本文へスキップ
hdknr blog
戻る

AI に指示する前に、AI に質問させろ — 暗黙知を引き出すインタビュー型プロンプティング

はじめに

AI に設計や文章を頼んだのに、返ってくるのが「どのプロジェクトにも当てはまりそうな一般論」だった。そんな経験はないでしょうか。

原因の多くは AI 側ではなく、こちらの頭の中にあります。判断基準や制約、優先順位といった 暗黙知 がプロンプトに書かれていないので、AI は足りない情報を一般論で埋めるしかありません。

そこで「AI に答えさせる前に、AI に質問させる」という方法が提案されています。元になったのは、2026 年 1 月に Zenn で公開された記事 「AI に指示するのではなく、まずは AI に質問させた方が捗る」 です。11 月には Koder さんのポスト がこの記事を紹介しています。そこでは「1 月の記事だが今の方が納得がある」「plan mode 任せで前提の言語化を省いていた」と振り返られています。

本記事では、この インタビュー型プロンプティング の考え方と、すぐ使えるプロンプトの書き方をまとめます。結論を先に言うと、プロンプトに「役割と目的」「質問の制限」「終了条件」の 3 点を入れるだけです。

用語意味
暗黙知本人の頭の中にあるが、言葉になっていない手順・判断基準・前提
インタビュー型プロンプティングAI に答えを作らせる前に、AI からユーザーへ質問させて暗黙知を引き出す手法
トレードオフ表複数の選択肢を、信頼性・コストなどの評価軸で並べて比べる表
終了条件インタビューを切り上げて成果物づくりに移るタイミングの取り決め
メタ認知自分の考えを一歩引いて客観的に捉えること
plan modeClaude Code の、ファイルを編集せずに実装計画だけを提案させるモード

なぜ「指示」だけではうまくいかないのか

元記事が指摘するように、LLM は足りない情報を一般論で補完して答えを作ってしまいます。たとえば「通知配信の方式を比較して」とだけ頼むと、次の前提が抜けたまま一般論の比較表が出てきます。

これらはプロジェクトごとに答えが違い、しかも本人にとっては「当たり前」なのでプロンプトに書き忘れます。AI に質問させると、この「当たり前」を外から突いてもらえます。質問に答えるうちに、自分がまだ決めていなかったことに気づく — つまり メタ認知 が起きるのが、この手法のいちばんの効用です。

インタビュー型プロンプティングの 3 つの要点

元記事は、インタビューさせるプロンプトに次の 3 つを入れるよう勧めています。

  1. インタビューしてほしいことを明文化する — AI の役割(例: 技術設計のレビュアー)と、最終的に何を作りたいのかを書く
  2. 自明な質問を避けさせ、質問数を制限する — 「表面的・自明な質問は避け、最大 3 問ずつ」のように縛る
  3. 途中で切り上げられるようにする — 「こちらが『十分』と言うか、AI が十分と判断したら成果物を作る」という終了条件を決める

2 点目の質問数の制限は、意外と効きます。制限しないと AI が一度に大量の質問を並べることがあり、答える側が疲れて対話が続きません。3 問ずつなら気軽に答えられ、次の 3 問は前の回答を踏まえた深い質問になります。

3 点目の終了条件を忘れると、質問が延々と続いていつまでも成果物が出てきません。「十分」という合図をあらかじめ決めておくのが大切です。

インタビュー型プロンプティングの流れ。役割・目的・質問の制約・終了条件を含むプロンプトを書き、メモを添えて渡す。AI が最大3問ずつ質問し人間が答えるループを回し、十分になったらトレードオフ表などの成果物を作らせる

プロンプトのテンプレート

元記事のプロンプトを参考に、筆者がテンプレートとしてまとめ直したものです。{{ }} の部分を書き換えて使います。

あなたは「{{役割: 例) 技術設計のレビュアー}}」です。
これから渡すメモをもとに、私にインタビューして、
私の暗黙知(前提・制約・判断基準・優先順位)を言語化してください。

# 質問のルール
- 表面的・自明な質問は避けること
- 質問は最大 3 問ずつ。私の回答を踏まえて次の 3 問に進むこと

# 終了条件
- 私が「十分」と言うか、あなたが十分な情報が揃ったと判断したら、
  質問をやめて {{成果物: 例) トレードオフ表}} を作成すること

# メモ
{{箇条書きのメモ}}

メモは整った文章でなくてかまいません。箇条書きの断片で十分で、足りない部分は AI の質問が埋めてくれます。

例: 通知配信の方式を決める

元記事では、技術設計の例として通知配信(Push / メール)の方式選びを取り上げています。渡すメモはこの程度です。

- 新機能: 通知配信(Push / メール)
- ピーク時に数十万件/日
- 取りこぼしは最小化したい
- 段階的に導入したい
- 監視・運用コストは抑えたい
- 候補: 同期処理 / 非同期キュー(Amazon SQS など)/ バッチ処理

