CRISPEは、生成AIへ依頼するときに、役割、背景、やってほしいこと、文体、試行・改善の仕方まで整理して伝えるためのフレームワークです。
このブログでは、CRISPEを次の5要素で扱います。
- Capacity / Role:AIにどんな立場・役割で考えてほしいか
- Insight:背景、対象者、目的、制約、前提
- Statement:何を出力してほしいか
- Personality:文体、トーン、表現上の条件
- Experiment:複数案、比較、再出力、改善の進め方
基本構造から確認したい場合は、CRISPEとは?を参照してください。実際の組み立て手順は、CRISPEのやり方で確認できます。
一方で、CRISPEは項目を埋めれば自動的に良い出力になるわけではありません。役割だけ細かく書く、背景を詰め込みすぎる、未確認情報を前提として与える、依頼内容が曖昧、文体指定だけ強い、Experimentが「もっと良くして」で終わる、といった使い方をすると、かえって出力が不安定になります。
この記事では、CRISPEで実務上ありがちな失敗を、具体的な失敗場面、原因、改善前後、改善後の状態、読者用チェックポイントの順で解説します。
失敗1|Capacity / Roleだけを過剰に作り込む
ありがちな失敗場面
プロンプトの最初に、
あなたは世界最高峰のコピーライターで、20年の経験があり、心理学にも精通し、数々の受賞歴がある専門家です。
と長く書く一方で、誰向けに何を作るかは曖昧なままです。
原因
「強い役割を与えれば出力品質が上がる」と考え、役割そのものを盛りすぎているためです。
改善前
役割は具体的でも、背景や成果物が曖昧なので、もっともらしいが目的に合わない文章が出やすくなります。
改善方法
役割は必要最小限にします。
例:
社内研修を企画する人事担当者を支援する編集者として考えてください。
その上で、対象者・目的・制約・成果物をInsightとStatementへ分けます。
改善後の状態
役割が目的に結びつき、他の要素とのバランスが取れます。
チェックポイント
- 役割説明だけ長くなっていないか
- 役割が成果物に関係しているか
- 権威づけの肩書きを盛っていないか
失敗2|Insightに背景を詰め込みすぎる
ありがちな失敗場面
過去の経緯、関係者の発言、社内事情、参考資料、補足条件をすべてInsightへ入れます。
原因
「情報は多いほどAIが理解しやすい」と考えるためです。
改善前
何が重要な前提で、何が補足情報か分からなくなり、AIが周辺情報へ引っ張られます。
改善方法
Insightは、出力判断に必要な情報へ絞ります。
たとえば社内向け生成AI研修案内なら、
- 対象:生成AIをほとんど使ったことがない社員
- 目的:参加への心理的ハードルを下げる
- 必須情報:研修内容、対象者、申込方法
- 未確定:開催日時、会場、申込URL
- 禁止:未確定情報の推測、根拠のない効果数値
程度に整理します。
改善後の状態
AIが何を優先して判断すべきか分かりやすくなります。
チェックポイント
- 出力判断に不要な経緯まで入れていないか
- 重要情報と補足情報が混ざっていないか
- 未確定事項を明示しているか
失敗3|未確認情報をInsightに事実として入れる
ありがちな失敗場面
開催日時がまだ決まっていないのに、
9月10日開催予定です
と仮置きしてしまいます。
原因
プロンプトを完成形に見せるため、仮情報を事実のように扱ってしまうためです。
改善前
AIはその情報を前提に自然な文章を作るため、誤った案内文がそのまま使われる危険があります。
改善方法
未確定情報は、
開催日時:要確認。推測して補わない
のように明示します。
改善後の状態
AIが勝手に日付・会場・URLを補うリスクを減らせます。
チェックポイント
- 仮置き情報を事実として渡していないか
- 未確定事項に「要確認」を付けたか
- 推測禁止を明示したか
失敗4|Statementが「いい感じに作って」で終わる
ありがちな失敗場面
この内容をいい感じの案内文にしてください。
と依頼します。
原因
成果物の形、長さ、必須要素、用途を具体化していないためです。
改善前
タイトルだけ出る、本文が長すぎる、必要情報が抜ける、といったばらつきが出ます。
改善方法
Statementを、成果物として確認できる形にします。
例:
社内向け研修案内のタイトルと本文を作成してください。本文は300字以内。対象者、研修内容、参加メリット、申込方法を含めてください。未確定情報は「要確認」のまま残してください。
改善後の状態
何をもって完成か判断しやすくなります。
チェックポイント
- 成果物の種類を明示したか
- 文字数や形式を指定したか
- 必須要素を指定したか
- 未確定情報の扱いを入れたか
失敗5|Statementに複数の仕事を詰め込みすぎる
ありがちな失敗場面
1回の依頼で、
- タイトル案を作る
- 本文を書く
- 校正する
- SEOも意識する
- 誤情報チェックする
- さらに短くする
まで全部頼みます。
原因
1回で完成させようとするためです。
改善前
どの条件を優先すべきか曖昧になり、出力の評価もしにくくなります。
改善方法
Experimentと組み合わせて段階化します。
