「AIを使いこなしたいけど、何から始めればいいかわからない…」
「プロンプトって聞くけど、どう書けばAIが意図通りに動いてくれるの？」
そんな悩みを抱えるあなたに朗報です。OpenAIがひっそりと公開した、最新モデル「GPT-5.2」のための公式プロンプトガイド。それは、AIのポテンシャルを最大限に引き出すための、いわば「魔法の呪文」が記された秘密の書です。ただし、英語で公開されているので読みづらい…
この記事では、その貴重なガイドをAI初心者の方でも完全に理解できるよう、どこよりも詳しく、そして丁寧に日本語で解説します。この記事を読み終える頃には、あなたはAIを自在に操るための確かな知識と自信を手にしていることでしょう。さあ、AI活用の新たな扉を一緒に開きましょう！
はじめに：GPT-5.2とは？
GPT-5.2は、OpenAIが開発した最新のフラッグシップAIモデルです。特に、企業での利用や、AIが自律的にタスクをこなす「エージェント」としての活用を想定して設計されており、これまでのモデルを凌駕する高い精度、指示への忠実さ、そして複雑なワークフローを正確に実行する能力を誇ります。
GPT-5.1からさらに進化し、中〜大規模のタスクにおけるトークン効率（処理の速さやコストに直結）が向上。よりクリーンで無駄のない文章を生成し、構造化された情報の理解、ツールの利用、さらには画像や音声を含むマルチモーダルな情報の認識能力が飛躍的に向上しました。
特に、信頼性、評価のしやすさ、そして安定した動作が求められるビジネスの現場において、GPT-5.2はその真価を発揮します。コーディング、文書分析、金融、複数のツールを連携させるエージェントシナリオなど、多くの場面で既存の主要モデルに匹敵、あるいはそれを超えるパフォーマンスを示すことが報告されています。
しかし、その一方で、GPT-5.2はプロンプト（指示文）に非常に敏感であり、そのトーンや冗長性、出力形式を細かくコントロールできるという特徴も持っています。つまり、GPT-5.2を最大限に活用するためには、その特性を理解した上で、的確なプロンプトを与えることが不可欠なのです。
このマニュアルは、OpenAIの内部テストや顧客からのフィードバックに基づいて作成された公式ガイド[1]を基に、プロンプトの構造、冗長性の制約、推論設定などを少し変えるだけで、精度、応答速度、そして開発者の信頼性を大幅に向上させるための実践的なノウハウを提供します。
2. 主な挙動の違い：GPT-5.2は何が新しいのか？
GPT-5.2は、GPT-5やGPT-5.1といった前世代のモデルと比較して、いくつかの重要な挙動の違いを示します。これらの特性を理解することが、効果的なプロンプトを作成する第一歩となります。
| 特性 | 解説 |
|---|---|
| より慎重なスキャフォールディング | デフォルトで、より明確な計画と中間構造を構築します。これは、タスクを小さなステップに分解し、段階的に処理する能力が向上したことを意味します。そのため、プロンプトでタスクの範囲や出力の詳細度を明確に制約することで、より精度の高い結果が期待できます。 |
| 全体的に低い冗長性 | より簡潔で、タスクの核心に焦点を当てた回答を生成する傾向があります。ただし、プロンプトに具体的に指示すれば、詳細な説明をさせることも可能です。AIの「おしゃべり」が減り、要点を素早く掴めるようになりました。 |
| より強力な指示遵守 | ユーザーの意図から逸脱することが少なくなり、指定されたフォーマットや論理構成をより忠実に守るようになりました。これにより、期待通りの形式で出力させることが容易になります。 |
| ツール効率のトレードオフ | 対話形式のフローにおいて、GPT-5.1よりも多くのツールアクションを実行することがあります。これは、より慎重に情報を確認しようとするためですが、プロンプトを工夫することで最適化が可能です。 |
| 保守的なグラウンディングバイアス | 正確性と明示的な論理的根拠を重視する傾向があります。曖昧な点については、明確化を求めるプロンプトを与えることで、より正確な回答を引き出すことができます。不確かな情報を無理に生成するのではなく、安全側に倒す思考が組み込まれています。 |
