思い通りの結果を引き出す

生成AIを使っていて、「思ったような回答が返ってこない」「指示が曖昧で意図と違う文章が出た」という経験はありませんか？

AIは自律的な意思を持っているわけではありません。 人間が入力した言葉を手がかりに、「次に来る確率が最も高い言葉」を予測して文章を組み立てているからです。

この仕組みを理解した上で、AIから精度の高い回答を引き出すコツは、「業務の依頼書」を書く感覚で指示を整理することです。

この章では、思い通りの回答を引き出すプロンプトの構成テクニックと、AIが言葉を処理する仕組み（LLM）の基本を分かりやすく解説します。

プロンプトとは何か

AIに対して質問や作業の指示を出すために人間が入力するテキストを、プロンプト（Prompt）と呼びます。

プロンプトは単なる検索キーワードではありません。AIに対する「仕事の依頼書」です。 依頼書に「目的」「背景」「欲しい形式」が具体的に書かれていれば、AIは的確な成果物を返してくれます。逆に指示が雑であれば、当たり障りのない一般的な回答しか返ってきません。

望む回答を引き出すプロンプトの6要素

実務でAIの回答精度を安定させるためには、以下の6つの要素（フレームワーク）を意識して整理することが効果的です。

1. Instruction（命令・アクション）：AIにやってほしい具体的な作業（要約、比較、抽出など）。
2. Context（文脈・役割・対象読者）：AIに与える立場や前提条件、想定する読み手。
3. Input Data（入力データ）：処理させたい日報、資材リスト、見積補足などの情報そのもの。
4. Output Format（出力形式）：表形式、箇条書き、3セクション構成などのレイアウト指定。
5. Constraints（制約条件）：文字数制限、平易な言葉遣い、事実のみに基づく指示などの制限事項。
6. Evaluation（評価基準）：何をもって良い回答とするかの基準や、期待するお手本例。

プロンプトを構成する6つの要素と実務での具体例を整理すると、下の表のとおりです。

要素	役割	プロンプトでの記載例
1. Instruction（命令）	やってほしい具体的な作業	「以下の現場日報から、明日の朝礼で周知すべき安全注意事項を抽出してください。」
2. Context（文脈・役割）	背景、AIの役割、想定読者	「あなたは経験20年の現場監督です。入社1年目の新人作業員にも伝わる平易な言葉遣いにしてください。」
3. Input Data（入力データ）	処理・分析の対象となる情報	「【巡回記録】雨天のため法面掘削を午前で中断。足場の仮設通路に泥が付着し滑りやすい状態…」
4. Output Format（出力形式）	出力の構造やレイアウト	「『危険箇所』『原因』『具体的対策』の3列からなるマークダウン表形式で整理してください。」
5. Constraints（制約条件）	文字数、守るべきルール	「専門用語には必ず注記を付けること。憶測は排除し、記録に書かれた事実のみを扱うこと。」
6. Evaluation（評価基準）	成功の基準、期待する品質	「朝礼の1分間で読み上げられ、現場スタッフが直ちに行動に移せる簡潔な記述であること。」

実務で使えるプロンプトの構成テンプレート

普段の業務では、以下の6項目に沿って当てはめるだけで、誰でも高品質なプロンプトを作成できます。

• 命令（Instruction）：AIにやってほしい作業を簡潔に記載します。
• 文脈と役割（Context）：あなたの立場、AIの役割、作業の目的、対象読者を記載します。
• 入力データ（Input Data）：処理させたい日報、テキスト、数値データなどを貼り付けます。
• 出力形式（Output Format）：表形式、箇条書き、3セクション構成などを指定します。
• 制約条件（Constraints）：文字数の制限、使用する言葉のトーン、事実のみに基づく指示などを書きます。
• 評価基準（Evaluation）：何をもって良い回答とするかの基準を書きます。

プロンプトの精度を高める実践テクニック

基本の6要素に加えて、ちょっとした工夫を取り入れることで、回答の質がさらに高まります。

1. 否定形ではなく「肯定形（Do over Don't）」で指示する

プロンプトで最も多い失敗が、「〜しないでください」「〜は禁止」という否定形（Don't）の多用です。

AIは、否定形で禁止した言葉であっても、文中に登場させた言葉に引っ張られやすい性質があります。 そのため、「難しい専門用語を使わないでください」と書くと、逆に「難しい専門用語」というキーワードに引っ張られて難解な文章を作ってしまうことがあります。

