こんな経験はありませんか。AI はとても賢いと聞き、期待を込めて ChatGPT やほかの AI ツールに質問したのに、的外れで中身が薄く、時には間違いだらけの回答が返ってくる。「AI にこちらの意図が伝わらない」というもどかしさは、多くの人が AI とやり取りする中で感じる共通の悩みです。
どうすれば AI Agent に的確に指示を出し、意図どおりに動いてもらえるのでしょうか。その鍵となるのが、人と AI をつなぐ最も重要なコミュニケーションの架け橋、プロンプト(Prompt)です。本記事では Prompt とは何かをひもとき、ユーザープロンプト(User Prompt)とシステムプロンプト(System Prompt)の仕組み、そしてプロンプトエンジニアリング(Prompt Engineering)の基本的な考え方を解説します。これらのテクニックを身につけることで、AI を受け身で使う立場から、AI を指揮する立場へとステップアップできます。
プロンプト(Prompt)とは?
簡単に言えば、プロンプト(Prompt)とは、ユーザーが生成 AI に与える一連の指示や質問のことです。
「Garbage in, garbage out(不適切な入力からは、不適切な出力しか得られない)」という言葉があるように、入力の質は出力の質に直結します。明確な背景、具体的な目標、出力形式の要件を伝えれば、AI Agent は精度が高く、安定した成果を出せるようになります。
User Prompt と System Prompt
ChatGPT、Claude、Gemini など、日常的に AI とやり取りする際、多くの人が使っているのは User Prompt だけです。しかし、AI を企業で本格的に活用したり、特定のタスクでその能力を最大限に引き出したりするには、User Prompt と System Prompt という、階層の異なる2種類の指示を理解する必要があります。
ユーザープロンプト(User Prompt):AI に「何をしてほしいか」
User Prompt は、私たちにとって最もなじみのある形式で、特定のタスクに対してその場で与える指示です。たとえば、ChatGPT を開いて「今日の天気を調べてください」と入力した場合、この文章が User Prompt に当たります。
その都度与える、動的でタスク指向の指示であることが特徴です。AI に話しかけるたびに、新しい User Prompt が生まれます。
システムプロンプト(System Prompt):AI に「どのような存在であってほしいか」
System Prompt は、AI Agent の基本設定と考えるとわかりやすいでしょう。ユーザーが User Prompt を入力する前に設定され、AI の役割、性格、口調、専門分野、行動指針などを定義します。有料版の GPT を使っている場合、My GPTs で設定する指示が System Prompt に当たります。
継続的に有効な行動ルールであることが特徴で、一般的な LLM の設計では最も優先順位が高く、AI は System Prompt の設定に従って回答します。
実践例
毎日、台北の天気を尋ね、気温と降水確率を教えてもらう場面を考えてみましょう。
User Prompt だけを使う場合:
- ユーザーの入力:台北の天気を教えてください
- AI の回答:台北の気温は26度、降水確率は30%です
これだけを見ると、問題はなさそうです。しかし、もう一度尋ねると、次のような回答になるかもしれません。
- ユーザーの入力:台北の天気を教えてください
- AI の回答:台北では最近、気温が上がってきており、現在の天気は曇りです
何が問題かわかるでしょうか。User Prompt だけでは、AI はその時点で最適だと判断した方法で回答します。日常的な質問なら大きな問題にはならなくても、決まった形式が求められる企業の業務では、回答のばらつきが大きな障壁になります。
User Prompt + System Prompt を使う場合:
今度は AI Agent を作成し、システムプロンプトを設定したうえで、AI がどう回答するかを見てみましょう。
システムプロンプト:
- 役割:あなたは気象分野に詳しい専門家です
- タスク:天気に関するユーザーの質問に答え、決められた形式で結果を返してください
- 手順:ユーザーがある地域の天気を尋ねたら、その地域の気象データを調べ、気温と降水確率を回答してください
- 形式:[地域名] の今日の天気は [天気の状況]、気温は [気温]、降水確率は [数値%] です
会話の結果:
- ユーザーの入力:台北の天気を教えてください
- AI の回答:[台北] の今日の天気は曇り、気温は26度、降水確率は30%です
このように設定すれば、何度同じ質問をしても、別の人が尋ねても、AI は一貫した正しい回答を返せます。回答をさらにニーズに近づける鍵は、質の高い Prompt をどう書くかにあります。このスキルが、プロンプトエンジニアリング(Prompt Engineering)と呼ばれるものです。
プロンプトエンジニアリング(Prompt Engineering)
優れた Prompt は、役柄を明確に示す説明書のようなものです。マーダーミステリーのシナリオのように、AI が自分は何者で、どう考えるべきかを素早く理解できるようにします。役割を明確に定義すれば、一般的な回答しかできなかった AI を、その分野の専門家へと変えることができます。
ただし、役割設定はプロンプトエンジニアリングの第一歩にすぎません。AI を安定して動かし、一貫した出力を得ながら、その動作を制御できるようにするには、次の4つの観点から Prompt を組み立てる必要があります。代表的なテクニックも、この4つに整理できます。
役割設定(Role Design)
AI の口調、専門性、思考の視点、意思決定の枠組みを決めるもので、あらゆるプロンプト技法の土台となります。
代表的なテクニック:
- Role Prompting(ロールプレイ):AI の専門性とタスクへの取り組み方を定義する。
- Contextual Setup(状況設定):背景、制約、環境に関する前提を伝える。
- Persona Switching(ペルソナの切り替え):同じタスクを異なる視点から分析する。