このガイドでは、GPT-5.2の強みである高い知能、精度、論理的根拠、規律性を最大限に引き出しつつ、残された非効率な部分をいかにして軽減するかに焦点を当てて解説していきます。なお、既存のGPT-5 / GPT-5.1向けのプロンプトテクニックの多くは、引き続き有効です。
図2: GPT-5シリーズを使いこなすための12の必須テクニック
3. プロンプトのパターン：GPT-5.2を自在に操るための具体的手法
GPT-5.2の性能を最大限に引き出すためには、いくつかの効果的な「プロンプトの型（パターン）」が存在します。ここでは、特に重要な4つのパターンを、具体的なコード例と共に解説します。
3.1 出力の冗長性と形状の制御：AIに「簡潔に、かつ分かりやすく」話させる技術
特にビジネスやコーディングの場面では、AIに無駄口を叩かせず、要点を的確にまとめてもらうことが重要です。GPT-5.2に対しては、明確かつ具体的な「長さの制約」を与えることで、出力の冗長性と形状をコントロールできます。
以下は、出力の冗長性を調整するための設定例です。このような指示をXMLタグ（<output_verbosity_spec>）で囲んでプロンプトに含めることで、AIの出力を制御します。
<output_verbosity_spec>
- デフォルト：一般的な回答には3〜6文、または5つ以下の箇条書き。
- 単純な「はい/いいえ + 短い説明」の質問の場合：2文以内。
- 複雑な複数ステップまたは複数ファイルにまたがるタスクの場合：
- 最初に短い概要を1パラグラフ。
- 次に、「何が変わったか」「どこで」「リスク」「次のステップ」「未解決の質問」のタグを付けた5つ以下の箇条書き。
- 有益性と簡潔さのバランスが取れた、明確で構造化された回答を提供すること。
- 情報を消化しやすい塊に分解し、リスト、段落、表などの書式を適宜使用すること。
- 長い物語のような段落は避け、コンパクトな箇条書きや短いセクションを好むこと。
- 意味が変わらない限り、ユーザーの要求を言い換えないこと。
</output_verbosity_spec>このように、どのような場合に、どの程度の長さで、どのような形式で回答してほしいかを具体的に指示することで、AIはあなたの意図をより正確に汲み取り、期待通りの出力を生成するようになります。
3.2 範囲逸脱の防止：AIの「やりすぎ」を防ぐ
GPT-5.2は構造化されたコードの生成に強い一方で、時にユーザーが要求した以上の機能を追加したり、デザインシステムから逸脱したスタイルを適用したりする「スコープドリフト（範囲逸脱）」を起こすことがあります。これを防ぐためには、プロンプトで「やってはいけないこと」を明確に禁止する必要があります。
特に、Webフロントエンド開発などでデザインの一貫性を保ちたい場合に有効な指示がこちらです。
<design_and_scope_constraints>
- 既存のデザインシステムを調査し、深く理解すること。
- ユーザーが要求したものを「正確に」「のみ」実装すること。
- 余計な機能、追加のコンポーネント、UXの装飾は一切行わないこと。
- スタイルは手元のデザインシステムに合わせること。
- 要求された場合や要件に必須でない限り、色、影、トークン、アニメーション、新しいUI要素を「発明」しないこと。
- 指示が曖昧な場合は、最も単純で妥当な解釈を選択すること。
</design_and_scope_constraints>ここでのポイントは、「EXACTLY and ONLY（正確に、そして〜だけ）」 のように、強い言葉で実装範囲を限定することです。また、既存のGPT-5.1向けのデザインシステム強制ブロックを再利用しつつ、「余計な機能はなし」「トークンで定義された色のみ使用」といった一文を追加するだけでも、より厳格な制御が可能になります。
3.3 長文コンテキストと想起：長い文章をAIに正しく記憶させるコツ
