プロンプトより先に、AI に渡す材料を揃える

プロンプトの書き方を学んでも、AI から出てくるものが変わらない人がいます。そういう方に「AI に何を渡しましたか」と聞くと、渡した材料がほぼゼロのまま「出力が微妙」と感じているケースがほとんどです。AI 駆動開発の研修で講師をするなかで繰り返し見てきたこの状況をもとに、AI に渡すインプットの分け方・集め方・置き場の作り方をまとめます。

---

研修で繰り返し起きていること

研修では、AI でアウトプットを作る手順を 5 つのステップで整理しています。①アウトプットのイメージを描く、②インプットを集める、③意思を吹き込む、④プロンプトに圧縮する、⑤アウトプットを生成する、の順です。この記事で扱うのは、このうち②です。5 ステップ全体と、①で完成形を先に描く理由は AI の上限は使う人のレビュー範囲で決まる で紹介しています。

②が抜けている例として、研修では次のような答えがよく返ってきます。

• 「議事録を要約して」と頼んでいるが、要約のもとになる文字起こしを渡していない
• 自分の業務の資料が手元にない。どこに置いてあるかも分からない
• 判断基準は頭の中にあるが、言葉になっていない

どれも、プロンプトの書き方を工夫しても解決しません。AI の性能が足りないのではなく、AI の手元に材料が届いていないからです。

出力が一般論になる理由

AI は、渡されていないことを知りません。指示文だけで頼んだときに出力が一般論になるのは、AI が最初から持っている知識の範囲で答えているためです。

指示文だけを渡した場合、返ってくるのはどこかで見たような一般論です。文字起こし・過去の資料・判断基準を一緒に渡すと、自分の仕事に合った初稿が返ってきます。初稿が自分の仕事に沿っていれば、「ここが違う」とレビューできます。 一般論の出力は、どこを直せばいいのかすら決められません。

研修では料理にたとえて説明しています。プロンプトはレシピで、インプットは冷蔵庫の中の材料です。レシピが完璧でも、冷蔵庫が空ならありふれた材料で作るしかなく、出てくるのはどこにでもある料理になります。

インプットは事実・文脈・判断基準に分けて揃える

「何を渡せばいいか分からない」という声には、インプットを種類で分けると答えやすくなります。研修では次の 3 種類で整理しています。

いちばん揃えにくいのは判断基準です。自分の経験やこれまでの仕事のやり方が反映される部分で、本人の頭の中にしかないことが多いためです。ただ、研修を見ている限りでは、判断基準以前に1 つ目の事実すら渡していない人が多いのが実態です。

材料を集める場所

材料の集め先として研修で挙げているのは次の 4 つです。

1. 会議・1on1・顧客ヒアリングの文字起こし: いちばん手軽で、いちばん中身が濃い材料です。決まったことだけでなく、判断の理由や温度感まで残ります
2. 過去の成果物: 自分が作った資料・メール・提案書。提案書やスライドを作るときの「OK 例」そのものになります
3. チャットや Slack のスレッド: 決まった経緯と、誰が何を気にしていたかが残っています。AI から読ませるには MCP の接続などが必要なので、4 つの中では少し手間がかかります
4. 自分の声で録ったメモ: 「なぜそうしたか」を口で話して録音し、文字起こしにします。キーボードで書くより速く出せます

最初に取り組むなら文字起こしです。研修では、会議で文字起こしを取れること自体を知らない受講者が多いことに毎回驚かされます。筆者自身も、会議や相談はすべて文字起こしを取って議事録にしています。会議ツールごとの使い勝手は Notion AI Meeting Notes を議事録運用で検証してみた が参考になります。

材料の置き場を先に作る

材料を集めても、毎回探して添付していると、思い出せたファイルしか AI に渡せません。渡し忘れた分は AI にとって存在しないので、出力の質がその日の記憶に左右されます。そこで、料理のたとえでいう冷蔵庫にあたる「置き場」を先に作り、フォルダやデータベースごと AI に参照させます。

ツールはどれでも構いません。組織や個人の環境に合わせて 1 つ決めれば十分です。条件はテキストで、1 か所に、AI が辿り着けることの 3 点だけです。

置き場があると、同じプロンプトでも出力が変わります。顧客向け提案書の初稿で比べると、違いは次のとおりです。

AI に渡す情報を設計する考え方は、開発の文脈では コンテキストエンジニアリング と呼ばれています。置き場づくりは、それを日々の業務に持ち込む最初の一歩です。

明日から変えるのは「残し方」

材料が揃うかどうかは、AI を使う瞬間ではなく、普段の仕事の残し方で決まります。研修の最後に、受講者には次の 3 つを持ち帰ってもらっています。

• 会議は文字起こしをデフォルトにする: 録らなければ、材料はその場で消えます。録った文字起こしは置き場に格納します
• 成果物に「なぜそうしたか」を添える: 判断の理由を残しておくと、それが次に AI へ渡す判断基準になります
• 「いい感じに」を一度言葉にする: 最近の AI は「いい感じに」だけでもそれなりの出力を返します。それでも、トンマナはこう、LP なら競合との比較を入れる、のように中身を言葉にした時点で、AI に渡せる材料に変わります

残していない仕事は、AI にも引き継げません。

研修で起きた変化

材料を先に揃えてから、同じプロンプトを投げ直してもらうと、受講者の反応が変わります。不満の矛先が「プロンプト」から「材料」に移るのです。

まず「AI が急に賢くなった」と言われます。実際に変わったのは入力のほうです。続いて、自分の仕事の判断基準が言葉になっていなかったことに気づく方が出てきます。研修の最後には「次の会議から文字起こしを取ります」という声が多く上がります。

ここまで来ると、AI の使い方の話というより、自分の仕事を言語化するリスキリングの話になっています。

導入する側が先に確認すること

組織に AI を導入する側に立つなら、使う人の AI スキルより先に、材料が揃う環境かどうかを確認しておく必要があります。

ここが空のまま AI エージェントの話を始めても、噛み合いません。どれだけ高機能なエージェントでも、参照できる材料がなければ一般論しか返せないためです。

まとめ

• AI の出力の下限は渡したインプットで、上限は使う人がレビューできる範囲で決まります。仕事で使える成果になるのは、この 2 つの間だけです
• インプットは事実・文脈・判断基準に分けて揃えます。まずは事実、とくに文字起こしから始めます
• 毎回添付するのをやめ、テキストで 1 か所にまとめた置き場を AI に参照させます
• ゴールを決めたら、プロンプトを書く前に材料を集めます。この順番を守るだけで出力は変わります

明日からやることは、次の会議で文字起こしを取る、材料の置き場を 1 つ決める、置き場を参照させて同じプロンプトを投げ直す、の 3 つです。研修講師としては、AI を使ってうまくいかなかった事例をもっと集めたいと考えています。現場の失敗事例が増えるほど、研修で伝えられることも具体的になるためです。

この 5 ステップは、AIDD キャンプ の講座①「AI リスキリング」で扱っている内容です。社内の AI 活用が「プロンプトの書き方」で止まっていると感じたら、お気軽に KDDIアイレットへご相談ください。