ブレインフルプロンプトとは何か

前回は、「魔法のプロンプト」がなぜ万能ではないのかを考えました。

もちろん、テンプレート型のプロンプトには役に立つ場面があります。目的が明確で、成果物の形式も決まっている仕事では、よくできたテンプレートは出力を安定させ、作業を速くします。

しかし、経営、研究、教育、新規事業、組織づくりのような仕事では、そもそも何を問うべきかが最初から決まっていません。そこでは、完成した命令文を探す前に、自分の問いを育てる必要があります。

では、ブレインフルプロンプトとは何でしょうか。

私はそれを、AIにうまく命令するための文章術ではなく、人間の思考を外に出し、AIとの対話を通して理解を更新する方法だと考えています。

一文で言えば、こうです。

ブレインフルプロンプトとは、AIへの命令文ではなく、人間の理解を外部化し、吟味し、更新するための対話の型である。

プロンプトを「答えを取り出す鍵」としてだけ見るのではなく、「自分の思考の現在地を映す鏡」として使う。これが、ブレインフルプロンプトの出発点です。

ブレインフルプロンプトは、高級テンプレートではない

最初に誤解を外しておきます。

ブレインフルプロンプトは、普通のプロンプトより長い文章を書くことではありません。専門用語をたくさん入れることでも、AIに細かい役割を与えることでもありません。

長く複雑なプロンプトでも、意味を理解せずに貼り付けるだけなら、ブレインレスな使い方になります。逆に、短い問いでも、自分の前提、迷い、違和感、仮説がきちんと言葉になっていれば、ブレインフルな使い方になりえます。

たとえば、次のようなプロンプトがあります。

新しいサービスの企画を考えてください。

これは悪いプロンプトというより、まだ思考が外に出ていないプロンプトです。AIは何かを返してくれますが、返ってくるのはたいてい平均的なサービス案です。なぜなら、こちらの状況、目的、迷い、評価基準がほとんど渡されていないからです。

一方で、次のように書くと、プロンプトの意味が変わります。

私は中小企業向けに、生成AIを業務改善へ使う講座を考えています。
ただし、単なる時短や自動化を売りにすると、現場の判断や顧客対応の価値を壊す不安があります。

現時点の仮説は、「AI導入」ではなく「一つの業務を観察し、人とAIの役割を再設計する講座」として設計することです。

この仮説について、
1. 顧客に伝わりにくい点
2. 反対意見
3. よりよい問いの立て方
を順に出してください。

ここでは、AIに丸投げしていません。自分が何を考えているのか、何を怖れているのか、どこまで仮説ができているのか、何を返してほしいのかを外に出しています。

この時点で、プロンプトはAIへの指示である前に、自分の思考を整理するメモになっています。

プロンプトとは、思考の外部化である

一般には、プロンプトはAIへの指示文や質問文として説明されます。これは機能的には正しい説明です。

しかし、人間の側から見ると、プロンプトにはもう一つの意味があります。

プロンプトを書くとは、自分の頭の中にある曖昧な状態を、いったん外に出すことです。

自分は何を知っているのか。
何がまだ分かっていないのか。
どこに違和感があるのか。
どの前提を置いているのか。
何を判断基準にしたいのか。
AIに何をしてほしいのか。

これらを言葉にした瞬間、私たちは自分の思考を少しだけ外から見られるようになります。

紙に書くこと、ホワイトボードに図を描くこと、誰かに説明することと同じように、プロンプトを書くことにも思考の外部化としての働きがあります。

ただし、AIとの対話では、その外部化された思考に対して、すぐに応答が返ってきます。AIは、こちらの仮説を広げ、別の視点を出し、曖昧な点を指摘し、反対意見を提示します。