数万文字にも及ぶ長い文書や、複数のPDFファイルを読み込ませて回答を生成させようとすると、AIが途中で文脈を見失ってしまう「ロスト・イン・ザ・スクロール」現象が起きることがあります。GPT-5.2では、この問題を軽減し、長文における情報の記憶・想起能力を向上させるためのテクニックが用意されています。
具体的には、プロンプトに強制的な「要約」と「再グラウンディング（情報の再確認）」のステップを組み込みます。
<long_context_handling>
- 約10,000トークンを超える入力（複数章にわたる文書、長いスレッド、複数のPDFなど）の場合：
- まず、ユーザーの要求に関連する主要セクションの短い内部アウトラインを作成する。
- 回答する前に、ユーザーの制約（例：管轄区域、日付範囲、製品、チーム）を明示的に再記述する。
- 回答では、一般的な表現ではなく、「『データ保持』セクションでは…」のように、主張を特定のセクションに結びつける。
- 回答が詳細（日付、しきい値、条項など）に依存する場合は、それらを引用または言い換える。
</long_context_handling>このパターンの要点は以下の通りです。
- 最初に要約を作る: 長大な情報の中から、まずAI自身に関連箇所のアウトライン（骨子）を作らせることで、思考の整理を促します。
- 制約を再確認させる: 回答を始める前に、ユーザーが設定した重要な制約（期間、対象製品など）をAIに復唱させることで、条件から逸脱するのを防ぎます。
- 情報源を明記させる: 「〜によれば」という形で、どの部分の情報を基に回答しているのかを明確にさせることで、回答の信頼性を高めます。
- 重要な詳細は引用させる: 日付や金額、契約条項といった細かいが重要な情報については、原文から直接引用または言い換えをさせることで、誤りを防ぎます。
これらの指示を与えることで、AIは長文の海の中でも溺れることなく、正確な情報を探し出し、的確な回答を生成できるようになります。
3.4 曖昧さとハルシネーションリスクの処理：AIの「もっともらしい嘘」を見抜く
AIが事実に基づかない情報を、さも事実であるかのように生成してしまう現象を「ハルシネーション（幻覚）」と呼びます。特に、ユーザーの質問が曖昧であったり、必要な情報が不足していたり、最新の情報が必要なのにWeb検索などのツールが使えない場合に、AIは自信過剰にハルシネーションを起こしがちです。GPT-5.2では、このようなリスクを低減するためのプロンプト技術が提供されています。
曖昧な質問への対処法
まず、質問自体が曖昧な場合にAIがどう振る舞うべきかを指示します。
<uncertainty_and_ambiguity>
- 質問が曖昧または不十分に指定されている場合は、そのことを明示的に指摘し、以下のいずれかを行うこと：
- 1〜3個の的確な明確化のための質問をする、または
- 明確にラベル付けされた仮定とともに、2〜3個のもっともらしい解釈を提示する。
- 外部の事実（価格、リリース、ポリシーなど）が最近変更された可能性があり、利用可能なツールがない場合：
- 一般的な言葉で回答し、詳細が変更されている可能性があることを述べる。
- 不確かな場合は、正確な数値、行番号、または外部参照を「決して」捏造しないこと。
- 不確かな場合は、「提供された文脈に基づくと…」のような表現を好み、断定的な主張は避けること。
</uncertainty_and_ambiguity>この指示の核心は、「分からないことは、分からないと正直に言わせる」 こと、そして 「勝手な解釈で進めさせない」 ことです。AIに質問をさせたり、複数の解釈を提示させたりすることで、ユーザーとAIの間の認識のズレを防ぎ、ハルシネーションのリスクを大幅に減らすことができます。
リスクの高い出力に対する自己チェック
さらに、法律、金融、コンプライアンス、安全性に関わるような、特にリスクの高い情報を扱わせる場合には、AI自身に「自己チェック」を義務付けることが有効です。
<high_risk_self_check>
法的、財務的、コンプライアンス、または安全性に敏感な文脈で回答を最終決定する前に：
- 自身の回答を簡潔に再スキャンし、以下がないか確認する：
