解像度が低いのに、プロンプトなど書けるわけがない。
「そのプロンプト、どうやって作ったの？」
AIを使ってアウトプットを出していると、こう聞かれることがあります。まるで、手元に「魔法の呪文」が書かれた巻物があるかのように。
しかし、答えはいつも相手を困惑させます。
「プロンプト？ 作ってないよ。壁打ちして、結果が出たら、それをAIに再現させるためのプロンプトを逆生成させてるだけ」
多くの人は、この「順序」が逆です。最初から完璧な指示書（プロンプト）を書こうとして、画面の前でフリーズします。あるいは、適当な指示を投げて、出てきた平凡な回答に「AIってこんなもんか」と失望します。
自分の中に答えがないのに、AIが一発で望む回答など出してくれるわけがありません。
これは、プロンプトの技術論ではありません。「思考の設計」の話です。
第1章：「一発回答」という幻想
なぜ私たちは「一発で正解を出そう」としてしまうのでしょうか。それは、長年染み付いた「検索エンジン」の癖が抜けていないからです。検索窓にキーワードを入れれば正解ページが出てくる。私たちはAIにも、この「自動販売機」を期待しています。
しかし、生成AIは検索エンジンではありません。あなたが「何を作りたいか」の解像度が低ければ、AIは最も無難で、最も退屈な「80点の平均点」を返すしかありません。
仕事の「条件」や「制約」（ターゲット、文字数、トーン）は手元にあります。一般的なプロンプト解説書は、この「箱の作り方」ばかりを教えます。しかし、現場で本当に苦しむのは、 「箱の寸法は完璧なのに、中身の正解が見えない」 という状況です。
なぜか？ あなたの中に 「何をもって『いい感じ』とするか」という判断基準がまだ存在していないから です。
そして、それは恥ずかしいことでも何でもありません。まだ見つかっていないだけです。
第2章：答えがないなら、まず「歩く」
では、判断基準がない状態でどうすべきか。答えはシンプルです。 「答えを探す旅」に出るしかありません。 それが「壁打ち」です。
思考のプロトタイピング
最初からホームランを狙う必要はありません。まずはバットを振ることです。自分の頭の中にある、未完成で、矛盾だらけの思考をそのままAIにぶつけます。
「今、こういう企画を考えているんだけど、
なんかインパクトが足りない気がする。どう思う？」
「ターゲットをAに絞りたいけど、Bの要素も捨てがたい。
両立させる案はある？」
当然、最初の返答は的外れかもしれません。しかし、それでいいのです。AIから返ってきた「ズレた回答」こそが、あなたの思考を研ぐための「砥石」になるからです。
実際の壁打ちを見てみましょう。社内向けAI活用セミナーの企画を考えているとします。
ターン1：雑に投げる
あなた：「社内向けにAI活用セミナーをやりたい。
なんかいい企画にならないかな」
AI：「AI活用セミナーの企画案です。
・ChatGPTの基本操作を学ぶハンズオン
・プロンプトテンプレートの配布
・業務効率化の事例紹介…」
→ 出てきたのは、どこの会社でもやっている「入門セミナー」。間違ってはいませんが、面白くもありません。
ターン2：違和感をぶつける
あなた：「うーん、それだと普通すぎる。
うちの会社、AI導入に懐疑的なベテラン社員が多いんだよね。
そういう人たちが『お、面白いかも』と思える切り口がほしい」
→ ここで初めて「ベテラン社員」「懐疑的」「面白いかも」というキーワードが出てきました。最初から自分の中にあったわけではありません。AIの無難な回答を見て、 「そうじゃない」と感じたから出てきた のです。
ターン3：方向が定まる
AI：「懐疑的なベテラン層がターゲットなら、こんな切り口はどうですか。
『AIにあなたの仕事を奪わせてみよう選手権』
各部署のベテランが自分の業務をAIにやらせてみて、
AIにできること・できないことを体感するワークショップ形式…」
あなた：「あ、それ面白い。『奪わせてみよう』って言い方が挑発的でいいね。
