「ChatGPTに聞いても、なんだかフワッとした一般論しか返ってこない」—— そう感じたことはありませんか。実はAIの回答が浅くなる原因の多くは、 モデルの性能ではなくプロンプト（指示文）の書き方にあります。 同じ質問でも役割を指定したり例を添えたりするだけで、回答の質は劇的に変わります。 本ガイドでは、ChatGPT・Claude・Geminiなど主要なテキスト生成AIで共通して効く 5つの基本テクニックを、悪い例と良い例の対比で紹介します。明日から使える実践プロンプト10選付きです。
補足
本記事の内容は2026年4月時点の公開情報に基づきます。 LLM（Large Language Model、大規模言語モデル）の挙動・料金・機能は頻繁に更新されるため、 重要な用途で使う前には必ず各サービスの最新ドキュメントを確認してください。
なぜプロンプトで精度が変わるのか
ChatGPTやClaudeなどのLLMは、与えられた文脈（これまでの会話・指示文）を手がかりに、 次に続く言葉を確率的に選びながら文章を生成します。つまり「入力として渡された文脈が変われば、出力される文章の分布も変わる」のが本質です。
たとえば「日本の首都は？」と一行だけ聞けば事実を短く返しますが、 「あなたは小学生向けの教師です。日本の首都について、なぜそこが首都なのかを交えて説明してください」 と聞けば、やさしい語彙で歴史的背景も含む説明が返ってきます。 モデル側の能力は同じでも、出力を引き出す枠組みが変わったのです。
プロンプトエンジニアリングとは、この「出力分布の引き寄せ方」を意図的に設計する技術です。 難しい用語が並ぶように見えますが、核心は「AIが何を返せばいいか迷わないよう、文脈を具体的に与える」という一点に尽きます。
5つの基本テクニック
以下の5つを意識するだけで、日常利用の体感精度が目に見えて変わります。 順番に見ていきましょう。
① 役割指定（Role Prompting）
冒頭で「あなたは〇〇です」と役割を与えると、AIはその専門分野の語彙・視点で回答を組み立てます。 対象読者や文体もここで指定すると、出力がグッと実用的になります。
悪い例
マーケティングについて教えて
良い例
あなたはBtoB SaaSのマーケティング責任者です。 従業員50人規模のスタートアップ向けに、 LP（ランディングページ）のCVR（Conversion Rate、コンバージョン率）改善で最初に試すべき施策を3つ挙げてください。 前提: 月間3万PV、現在のCVRは1.2%。
② 例示・Few-shot learning
「こういう入力には、こう返してほしい」という具体例を1〜3個添える方法です。 文章の長さ・トーン・フォーマットが厳密に守られやすくなります。 翻訳・分類・抽出タスクで特に効きます。
悪い例
次のツイートを丁寧な文章に直して： 「今日のMTGまじ無理ゲー、誰も準備してないw」
良い例
カジュアルな投稿をビジネス文書調に書き換えてください。 例1: 入力: 「明日の会議、結局リスケで」 出力: 「明日予定されていた会議は、日程を再調整することになりました」 例2: 入力: 「資料ちょっと間に合わなそう」 出力: 「資料の準備が期限に間に合わない見込みです」 では次を変換してください: 入力: 「今日のMTGまじ無理ゲー、誰も準備してないw」 出力:
③ Chain of Thought（段階的に考えさせる）
複雑な問題では、いきなり結論を求めず「順を追って考えてから答えて」と指示すると、 推論の中間ステップが表に出て、結果の正確性が上がります。 数値計算・論理パズル・根拠付きの提案などで効果的です。
悪い例
月額980円の年間契約と、月額1200円の月次契約。 2年使うならどっちが得？
良い例
月額980円の年間契約と、月額1200円の月次契約があります。 2年間使う場合、どちらが得かを比較してください。 次の手順で段階的に考えてから、最後に結論を書いてください: 1) それぞれの2年間の総額を計算する 2) 差額を出す 3) どちらが得か結論する
④ 構造化指示（出力フォーマット・制約）
出力の形式・文字数・見出し構成などを明示すると、後続処理がしやすく、 生成のブレも減ります。「箇条書きで」「表で」「JSONで」「300文字以内で」のように具体的に指定しましょう。
悪い例
新製品の説明を書いて
良い例
新製品「〇〇」のLP向けキャッチコピーを作成してください。 制約: - ターゲット: 30代の共働き夫婦 - 3案出す - 各案は25文字以内 - 価格訴求は使わない - 出力はMarkdownの箇条書き形式
⑤ 反復改善（イテレーション）
一発で完璧な回答を引き出す必要はありません。出力を見て 「もう少し短く」「根拠を追加して」「先ほどの3案のうち1案を選んで深掘りして」と 対話的に磨いていく方が、最終品質は高くなります。
悪い例
（1発目の回答が微妙だが、そのまま諦める・新しいチャットでゼロからやり直す）
良い例
1発目の回答を受けての追撃例: 「2案目をベースに、もう少しカジュアルなトーンで3パターン書き直してください」 「『初心者向け』の観点が弱かったので、その視点で補強してください」 「専門用語を日常語に言い換えてください」
やりがちなアンチパターン
上の5つを知っていても、次のような書き方をすると精度は落ちます。 自分のプロンプトを見返すときのチェックリストとして使ってください。