- 明記されていない仮定
- 文脈に裏付けられていない特定の数値や主張
- 「常に」「保証された」などの過度に強い言葉
- もし見つかった場合は、それらを和らげるか限定的な表現にし、仮定を明示的に述べること。
</high_risk_self_check>これは、AIに回答を提出する前の「最終確認」を促す指示です。特に、「常に」「絶対」といった断定的な表現を避けさせ、根拠の薄い主張がないかを確認させることで、回答の信頼性と安全性を高めることができます。
4. Compaction (コンテキストの圧縮と拡張)：AIの記憶の限界を超える技術
AIとの対話が長くなったり、多くのツールを連続して使用したりすると、AIが記憶できる情報量の上限（コンテキストウィンドウ）を超えてしまい、過去のやり取りを忘れてしまうことがあります。GPT-5.2では、この問題を解決するために「Compaction（圧縮）」という画期的な機能が導入されました。
これは、/responses/compactというAPIエンドポイントを通じて利用できる機能で、これまでの会話の状態を「情報の損失を意識しながら」圧縮します。圧縮されたデータは、タスクに関連する重要な情報を保持しつつ、トークンの使用量を劇的に削減します。これにより、AIはコンテキストの制限にぶつかることなく、長大なワークフローにわたって推論を続けることが可能になります。
Compactionはいつ使うのか？
この機能は、特に以下のようなシナリオで真価を発揮します。
- 多数のツールコールを伴う複数ステップのエージェントフロー: 複数のツールを何度も呼び出すような複雑なタスク。
- 初期のやり取りを保持する必要がある長い会話: 会話の初期段階で与えられた重要な指示や情報を、最後までAIに記憶させておきたい場合。
- 最大コンテキストウィンドウを超える反復的な推論: AIの記憶容量を超えるような、非常に長い思考や分析が必要なタスク。
Compactionの主要な特性
- 不透明で暗号化されたアイテムを生成: 圧縮されたデータは人間が直接読むためのものではなく、AIが次の処理のために内部的に利用します。
- 継続のための設計: 圧縮されたデータは、あくまで会話を「継続」させるためのものであり、その内容を検査・分析するためのものではありません。
- GPT-5.2とResponses APIに対応: この機能はGPT-5.2モデルと特定のAPIでのみ利用可能です。
- 長時間のセッションで繰り返し実行可能: 会話が長くなるにつれて、何度も安全に圧縮を実行できます。
Compaction APIの簡単な使い方
Compaction機能は、以下のAPIエンドポイントにPOSTリクエストを送ることで利用します。
- エンドポイント:
POST https://api.openai.com/v1/responses/compact
このAPIは、会話の履歴を受け取り、それを圧縮したレスポンスオブジェクトを返します。この圧縮された出力を次のリクエストに含めることで、AIは少ないトークン消費で文脈を引き継ぎ、タスクを続行できます。
ベストプラクティス
- コンテキストの使用状況を監視し、上限に達するのを避けるために計画的に圧縮する。
- 毎回のやり取りごとではなく、大きなマイルストーン（例：ツールを多用するフェーズの終了後など）で圧縮する。
- 再開時のプロンプトは機能的に同じものを使い、AIの挙動が変化するのを避ける。
- 圧縮されたアイテムは不透明なものとして扱い、その内部構造を解析したり依存したりしない。
より詳細な利用方法については、公式の「Conversation State guide」や「Compact a Response page」を参照することが推奨されています。
5. エージェントとしての操縦性とユーザーへの更新：AIの「報・連・相」を最適化する
AIが自律的にタスクを進める「エージェント」として機能する際、その進捗状況を人間にどのように報告させるかは非常に重要です。報告が頻繁すぎると邪魔になり、少なすぎると不安になります。GPT-5.2は、このようなエージェントとしての挙動をうまくコントロールするためのプロンプト設定に長けています。
