先週、フリーランスでライターをしている知人から「ChatGPTに記事の構成案を出してもらったんだけど、毎回ふわっとした内容しか返ってこない。自分で考えたほうが早いかも」と相談されました。

画面を見せてもらったら、プロンプト（AIへの指示文）がこうなっていました。

「美容系の記事の構成案を考えてください」

気持ちはわかります。人間の同僚に頼むならこれで十分。相手が空気を読んで、ターゲット層も文字数もトーンもなんとなく合わせてくれます。でもAIはそうはいきません。これだと「美容に関する一般的な記事の構成」が返ってくるだけで、その人の仕事に使えるものは出てきません。

そこでプロンプトを少し書き換えました。

「あなたは美容メディアの編集者です。30代女性向けのオウンドメディアに掲載する記事の構成案を作ってください。テーマは『冬の乾燥肌対策』、文字数は3,000字程度、SEOキーワードは’乾燥肌 スキンケア 冬’です。見出しは5〜7個、各見出しに100字程度の概要を付けてください」

返ってきたのは、そのまま編集会議に出せるレベルの構成案でした。知人は「同じツールでここまで変わるの」と驚いていましたが、変わります。これがプロンプトエンジニアリングの力です。

プロンプトエンジニアリングとは何か、なぜ今重要なのか

プロンプトエンジニアリングとは、AIから望む出力を引き出すために、入力する指示文（プロンプト）を設計・最適化する技術のことです。

「そんなの、ちょっと詳しく指示すればいいだけでしょ？」と思われるかもしれません。半分は正解で、半分はそうでもありません。いまプロンプトエンジニアリングが注目されている背景には、AIの性能向上があります。ChatGPTやClaude、Geminiといった大規模言語モデルは、指示の出し方次第で出力品質に極端な差が出ます。OpenAIの公式ドキュメントでも「プロンプトの設計がモデルの性能を最大限引き出す鍵」と明記されています（出典：OpenAI「Prompt engineering」https://platform.openai.com/docs/guides/prompt-engineering ）。

クライアントワークでAIを活用し始めた2023年頃と比べて、プロンプトの書き方1つで出力の質が変わる幅はどんどん広がっています。モデルが賢くなったぶん、良い指示に対するリターンも大きくなりました。逆に言えば、雑な指示で使っていると、せっかくのポテンシャルの2割くらいしか引き出せていない状態になります。

プロンプトの「4つの型」を押さえる

クライアントにプロンプトの書き方を教えるとき、いつも4つの要素に分解して説明しています。全部を毎回入れる必要はないのですが、この4つを意識するだけで出力の質は確実に上がります。

役割設定（ロール）

AIに「あなたは〇〇です」と役割を与えること。これだけで回答のトーンや専門性が大きく変わります。

「あなたは中小企業の経営コンサルタントです」と前置きすれば、経営用語を適切に使い、実践的なアドバイスを返してくれます。「あなたはIT初心者向けのテクニカルライターです」と言えば、専門用語を噛み砕いた説明が出てきます。

役割設定のないプロンプトは、AIにとって「誰に向けて、どの立場から話せばいいのかわからない」状態です。結果として、無難で当たり障りのない回答になりがちです。

文脈・背景（コンテキスト）

AIはあなたの状況を一切知りません。当たり前のことなのですが、これを忘れている方は意外と多いです。

「売上を上げる方法を教えて」と聞くのと、「月商300万円の美容サロン（スタッフ3名、都内、30代女性がメイン客層）の売上を半年で20%上げたい。現在の集客はホットペッパーに依存している」と聞くのでは、返ってくるアドバイスの具体性がまったく違います。

とくに重要なのが制約条件です。予算、期間、使えるツール、対象者の知識レベル。これらを明示すると、AIは「その条件の中でのベストな回答」を返そうとしてくれます。

出力形式の指定

地味ですが、効果が非常に大きいのがこれです。

「箇条書きで」「表形式で」「見出しと本文の構成で」「JSON形式で」と指定するだけで、出力がそのまま使える形になります。

報告書のドラフトをAIに書かせることが多いのですが、「Markdown形式で、H2見出し4つ、各セクション200字程度」と指定すると、あとからの編集コストが激減します。逆に形式を指定しないと、AIはだらだらと長い文章を返してきて、結局こちらで構成し直す手間がかかります。

