プロンプトエンジニアリングとは？ChatGPTで今日からできる7つの型と、次に来る「コンテキスト→ハーネス→ループ」4段階を図解

「ChatGPTに聞いてみたけど、当たり前のことしか返ってこなかった」

そんな経験、ありませんか。私も何度もあります。けれど原因の多くは、AIの性能ではなく頼み方にありました。

そして2026年、話は一段先へ進んでいます。「うまく頼む」だけでは足りず、「何を見せるか」「どんな環境で働かせるか」「どう自動で回すか」まで設計する時代に入りました。この記事では、まず普通のChatGPTで今日からできる具体的な技を例文つきで紹介し、その後にプロンプト → コンテキスト → ハーネス → ループという4段階を、美容室やコンビニといった身近な場面にたとえながら解説していきます。

専門用語は出てきますが、どれも日常のたとえに置き換えます。プログラミングの知識は要りません。

1. プロンプトエンジニアリングとは、AIへの「頼み方」を設計する技術

プロンプトとは、AIに入力する指示文のこと。プロンプトエンジニアリングは、その指示文を工夫して、狙った答えを安定して引き出す技術を指します。AWSやNRIなどの定義も、おおむねこの線で一致しています。

ポイントは「安定して」という部分です。たまたま良い答えが出ることは誰にでもあります。何度やっても同じ品質で出せるようにする。それが技術と呼ばれる理由です。

なぜ必要なのか

生成AIは、あなたの職場のルールも、上司の好みも、昨日の会議の空気も知りません。優秀だけれど、あなたの会社に今日入ってきたばかりの人。そんなイメージが近いでしょう。

新人に「いい感じの資料つくっといて」と言えば、たいてい想像と違うものが出てきます。AIも同じです。何のために、誰に向けて、どんな形式で、どこまでの分量で。それを言葉にするかどうかで、成果物は驚くほど変わります。

「プロンプトエンジニアリングはもう意味がない」への回答

検索すると「オワコン」「不要論」といった言葉が並びます。実際、モデルが賢くなったことで効果が薄れた小技はあります。ただ、消えたのは小技であって、考え方そのものではありません。

むしろ後半で説明するとおり、この技術は消えたのではなく、より大きな設計の中に組み込まれました。土台がなくなったわけではなく、土台の上に階が増えた。そう捉えるのが実態に近いです。

2. 普通のChatGPTでできる、プロンプト7つの型【例文つき】

ここからは実践です。特別なツールもAPIも使いません。ブラウザやアプリで開く、いつものChatGPTだけで試せます。

型1｜「役割・目的・前提・制約・形式」の5点セット

もっとも効果が大きく、もっとも簡単な型です。

改善前

Copy新商品の紹介メールを書いて

これで返ってくるのは、業種も相手も分からないまま書かれた、教科書のような一般文です。「平素は格別のご高配を賜り」から始まって、誰にでも送れそうな、誰にも刺さらない文章。よくある結果ですね。

改善後

Copy【役割】BtoB向けSaaSの法人営業として書いてください
【目的】既存顧客に、新オプション機能の追加案内をして、説明会への参加申込につなげる
【前提】
・相手は導入2年目の中小企業の情報システム担当者
・すでに基本プランを使っており、機能追加には前向きだが予算に慎重
・新オプションは月額8,000円、既存データを移行せずに使える
【制約】
・400文字以内
・専門用語は使わず、コストメリットを先に書く
・「ぜひご検討ください」のような曖昧な締めは避け、申込日程を2案提示する
【形式】件名／本文の順。本文は3段落

出力イメージ（抜粋）

件名：データ移行なしで使える新オプションのご案内（説明会2日程）

○○様　いつも△△をご利用いただきありがとうございます。このたび、現在ご利用中のプランに追加できる新オプションの提供を開始しました。月額8,000円で、これまで手作業だった月次のレポート集計を自動化できます。

導入にあたって既存データの移行作業は発生しません。設定は管理画面から15分程度で完了します。

内容を15分で確認いただける説明会を用意しました。3月12日（水）14時、または3月14日（金）10時のいずれかでご都合はいかがでしょうか。

情報量が増えただけで、文章の解像度がここまで変わります。逆に言えば、AIの答えがぼんやりしているときは、こちらの指示がぼんやりしているサインです。

型2｜判断材料を先に渡す

AIは推測は得意ですが、知らないことは知りません。手元に資料があるなら、貼り付けてしまうのが早道です。

Copy以下は当社の先月の問い合わせログ（抜粋・個人情報は削除済み）です。
これを読んだうえで、FAQに追加すべき質問を頻度順に5つ挙げてください。
根拠として、それぞれ元のログの番号を添えてください。

---
#01 パスワードを変更したいがメニューが見つからない
#02 請求書の宛名を法人名に変更したい
#03 スマホアプリでログインできない（PCは可）
...