ただ、もう少し安心感のあるトーンにしたい。
『奪われる恐怖』じゃなくて『自分の強みが見える』方向で」
→ 3ターン目で、企画の方向性が明確になりました。最初に画面の前で「完璧な企画書」を書こうとしていたら、この着地点には永遠に辿り着けなかったでしょう。
違和感の言語化 :「そうじゃない」を分解する技術
AIの回答を見た瞬間、あなたはこう思うはずです。
「いや、そうじゃない」
この「そうじゃない」が壁打ちの最重要ポイントです。ただし、「そうじゃない」のままでは前に進めません。これを分解する必要があります。
分解のコツは、 「何が」「どう」違うのかを、対比で考える ことです。難しく考える必要はありません。AIの回答を見ながら、こう自問するだけで十分です。
完璧な言語化でなくて構いません。「論理的すぎる。もっと飛躍したアイデアが欲しい」、これだけで十分です。AIはこの曖昧なフィードバックからでも、驚くほど的確に方向を修正してきます。
それでも「何が違うか分からない」時 : AIに聞く
ここまで読んで、「いや、その『そうじゃない』すら出てこないんだけど」と思った方もいるでしょう。AIの回答を読んでも、良いのか悪いのか判断がつかない。「まあ、こんなもんか」で受け入れてしまう。
その感覚は正常です。1つの回答だけを見て良し悪しを判断するのは、プロでも難しいことです。
そんな時は、 AIに自分の回答を批判させればいいのです。
「今の回答の弱点はどこ？」
「これを読んだクライアントが物足りなく感じるとしたら、どの部分？」
「この企画書の一番ツッコまれそうなポイントは？」
AIの自己批評を読んだ瞬間、「あ、確かにそこが引っかかってた」「言われてみれば、ここが薄い」と気づきます。自分の中にぼんやり存在していた違和感が、AIの言葉によって輪郭を持つのです。
つまり、壁打ちとは「自分一人で言語化しなければならない」ものではありません。 言語化すらAIに手伝わせていいのです。 あなたがやるべきことは、AIが指摘した弱点の中から「確かに」と「いや、そこは別にいい」を仕分けることだけです。それが「判断」であり、それこそが人間の仕事です。
この瞬間こそが、自分の中に眠っていた「判断基準」が輪郭を現した瞬間です。何もない状態から「正解」を描くのは難しいでしょう。しかし、目の前に出された「不正解」に対して、「ここが違う」と指摘するのは遥かに簡単です。
人間は「書く（生成）」ことより、「選ぶ（判断）」ことの方が圧倒的に得意なのですから。
第3章：リバース・プロンプト・エンジニアリング
壁打ちの本質は、答えを出させることではありません。 「その答えを引き出すための『問い』を発見すること」 にあります。
トリガーを探す旅
あなたが「もっと感情的に！」と修正指示を出して、ようやく納得のいく回答が出たとしましょう。それはつまり、「感情的に」という指示が、このケースにおける正解への鍵だったということです。
多くの人は、この試行錯誤を「AIが使えないから手間取った」と嘆きます。しかし、それは違います。あなたはそのとき、AIという壁を使って、 「どう問えば、この問題は解けるのか」 という実験をしていたのです。
プロンプトは「思考の抜け殻」
そして、納得のいく答えが出た時、そこには自動的に「正解の問い」の材料も揃っています。ここで初めて、AIにこう命じます。
「今の対話のやり取りから、この最高のアウトプットを
生み出すために必要だった『条件』と『指示』を分析して。
そして、次回から一発でこれを再現できるプロンプトを書いて」
これが、 リバース・プロンプト・エンジニアリング（逆生成） です。
先ほどのセミナー企画の例で続けましょう。壁打ちの末に「ベテラン社員が自分の業務をAIにやらせて、自分の強みを再発見するワークショップ」という方向が固まったとします。ここでAIにこう依頼します。
「今の対話のやり取りを振り返って、
この企画案に辿り着くために必要だった『条件』と『指示』を分析して。
