ここまで、伝わる頑み方（No.1）と、考える過程を書かせる（No.2）を見てきました。今回は一歩引いて、プロンプトの本丸がどこに移ったかを扱います。結論は——「うまい一文探し」から「文脈設計」へです。
- AIが良い答えを返さない原因の多くは言い回しでなく「材料を渡していない」こと
- 本丸は「天才的な一文」探しから「文脈設計（context engineering）」へ移った
- 同じ意味でも書き方で結果がブレる。再現性は属人技でなく仕組みで担保する
「うまい一文」を探すのをやめる
多くの人が、AIから良い答えを引き出す「魔法の一文」を探そうとします。しかし最前線の認識は、すでにそこを越えています。Shopifyのトビ・リュトケCEOはこう言います。
私は「プロンプトエンジニアリング」より「コンテキストエンジニアリング（文脈設計）」という言葉の方が好きだ。中核スキルをよりよく言い表している——LLMがそのタスクをまっとうに解けるだけの文脈を、すべて与える技術だ。
（Tobi Lütke / Shopify CEO, 2025）
元OpenAIのアンドレイ・カルパシーも同調し、「文脈設計とは、AIの作業スペースに”次の一手に必要なちょうどよい情報”を満たす、繊細な技術であり科学だ」と述べています。論点は「どう言うか」から「何を見せるか」へ移ったのです。
腹落ちのコツ：文脈設計とは、新人に仕事を任せる前に「引き継ぎ資料を整える」感覚です。自社の事情・顧客の背景・過去の経緯・判断基準——これらを渡さずに「いい感じにやって」と言うから、当たり障りのない答えしか返ってこない。天才的な一文より、渡す材料一式が成果を分けます。
多すぎても少なすぎてもダメ——「ちょうどよい高度」
ただし、文脈は多ければ良いわけではありません。Anthropicは、文脈設計の核心を「望む挙動が出る確率を最大化する、最小で高密度な情報の組み合わせを見つけること」と表現します。指示が細かすぎると壊れやすく、曖昧すぎると伝わらない。この「ちょうどよい高度（right altitude）」を探るのが、文脈設計の腕の見せ所です。
たとえば問い合わせ返信なら、過去のFAQ全文を丸ごと貼るのではなく、その問い合わせに関係する数件だけを選んで渡す。料理で言えば、冷蔵庫の中身を全部出すのではなく、その一皿に必要な材料だけを並べる感覚です。
同じ意味でも結果はブレる——だから仕組みで固める
ここで、見落とせない事実があります。AIの出力は、意味と無関係な「書き方の差」で大きくブレるのです。ワシントン大学らの研究は、術撃的な数字を報告しました。
広く使われるオープンソースLLMは、お手本の書式のわずかな変更に極めて敏感で、あるモデルでは最大76ポイントもの性能差が出る。
（Sclar et al., ICLR 2024）
同じ意図でも、例の順序や記号、改行の付け方ひとつで結果が変わる。つまり「万能の正解プロンプト」は存在しません。ということは——「あの人だけが知っている当たりプロンプト」に頃る運用は、再現性が低く危ういということです。
対策は「個人の暗記」ではなく「仕組みで固める」こと。よく使う業務は、書式まで含めてプロンプトを社内テンプレとして固定し、実際の出力で検証する。属人的な”プロンプト職人”に依存せず、会社として再現できる形にします（この資産化は次回くわしく扱います）。
左「魔法の一文を探す（属人的・不安定）」、右「文脈一式を整える＝引き継ぎ資料（前提・顧客・経緯・お手本・判断基準）」。中央に『ちょうどよい高度＝多すぎず少なすぎず』のメーター。下に「書式の差で最大76ポイントぶれる→仕組みで固める」の注意帯。
まとめ
- AIが応えない原因の多くは言い回しでなく材料不足。本丸は「文脈設計」へ移った。
- 文脈は「最小で高密度」＝ちょうどよい高度。引き継ぎ資料を整える感覚で。
- 同じ意味でも結果はブレる。当たりプロンプト信仰でなく、仕組みで再現性を担保する。