AIで成果を出す人がやっている「批評させる」使い方

AIを使う人が増えた。でも成果につながる使い方は、まだ少数派だ。その差はどこにあるか。ひとことで言えば、「生成させるだけ」で止まるか、「批評させる工程を組み込む」かの違いにある。

LP、求人票、提案文、SNS投稿。何かを書いたあと、そのままGOにしていないか。書いた本人は内容に慣れてしまっているため、相手が感じる違和感や疑問を見落としやすい。そこにAIの批評機能を差し込むことで、自分の盲点を外部視点から照射できる。

X（旧Twitter）で注目されているのが、求人票の事例だ。ChatGPTに「この求人票で応募をためらう理由を5つ挙げてください」と問いかけるだけで、書いた当人には見えていなかった穴が一気に浮かぶ。採用のプロが全クライアントのレビュー工程に組み込んでいるという発信は、「批評プロンプトをセットで持つ」ことの実用性を端的に示している。

大事なのは、これが特別な技術でもツールでもないという点だ。生成AIを「作るための道具」として使っている人なら、今すぐ「批評させるための道具」としても使える。工程を1ステップ追加するだけで、アウトプットの質は変わる。

生成AIは「頼まれたことを肯定的に進める」性質がある。「LP文を作って」と頼めば、それらしく整った文章が返ってくる。でもそれは、相手が読んだときに感じる引っかかりや不安を取り除いた文章とは別物だ。

批評プロンプトはこの性質を逆手に取る。「なぜためらうか」「どこが不明瞭か」「何が欠けているか」という問いの立て方にすることで、AIは「欠点を探すモード」で読み直してくれる。同じモデル、同じ文章でも、問いの角度が変わるだけで返ってくる情報は大きく違う。

ここで効いてくるのが、AIへの「渡し方」で成果が10倍変わるでも触れた「指示の精度」の話だ。AIに何を問うかより、どんな角度で問うかが結果を左右する。批評プロンプトは、その角度設計の典型例といえる。

また、批評と生成を分離することにも意味がある。「書く→批評させる→修正する」という工程を意識的に踏むと、「とりあえず生成」でなく「課題を解決するためにAIを動かす」という使い方になる。AIを目的ではなく手段として扱えているかどうか、その分岐点がここにある。

批評プロンプトの考え方は、一文書のレビューにとどまらない。レビューや口コミ、問い合わせ内容など大量のテキストデータに対しても、同じ「穴を探す問い」が使える。

公開情報として出回っている活用事例では、160件のレビューを約3分で仕分け・データ化し、分析レポートまで約10分で完成させるというフローが紹介されている。ツールの組み合わせや具体的な環境は発信者によって異なるが、共通しているのは「ルールが一定なら大量処理に向く」という原則だ。

批評プロンプトで自社コンテンツの穴を探すだけでなく、顧客の声を大量に読み込ませて「購入をためらわせている要因を頻度順に整理して」と問うことができる。定性データを定量的に扱う入り口として、批評視点のプロンプトは汎用性が高い。

AIは「答える」から「仕事を進める」時代へという流れを踏まえると、「生成→批評→修正」のループを自分のワークフローに組み込むことが、今の実践者と非実践者を分ける一線になりつつある。まず一文書に試して、その感覚をつかむところから始めるのが現実的な入口だ。