プロンプトエンジニアリングは、生成AIに望む出力を安定して出させるための指示設計です。「人に仕事を頼むときの依頼書を上手に書く」ことに近い、と思って構いません。ただし2026年の主力モデル（ChatGPTのGPT-5系、ClaudeのOpus/Sonnet系、GeminiのDeep Think系）は頭の中で勝手に考えてから答える「推論モデル」が標準になりました。そのため、昔のテクニックの一部は不要に、別のテクニックがより重要になっています。本記事は、初めての人でも今のモデルで実際に効く型を、図とともに整理します。
FIG.1 AIが一番苦手なのは「曖昧な依頼」。情報が揃うほど出力は安定する
AIは万能に見えて、曖昧な依頼が一番苦手です。逆に、目的・前提・制約・評価基準が揃うと驚くほど賢く動きます。まずは普遍的に効く「依頼の骨組み」から押さえましょう。
01良いプロンプトの骨組み（5点セット）
プロンプトは長さより情報の揃い方で決まります。海外の現場でも「RCCF（Role・Context・Constraint・Format＝役割・文脈・制約・形式）」のように要素で型化する流れが定着しました。迷ったら次の5点を入れてください。
目的
何のためにやる？（例：CVR改善、仕様書作成、学習のため）。ゴールが書かれているほど脱線しにくい。
役割
AIに誰として振る舞ってほしい？（例：編集者、SRE、採用担当）。特にGPT系は役割（ペルソナ）付与で口調と着眼点が安定する。
入力
素材は何？（例：議事録、ログ、要件）。長文素材はClaude系なら見出しタグや区切りで囲むと参照精度が上がる。
制約
守ってほしい条件（例：500字以内、敬体、禁止事項）。数値で切ると守られやすい。
出力形式
どう返してほしい？（例：表、箇条書き、JSON）。後工程に渡す形を最初に決める。
そのままコピーできる雛形
役割：あなたは〇〇の専門家として振る舞ってください。
目的：〇〇を達成したい。
背景・前提：〇〇。想定読者／ユーザーは〇〇。
入力：以下の情報を使う。…
制約：必須＝…／禁止＝…（文字数・トーンも明記）。
出力形式：見出し→箇条書き→結論の順。表が望ましければMarkdown表で。
022026年の前提：推論モデルでは「考えろ」は要らない
ここが、数年前の入門記事と一番変わった点です。現在のChatGPT・Claude・Geminiの上位モデルは推論モデルで、答える前に内部で考える「思考パス」を自動で実行します。図のように、昔は人間が「ステップごとに考えて」と促していた工程を、いまはモデルが自前で持っています。
FIG.2 「順番に考えて」という指示が、プロンプト側からモデル内部へ移った
実務上の意味はシンプルです。
- 「ステップごとに考えて（Let's think step by step）」は推論モデルにはほぼ無効。害は少ないものの、追加効果はわずかで、難しい推論ではかえって精度を下げる場合も報告されています。
- 代わりに効くのは「どこまで深く考えるか」を指定すること。GPT系では「じっくり考えて／しっかり検討して」が思考量を増やす合図になり、APIならreasoning effort（推論の強さ）を、Claudeならthinking budget（思考の予算）を直接設定できます。
- 逆に、要約・分類・整形のように考える必要が薄い軽い作業では、推論を強くしすぎると遅く・高コストになるだけ。タスクに応じて使い分けます。
2026年の上達の鍵は、考えさせることではなく 「考える深さと出力の形を指定する」 ことに移った。
03「具体例（Few-shot）」は使いどころを選ぶ
「完成形の例を1つ見せると出力が安定する」というFew-shot（少数例提示）は今も有効ですが、万能ではありません。2026年の知見では、得意・不得意がはっきりしています。
| Few-shot が効く | かえって邪魔になりやすい |
|---|---|
| 出力フォーマットを揃えたい（表・JSON・文体） | 難しい数学・論理など「自分で考える」作業 |
| 分類・ラベル付けの基準を示したい | 例の型に引っぱられて発想が狭まる場面 |
| 独自ルールを例で伝えたい | 例が偏っていると、その偏りを学習してしまう |
推論モデルでは、複雑な思考タスクに例を足すと例の解き方に引きずられて精度が落ちることがあると報告されています。形を揃えたいなら例を見せる／自由に考えさせたいなら例を控える——この線引きを覚えておくと失敗が減ります。例を入れるときは、狙う出力を正しく代表する良質な1〜3例に絞るのがコツです。
整形を揃える例：この形式で3つ作ってください。
【例】課題：〜 ／ 原因：〜 ／ 対策：〜 ／ 期待効果：〜
04いまも普遍的に効く基本テクニック
モデルが賢くなっても価値が落ちない、土台のテクニックです。
1) まず「質問してから作業して」と頼む
要件が曖昧なときは、AIに突っ走らせないのがコツ。先に確認質問をさせると手戻りが減ります。推論モデルは指示に素直なので、この一文がよく効きます。
不足情報があれば、最初に最大5つまで質問してください。回答後に最終案を作成してください。
2) 評価基準を明文化する
「良い感じに」ではなく何をもって良しとするかを書きます。基準があるとモデルはそれに向けて最適化します。
評価基準：①初心者でも誤解しない ②結論が先 ③具体例が2つ以上 ④専門用語は一言で補足。
