタスクが中心で、後者は課題定義・データ分析設計・可視化・意思決定支援などのビジネス課題解決寄りのタスクが中心です（侍エンジニア「機械学習エンジニアとデータサイエンティストの違い」、PARK「AIエンジニアとデータサイエンティストの違い」）。

必要スキルは共通する部分と分岐する部分があります。Python・SQL・クラウド（AWS/GCP）の基礎運用は両職種の共通ベースラインで、ここが揺らぐとどちらの案件でも通用しません。分岐点は、AIエンジニアが「深層学習フレームワーク（PyTorch/TensorFlow）・LLM/RAG実装・モデル運用・MLOps」に寄るのに対し、データサイエンティストは「統計学の基礎・仮説検証・ビジネス翻訳力・分析設計」に寄るところです。

補足すると、これらは実務現場では明確に分かれていないことも多くあります。事業会社の中では「AIエンジニアもビジネス要件を理解するし、DSもモデルを実装する」というのが実情でしょう。ただしフリーランス案件として発注される段階では、後述する通り役割が明確に分かれる傾向があります。

フリーランス案件市場での違い

フリーランス案件として市場に出たときの見え方には、いくつかの明確な違いがあります。

平均単価レンジ: 2026年の各種調査を横断すると、AIエンジニアのフリーランス平均月単価は約80〜90万円、データサイエンティストは平均約84〜87万円のレンジで、ボリュームゾーンは60〜100万円という点で近接しています。Findy Freelanceの2026年調査ではフリーランスエンジニア全体の平均月単価が約80万円、コード生成にAIを活用する層は約84万円と、生成AI活用度が単価に約10万円の差を生んでいる点も見逃せません（Findy Freelance 2026年最新調査）。データサイエンティスト側でも、機械学習エンジニアとしての実装力を併せ持つと単価が上振れする傾向が報告されています（BizDev Tech「フリーランスデータサイエンティストの単価相場」）。

案件量: 生成AI/LLM実装案件の急増を背景に、AIエンジニア案件はここ2年で件数が大きく伸びています。データサイエンティスト案件は、事業会社のDX/データ活用文脈で堅調に増加していますが、AIエンジニア案件ほど爆発的な伸びではありません。ただしDS案件は「継続的な分析伴走」型が多く、単発ではなく長期化しやすいという別の強みがあります。

リモート可否・稼働形態: どちらもリモート比率は非常に高く、DS案件で言えばフルリモート26.5%・一部リモート62.7%と、合計約89%がリモートを含む稼働形態です（BizDev Tech「フリーランスデータサイエンティストの単価相場」）。AIエンジニア案件も同水準以上でリモート可のケースが多く、この点では両職種とも柔軟な働き方が可能です。単価の詳細な内訳や上げ方についてはAIエンジニアフリーランス単価と需要トレンド、データサイエンティストフリーランス単価相場を併せてご覧ください。

両者が近接する領域と「両輪」のリアリティ

ここまで違いを整理してきましたが、実務レベルでは両者が近接する領域も広がっています。特に生成AI・LLM/RAG実装、データ基盤構築、MLOpsの3領域は、AIエンジニアもDSも関わることが多く、両職種のスキルを持つ人材が重宝されるゾーンです。

つまり、実務経験を積んできた方の多くは「両者のスキルを一定程度持っている」のが実情です。だからこそ職種選択に迷うわけですが、逆に言えば「片方を主軸にしつつ、もう片方の案件も受けられる」という両輪のキャリア設計が現実的に可能でもあります。この視点は次章の判断軸に直結する重要なポイントです。

転向前に決める「主軸職種」の判断軸

両職種の違いを把握したら、次は「自分はどちらを主軸に据えるか」を決めていきます。ここで完璧な正解を出す必要はありません。仮決めをして案件市場のフィードバックで修正していく、というスタンスで進めるのが現実的です。

