機械学習開発は完全在宅で成立するのか、データを持ち出せない案件の壁

2026年5月23日

朝比奈蒼

この記事のポイント

✓機械学習開発完全在宅は求人票の上では珍しくなくなりました
✓それでも在宅が崩れるのは技術ではなくデータの置き場所です
✓持ち出せない案件の構造

機械学習開発を完全在宅でやりたい、と考えて求人サイトを開くと、「フルリモート」「完全在宅」と書かれた案件がずらりと並びます。ところが応募して面談まで進むと、「初回だけ出社」「学習環境は社内ネットワークからのみ」「データは持ち出し不可」といった条件が後から出てくる。この落差に戸惑っている人は少なくありません。

結論から書きます。機械学習開発は完全在宅で成立します。ただし成立するかどうかを決めているのは、あなたのスキルでもツールでもなく、扱うデータが社外に出せるかどうかです。ここが決まらないまま案件を選ぶと、フルリモートと書かれた案件に入ってから「実質は週2出社」という現実に突き当たります。

この記事では、完全在宅の機械学習開発がどこで崩れるのか、その壁の正体であるデータの置き場所を分解し、在宅で成立しやすい案件の型と、応募前に必ず確認しておく項目を整理します。単価や年収、副業として持つ場合の考え方、在宅側で用意すべき環境まで含めて、判断材料を一通り並べます。

完全在宅の機械学習開発は、求人票の上では確かに増えている

まず市場の話から始めます。求人サイトで機械学習やAIに関わる職種を「フルリモート」で絞り込むと、案件のリストはかなりの長さになります。生成AIを組み込んだSaaSの開発、需要予測システム、画像処理を使った検品の高度化、レコメンドの改善など、扱う領域も広い。数年前は「AI関連はまず常駐」というのが暗黙の前提でしたが、その前提はすでに崩れています。

掲載されている条件を眺めると、Pythonを使うフルリモートのエンジニア案件で月50万円から80万円、幅の広いものでは月30万円から100万円といった提示が並びます。稼働も週5日固定だけでなく、週4日から相談可という書き方が混ざるようになりました。求人票のレベルで見る限り、完全在宅は例外ではなく選択肢のひとつになっています。

一方で、求人票の言葉づかいには注意が必要です。求人サイト自身が、検索の入り口として働き方の言葉を並べていることを説明しています。

検索のヒント：「東京都」「渋谷区」「横浜市」「新宿駅」といった地名・駅名のほか「在宅」「山手線」のような言葉でも検索できます。出典: 求人ボックス

つまり「在宅」は検索語であって、契約条件そのものではありません。検索でヒットしたことと、その案件が最後まで在宅で完結することは別の話です。ここを分けて考えられるかどうかが、応募の精度を大きく変えます。

「フルリモート」と「完全在宅」は同じ意味で使われていない

現場の言葉として、この2つは微妙にずれています。フルリモートは「原則として出社しない」という運用方針を指すことが多く、キックオフやセキュリティ研修、監査対応など、年に数回の出社を含んでいても使われます。完全在宅は文字どおり出社ゼロを指しますが、求人票では両者が混ざって使われているのが実態です。

さらにややこしいのは、出社の有無と「データにどこから触れるか」が別軸だという点です。自宅から会社の仮想デスクトップに接続して作業するなら、出社はゼロでも作業実態は社内環境と変わりません。逆に、月1回だけ出社してあとは自分のマシンで自由に動かせる案件もあります。求人票の「フルリモート」だけを見て応募すると、この軸の違いを見落とします。

面談では、「出社の頻度」と「データにどこからアクセスするか」を別々に聞いてください。片方だけ確認して契約すると、想定と違う働き方になります。

在宅可の表記が付きやすい工程、付きにくい工程

機械学習開発と一口に言っても、工程によって在宅のしやすさが大きく違います。おおまかには次のような傾向があります。

工程	完全在宅のしやすさ	理由
課題整理・要件の言語化	しやすい	生データを見なくても業務ヒアリングで進む
学習データの設計・仕様書作成	しやすい	サンプルと定義があれば書ける
前処理・特徴量の実装	案件による	生データに触れる必要が出る
モデルの学習・評価	案件による	データの置き場所と計算資源に依存
推論基盤の構築・MLOps	しやすい	クラウド上の作業が中心になりやすい
現場でのデータ収集・アノテーション監修	しにくい	物理的な設備や現物が絡む
精度不足時の原因調査	しにくい	生データを深く見る必要が出る

