例を見せる・考えさせる：few-shotと段階的な推論の使いどころ｜プロンプト設計の教科書 第3回
監修田中 磨生株式会社Abin 代表取締役
株式会社Abin代表取締役。AI SaaSの上場企業やHR系ベンチャーのマーケティング責任者を経て、2023年BtoBマーケティング特化のコンサルティング会社株式会社Abinを設立。創業から30社以上のBtoBマーケティングの戦略立案から実行までを行う。2025年には株式会社プロベルの役員に就任。NYマーケティング株式会社の執行役員も務める。
執筆Abin編集部
この回で分かることは3つです。①言葉で説明しにくい「こんな感じ」を、お手本で伝える方法（few-shot）と、お手本の選び方・並べ方、②複雑な仕事を、手順に分けて考えさせたり、いくつかのプロンプトに分けてつないだりする方法、③考える力の強い「推論モデル」では、こうした書き方がどう変わるのか、です。
前回は、仕様書型のプロンプトの6つの要素と、あいまいな言葉を判断できる言葉に置き換える方法を学びました。ただ、文体や温度感、分類の微妙な線引きのように、言葉だけではどうしても伝えきれないこともあります。今回は、その「伝えきれない部分」を埋める技を扱います。
お手本を見せる：few-shot（フューショット）とは
指示だけで頼むことを「zero-shot（ゼロショット）」、お手本を1つ見せることを「one-shot」、いくつか見せることを「few-shot」と呼びます。shotは「例」のことです。
few-shotという言葉が広まったきっかけの1つが、2020年にOpenAIの研究者らが発表した論文「Language Models are Few-Shot Learners」です。この論文では、1,750億個のパラメータを持つGPT-3というモデルに、モデル自体を学習し直すことなく、文章の中でいくつかのお手本を見せるだけで、さまざまな作業をこなせることを示しました。お手本は、モデルを作り直す材料ではなく、その場の「文脈」として効く、という点が大切です。第1回で学んだ「机の上に置くもの」の1つだと考えてください。
お手本が特に役立つのは、次のような場面です。
- 文体・温度感をそろえたい：社内報の見出し、商品紹介の一文、SNS投稿など
- 分類や判定の線引きを伝えたい：問い合わせの種類分け、口コミの良い・悪いの判定など
- 決まった形式で出してほしい：議事録の書き方、商品データの整形など
悪い例
次の口コミが「要対応」か「対応不要」かを判定してください。
口コミ：届いた箱が少しへこんでいたけど、中身は無事でした。
良い例
口コミを読み、お客様への連絡が必要なら「要対応」、不要なら「対応不要」と判定してください。
<例>
口コミ：注文と違う色の商品が届きました。
判定：要対応（誤配送の可能性。交換の案内が必要）
口コミ：箱が少しつぶれていましたが、中身は問題ありません。
判定：対応不要（商品に問題なし。梱包の改善点として記録のみ）
口コミ：使い方が分からず、電源が入りません。
判定：要対応（使い方の案内が必要。故障の可能性も確認）
</例>
口コミ：届いた箱が少しへこんでいたけど、中身は無事でした。
判定：
悪い例でも、生成AIは何かしら判定します。しかし、「箱のへこみ」を品質クレームとして「要対応」にするか、「中身が無事なら対応不要」にするかは、会社の方針しだいです。良い例では、お手本を通じて「この会社では、中身が無事なら対応不要。ただし記録はする」という線引きが伝わります。言葉で書くと長くなるルールを、お手本が代わりに伝えてくれるのです。
お手本の選び方と並べ方
お手本は、入れればよいというものではありません。選び方を間違えると、かえって答えがゆがみます。各社の公式ガイドに共通する考え方を、5つにまとめます。
- 本番に近いものを選ぶ。 実際に処理したいものと、似た種類・似た難しさのお手本を選びます。
- ばらつきを持たせる。 似たお手本ばかりだと、生成AIはその共通点（たとえば「全部が短い文」「全部が要対応」）まで真似してしまいます。判定なら、答えが分かれる例をまぜます。
- 形をそろえる。 お手本どうしで、見出し・改行・区切りの形をそろえます。GoogleのGemini APIのガイドでは、お手本の形（タグ、空白、改行、区切り）をそろえることが強調されています。
- 区切ってはさむ。 お手本と本番の入力が混ざらないよう、
<例>〜</例>などではさみます。Anthropicのガイドでも、お手本をタグで囲むことが勧められています。 - 数は少なく始めて、足りなければ足す。 何個が最適かは作業によって違います。Anthropicのガイドでは3〜5個を目安としています。一方、Googleのガイドでは、多すぎるとお手本に合わせすぎる（過学習のような状態になる）おそれがあるとしています。