3) 制約は「禁止」と「必須」を分ける
- 必須：結論を冒頭に／手順は番号付き／最後に次アクション
- 禁止：断定的な法務助言／出典不明の数字／社名や事実の捏造
4) 出力を構造化させる（JSON・表・見出し）
業務で使うなら、後工程に渡しやすい形が最強です。とくにJSONは他ツール（Notion／スプレッドシート／自社システム）へ流しやすい。2026年はAPI側でJSONスキーマを指定して必ずその形で返させる「構造化出力（Structured Outputs）」が一般的になり、「JSONで返して」とお願いするより確実です。ChatGPTやClaudeの画面操作でも、keyを明示すれば実用上は十分整います。
出力はJSONのみ。keys は title, problem, solution, risks, nextActions。値は日本語。前後に説明文を付けないこと。
05モデルごとのクセに合わせる
同じ依頼でも、モデルの性格に合わせると当たりが良くなります。下表は2026年時点の傾向です（仕様は更新されるので最終的には各社の最新ドキュメントで確認を）。
| Claude 系（Anthropic） | GPT-5 系（OpenAI） |
|---|---|
| 区切りタグ（XML的な見出し）で素材と指示を整理すると強い | 役割（ペルソナ）付与と相性が良い |
| 放っておくと丁寧に説明しすぎる→ゴールとトーンを明示して締める | 「3つの箇条書き」「50字以内」など数値制約に素直 |
| thinking budget で思考の深さを直接調整できる | 「じっくり考えて」やreasoning effortで思考量を上げられる |
Geminiの上位（Deep Think系）も推論モデルの仲間で、考える深さを指定できる方向は共通です。「考えろ」より「どこまで考え、どう返すか」を伝えるという原則はどのモデルでも変わりません。
06用途別：そのまま使えるプロンプト例
文章作成
あなたは編集者。目的は「初心者にもわかる記事」。専門用語は（ ）で一言補足。構成案→本文→要点5つの順で。具体例を3つ。
要約
以下を要約。①重要決定 ②未決事項 ③担当者と期限 に分け各3行以内。最後に「次回までに確認すべき質問」を最大5つ。
アイデア出し
あなたはB2B SaaSのPM。施策を10個。各案に「狙い」「実装難易度（低/中/高）」「計測指標」を付ける。
コード支援は環境・制約・再現手順が鍵。可能ならエラーログも貼ります。
あなたはシニアエンジニア。次のエラーの原因と修正案を教えてください。
環境：Python 3.13 / FastAPI / Docker
再現手順：…／期待：/health が200で返る／実際：500、ログは以下：…
出力：原因候補を優先度順、確認コマンド、修正パッチ例。
07失敗しがちなパターンと直し方
- 曖昧：「いい感じに」→ 誰向け・目的・出力形式を足す
- 情報不足：背景がない→ 前提・制約・利用シーンを足す
- 一発で完璧を狙う：長大な一括依頼→ 構成→ドラフト→推敲に分ける
- 古いおまじない：推論モデルに「順番に考えて」を連呼→ 思考の深さ指定と評価基準に置き換える
- 検証しない：出力をそのまま採用→ 根拠・反例・リスクを必ず確認する
08プロンプトは「会話で育てる」
一回で完璧を狙うより、差分で直すほうが精度が上がります。3ステップの型です。
ドラフト
まず60点を速く出させる。たたき台があると改善の方向が見える。
レビュー
観点を渡して自己チェックさせる（抜け／矛盾／リスク）。推論モデルは自己点検が得意。
改善
全書き直しでなく差分指示で直す。「ここだけ」を直すほうが安定しやすい。
この出力を ①読み手の誤解 ②論理の飛躍 ③具体性不足 の観点でレビューし、修正案を差分がわかる形で出してください。
Beyond the Prompt
プロンプトだけでなく「周辺の仕組み」で品質を支える
2026年は、プロンプトを磨くだけでなくシステム側で品質を安定化させる流れが主流です。重要操作は承認制・最小権限で、生成内容は一次情報で裏取りする——という安全側の設計が前提になります。代表的な3つの仕組みを押さえましょう。
FIG.3 プロンプトは「最後の魔法」ではなく、再現性ある運用の一部
- RAG（検索拡張生成）：社内文書などを検索し、その根拠を渡して答えさせる。ハルシネーション（もっともらしい誤り）対策の定番。
- ツール呼び出し（Function Calling）：計算・検索・DB参照をAIにさせて精度を上げる。重要操作は承認・最小権限を必ずかける。
- 評価（Evals）：良い／悪い出力のテストを作り、継続的に改善する。30〜100問の評価セットでも十分価値がある。
09まとめ
プロンプトが上手い人は、言い回しのセンスというより依頼の設計が上手い人です。土台は普遍——目的・役割・入力・制約・出力形式の5点を揃え、必要に応じて良質な例を見せ、質問させ、評価基準で縛る。そのうえで2026年は、「順番に考えて」より思考の深さと出力の形を指定する、例は整形には効くが難しい推論では控える、モデルのクセ（Claude＝区切りタグ／GPT＝ペルソナと数値制約）に合わせる——この3点を足せば、いまのモデルで結果がはっきり変わります。料金やモデルの仕様は頻繁に変わるので、最後はいつも公式の最新情報で確認してください。