「根拠として元のログ番号を添えて」という一文が効きます。AIが勝手に作った項目なのか、実際のログから拾った項目なのかを、あなたが検証できるようになるからです。

なお、社外秘や個人情報を扱う際は、勤務先の生成AI利用ルールを必ず確認してください。学習利用のオン・オフは設定画面から変更できますが、そもそも入力してよい情報かどうかは組織の判断が先に来ます。

型3｜お手本を2〜3個見せる（Few-shot）

文体や形式を揃えたいときは、説明するより実例を見せたほうが速いです。

Copy社内Slackの日報を、次のトーンで要約してください。

例1
入力：今日はA社訪問。先方の担当者が変わっていて、改めて提案内容を説明し直した。反応は悪くない。
出力：A社訪問。担当者交代のため提案を再説明。感触は良好。

例2
入力：見積書の作成に時間がかかってしまい、B社への提出が明日にずれ込みそう。
出力：B社見積、提出が明日に延期。作成工数が想定超過。

では、次を同じ形式で要約してください。
入力：C社から追加発注の打診あり。ただし納期が短く、生産側と要調整。

出力は「C社より追加発注の打診。納期短縮につき生産部と調整要。」といった具合に、こちらの型どおりに揃います。3例あれば、たいていの文体は再現されます。

型4｜考える順番を指定する

複雑な判断をさせるときは、結論を急がせないほうが精度が上がります。

Copy以下の3つの販促案を評価してください。手順は次のとおりです。

ステップ1：各案について、想定される費用と必要な人員を書き出す
ステップ2：各案の想定効果を、集客数と客単価に分けて見積もる
ステップ3：ステップ1と2を表にまとめる
ステップ4：表をもとに、実行すべき順番と理由を述べる

ステップを飛ばさず、順番に出力してください。

近年の推論モデルは内部である程度考えてから答えますが、それでも「どういう軸で考えてほしいか」を人間が指定すると、こちらの判断基準に沿った結論が出やすくなります。

型5｜出力形式を固定する

表、箇条書き、CSV、Markdown。形式を先に決めておくと、そのままコピーして使えます。

Copy以下の条件で、来週の会議アジェンダを表形式で出してください。
列は「時刻 / 議題 / 担当 / 想定所要 / 事前準備」の5つ。
会議は14:00開始、全体60分。休憩は入れない。
議題は、①先月実績の共有 ②新規案件の進捗 ③採用計画 の3つ。

「表で」と一言添えるだけで、後工程の手間が消えます。地味ですが、日々の積み重ねでは一番効く技かもしれません。

型6｜AIに質問させる

情報が足りていないとき、AIは足りないまま書きます。それを防ぐ一文がこちら。

Copyこれから研修資料の作成を依頼します。
ただし、いきなり書き始めないでください。
良い資料を作るために、あなたが私に確認すべきことを最大5つ、質問してください。
私が回答したあとで、作成に取りかかってください。

すると「受講者の職種と人数は」「研修時間は」「既存の知識レベルは」といった質問が返ってきます。答えているうちに、自分の要件が整理されるという副次効果もあります。壁打ちとして優秀です。

型7｜採点させて、書き直させる

一発で完成させようとしないこと。これがコツです。

Copy今書いてもらった文章を、次の5項目で10点満点で採点してください。
①事実の正確さ ②主張の明確さ ③読みやすさ ④想定読者への適合 ⑤冗長さのなさ

採点後、7点未満の項目について具体的な問題箇所を指摘し、
その指摘を反映した改訂版を出力してください。

自分で書いたものを自分で採点させると、どうしても甘くなります。それでも、指摘された箇所を直させるだけで文章は目に見えて締まります。より厳しくしたいなら、新しいチャットを開いて「批判的な編集者として、この文章の弱点だけを挙げてください」と依頼する方法が有効です。書き手と読み手を分ける、という発想ですね。後半の「ハーネス」の話につながる考え方でもあります。