お手本は「理由つき」にすると、線引きが伝わりやすい
さきほどの良い例では、判定の後ろに（ ）で短い理由を書きました。理由があると、生成AIは「なぜそう判定したのか」というルールを読み取りやすくなり、お手本にない種類の口コミにも応用しやすくなります。前回の「条件には理由を添える」と同じ考え方です。
問い合わせメールを「請求」「解約」「使い方」の3種類に分けたいので、お手本を3つ用意しました。ところが、3つとも「請求」の例でした。どんなことが起きやすいでしょう？
- お手本の数が少ないので、生成AIはお手本をまったく参考にしない
- お手本が多すぎて、処理が遅くなる
- お手本の共通点に引っぱられ、「請求」と判定しやすくなるなど、答えがかたよる
答えと解説
正解は3。お手本は「こういう答えが正しい」という強い手がかりになります。すべてが同じ答えのお手本だと、その答えに引っぱられやすくなります。答えが分かれる例をまぜ、ばらつきを持たせましょう。
考えさせる：手順に分ける・プロンプトを分ける
「一歩ずつ考えて」の研究
複雑な問題でいきなり答えを求めると、生成AIは途中の考えを飛ばして、もっともらしいけれど間違った答えを出すことがあります。そこで研究されてきたのが、答えの前に途中の考え（推論の過程）を書かせる方法です。
2022年に発表された「Chain-of-Thought Prompting」という論文では、途中の考え方を含んだお手本を8つ見せることで、5,400億パラメータのモデルが算数の文章題のテストで当時の最高水準の正答率に達したと報告されました。同じ年の別の論文では、お手本なしでも「Let’s think step by step（一歩ずつ考えよう）」と加えるだけで、当時のモデルの正答率が大きく上がったと報告されています（第1回で紹介した研究です）。
実務では「手順を指定する」が使いやすい
仕事で使うときは、「一歩ずつ考えて」と書くより、どんな手順で考えてほしいかを具体的に書くほうが、答えの中身を確かめやすくなります。
新商品の価格を決める参考にしたいです。次の順番で考えてください。
1. 下の<材料>から、競合3社の価格と特徴を表にする
2. 当社の商品が、競合より優れている点・劣っている点を挙げる
3. 1と2をふまえて、価格帯の案を3つ出し、それぞれの理由を書く
4. 最後に、案を選ぶ前に社内で確かめるべき点を3つ挙げる
<材料>
（競合の価格表、当社商品の仕様）
</材料>
手順が書かれていると、どこで考えが外れたのかを人が追いかけやすくなります。「2の『劣っている点』の見方がずれている」と分かれば、そこだけ直して頼み直せます。
大きな仕事は、プロンプトそのものを分けてつなぐ
手順がさらに長くなるときは、1つのプロンプトに全部を詰め込まず、作業ごとにプロンプトを分け、前の答えを次の材料として渡す方法が有効です。これを「プロンプトチェーン（つなぎ）」と呼ぶことがあります。Googleのガイドでも、複雑な作業は、指示ごとにプロンプトを分ける、順番につなぐ、並行して処理した結果をまとめる、といった分け方が紹介されています。
分けるメリットは3つあります。
- 途中で人が確かめられる。 調べた内容が間違っていれば、書く前に止められます。
- 1回ごとの指示が短くなる。 大事な条件が埋もれにくくなります。
- 部分ごとに直せる。 「書く」の段だけ別の書き方に変える、といった調整がしやすくなります。
競合調査からブログ記事の下書きまでを生成AIに頼みたいとき、プロンプトを「調べる」「構成を考える」「書く」「見直す」に分けてつなぐ主なメリットはどれでしょう？
- 途中の結果を人が確かめられ、間違いを早く止めたり、部分ごとに直したりできる
- プロンプトを分けると、生成AIの知識が増える
- 分けたほうが、必ず答えが短くなる
答えと解説
正解は1。分けると、各段の出力を確かめてから次に進めます。調べた内容の誤りが記事にまで広がるのを防げ、直したい段だけ直せます。知識が増えるわけではありません。
推論モデルでは、書き方が変わる
ここ1〜2年で、答える前に内部でじっくり考える「推論モデル（リーズニングモデル）」が広く使われるようになりました。OpenAIのoシリーズや、GoogleのGemini 2.5以降のモデル、Anthropicの「拡張思考（extended thinking）」を使えるClaudeなどが、その例です（2026年11月時点）。多くのチャットサービスでは、「じっくり考える」「思考モード」のような切り替えとして提供されています。
