MENU

生成AIでCO-STARを使う方法|プロンプト例と人が確認すべきポイント

CO-STARは、生成AIへ指示を出すときに、Context、Objective、Style、Tone、Audience、Responseの6項目で条件を整理するプロンプト設計フレームワークです。

このCO-STAR自体を生成AIで補助すると、曖昧な依頼から不足条件を洗い出したり、Objectiveを成果へ言い換えたり、StyleとToneを分けたり、AudienceやResponseの抜けを見つけたりできます。

ただし、生成AIに「CO-STARを完成させて」と丸投げすると、存在しない前提、もっともらしい目的、未確認の読み手像、勝手な禁止事項や出力条件を補うことがあります。

この記事では、生成AIをCO-STARの整理役として使う方法を、具体的なプロンプト例、出力の使い方、人が確認すべきポイント、誤りや限界まで含めて解説します。

CO-STARそのものの意味や構造から確認したい場合は、CO-STARとは?を参照してください。基本手順を先に確認したい場合は、CO-STARのやり方が役立ちます。

目次

生成AIを使うと効果が出やすい場面

生成AIは、CO-STARの次の作業を補助できます。

  • Contextに必要な前提候補を洗い出す
  • 事実と未確認事項を分ける
  • Objectiveを「成果」で言い換える
  • StyleとToneの混同を見つける
  • Audienceで確認すべき読み手情報を出す
  • Responseの形式・長さ・必須項目・禁止事項候補を整理する
  • 完成プロンプトの抜けをレビューする
  • AI出力後の確認項目を作る

一方で、次の判断は生成AIだけに任せない方が安全です。

  • 何が事実か
  • 本当の業務目的は何か
  • 読み手が実際に何を重視するか
  • 何を約束してよいか
  • どの情報を入力してよいか
  • 出力を外部送信してよいか

AIは「質問する」「候補を出す」「抜けを探す」役に置き、事実確定と業務判断は人が行います。

1. Contextの不足を洗い出す

最初から長いContextを書く必要はありません。

まず、元の依頼をAIへ渡し、「何が足りないか」を質問させます。

プロンプト例

次の依頼をCO-STARのContextとして整理する前に、不足している前提を質問形式で洗い出してください。

依頼: 「A社へ価格改定メールを書きたい」

条件:

  • 事実を推測して補わない
  • 確認が必要なことだけ質問する
  • 質問を『必須』『あると精度が上がる』に分ける

出力の使い方

AIは、たとえば、

  • 改定率は確定しているか
  • 更新日はいつか
  • 改定理由は何か
  • 読み手は誰か
  • 割引や特別対応は決まっているか

といった確認項目を出せます。

人は質問に答えられるものだけを事実として採用します。

2. 事実・仮説・未確認を分ける

Contextで起こりやすい失敗は、確定情報と推測が混ざることです。

プロンプト例

以下の情報を、

  • 確定事実
  • 仮説
  • 未確認事項

に分けてください。

情報:

  • 価格改定率は8%
  • 更新日は9月末
  • 顧客は値上げに不満だと思う
  • 運用コストが増えている
  • サポート体制を強化する
  • 顧客は予算影響を最も重視していると思う

判断できないものは未確認にしてください。

出力の使い方

AIの分類をそのまま事実扱いせず、人が社内資料や担当者へ確認します。

「顧客は不満だと思う」は仮説、「予算影響を最も重視」は未確認かもしれません。ここを区別すると、AIが推測を事実として文章化するリスクを減らせます。

3. Objectiveを成果へ言い換える

Objectiveが「丁寧なメールを書く」「良い資料を作る」だけでは、業務成果が曖昧です。

プロンプト例

次の目的文を、CO-STARのObjectiveとして使える形へ言い換えてください。

元の目的: 「丁寧で分かりやすい価格改定メールを書く」

条件:

  • 読み手に何を理解してほしいか
  • 読み手に次に何をしてほしいか
  • 1つの最重要成果に絞る
  • 未提示の業務目的は追加しない

出力の使い方

AIが、

価格改定の事実と理由を簡潔に伝え、詳細説明の打ち合わせ日程を調整できるメール文案を作る

と提案したら、本当に打ち合わせ調整が目的なのかを人が確認します。

AIは文章を整えることはできますが、業務目的そのものを決める権限はありません。

4. StyleとToneを分ける

CO-STARでは、StyleとToneを混同すると修正しづらくなります。

プロンプト例

次の指示を、StyleとToneへ分けてください。

指示: 「プロらしく、柔らかく、でも結論を先にしたメールにしてください」

条件:

  • Styleは文章の構造・型
  • Toneは相手に与える印象
  • 曖昧な表現は具体化候補を出す

出力の使い方

たとえば、

  • Style:結論先行のビジネスメール
  • Tone:丁寧で誠実、過度に硬くしない

のように分けられます。

人は「過度に低姿勢にしない」「値上げを正当化しすぎない」など、実際の業務に必要な調整を加えます。

5. Audienceの確認質問を作る

Audienceに「顧客向け」とだけ書いても、読み手に合う出力にはなりにくいです。

プロンプト例

次の業務について、Audienceを具体化するための確認質問を5つ出してください。

業務:既存顧客への価格改定メール

確認したい観点:

  • 役職
  • テーマへの知識量
  • 関心事
  • 懸念
  • 読む時間

読み手像を推測して決めないでください。

出力の使い方

人が担当営業へ確認し、

  • 情報システム部長
  • サービス利用歴3年
  • 技術詳細より予算影響と継続性を重視
  • 1分程度で要点を把握したい

など、確認できた内容だけをAudienceへ入れます。

6. Responseの抜けを確認する

Responseでは、出力形式、長さ、必須項目、禁止事項を決めます。

プロンプト例

次のResponse指定に不足がないかレビューしてください。

現在の指定: 「価格改定メールを400字以内で作ってください」

確認観点:

  • 出力形式
  • 候補数
  • 必須項目
  • 禁止事項
  • 未提示事実の扱い

不足候補を出すだけにし、業務条件は勝手に決めないでください。

出力の使い方

AIが「件名の有無」「改定率」「更新時期」「理由」「打ち合わせ候補日」「未提供事実を追加しない」などを挙げたら、人が本当に必要な項目だけ採用します。

7. CO-STAR全体をレビューする

6項目を書き終えたら、生成AIを“作成者”ではなく“レビュアー”として使う方法があります。

プロンプト例

以下のCO-STARプロンプトをレビューしてください。

確認観点:

  • Contextに未確認事実が混ざっていないか
  • Objectiveが複数目的になっていないか
  • StyleとToneが混ざっていないか
  • Audienceが曖昧すぎないか
  • Responseに必須項目・禁止事項があるか
  • 人が確認すべき事実や判断をAIへ任せていないか

修正文を勝手に確定せず、問題点と修正候補を分けて出してください。

出力の使い方

レビュー結果を見て、人がCO-STAR本体を修正します。

AIへ直接「改善版を完成させて」と頼むより、「問題点」と「候補」を分けさせる方が、勝手な補完に気づきやすくなります。

8. 出力後の確認項目を生成する

CO-STARを使った後も、AI出力の確認は必要です。

プロンプト例

次の用途のAI出力について、人が確認すべき項目をチェックリスト化してください。

用途:既存顧客への価格改定メール

観点:

  • 数値
  • 日付
  • 契約条件
  • 未提示の約束
  • 相手への誤解
  • 次アクション
  • 社内承認

確認作業自体は人が行う前提にしてください。

出力の使い方

AIに「確認観点」を出させても、実際の数値・日付・契約条件が正しいかは人が確認します。

通し例|曖昧な依頼からCO-STARを作る

営業企画担当の佐藤さんは、次の依頼から始めました。

A社に価格改定を伝える丁寧なメールを作りたい。

この時点では、CO-STARの6項目がほとんど決まっていません。

まずAIへ「Contextに必要な質問だけを出す」よう依頼しました。

AIは、改定率、更新時期、理由、割引条件、読み手などを質問しました。

佐藤さんが確認できた事実は、

  • 価格改定率8%
  • 契約更新は9月末
  • 理由は運用コスト増とサポート体制強化
  • 割引条件や特別対応は未決定

でした。

次に、Objectiveの元案「丁寧なメールを書く」をAIに成果表現へ言い換えさせました。

AIは、

価格改定の事実と理由を伝え、詳細説明の打ち合わせ日程を調整する

という候補を出しました。

佐藤さんは、営業担当へ確認し、これが今回の正式な目的と一致していることを確認して採用しました。

StyleとToneは、元の「柔らかくプロらしく」をAIに分解させました。

  • Style:結論先行のビジネスメール
  • Tone:丁寧で誠実、相手の負担感に配慮

という候補をもとに、人が「過度に低姿勢にしない」「値上げを一方的に正当化しすぎない」を追加しました。

Audienceについては、AIに読み手像を作らせず、確認質問だけ作らせました。

担当営業へ確認した結果、

  • 読み手は情報システム部長
  • 利用歴3年
  • 技術詳細より予算影響と継続性を重視
  • 1分程度で要点を把握したい

と分かりました。

最後にResponseをAIへレビューさせ、

  • 件名3案
  • 本文1案
  • 400字以内
  • 8%、9月末、理由2点、打ち合わせ候補日を必須
  • 未提示の割引・特別対応・他社事例を追加しない

