非エンジニアのためのプロンプト設計入門──AIの出力を変える5つの原則

プロンプトの書き方を変えるだけで、生成AIの出力は別物になる。プログラミングの知識は要らない。OpenAIの公式ドキュメント、Anthropicのプロンプトエンジニアリング講座、そして複数の実務ガイドが共通して挙げる基本原則は5つに集約できる。本記事では、その5つを「悪い例→良い例」のBefore/After付きで解説する（2026年6月20日時点）。

1. プロンプト設計はコーディングではなく「伝え方の技術」──非エンジニアでも今日から使える
2. 5つの原則は「役割設定」「具体性」「例示」「段階分解」「出力形式の指定」
3. 出力が期待と違うとき、原因の多くはモデルの限界ではなく指示の曖昧さにある（Lakera、2026年ガイドによる）

そもそもプロンプト設計とは何か

プロンプト設計（プロンプトエンジニアリング）とは、AIに渡す指示文を工夫して、望んだ出力を引き出す技術のことを指す。プロンプトの構成要素を「指示（Instruction）」「文脈（Context）」「入力データ（Input data）」「出力指定（Output indicator）」の4つに分ける整理はプロンプトエンジニアリング解説でよく見る分類だが、本記事が出典とするOpenAI公式ドキュメントの該当ページ（2026年8月時点の内容）にはこの4分類は見当たらなかった。同ページは「指示（instructions）」とメッセージロール、Few-shot学習、コンテキストの追加、推論モデル向けプロンプトなどを扱っている。

DataCampの2026年ガイドによると、プロンプト設計はコーディングではなく「コミュニケーション」であり、「明確な文脈・具体的な指示・出力形式の定義」の3点で、専門家レベルの結果の約80%が得られるとしている。

つまり、特別な技術的知識がなくても、伝え方のパターンを知っていれば使える。

原則1：役割を設定する（Role Prompting）

AIに「あなたは○○です」と役割を与えると、その専門性に沿った語彙・構成・視点で回答が生成される。DataCampのガイドでは、この手法を「Role-playing」と呼び、AIの出力トーンと専門性を制御する基本手法として位置づけている。

JAPAN AIラボの解説でも、Role Promptingは6つのコア手法の1つとして挙げられている。

Before（役割なし）：

マーケティング戦略について教えてください。

AIは教科書的な概論を返す。抽象的で、誰向けか分からない内容になりがち。

After（役割あり）：

あなたは中小企業向けのマーケティングコンサルタントです。
従業員5人の飲食店が、月5万円の予算でSNS集客を始めたいと相談しています。
最初の1ヶ月で取るべき具体的なアクションを3つ提案してください。

役割・相手の状況・予算・期間を指定したことで、出力は実行可能な具体案に変わる。

原則2：曖昧さを排除し、具体的に書く

Lakeraの2026年ガイドは「曖昧さはLLMの出力品質が低下する最も一般的な原因の1つ」と指摘しているとされる（この記事URLは本QA時点で削除されており、Lakeraのブログトップにリダイレクトされるため、この引用は本QAでは原文を確認できなかった）。OpenAIの公式ドキュメントも、指示（Instructions）の具体性がプロンプトの精度に直結すると述べている。

「具体的に」とは、数字・条件・対象者・禁止事項を明示すること。

Before（曖昧）：

サイバーセキュリティについて何か書いてください。

After（具体的）：

ITに詳しくない中小企業の経営者向けに、2026年に注意すべき
サイバーセキュリティの脅威トップ3を100語以内で要約してください。
専門用語は使わず、各脅威に1文ずつ対策を添えてください。

「誰に」「何を」「どのくらいの長さで」「どんな制約で」を書くだけで、出力の焦点が定まる（上記の変換例はLakeraのガイドの記述を参考にしたものだが、当該URLは本QA時点で削除されており原文の再確認はできていない）。

原則3：お手本を見せる（Few-shot Prompting）

AIに「こういう入力にはこういう出力を返してほしい」という例を2〜3個見せる手法。OpenAIの公式ドキュメントは「少数の入力/出力例をプロンプトに含める」ことで、新しいタスクをモデルに教えられると説明している。JAPAN AIラボも、Few-shot Promptingを6つのコア手法の1つとして挙げている。

Before（例なし）：

以下のレビューの感情を分析してください。
「届くのが遅かったが、商品自体は満足」

AIは「ポジティブ」「ネガティブ」「混合」など、フォーマットが安定しない。

After（例あり）：

以下のレビューの感情を「ポジティブ / ネガティブ / 混合」で分類し、
理由を1文で添えてください。

例1：「配送が早くて助かった」→ ポジティブ（配送速度への満足）
例2：「サイズが合わなかった」→ ネガティブ（サイズ不適合への不満）

分析対象：「届くのが遅かったが、商品自体は満足」

例を見せたことで、出力フォーマット・判断基準・粒度が安定する。

原則4：考える手順を分解する（Chain-of-Thought）

複雑な問いに対して「一気に答えて」と投げると、AIは途中の推論を飛ばして結論だけを出す場合がある。DataCampのガイドは、Chain-of-Thought（CoT）を「複雑なタスクを中間ステップに分解する」手法と説明し、推論精度の向上に有効だとしている。