これに対して AI がまず尋ねてきたのは、次のような方向の質問だったそうです(要約)。

  1. 「取りこぼし最小化」は重複とどう両立させるのか。重複送信は許されるか、チャネルによって違うか
  2. 主な通知はユーザー個人宛てのトランザクション通知か、大勢への一斉配信か
  3. 許容できる遅延の上限と、再送を諦める期限はどれくらいか

どれも「言われてみれば決めていなかった」類の問いです。回答を受けた次の 3 問では、段階導入の切り方、監視を最小限にするための観測点、失敗時の安全策(永続化・再試行・冪等性 = 同じ処理を何度実行しても結果が変わらない性質)へと踏み込んでいったそうです。

十分になったところで「トレードオフ表を作成して」と頼むと、同期処理・非同期キュー・バッチ処理を「信頼性(取りこぼし)」「遅延」「運用負荷」「実装難度」「コスト」の軸で比べた表が作られます。前提を固めてから作らせているので、一般論ではなく 自分のプロジェクトの条件で評価した表 になっている点が違いです。

ただし元記事も断っているとおり、表の評価はあくまで叩き台です。最終判断は人が行います。

技術設計以外への応用

役割と終了条件を差し替えれば、同じ型をほかの場面にも使えます。元記事では次の 2 つが紹介されています。

用途役割深掘りする内容成果物
技術記事の構成づくり技術記事の編集者兼インタビュアー何を書くかではなく、読者がなぜ読むべきか・読後にどう変わるか読者のメリットがはっきりした構成案
キャリアの振り返りキャリアコーチ兼インタビュアー出来事の事実ではなく、なぜその選択をしたか・何に違和感を持ったか強み・価値観と次のアクションのまとめ

どちらも「事実確認や自明な質問は避ける」「最大 3 問ずつ」という制約は共通です。浅い質問を禁じることで、AI の質問が本人の価値観や判断基準といった深い層に向かいます。

コーディングエージェントで使うときのヒント

Koder さんは「plan mode 任せで前提の言語化を省いていた」と振り返っていました。ここからは筆者の見解ですが、計画機能に任せきりにすると、こちらが前提を書かないまま AI に計画を組み立てさせることになりやすいと感じます。そこで、計画を立てさせる前にインタビューの段階を 1 つ挟むのがおすすめです。

実装計画を立てる前に、私にインタビューしてください。
仕様・制約・既存コードとの関係で、私が言語化していない前提を
自明でない質問に絞って最大 3 問ずつ聞いてください。
私が「十分」と言ったら、回答内容を前提として明記したうえで計画を作ってください。

ポイントは最後の一文です。インタビューで得た回答を「前提」として計画の冒頭に書き出させると、AI が何を前提に計画したかを人間がレビューでき、ずれていればその場で直せます。

筆者の spec-loop と比べてみる

筆者がメンテナンスしている Claude Code プラグイン spec-loop にも、「AI に質問させる」仕組みがあります。要求を確定させる req-loop スキルは、仕様の未決定事項を AI が Q&A 表に質問として起票し、レビュー会で利用者に答えてもらいます。この記事の 3 つの要点と照らし合わせてみました。

記事の要点spec-loop の req-loop評価
① 役割と目的を明文化する目的が要求確定に固定されている。質問の出どころも「決定表の空欄・TBD・決まっていない分岐」と決まっている◎
② 自明な質問を禁じる「自分で決められることを質問にしない」「利用者に見える結果が変わらない質問は開発者の内部の表へ回す」「重複させない」を明文化◎
② 質問数を制限する規定がない。未決定事項はすべて 1 回のレビュー会に載る△
③ 終了条件を決める1 周ごとに「回答待ち」で止まる。ループを抜けるのは人間がサインオフのタグを付けたとき◎

記事の手法を超えているところ

記事の手法のほうが得意なところ

まとめると、質問を管理する面(質・追跡・推測の禁止・止まる場所)は spec-loop が上回り、暗黙知を引き出す面(量を絞る・その場で深掘りする・枠のない前提を聞く)は記事の手法が上回ります。両者は対立するものではありません。そこで、最初の周だけ記事の型で対話して業務の前提を聞き出し、その結果を Q&A 表に落とす改善を検討しています(hdknr/claude-code-setup#1042)。

まとめ

AI でも人間同士でも、明文化しないと伝わらないことは同じです。AI を「答える係」だけでなく「聞き出す係」としても使ってみてください。

参考



前の記事
AWS だけで作る AI ネイティブなデータ分析基盤:Aurora zero-ETL × Redshift × dbt 構成案
次の記事
BigQuery × dbt × Lightdash × MCP で作る AI ネイティブなデータ分析基盤:PKSHA の事例に学ぶ設計