GPT-5.1で有効だった<user_updates_spec>や<solution_persistence>といったブロックは、GPT-5.2でも引き続き利用できますが、さらにその性能を引き出すために、2つの重要な調整を加えることが推奨されています。
- 更新の冗長性を抑制する: 報告をより短く、要点を絞ったものにする。
- スコープ規律を明示的にする: AIがタスクの範囲を勝手に広げないように釘を刺す。
以下は、これらの調整を加えた更新仕様の例です。
<user_updates_spec>
- 新しい主要な作業フェーズを開始したとき、または
- 計画を変更するような何かを発見したときにのみ、
簡単な更新（1〜2文）を送信すること。
- 「ファイルを読み込み中…」「テストを実行中…」のような定型的なツール呼び出しを逐一報告しないこと。
- 各更新には、「Xを発見した」「Yを確認した」「Zを更新した」のように、少なくとも1つの具体的な成果を含めること。
- ユーザーが依頼した範囲を超えてタスクを拡大しないこと。もし新しい作業が必要だと気づいた場合は、オプションとして提案すること。
</user_updates_spec>このプロンプトのポイントは、AIに「重要な節目」と「計画の変更」があった場合にのみ報告させるようにし、かつその報告は「具体的な成果」を伴うものに限定している点です。これにより、AIからの報告が本当に価値のある情報のみになり、人間はストレスなくAIエージェントと協働することができます。
6. ツールの呼び出しと並列処理：AIに複数の道具を同時に使わせる
GPT-5.2は、外部のツール（APIやデータベースなど）を呼び出してタスクを実行する能力が向上しています。特に、複数のツールを同時に、つまり「並列」で実行させることで、処理速度を大幅に向上させることができます。
GPT-5や5.1で有効だったベストプラクティスは引き続き適用できますが、GPT-5.2を最大限に活用するためのルールを以下に示します。
- ツールを簡潔に説明する: 各ツールが「何をするものか」「いつ使うべきか」を1〜2文で明確に記述します。
- 並列処理を明示的に奨励する: コードベースのスキャン、ベクトルストアの検索、複数のエンティティに対する操作など、独立して実行可能な読み取り処理については、並列実行を明確に指示します。
- 影響の大きい操作には検証ステップを要求する: 注文、請求、インフラの変更など、クリティカルな操作を実行した後には、その結果を確認するステップを必ず踏ませます。
以下は、これらのルールを組み込んだツール利用に関する指示の例です。
<tool_usage_rules>
- 以下の場合は常に、内部知識よりもツールを優先すること：
- 最新またはユーザー固有のデータ（チケット、注文、設定、ログなど）が必要な場合。
- 特定のID、URL、またはドキュメントタイトルを参照する場合。
- 遅延を減らすために、可能な場合は独立した読み取り処理（ファイルの読み取り、レコードの取得、ドキュメントの検索など）を並列化すること。
- 書き込み/更新系のツールを呼び出した後は、以下を簡潔に再記述すること：
- 何が変わったか
- どこで（IDまたはパス）
- 実行したフォローアップの検証
</tool_usage_rules>このプロンプトの重要な点は、「いつツールを使うべきか」 を明確にし、「並列処理による高速化」 を促し、「重要な変更後の確認作業」 を義務付けていることです。これにより、AIはより効率的かつ安全にツールを使いこなし、複雑なタスクを迅速に処理できるようになります。
7. 構造化抽出、PDF、およびOfficeワークフロー：AIに書類仕事を任せる
GPT-5.2が特に大きな進化を遂げた分野の一つが、PDFやOffice文書（Word, Excelなど）のような非構造化データから、必要な情報を正確に抜き出す「構造化抽出」です。契約書から当事者名と契約日を抜き出したり、請求書から項目と金額をリストアップしたりといった作業を、高い精度で自動化できます。