- タイトル案を3つ出す
- 判断基準で1案選ぶ
- 本文を書く
- 未確認情報・誇張・重複をレビューする
- 必要なら短縮する
改善後の状態
各段階で人が確認しやすくなります。
チェックポイント
- 一度にやらせる仕事が多すぎないか
- 後工程へ分けられないか
- 各段階の評価基準があるか
失敗6|Personalityが抽象的すぎる
ありがちな失敗場面
分かりやすく、魅力的で、親しみやすくしてください。
とだけ書きます。
原因
トーンを具体的な表現条件へ落とせていないためです。
改善前
AIごと、出力ごとに「親しみやすい」の解釈が変わります。
改善方法
Personalityを具体化します。
例:
- 親しみやすく丁寧
- 専門用語をできるだけ避ける
- 煽り表現を使わない
- 未経験者を見下す表現を使わない
- 断定しすぎない
改善後の状態
文章の評価基準が明確になります。
チェックポイント
- 抽象語だけで終わっていないか
- 避けたい表現を指定したか
- 読者に合うトーンになっているか
失敗7|PersonalityがStatementより強くなりすぎる
ありがちな失敗場面
「親しみやすさ」「インパクト」「熱量」を強く指定しすぎて、必要な情報が薄くなります。
原因
文体を成果物の目的より優先しているためです。
改善前
読みやすいが、対象者、申込方法、注意事項などの重要情報が抜けます。
改善方法
優先順位を明確にします。
必須情報を欠かさないことを最優先とし、その上で親しみやすく丁寧な文体にしてください。
改善後の状態
見た目の良さより、業務上必要な情報を守れます。
チェックポイント
- 文体指定が内容を上書きしていないか
- 必須情報の優先順位を明示したか
- 読みやすさのために事実を削っていないか
失敗8|Experimentが「もっと良くして」で終わる
ありがちな失敗場面
初回出力の後、
もっと良くしてください。
とだけ頼みます。
原因
何を改善したいか、評価基準を言語化していないためです。
改善前
AIは何を変えるべきか推測するしかなく、文章が長くなる、表現だけ変わる、別方向へ進む、といったことが起こります。
改善方法
Experimentに比較軸を入れます。
例:
タイトルを3案出してください。「心理的ハードルが低く見える」「内容が具体的に分かる」の2軸で比較してください。その後、最もバランスがよい1案を選び、本文を作成してください。
改善後の状態
改善の方向が揃い、人も選びやすくなります。
チェックポイント
- 改善基準があるか
- 複数案を比べる軸があるか
- 何を残し、何を変えるか指定したか
失敗9|Experimentで候補を増やすだけになる
ありがちな失敗場面
タイトル10案、本文5案、別表現10案、と候補を大量に出します。
原因
「案が多いほど良い」と考えているためです。
改善前
比較コストが増え、結局どれを選ぶべきか判断できません。
改善方法
案数を絞り、判断基準を付けます。
- タイトル3案
- 比較軸2つ
- 推奨案1つ
のようにします。
改善後の状態
Experimentが発散ではなく、意思決定支援として機能します。
チェックポイント
- 候補数が多すぎないか
- 比較軸があるか
- 最終的に1案へ絞れるか
失敗10|AIが出した数値・効果をそのまま使う
ありがちな失敗場面
案内文に、
業務効率が30%以上向上します
とAIが書き、それをそのまま採用します。
原因
自然な文章で出てきた数値を、根拠がある情報だと錯覚するためです。
改善前
根拠のない数字が業務文書へ混ざります。
改善方法
InsightやExperimentへ、
根拠が提示されていない効果数値は書かない。出力後に未確認数値を抽出する。
と入れます。
改善後の状態
もっともらしい誤情報を人が止めやすくなります。
チェックポイント
- 数字の根拠を確認したか
- 出典のない効果表現を削除したか
- 「誰でも」「必ず」など過剰表現も見直したか
失敗11|AIの自己レビューだけで確認を終える
ありがちな失敗場面
最後に、
誤りがないか確認してください。
とAI自身にレビューさせ、その結果だけで完成扱いにします。
原因
AIが自分の誤りを完全に検出できると思っているためです。
改善前
未確認情報、社内固有ルール、実際の申込方法、開催条件などが見落とされます。
改善方法
人が確認する項目を明確にします。
- 日付
- 場所
- URL
- 数値
- 社内制度
- 権限
- 契約・法務条件
などです。
改善後の状態
AIレビューと人手確認の役割を分けられます。
チェックポイント
- AIの自己評価だけで完成扱いしていないか
- 社内固有情報を人が確認したか
- 正式な公開前に事実確認したか
失敗12|CRISPEの5要素を毎回すべて長く書く
ありがちな失敗場面
短い要約依頼でも、Capacity / RoleからExperimentまで長文で作り込みます。
原因
フレームワークを「全部埋めること」が目的になっているためです。
改善前
プロンプト作成に時間がかかり、実務上の効率が落ちます。
改善方法
必要な要素だけ濃くします。
たとえば、既存文章の短縮なら、Roleは短く、StatementとPersonalityを厚めにし、Experimentも1回の比較で十分な場合があります。
