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。OpenAIの公式ドキュメントは、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つに分類している。

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。OpenAIの公式ドキュメントも、プロンプトの精度は「指示（Instruction）」の具体性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。

Lakeraのガイドから引用した上記の変換例が示す通り、「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。

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。

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。

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は公式のプロンプトエンジニアリング講座で、プロンプト設計を「ソフトウェア開発のサイクルと同じ反復プロセス」として扱うことを推奨している。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。

出典・但し書き

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。