補足｜2026年に効果が薄れた小技

「あなたはプロの◯◯です」という役割付与は、かつて定番でした。今も文体を整える効果はありますが、モデルの性能向上により、単独で精度を大きく押し上げる効果は限定的だという指摘が増えています。「うまくできたらチップを渡します」といった報酬提示や、脅し文句のたぐいも同様です。

代わりに効き続けているのは、情報を足すことと、評価基準を明示すること。この2つは、モデルが変わっても価値が落ちません。

使うモデルの選び方（2026年8月時点）

ChatGPTのモデル構成は入れ替わりが激しく、2026年に入ってからもGPT-4oやo3など旧世代モデルが順次提供終了しています。2026年7月には、コーディングや研究、科学など複雑な作業向けの推論モデル「GPT-5.6 Sol」が有料プラン向けに提供開始されました。日常的な会話や軽い作業は高速モデル、長い調査や込み入った判断は推論モデル、という使い分けが基本です。

ただしこの領域は数か月で様変わりします。記事執筆時点の情報として受け取り、実際の選択肢は公式のモデル一覧でご確認ください。

3. プロンプト、コンテキスト、ハーネス、ループ。4段階の全体像

ここからが本題です。2026年、AI活用の議論は「頼み方」から一気に外側へ広がりました。

きっかけは6月の出来事でした。Anthropicでコーディングツールを率いるボリス・チェルニー氏が「もうClaudeにプロンプトを書いていない。Claudeにプロンプトを出すループを書いている」と発言。数日後の6月7日、Google Chromeのエンジニアリングリードであるアディ・オスマニ氏が、これをループエンジニアリングという言葉で整理しました。以降、この言葉はSlackやポッドキャストで一気に広まっています。

4つの段階を、まず表で押さえておきましょう。

段階	一言でいうと	設計する対象	身近なたとえ
①プロンプトエンジニアリング	頼み方の設計	指示文そのもの	美容室でのオーダー
②コンテキストエンジニアリング	見せ方の設計	AIに渡す情報の取捨選択	美容室のカルテ、お薬手帳
③ハーネスエンジニアリング	働かせ方の設計	道具・権限・チェックの仕組み	新人バイトが働けるコンビニの店内体制
④ループエンジニアリング	回し方の設計	起動・検証・記録の自動サイクル	ロボット掃除機、全自動洗濯乾燥機

大切なのは、これらが置き換わるのではなく、積み上がるという点です。土台のプロンプトが雑なままループを組んでも、雑な作業が高速で繰り返されるだけ。codecentricの解説記事も「ループは間違いを小さくしない。速く繰り返すだけだ」と警告しています。順番を飛ばさないこと。ここが最初の注意点です。

4. 第1段階：プロンプトエンジニアリング ── 美容室のオーダー

美容室で「いい感じにしてください」と言ったことはありませんか。

結果は、美容師さんの腕とセンス次第。良い仕上がりのときもあれば、「思ってたのと違う」となることもあります。相手が悪いわけではありません。情報が足りていないだけです。

これが、雑なプロンプトでChatGPTを使っている状態です。

一方、「毛先を3センチ切って、前髪は眉が隠れる長さで、朝5分でセットできるようにしたい。仕事柄あまり派手にはできません」と伝えたら、仕上がりの精度は跳ね上がります。目的、制約、前提。先ほどの5点セットとまったく同じ構造ですね。

第1段階の限界も、この例でよく分かります。どれだけ丁寧にオーダーしても、毎回ゼロから説明しなければならない。前回どうだったか、髪質はどうか、それを毎回話すのは面倒です。

そこで次の段階が必要になります。

5. 第2段階：コンテキストエンジニアリング ── カルテを整える

コンテキストエンジニアリングとは、AIに渡す情報全体を設計する考え方です。指示文だけでなく、参考資料、過去のやりとり、社内ルール、外部データ。それらを「必要なものだけ、必要な形で」渡す技術を指します。

Anthropicは公式の技術記事でこれを「推論時に最適な情報の組み合わせを選び、維持し続けるための戦略」と定義しています。カギは、足すことより削ること。

たとえ：美容室のカルテ、そしてお薬手帳

常連の美容室には、あなたのカルテがあります。過去のカラー剤、髪質、クセ、前回の長さ。だから「前回と同じで、少し短めに」の一言で通じます。

でも、そのカルテに10年前の記録まで全部残っていて、しかもどれが最新か分からなかったらどうでしょう。かえって混乱しますよね。お薬手帳も同じです。今飲んでいる薬が分かるから役に立つのであって、過去のすべてが順不同で並んでいたら、医師は判断に迷います。