製造業の検品や医療画像のように、現物やセンサーが絡む領域では、どうしても現地でしか進まない工程が残ります。逆にログデータやテキストを扱う領域は、在宅と相性が良い。案件を探すときは職種名ではなく、この工程レベルで自分の担当範囲を見るほうが判断を誤りません。

在宅を止めているのは技術ではなく、データの置き場所

ここからが本題です。完全在宅が崩れる案件には、ほぼ共通の理由があります。技術的な難しさではなく、データを社外に出せないという契約上・法律上の制約です。

個人情報と営業秘密は、持ち出しの可否が先に決まっている

機械学習の学習データには、顧客の氏名や連絡先、購買履歴、問い合わせ内容、従業員の勤怠、設計図面、検査画像といったものが含まれます。これらは個人情報保護法の対象になったり、不正競争防止法上の営業秘密として管理されていたりします。制度の詳細や運用は所管省庁の資料で確認するのが確実で、扱いに迷う場面では法務や専門家に判断を委ねるべき領域です。個人情報の取り扱いについては、監督官庁や関連省庁が公開している資料が出発点になります。

重要なのは、この判断が案件開始時点ではなく、依頼側の社内規程としてすでに決まっているという点です。「今回は在宅なので特別に持ち出しOKにします」という判断は、担当者レベルではまず下りません。つまり交渉の余地が小さい。ここを「相談すれば何とかなる」と考えて時間を使うのは、正直なところ効率が悪いと言わざるを得ません。

もうひとつ見落とされがちなのが、依頼側もさらに上流の契約に縛られているケースです。依頼元がエンドクライアントから預かったデータを使う場合、再委託先である外部エンジニアに渡せる範囲は、そのエンドクライアントとの契約で決まっています。担当者が善意でも、契約が許していなければ動かせません。

持ち出せない案件で使われる4つの接続形態

データを社外に出せない案件でも、在宅で作業する道はあります。実際に使われている形態はおおむね次の4つです。

1つ目は仮想デスクトップです。自宅のPCから依頼側が用意した仮想端末に接続し、その中だけで作業します。ファイルのダウンロードやコピー貼り付けが禁止されていることが多く、画面越しの作業になります。出社はゼロにできますが、レスポンスの遅さと画面の狭さで作業効率は落ちます。GPUを使う学習では、割り当てられた計算資源が順番待ちになることもあります。

2つ目は踏み台サーバー経由の接続です。VPNで社内網に入り、そこから作業用サーバーにSSHでつなぎます。ターミナル中心の作業に慣れていれば、仮想デスクトップより快適です。ただし接続元のIPアドレスを固定するよう求められる場合があり、その場合はモバイル回線やカフェからの作業ができません。

3つ目は、依頼側が加工したデータを受け渡す形です。個人が特定される項目を落とす、値を置き換える、統計的な性質を保った合成データを作る、といった加工を経て手元に渡されます。この形になれば、自分のマシンで自由に動かせるので在宅の質は一気に上がります。ただし加工の作業自体が依頼側の負担になるため、実現するかどうかは相手の体力次第です。

4つ目は、そもそも生データに触れない分担です。依頼側のエンジニアがデータを扱い、外部の担当者は設計・レビュー・基盤構築・ドキュメント整備を受け持ちます。精度改善の議論には数値のサマリーだけで参加します。地味に見えますが、完全在宅と相性が最も良い形です。

接続形態が決まると、在宅の質が決まる

面談でこの4つのどれになるかを聞けば、その案件の在宅の質はほぼ見えます。仮想デスクトップ縛りなら、稼働時間は接続時間で管理されやすく、副業として細切れに動かすのは難しくなります。踏み台経由なら、回線の安定性が仕事の質を直撃します。加工済みデータの受け渡しなら、自分のペースで進められます。

