プロンプトは最初から足すな、削れ

プロンプトに情報を詰め込むのではなく、出力を見てから足していく

AIに長いプロンプトを書けば書くほど、出力は良くなる。多くの人がそう信じています。しかし、2026年の推論モデルにおいて、その常識は逆効果になりつつあります。

プロンプトエンジニアリングの目的は、AIを正確に制御することではありません。AIが最も良い仕事をできる「思考の余白」を設計することです。

※今回の記事は、実際に記事内で紹介する手法を用いて出力したものです。手直しは数行程度でした。

---

ChatGPTやClaudeのようなAIに文章を書かせたとき、どうしても「AI臭い」文章になる。あるいは、回答が一般的すぎて物足りない。こうした不満を感じたことがある方は多いはずです。

そこで多くの人が取る行動が「プロンプトを長くする」ことです。トーン、文体、具体例、禁止事項、出力フォーマット——あらゆる条件を書き連ねる。しかし、詳細に指定すればするほど、出力からは独創性が消え、論理の一貫性が崩れていきます。

これは感覚の問題ではなく、構造的な問題です。LLMの推論性能は、プロンプトが約3,000トークン（日本語で約2,000〜2,500文字程度）を超えると低下し始めるという研究があります。また、プロンプトの中間部分に置かれた情報は、先頭や末尾に置かれた情報と比べて30%以上精度が落ちる「中間消失問題」も広く知られています。つまり、長いプロンプトは単に冗長なだけでなく、AIの思考力そのものを削いでいるのです。

さらに、現行の推論モデル（GPT-5.5やOpus 4.7）は、旧世代のモデルとは根本的に異なります。これらのモデルは、回答を生成する前に内部で推論プロセスを実行します。かつて有効だった「ステップバイステップで考えてください」のような指示は、すでにモデルが自動的に行っていることの重複指示にしかなりません。むしろ、その分のトークンが本来の指示を圧迫します。

では、プロンプトには何を書くべきなのか。ここで重要な原則が3つあります。

手法ではなく順序を伝える

たとえば「まず競合を3社調査し、そのうえで差別化ポイントを整理し、最後に本文を書いてください」のように、作業のステップを示します。各ステップで「どう調査するか」「どう整理するか」は指定しません。順序だけを伝えれば、AIは各ステップの最適な手法を自分で判断します。手法まで指定すると、AIの思考はその枠の中に閉じ込められてしまいます。

AIが自由に思考するための余白を設計する

プロンプトとは、AIの思考を制御する檻ではなく、思考の方向を示す道標です。「400字で、ですます調で、3段落構成で、比喩を入れて」と細かく指定するのではなく、「読者が行動を起こしたくなるような記事」と書く。すると、AIは自分の推論能力を最大限に使って、構成も表現も最適なものを選びます。制約を増やすほど最適解の探索空間は狭まり、結果としてAI臭い、つまり条件を機械的に満たしただけの文章が生まれます。

出力から逆算してプロンプトを削る

プロンプトは一発で完成させるものではありません。最初はシンプルなプロンプトで出力を得て、その出力の「納得できない部分」を言語化し、その部分だけをプロンプトに反映する。このサイクルを回すことが、プロンプトエンジニアリングの本質です。

「文体がカジュアルすぎる」と感じたなら「ビジネス読者向け」と一言足す。「導入が弱い」と感じたなら「読者の課題意識から入る」と足していく。このように、まずは最小限まで削ったプロンプトを用いて、不足を一つずつ埋めていくアプローチのほうが、最初からすべてを書き出すアプローチよりも、はるかに良い結果を生みます。

---

では、これらの原則を使って、実際にAIで記事を書くワークフローを見てみましょう。ここではnote向けの解説記事を例にします。

ステップ1：最小プロンプトで第一稿を取る。

最初のプロンプトは、たとえばこれだけにします。

「地方病院でAIを業務改善に使った実体験をもとに、医療者向けのnote記事を書いてください。リサーチ→事例整理→本文執筆の順で進めてください。」

テーマ、読者、作業の順序。この3つだけを渡します。

ステップ2：出力を読み、不満を言語化する。

第一稿を読んで、引っかかった箇所を具体的に言葉にします。たとえば「導入が教科書的で自分の声になっていない」「事例の解像度が低い」「結論が一般論で終わっている」。この言語化こそが、プロンプト改善の原材料になります。

ステップ3：不満を1〜2点だけプロンプトに反映する。

ここが最も重要なポイントです。すべての不満を一度に直そうとしないでください。「導入は、私が現場で感じた違和感から始めてください。事例は、導入前後の変化を数字で示してください」のように、最も気になった1〜2点だけを追加します。一度に多くの制約を足すと、どの指示がどの改善に寄与したかがわからなくなります。

ステップ4：満足するまでステップ2〜3を繰り返す。

通常、2〜3回の反復で出力の質は大きく向上します。そして出来上がったプロンプトは、最初から詰め込んでいた場合と比べて、ずっと短く、ずっと的確なものになっているはずです。

---

このワークフローのポイントは「プロンプトを足すのではなく、出力から削るべき不満を見つけること」にあります。AIに渡す条件を増やすのではなく、AIの出力を見て、自分が本当に求めているものを理解する。プロンプトエンジニアリングとは、AIとの対話を通じて、自分自身の要求を解像度高く言語化していくプロセスなのです。

プロンプトは、足すな。削れ。AIが最も力を発揮するのは、あなたが適切な余白を残したときです。

この記事がよかったら是非いいね、リスタック、購読で応援してくださると嬉しいです。