古い情報や関係ない情報が混じると、かえって精度が落ちる。 これがコンテキストエンジニアリングの核心です。「コンテキスト長になったから全部入れればいい」という発想は、むしろ逆効果になります。

普通のChatGPTでの実践方法

ここが本記事の実用ポイントです。開発者でなくても、この段階は今日から実践できます。

カスタム指示を書く

設定 →「パーソナライズ」→「カスタム指示」から、自分の背景と、返答スタイルの希望を登録できます。「あなたについて」「どのように応答してほしいか」の2欄があり、それぞれ1,500文字程度まで入力可能です。

記入例：

Copy【あなたについて】
・従業員40名の建材メーカーで、営業企画を担当しています
・主な取引先は工務店とリフォーム会社。BtoBが中心です
・資料はPowerPoint、社内連絡はTeamsを使っています
・専門はマーケティングで、統計と会計は初級レベルです

【どのように応答してほしいか】
・結論を最初の2行に書いてください
・前置きの挨拶や「素晴らしい質問ですね」といった前振りは不要です
・専門用語を使うときは、初出時に一行の補足を添えてください
・不確かな情報は「未確認」と明示し、断定を避けてください
・提案は3案までに絞り、それぞれの短所も併記してください

一度書いておけば、以降すべての会話に反映されます。毎回「前置きはいらない」と打つ手間から解放されるわけです。

メモリを使い分ける

ChatGPTには会話をまたいで情報を覚える機能があります。便利な反面、古い情報が残り続けると判断を狂わせます。定期的に設定画面から中身を確認し、不要な記憶は削除してください。カルテの整理と同じ作業です。

プロジェクト機能でテーマごとに箱を分ける

プロジェクト機能を使うと、チャット、ファイル、専用のカスタム指示を1つの単位でまとめられます。2025年8月にはプロジェクト専用メモリが追加され、そのプロジェクト内の会話だけを参照させることも可能になりました。

たとえば「採用広報」というプロジェクトを作り、そこに求人票、過去の応募者データ（個人情報を除いたもの）、自社の採用方針をまとめたテキストを入れておく。以後、そのプロジェクト内で話しかければ、毎回背景を説明する必要がなくなります。

渡す資料を選別する

社内資料を10本まとめて貼るより、最新の3本に絞ったほうが良い答えが返る。これは実際に試すと体感できます。「どれが正本か」「いつ時点の情報か」を冒頭に明記するのも効果的です。

Copy以下は2026年7月1日改定の最新版の就業規則（抜粋）です。これのみを根拠に回答し、
記載のない事項は「規程に記載なし」と答えてください。推測での補完は禁止です。

この一文があるだけで、それらしい嘘（ハルシネーション）のリスクが下がります。

6. 第3段階：ハーネスエンジニアリング ── 新人が事故なく働ける職場をつくる

ハーネス（harness）は「馬具」「装具」を意味する言葉。AIの文脈では、モデルの周りを取り囲む実行環境すべてを指します。この用語を最初に整理したのはViv Trivedy氏で、彼の定式化はシンプルです。

エージェント = モデル + ハーネス

つまり、AIモデル本体以外のすべて。使える道具、参照するルールファイル、実行できる範囲、失敗を検知する仕組み、記録の残し方。それらを設計するのがハーネスエンジニアリングです。

オスマニ氏は、この分野の心得をこう表現しています。「エージェントがミスをしたら、二度と同じミスをしない仕組みを作る」。ミスを笑い話にせず、ルールとして固定していく。ラチェット（一方向にしか回らない歯車）のような積み上げ方です。

たとえ：コンビニの新人アルバイト

優秀な新人が入ってきたとします。頭の回転は速い。でも、この店のルールは何も知りません。

店長がすることは、「頑張って」と言うことではありませんよね。レジの操作マニュアルを渡し、廃棄の手順を教え、深夜の金庫は触らせないよう権限を制限し、困ったら店長に電話するよう伝える。発注は最初のうちダブルチェックする。

この一連の仕組みが、ハーネスです。

面白いのは、この考え方が示す結論です。「そこそこのモデル＋よく設計された環境」は、「最高のモデル＋雑な環境」に勝つ。オスマニ氏はこれを繰り返し強調しています。実際に、同じモデルでもハーネスを変えるだけでベンチマーク順位が大きく動いた事例が報告されています。