在宅を「出社しないこと」だと定義してしまうと、この差が見えません。4つの接続形態のどれで働くのかを先に確認する。これが完全在宅を選ぶうえで最初にやることです。

完全在宅で成立しやすい案件の3つの型

では、どういう案件なら完全在宅が最後まで崩れないのか。実際に成立している案件は、次の3つの型に集約されます。

型1 依頼側がデータを加工してから渡せる案件

依頼側にデータ基盤の担当者がいて、匿名化や集計、サンプル抽出を自分たちでできる体制がある場合です。この型は、依頼側の社内にデータエンジニアがいるか、情報システム部門が機能しているかで決まります。規模の大きい企業ほど成立しやすい一方、手続きに時間がかかるので、着手までのリードタイムは長くなりがちです。

この型に当たったら、加工の仕様を最初に握るのが肝心です。どの項目を落としたのか、値をどう置き換えたのかを知らないまま学習すると、精度が出ない原因を追えなくなります。加工の内容を書面で共有してもらい、加工前後で分布がどれだけ変わったかを確認できる状態にしておく。ここを飛ばすと、後半で必ず詰まります。

型2 公開データと自前データだけで完結する案件

依頼内容が、公開されている統計データや、依頼側が自社サイトで取得したログ、自社で撮影した画像だけで完結する場合です。行政が公開する統計、気象データ、地図データ、自社ECのアクセスログなどが該当します。機密性が低いため持ち出しの制約が緩く、完全在宅が最も安定します。

需要予測、売上予測、商品分類、検索改善といったテーマはこの型に入りやすい。副業として週末だけ持つ場合も、この型が現実的です。ただし公開データはライセンスの確認が必要で、商用利用の可否や再配布の条件を読み飛ばすと後で問題になります。

型3 モデルの周辺工程を引き受ける案件

学習そのものではなく、周りを固める仕事です。実験管理の仕組みを整える、推論APIを作る、監視とアラートを設計する、モデルの入れ替え手順を文書化する、評価指標を業務の言葉に翻訳する。こうした工程は生データに深く触れなくても進みます。

需要は確実にあります。モデルを作れる人は増えましたが、作ったモデルを業務に載せて回し続ける部分で止まっている現場が多いためです。求人票では機械学習エンジニアという名前で募集されていても、実際に求められているのがこの周辺工程だった、というケースは珍しくありません。応募時に業務内容の内訳を聞くと、この型かどうかが判別できます。

こうした周辺工程を含むAIまわりの仕事がどう分類されているかは、業務活用の支援や導入コンサルの仕事内容をまとめたAIコンサル・業務活用支援のお仕事が参考になります。モデルを作る役割と、業務に載せる役割が別物として整理されていることが分かります。

データを出せない前提で精度を上げるための現実的な手段

持ち出し不可の案件に入ったとき、「手元でデータを見られないから精度が上げられない」と手が止まる人がいます。実際には、生データを触らずに前へ進める手段がいくつかあります。使える手を知っているかどうかで、在宅案件での評価は変わります。

ひとつは、統計量だけを受け取る進め方です。列ごとの欠損率、値の分布、カテゴリの出現頻度、目的変数との相関、外れ値の件数。この程度のサマリーであれば、依頼側の担当者に集計スクリプトを渡して実行してもらい、結果の表だけを共有してもらえることが多い。個票が見られなくても、前処理の方針とモデルの選択はここまでの情報でかなり決められます。

ふたつめは、性質を似せた合成データで先に実装を仕上げる方法です。実データの分布と列構成だけを教えてもらい、それを再現する疑似データを自分で生成して、前処理から評価までの一連のコードを完成させます。実データが使える環境に入ってからは、パスを差し替えて実行するだけで済む。仮想デスクトップの中は作業効率が落ちるので、そこで書くコード量を減らしておく発想です。

