はじめに
「同じAIを使っているのに、なぜ人によって回答の品質が違うのだろう？」
生成AIを使い始めた人なら、一度は感じたことがある疑問ではないでしょうか。
その答えは、多くの場合Prompt（プロンプト）の設計にあります。
しかし、「Promptを書くと回答が良くなる」という説明だけでは、本当の理由までは理解できません。
近年の大規模言語モデル（LLM）は、単純に膨大な知識を記憶しているだけではなく、適切な知識や推論パターンを選択する仕組みを備えています。その代表的な技術の一つが MoE（Mixture of Experts） です。
本記事では、日本取引所（JPX）のIPO分析を例に、
- Promptとは何か
- Role（役割）の重要性
- MoEとRoleの関係
- なぜRoleを指定すると回答品質が向上するのか
を分かりやすく解説します。
PromptはAIへの「設計書」である
多くの人はPromptを「AIへの質問」と考えています。
しかし実際には、PromptはAIへ渡す設計書（Specification）です。
例えば、
このIPO企業を分析してください。
というPromptでは、
- 何を分析するのか
- 財務を見るのか
- ビジネスモデルを見るのか
- 投資判断をするのか
AIには判断材料がありません。
そのため、一般的な会社紹介のような回答になりやすくなります。
一方、
あなたはIPO専門の証券アナリストです。日本取引所のIPO資料のみを根拠として分析してください。
と書けば、
AIは「IPO分析レポートを書く」という目的を理解し、その目的に沿った知識や推論を優先しようとします。
つまり、PromptはAIに対して「何をしてほしいか」だけでなく、「どのように考えるべきか」を伝えるための設計書なのです。
Promptの中でも最も重要なのがRole
Promptには、
- Role
- Task
- Constraints
- Output Format
- Evaluation
など多くの要素があります。
その中でも特に重要なのが Role（役割） です。
例えば、
あなたはIPOアナリストです。
と書く場合と、
あなたは弁護士です。
と書く場合では、
同じIPO資料でも全く違う回答になります。
IPOアナリストなら、
- 成長性
- 市場規模
- 財務
- 株価材料
を重視します。
一方、
弁護士なら、
- コンプライアンス
- 契約リスク
- 法務リスク
- ガバナンス
を重視します。
つまりRoleは、
AIに
「どの視点から考えるか」
を指定していることになります。
RoleはAIの「人格」ではなく推論モードを切り替えている
Roleを指定すると、
「AIがアナリストになりきる」
と説明されることがあります。
これは初心者向けには分かりやすい説明ですが、技術的には少し違います。
実際には、
Roleを指定すると、
AI内部では
IPO分析に適した知識
財務分析に適した推論
投資判断でよく使われる文章構造
などが優先される傾向があります。
つまり、
Roleとは
AIの人格を変えるものではなく、
推論の方向性を決めるスイッチ
と言った方が近いでしょう。
MoE（Mixture of Experts）とは何か
ここで登場するのが、
MoE（Mixture of Experts）
という考え方です。
最近のLLMの中には、
1つの巨大なニューラルネットワークだけではなく、
多数の「Expert（専門家）」を内部に持つ構造があります。
イメージすると、
Prompt
│
▼
Router（判断）
│
┌───┬───┬───┬───┐
▼ ▼ ▼ ▼
財務 法律 技術 医療
Expert Expert Expert Expert
│
▼
回答生成
もちろん、「財務専門家」「法律専門家」という明確なモジュールが存在するわけではありませんが、MoEモデルでは入力に応じて異なる専門家群が選択され、一部だけが活性化して推論を行います。
この仕組みにより、巨大なモデルでも効率よく高品質な回答を生成できます。
RoleはMoEのRouterにヒントを与える
では、
Roleは何をしているのでしょうか。
例えば、
あなたはIPO専門アナリストです。
という一文だけで、
モデル内部では
- 財務
- IPO
- 企業分析
- 投資判断
- 市場分析
といった関連する知識や推論パターンが優先されやすくなります。
MoEモデルでは、この情報がRouter（どの専門家を使うか決める仕組み）の判断材料の一つになります。
つまりRoleは、
「こちらの専門家を優先してください」
というヒントをAIへ与えているようなものです。
Roleが具体的であるほど、適切な推論経路が選ばれやすくなり、回答の一貫性や専門性が向上する可能性があります。
IPO分析Promptで考えてみる
悪いPrompt
この会社を分析してください。
AIは
- 財務？
- 技術？
- 経営？
- 市場？
どこを重視すればよいか分かりません。
一方、
あなたはIPO専門アナリストです。
日本取引所のIPO資料のみを根拠として、
事業内容
収益モデル
市場規模
競争優位
財務
成長性
リスク
を分析してください。
このPromptでは、
Roleだけでなく、
Task
Context
Constraints
まで明確です。
その結果、
AIはIPO分析に適した推論を組み立てやすくなります。
Roleだけでは十分ではない
もちろん、
Roleを書けば何でも良くなるわけではありません。
Roleは
「どの方向へ考えるか」
を決めますが、
Taskが曖昧なら、
結局何を出力すればよいか分かりません。
また、
Constraintsを書かなければ、
推測を含めてしまう場合があります。
Output Formatを書かなければ、
毎回違う形式になります。
つまり、
Roleは重要ですが、
Prompt全体の設計があってこそ効果を発揮します。
まとめ
Promptとは、AIへの単なる質問ではなく、「どのように考え、どのような結果を返すか」を定義する設計書です。
その中でもRoleは、AIの人格を変える魔法の言葉ではありません。Roleは、モデル内部でどの知識や推論パターンを優先するかを方向付ける重要な手がかりになります。
特にMoE（Mixture of Experts）を採用するLLMでは、入力内容に応じて活性化するExpertが変わるため、RoleやContextを明確に与えることで、Routerがより適切な推論経路を選択しやすくなります。
もちろん、実際のLLM内部の動作はモデルごとに異なり、Roleが直接「特定のExpert」を呼び出すわけではありません。しかし、適切なRole・Task・Constraints・Output Formatを組み合わせたPromptは、モデルが専門的で一貫した回答を生成しやすい条件を整えることは、多くの実践例からも確認されています。
AI時代に重要なのは、「高性能なモデルを使うこと」だけではありません。
AIが持つ能力を最大限に引き出すPromptを設計することこそ、新しい時代の実践的なスキルなのです。