AI時代に勝つのは、指示が上手い人ではなく骨組みを設計できる人

たった一つの問いで、AI活用の景色は変わる

AIに何を与えるべきか。本当に重要なのは、細かい命令を増やすことでも、完璧な文面を作ることでもありません。むしろ逆です。LLMは、最初に与えられた骨組みから、勝手に具体化し、肉付けするようにできています。だからこそ、AI活用の核心は「何を言うか」ではなく、「どのレベルの抽象度で、どんな構造を渡すか」にあります。

ここで多くの人がつまずきます。人間はつい、AIを“言われたことだけをそのまま実行する機械”として扱いたくなるからです。しかし実際には、LLMは膨大な言語データの中で、構造化、抽象化、一般化された知識のパターンを身につけています。だから、雑に具体例だけを並べるより、先に骨格を示した方が、はるかに良い答えが返ってきやすい。

この発想は、プロンプト設計の技術論にとどまりません。実は、仕事の設計、組織の役割分担、医療や現場運用のような複雑な実務にもそのまま通じます。AIが賢くなるほど、必要になるのは命令の細分化ではなく、意味を圧縮する能力なのです。

---

具体性を足すほど良くなる、という誤解

従来の発想では、良い指示とは「できるだけ詳しい指示」だと考えられがちでした。たしかに、人間同士なら詳細な前提を共有することは重要です。しかしLLMに対しては、情報を増やすことが常に正解とは限りません。むしろ、過剰な具体化は、AIが本来持っている関連付けの力を狭めてしまうことがあります。

たとえば、「新商品の紹介文を作ってください」とだけ頼むと、出力は平凡になりやすい。けれど、「健康を気にする30代会社員向けに、朝の5分で価値が伝わるように、ベネフィットを3つに整理して」と骨組みを与えると、AIはその構造に沿って文章を立ち上げます。さらに一歩進めて、「比較対象はコンビニコーヒーではなく、忙しい朝の意思決定コストに置く」といった抽象的な軸を渡すと、表現の質が変わります。

ここで大事なのは、抽象化と具体化の役割分担です。抽象化は、AIに「何を考えるべきか」を伝える。具体化は、「どこまで絞るか」を伝える。つまり、良いプロンプトとは、情報を盛り込むことではなく、考えるための座標軸を与えることです。

AIは穴埋め装置ではない。意味の骨組みを与えると、その空白を最適に埋める「構造補完装置」だ。

この見方に立つと、プロンプトは命令文ではなく、設計図に近づきます。設計図に必要なのは、すべての釘の位置ではありません。柱、梁、動線、目的が必要です。細部は、骨組みが決まってから生まれる。

---

なぜ骨組みが先なのか、という認知の理由

LLMが得意なのは、単なる記憶ではなく、関係の推定です。入力された言葉のあいだにどんな意味の関係があるかを読み取り、最も自然な形で補完する。だから、こちらが骨組みを示せば、モデルは「この枠の中では何が重要か」を推定し、文脈に合う具体例や説明を生成します。

これは、人間の思考とも似ています。たとえば会議で、いきなり細かい施策を並べる人より、まず「顧客の不満はどこか」「時間制約は何か」「何を最適化すべきか」を整理できる人の方が、議論を前に進めます。AIも同じです。問題を解く前に、問題の型を定義する必要がある。

ここで有効なのが、次の三層で考える方法です。

1. 目的層: 何を達成したいのか
2. 構造層: どんな観点で分けるのか
3. 具体化層: 誰向けに、どこまで絞るのか

この三層を分けると、AIへの依頼が驚くほど安定します。たとえば採用文面を作るなら、目的層は「応募を増やす」ではなく「適合度の高い応募を増やす」。構造層は「業務内容、求める人物像、働く価値」。具体化層は「エンジニア経験3年以上、リモート可、地方在住も想定」。こうすると、AIは単に文章を埋めるのではなく、戦略に沿って言葉を選ぶようになります。

この発想は現場にも効きます。たとえば医療の案内文を作る場合、ただ丁寧に説明すれば良いわけではありません。患者が知りたいのは「何をすればいいか」「何が危険か」「いつ連絡すべきか」という行動の骨格です。そこに個別事情を足せば、初めて使える情報になる。つまり、抽象度の調整は、わかりやすさではなく実行可能性を決めるのです。

---

本当に難しいのは、具体化ではなく抽象化である

多くの人は、AIを使う上で難しいのは「よく書かせること」だと思っています。しかし本当の難所は、逆です。何を抽象化し、何を残すかを決めることです。これは、優秀な編集者や優れたマネージャーが持っている能力に近い。