例の提示（Few-shot）

「こういう感じで」と具体例を1〜3つ見せるのが、最も直感的で効果が高いテクニックです。

たとえばメールの件名を考えてもらいたいとき、

以下のようなトーンでメールの件名を5案考えてください。
例：
- 【3日間限定】春のスキンケアキャンペーン始まります
- 乾燥が気になる季節に。あなた専用のケアプランをご提案

と具体例を付けると、AIはそのトーンやフォーマットを真似て出力してくれます。ゼロから「いい感じのメール件名」と頼むより、圧倒的に精度が高くなります。

Before/After：同じ作業でここまで変わる

理屈はわかった、でも本当にそんなに変わるの？という方のために、実務で実際に経験したBefore/Afterを紹介します。

ケース1：月次報告書のドラフト作成

Before（改善前のプロンプト） 「先月の売上データをもとに月次報告書を書いてください」

→ 総論的な文章がずらっと出てくる。数字の扱いが雑で、クライアントに出せるレベルではない。結局、7割書き直すことになる。

After（改善後のプロンプト） 「あなたはWebマーケティングのコンサルタントです。以下の売上データをもとに、クライアント向けの月次報告書のドラフトを作成してください。

  • 対象期間：2026年2月
  • フォーマット：【サマリー（3行）】【主要KPIの前月比】【改善施策の実施状況】【来月のアクションプラン】の4セクション
  • トーン：丁寧だが簡潔。数値は必ず前月比・前年比を併記
  • 文字数：各セクション150〜200字 （データ貼り付け）」

→ そのまま微修正で提出できるドラフトが出てきた。作業時間は従来の3分の1に。

ケース2：クライアントへのメール文案

Before 「お客様にサービス案内のメールを書いて」

→ テンプレート通りの営業メールが出てくる。誰に出しても同じ。開封率は期待できない。

After 「あなたはデジタルマーケティング会社の営業担当です。以下の条件でメール文案を作成してください。

  • 送り先：飲食店を3店舗経営する40代男性オーナー（過去に一度、SEO対策の相談をいただいた方）
  • 目的：MEO対策サービスの提案（月額5万円）
  • トーン：親しみやすいが押し売り感は出さない
  • 文字数：300字以内
  • CTAは15分の無料相談予約への誘導」

→ 相手の状況に合わせた自然な文面が出てきた。「飲食店の検索対策」に絞った具体的な提案になっていて、そのまま送れた。

ケース3：データ分析の依頼

Before 「このCSVデータを分析してください」→ 平均値と合計を並べただけの教科書的な出力。

After 「あなたはWebサイトのアクセス解析の専門家です。添付CSVデータ（過去6ヶ月のLP別CVR）を分析し、CVR改善ページの要因仮説、低下ページの改善優先順位、来月のA/Bテスト候補3つ（理由付き）を表形式で出力してください」→ 仮説ベースの分析と具体的なテスト案が返ってきた。分析の出発点として十分な内容。

よくある失敗パターンとその対策

「4つの型を意識して書いてみたのに、思ったより出力が改善しない」。そう感じたとき、たいていは次の3つのどれかに当てはまります。

失敗1：一度に詰め込みすぎる

「ペルソナを設定して、記事構成を考えて、タイトル案を10個出して、各記事の冒頭200字も書いて、あとSEOキーワードの一覧もお願い」

こういう全部盛りのプロンプトは上手くいきません。AIは途中で文脈を見失って、前半は丁寧だけど後半が雑になる、みたいなことが起きます。

対策：1つのプロンプトで1つのタスク。複雑な作業は分割して、段階的に進めることが望ましいです。「まずペルソナを設定→その条件で記事構成を作成→構成をもとにタイトル案」と、ステップを分けたほうが結果的に速いです。

