LASSIC Media らしくメディア

同じ生成AIを使っているのに、ある人が使うと的確な答えが返り、別の人が使うと的外れな回答しか出てこない——。生成AIを業務に取り入れ始めると、こんな差に気づきます。多くの場合、その違いを生んでいるのは、AIへの「指示の出し方」です。この指示（プロンプト）を工夫して、狙いどおりの答えを引き出す取り組みを、プロンプトエンジニアリングと呼びます。

特別な道具や難しいプログラミングが要るわけではなく、「どう頼むか」を整えるだけで、出てくる答えの質は大きく変わります。本記事では、生成AIの業務活用を進める情報システム部門や事業部門の担当者に向けて、プロンプトエンジニアリングとは何か、似た取り組みとの違い、よい指示の組み立て方、つまずきやすい点、そして外注の勘所を整理します。

プロンプトエンジニアリングとは——RAGやファインチューニングとの違い

プロンプトエンジニアリングとは、生成AIへの指示（プロンプト）を工夫することで、狙いどおりの答えを引き出す取り組みを指します。プロンプトとは、AIに投げかける質問や依頼の文そのものです。同じことを尋ねるにも、頼み方しだいで返ってくる答えの質は変わります。その頼み方を、行き当たりばったりではなく、意図をもって設計する——それがプロンプトエンジニアリングです。

ここで押さえておきたいのが、AIの答えをよくする他の手立てとの違いです。生成AIの出力を業務に合わせる方法には、大きく分けていくつかの段階があります。ファインチューニングやRAGは、その代表格です。ファインチューニングは、追加の学習をさせてAIそのものを特定の用途向けに調整するもので、相応の手間がかかります。RAGは、社内文書などの外部情報を検索して渡し、その内容をふまえて答えさせるやり方です。これらに対してプロンプトエンジニアリングは、AIには手を加えず、頼み方だけを工夫する、いちばん手軽な入口にあたります。

AIそのものを鍛えるのか、外部情報を渡すのか、頼み方を整えるのか——ここに違いがあります。まずは手軽なプロンプトの工夫から始め、それでも足りなければRAGやファインチューニングを検討する、という順に考えると、無駄な作り込みを避けられるはずです。多くの業務では、頼み方を整えるだけで、かなりのところまで質を高められます。

なぜ指示の出し方で差がつくのか

そもそも、なぜ頼み方だけで答えの質が変わるのでしょうか。理由は、生成AIの答え方にあります。生成AIは、与えられた指示をもとに、「次に来そうな言葉」をつないで文章を作るのが基本です。このとき、指示があいまいだと、解釈の幅が広がり、AIはさまざまな方向に答えを作れてしまいます。「新商品について書いて」とだけ頼めば、誰に向けた、どんな長さの、どういう形式の文章を求めているのかがわからず、的外れな答えや、毎回ばらばらの答えが返ってきがちです。

逆に、指示が具体的であれば、AIが取りうる答えの幅は狭まります。「あなたは広報担当です。次の商品を、法人のお客様向けに、200字程度で、箇条書き3点にまとめてください」と頼めば、狙いに沿った答えが、何度尋ねても近い品質で返ってきます。つまりプロンプトエンジニアリングとは、指示を具体的にすることで解釈の幅を狭め、答えの質を安定させる工夫なのです。難しい技術ではなく、「相手にきちんと伝わるように頼む」という、人への依頼と同じ発想が土台にあります。だからこそ、誰にでも取り組みやすく、それでいて効き目が大きいのです。

よい指示を組み立てる6つの要素

では、具体的にどう頼めばよいのでしょうか。よいプロンプトには、盛り込むと効果的な要素がいくつかあります。すべてを毎回入れる必要はなく、用途に応じて要るものを選ぶだけです。代表的な6つを整理しました。この組み立てを図にすると、次のとおりです。

一つ目は、役割です。「あなたは広報担当です」のように立場を与えると、答えの調子が定まります。二つ目は、文脈・前提です。背景や対象読者を伝えると、的を絞った答えになります。三つ目は、やってほしいことです。何をしてほしいのかを、具体的な作業として示します。四つ目は、出力の形式です。字数や、箇条書き・表といった形を指定すると、そのまま使いやすい答えになります。五つ目は、例を示すことです。求める答えの見本を一つか数件添えると、AIはそれにならいます。六つ目は、制約・禁止です。「専門用語は避ける」など、やってほしくないことを明記します。そして、これらを一度で完璧に決めようとせず、返ってきた答えを見て少しずつ直していく——この試して直す繰り返しが、プロンプトエンジニアリングの中心にあります。