指示は「何をしてはいけないか」ではなく「どうしてほしいか（肯定形：Do）」で書くのが鉄則です。

• 失敗しやすい例（否定形）：「抽象的な表現は使わないでください」
• 成功しやすい例（肯定形）：「具体的な数値や現場の事例を交えて説明してください」
• 失敗しやすい例（否定形）：「長い文章にしないでください」
• 成功しやすい例（肯定形）：「各項目を2文以内、全体を200文字程度で簡潔にまとめてください」

2. 記号やタグで「指示」と「データ」を明確に分ける

指示文と処理対象のデータが混ざっていると、AIが「どこまでが命令で、どこからが文章データなのか」を勘違いしやすくなります。

バッククォート（ ``` ）やタグ（ 【データ】...【/データ】 ）を使って、指示とデータの境界を明確に区切るのがおすすめです。

プロンプト例
以下の【点検記録データ】タグ内に記載された点検記録を読み、是正が必要な箇所を箇条書きで3点抽出してください。

【点検記録データ】
第2工区足場点検結果：踏板の固定ピン一部緩みあり、安全ネットに破れなし、巾木の隙間が基準を超えている箇所を確認
【/点検記録データ】

このように構造化しておくことで、AIの読み間違いを防ぎ、悪意ある命令の上書き（間接的プロンプトインジェクション）も防ぎやすくなります。

3. お手本の数で使い分ける「Zero / One / Few-Shot」

プロンプトに「お手本（見本例）」を何個見せるかによって、3つの手法を使い分けます。

• Zero-Shot（お手本 0個）：指示文だけで依頼します。一般的な知識の質問や単純な作業に向いています。
• One-Shot（お手本 1個）：「入力と出力の見本」を1つだけ見せてから依頼します。出力フォーマットや文体のトーンを揃えたいときに非常に効果的です。
• Few-Shot（お手本 複数個）：お手本を2〜5個見せてから依頼します。社内特有の略称ルールや複雑な書類の分類など、例外パターンが多いときに威力を発揮します。

お手本の数による使い分けと特徴を整理すると、下の表のとおりです。

手法	お手本の数	どんなときに使うか	実務でのイメージ
Zero-Shot	0個（指示のみ）	一般的な質問、標準的な要約や翻訳など	「熱中症予防のポイントを箇条書きで3点教えてください」
One-Shot	1個	出力形式や言葉遣いを特定の見本通りに揃えたいとき	「【見本】入力：雨天中止 → 出力：工程遅延（明日再手配） / 【本番】入力：資材搬入遅れ → 出力：？」
Few-Shot	複数個（2〜5個）	業界用語の変換や、例外を含む複雑な分類をさせたいとき	「社内独自の略称リストや、過去の是正パターンの見本を3つ提示して分類させる」

4. 思考のステップを促す「CoT」と最新Reasoningモデル

複雑な計算や論理的な判断を依頼する場合、いきなり最終結論だけを求めると計算ミスや論理破綻が起きやすくなります。

思考ステップを出力させる「Chain-of-Thought（CoT）」

人間が計算用紙に途中式を書くように、AIにも思考プロセスを順に出力させる手法をCoT（思考の連鎖）と呼びます。 プロンプトの末尾に「ステップバイステップで順を追って考えてください」と一言添えるだけで、AIが自ら論理の筋道を立てて考えるため、推論の正解率が大きく向上します。

最新の「Reasoningモデル（思考特化型AI）」

近年登場した推論特化型モデル（OpenAIの「GPT-6 Astra」思考モードや「DeepSeek-R1」など）は、このCoTの仕組みを最初からモデル内部に組み込んでいます。 これらのモデルは、回答を出す前に頭の中で自律的に試行錯誤や自己検証（思考トークンの消費）を行ってから回答を出力します。

そのため、公式ガイドでも明記されている通り、推論特化型モデルに対しては「ステップバイステップで考えて」と指示する必要はありません。 手順を細かく指定するよりも、「制約条件」と「評価基準（ゴール）」を明確に示し、思考自体はAIの推論力に任せる使い方が最適です。

