AIの仕組みに関する説明の大半は、「人間のようなもの」（誤解すると痛い目に遭う間違い）と、「次の単語を予測する」（技術的には正しいものの、曖昧すぎて役に立たない）の間のどこかにあります。この記事では、その中間にあたる実用的なメンタルモデルを紹介します。10分で理解でき、すぐにプロンプトの書き方が変わります。
数学は必要ありません。Transformerが何かを知る必要もありません。必要なのは1つの考え方と、そこから生じる4つの帰結です。
1つの考え方
ChatGPT、Claude、その他の現代的なAIアシスタントへメッセージを送ると、AIはおおむね次のことを行います。
学習したパターンと、今送られた会話を踏まえると、最ももっともらしい続きは何か？
そして、一度に数文字または1語という小さな単位で文章を生成し、その単位を自らに戻して次を予測します。応答が停止条件に達するまで、これを続けます。
これが中核となるループです。内部で「答え」を探すことも、ツールが接続されていないのにデータベースを調べることも、人間的な意味での推論モジュールもありません。巨大な統計的パターン照合器が、この状況で知識のある人が書きそうに見える続きを生成しています。
知的に感じられるのは、学習したパターンが人間の書いた文章に由来するからです。文法、事実、冗談、コード、契約書、レシピ、議論、謝罪、丁寧な返信と皮肉な返信の違いなどです。そのため、何か尋ねると、最ももっともらしい続きが正しい答えであることが多いのです。多いだけで、常にではありません。
ここから4つの帰結が生じます。それぞれを理解すると、「プロンプトエンジニアリングのコツ」の各分野が明白になります。
帰結1：真実かどうかを検証しない
モデルは正しさを最適化しているのではなく、もっともらしい文章を生成するよう最適化されています。一般的なテーマについて学習データに正しい情報が含まれるため、ほとんどの場合は両者が重なります。しかし、特殊な訴訟、最近の特定の出来事、無名の引用など、信頼できる情報を見たことがない質問でも、モデルは止まりません。それでも、もっともらしく聞こえる回答を生成します。
これがハルシネーションの起きる理由です。モデルが壊れているからではなく、もっともらしい続きを生成するという、設計どおりの動作をしているからです。もっともらしさと真実には相関がありますが、同じものではありません。（この障害が特に起きやすい場面と、それを見つける検証手順は、AIが自信満々に誤答する理由で解説します。この記事では仕組みに焦点を当てます。）
つまり、AIが示す具体的な事実、名前、日付、数値、出典については、検証を習慣にする必要があります。モデルが不確実さを示すことはありますが、安全機構として頼るべきではありません。作業手順に確認を組み込んでください。
帰結2：コンテキストがすべて
モデルがプロンプトを基に、最ももっともらしい次の文を予測するなら、出力を決める入力はプロンプトそのものです。自分が誰か、すでに何を試したか、何を求めるかなど、関連する背景情報を追加すれば、モデルが照合できるパターンが豊かになります。
だからこそ、どんな回答でも改善する最も確実な方法は、「コンテキストを増やす」ことです。
「メールを書いてください」なら、情報を何も持たない人が書くような一般的なメールになります。
「納期に遅れた長年の顧客へのメールを、率直ながら温かみのある語調で100語未満にまとめ、明確な次の対応を示して締めくくってください」なら、実際に欲しいものに近づきます。
2つの間でモデルが賢くなったわけではありません。プロンプトが豊かになり、「もっともらしい続き」の範囲が、はるかに役立つ領域へ絞られたのです。
経験豊富なAIユーザーが、プロンプトとは「単にもっと具体的にすること」だと言うのは、この意味です。裏技ではありません。材料を増やしたことで、モデルが唯一の仕事をより正確に実行しているだけです。
帰結3：会話もコンテキストの一部
現代のAIアシスタントはすべて、会話全体を作業用メモリ（コンテキストウィンドウ）に保持します。「2段落目を短くして」と返信しても、モデルは最初からやり直しません。最初のメール、生成した下書き、自分の指摘、2段落目を短くする新たな依頼という、それまでの会話すべてを踏まえて最ももっともらしい次の応答を生成します。