Before（一括指示）：

この事業計画の問題点を教えてください。

After（段階分解）：

この事業計画を以下の手順で分析してください。
1. まず、前提となっている市場規模の数値が妥当か確認する
2. 次に、収益モデルの想定単価と顧客獲得コストの整合性を検証する
3. 最後に、1と2を踏まえて主要なリスクを3つ挙げる

手順を分解して渡すことで、AIは各ステップの結果を次のステップに反映させながら進む。結論だけでなく、途中の判断過程が可視化されるため、どこに問題があるか読み手も追える。

なお、Anthropicの拡張思考やOpenAIの推論モデルのように、内部で自動的に段階分解を行うよう設計されたモデルもある。OpenAIは公式ドキュメントで、こうしたモデルには「段階的に考えて」のようなChain-of-Thoughtプロンプトはむしろ不要だとしている。通常モデルと推論モデルの違いは推論モデルとは何かで扱っている。

原則5：出力形式を指定する

「どう答えるか」を指定しないと、AIは自由な形式で返す。Lakeraのガイドは「箇条書きの数・1項目あたりの語数・構造（テーブル、JSON、マークダウン等）を指定することで、一貫性が上がり、後処理の手間が減る」と述べているとされる（この引用も出典URLが削除済みのため、本QAでは原文を確認できなかった）。

Before（形式指定なし）：

競合分析をしてください。

AIは長文の段落で返すかもしれないし、箇条書きかもしれない。毎回違う。

After（形式指定あり）：

以下の3社について競合分析をしてください。
各社について以下の形式で記述すること：

【社名】
- 強み（2点）：
- 弱み（2点）：
- 当社との差別化ポイント（1文）：

対象：A社、B社、C社

形式を指定したことで、出力は毎回同じ構造になる。比較しやすく、資料にそのまま転用できる。

5つの原則は組み合わせて使う

実務では、5つの原則を単独で使うより組み合わせる場面が多い。たとえば：

あなたは採用担当の人事マネージャーです（原則1：役割）。

以下の職務経歴書を評価してください（原則2：具体的な対象）。

評価基準の例（原則3：お手本）：
- 「PM経験5年、SaaS業界」→ 適合度：高
- 「新卒、業界経験なし」→ 適合度：低

手順（原則4：段階分解）：
1. 経験年数と業界の一致度を確認
2. 記載されたスキルと募集要件を照合
3. 総合評価を出す

出力形式（原則5）：
- 適合度：高/中/低
- 理由：2文以内
- 面接で確認すべき点：1つ

Anthropicは自社ブログで、プロンプトエンジニアリングを「科学のように扱い、プロンプトをテストして頻繁に反復すべき」と述べている（"approach it like a scientist: test your prompts and iterate often"）。書いて、試して、出力を見て、直す。この繰り返しで精度は上がる。

日常的にプロンプトを書いている立場からの実感

筆者はAI時短ラボの記事・動画台本・画像生成・データ分析をすべてAIとの対話ベースで制作している。その中で繰り返し実感するのは、「AIが期待と違う出力を返したとき、モデルを疑う前に自分のプロンプトを疑うべき」ということ。

実際、出力がズレる原因を振り返ると、ほぼ毎回「自分が条件を書き忘れていた」「暗黙の前提を伝えていなかった」に行き着く。モデルのバージョンや性能差よりも、同じモデルに対するプロンプトの書き方の差のほうが、出力品質への影響が大きいと感じる場面が多い。

特に非エンジニアにとって、本記事の5原則のうち効果を体感しやすいのは「原則2：具体性」と「原則5：出力形式の指定」だと思う。この2つだけでも、やり直しの回数は減る。

「80%」の数字はDataCampガイドの記述、独自検証ではない

本記事は2026年6月20日時点の情報に基づく。各AIモデルの仕様・推奨プラクティスは頻繁に更新されるため、最新の公式ドキュメントの確認を推奨する。

• Prompt engineering | OpenAI API ── OpenAIの公式プロンプト設計ガイド
• The Ultimate Guide to Prompt Engineering in 2026 | Lakera ── 曖昧さの排除と出力形式指定の解説
• What Is Prompt Engineering? A Detailed Guide For 2026 | DataCamp ── 4つの構成要素・Role-playing・CoTの解説
• プロンプトエンジニアリングとは？定義・手法・コツを初心者向けに解説 | JAPAN AI ラボ ── 6つのコア手法の分類と日本語例
• Prompt engineering for business performance | Anthropic ── ビジネス文脈でのプロンプト設計
• Anthropic's Interactive Prompt Engineering Tutorial ── Anthropicの無料プロンプト設計講座

本記事中の「80%」の数値はDataCampガイドの記述に基づく。筆者が独自に検証した数値ではない。プロンプト設計の効果は、使用するモデル・タスクの種類・入力データによって変動する。