プロンプトの書き方で出力精度はどう変わるか｜実務Tipsとハルシネーション対策
同じChatGPTやClaudeを使っているのに、隣の人はサクサク欲しい答えを引き出していて、自分は何度もやり直している。この差はどこから来るのだろう。
- プロンプトの「3点セット」で出力のブレがどう変わるか
- ハルシネーション対策になる一文の効果
- 一括で頼むべきか、段階的に頼むべきかの見極め方
「プロンプトの書き方でAIの回答が変わる」という話は、生成AI関連の記事ではもう定番になっている。ネガティブプロンプティング、出力フォーマットの指定、具体的な指示。検索すればいくらでも出てくる。
ただ、その多くは「一般論としてはそうだろう」で終わっていて、実際にどれくらい差が出るのかを見せてくれるものは少ない。そこで今回は、業務で生成AIを使う中で実際に困った経験、改善した経験をもとに、同じ依頼を「曖昧な版」と「コツを押さえた版」の2パターンずつ、3組の実験としてAIに投げて出力を比較してみた。
プロンプトが「効く」とは、AIの解釈の余地を減らすこと
まず整理しておきたいのは、プロンプトを工夫するというのが具体的に何をしていることなのか、という点だ。AIは指示が曖昧なほど「解釈」で埋め合わせようとする。この解釈の幅が、期待とずれた出力の正体だ。
実務で効いているコツは、次の3点セットに集約できる。
- 役割：「あなたは〇〇の専門家です」と前提を与える
- 出力形式：「表形式で」「箇条書きで」と欲しい形を先に指定する
- 制約条件：「〜は含めない」「分からなければそう言う」と、してほしくないことまで明示する
言葉にすると当たり前に見えるかもしれない。実際にどれくらいの差が出るのか、疑わしいと思う人もいるだろう。そこで、この3点セットを足すとお題への回答がどう変わるのか、AIに同じお題を投げて確かめてみた。
実験1：曖昧な依頼 vs 3点セットを明示した依頼
お題は「会員制ジムの解約を防ぐ施策を考えて」。これをそのまま投げた場合と、役割・出力形式・制約を加えた場合とで比較した。
| 投げ方 | 実際の出力 |
|---|---|
| 曖昧な依頼 「会員制ジムの解約を防ぐ施策を考えて」 | 見出し4段構成、数百字を超える一般論的な提案。悪くはないが、読む側が自分で要点を絞り込む必要がある分量 |
| 3点セットを明示 役割「サブスク解約防止の専門コンサルタント」＋出力形式「表形式・低中高コスト×各2」＋制約「表以外の文章は書かない」 | 指定通り3行×2列の表だけが返ってきた。情報量は絞られているが、欲しい形式そのものがそのまま得られ、後から要約・整形する手間が要らない |
曖昧な依頼が悪いわけではない。ただ、AIに「分量」も「切り口」も委ねる形になるため、返ってくるものが毎回ブレる。3点セットを先に指定すると、そのブレの幅そのものが小さくなる。実務でいちばん体感しやすい違いは、ここにある。
実験2：「分からなければそう言え」でハルシネーションはどう変わるか
次はハルシネーション対策。お題は「生成AIの業務活用で従業員の年収・生産性が平均何%向上するか、調査データを教えて」という、AIがもっともらしい数字をでっち上げやすい種類の質問だ。
| 投げ方 | 実際の出力 |
|---|---|
| 出典の指定なし | NBER・Science誌の実在研究を正しく引用できた（Web検索ツールを使えたため）。ただしツールを使わない素のチャット利用では、この種の質問に「〇〇総研の調査で生産性が平均◯%向上」といった、尤もらしいが根拠のない数字が返ってくることがある |
| 「実在すると確信できる調査のみ挙げよ。確信が持てなければ数値を出さず『確実な出典は把握していない』と答えよ」を追加 | 「年収への影響を直接測定した信頼できる大規模調査は見当たらない」と明言。生産性向上の数値（NBER研究の14%等）と年収への影響を混同せず切り分けて回答し、「出典不明な数字は推奨できない」という但し書きも自発的に添えた |