そのため、2稿目はほぼ必ず初稿より良くなります。元のプロンプト、自らの試み、それに対する反応という、より多くの材料があるからです。
これには、次のような意味もあります。
- 長く有用な会話は不具合ではなく機能です。 新しく始めず、1つのスレッドを続けてください。
- プロンプトを書き直すより、批評を返信する方が有効です。 すでにコンテキストがあれば、モデルに必要な追加情報は少なくなります。
- 会話が非常に長くなると、モデルは序盤を失い始めます。 2026年の最上位製品には非常に大きなコンテキストウィンドウ（場合によっては100万トークン以上）もありますが、実際に契約するプランではかなり小さいことが多く、ウィンドウが埋まるにつれて品質も低下します。本当に長いプロジェクトでは、ときどき要約して新しく始めてください。
帰結4：質問の枠組みが出力を形作る
モデルはもっともらしい続きを生成するため、どの種類の続きを生成するかは、プロンプトの語調と形式に大きく左右されます。
気軽で曖昧な聞き方をすれば、気軽で曖昧な答えが返ります。同じ質問でも構造化して具体的に尋ねれば、より厳密な答えが返ります。
最終回答の前に問題を分解するよう伝えると、中間分析が生成され、最終回答が改善することがよくあります。魔法ではありません。結論に至る前に、回答のより多くを分解、確認、比較へ振り向けるため、難しい問題で信頼性が高まる可能性があります。
「あなたはエストニアの上級税理士です」という特定の役割を与えると、そのような人物がどう答えるかというパターンを利用します。モデルが実際に税理士になるわけではありません。専門税理士が書く文章の文体と情報密度に合わせています。
自分の案に反論するよう指示すれば、最ももっともらしい反論を生成します。懐疑的な顧客役を頼めば、懐疑的な反応を生成します。簡潔にするよう伝えれば、圧縮します。
これまで見たあらゆる「プロンプトエンジニアリングのパターン」は、この帰結の派生です。役割指定、完成例、批評プロンプト、「反論して」、「簡潔に」、「この語調に合わせて」はすべて、モデルの予測を異なる種類のもっともらしい続きへ誘導するため機能します。
仕事のタスクで最も安全なプロンプトは、巧妙な言い回しではありません。背景情報、制約、原資料、出力形式、不確実さの明示的な扱いを分かりやすくまとめたものです。
全体をまとめる
次にプロンプトを送るときは、4つの帰結を意識してください。
- モデルは真実を検証せず、もっともらしいものを生成します。
- コンテキストを増やすと、もっともらしい答えの範囲が、実際に欲しいものへ絞られます。
- 会話全体がコンテキストなので、やり取りを活用します。
- プロンプトの形式と語調が、回答の形式と語調を形作ります。
4つすべてが同じ観察に行き着きます。プロンプトは、モデルが学習したパターンと、実際に欲しい出力をつなぐ橋です。情報を失わずにその橋を短くできるほど、結果は良くなります。
実用的なプロンプトの構成要素
実際の仕事に使う良いプロンプトは、通常6つの要素を含みます。
| 要素 | モデルに与えるもの |
|---|---|
| 役割または視点 | 使用する回答パターンの種類 |
| コンテキスト | 状況、対象者、制約 |
| 原資料 | 処理対象となる文章、データ、例 |
| タスク | 実行する具体的な仕事 |
| 出力形式 | 回答の形 |
| 不確実さの規則 | 明示、検証、または拒否すべきこと |
曖昧なプロンプトから曖昧な回答が生まれるのは、このためです。もっともらしい続きの候補を広く残しすぎています。この記事からリンクしている付属演習では、弱いプロンプトをこの6要素の構成へ変える方法を学べます。
簡単なテスト
最近送った、今ひとつの回答になったプロンプトを1つ取り出して見てください。そして、次を自問します。
- 自分が誰で、何を求めているかについて、十分なコンテキストを与えましたか。
- 長さ、語調、形式などの制約を含めましたか。
- 良い出力がどのようなものか、例を示しましたか。
- 分解、反論、不確実さの明示を求めましたか。
ほぼ必ず、このうち少なくとも1つが欠けています。追加して、もう一度プロンプトを送ってください。もっともらしい続きの範囲を、実際に必要な作業へ絞ったことで、通常は回答が改善します。