たとえば、営業資料を作るとします。単に顧客事例を並べるだけでは弱い。必要なのは、「顧客が買った理由」を抽象化して、繰り返し使える型にすることです。価格が安かったのか、導入が速かったのか、導入後の定着率が高かったのか。ここで見つけるべきなのは個別エピソードではなく、再利用可能な勝ち筋です。

AIは、この再利用可能な勝ち筋を言語化するのが非常に得意です。ただし、人間がその勝ち筋を見抜けなければ、AIには何も渡せません。つまり、AI時代のボトルネックは計算能力ではなく、編集能力です。情報を増やす人より、情報を圧縮して構造を与えられる人の方が強い。

ここで、ひとつの逆説が見えてきます。AIを使いこなすほど、人間側にはより高い抽象思考が求められるのです。なぜなら、AIは具体化を補うが、何を一般化すべきかは人間が決めるからです。AIに任せるほど、むしろ設計者としての人間の責任が重くなる。

良いプロンプトとは、AIを縛る命令ではなく、AIが自由に最適化できる問題設定である。

この違いは決定的です。命令は閉じる。問題設定は開く。閉じた命令は、想定外に弱い。開かれた問題設定は、状況に応じて強くなる。

---

使える人は、問いを「型」に変える

では、実際にどうすればよいのか。答えはシンプルです。AIに毎回ゼロから命令するのではなく、再利用できる骨組みの型を持つことです。

たとえば、どんな業務でも次の順で整理できます。

• 目的: 何を達成したいのか
• 対象: 誰に向けるのか
• 制約: 何を避けるべきか
• 観点: 何を優先するのか
• 出力形式: どう見せると使いやすいか

この型の優れた点は、どんな分野にも応用できることです。企画書、採用文、FAQ、営業メール、マニュアル、院内案内、研修資料。どれも本質は同じで、違うのは具体的な中身だけです。だから、腕のいい人ほど「一回ごとの指示」を頑張るのではなく、「毎回使える構造」を磨きます。

たとえば、次の二つを比べてみてください。

弱い依頼: いい感じに説明文を作ってください。

強い依頼: 初めて見る人が3分で理解できるように、目的、利用シーン、注意点の順で説明してください。専門用語は使いすぎず、判断に必要な情報は落とさないでください。

後者は単に情報が多いから強いのではありません。読む側の認知順序まで設計しているから強いのです。つまり、良いプロンプトは文章ではなく、認知プロセスのデザインです。

この考えをさらに進めると、AI活用の上手さは「質問のうまさ」ではなく、「構造のテンプレートをどれだけ持っているか」で決まると言えます。仕事が速い人は、考えるたびにゼロから思いついているわけではありません。実は、頭の中に何種類もの骨組みがあり、それを状況に応じて切り替えています。

---

Key Takeaways

1. AIには細かい命令より、意味の骨組みを渡す。 目的、構造、制約、対象を先に決めると出力が安定する。
2. 抽象化は曖昧さではない。 何を共通項として扱うかを決める、高度な編集作業である。
3. 具体化は最後に足す。 対象、場面、粒度を後から絞ると、AIの一般化能力を活かしやすい。
4. 良いプロンプトは命令文ではなく設計図。 AIを縛るのではなく、考える空間を与える。
5. 再利用できる型を作る。 毎回うまく書こうとするより、毎回使える構造を育てる方が強い。

---

AI時代の差は、言葉の量ではなく構造の質で決まる

これからの時代、AIに長文でお願いする人より、短い言葉で正しい骨組みを渡せる人の方が強くなります。なぜなら、AIは「詳細な説明を受けて賢くなる」のではなく、「適切な構造を与えられて賢く働く」からです。

ここに、AI活用の本質があります。人間はしばしば、もっと情報を集めれば答えに近づけると考えます。しかし実際には、答えに近づくために必要なのは、情報の追加ではなく、意味の圧縮です。複雑な現実を扱う力とは、細部を全部持つことではなく、重要な関係だけを抜き出して、再び具体に戻せることだからです。

だから、これからの賢さは、知識の量では測れません。問うべきは、「どれだけ知っているか」ではなく、「どれだけ良い骨組みを作れるか」です。AIはその骨組みに沿って、驚くほど自然に肉付けしてくれる。

そして最後に、最も大切なことを一つだけ残すなら、こう言えます。AIを使いこなすとは、答えを出させることではなく、答えが生まれる構造を設計することです。そこに気づいた瞬間、プロンプトは単なる入力欄ではなく、思考を拡張するための新しい作法に変わります。