4つの判断軸

主軸を決めるとき、以下の4つの視点で自己診断すると迷いが整理されます。

判断軸1: 強みのスキル領域はどちら側か

これまでの実務で成果を出してきた領域を棚卸しします。「モデル実装・生成AIアプリケーション構築・MLOpsで手を動かしてきた時間」と「課題定義・分析設計・可視化・ビジネス提案で手を動かしてきた時間」のどちらが長かったか、どちらの成果物が具体的に語れるかを見ます。技術ブログ・GitHub・過去の職務経歴書を並べて客観視すると、自分でも意外なほど偏りが見えてきます。

判断軸2: ビジネス感度は自分の武器か

データサイエンティスト案件では、「なぜこの分析をするのか」「事業KPIにどう寄与するのか」を発注者と対話できる力が単価と継続性を左右します。会議で「今の指標は本当に意味があるのか」と問い返せる、事業KPIを聞いた瞬間に必要な分析設計が浮かぶ、といった感覚が自然にあるならDS主軸が向いています。逆に「仕様が明確に降りてきた後の実装で最速最短の解を出すこと」に強みを感じるならAIエンジニア主軸のほうが力を発揮しやすいでしょう。

判断軸3: 案件志向は単発型か継続型か

AIエンジニア案件は「生成AIアプリを3ヶ月で作り切る」「モデルをリリースまで持っていく」といった目的明確な単発〜中期案件が多い傾向です。DS案件は「分析パートナーとして長期伴走」「事業KPIの見直しと施策設計を継続支援」といった長期案件が多く見られます。単発を回して収入を積み上げる働き方が心地よいか、長期関係の中で信頼を積み上げる働き方が心地よいかで判断します。

判断軸4: キャリア志向は技術寄りかコンサル寄りか

3年後・5年後にどんなポジションで仕事をしていたいかも重要な軸です。技術の第一線で最新モデル・最新ライブラリを触り続けていたいならAIエンジニア主軸、技術を土台にしつつビジネスの意思決定に踏み込んでいきたいならDS主軸、と大まかに整理できます。

「片方主軸+副次」パターンで両輪の可能性を残す

4つの軸で迷いが完全に解消するとは限りません。むしろ「両方に半々くらい興味がある」「両方に一定の強みがある」という方が多いはずです。その場合、無理に片方に絞り込む必要はありません。「片方を主軸にして案件のメインラインを作り、もう片方を副次的に受ける」というポートフォリオ設計が有効です。

例えば「AIエンジニア主軸で生成AI/RAG案件を継続的に受けつつ、DS的な分析案件も月10〜20%の稼働で並行する」という組み立て方です。この場合、ポートフォリオも職務経歴書も主軸側を厚く見せつつ、副次側の実績を末尾に添える形で作り込みます。稼働の重心をどこに置くかを明確にすることが、単価交渉や案件選定のブレを防ぐポイントになります。

主軸を仮決めして案件受注データで修正する運用

判断軸を使っても最終的に決めきれないときは、6ヶ月の初期運用を「仮決め+検証」と割り切ります。仮の主軸で案件応募を開始し、返信率・面談通過率・オファー単価という3つの指標で市場からのフィードバックを受け取りながら、必要に応じて主軸を微修正していく運用です。

決めきれないままフリーランス化を延期することのコストのほうが、仮決めで動き始めるコストより高いことが多い、というのが実際に転向した先輩フリーランスの共通見解です。まず動く、動きながら整える、という姿勢で臨みましょう。

フリーランス転向の全体像 ── 6ヶ月の段階的移行プラン

主軸職種の見当がついたら、次は6ヶ月の段階的移行プランで全体像を掴みます。「いきなり退職して独立」ではなく、副業→複業→完全独立と段階的に移していくのが、独立後の案件安定化の土台になります。

転向までに必要な期間の目安

多くの記事で「フリーランスAIエンジニアには実務経験3〜5年が目安」と紹介されていますが、これは「クライアントから即戦力として選ばれるための最低ライン」の話です（Relance「AIエンジニアが独立するためのロードマップ」）。実務経験の年数条件を満たしていても、フリーランスとして立ち上がるには別途「副業案件で試運転する期間」「案件獲得チャネルを整える期間」「行政手続き・事務基盤を整える期間」が必要です。

