生成AIのプロンプトの書き方｜5つの型と業務別の実例を解説

生成AIを業務で使いこなせるかどうかは、プロンプトの書き方でほぼ決まります。同じモデルに同じ目的で指示を出しても、書き方ひとつで出力の質は大きく変わります。この記事では、狙った出力を引き出すためのプロンプトの型を5つに整理し、ビジネスシーン別の組み立て方と、入力時に守るべき注意点を解説します。

1. プロンプトは生成AIから答えを引き出す設計図

プロンプトとは、生成AIに与える入力指示や情報のことです。「以下のレポートを要約して」「会議中のビジネスパーソンの画像を作って」といった一文もプロンプトにあたります。

近年の生成AIはモデルが更新されるたびに自然言語の理解能力が向上し、会話に近い書き方でも意図やニュアンスを汲み取れるようになりました。同時に、生成できるものの幅も広がっています。その結果、プロンプトの精度が出力の正確性・独自性・創造性を直接左右する構図がより鮮明になっています。

役割は「命令」ではなく「抽出」

プロンプトは、単に命令を伝えるものではありません。生成AIが保持している膨大な知識から、必要な情報を引き出すための設計図として機能します。

LLM（大規模言語モデル）を、古今東西のあらゆる食材が入った食料庫にたとえると分かりやすくなります。同じ食料庫からでも、取り出す食材の組み合わせ、品質、順番、調理方法、盛り付けによって、まったく異なるレベルの料理ができあがります。プロンプトはその全工程を指示するレシピにあたります。

「うまく答えてくれない」という状況の多くは、モデルの能力不足ではなく、レシピの記述が足りていないことに起因します。

プロンプトで出力できるもの

• 文章 — ブログ記事、報告書、広告コピーなど、文体やトーンを指定した文章
• 画像 — テキストから起こすイラストやデザイン案
• 動画 — ストーリーボードやシーンのイメージをもとにした動画クリエイティブ
• コード — プログラムの自動生成やコード補完
• データの構造化 — 画像やテキストからの情報抽出、タグ付け、分類

プロンプト作成の4ステップ

1. アウトプットしたい内容を明確にする — どのような結果を求めるのかを具体的にイメージする
2. 必要な情報を整理する — 背景知識、関連データ、希望するスタイルやトーンをリストアップする
3. プロンプトを作成して送信する
4. 出力を見てプロンプトを改善する — 文言や構成を調整し、再度試す

重要なのは4番目です。一度で完成するプロンプトはほとんどなく、出力を見て直す前提で書き始めるほうが早く目的に到達します。

2. プロンプトの質を上げる5つの型

効果的なプロンプトには共通する型があります。ここでは実務で使える5つを紹介します。

なお、Zero-shot、Few-shot、Chain-of-Thoughtのように手法名で体系立てて理解したい場合は、プロンプトエンジニアリングとは？で応用手法まで解説しています。本記事は手法名を知らなくても使える、書き方の型に絞ります。

①コンテキストを与える

生成AIはプロンプトから背景や文脈を読み取ります。前提となる情報を書かなければ、AIは一般論しか返せません。与えるべきコンテキストは大きく3種類です。

社内文書や最新情報を根拠にさせたい場合は、RAG（Retrieval-Augmented Generation）を備えたシステムを使い、外部の知識ソースを検索させたうえで回答させる構成が有効です。

②具体的に指示する

抽象的な指示では、AIは判断材料を持てず、当たり障りのない出力しか返せません。人に仕事を頼むときと同じで、条件を具体化するほど結果が安定します。

画像生成AIによっては、要素をカンマで区切って並べる書き方（「マンチカンの子猫, 白い毛並み, 窓辺, 青い目, 観葉植物, 写実的, 高解像度, 自然光」）も有効です。構成要素・スタイル・技術的な指定の3方向から書くと、意図が伝わりやすくなります。

③理想の出力例を示す

具体的な回答例やフォーマットをプロンプトに含めると、AIはそれを模範として出力を組み立てます。企業事例のコラムを作りたいなら、模範となる事例を1〜3個与えるだけで、文体・分量・情報要素が揃います。

条件を細かく言語化しなくても、一貫した形式やテイストを再現できる点が、この型の強みです。「どう書くか」を説明するより、「こう書いてほしい」を1つ見せるほうが速い場面は多くあります。

④必要な条件を指定する

出力がどのような条件下で生成されるべきかを明示します。指定すると効果が大きいのは次の3つです。

• 文体 — ですます調、である調
• 出力フォーマット — 表形式、箇条書き、見出しの階層
• 対象読者 — 国内上場企業のCHRO、AI導入を検討中の情報システム部門