みっつめは、依頼側の担当者に実行してもらう前提で作業を組む方法です。学習と評価の手順をスクリプトとして渡し、結果のログとグラフだけを返してもらいます。依頼側の手間は増えますが、コードとログの往復で議論できるので、精度改善のサイクルは回ります。この形にするなら、ログの出力項目を最初に決めておくことが重要です。何が返ってくるか分からない状態で走らせると、往復の回数が増えて双方が疲れます。

よっつめは、そもそも精度以外の価値で貢献する道です。学習データのラベル定義が曖昧なせいで精度が頭打ちになっている現場は多く、定義を整理するだけで数値が動くことがあります。評価指標が業務の目的とずれている場合も同じです。生データを見なくても、定義と指標の設計は在宅から進められます。

精度が出ない原因を切り分けるときの順番

在宅では現物を見て確かめる回数が限られるため、原因の切り分け方を先に決めておくと無駄が減ります。おおむね、データの量が足りないのか、ラベルが揺れているのか、特徴量が業務の因果を捉えていないのか、評価の設計が間違っているのか、という順で当たります。この順番で当たる理由は、後ろに行くほど確認に必要な情報が少なく、在宅から手を出しやすいからです。

いきなりモデルを差し替えたり、ハイパーパラメータを探索したりするのは、この4つを潰したあとで十分です。計算資源が限られる在宅環境では、探索に時間を使うほど不利になります。順番を守るほうが結果として速い。

転職で在宅を取るか、業務委託で在宅を取るか

完全在宅を実現する経路は、雇用と業務委託の2つがあります。どちらを選ぶかで、在宅の安定度と収入の性質が変わります。

雇用として在宅の会社に入る場合、在宅は会社の制度なので個々の案件ごとに交渉する必要がありません。所属する会社がデータの扱いについて依頼元と契約を結んでいるため、持ち出しの可否も会社が調整します。収入は安定し、社会保険も会社が半分負担します。その代わり、担当する案件を選べないことが多く、常駐が必要な案件にアサインされれば在宅は崩れます。求人票の「フルリモート」は会社の方針であって、配属先の条件ではないという点に注意が必要です。

業務委託として受ける場合は、案件ごとに条件を確認できるので、在宅を維持したまま働ける確率は上がります。単価も自分で交渉できます。その代わり、契約が切れれば収入はゼロになり、社会保険料も全額が自己負担です。学習用のクラウド費用を自分で持つ案件もあり、額面の単価だけで比べると実態を見誤ります。

副業から始めて業務委託の実績を積み、独立の可否を判断するという順序は現実的です。1件でも最後まで完遂した案件があると、次の案件で条件を確認する解像度が一気に上がります。逆に実績ゼロの段階でいきなり独立すると、条件の良し悪しを判断する基準がないまま契約することになります。

応募前に確認しておく項目

在宅で始めてから条件が違ったと気づくのを避けるため、面談で聞く項目を固定しておくと事故が減ります。次の表は、確認漏れが起きやすい項目を並べたものです。

確認項目	聞き方の例	判断のポイント
出社の頻度	契約期間中に出社が必要な場面はありますか	ゼロか、年数回か、月次かで生活設計が変わる
データへの接続形態	作業環境は仮想デスクトップですか、手元の環境ですか	4形態のどれかを特定する
生データの閲覧範囲	元データを直接見られますか、集計後だけですか	精度調査の担当範囲に直結する
計算資源	GPUは誰が用意しますか、費用負担はどちらですか	自前負担なら実質単価が下がる
応答が必要な時間帯	何時から何時までに返せば業務が回りますか	副業なら死活問題
成果物の定義	何をもって完了としますか	精度の数値か、動く仕組みか
精度が届かなかった場合	目標に届かなかったときの扱いはどうなりますか	報酬条件と直結する
契約形態と再委託	請負ですか準委任ですか、再委託は可能ですか	責任範囲が変わる

この8項目を先に聞いておくと、契約後に揉める要素はかなり減ります。特に最後の2つは、機械学習案件に固有の火種です。ソフトウェア開発と違って「動いたかどうか」で完了を判定できないため、目標に届かなかった場合の扱いを決めていないと、支払いの段階で意見が割れます。