推論モデルは、頼まれなくても内部で手順を踏んで考えます。そのため、各社のガイドでは次のような書き方が勧められています。
- 「一歩ずつ考えて」は基本的に不要。 OpenAIのガイドでは、推論モデルは内部で考えるので、段階的に考えるよう促す指示は必要ないとしています。Googleのガイドでも、Gemini 2.5や3のように内部で考えるモデルでは、答えの中で考える手順を書かせる必要は一般にないとしています。
- まずお手本なしで試し、必要なときだけお手本を足す。 OpenAIのガイドでは、推論モデルにはまずzero-shotで試し、うまくいかなければfew-shotにする順番を勧めています。
- ゴールと成功の基準をはっきり書く。 考え方を細かく指示するより、「何ができれば成功か」を明確に書くほうが、推論モデルの強みが生きます。前回学んだ「目的と成功の基準」がいっそう重要になります。
一方で、推論モデルは答えが出るまでに時間がかかり、使える回数や費用が多めにかかることもあります。OpenAIのガイドでは、推論モデルを「計画を立てる役」、ふつうのモデルを「決まった作業を速くこなす役」にたとえ、組み合わせて使う考え方を紹介しています。毎日の定型作業はふつうのモデルで、複雑な分析や計画づくりは推論モデルで、という使い分けが現実的です。
推論モデル（じっくり考えるモード）で複雑な分析を頼むとき、各社のガイドに沿った書き方はどれでしょう？
- 「一歩ずつ考えてください」を必ず先頭に書く
- 目的と成功の基準をはっきり書き、まずはお手本なしで試す
- お手本をできるだけたくさん（20個以上）並べる
答えと解説
正解は2。推論モデルは内部で考えるので、考え方を促す決まり文句は基本的に不要です。ゴールを明確にし、まずzero-shotで試して、足りなければお手本を足すのが勧められている順番です。
よくある誤解
誤解1「お手本は多ければ多いほどよい」
お手本が多すぎると、文脈が長くなるうえ、お手本の細かいクセまで真似されやすくなります。3つ程度から始め、答えのぶれ方を見ながら足したり入れ替えたりしましょう。
誤解2「お手本の中身は適当でよい」
お手本は「正解」として扱われます。お手本に誤字や事実の誤り、社外に出せない情報が混ざっていると、それも真似されます。お手本はいちばん丁寧に作る部分だと考えてください。実在の顧客名などは、架空の名前に置き換えておくと安心です。
誤解3「考える過程が表示されていれば、答えは正しい」
推論の過程が見えると、もっともらしく感じます。しかし、過程が書かれていても、途中の前提や数字が間違っていることはあります。過程は「どこを確かめればよいか」の手がかりとして使い、結論の正しさは人が確かめましょう（第6回で詳しく扱います）。
実務ではこう使う
- 「良かった答え」をお手本として貯める。 生成AIの答えのうち、そのまま使えたものや、人が直して完成させたものを、お手本の候補として残しておきます。チームで使い回すと、文体や判断の線引きがそろっていきます。
- 判定の仕事は「お手本＋理由」で始める。 問い合わせの振り分け、口コミの分類、リードの見込み度の判定などは、お手本の効果が出やすい仕事です。理由つきのお手本を3つほど用意し、迷う例が出たらお手本に足していきます。
- 長い作業は「段ごとに確かめる」前提で分ける。 調べる→構成→書く→見直す、のように分け、人がチェックする段を決めておきます。
- 難しい判断だけ推論モデルを使う。 定型の文章づくりは速いモデルで、計画・分析・比較の判断は推論モデルで、と使い分けると、時間と費用のむだが減ります。
社内で使い方をそろえたいときは、研修を外部に頼む方法もあります。AI研修おすすめで比べています。
FOR BUSINESS
マーケティング・DXの発注先選びに迷ったら
ツギノテを運営する株式会社Abinは、BtoBマーケティングに特化したコンサルティング会社です。創業から30社以上のBtoBマーケティングを支援してきました。
相談無料ツギノテ編集部に相談する→この回のまとめ
- お手本を見せるfew-shotは、言葉で伝えにくい文体・線引き・形式を伝えるのに強い。お手本は文脈として効く
- お手本は、本番に近い・ばらつきがある・形がそろっている・区切られている、の4点を満たし、少なめから始める
- 複雑な仕事は、考える手順を具体的に指定するか、プロンプトを分けてつなぐ。途中で人が確かめられる
- 推論モデルでは「一歩ずつ考えて」は基本的に不要。目的と成功の基準を明確にし、まずお手本なしで試す
- 考える過程が見えても、結論の正しさは人が確かめる
確認テスト
few-shotについての説明として、正しいものはどれでしょう？