現職を続けながら準備を進める場合、副業経験の蓄積を含めると6ヶ月〜1年程度を見ておくのが現実的です。本記事では6ヶ月モデルを軸にお伝えしますが、副業経験がまだ無い方は9〜12ヶ月に拡張することを検討してください。

副業→複業→独立の段階的移行

段階的移行を3つのステージで整理すると次のようになります。

副業ステージ（1〜3ヶ月目）: 現職を続けながら、週末や平日夜に月1〜2件の小規模案件を受けて、フリーランス案件のリアリティに触れます。単価の相場感・クライアントとのコミュニケーション・納品後のフィードバックといった「本業では得られない実感」を蓄積するのが目的です。

複業ステージ（4〜5ヶ月目）: 副業のリアリティが掴めたら、稼働を増やして月2〜4件の並行案件をこなせる状態に持っていきます。現職と副業の稼働比率を70:30 → 50:50に近づけていくイメージです。この段階で「独立後に食べていける」感覚が定量的に見えてきます。

独立ステージ（6ヶ月目〜）: 複業ステージで案件が安定してきた状態で、退職と行政手続きを実行に移します。独立時点で継続案件を1〜2本、単発案件のパイプラインが数本ある状態が理想です。

6ヶ月タイムラインの俯瞰マップ

6ヶ月の内訳を具体的なタスクで示すと以下のようになります。以降の章では、このマップの各要素を順に詳しくお伝えします。

この6ヶ月モデルは目安であり、案件獲得のペースや現職の引き継ぎ都合で前後します。全職種汎用の転向準備プロセスはフリーランスエンジニア転向準備ガイドでも解説していますので、事務手続きの詳細を確認したい方はそちらも併せてご参照ください。

職種別の実務経験・スキル整備とポートフォリオ設計

6ヶ月モデルの1〜2ヶ月目は、実務経験の棚卸しとポートフォリオ設計に当てます。ここで大事なのは「年数」ではなく「アピールできる実績の作り方」です。

AIエンジニア主軸で必要な実務経験・スキル

AIエンジニア案件では「実務経験3年以上」を必須条件に掲げるものが多く、実質的には3〜5年の経験があるとオファーが安定して届きます（Relance「AIエンジニアが独立するためのロードマップ」）。実務内容としては、以下を目安に自分の経験を棚卸ししてください。

• 生成AI/LLMアプリケーションの実装経験（RAG・エージェント・チャットボット等）
• 機械学習モデルの本番運用経験（デプロイ・監視・再学習）
• MLOps・パイプライン構築経験（学習・推論の自動化、モデルバージョニング）
• クラウド（AWS/GCP）でのAI関連サービス活用経験（SageMaker・Vertex AI・Bedrock等）
• Python・PyTorch/TensorFlow・LangChain等の主要ライブラリの実戦利用

これらの経験がすべて揃っている必要はありませんが、案件応募時に「実装した対象・使った技術・成果」の3点セットで具体的に語れる実績が3〜5個ある状態を目指します。

データサイエンティスト主軸で必要な実務経験・スキル

データサイエンティスト案件でも実務経験3年以上が一般的な必須条件です。DS案件では以下の経験・スキルが重視されます。

• ビジネス課題を分析設計に翻訳した経験（KPI設計・仮説設定・分析要件定義）
• 統計学の基礎（仮説検定・回帰・時系列分析・因果推論の基礎）
• SQL・BIツール・データ可視化（Tableau・Looker・Streamlit等）の実戦利用
• 機械学習ライブラリ（scikit-learn・XGBoost・LightGBM等）でのモデル構築経験
• 分析結果を経営層・事業部に伝えたプレゼン経験・ステークホルダー調整経験

DS案件では「モデル精度何%」だけではなく「その分析で何が意思決定されたか」まで語れる実績が価値を持ちます。ケーススタディ形式で「課題→仮説→分析設計→結果→意思決定への貢献」の流れを示せる案件を2〜3個持てているかがポイントです。