契約や委託の条件をどう整理するかについては、業務委託の実務全般を扱った公的機関の情報も参照先になります。フリーランスとして受注する場合の取引条件については、公正取引委員会が公開している資料が確認先のひとつです。制度は改正されることがあるため、2026年時点の内容かどうかを必ず確かめ、判断に迷う場合は専門家や公的窓口に相談してください。

完全在宅案件の単価と年収の考え方

在宅で働けるかどうかと、いくらになるかは別の問題です。ここも整理しておきます。

常駐前提の案件との差はどこから出るか

完全在宅の案件は、常駐案件と比べて単価が下がる場合と、変わらない場合の両方があります。差が出るのは、依頼側が在宅を「管理コストが増える働き方」と見ているかどうかです。進捗が見えにくい、質問がしにくい、と考える依頼側は、その分を単価で調整しようとします。

逆に、依頼側がすでに非同期のコミュニケーションに慣れていて、成果物ベースで評価する体制がある場合、在宅かどうかは単価に影響しません。むしろ通勤時間がない分、実働に充てられる時間が増えるので、時間あたりの手取りは上がります。

職種としての相場観をつかむには、公的統計をもとにした年収データが役に立ちます。ソフトウェア開発に関わる職種の水準はソフトウェア作成者の年収・単価相場にまとまっており、雇用として働いた場合の水準と、業務委託の月額提示を比べる際の基準線になります。求人票の月額だけを見ていると、社会保険料や税金を差し引いた後の手取りを見誤ります。

副業として週末に持つ場合の考え方

本業を持ちながら副業として機械学習開発を持つ場合、完全在宅であることの価値は単価以上に大きくなります。移動が発生した時点で、平日夜と週末というスケジュールは崩れるからです。

ただし副業で持つなら、案件の型を選ぶ必要があります。仮想デスクトップ縛りの案件は、接続の手間と接続時間の管理があるため、細切れの稼働と相性が悪い。型2の公開データ完結型か、型3の周辺工程型を選ぶのが現実的です。

もうひとつ、本業の就業規則を先に確認してください。副業が許可制の会社は多く、申請なしで受けると後で問題になります。競業避止の条項がある場合、本業と同じ領域の機械学習案件は避ける必要が出てきます。確定申告についても、給与以外の所得が一定額を超える場合の扱いは国税庁の案内が基準になります。

在宅側で用意しておく環境

完全在宅で働くなら、こちら側の環境も仕事の一部です。ここが弱いと、案件の型に関係なく在宅が破綻します。

回線とマシン

機械学習の在宅作業では、回線の帯域よりも安定性が効きます。仮想デスクトップや踏み台サーバーへの接続が切れると、そのたびに作業が飛ぶためです。オンライン会議で画面共有しながらコードを見せる場面も多く、上り方向の速度も無視できません。回線の選び方については在宅ワークに最適なネット回線｜光回線vsホームルーターの選び方に整理があり、固定回線と無線の違いを判断する材料になります。

マシンについては、GPUを自前で持つべきかという質問が多く出ます。答えは案件の型によります。型1と型3では、学習は依頼側のクラウド環境で走らせることがほとんどなので、手元にGPUは要りません。型2で自分のデータを使う場合だけ、クラウドのGPUを時間課金で借りるか、手元に用意するかの検討が発生します。最初から高額なマシンを買うのは、案件の型が決まってからで遅くありません。

本人以外が触れない環境をつくる

見落とされがちですが、在宅の可否を判定する際、依頼側が気にするのは技術環境より物理環境です。同居家族が画面を見られる場所で作業していないか、離席時に画面がロックされるか、印刷物を放置していないか、業務データを個人のクラウドストレージに置いていないか。こうした項目は、契約書のセキュリティ条項に書かれていることがあります。