- お手本を見せると、生成AIのモデルそのものが学習し直される
- お手本はその場の文脈として効き、モデルを作り直さずに答えの形や線引きを伝えられる
- お手本は1つでも見せると逆効果になる
答えと解説
正解は2。GPT-3の論文でも、モデルを学習し直すことなく、文章の中でお手本を見せるだけで作業をこなせることが示されました。お手本は「机の上に置く材料」の1つです。
お手本を並べるときの注意として、各社のガイドの考え方に合わないものはどれでしょう？
- お手本どうしの形（見出し・改行・区切り）をそろえる
- お手本と本番の入力を、タグなどで区切る
- お手本はできるだけ似たものばかりにして、答えを統一させる
答えと解説
正解は3。似たお手本ばかりだと、共通点まで真似されて答えがかたよります。お手本には、本番に近く、かつばらつきのある例を選びます。
「手順を指定して考えさせる」プロンプトの実務上の利点として、もっとも適切なものはどれでしょう？
- どこで考えが外れたのかを人が追いかけやすく、その部分だけ直して頼み直せる
- 手順を書けば、答えが必ず正しくなる
- 手順を書くと、生成AIが最新の情報を自動で調べてくれる
答えと解説
正解は1。手順が見えると、間違いの場所を見つけやすくなります。ただし、手順を書いても答えの正しさが保証されるわけではありません。
推論モデルとふつうのモデルの使い分けとして、OpenAIのガイドの考え方にもっとも近いものはどれでしょう？
- すべての仕事を推論モデルに任せるのがよい
- 推論モデルは、文章を書く仕事には使えない
- 推論モデルは計画や複雑な判断に、ふつうのモデルは決まった作業を速くこなすのに使い、組み合わせる
答えと解説
正解は3。OpenAIのガイドでは、推論モデルを「計画を立てる役」、ふつうのモデルを「作業を速くこなす役」にたとえ、組み合わせる考え方が紹介されています。推論モデルは時間や費用が多めにかかることもあります。
次回予告
次回は、議事録・契約書・調査レポートのような長い資料を生成AIに渡すときのコツを学びます。資料と質問をどこに置くか、複数の資料をどう区切るか、先に引用を抜き出させるとなぜ精度が上がるのかを、研究と公式ガイドをもとに整理します。
参考資料
- Tom B. Brown ほか「Language Models are Few-Shot Learners」（2020年）。1,750億パラメータのGPT-3を、学習し直すことなく文章中のお手本だけで作業に使えることを示した論文。
- Jason Wei ほか「Chain-of-Thought Prompting Elicits Reasoning in Large Language Models」（NeurIPS 2022）。途中の考えを含むお手本8つで、5,400億パラメータのモデルが算数の文章題で当時の最高水準に達したと報告。
- Takeshi Kojima ほか「Large Language Models are Zero-Shot Reasoners」（NeurIPS 2022）。
- Google「Prompt design strategies」（Gemini API ドキュメント）。お手本を入れることの推奨、多すぎるお手本の注意、形をそろえること、プロンプトの分け方、内部で考えるモデルでは手順を書かせる必要が一般にないことを確認。
- Anthropic「Prompting best practices」。お手本は3〜5個を目安に、本番に近く、ばらつきがあり、タグで囲むことを確認。
- OpenAI「Reasoning best practices」。推論モデルには段階的に考えるよう促す指示が不要、まずzero-shotで試す、推論モデルとふつうのモデルの役割分担を確認。
- 確認日：2026年11月12日
この記事は役に立ちましたか？
NEXTあわせて読みたい
-
BPOサービス（業務アウトソーシング）おすすめ7選｜コンタクトセンター・バックオフィスの外注先を規模・料金・事例で比較
-
Shopify制作会社おすすめ7選｜Shopify Plus・越境EC・運用まで、認定・実績・事例で比較
-
マーケティング研修おすすめ7選｜法人向けの基礎・実践・BtoB研修を料金・形式・実績で比較
-
ECコンサル会社おすすめ5選｜楽天・Amazon・自社ECの売上を伸ばす支援会社を範囲・料金・事例で比較
-
広報・PR代行（PR会社）おすすめ7選｜ベクトル・プラップジャパン・共同ピーアールなどを支援範囲・料金・事例で比較
-
企業データベースおすすめ6選｜Speeda・帝国データバンク・東京商工リサーチ・ユーソナーなどを料金・収録数で比較