プロンプトの書き方——AIへの指示が変わると答えが変わる

同じ質問をしているのに、使える回答が返ってくる人とそうでない人がいる——AIを使い始めた職場でよく起きる現象です。

差はAIの性能ではなく、プロンプト（AIへの指示文）の書き方にあります。AIは与えられた情報をもとに「最もらしい言葉」を確率的に選んで回答します。指示が曖昧なら曖昧な回答が返り、具体的な指示には具体的な回答が返る。それだけです。

この記事では、どんなタスクにも使えるプロンプトの基本構造と、今日から使えるテクニックを整理します。

なぜ指示の書き方で答えが変わるのか

たとえば「メールを書いて」と「先方への謝罪メールを書いて。相手は取引先の部長で、納期を3日遅らせたい。文体はビジネスフォーマル、3段落以内で」では、AIが参照できる情報量がまったく違います。

別の記事でも触れたとおり、LLMは確率的に「次に来る言葉」を予測して文章を生成します。与えた情報が多いほど、AIが参照できる文脈が絞られ、「業務で使える答え」に近づきます。逆に情報が少ないと、AIは汎用的で当たり障りのない回答を生成します。

プロンプトを書く技術は、「AIに何を伝えるか」を設計する技術です。

プロンプトの4つの要素

業務で使えるプロンプトは、次の4つの要素で構成されています。

要素に分けること自体に意味があります。「役割は何か」「どう答えてほしいか」と枠を埋めようとする行為が、自分が何を頼みたいのかを言語化する作業になります。簡易的な一文で頼んで何度も修正するより、先に4要素を整理してから送る方が、意図とのズレが少なく一発で使える回答が返ってきやすくなります。

① 役割（Role）——誰として答えるか

AIに担ってほしい立場や専門性を指定します。「あなたは法人営業の経験が10年以上あるセールスマネージャーです」のように設定すると、回答が一般的な解説から、営業視点の実践的なアドバイスに変わります。

役割を指定すると出力のスタイルと視点が変わります。ただし、AIが持つ知識量が増えるわけではありません。「専門家として」と設定しても、学習データにない情報は答えられない点は変わりません。役割はあくまで「どの角度から答えるか」のコントロールです。

② 指示（Instruction）——何をしてほしいか

タスクを端的に書きます。「要約して」「メールを書いて」「比較表を作って」など、動詞を明確にすることが起点です。ここが曖昧だと他の要素を充実させても効果が薄れます。

③ 制約条件（Constraints）——どう答えてほしいか

指示を実行する際に守ってほしいルールです。「推測で補わないこと」「専門用語を使わないこと」「結論から先に書くこと」など、回答の品質や方向性を決める部分です。ここが最も出力の質に影響します。何を「してほしいか」と同時に、何を「してほしくないか」を書くと精度が上がります。

④ 出力形式（Output Format）——どんな形で出すか

回答の形式・構成・長さを指定します。「箇条書きで3点以内」「表形式で」「300字以内で」「マークダウンで見出しをつけて」など、具体的に指定するほど、そのままコピーして使える回答が返ってきます。

指定なし（役割・制約・形式なし）の例：

メールを書いて

→ 汎用的な定型メールが返ってくる

4要素を揃えた例：

## 役割
あなたはビジネスマナーに精通したライターです。

## 指示
取引先の部長に向けた謝罪メールを書いてください。

## 制約条件
・納期を3日延長したいことを率直に伝える
・言い訳がましい表現は避ける
・相手への配慮と再発防止への言及を含める

## 出力形式
ビジネスフォーマルで、3段落以内

→ そのまま送れる水準のメールが返ってくる

役割設定は「精度」ではなく「スタイル」を変える

「あなたは専門家です」と設定すると回答が改善される——そう思われがちですが、2024〜2025年の研究では逆の結論が出ています。

WhartonのMollickらによる研究（2025年）やEMNLP 2024の論文では、専門家ペルソナを設定しても事実の正確さや数学・コーディングの精度は改善せず、むしろ悪化するケースが報告されています。理由はシンプルで、「専門家と名乗らせても、学習データにない知識は増えない」からです。

では役割設定は意味がないのか。そうではありません。文章のトーン・口調・視点の角度を変える用途では有効です。

「進捗報告を書いて」に「あなたは簡潔さを重視するプロジェクトマネージャーです」と加えると、箇条書き・数値・アクション中心の文体に変わります。「やわらかい口調で」というより、ペルソナで体裁を指定した方が意図が伝わりやすい場面もあります。

整理するとこうなります。

役割設定が効く場面：文章の口調・体裁・雰囲気を変えたいとき

役割設定が効かない場面：事実確認・数学・コードの正確さが求められるタスク

知識を増やすために役割を使うのではなく、「どんな口調・視点で書いてほしいか」のコントロールとして使う——というのが現状の正確な理解です。

すぐ使えるテクニック3つ

① 逆質問——AIに情報を聞かせる

「このタスクを実行するために、私に確認したいことはありますか？」と先に尋ねると、AIが必要な情報を質問してきます。

プロンプトを一から書くのが難しいとき、まずAIに「何が必要か」を言語化させることで、指示の抜け漏れを防げます。複雑なタスクほど有効な手法です。

② 60点プロンプト（パワハラプロンプト）——自己改善を促す

回答が返ってきたら「この出力を60点とします。100点にするには何が足りませんか？それを踏まえて書き直してください」と指示します。

AIが自分の出力を分析して改善するため、追加指示なしに品質が上がります。特に文章作成・提案書・メールなど、「もう一段上げたい」場面で効果的です。点数を下げると（40点など）、より大きな改善を促せます。

③ タスク分解——難しいことは段階的に

「報告書を書いて」と一度に頼むより、「①まず論点を3点洗い出して」→「②各論点に根拠を付けて」→「③1000字の報告書にまとめて」と段階的に依頼する方が精度が上がります。

人間でも複雑な仕事を一度にやろうとすると質が下がるように、LLMも一度に処理する情報量が多いほど精度が落ちる傾向があります。「一つの指示で一つのタスク」を意識すると、アウトプットが使える水準に近づきます。

まとめ

プロンプトは「役割・指示・制約条件・出力形式」の4要素で構成する
役割設定はスタイルと視点を変える——知識量ではなく「角度」のコントロール
情報を絞り込むほど、AIの回答は業務で使える水準に近づく
うまくいかなければ「逆質問」「60点プロンプト」「タスク分解」で改善する

「下書きはAI、仕上げは人間」という使い方が現実的です。完成品を一発で出させようとするより、AIに下書きを出させて人間が整える方が、結果的に早く質の高いアウトプットが得られます。プロンプトはその「下書きの質」を決める設計図です。