「AIに指示を出しても、返ってくるのは当たり障りのない一般論ばかり」——そんな経験はありませんか。実は問題はAIの性能ではなく、指示の書き方とモデルの選び方にあります。ChatGPT・Claude・Geminiはそれぞれ得意分野が異なり、同じプロンプトでも結果は大きく変わります。この記事では、業務自動化の現場で実際に使っているプロンプトの型と、3つのAIの実践的な使い分けを具体例つきで解説します。

そもそも「良いプロンプト」とは何か

良いプロンプトの本質は、AIが推測しなければならない部分をできる限り減らすことです。「ブログ記事を書いて」という指示に対してAIが決めなければならないのは、テーマ・読者層・文体・длина・構成・目的のすべてです。決定事項が多いほど、AIは最大公約数的な無難な答えに逃げます。逆に前提を与えれば与えるほど、出力は具体的になります。

実務で使えるプロンプトは、おおむね次の5つの要素で構成されています。第一に役割——「あなたはPythonでスクレイピングツールを作るエンジニアです」のように立場を指定します。第二に文脈——なぜそれが必要なのか、誰が使うのかという背景情報です。第三にタスク——具体的に何をしてほしいのか。第四に制約——文字数、使用するライブラリ、禁止事項など。第五に出力形式——JSON、表、Markdown、コードのみ、といった形の指定です。

特に効果が大きいのが5番目の出力形式です。「結果をJSONで返して。キーは title、url、price の3つ」と書くだけで、後工程のプログラムにそのまま流し込める出力が得られます。逆にここを指定しないと、毎回微妙に違う形式で返ってきて、後処理のコードが書けません。自動化の文脈では、出力形式の固定は必須と考えてよいでしょう。

もう一つ、意外と知られていないのが「やってほしくないこと」を書く効果です。「前置きや説明は不要、コードだけ出力して」「一般論は書かず、具体的な数値と手順のみ」といった否定形の制約は、AI特有の冗長さを抑えるのに非常によく効きます。

ChatGPT・Claude・Geminiの得意分野を見極める

3つのAIは、同じ「対話型AI」というくくりの中でも性格がはっきり違います。実際に業務で使ってみて感じる違いを整理します。

ChatGPTは発想の広さと汎用性が強みです。アイデア出し、企画のたたき台、キャッチコピーの量産、「こういうことをしたいんだけど何から手をつければいい？」といった曖昧な相談に向いています。プラグインやコード実行環境との連携も充実しており、その場でグラフを描かせたりファイルを処理させたりする用途では扱いやすい選択肢です。一方で、長い文章を厳密なトーンで書かせると、やや調子が軽くなる傾向があります。

Claudeは長文の読解と、指示への忠実さが際立ちます。数万字の仕様書やPDFを読ませて「この要件を満たすテーブル定義を作って」と頼むような作業では、文脈を取りこぼしません。文章のトーンも落ち着いており、ビジネス文書・提案書・技術ドキュメントの作成に向いています。コードについても、既存コードの意図を汲んだ修正や、複数ファイルにまたがるリファクタリングの相談で強みが出ます。「制約を細かく書いたのに無視される」という不満が出にくいのがClaudeです。

Geminiの最大の武器は、Google検索との統合と最新情報へのアクセスです。「先週発表された〇〇の仕様を調べて要点をまとめて」のような、鮮度が命の調査に向いています。またGoogleドキュメントやスプレッドシート、Gmailといったワークスペース製品との連携が深く、既存のGoogle環境で業務を回している組織では導入のハードルが低いのも利点です。画像や動画を含むマルチモーダルな入力の扱いにも定評があります。

使い分けの実践的な指針をまとめると、調べる・最新情報を集めるならGemini、考えを広げる・たたき台を作るならChatGPT、長い文脈を正確に処理する・仕上げるならClaudeという流れになります。実際、私自身は1つの案件の中でこの3つを順番に使うことが珍しくありません。Geminiで業界動向と競合の実装例を調べ、ChatGPTで実現方式の候補を洗い出し、Claudeで仕様書とコードに落とし込む、といった具合です。

