プロンプト設計の実践入門：生成AIに質の高い回答を出させる7つの技法
「ChatGPTに営業メールを書かせると、毎回似たような当たり障りのない文章になる」「Claudeに資料の要約を頼んでも、自分で読んだ方が早い」——こういった不満を持つ方は多い。でも原因の多くは、AIの性能ではなくプロンプトの設計にあります。
2026年現在、主要なLLM（Claude、ChatGPT、Gemini）の基礎能力は大幅に向上しています。「プロンプトの書き方を少し変えるだけで、まったく違う結果が出る」という実感を持てていない場合、プロンプト設計に構造的な問題がある可能性が高い。
本記事では、業務での生成AI活用を前提に、プロンプト精度を決定的に左右する7つの技法を具体例とともに解説します。Lat91でAIエージェントを10体設計・運用する中で、繰り返し有効性を確認してきた手法です。
「プロンプトエンジニアリング」は変わった
2023〜2024年の「プロンプトエンジニアリング」の議論と、2026年の現実は変わっています。
LLM自体が進化したことで、かつては必須だったテクニックが逆効果になるケースが増えています。特に推論モデル（Claude Opus、o3等）に対して「ステップバイステップで考えてください（Let's think step by step）」という指示を加えることは、モデルが内部で既に推論プロセスを走らせているため、回答の質を下げることがあります。
一方で、普遍的に効果が高く重要性が増しているのが「コンテキスト設計」です。LangChainの開発者が「Context Engineering」として体系化したように、「何を言うか（命令文の書き方）」より「どういう文脈でモデルに渡すか」の設計が、2026年のプロンプト設計の核心です。
7つの技法
技法1：役割付与（Role Assignment）
モデルに「あなたは〜だ」と役割を定義します。これは最も基礎的かつ効果的な技法です。
効果がある理由は、LLMが学習データの中の特定の「語り口」を引き出すことができるからです。「BtoBの営業担当者として、1000名規模の製造業の意思決定者向けに」という設定があると、一般的なビジネス文書とは異なる、業界固有の語彙・論理構造が出てきます。
具体例:
あなたは従業員300名規模の製造業に特化した中小企業診断士です。経営者の目線で、ROIと社内説得に必要な数字を重視した回答をしてください。
NG例: 「あなたはビジネスの専門家です」——これは役割が曖昧すぎて、汎用的な回答しか引き出せません。
技法2：タスクの具体化（Task Specification）
「〜について教えて」より「〜という状況で、〜のために、〜の形式で出力して」と具体的に指示します。
NG: 「競合分析を書いて」
OK: 「以下の3社（A社、B社、C社）の価格・ターゲット顧客・差別化ポイントを比較表（行: 会社名、列: 価格帯/主要顧客/強み/弱み）で整理してください。情報源は以下の各社Webサイトから抽出してください」
タスクが具体的であるほど、出力のバリエーションが減り、使える品質に近づきます。
技法3：Few-shot Examples（例示）
「こういう入力に対して、こういう出力を期待する」という例を2〜3件示す技法です。業務固有のフォーマット、口調、用語を覚えさせるのに特に有効です。
Lat91では、Slack投稿の自動生成でこの技法を使っています。過去の好評だった投稿を3本サンプルとして毎回プロンプトに含めることで、トーン・文字数・改行パターンが安定しました。
注意: 例示する件数は3〜5件が適切です。それ以上増やしても精度向上は限定的で、プロンプトが長くなるだけです。また、例示するサンプルの「多様性」が重要で、全部同じパターンの例を入れても効果が薄くなります。
技法4：コンテキスト注入（Context Injection）— 最重要
質問と一緒に「判断の根拠となる情報」を渡します。これが2026年の業務プロンプトで最も重要な技法です。
LLMは、コンテキスト（文脈情報）がないと、一般的な「平均的な回答」を生成します。コンテキストを渡すと、そのコンテキストに即した「固有の回答」が出ます。
具体例（採用メールの文案作成）:
【背景】
・相手: ABC商事 田中様（人事部長、元エンジニア出身、40代）
・経緯: 先週の展示会でAIの話題で盛り上がった。名刺交換済み
・目的: 弊社のAIエージェント導入支援サービスの無料相談を打診
・注意: 売り込みにならないよう、情報提供として切り出す
上記の状況で、展示会の話題を想起させながら無料相談に誘導するフォローアップメールを200字以内で書いてください。
このコンテキストなしに「フォローアップメールを書いて」と言うと、汎用的な営業メールが出てきます。コンテキストがあると、田中様の背景（元エンジニア→技術的な話が刺さる）を考慮した文章が出てきます。
図1: 業務プロンプトの5構成要素。コンテキストが精度を最も左右する
技法5：出力フォーマットの指定（Format Specification）
「どういう形式で出力してほしいか」を明示します。後工程での使いやすさが変わります。
よく使う指定:
- 「箇条書きで3点にまとめてください」
- 「表形式（列: 項目名/現状/課題/対策）で整理してください」
- 「JSON形式で出力してください: {"title": string, "summary": string, "actions": [string]}」
