プロンプトエンジニアリング
Prompt Engineering
プロンプトエンジニアリングとは?
- 望む結果を出すための指示文設計
- 役割・文脈・例示・形式がカギ
- AI活用の基本力
プロンプトエンジニアリングが定着すると、チームの会話から変わります。「あのAI、いまいちだね」で終わっていた評価が、「どんな指示文で聞いたのか、画面を見せてほしい」へと進みます。結果の責任がモデルではなく指示文の側へ移ることが、この技術の実質です。よく練られた指示文は個人の感覚ではなく、チームがコピーして使う文書資産として残り、誰が使っても似た水準の結果が出ます。
実務では、指示文を3つの層に分けて考えると整理しやすくなります。毎回変わらない会社紹介・トーン・禁止語はシステムプロンプトに、今回の案件の目的と対象はユーザープロンプトに、判断基準があいまいな作業は例を2〜5個添えるfew-shotで処理します。計算や多段階の推論は「段階を追って検討したうえで結論だけを出力せよ」のように過程を求めると、誤答が目に見えて減ります。ただしプロンプトで解決できる範囲とその外側は区別すべきです。社内文書を根拠に答える必要があるならRAG、言い回しや形式を大量に固定する必要があるならファインチューニングが適しています。そして指示文を直しただけで、存在しない事実が生まれることはありません。
現場で最も多い誤解は、「よく効く呪文」だけを集めればよいという考えです。コミュニティから拾った文章を貼り付け、結果がいまいちなら別の文章を探す—そういう形ですが、肝心の自社の顧客や制約条件は一行も書かれていないことが多いのです。長さを増やすだけでも罠で、参考資料を20枚ずつ添付すると、肝心の指示が埋もれて関係のない項目を要約してきます。モデルがアップデートされると既存のプロンプトが壊れることも見落としがちなので、四半期ごとに代表的なプロンプト5〜10個は再度試しておくのが安全です。最後に、顧客リストや非公開の実績をそのまま貼り付ける習慣は、性能の問題ではなくセキュリティ事故として返ってきます。
2020年代初頭、大規模言語モデル(GPT-3など)が普及し、「どう指示するか」が性能を左右するという認識から登場した実務技術です。特定の考案者よりも、ユーザーコミュニティで速やかに確立されました。
架空の事例で見てみましょう。年間売上620億ウォン(約741,458万円)、役職員210名規模の産業資材流通会社A社のマーケティングチームは、3名で月30件の製品詳細ページのコピーを作ってきました。生成AIを導入してから4か月が経ちましたが、件あたりの作業時間は4時間のままで、チーム長の決裁では平均2.4回ずつ差し戻されていました。
- 金マーケティングチーム長が、チームメンバーが実際に入力した指示文を集めてみたところ、9割が「この製品の詳細ページの文言を書いて」の一行でした。「これでは誰が書いても平凡ですよね」というのが、チーム長の第一声でした。
- そこで、毎回繰り返されていた会社紹介、設備購入担当者の関心事、「業界1位」のような社内の使用禁止表現7つを固定ブロックにし、すべてのプロンプトの先頭に付けるようにしました。
- 出力形式も明示しました。「ヘッドライン15字以内で3案、納期・単価・A/Sの観点でそれぞれ1案、表で出力」と書いたところ、最初の結果から手直しすべき箇所が一気に減りました。
- 前年度のクリック率上位3つの文言を例として添えてトーンを固定したところ、入社1年目のイ社員は「普段使っている言い回しがそのまま出てくる」と驚いていました。
- 完成した指示文4種は社内ウィキにv1、v2とバージョンを付けて掲載し、新入社員のオンボーディング1日目の課題として、実際に動かしてもらいました。
- 6週間後、件あたりの作業時間は4時間から1時間20分に、差し戻し回数は2.4回から0.8回に減り、月の制作数は30件から48件に増えました。
金鍾赫(キム・ジョンヒョク)
パク・ソリョン