言い換えれば、優秀な人材を採用するより、その人が力を発揮できる職場を整えるほうが成果に直結する。企業で働く人には、ずいぶん腑に落ちる話ではないでしょうか。

普通のChatGPTでの実践方法

開発ツールほど本格的ではありませんが、ChatGPT単体でも「簡易ハーネス」は組めます。

ルールファイルを1枚作る

プロジェクトのカスタム指示に、自分専用の作業規約を書き込みます。これが開発現場でいう AGENTS.md に相当します。

Copy【このプロジェクトの絶対ルール】
1. 数値を出すときは、必ず出典（ファイル名と該当ページ）を併記する
2. 出典が示せない数値は書かず、「要確認」と記載する
3. 顧客名は伏せ、A社・B社と表記する
4. 提出物は必ず「①要約 ②本文 ③確認が必要な点」の3ブロック構成にする
5. 上記に反する出力をした場合、指摘されたら理由を述べたうえで修正する

ここで重要なのは、ルールを増やしすぎないこと。ある開発チームは、この種のルールファイルを60行以内に抑えているそうです。項目が多すぎると、一つひとつの重みが薄まります。「操縦士のチェックリストであって、スタイルガイドではない」という表現が的を射ています。

そして、書くのは実際に失敗したことだけ。想像で禁止事項を並べると、ノイズになります。

「作る人」と「チェックする人」を分ける

AIは、自分の書いたものを甘く採点します。これは繰り返し確認されている傾向です。対策はシンプルで、別のチャットを立てること。

作成用チャットで原稿を書かせ、新しいチャットに「あなたは社内の校閲担当です。以下の原稿について、事実関係の不備と論理の飛躍だけを列挙してください。褒めないでください」と貼り付ける。この二役分離は、非エンジニアでも今すぐできる、もっとも費用対効果の高いハーネス設計です。

やってはいけないことを先に決める

「この件では外部サイトの情報は使わない」「金額の試算は必ず人間が電卓で検算する」。こうした境界線を決めておくと、後戻りが減ります。企業導入では、実行可能な操作の制限、本番反映前の承認、監査ログ、ロールバック手順まで含めて設計します。

7. 第4段階：ループエンジニアリング ── ルンバのように、自分で回す

最後の段階です。ここまでは、人間が毎回スタートボタンを押していました。ループエンジニアリングは、そのスタートボタンを押す役割そのものを仕組みに置き換える発想です。

IBMの解説によれば、ループは4つの動きを繰り返します。目標 → 行動 → 観察 → 調整。人間が一手ごとに指示を出すのではなく、AIが自分で行動し、結果を見て、次の手を修正していく。

たとえ：ロボット掃除機

ロボット掃除機に、あなたは毎回「そこ、次はあっち」と指示しませんよね。

「フロアをきれいにする」という目標を与えてスタートを押す。あとは本体が、進み（行動）、壁やゴミを検知し（観察）、進路を変える（調整）。バッテリーが減れば充電に戻り、間取りを記憶して次回に活かします。マップの記憶が、まさに「メモリ」です。

さらに、進入禁止エリアを設定できる機種もあります。これがハーネス側の役割。ハーネスが装備で、ループが稼働サイクル。この関係が分かると、両者の違いはすっきり整理できます。

ループを構成する6つの部品

オスマニ氏は、ループに必要な要素を5つ挙げ、そこに1つを加えています。専門的ですが、身近な言葉に置き換えて紹介します。

自動起動（毎朝7時に動き出すタイマー）、作業スペースの分離（複数の作業が互いを邪魔しないための独立した机）、スキル（毎回説明しなくて済むよう文書化された手順書）、外部ツール接続（実際に社内システムを触れるようにする配線）、サブエージェント（案を出す担当と、それを検証する担当を分ける体制）。そして6番目がメモリです。

このメモリが、地味ながら決定的だとオスマニ氏は言います。AIは実行のたびに記憶を失いますが、記録されたファイルは残る。「エージェントは忘れる。しかしリポジトリは忘れない」。何が終わって、何が残っているか。それを外部のファイルやボードに書き残すことで、ループは連続性を保ちます。

普通のChatGPTでの実践方法

「ループなんて開発者の話でしょう」と思われるかもしれません。ところが、ChatGPTのタスク機能を使えば、簡易版なら誰でも組めます。

タスク（Scheduled tasks）は、指定した日時や頻度であらかじめ登録したプロンプトを自動実行し、結果を通知してくれる機能です。サイドバーの専用ページから、作成、実行予定の確認、一時停止ができます。