| アンチパターン | 何が問題か | 改善の方向 |
|---|---|---|
| 「いい感じに」と丸投げ | 基準が不明なため無難な一般論が返る | ターゲット・目的・良し悪しの基準を具体化する |
| 一度に多すぎる要件 | 一部の要件が無視される・回答が散漫になる | 1プロンプト1目的にし、追加要件は反復改善で |
| 曖昧な目的 | 「誰向け・何に使う」が抜けて的外れになる | 読者像・利用シーン・期待する長さを明記する |
| 否定形だけで制約を伝える | 「〇〇しないで」だけでは何をすべきか伝わらない | 「〇〇ではなく△△で」と肯定形もセットで書く |
| 前提情報の省略 | 業界・立場・ゴールが分からず汎用的な答えになる | 冒頭に「前提:」ブロックを置いて明示する |
明日から使える実践プロンプト10選
そのままコピーして使える・日常業務で頻度の高い10パターンを用途別に整理しました。 〈 〉の部分だけ自分の文脈に書き換えてください。
| 用途 | プロンプト例 |
|---|---|
| 議事録要約 | 「次の議事録を『決定事項』『宿題』『懸念点』の3見出しで要約してください。300字以内。〈議事録本文〉」 |
| メール添削 | 「次のメール文を、丁寧かつ簡潔なビジネス日本語に添削してください。変更理由も1行ずつ添えてください。〈メール本文〉」 |
| コード改善提案 | 「あなたはシニアエンジニアです。次のコードのリーダビリティとパフォーマンスを改善する案を、優先度付きで3つ挙げてください。〈コード〉」 |
| 理解度チェック | 「〈学んだ内容の要点〉。これを踏まえて、私が理解できているか確認するための質問を難度順に5つ出してください。答えはまだ教えないでください」 |
| ブログ構成案 | 「テーマ〈◯◯〉、ターゲット〈△△〉、狙うキーワード〈□□〉で、2000字のブログ記事の見出し構成を作ってください。各見出しに書くべき要点を1行ずつ添えてください」 |
| 仕様書の曖昧さチェック | 「次の仕様書を読み、実装前に確認すべき曖昧な点を、重要度順に箇条書きで指摘してください。〈仕様書〉」 |
| 会議の論点整理 | 「議題〈◯◯〉。賛成側・反対側の主要論点を各3つずつ、根拠とセットで出してください。最後に判断のキー質問を3つ」 |
| 英文の添削 | 「次の英文を、ビジネスメールとして自然な表現に直してください。変更箇所は強調し、変更理由も1行で添えてください。〈英文〉」 |
| 反対意見の壁打ち | 「私の主張: 〈◯◯〉。この主張に対して、厳しめの反対意見を3つ挙げてください。それぞれに再反論も併記してください」 |
| 用語のやさしい説明 | 「〈専門用語〉を、プログラミング未経験の社会人に、日常の例えを使って200字以内で説明してください」 |
モデル別の細かい違い
基本テクニックは共通ですが、2026年4月時点で主要モデルを使い分ける際の、 筆者が観測している傾向を紹介します。公式な仕様ではなく利用上の肌感覚として参考にしてください。
- Claude（Anthropic）: 役割指定・構造化指示に素直に反応する傾向。 XMLタグで入力を区切る書き方（例:
<input>...</input>）を推奨しており、 長文ドキュメントの要約・分析で安定した結果を出しやすい。 - ChatGPT（OpenAI）: 簡潔なプロンプトでも読み替えて回答する柔軟さがある。 GPTs・Custom Instructionsでテンプレート化する運用と相性が良い。コード生成・デバッグ用途で定番。
- Gemini（Google）: 超長文プロンプト（論文数本・大量ログなど）を入れるワークフローに強み。 Google Drive・Workspaceとの連携が絡むタスクでは手数が減る場合がある。
これらはあくまで傾向で、同じプロンプトでもバージョン更新で挙動が変わる世界です。 「このモデルが絶対」と固定せず、同じ業務で複数モデルを試すのが一番速い上達法です。 各ツールで使えるコマンド・オプションの違いは、AIコーディングアシスタント コマンド検索でも横断的に確認できます。
さらに学ぶなら
プロンプトエンジニアリングは実験が9割・理論が1割の領域で、日々のタスクで試す回数が最大の学習リソースです。 体系的に深掘りしたい場合は、各AI提供元（Anthropic・OpenAI・Googleなど）が公開している公式プロンプトガイドが一次情報として信頼できます。 紙媒体で腰を据えて学びたい場合は、プロンプトエンジニアリングや生成AI活用をテーマにした書籍が複数刊行されているので、 書評・発売日・対象レベルを確認して自分に合う1冊を選ぶのがおすすめです。 実務でじっくり身に付けたい人には、カリキュラム化された生成AIスクールを利用して 体系的に学ぶという選択肢もあります。
まとめ
- AIの回答が浅いのはモデルのせいではなく、プロンプトの文脈不足が主因
- 5つの基本テクニック: 役割指定・例示・Chain of Thought・構造化指示・反復改善
- 「いい感じに」「ざっくり」を避け、目的・ターゲット・出力フォーマットを明示する
- 繰り返すタスクほどテンプレート化し、可変部分だけ差し替える運用が効く
- 機密情報はプラン・設定を確認してから入力する（個人プランは学習に使われる場合あり）
- モデルごとの得意・不得意は短期間で変わるため、複数モデルを横断的に試す