失敗2：曖昧な形容詞に頼る

「もっと良くして」「面白い感じで」「プロっぽく」。

人間同士なら空気感でなんとなく伝わりますが、AIには伝わりません。「プロっぽく」が、専門用語を増やすことなのか、論理構成をしっかりさせることなのか、ビジュアルを洗練させることなのか、AIには判断できません。

対策：形容詞ではなく具体的な条件で指定する。「プロっぽく」→「接続詞を適切に使い、1文を60字以内に収め、データの出典を必ず明記する」。こうすると、ブレない出力が返ってきます。

失敗3：プロンプトが長すぎる

4つの型を意識するあまり、前置きだけで500字を超えるようなプロンプトを書いてしまうことがあります。

これも逆効果になることがある。AIは情報量が多いと、何が最重要なのかの判断に迷います。とくに比較的性能が低いモデルでは、プロンプトの後半部分の指示が無視されるケースが報告されています。

対策：プロンプトの中でも「これだけは守って」という最重要条件は、冒頭か末尾にまとめることが有効です。そして不要な説明は省く。「丁寧に書いてほしいです。お願いします。よろしくお願いします」のような社交辞令はAIには不要です。

実務で効くプロンプトの考え方

テクニックというより「思考の癖」に近い話ですが、クライアントワークで意識していることを3つ共有します。

1つ目は、一発で完成を狙わないこと。1つのタスクに対して最低3往復することが多いです。方向性の確認、ドラフト作成、推敲。この「会話のキャッチボール」がプロンプトエンジニアリングの本質だと考えています。

2つ目は、ダメ出しではなく方向修正をすること。「もっとちゃんとして」では改善されません。「サマリーが長いので3行に圧縮して」「専門用語を中学生にもわかる表現に」と、どこをどう変えるかを具体的に伝えることが重要です。

3つ目は、プロンプトをテンプレート化すること。月次報告書、議事録要約、メール文案など、繰り返すタスクはプロンプトをNotionにストックしています。データ部分だけ差し替えれば安定した品質が出るので、チームで共有すると効果は何倍にもなります。

「うまく使えない」の壁を超えるには

プロンプトエンジニアリングは記事を読んだだけでは身につかないのが実情です。

理由は単純で、「自分の業務に当てはめる」ところが一番難しいからです。プロンプトの型は知っている。Before/Afterも見た。でも、いざ自分の仕事で使おうとすると「役割設定って何を書けばいいの？」「出力形式って、この業務だとどう指定すれば？」となりやすいです。

ここが独学の壁です。

McKinseyの2025年のレポートでは、生成AIを業務に導入した企業のうち、導入初年度に期待した効果を得られたのは全体の約34%にとどまっています。残りの企業は「ツールは入れたが、使いこなせていない」状態です。使いこなしの差は、個人レベルでも顕著に出ます（出典：McKinsey & Company「The state of AI: How organizations are rewiring to capture value」https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai ）。

これは実感とも一致していて、プロンプトは「知識」ではなく「スキル」です。理屈を知っていても、実際に何度か試行錯誤しないと身につかない。そして、誰かに横で見てもらいながら練習すると、上達のスピードがまるで違います。

一緒に試行錯誤できる場所がある

弊社が運営に関わっているRIALA（リアラ）は、まさにこの「AI活用を実践ベースで学ぶ」ためのコミュニティです。

プロンプトの書き方1つとっても、不動産業の人と美容業の人とECの人では、有効なアプローチがまったく違います。RIALA（リアラ）では、業種も立場もバラバラなメンバーが、自分の実務で試したプロンプトを共有し合っています。「この書き方にしたら見積もり作成が半分の時間で終わった」「Claudeを使うときはこう書いたほうがいい」といったやり取りが日常的に起きています。

プロンプトエンジニアリングは一人で黙々とやるよりも、他の人の事例を見て、自分でも試して、フィードバックをもらって、というサイクルを回したほうが圧倒的に早く上達します。

この記事を読んで「プロンプト、ちゃんとやってみたいな」と思った方は、まず覗いてみてください。合わなければそこで終わりにして全然大丈夫です。

RIALAをのぞいてみる →

参考文献