- Tone & Style Control(口調とスタイルの設定):回答の口調や専門性のレベルを指定する。
タスクの分解(Task Structuring)
複雑なタスクを、管理しやすい明確な手順に分解します。AI が順を追って実行できるようにし、誤りを減らします。
代表的なテクニック:
- 入力形式と出力形式を明確に定義する。
- Chain of Thought(思考の連鎖):推論の手順を展開する。
- Step-by-step Prompting:各手順を順番に完了するよう AI に指示する。
- ReAct(Reason + Act):推論と行動を交互に行う。ツールの呼び出しやタスクの計画に用いる。
- Tree of Thought(ToT):AI に複数の経路で推論させ、比較したうえで最適な案を選ばせる。
- Zero → One → Many Framework:まず理解し、次にサンプルを作り、最後に生成する。
- Task Framing(フレームワークに沿った分解):テンプレートを使い、決められた項目に沿って AI に出力させる。
- Few-shot Prompting(例示によるプロンプト):複数の例を示し、AI にパターンを学ばせる。
論理的な制約(Logic Constraints)
枠組み、条件、ルールによって AI の出力の一貫性と制御性を高め、ハルシネーションや論点のずれを防ぎます。
代表的なテクニック:
- Structured Output(構造化出力):JSON、表、Markdown などの形式で回答するよう求める。
- Evaluation Criteria(基準と採点ルール):AI の回答が満たすべき条件を指定する。
- Scope Constraints(内容の範囲制限):推測や、存在しない情報の捏造を禁止する。
- If–then Prompting(条件分岐型プロンプト):条件ごとの回答方針を明確に定義する。
- Chunking(分割回答):出力の長さを制限したり、分割して出力させたりすることで誤りを減らす。
- Negative Example(反例の提示):「このような回答はしないでください」と AI に伝える。
- Source Guardrails(情報源の制限):入力された内容だけに基づいて回答するよう指定する。
調整と最適化(Calibration & Refinement)
AI の最初の出力を微調整し、質の高い最終版へと仕上げます。プロンプトエンジニアリングの中でも、最も「コミュニケーションスキル」に近い部分です。
代表的なテクニック:
- Self-Reflection(自己省察):自らの論理と出力の質を点検するよう AI に求める。
- Multi-output Sampling(複数案の比較):方向性の異なる案を一度に生成し、選べるようにする。
- Iterative Refinement(反復改善):やり取りを重ねるごとに回答を改善するよう AI に求める。
- Style Transfer / Benchmark Examples(手本となる例の提示):AI が参考にできる例を示す。
- Output Validation(出力の検証):出力前に、要件を満たしているか確認するよう AI に求める。
- Anti-hallucination Check(誤りの事前確認):回答前に情報源を確認するよう AI に求める。
- Socratic Prompting(自問自答):AI に自ら問いを立てて答えさせ、結果を調整する。
プロンプトで陥りがちな落とし穴:なぜ AI に意図が伝わらないのか?
これらのテクニックを学ぶことと表裏一体なのが、AI が期待に沿わない内容を出力する理由を理解することです。うまくいかないやり取りの多くは、次のような落とし穴に起因しています。
- 落とし穴1:指示が曖昧すぎる。「マーケティングメールを書いて」とだけ伝えても、AI には対象顧客や適切な口調がわからず、効果のない内容になってしまいます。これは「明確な背景を伝える」という原則に反しています。
- 落とし穴2:具体的な目標がない。「このデータを分析して」とだけ伝えても、AI は大まかな説明しかできません。「このデータを分析し、解約率が最も高い顧客層を3つ特定して、考えられる原因を推測してください」のように、目標を明示する必要があります。
- 落とし穴3:形式を AI 任せにする。形式を指定しなければ、項目ごとに比較してほしい内容に対して、AI が長文で回答することがあります。「表形式で示してください」と直接指定すれば、この事態を避けられます。
AI を使うことから、AI を定義することへ
User Prompt は、目の前のタスクを完了するための的確な指示を可能にします。一方、System Prompt は AI に専門性の核を与え、長期的に安定した信頼性の高い働きを支えます。Prompt を使いこなすことは、ChatGPT との会話を改善するだけでなく、これからの AI Agent との協働に向けた土台づくりでもあります。
Intellicon Solutions の EgentWrX は、この考え方をプラットフォームに組み込んでいます。従業員一人ひとりの AI Agent は、職位に紐づくデジタル分身です。名前、主な担当業務、やり取りのスタイル、対応範囲などの基本設定を入力するだけで、プラットフォームがその AI Agent の動作指示、つまり System Prompt を自動で組み立てます。より細かな制御が必要な場合は、カスタム指示に切り替えて自分で記述することもできます。
さらに EgentWrX は、職位を担う AI Agent、職責を表す Task、業務スキルを表す Skill という3層構造で、企業の SOP を実装します。1つの職位に複数のタスクを紐づけ、繰り返し使える手法をスキルとして切り出し、AI Agent 間で共有できます。プラットフォームは MCP と社内ネットワーク上のデータベースとの連携に対応し、ツールは個別に利用を許可できます。組織図を基盤とする権限管理とコンテンツ保護を組み合わせることで、それぞれのデジタル分身が職務権限の範囲内でのみ行動し、企業のプロセス、知識、役割を実際の業務で機能させることを支援します。