5. 出力の自由度を調整するパラメータ（Temperature と Top-p）

TemperatureとTop-pは、AIの文章生成における「自由度（創造性）」や「予測可能性」を調整する設定値です。

• Temperature（温度）：数値を高くする（0.8〜1.0）と多様で柔軟な表現になり、アイデア出しに向きます。数値を低くする（0.0〜0.2）と確率の高い単語を忠実に選ぶようになり、データ抽出や法令確認などミスの許されない作業に向きます。
• Top-p（トップ・ピー）：次に続く単語の候補を、出現確率の上位何%に絞るかを指定します。通常は0.9前後に設定し、不自然な単語を排除します。

実務におけるパラメータ設定の目安を整理すると、下の表のとおりです（※なお、OpenAIのGPT-6 Astra思考モードなどの推論特化型モデルでは、内部で自律的に展開される思考プロセスの整合性を保つため、Temperatureが固定されており変更できない仕様になっています）。

用途	Temperatureの目安	期待される出力
データ抽出・事実確認・要約	低め（0.0 〜 0.3）	指示に忠実で、再現性の高い正確な回答
通常のビジネス文書・メール作成	標準（0.5 〜 0.7）	自然で読みやすく、バランスの良い文章
企画案・ブレインストーミング	高め（0.8 〜 1.0）	意外性のある多様なアイデアや切り口

LLM（大規模言語モデル）の仕組み

プロンプトを入力したとき、AIの内部では何が起きているのでしょうか。その中核にあるのがLLM（Large Language Model：大規模言語モデル）です。

1. 「トークン」と「次に来る言葉」の予測

LLMは文字をそのまま読んでいるのではなく、「トークン」と呼ばれる小さな単位（単語や文字の断片）に分解して数値として処理しています。 AIの根本的な動作原理は、「これまでに現れたトークンから、次に来る確率が最も高いトークンを予測し続けること」です。 「空が」と入力されたら、学習した膨大な知識から「青い」「曇っている」などの確率を計算し、最も自然な言葉を順につなぎ合わせて文章を作っています。

2. コンテキストウィンドウ（記憶できる長さ）

AIが一度に読み込んで記憶・処理できるトークンの上限数をコンテキストウィンドウと呼びます。 初期のAIは数千文字程度しか覚えられず、長い議事録を渡すと前半を忘れてしまっていました。しかし現在では、分厚い書籍数十冊分や長時間の動画をまるごと読み込めるほど大容量化が進んでいます。

3. 事前学習とファインチューニング

LLMは、まず事前学習とファインチューニングという2段階を経て、実用的な受け答えができる土台を作ります。

1. 事前学習（プレトレーニング）：インターネット上の膨大なテキストを読み込み、言葉の文法や知識、文章のつながりを徹底的に学習します。
2. 微調整（ファインチューニング）：特定の業務（プログラミング、法務、医療など）に合わせた専用データを与え、専門分野に強いAIへと仕上げます。

4. 人間のルールを教える「RLHF」

初期の言語モデルは、知識は豊富でも「人間が何を求めているか」が分からず、不適切な表現を出力してしまう危険がありました。 そこで、AIの出力した回答を人間が評価し、「どの回答が親切で、正確で、安全か」を繰り返し学習させるRLHF（人間のフィードバックによる強化学習）が行われています。これによって、AIは社会的なマナーや安全基準を守って回答できるようになります。

まとめ

• プロンプトは単なる検索窓ではなく、AIに成果物を依頼する「業務の依頼書」です
• 「命令・文脈・入力データ・出力形式・制約条件・評価基準」の6要素を意識すると回答精度が安定します
• 指示は否定形ではなく「肯定形（Do over Don't）」で書き、記号やタグでデータと指示を明確に区切ります
• お手本を1つ見せる「One-Shot」や、思考ステップを促す「CoT」を状況に合わせて使い分けます
• 最新のReasoningモデルには手順を細かく指示せず、制約とゴールを伝えて思考を任せるのが効果的です
• LLMは「確率的に最も自然な次の言葉」を予測して文章を生成しています