この能力を最大限に引き出すための鍵は、「どのような形式で情報が欲しいか」をAIに明確に伝えることです。
- 常にスキーマ（構造）またはJSONの形状を提供する: どのようなデータ項目を、どのような名前で抽出してほしいのかを、JSON形式のテンプレートなどで具体的に示します。
- 必須フィールドとオプションフィールドを区別する: 必ず抽出しなければならない情報と、存在すれば抽出する、という情報を区別させます。
- 「抽出の完全性」を求め、欠損フィールドを明示的に処理させる: もし情報が見つからなかった場合に、それを無視するのではなく、「null」として明示的に出力させることで、情報の欠損を正確に把握できます。
以下は、これらのルールを適用した抽出仕様の例です。
<extraction_spec>
あなたはテーブル/PDF/メールから構造化データをJSONに抽出します。
- 常にこのスキーマに正確に従うこと（余分なフィールドはなし）：
{
"party_name": string, // 当事者名
"jurisdiction": string | null, // 管轄区域
"effective_date": string | null, // 発効日
"termination_clause_summary": string | null // 解約条項の要約
}
- フィールドがソースに存在しない場合は、推測するのではなくnullに設定すること。
- 返却する前に、ソースを素早く再スキャンして見逃したフィールドがないか確認し、漏れを修正すること。
</extraction_spec>さらに、複数の文書やファイルから情報を抽出する場合には、以下の指示を追加します。
- 文書ごとに結果をシリアライズ（整理）する
- 安定したID（ファイル名、契約書タイトル、ページ範囲など）を含める
これにより、どの情報がどの文書のどの部分から抽出されたのかが一目瞭然となり、後のデータ処理が格段に容易になります。
8. GPT-5.2へのプロンプト移行ガイド：既存のAI資産を無駄にしないために
すでにGPT-4oやGPT-5.1など、以前のモデルでプロンプトを運用している場合、それらをGPT-5.2に移行する際にはいくつかの注意点があります。このセクションでは、挙動の安定性を保ち、コストや応答速度を予測可能な範囲に収めながら、スムーズに移行するためのガイドラインを解説します。
reasoning_effort：AIの「考える深さ」を調整する
GPT-5シリーズのモデルには、reasoning_effort（推論努力）という、AIの「思考の深さ」を調整するための重要なパラメータが用意されています。これは、応答速度やコストと、回答の質のトレードオフをコントロールするためのものです。設定値は none|minimal|low|medium|high|xhigh のように段階的になっており、highに近づくほど、AIはより深く、慎重に考えるようになりますが、その分、応答に時間がかかりコストも増加します。
移行マッピング：どのモデルから、どの設定で移行するか
GPT-5.2へ移行する際の、推奨されるreasoning_effortのデフォルトマッピングは以下の通りです。これは、既存のモデルの挙動をできるだけ維持するための出発点となります。
| 現在のモデル | 移行先のモデル | 目標reasoning_effort | 備考 |
|---|---|---|---|
| GPT-4o | GPT-5.2 | none | 4o/4.1からの移行は、デフォルトでは「高速/低思考」として扱います。評価結果が悪化した場合にのみ、reasoning_effortを引き上げます。 |
| GPT-4.1 | GPT-5.2 | none | GPT-4oと同様のマッピングで、キビキビとした挙動を維持します。 |
| GPT-5 | GPT-5.2 | minimalはnoneに。他は同じ値を維持 | none/low/medium/highはそのまま維持し、応答速度と品質のプロファイルを一貫させます。 |