設定例：毎週金曜17時の週報下書きループ

Copy毎週金曜17時に実行してください。

【目標】翌週の営業会議用の週報下書きを作成する
【手順】
1. このプロジェクト内の「今週の活動メモ」ファイルを読む
2. 進捗があった案件、停滞している案件に分類する
3. 停滞案件について、想定される原因を1行ずつ添える
4. 「①今週の要点3行 ②案件別状況 ③来週の要確認事項」の形式で出力する
【停止条件】
上記3ブロックがすべて埋まったら完了とする。
埋められない項目があれば「情報不足：〇〇」と明記して終了する

ここで注目してほしいのが【停止条件】です。IBMの解説も「Webサイトの読み込みを高速化する」のような曖昧な目標ではなく、「テストにすべて合格した時点で終了」のように検証可能な終了条件を与えるべきだとしています。どこで終わるかを決めていないループは、いつまでも走り続けるか、中途半端に止まります。

もう一つの例：毎朝の情報収集ループ

Copy毎朝8時に実行。
【目標】自社の業界に関する前日のニュースを整理する
【手順】
1. 「建材業界 / 住宅着工 / 木材価格」の3テーマで検索する
2. 前日24時間以内の情報のみを対象とする
3. 各テーマ最大3件、見出しと2行要約、URLを付ける
4. 該当がないテーマは「該当なし」と書く
【禁止】推測での情報補完、日付不明の記事の採用

「該当なし」と書かせる指示が地味に重要です。これがないと、AIは無理に何かを埋めようとします。

8. 4段階を、一つの仕事で通してみる

概念だけでは掴みにくいので、「月次の顧客向けニュースレター作成」という一つの業務で、4段階すべてを通してみましょう。

第1段階（プロンプト）：まず「ニュースレターの構成案を作って」ではなく、読者像、目的、文字数、トーン、禁止事項を書いた指示文を作ります。うまくいった指示文はメモ帳に保存。これが資産になります。

第2段階（コンテキスト）：「ニュースレター」というプロジェクトを作成し、過去3号分のバックナンバー、読者アンケートの結果、自社の表記ルール（社名の書き方、数字の全角半角など）をアップロード。カスタム指示に読者層と目的を書き込みます。これで毎回の説明が不要になります。

第3段階（ハーネス）：プロジェクトのルールとして「数値には必ず出典を付ける」「顧客名は許可があるものだけ」「1号あたり1,200字以内」を明記。さらに、原稿完成後は別チャットの校閲役に必ず通す運用にします。過去に固有名詞を間違えたことがあるなら、その一行をルールに追加。ミスを仕組みに変換していきます。

第4段階（ループ）：毎月20日に「翌月号のネタ候補を5つ、根拠付きで出す」タスクを自動実行に設定。出てきた候補から人間が選び、第1〜3段階の環境で本文を作る。翌月、また同じサイクルが回ります。

ここで実感できるのは、ループが人間を消すわけではないということ。選ぶ人、承認する人、責任を持つ人は残ります。変わるのは、あなたが「毎回手を動かす人」から「仕組みを設計して、成果物を判断する人」に移ることです。

9. 見落とすと痛い、4つの落とし穴

自動化が進むほど鋭くなるリスクがあります。IBMとオスマニ氏の指摘は、ほぼ一致しています。

検証されていない成果物。誰も見ていないループは、誰も見ていないところでミスを続けます。「監視されていないループは、監視されずに間違え続けるループでもある」というオスマニ氏の言葉は、そのまま覚えておく価値があります。

理解負債。システムの中身と、自分が理解している範囲とのギャップです。従来の技術的負債が「意図的な近道」から生まれるのに対して、理解負債は放っておくだけで勝手に溜まります。しかも、自動テストを通ってしまうため気づきにくい。問題が表面化するのは、トラブル対応の場面です。ニュースレターの例なら、「なぜこの表現ルールがあるのか誰も説明できない」という状態がそれに当たります。

意図負債。「なぜそうしているのか」という理由が、どこにも書かれていない状態。AIは書かれていない意図を推測できないため、技術的には正しいが目的から外れた成果物を出します。ルールを書くとき、理由も一行添えておく。それだけで防げます。

認知的降伏。AIが返してきたものを、判断せずそのまま受け取る姿勢のこと。オスマニ氏はこう書いています。「同じ行動でも、深く理解している仕事を速く進めるために使う人と、理解を避けるために使う人とで、正反対の結果になる。ループはその違いを知らない。知っているのはあなただけだ」。