両職種共通のベースラインと、不足を埋める設計

どちらの主軸を選んでも、Python・SQL・クラウドの基礎運用・要件定義スキルは共通のベースラインとして求められます。ここに不足があると、面談で「実務経験3年」を主張してもオファーには繋がりにくくなります。

不足がある場合の埋め方は主に4つあります。

1. 副業案件で埋める: 小規模案件を受けて実戦経験として計上する。最も直接的
2. OSSコントリビューション: LangChain・PyTorch・pandasなどの著名OSSへのPR/Issue対応をGitHubで可視化する
3. Kaggle・SIGNATE等のデータ分析コンペ: DS主軸なら特に有効。成果とアプローチをNotebookで公開
4. 自主開発プロジェクト: 生成AIアプリケーションを自作してGitHub・技術ブログで公開

これらは即効性の順に並んでいますが、副業案件が取れない段階では2〜4を並行してポートフォリオを厚くしていくのが定石です。

職種別のポートフォリオ・職務経歴書の書き分け

同じ実務経験でも、主軸によって見せ方を変える必要があります。

AIエンジニア主軸のポートフォリオ: 実装成果を前面に出します。「LangChainとpgvectorを使った社内文書RAGを実装し、応答精度をベースラインから40%改善」のように、技術スタック・実装内容・数値成果の3点セットで書きます。GitHubリポジトリへのリンク・システム構成図・使用したモデルとパラメータを盛り込むと即戦力感が伝わります。

DS主軸のポートフォリオ: 課題定義から成果までのストーリーを前面に出します。「営業部の受注率が横ばいの状況で、商談ログとCRMデータから受注に効く行動因子を分析。上位3要因を営業マニュアルに反映した結果、翌四半期の受注率が12%改善」のように、課題→分析→意思決定→ビジネス成果の因果関係を示す構成にします。分析Notebookのスクリーンショットや可視化ダッシュボードのイメージも添えると効果的です。

同じ実務経験でも、主軸に応じて書き分けることで応募先の反応が大きく変わります。1つの職務経歴書を使い回すのではなく、AIエンジニア版・DS版の2つを準備しておくと、両方の案件市場でチャンスを取りにいけます。

案件獲得チャネルを職種に合わせて設計する

ポートフォリオが整ったら、次は案件獲得チャネルの設計です。単一チャネル依存は独立後のリスクを高めるため、独立前から複数チャネルを整備しておくのが定石です。

チャネル別特性

主なチャネルは以下の4種類です。

フリーランスエージェント: 担当者が案件を選定・紹介してくれるモデル。単価交渉・契約・支払管理を代行してくれる代わりに、マージンが発生します。AIエンジニア・DSどちらの案件でも複数のエージェントが取り扱っており、独立初期の案件確保としては最も定番のチャネルです。エージェントの主要各社の選び方についてはAIエンジニアのフリーランス需要と副業からの始め方でも扱っていますのでご参照ください。

マッチング型ポータル: 自分の希望条件・スキルセットを登録すると、条件に合致した案件だけが提示されるサービスです。エージェントとの違いは、担当者を介さず自分で案件を選んで応募する点、そして条件マッチングのアルゴリズムが介在する点にあります。合致度スコアが可視化されるサービスもあり、「自分の条件で受注可能なレンジ」を独立前に観測するのに向いています。

直接営業・SNS: LinkedIn・X（Twitter）・技術ブログ経由で直接オファーが届くケースです。個人ブランドが確立してくると単価が最も高くなりやすいチャネルですが、独立初期の主力にするのは難しく、中長期での育成対象と位置づけます。

リファラル: 現職や副業先の知人からの紹介案件。信頼を前提とした紹介のため単価も継続性も高くなりやすいのが特徴ですが、案件量のコントロールが難しく主力にはしにくいチャネルです。