という形に整えました。

その後、CO-STAR全体をAIへレビューさせましたが、修正の採否は佐藤さんが決めました。

完成したプロンプトを使ってメール文案を生成すると、初回出力に「今後も新機能を継続的に提供します」という未提示の約束が含まれていました。

Responseに禁止事項を書いていても、生成AIが完全に守るとは限りません。

佐藤さんは、その表現を削除し、価格改定率、更新日、理由、打ち合わせ候補日を再確認しました。

ここで重要なのは、生成AIがCO-STARを“作った”のではなく、

  • 不足質問を出した
  • 曖昧なObjectiveの言い換え候補を出した
  • StyleとToneを分けた
  • Audience確認質問を作った
  • Responseの抜けを指摘した
  • 完成版のレビューをした

という補助にとどめたことです。

そのまま使える入力欄が必要なら、CO-STARテンプレートが役立ちます。業務への適用をケースで追いたい場合は、CO-STARの具体例も参照してください。よくある失敗を先に確認したい場合は、CO-STARで失敗しやすいポイントも参考になります。

人が必ず確認すべきポイント

Contextの事実

AIが分類しても、事実確認は別です。数値、日付、契約条件、顧客情報は正しい資料や担当者で確認します。

Objectiveの業務目的

AIは自然な目的文を作れますが、本当にその仕事の目的かどうかは決められません。

Audienceの実像

役職や関心を推測で作るのではなく、確認できる情報を使います。

Responseの禁止事項

AIへ何を追加させないかは、業務上の権限やリスクを踏まえて人が決めます。

外部送信・正式利用

AIが作ったメール、資料、回答をそのまま顧客や社外へ送らず、必要な確認・承認を行います。

生成AIの誤りと限界

不足情報をそれらしく補うことがある

「既存顧客向け価格改定」と入力すると、割引、謝罪、特別対応などを一般論から補うことがあります。

Objectiveを勝手に“良い目的”へ変えることがある

本来は説明だけでよいのに、営業提案や関係強化まで目的に追加する可能性があります。

Audienceを典型像で決めつけることがある

「情報システム部長ならコスト重視」と決めつけるとは限りません。実際の読み手情報を確認します。

禁止事項を書いても守らないことがある

「未提示の事実を追加しない」と書いても、自然な文章を作る過程で約束や補足を生成することがあります。

機密情報の扱いに注意する

顧客名、契約金額、未公開条件、個人情報を入力する場合は、自社の情報管理ルールに従います。必要に応じてA社、改定率、役職などへ抽象化します。

他の生成AI手法との使い分け

CO-STARは、プロンプトの条件整理に向いています。

一方、社内文書や外部知識を検索・参照して回答させたい場合は、RAGとCO-STARの違いを確認すると役割を分けやすくなります。

構造化プロンプト同士で選ぶ場合は、CO-STARとRISENの違いが参考になります。

生成AIに思考と行動を反復させる考え方との違いは、CO-STARとReActの違いで確認できます。

人の確認を処理工程へ組み込む場合は、CO-STARとHuman-in-the-Loopの違いが役立ちます。

例示で出力傾向をそろえる方法との違いは、CO-STARとFew-shot Promptingの違いで整理できます。

複数手法をまとめて選びたい場合は、RAG・CO-STAR・RISENの使い分け、RAG・CO-STAR・ReActの使い分け、RAG・CO-STAR・Human-in-the-Loopの使い分け、RAG・CO-STAR・Few-shot Promptingの使い分けも参考になります。

生成AIに任せすぎないためのチェックリスト

  • AIにCO-STARを丸ごと完成させていないか
  • Contextの事実を人が確認したか
  • 仮説と未確認事項を分けたか
  • Objectiveが実際の業務目的と一致しているか
  • StyleとToneの候補を人が採否判断したか
  • Audienceを推測だけで決めていないか
  • Responseの必須項目・禁止事項を人が決めたか
  • 未提示の約束や条件が出力に混ざっていないか
  • 外部送信前に数値・日付・契約条件を確認したか
  • 必要な社内承認を経たか
  • 機密情報の入力可否を確認したか

まとめ

生成AIは、CO-STARを効率よく作るための補助役として使えます。

特に役立つのは、Contextの不足質問、事実・仮説・未確認の分類、Objectiveの成果表現、StyleとToneの分離、Audience確認質問、Responseの抜け確認、完成プロンプトのレビューです。

一方で、事実、業務目的、読み手の実像、禁止事項、外部送信可否は人が決める必要があります。

生成AIにCO-STARを丸投げするのではなく、「何が足りないかを聞く」「候補を出させる」「抜けをレビューさせる」ために使うと、CO-STARをより速く、かつ実務の事実と責任境界を保った形で使いやすくなります。

よかったらシェアしてね!
  • URLをコピーしました!
  • URLをコピーしました!
目次