プロンプト設計：業務AIで差を生む7つの型
同じChatGPTやClaudeを使っているのに、隣の部署と自分の部署で成果が違う。ツールの差でも、AIへの理解度の差でもない可能性がある。プロンプトの「型」を知っているかどうかの差だ。AIへの問いかけを構造化するパターンは研究と実務の両方で検証されており、適切な型を使うだけで回答品質は大きく変わる。McKinseyの2025年調査では、生成AIを定常的に業務利用している企業は78%に達した一方、EBITへの貢献が5%以上になっている企業はわずか17%にとどまっている。型を知ることと使いこなすことの間にある溝が、この差を生んでいる。この記事では、ChatGPT・Claude・Geminiを業務で使いこなすための7つのプロンプト設計パターンを、実際のビジネス例と共に解説する。
なぜプロンプトの「型」が重要なのか
よくある誤解がある。「プロンプトは自然言語なのだから、普通に話しかければいい」というものだ。それは半分正しい。AIは自然言語で指示を受け付ける。だが、同じ内容でも「型」次第で、出てくる答えの品質は大きく変わる。
StackAIが企業のプロンプト設計を分析した研究では、構造化されたプロンプトパターンを使うだけでAIのエラー率が最大76%低下し、出力品質が20〜30%向上したと報告している（出典: Atlan, 2025）。AICampの調査では、共有プロンプトライブラリを導入したチームは、生産性が40%向上し、新しいチームメンバーがAIを使いこなすまでの時間が60%短縮された（出典: AICamp, 2025）。
型を学ぶことは、AIを「使う」から「活かす」への転換だ。以下の7パターンを順番に紹介する。
パターン1：ロールプロンプト — 役割を与えると答えが変わる
最もシンプルかつ効果の高いパターン。「あなたは〜の専門家です」とAIに役割を与えてから質問する。
Before（役割なし）：「この営業メールを改善してください」
After（役割あり）：「あなたは製造業向けBtoBセールスの15年ベテランです。以下の営業メールを、受信者が返信したいと思えるように改善してください。
「役割なし」の回答は一般的な改善提案になりがちだ。「役割あり」では、業種特性・商談フェーズ・読者の立場を踏まえた具体的な提案が返ってくる。役割の設定が詳細であるほど効果は高い。「専門家」より「製造業向けBtoBセールスの15年ベテラン」の方が、ドメイン知識を持った回答を引き出せる。
パターン2：ゼロショットCoT — 「考えてから答えて」の力
「Chain-of-Thought（CoT）」プロンプティングは、AIに段階的な思考プロセスを経させる手法だ。シンプルな実装が「ゼロショットCoT」で、プロンプトの末尾に「ステップごとに考えてから答えてください」を加えるだけだ。
Before：「この契約条件で当社に有利な点と不利な点を教えてください」
After：「この契約条件について、ステップごとに考えてから分析してください。まず各条項を読み込み、次に当社への影響を検討し、最後に有利・不利をまとめてください」
この手法はAWSとpromptingguide.aiが確認しており、複雑な論理・財務分析・多基準の意思決定において特に有効だ。単純な質問より、複数の要素が絡み合う業務判断に使うほど効果が高い。
パターン3：フューショット — 例を見せて覚えさせる
本題を聞く前に、望む入出力のパターンを2〜3例見せる。AIは例を模倣する。書式・トーン・深さを制御したいときに有効だ。
使用例（報告書セクションの統一）：
以下の形式で各事業部の月次報告を作成してください。 例1： 入力：「売上120万円、前月比+8%、新規顧客3社」 出力：「売上120万円（前月比+8%）。新規顧客3社を獲得。成長基調を維持。」 例2： 入力：「売上98万円、前月比-5%、既存顧客1社解約」 出力：「売上98万円（前月比-5%）。既存顧客1社解約。来月の回復施策が課題。」 では、以下のデータで報告書を作成してください： 「売上135万円、前月比+12%、新規顧客5社、既存顧客解約なし」
フォーマットが統一され、複数人が使っても一貫した品質の出力が得られる。チームでAIを使う際の品質管理に特に有効だ。
パターン4：RTCCFC — 完全フレームワーク
StackAIが提唱するRTCCFCフレームワークは、企業のプロンプト設計で最も体系的なアプローチだ。6つの要素をすべて埋めることで、再利用可能で品質の安定したプロンプトになる。
| 要素 | 内容 | 例 |
|---|---|---|
| Role | AIに与える役割 | シニア人事担当者 |
| Task | 具体的なタスク | 採用面接の評価基準を作成する |
| Context | 背景・状況 | エンジニア職、フルリモート、スタートアップ文化 |
| Constraints | 制約・禁止事項 | 法的にグレーな質問は含めない |
| Format | 出力形式 | 箇条書き5項目、各項目に評価基準を付記 |
| Check | 自己レビューの指示 | 法令遵守の観点で回答を見直してから出力すること |
このフレームワークは、個人の使用よりチームでの標準化に威力を発揮する。「誰が使っても同じ品質」が出せるテンプレートを作るための骨格として使う。
図1: RTCCFCの6要素 — 個人利用は3要素から、チーム標準化は全6要素で
パターン5：出力形式の明示 — 形を指定すると後工程がなくなる
AIに「どんな形式で出すか」を明示的に指定する。これをしないと、毎回フォーマットが変わり、受け取った後に整形し直す手間が発生する。
Before：「この2社のベンダーを比較してください」