そのため、プロンプトは単なるメモではありません。

外に出された思考が、応答を受けて変化するための入口になります。

AIの回答を見ることは、自分の問いを見ることである

AIは、こちらの問いの精度を増幅して返します。

曖昧な問いを投げれば、曖昧な平均解が返ってきます。強すぎる前提を入れれば、その前提に沿ったもっともらしい答えが返ってきます。問いの中に自分の願望や恐れが混じっていれば、それも出力に影響します。

だから、AIの回答を読むとき、私たちはAIの能力だけを見ているのではありません。

自分がどのように問うたか、その反映を見ています。

たとえば、AIが妙に浅い答えを返したとします。そのとき、「AIは分かっていない」と考えることもできます。実際、AIが分かっていない場合もあります。

しかし、もう一つの可能性があります。

自分の問いが浅かったのかもしれない。
前提が足りなかったのかもしれない。
判断基準を渡していなかったのかもしれない。
本当の論点を避けたまま、表面的な依頼だけを出していたのかもしれない。

このように、AIの出力を自分の問いへ戻して読むと、対話の意味が変わります。

AIは単に答えを出す相手ではなく、自分の思考の癖や盲点を映す相手になります。

ブレインフルプロンプトの七つの循環

ブレインフルプロンプトは、一回で正解を得るための文章ではありません。

それは、問いと理解を更新し続ける循環です。

私は、その最小単位を次の七つに整理しています。

1. 現在の理解を言葉にする
2. 不明点や矛盾を見つける
3. 仮説をAIへ提示する
4. 別の視点や反例を求める
5. 回答を吟味する
6. 自分の理解を再記述する
7. 次の問いを作る

重要なのは、七番目で終わらないことです。

次の問いが生まれた時点で、また一番へ戻ります。ブレインフルプロンプトは、一つの完成した入力文ではなく、循環する対話です。

この循環があるから、最初の問いは不完全でも構いません。

むしろ、不完全な問いが対話の中で変わることに価値があります。最初から完成した問いを持っている人だけがAIを使えるのではありません。問いがまだ揺れているからこそ、AIとの対話に意味があります。

Prompt Engineeringとの違い

ここで、Prompt Engineeringとの関係を整理しておきます。

私は、Prompt Engineeringを否定していません。

指示を明確にすること、例を示すこと、出力形式を指定すること、制約条件を与えること、段階的に考えさせること、出力を評価すること。これらは実務上とても重要です。

ただし、Prompt Engineeringが主に見ているのは、モデルから望ましい出力を得る方法です。

ブレインフルプロンプトが見ているのは、それに加えて、人間の理解がどう変化したかです。

出力がきれいでも、自分の問いが育っていなければ、理解は深まっていないかもしれません。逆に、AIの回答がそのまま使えなくても、その回答への違和感から新しい問いが生まれたなら、対話には価値があります。

両者の違いを簡単に言えば、こうなります。

観点	Prompt Engineering	ブレインフルプロンプト
主な対象	モデルの出力	人間とAIの相互作用
成功基準	期待した形式・品質の出力	理解が更新され、次の問いが作れること
中心技術	指示、例示、制約、評価	外部化、反例、再記述、メタ認知
時間感覚	一回のタスク完了	往復を通じた理解形成
人間の役割	要件定義者・評価者	問いを育てる主体