ただし今回はA（出典指定なし）の側もWeb検索ツールを使える環境だったため、たまたま誤情報が出なかっただけとも言える。ツールを封じた条件で同じ質問を投げれば、また違う結果になっていたかもしれない。それでも、「分からなければ分からないと言え」という一文を加えるだけで、AIの答え方が自信満々の断定から確信度に応じた回答へと明確に切り替わったのは事実だ。この一文はそのままプロンプトのテンプレとして使い回せる。
あたま数字が欲しいときほど、この一文を忘れがちです。「それらしい数字」が返ってきた瞬間に信じてしまわないよう、聞き方の時点で予防線を張っておくのが結局いちばん楽だと感じています。
参考までに、実験2でAIが正しく引用した実在研究を挙げておく。Brynjolfsson, Li, Raymond「Generative AI at Work」（NBER Working Paper No.31161、2023年）は、フォーチュン500企業のカスタマーサポート担当者5,179人を対象にした研究で、生成AIアシスタント導入により生産性（1時間あたりの解決件数）が平均14%向上、特に低スキル層では34%向上したと報告している。Noy & Zhang（Science誌、2023年、MIT）は、文章作成業務でChatGPTを使った被験者のタスク完了時間が約37%短縮したという実験結果を示している。
実験3：一括で全部詰め込む vs 段階的に切り分ける
3つ目は、依頼の粒度そのものを検証した。お題は「パン教室のブログ記事を書いて」という、要素が5つ以上絡む込み入った依頼だ。
| 投げ方 | 実際の出力 |
|---|---|
| 一括で全部詰め込む ターゲット・SEOキーワード・文字数・見出し構成・文体・CTA・写真挿入位置までを一文に | 意外にも要素をすべて拾いきり、見出し構成・本文・画像挿入位置・CTA・SEO補足まで網羅した記事案が一発で返ってきた |
| 段階的に切り分ける 「まず見出し構成案だけ」に絞って依頼 | 各見出しに「なぜこの見出し・この順序なのか」という狙いの解説が付き、より掘り下げた構成案になった |
正直なところ、一括で頼んだ方も想定より健闘した。「一括依頼は必ず失敗する」と単純化するのは誠実ではない。ただ、段階的に切り分けた方は、各判断の理由まで確認しながら次の指示に進めるという利点がある。要素が5つ以上絡む依頼、判断が分かれる余地のある依頼ほど、この「途中で意図を確認できる」恩恵は大きくなる。AIの精度が上がっているからこそ一括依頼が通ることも増えているが、それでも段階を踏めばズレを早く発見できる。
明日から使えるテンプレ文言
3つの実験から、そのままコピーして使えるテンプレ文言をまとめておく。
- 「あなたは〇〇の専門家です」：役割を先に固定する
- 「出力は表形式（列: 〇〇／〇〇）で。それ以外の説明文は書かないでください」：形式を固定する
- 「確信が持てる情報のみ回答し、分からなければ『分からない』と明言してください」：ハルシネーションの予防線
- 「まず〇〇だけ考えてください。本文はまだ書かないでください」：複雑な依頼を工程で分ける
まとめ
プロンプトの工夫は、AIに「解釈の余地」をどれだけ残すかのコントロールだと捉えると分かりやすい。役割・出力形式・制約の3点セットで解釈の幅を狭め、「分からなければそう言え」で断定のリスクを下げ、複雑な依頼は工程を分けて意図確認のタイミングを増やす。どれも特別なテクニックではなく、次にAIへ話しかけるときにそのまま試せるものばかりだ。
こうしたプロンプトの効き方は、使っているモデルの特性によっても変わってくる。どのモデルにどんな傾向があるか、目的別にどのツールが向いているかは、以下の記事で整理している。
関連記事
出典（2026年8月時点で確認）
- Generative AI at Work | NBER Working Paper No.31161
- Experimental evidence on the productivity effects of generative artificial intelligence | Science
- 本文中の実験結果は、本記事執筆にあたり筆者が実際にAIへプロンプトを投げて得た一次データ（2026年8月実施）
コメント