条件を設定すると、AIの回答範囲が絞り込まれます。ビジネスメールやプレゼン資料のように、構成や言葉遣いが決まっているアウトプットで特に有効です。

⑤してほしくないことを書く

「何をしてほしいか」に加えて、「何をしてほしくないか」を明記すると、出力の精度がさらに上がります。

• 競合他社製品名などのNGワード
• 差別的な要素や炎上リスクのある話題といった避けるべき内容
• 自社コンテンツにそぐわない言葉遣いやトーン

ブランドガイドラインや社内ルールに沿ったコンテンツを作る場合、この制約条件があるかどうかで手戻りの量が変わります。

3. 業務別のプロンプトの組み立て方

型を踏まえて、実際の業務でどう組み立てるかを3つの場面で見ていきます。

ビジネスメールの作成

ビジネスメールは形式が定まっているため、生成AIが得意とする領域です。押さえるべき要素は3つあります。

頻繁に書くメールの種類が決まっているなら、この3要素を埋めるだけのテンプレートを用意しておくと運用が安定します。

文章の要約

数ページの文書や議事録の要約は、生成AIの得意分野です。「以下の文章を、主要なポイントを含めて要約してください」で基本的には機能します。

質を上げるコツは、要約の軸を指定することです。「意思決定に関わる部分を中心に」「決定事項と保留事項に分けて」のように観点を与えると、必要な情報が落ちにくくなります。文字数や箇条書きの項目数を指定するのも有効です。

名刺画像からのデータ抽出

画像を読み取って構造化データにする用途では、プロンプトの設計がそのまま処理の設計になります。うまく機能させるには、次の4点を書き込みます。

1. 抽出する項目を列挙する — 氏名、会社名、役職、電話番号、メールアドレス、住所、ウェブサイト
2. 出力形式を指定する — 列の並びを明示した表形式で出力させる
3. 例外時の挙動を決めておく — 読み取れない項目には「不明」と記入させる
4. 処理をステップに分ける — 抽出 → 整形 → 完了報告の順に実行させる

特に重要なのが3番目です。読み取りエラーで処理が止まらないよう、例外時の振る舞いを先に決めておくと、複数枚をまとめて処理する場合でも安定します。ステップに分けて指示する点も、複雑な処理では効果があります。

なお、この種の「画像から情報を読み取って構造化する」タスクの精度は、モデルによって差が出ます。モデルごとの得手不得手と評価方法についてはVLMの評価基準の記事で検証結果を紹介しています。

4. プロンプト入力時の3つの注意点

生成AIを業務で使う際は、セキュリティと法的リスクへの配慮が欠かせません。

機密情報を含めない

企業の機密情報、個人情報、顧客情報など、外部に漏えいすると問題になる情報はプロンプトに含めないのが原則です。サービスによっては、入力されたデータをモデルの学習やフィードバックに利用する場合があります。

学習利用をオフにする設定や、法人向けプランでの契約によってリスクを下げられるサービスもあります。業務利用を本格化させるなら、どのサービスをどの条件で使うかを社内ルールとして決めておくことが先です。

著作権を考慮する

生成物には著作権上の問題が潜む場合があります。特に、既存の著作物を参考にするよう指示するプロンプトは、著作権侵害につながる可能性があります。引用・参考にする情報やモチーフとして使う画像は出典を確認し、著作権法を遵守した使い方を徹底してください。

出力を検証する工程を持つ

生成AIは、事実と異なる内容をもっともらしく出力することがあります。プロンプトを工夫しても、この性質がなくなるわけではありません。社外に出す文書や意思決定に使う情報を扱うなら、人が内容を確認する工程を業務フローに組み込む必要があります。

5. 生成AIのプロンプトに関するよくある質問

プロンプトが長いほど良い結果が出ますか？

長さ自体が質を決めるわけではありません。必要な情報が入っているかどうかが重要です。ただし、関係のない情報を大量に含めると、AIがどこに注目すべきか判断しづらくなり、かえって精度が落ちることがあります。目的に必要な情報を過不足なく書くのが原則です。

日本語と英語のどちらで書くべきですか？

多くのモデルは日本語でも十分な性能を発揮するため、業務では日本語で問題ありません。ただし、モデルによっては英語の学習データが多く、専門的なタスクで差が出る場合があります。重要な用途では、同じ内容を両言語で試して比較するのが確実です。

プロンプトエンジニアリングとは何が違うのですか？

指す範囲が違います。プロンプトエンジニアリングは、Zero-shotやChain-of-Thoughtといった手法を体系立てて扱う技術領域です。本記事で扱った5つの型は、その中でも日常業務ですぐ使える部分にあたります。手法名まで含めて整理したい場合はプロンプトエンジニアリングの記事を参照してください。

良いプロンプトが書けているか、どう判断すればよいですか？

同じ目的のプロンプトを複数パターン用意し、出力を比較するのが確実です。1回の出力だけでは、たまたま良かったのか再現性があるのかを区別できません。業務で繰り返し使うプロンプトほど、複数回試して出力が安定するかを確認する価値があります。

6. まとめ｜型を押さえてから試行錯誤する

プロンプトは単なる入力文ではなく、ユーザーの意図を正確に伝え、期待するアウトプットを引き出すための設計図です。

書き方の基本は、コンテキストを与える・具体的に指示する・出力例を示す・条件を指定する・制約条件を書くの5つです。この型を押さえたうえで出力を見ながら調整していけば、多くの業務で実用に足る結果が得られます。逆に、型を知らないまま試行錯誤しても、何を変えれば改善するのかが分からないまま時間を使うことになります。

そして、プロンプトで解決できる範囲には限界があります。自社固有のデータや判断基準をAIに反映させる段階では、モデルに学習させるデータそのものの設計が必要になります。ネクストリーマーでは、AI活用に必要な学習データの設計から作成、品質管理までを支援しています。詳しくはデータアノテーションサービス、およびAI開発におけるデータ整備の全体像はデータアノテーションの基礎ガイドをご覧ください。