次回、別のテーマでも同じクオリティの企画を一発で出せるプロンプトを書いて」
するとAIはこんなプロンプトを生成します。
【AIが逆生成したプロンプト例】
あなたは社内研修の企画担当です。以下の条件で企画案を作成してください。
・ターゲット：AI導入に懐疑的な層（具体的な属性を記載）
・トーン：挑発的だが安心感のある表現。恐怖ではなく発見を軸にする
・形式：座学ではなく体験型ワークショップ
・ゴール：参加者が「AIにできないこと＝自分の強み」を実感できる構成
・企画タイトルは、ターゲットが思わず反応するキャッチーな表現で
このプロンプトを見ると、壁打ちの中で自分が無意識に出していた条件、 「懐疑的な層」「挑発的だが安心感」「体験型」「自分の強みが見える」 がすべて言語化されています。自分一人では書けなかった設計図が、対話の足跡から自動的に生まれたのです。
自分一人で唸りながら書いたプロンプトより、AIとの格闘の末に生まれた「実績あるプロンプト」の方が、圧倒的に精度が高いのは当然です。
プロンプトとは、最初に書く「設計図」ではありません。迷走し、壁にぶつかりながらゴールに辿り着いた後に残された、 思考の「足跡」 なのです。
逆生成プロンプトは「叩き台」 : 試す・直すの繰り返し
ただし、ここで一つ注意があります。 逆生成されたプロンプトが、一発で完璧に機能するとは限りません。
なぜでしょうか？ AIが生成したプロンプトは、あなたとの対話の「文脈」に依存した部分を含んでいることが多いためです。対話の流れの中では自然だった指示が、プロンプト単体では意味が通らなかったり、重要なニュアンスが抜け落ちていたりします。
だから、逆生成したプロンプトは必ず 「新しい会話」でテスト します。同じテーマで、ゼロからそのプロンプトだけを投げてみるのです。
テスト結果の確認ポイント：
- 壁打ちで得た「あの回答」と同等の品質が出るか？
- 意図しないズレが生じていないか？
- 別のテーマや素材に適用しても機能するか？
ズレていたら、こう修正を依頼します。
「このプロンプトで試したら、○○の部分がズレた。
元の対話ではうまくいっていたのに、ここが再現できていない。
原因を分析して、プロンプトを修正して」
このサイクルを2〜3回繰り返すだけで、プロンプトの精度は劇的に上がります。
まとめると、逆生成の正しいフローはこうなります。
「逆生成して終わり」ではありません。 「逆生成→テスト→修正」のループを回す ことで、初めて実戦で使えるプロンプトが手に入ります。
第4章：「答え」があるなら、言語化すらサボれる
ここまでは「答えがない」場合の話です。逆に、あなたの手元に「明確な理想形」が既にある場合はどうでしょうか？
例えば、過去に自分が書いた完璧なメールや、理想的な構成の資料がある場合です。この時こそ、人間の「言語化能力」の限界を超えるチャンスです。
インプットとアウトプットを投げる
「もっと丁寧に」「ビジネスライクに」といった曖昧な形容詞を並べる必要はありません。やるべきことは、「素材（インプット）」と「完成品（アウトプット）」の両方をAIに見せることです。
具体例で見てみましょう。あなたが打ち合わせ後に走り書きしたメモと、それを元に書いた報告メールがあるとします。
インプット（走り書きメモ）：
・A社 来週金曜に訪問決定
・先方の田中部長が同席
・見積もりは再提出、前回より15%下げた金額で
・納期は要相談、3月末は厳しいかも
アウトプット（実際に送った報告メール）：
お疲れ様です。A社の件、進捗を共有します。
来週金曜（2/21）にA社を訪問することが決まりました。
先方からは田中部長にもご同席いただける旨、連絡をいただいています。
見積もりについては、前回提示額から15%減の金額で再提出する方向です。
なお、納期については先方と3月末以降で再調整が必要になる可能性があり、
訪問時に詳細を詰める予定です。
事前に確認すべき点があればお知らせください。