職種別に強いチャネルの傾向と、複数チャネル併用の設計

AIエンジニア案件はエージェント・マッチング型ポータル・SNS経由での案件流入が全体的に厚い傾向があります。特に生成AI/LLM案件は「今すぐ実装できる人」を探す発注者がSNS経由で直接コンタクトしてくるケースも増えています。

DS案件はエージェント・リファラル比率が相対的に高くなります。長期伴走型が多いため、発注者側も「担当者経由できちんとスクリーニングされた人材」を選びたがる傾向があり、エージェントとの信頼関係を厚くしておくのが効きます。

どちらの主軸を選んでも、独立前に2〜3チャネルを並行して整備しておくのがおすすめです。単一エージェント依存だと、そのエージェントの案件供給が止まった瞬間に収入が途絶えてしまいます。エージェントを2社+マッチング型ポータル1つ+SNS発信を細く継続、というくらいの分散が現実的な最小構成です。

独立前に自分の条件で案件レンジを観測する

独立前の準備段階で最も価値があるのは、「自分のスキル・希望単価・稼働条件でどのくらいの案件が市場に出ているか」を観測することです。エージェントとの面談だけだと担当者フィルタが入るため、素の市場を掴みにくいところがあります。

その点、合致度スコア型のマッチング型ポータルは自分の条件で市場に問い合わせるのに向いています。例えば秋霜堂株式会社が運営するWorkeeは、登録時に希望条件・スキルセット・稼働条件を入力すると、それに合致した案件だけが提示される仕組みです。案件数だけを追いかけて「合わない案件も含めて大量に見せられる」体験ではなく、自分の条件に合ったものだけをフィルタして見られるため、独立前の市場観測に向いています。

独立前にこうしたポータルで「実際にどのレンジの案件が自分の条件で出るのか」を掴んでおくと、退職・独立の意思決定の材料になります。「レンジの読み違いで独立してみたら想定の6割しか案件が無かった」という失敗を避けるためにも、独立の2〜3ヶ月前から市場観測を始めておくのが安全策です。

退職・行政手続きと事務基盤の整備

案件獲得の見通しが立ってきたら、6ヶ月モデルの5〜6ヶ月目で退職・行政手続きに着手します。「退職後の手続き」だけでなく「退職前に済ませておく手続き」も含まれるため、順序を間違えないように進めてください。

退職前に済ませる信用系手続き

退職後にフリーランスになると、独立直後の1〜2年は「安定収入がない」と見なされ、信用系の各種契約で審査が厳しくなります。以下は在職中に済ませておくことを強くおすすめします。

• クレジットカード: 高限度額のカード・法人カード相当のものは在職中に発行申請
• 住宅ローン: 借入予定があるなら在職中に事前審査までは通しておく
• 賃貸契約: 引越しを予定しているなら在職中に契約を締結
• 各種ローン・分割払い契約: 高額な購入予定があるなら在職中に

これらは「退職後にできない」わけではありませんが、審査難易度が跳ね上がるため、在職の信用を使えるうちに済ませておくのが得策です。

退職後の行政手続き

退職後は以下の手続きを速やかに進めます。

健康保険の切替: 国民健康保険への加入、または前職の健康保険を任意継続するかを選択します。任意継続は最大2年間・保険料は退職時給与の水準がベースになるため、収入が高かった方は国民健康保険のほうが安くなるケースもあり、両方の見積もりを取って比較します。

国民年金への切替: 厚生年金から国民年金への切替手続きが必要です。将来の受給額が下がるため、国民年金基金やiDeCoでの上乗せも同時に検討します。

開業届の提出: 事業開始日から1ヶ月以内に提出します（freee「開業届はいつまでに出す？」）。遅れても罰則はないものの、青色申告承認申請書とセットで期限管理する必要があるため、遅らせるメリットはありません。

青色申告承認申請書の提出: 開業初年から青色申告をしたい場合、事業開始日から2ヶ月以内が提出期限です（freee「青色申告に開業届は必要？不要？」）。開業届と同時提出が実務的にも簡単で、青色申告特別控除65万円のメリットは初年から享受したほうがお得です。