- 「見出し（H2）と本文（200字程度）のセットで構成してください」
業務自動化でAI出力を後続処理に渡す場合は、JSON指定が特に重要です。主要なAI APIはすべてJSON Schemaを使った構造化出力（Structured Output）に対応しており、出力が毎回同じ形式になるため、パース処理が不要になります。
技法6：制約条件の明示（Constraints）
「やらないこと」「含めないこと」を明示します。これはカスタマーサポートや社外向けコンテンツ生成で特に重要です。
例:
- 「競合他社の製品名は言及しないでください」
- 「確認が取れていない数字は使わないでください」
- 「専門用語は使わず、高校生でも理解できる言葉で書いてください」
- 「1文80字以内に収めてください」
Lat91では、X（Twitter）投稿自動化のプロンプトに「競合他社への言及禁止」「数字は出典が確認できるものだけ使用」「感嘆符は使わない」という制約を設定しています。これがないと、AIが確認できない数字や強い表現を使うリスクがあります。
技法7：Chain-of-Thought（使い所を選ぶ）
「ステップバイステップで考えてください」と推論プロセスを明示させる技法です。ただし、2026年現在は注意が必要です。
Claude Opus 4、o3等の推論モデルは、内部で既にステップ推論を行っています。これらのモデルに「ステップバイステップで〜」と指示すると、内部の推論プロセスと指示が干渉して、むしろ精度が下がることがあります。
Chain-of-Thoughtが有効なのは、GPT-4o等の「推論を自動で行わないモデル」や、Claude Sonnet等の標準モデルで複雑な計算・論理問題を解かせる場合です。「このロジックを使って判断してください」という形で、推論の手順そのものを明示する方がより効果的です。
Claude vs ChatGPTでの使い分け
同じ技法でも、AIによって最適な実装方法が異なります。
Claudeの場合: XMLタグを使った構造化が効果的です。
<role>BtoB営業のベテランマネージャー</role>
<context>製造業向けSaaS、平均契約単価500万円、商談期間3〜6ヶ月</context>
<task>以下の商談メモをもとに、次のアクションを提案してください</task>
<memo>{商談メモ}</memo>
Claudeは長文のドキュメント分析が得意で、XMLタグで入出力を構造化すると精度が上がります。コンテキストウィンドウが約20万トークンあるため、大量の参考資料を渡しても問題ありません。
ChatGPTの場合: System Messageに役割と制約をまとめます。
[System Message]
あなたはXX株式会社のカスタマーサポート担当です。以下のルールに従ってください：
・語調: です・ます調
・返金・交換は所定フォームに誘導
・価格交渉には応じない
[User Message]
{顧客の問い合わせ}
Custom Instructionsと組み合わせると、セッションをまたいで設定が維持されます。
よくある失敗パターン
「とにかく丁寧に長く書けばいい」という誤解。プロンプトの長さと精度は比例しません。重要な情報が薄まります。役割・タスク・コンテキスト・フォーマット・制約の5要素が揃っていれば、短くてもよいプロンプトになります。
コンテキストを渡さずに「いい感じに」期待する。「営業メールを書いて」だけでは、モデルが判断に必要な情報を持っていません。相手の情報、経緯、目的、注意点——これがないと汎用的な文章しか出てきません。
毎回プロンプトをゼロから書く。効果的なプロンプトはライブラリとして管理すべきです。「議事録の要約」「週次レポートの作成」「問い合わせ返信の文案」——業務別の動くプロンプトをNotionやSlackに蓄積しておくと、組織全体の生産性が上がります。
今週から試せるアクション
最初の一手は「今使っているプロンプトにコンテキストを追加する」ことです。
例えば、毎週書いている会議の議事録まとめなら、「あなたは中小企業のプロジェクトマネージャーです。以下の会議は〇〇の決定を目的とした議論でした。結論・決定事項・次のアクション（担当者・期日付き）の3点に絞って箇条書きで整理してください」という形に変えるだけで、出力の使いやすさが変わります。
次のステップは、うまくいったプロンプトを記録することです。社内のNotionなどに「AIプロンプトライブラリ」を作り、業務別のプロンプトを管理すると、組織の「AIを使うノウハウ」として蓄積されます。個人の知恵にしておくには惜しい資産です。
まとめ
プロンプト設計の本質は「AIに何を言うか」より「AIにどんな文脈を渡すか」です。2026年のモデルは高性能ですが、コンテキストがなければ汎用的な回答しか返せません。
- 役割・タスク・コンテキスト・フォーマット・制約の5要素を揃える
- コンテキスト注入が精度に最も影響する。背景情報・判断材料を必ず渡す
- Few-shot Examplesは業務固有フォーマットを維持するのに特に有効
- Chain-of-Thoughtは推論モデルに使うと逆効果になる場合がある
- 有効なプロンプトは組織のライブラリとして管理する
Lat91では、AIエージェントの設計から社内AI活用の仕組み構築まで、一気通貫でサポートしています。
「うまく使えているか自信がない」「業務に定着させたい」という段階から相談を受け付けています。御社の業務フローに合ったAI活用設計をご提案します。