この2つをAIに渡して、こう依頼します。
「上が元のメモ、下が私がそれを元に書いた報告メール。
この2つを比較分析して、私がどのようなルールで
メモからメールへの変換を行っているか、
その『変換ロジック』をプロンプトとして定義してくれ」
するとAIは、あなたが無意識にやっていたことを言語化してくれます。例えば「箇条書きの事実を、時系列順に再構成している」「不確定な情報には『可能性があり』とヘッジを入れている」「最後に相手へのアクションを促す一文を添えている」といった具合です。
あなた自身は「なんとなくいつもこう書いている」としか思っていなかったでしょう。しかし、AIに分析させることで、その「なんとなく」が再現可能なルールに変わります。
ブラックボックスの逆算
これは、中身の見えない箱の解析と同じです。リンゴを入れたらアップルパイが出てきたなら、箱の中には「皮をむき、煮詰め、焼く」という機能があるはずです。
人間がその手順をうまく説明できなくても、AIはインプットとアウトプットの差分から、人間が無意識に行っている「暗黙知」や「俺ルール」を自動的に抽出してくれます。
この方法が効く場面
「答えがある」パターンは、実務では驚くほど出番が多いものです。
- メール : 過去に書いた「うまくいったメール」を元に、変換ロジックを抽出する
- 議事録 : 自分流の「分かりやすい議事録」のフォーマットをAIに学ばせる
- 提案書 : 通った企画書と通らなかった企画書の差分から、勝ちパターンを抽出する
- コードレビュー : 修正前と修正後のコードを見せて、自分のレビュー基準を言語化させる
共通しているのは、 「自分ではうまく説明できないけど、良い例と悪い例は区別できる」 という状況です。その区別をAIに言語化させる。それだけで、あなたの暗黙知が再利用可能な資産に変わります。
この2つのスイッチを使い分けるだけで、あなたがゼロからプロンプトを書く必要はなくなります。
結論：地図を書く前に、歩き出す
「プロンプトが書けない」と悩んでいるなら、それはあなたの能力不足ではありません。あなたが 「まだ見ぬ新しい答え」 を探そうとしている証拠です。
答えを知らないのに、正確な地図なんて書けるわけがありません。だから、書こうとしなくていいのです。まずはAIという広大な荒野に、手ぶらで踏み出してみてください。
「なんか違う」「もっとこうして」と、泥臭く対話を重ねていく。その迷走の果てに、必ず「これだ！」という景色が見つかります。
地図（プロンプト）なんて、その場所に旗を立てた後で、AIに描かせればいいのです。そして、その地図が正しいかどうか、もう一度歩いて確かめればいい。
「自分の中に答えがない」
その事実を認めた瞬間から、本当の意味でのAIとの共創が始まります。
最後に
この記事は「プロンプトの型を学ぶな」という話ではありません。むしろ、プロンプトの型やデモプロンプトを学ぶことは非常に重要です。
優れたプロンプトの構造（ロール指定、制約条件、出力フォーマットなど）を知っていれば、壁打ちの試行錯誤も格段に早くなります。型を知っているからこそ、「ああ、ここにコンテキストを追加すれば精度が上がりそう」と気づけるのです。
ただし、型を100個覚えても、「自分が何を求めているか」の解像度が低ければ、その型は使いこなせません。型は「道具」です。道具の使い方を知っていても、「何を作りたいか」が見えていなければ、道具は宝の持ち腐れになります。
だから、両方が必要なのです。
- 型の学習 → プロンプトの構造や表現の引き出しを増やす
- 壁打ち → 自分の中の「求めているもの」の解像度を上げる
この記事で伝えたかったのは、「型を学んでも行き詰まったときは、壁打ちで自分の解像度を上げることから始めよう」ということです。そして、その壁打ちの結果を逆生成させれば、型の学習で得た知識が、あなた専用にカスタマイズされた実戦的なプロンプトへと昇華されるのです。
Discussion