具体的には、施錠できる部屋か、少なくとも背後から画面が見えない配置にすること、パスワード管理ツールを使うこと、業務用と私用の端末を分けること、離席時の自動ロックを短めに設定することです。地味な話ですが、ここを整えていると面談での説明に説得力が出ます。在宅の集中環境づくりについては在宅ワークの集中力アップ｜ポモドーロ以外に効く7つのテクニックにまとまった整理があります。

スキルと資格は在宅の可否にどう効くか

完全在宅の案件を取りたいという相談で、「どの資格を取ればいいか」と聞かれることがあります。正直なところ、資格が直接に在宅の可否を決めることはありません。決めているのはデータの置き場所だからです。

ただし資格が無意味かというと、そうでもありません。在宅では相手があなたの作業を直接見られないため、着手前に信頼を測る材料が少なくなります。そこで、書類の段階で判断できる材料としての価値が出ます。ネットワークやインフラの基礎を証明するCCNA（シスコ技術者認定）のような資格は、仮想デスクトップやVPN、クラウド環境での作業を任せる際の安心材料になります。文書でのやり取りが増える在宅では、報告書や仕様書の書き方を体系的に押さえたビジネス文書検定も、意外なところで効いてきます。

在宅ワーク全般でどの資格が実務につながりやすいかは在宅ワークに強い資格10選｜自宅で稼げるスキルを身につけるに整理されているので、優先順位をつける際の参考になります。

技術スキルについては、Pythonと主要なフレームワークの実装経験が土台になるのは変わりません。そのうえで完全在宅を狙うなら、クラウド上でのデータ処理と、実験の記録を残す習慣が効きます。手元で試行錯誤した内容が相手に見えない以上、何を試して何が駄目だったかを文字で残せるかどうかが、そのまま評価につながるからです。

運営者として見てきた、在宅案件の変わり方

フリーランスと在宅ワークの市場を20年見てきた立場から言うと、ここ数年で変わったのは「在宅かどうか」ではなく「在宅を前提に業務を切り出せる依頼側が増えたかどうか」です。以前は、仕事の切り出し方が常駐前提のままで、そこに無理やり在宅を当てはめる案件が多かった。だから初月で崩れました。

いま長く続いている在宅案件を見ると、依頼側が最初から「この範囲は外に出せる」「この範囲は社内でやる」と線を引いています。線が引けている依頼側は、データの受け渡し方も、質問の受け方も、成果物の判定方法も決まっている。受け手からすると、条件が厳しく見えても、実は働きやすい相手です。逆に「柔軟に対応します」としか言わない依頼側は、線が引けていないだけのことがあります。

もうひとつ、長く続く人の共通点があります。単発の作業を安く速くこなす方向ではなく、「この人に頼むと、こちらで判断する手間が減る」という関係を作る方向に時間を使っている。在宅は相手から作業が見えない働き方なので、判断の手間を減らせる人ほど価値が上がります。データの制約を理解し、出せる範囲で提案を組み立てられる人は、次の案件も自然に来ます。

金額の面でも構造的な違いがあります。仲介の手数料が乗る取引では、依頼側が出した金額のうち一定割合が中間で抜かれるため、同じ予算でも受け手の手取りは薄くなります。中間マージンが乗らない手数料0%の直接取引では、依頼側は同じ予算でより多くを頼め、受け手は手取りが厚くなる。金額の大小ではなく、手元に残る質の差として、この構造は長く働くほど効いてきます。

在宅で機械学習開発に関わる仕事を探すとき、案件名だけで判断せず、どの工程を任されるのかを見てください。AI関連の仕事がどう分類されているかはAI・マーケティング・セキュリティのお仕事に整理があり、モデル開発だけでなく、業務への組み込みやセキュリティ面の設計まで含めた広がりが見えます。アプリケーションに機械学習を載せる形の案件を狙うならアプリケーション開発のお仕事の内容と照らして、自分がどこを担当できるかを確かめておくと、応募先の絞り込みが速くなります。

完全在宅の機械学習開発は、成立します。ただし成立させるのは、あなたが選ぶ案件の型です。データが出せるか、出せないなら何で代替するか。この1点を面談で確認する習慣がつけば、求人票の「フルリモート」に振り回されることはなくなります。