会計・請求・契約書の事務基盤

行政手続きと並行して、日々の事業運営の事務基盤を整備します。

会計ソフト: freee・マネーフォワード クラウド確定申告・弥生の青色申告のいずれかを選び、開業直後から取引を記帳し始めます。年度末にまとめて記帳するのはミス・漏れの温床なので、月次で締める習慣を最初から作ります。

請求書テンプレート: 案件ごとの請求書発行は毎月発生する定型業務です。会計ソフトの請求書機能かクラウド請求サービスで、テンプレートと発行フローを固めておきます。

契約書対応: 2024年11月に施行された「特定受託事業者に係る取引の適正化等に関する法律」（通称フリーランス新法）により、発注事業者はフリーランスに対して業務内容・報酬額・支払期日などの取引条件を書面または電磁的方法で明示することが義務化されました（政府広報オンライン「フリーランスが安心して働ける環境づくりのための法律」）。フリーランス側としては、発注者から取引条件が明示されない場合に書面交付を求める権利があることを知っておき、契約時に条件が曖昧なまま作業を開始しないよう注意します。

独立後に案件を切らさない運用

独立して数件の案件を受けられれば終わり、ではありません。フリーランスとして継続していく上で本当に難しいのは「案件を切らさず、収入を安定させ続ける」運用フェーズです。独立の入口までしか描かない解説記事が多い中、ここが最も差がつくポイントになります。

現在案件と次案件の並行探索

案件が終了する直前になって次を探し始めると、収入に空白期間が生まれます。おすすめは「現在案件の契約終了3ヶ月前から次案件のパイプラインを仕込む」運用です。

具体的には、契約終了3ヶ月前になったらエージェントに次案件の相談を開始し、2ヶ月前には面談を始め、1ヶ月前には内定を1〜2件確保する、というスケジュール感です。この習慣を独立初年から徹底しておくと、案件切れによる収入空白のリスクを大幅に下げられます。

継続案件と単発案件のポートフォリオバランス

収入源のポートフォリオも意識的に設計します。「継続案件（3ヶ月以上の長期）」だけに寄せると、その案件が終了したときに大きく揺れます。逆に「単発案件」だけに寄せると、営業活動に常に時間を割かれ、実装や分析に集中しづらくなります。

現実的な設計としては、稼働の70〜80%を継続案件で埋めて基盤を作り、残り20〜30%を単発案件で回して市場感覚と新規クライアント接点を維持するバランスです。継続案件だけに閉じずに、単発案件を意識的に交えることで、単価相場・技術トレンド・新規発注元との出会いを継続的に得られます。

スキル更新と情報発信で市場価値を維持する

AI/DS領域は技術革新のスピードが特に速いところです。1〜2年前の主力技術が古びるスピード感が他領域より速く、スキル更新をサボると案件応募時に相場より低い単価しか提示されなくなります。

スキル更新の運用として、以下を月次・週次で継続することをおすすめします。

• 月次: 最新論文（arXiv・NeurIPS・ICMLの主要論文）・技術ブログのチェック時間を確保
• 週次: GitHubのTrendingで新しいライブラリ・フレームワークをチェック
• 随時: 業務で使わない新技術を自主プロジェクトで触ってみる

加えて、情報発信の継続は市場価値の維持に直結します。GitHub・技術ブログ・登壇の3チャネルのうち1つでも継続していると、SNS/リファラル経由での案件流入と単価交渉力に効いてきます。案件で忙しくても月1本のブログ記事、月1回のTechイベント参加のようなペースで細く長く続けるのが現実的です。

主軸がAIエンジニアであれDSであれ、この運用フェーズを回せるかどうかが「独立の入口」ではなく「独立後の生存」を決めます。転向手順の最後のピースとして、独立前から「案件を切らさない運用」の型を意識して準備を進めてください。実務経験と単価の関係についてはAIエンジニアフリーランス単価と需要トレンド、データサイエンティストフリーランス単価相場で詳しく扱っていますので、単価交渉や案件選定の判断材料として併せてご覧ください。