つまずきやすい難所

プロンプトの工夫には、あらかじめ想定しておきたい難所があります。踏まえておくと、期待した効果が出ない事態を避けやすくなります。

一つ目は、あいまいなまま頼んでしまうことです。頭の中では明確でも、言葉にすると抜けが多く、AIには伝わりきりません。人に頼むとき以上に、具体的に書く意識が要ります。二つ目は、頼み方を工夫しても限界がある点です。AIが学んでいない社内固有の情報や、最新の出来事は、いくら上手に頼んでも答えられません。そうした場合は、社内文書を検索して渡すRAGのような、別の手立てが必要になります。三つ目は、誤りが消えるわけではないことです。指示を工夫すれば減らせても、AIが事実でない内容をもっともらしく答えるハルシネーションは、プロンプトだけではなくなりません。四つ目は、属人化です。うまくいくプロンプトが特定の人の手元にしかないと、組織で活かせません。効果のあった頼み方は、記録して共有しておくことが大切です。

業務で活かすために

プロンプトエンジニアリングを、個人の工夫で終わらせず、業務に根づかせるには、いくつかの勘所があります。組織として活かす進め方を整理しました。

鍵になるのは、うまくいった頼み方を「その人だけのコツ」で終わらせないことです。よい指示の要素をひな形にまとめ、効果のあったプロンプトを記録して共有すれば、組織の誰もが一定の質でAIを使えるようになります。あわせて、頼み方の工夫では届かない場面を見極め、そこはRAGなど別の手立てに切り替える。この線引きができると、限られた手間を、効き目の大きいところに振り向けられます。

外注時に確認しておきたい点

生成AIの業務活用や、そのプロンプト設計を外部に委託する場合は、次の点を事前にすり合わせておくと、認識のずれを防ぎやすくなります。まず、どの業務で、どんな答えを引き出したいのかです。目的がはっきりしていないと、よいプロンプトは設計できません。実際の業務に即して、望ましい出力の姿を一緒に描いておきたいところです。次に、プロンプトの工夫だけで足りるのか、RAGやファインチューニングまで要るのかの見極めです。手軽な入口から始め、必要に応じて段階を上げる、という前提を共有しておくと、過剰な作り込みを避けられます。

さらに、作ったプロンプトを、社内でも使い回せる形で残してもらえるかも確認しておきたい点です。ひな形や、効果のあった頼み方が記録として残れば、委託が終わったあとも組織で活かせます。あわせて、出力の質をどう確かめ、直し続けるかも決めておくとよいでしょう。作って終わりではなく、試して直す運用を一緒に回せる相手かどうかが、成果を左右します。

まとめ：プロンプト設計で押さえる3つの視点

プロンプトエンジニアリングは、生成AIへの指示（頼み方）を工夫して、狙いどおりの答えを引き出す取り組みです。押さえておきたい視点は3つに整理できます。第一に、AIそのものを鍛えるファインチューニングや、外部情報を渡すRAGとの違いを理解し、まず頼み方を整える手軽な入口から始めること。第二に、役割・文脈・タスク・出力形式・例示・制約という要素を踏まえ、指示を具体的にして解釈の幅を狭め、試して直すを繰り返すこと。第三に、うまくいった頼み方をひな形として共有し、届かない場面はRAGなど別の手立てに切り替えることです。この3点を踏まえておけば、「同じAIなのに、人によって成果がばらばら」という状態を抜け出しやすくなります。設計や組織への定着に不安があれば、外部の手を借りるのも一つの選択肢です。

よくある質問

著者：テレリモ総研編集部　鈴木 亮佑

ご不明な点はお問い合わせフォームからもご連絡いただけます。

1. *1　参考：Google Cloud「What is prompt engineering?」（https://cloud.google.com/discover/what-is-prompt-engineering）。考え方の一般的な解説の参考として。

Tweet