After：「以下の2社のベンダーを比較してください。出力形式：表形式（列：比較項目 / ベンダーA / ベンダーB / 推奨）。行：価格・導入期間・サポート体制・スケーラビリティ・実績。最後に総合推奨を1文で付けること」
出力形式の明示で最も効果的なのは、表・箇条書き・JSON・文字数制限の4つだ。特に複数人でAIを使うチームでは、全員が同じ形式の出力を得られることで、後工程の業務フローに組み込みやすくなる。
パターン6：プロンプトチェーン — 複雑なタスクを分解する
一つの複雑なタスクを複数の段階に分解し、前の出力を次のインプットにする手法だ。Anthropicのエージェント設計ドキュメントでも、固定された複数ステップのワークフローに推奨されている。
使用例（提案書作成）：
- Step 1：「この顧客資料から、課題と要望を箇条書きで抽出してください」
- Step 2：「[Step 1の出力]を踏まえ、当社サービスとの適合点を3つ挙げてください」
- Step 3：「[Step 2の出力]を使い、500字の提案書冒頭文を書いてください。読者は中小企業の経営者です」
一発で「提案書を書いて」と頼むより、各ステップの出力を確認・修正しながら進められる。また、Step 1の「課題抽出」と Step 3の「文書作成」は異なる種類のタスクであり、それぞれに最適な指示が使える。
パターン7：反復改善 — 最初の出力を叩き台にする
AIの最初の出力を完成品と思わず、叩き台として使う。続いて具体的な改善指示を出す。これを2〜3回繰り返すだけで、品質は大きく上がる。
典型的な改善指示の例：
- 「100文字以内に短くしてください」
- 「もっとカジュアルなトーンに変えてください」
- 「3番目の段落の具体例を、製造業の事例に置き換えてください」
- 「このアドバイスに対する反論を先に想定して、冒頭に加えてください」
反復改善が有効なのは、「何が欲しいか」を最初から完全に言語化できないからだ。AIの初出力を見ることで「これじゃない」という判断ができる。その判断を次の指示に変えることが、反復改善の本質だ。
Claude vs ChatGPT：プロンプト設計の違い
同じパターンを使っても、モデルによって相性がある。実務では以下を意識すると安定する。
| 観点 | Claude（Anthropic） | ChatGPT（OpenAI） |
|---|---|---|
| 構造化 | XMLタグ（<context>, <task>等）で構造化すると応答が安定 | 最初の1文でロールを明確に与えると効果的 |
| 長い文脈 | 長いドキュメントの理解・要約が得意。文書を丸ごと渡せる | フォーマット指定への応答性が高い |
| 制約の扱い | 制約をシステムプロンプトで与えると一貫性が高い | 「以下のルールに従ってください：1、2、3」形式が有効 |
| 反復改善 | 前の回答を参照して改善する指示に強い | 「修正点を明示してから改善版を出してください」が有効 |
業務ではどちらか一方に絞る必要はない。文書読み込みが多いタスクはClaude、フォーマット厳守が必要なデータ処理タスクはChatGPT、というように用途別に使い分けることが現実的だ。
図2: 個人で始める3パターンとチームで標準化する4パターン
チームで使うなら：プロンプトライブラリの作り方
AICampの調査によれば、共有プロンプトライブラリを導入したチームは生産性が40%向上し、新メンバーの習熟期間が60%短縮された（出典: AICamp, 2025）。
プロンプトライブラリの構築で重要なのは、「使われるライブラリ」を作ることだ。管理が煩雑で誰も更新しない台帳は逆効果だ。最低限の要素として、プロンプト本文・使用場面・期待する出力例・バージョン・最終更新者の5つを記録する。承認フローは「承認済みライブラリは品質保証済みで、自由アレンジより速くいい結果が出る」というインセンティブで設計する。罰則型のガバナンスより、使いたくなる設計の方が定着する。
よくある失敗パターン
「あいまいすぎる」：「メールを改善して」「報告書を書いて」。役割・対象・形式・制約のいずれもない。AIは無難な一般解を出す。
「一発で完成を求める」：AIへの問いかけをドラフト作成だと思っていない。パターン7（反復改善）を知っていれば、最初の出力への期待値が変わる。
「誰が読むかを書かない」：AIはトーン・専門性・文字量を読者に合わせる。読者が書かれていなければ、最も一般的な想定読者向けに書く。経営者向けと担当者向けでは、求める回答の粒度が違う。
「自己確認ステップがない」：RTCCFCのCHECK要素だ。コンプライアンスや法的リスクが絡む出力は、AIに「出力する前に〜の観点で確認してください」と指示するだけでエラーが減る。
まとめ
- プロンプトの「型」を使うだけで、AIのエラー率は最大76%低下、出力品質は20〜30%向上する（出典: Atlan, 2025）
- 今日から始める3つ：ロールプロンプト・出力形式の明示・反復改善
- チームで標準化する4つ：ゼロショットCoT・フューショット・RTCCFC・プロンプトチェーン
- ClaudeとChatGPTはそれぞれ得意なパターンが違う。用途で使い分ける
- プロンプトライブラリは「使いたくなる設計」にすることで初めて定着する
プロンプト設計の7パターンは、特別な技術スキルを必要としない。必要なのは「AIに何を期待しているか」を明確にする習慣だ。まず今日使うプロンプトに、役割ひとつ加えてみることから始めてほしい。それだけで、明日の回答品質は変わる。
Lat91では、チームへのAI活用定着支援やプロンプトライブラリの構築支援も行っています。
「社内でのAI活用をもっと組織的に進めたい」という方は、無料相談からお気軽にどうぞ。