改善後の状態
目的に合わせてCRISPEを軽く使えます。
チェックポイント
- 5要素を埋めることが目的になっていないか
- 今回の依頼で本当に必要な情報か
- 短い依頼に過剰な設定をしていないか
失敗13|CRISPEを作ったら更新しない
ありがちな失敗場面
対象者や制約が変わったのに、以前作ったCRISPEプロンプトをそのまま再利用します。
原因
テンプレートを完成品として扱っているためです。
改善前
対象者が変わっているのに古いInsight、古い文字数制限、古い表現条件が残ります。
改善方法
再利用前に、
- 対象者
- 目的
- 必須情報
- 制約
- 未確定情報
- 出力形式
を見直します。
改善後の状態
テンプレートを使い回しても、案件固有の条件を維持できます。
チェックポイント
- 前回の条件が残っていないか
- 今回の対象者へ更新したか
- 不要な制約を削除したか
通し例|研修案内文のCRISPEを立て直す
社内向け生成AI研修の案内文を作る場面を例にします。
最初のプロンプトは、次のようなものでした。
あなたは世界最高峰のコピーライターです。生成AI研修について、魅力的でインパクトのある案内文をいい感じに作ってください。もっと良くなるよう工夫してください。
一見すると指示はありますが、CRISPEの観点では問題が多くあります。
- Capacity / Roleが過剰
- Insightがほぼない
- Statementが曖昧
- Personalityが抽象的
- Experimentに評価基準がない
そこで次のように改善しました。
Capacity / Role
社内研修を企画する人事担当者を支援する編集者として考えてください。
Insight
- 対象:生成AIをほとんど使ったことがない社員
- 目的:参加への心理的ハードルを下げる
- 必須:研修内容、参加メリット、申込方法
- 開催日時・会場・申込URLは未確定
- 未確定情報を推測しない
- 根拠のない効果数値を書かない
Statement
社内向け研修案内のタイトルと本文を作成してください。本文は300字以内。対象者、研修内容、参加メリット、申込方法を含めてください。未確定情報は「要確認」としてください。
Personality
- 親しみやすく丁寧
- 専門用語を減らす
- 煽り表現を避ける
- 未経験者を見下さない
Experiment
- タイトルを3案出す
- 「心理的ハードルが低い」「内容が分かりやすい」の2軸で比較する
- 推奨1案を選ぶ
- 本文を作る
- 未確認数値、誇張、重複を自己点検する
初回出力には、
業務効率が30%以上向上
という根拠のない数値が含まれました。
ここで「AIが自分で書いたから正しい」とはせず、人が削除しました。
また、開催日時が未確定なのに具体日付が補われていないかも確認し、未確定部分は「要確認」のまま残しました。
さらに、本文が300字近くまで情報を詰め込みすぎていたため、重複を削り、約250字へ短縮しました。
改善前は「もっともらしい案内文を一発で作る」依頼でした。
改善後は、
- 役割
- 判断に必要な背景
- 成果物の条件
- 表現条件
- 比較・改善の進め方
を分け、人が事実確認する工程まで含む運用になりました。
自分のCRISPEを見直すチェックリスト
- Capacity / Roleを盛りすぎていないか
- Insightに不要な背景を詰め込んでいないか
- 未確認情報を事実として渡していないか
- Statementが具体的な成果物になっているか
- 一度に多くの仕事を詰め込んでいないか
- Personalityが抽象語だけになっていないか
- 文体が必須情報より優先されていないか
- Experimentに評価基準があるか
- 候補を出しすぎていないか
- AIが作った数値や効果表現を検証したか
- AIの自己レビューだけで完了していないか
- 5要素を全部長く書くことが目的になっていないか
- 再利用時に案件固有条件を更新したか
そのまま使える型が必要なら、CRISPEテンプレートを使うと、Capacity / Role、Insight、Statement、Personality、Experimentを分けて整理しやすくなります。
具体的な案件への適用イメージを追いたい場合は、CRISPEの具体例が参考になります。生成AIとの組み合わせ方をさらに確認したい場合は、生成AIでCRISPEを使う方法も参照してください。
まとめ
CRISPEで失敗しやすいのは、役割だけを過剰に作り込む、背景を詰め込みすぎる、未確認情報を事実として渡す、Statementが曖昧、Personalityが抽象的、Experimentが「もっと良くして」で終わることです。
また、候補を増やしすぎる、AIが作った数値をそのまま使う、自己レビューだけで完成扱いする、毎回5要素を長く書く、以前のプロンプトを条件更新せず再利用することも、実務では品質低下につながります。
CRISPEの目的は、項目を埋めることではありません。AIに渡す情報と、人が確認すべき判断を分け、出力を比較・改善しやすい形へ整理することです。各要素を目的に合わせて必要十分に使い、最終的な事実確認は人が行うことで、CRISPEを実務で安定して使いやすくなります。