実務で効くプロンプトの型5選

1. 段階分割型——複雑なタスクを一度に投げず、工程を分けます。「まず要件を箇条書きで整理して。私が確認してからコードを書いて」と伝えるだけで、完成品の精度が大きく変わります。いきなり100行のコードを出させて全部作り直すより、10行の要件リストを直すほうが圧倒的に速いからです。

2. 具体例提示型（Few-shot）——望む出力のサンプルを1〜2件見せる方法です。「以下の形式で10件生成して」と書いて実例を添えると、形式の説明を長々と書くより正確に伝わります。特にデータ整形やラベル付けの作業では、例を3件見せるのが最も効率的です。

3. 制約先出し型——タスクより先に制約を書きます。「制約：Python 3.11、外部ライブラリはrequestsとBeautifulSoupのみ、実行時間30秒以内。この条件で〇〇を実装して」。後から「実はライブラリが使えなくて」と伝えるより、最初に枠を決めるほうが手戻りがありません。

4. 批判依頼型——AIに自分の案を否定させます。「この設計案の問題点を、実運用で起きうる障害の観点から5つ指摘して」。AIは放っておくと肯定的な返答をしがちなので、明示的に批判を求める必要があります。設計レビューや企画の詰めで非常に有効です。

5. 役割固定＋反復型——長い作業では、最初に役割と前提を宣言し、以降は短い指示で回します。「あなたは私のPythonコードレビュアーです。以降、私が貼るコードに対して、バグ・可読性・パフォーマンスの3観点で指摘してください」と一度宣言すれば、その後は「次のコード」と貼るだけで一貫した品質のレビューが返ってきます。

プロンプトを「業務の仕組み」に変える

ここまでは個人の使い方の話ですが、プロンプトの真価は仕組み化したときに出ます。うまくいったプロンプトを個人のチャット履歴に埋もれさせるのは大きな損失です。

実務上おすすめなのは、成功したプロンプトをテンプレートとして蓄積することです。可変部分を「【商品名】」「【対象読者】」のようなプレースホルダにして、スプレッドシートやNotionに整理しておく。これだけでチーム全体の出力品質が揃います。さらに一歩進めれば、APIを使って完全に自動化できます。たとえばスクレイピングで収集した商品データを、蓄積したプロンプトに流し込んで説明文を自動生成し、CSVに書き出す。人が対話画面を開く必要すらなくなります。

ここで重要なのが、対話で使うプロンプトとAPIで使うプロンプトは設計思想が違うという点です。対話なら「ちょっと違うな」と思ったら言い直せますが、APIは一発勝負です。だからこそ出力形式をJSONで厳密に固定し、想定外の入力が来たときの挙動（「該当データがない場合は空配列を返す」など）まで書き込んでおく必要があります。この設計ができているかどうかが、AI自動化が業務で使い物になるかの分かれ目です。

そしてAI活用でよくある失敗が、AIに任せる範囲を広げすぎることです。判断が必要な工程や、間違いが許されない工程は人が持つ。定型的で量が多く、多少のブレが許容できる工程だけをAIに渡す。この線引きをきちんと設計すると、AI自動化は驚くほど安定して回り始めます。

📚 この記事に関連するおすすめ書籍

さらに深く学びたい方に、参考になる書籍をご紹介します。

※ 本サイトはAmazonアソシエイト・プログラムの参加者です。紹介リンクを経由してご購入いただいた場合、手数料を受け取ることがあります。

まとめ

プロンプト活用の要点は、AIに推測させる余地を減らすことに尽きます。役割・文脈・タスク・制約・出力形式の5要素を意識して書くだけで、返ってくる答えの具体性は劇的に変わります。そしてモデル選びも同じくらい重要です。調査と最新情報はGemini、発想の拡張はChatGPT、長文処理と仕上げはClaude——この使い分けを覚えるだけで、作業効率は目に見えて上がります。さらに、うまくいったプロンプトをテンプレート化し、最終的にはAPIで業務フローに組み込む。ここまで進めば、AIは「便利な相談相手」から「業務を動かす部品」に変わります。まずは今日使っているプロンプトに出力形式の指定を1行足すところから始めてみてください。

AIを活用した業務自動化を導入したい方はnashiまでお問い合わせください。https://nashi-portfolio.netlify.app