ブレインフルプロンプトは、Prompt Engineeringを含みます。

しかし、それだけには還元されません。出力制御の技術を、人間の理解形成の方法へ拡張するものです。

今日からできる三つのステップ

ブレインフルプロンプトは、特別な道具がなければ始められないものではありません。

今日から試すなら、次の三つだけで十分です。

第一に、答えを求める前に、現在の理解を書きます。

私はいま、＿＿について考えています。
現時点では、＿＿だと思っています。
ただし、＿＿がまだ分かっていません。

第二に、AIに答えではなく、違和感と反例を求めます。

この考えについて、
1. 曖昧な点
2. 反対意見
3. 追加で確認すべき問い
を出してください。

第三に、最後は自分の言葉で再記述します。

AIの指摘を踏まえると、私の理解は次のように変わりました。
以前は＿＿だと思っていました。
いまは＿＿と考えています。
次に確認したい問いは＿＿です。

この三つだけでも、AIの使い方は変わります。

答えを受け取って終わるのではなく、自分の理解がどう変わったかを記録する。AIの出力を成果物としてだけでなく、自分の思考を更新する材料として扱う。

ここから、ブレインフルプロンプトは始まります。

AIとともに考えるとはどういうことか

ここまで、ブレインフルプロンプトを「思考の外部化と更新の方法」として説明してきました。

しかし、ここで次の問いが出てきます。

AIがただの道具ではなく、対話の相手になるなら、私たちはAIを何者として扱うべきなのでしょうか。

教師でしょうか。
秘書でしょうか。
エージェントでしょうか。
それとも、共同思考者でしょうか。

この違いは、単なる呼び方の問題ではありません。

AIを教師として扱えば、人間は教わる側になります。AIを秘書として扱えば、人間は指示する側になります。AIをエージェントとして扱えば、人間は目的を渡し、実行を任せる側になります。

どれも有効な場面があります。

しかし、ブレインフルプロンプトが最も重視するのは、AIを共同思考者として扱うことです。

共同思考者とは、正解を所有する相手ではありません。自分の代わりに考えてくれる相手でもありません。

こちらの問いを受け取り、別の角度を返し、違和感を発生させ、もう一度考え直すきっかけを作る相手です。

次回は、このAIの役割を整理します。

AIは教師なのか。秘書なのか。エージェントなのか。それとも、共同思考者なのか。

第3回では、「AIは教師ではなく共同思考者である」という考え方へ進みます。

---

この記事の位置づけ

本稿は、「ブレインフルプロンプト」を、人間とAIの対話による理解形成の方法として定義する試論です。

ここで示した七つの循環は、筆者による設計仮説です。思考の外部化、自己説明、メタ認知、人間とAIの協働に関する既存研究と接続可能な考え方ですが、この七循環そのものが実証済みの標準モデルであると主張するものではありません。

参考文献

1. Sahoo, P., Singh, A. K., Saha, S., Jain, V., Mondal, S., & Chadha, A. (2024). A Systematic Survey of Prompt Engineering in Large Language Models: Techniques and Applications. arXiv:2402.07927.

2. Li, H., Leung, J., & Shen, Z. (2024). Towards Goal-oriented Prompt Engineering for Large Language Models: A Survey. arXiv:2401.14043.

3. Chi, M. T. H., Bassok, M., Lewis, M. W., Reimann, P., & Glaser, R. (1989). Self-explanations: How students study and use examples in learning to solve problems. Cognitive Science, 13(2), 145-182. DOI: 10.1207/s15516709cog1302_1.

4. Hutchins, E. (1995). Cognition in the Wild. MIT Press.

5. Norman, D. A. (1993). Things That Make Us Smart: Defending Human Attributes in the Age of the Machine. Addison-Wesley.

6. Flavell, J. H. (1979). Metacognition and cognitive monitoring: A new area of cognitive-developmental inquiry. American Psychologist, 34(10), 906-911. DOI: 10.1037/0003-066X.34.10.906.

ファクトチェック注記

• 「ブレインフルプロンプト」は標準化された学術用語ではない
  本稿では筆者の提案概念として扱っています。

• Prompt Engineeringの有効性を否定していない
  指示、例示、出力形式、制約条件などは実務上有効です。本稿は、それを人間の理解形成の文脈へ拡張する立場です。

• 思考の外部化、自己説明、メタ認知は既存研究と接続可能である
  ただし、本稿の七つの循環がそのまま実証済みモデルであるとは主張していません。

• AIを共同思考者として扱うことは設計上の立場である
  AIに人間と同じ主体性や責任を認める主張ではありません。人間が問い、判断し、最終的な責任を引き受ける前提での関係設計です。