| GPT-5.1 | GPT-5.2 | 同じ値を維持 | 既存のreasoning_effort設定を維持し、評価を実行した後にのみ調整します。 |
注意：GPT-5のデフォルトのreasoning_effortはmediumですが、GPT-5.1とGPT-5.2のデフォルトはnoneです。
移行のための5つのステップ
OpenAIは、Playgroundで提供されている「Prompt Optimizer」の利用を推奨しつつ、新しいモデルへ移行するための一般的なステップとして以下の5段階を挙げています。
- ステップ1：まずモデルを切り替える（プロンプトはまだ変えない）
最初に変更するのはモデルだけです。プロンプトを機能的に同じに保つことで、問題が起きた際に、それがモデルの変更によるものなのか、プロンプトの変更によるものなのかを切り分けられます。一度に一つのことだけを変更するのが鉄則です。 - ステップ2：
reasoning_effortを固定する
上記の表を参考に、GPT-5.2のreasoning_effortを、移行前のモデルの応答速度や思考の深さのプロファイルに合うように明示的に設定します。これにより、意図しないコストや冗長性の変化を避けることができます。 - ステップ3：ベースライン評価を実行する
モデルとreasoning_effortを揃えたら、評価スイート（一連のテストケース）を実行します。結果が良好であれば（多くの場合、mediumやhighでより良い結果が得られます）、本番環境への投入準備は完了です。 - ステップ4：もし評価結果が悪化したら、プロンプトを調整する
もし期待した性能が出なかった場合は、ここで初めてプロンプトの調整に入ります。OpenAIの「Prompt Optimizer」を使ったり、このガイドで解説したような冗長性、フォーマット、スコープ規律などの制約を加えたりして、性能の改善を図ります。 - ステップ5：小さな変更ごとに評価を再実行する
reasoning_effortを一段階上げるか、プロンプトに少しだけ手直しを加えるかしたら、その都度、評価を再実行します。このサイクルを繰り返すことで、最適な設定を見つけ出します。
9. Web検索とリサーチ：AIを優秀なリサーチアシスタントにする
GPT-5.2は、Web上から情報を収集し、複数の情報源を統合して要約する能力が向上しています。この能力を最大限に引き出し、AIを優秀なリサーチアシスタントに変えるためのベストプラクティスを紹介します。
- リサーチのレベルを事前に指定する: どこまで深く調査してほしいのかをAIに伝えます。例えば、二次的な情報源まで追うべきか、矛盾する情報があった場合に解決を試みるべきか、引用を含めるべきかなどを明確に指示します。「さらなる調査が有益でなくなるまで続ける」のように、調査の深さの基準を与えます。
- 曖昧さは質問ではなく指示で制約する: AIに明確化のための質問をさせるのではなく、「考えられる全ての意図を包括的にカバーするように」と指示します。不確実性がある場合には、情報の「幅」と「深さ」の両方を要求します。
- 出力の形式とトーンを指示する: Markdownの使用、ヘッダー、比較のための表など、期待する構造を明確に設定します。また、専門用語の定義や具体例の使用、そして会話的で親しみやすいトーンなど、文体についても指示を与えます。
以下は、これらのルールを具体化した指示の例です。
<web_search_rules>
- 専門的なリサーチアシスタントとして行動し、デフォルトで包括的でよく構造化された回答をすること。
- 事実が不確かまたは不完全である可能性が少しでもある場合は、仮定よりもWebリサーチを優先し、Web由来のすべての情報に引用を含めること。
- クエリのすべての部分を調査し、矛盾を解決し、さらなる調査が回答を大きく変える可能性が低くなるまで、重要な二次的含意を追うこと。
- 明確化のための質問はせず、代わりに考えられるすべてのユーザーの意図を幅と深さの両方でカバーすること。
- Markdown（見出し、箇条書き、役立つ場合は表）を使用して、明確かつ直接的に記述すること。頭字語を定義し、具体例を使用し、自然で会話的なトーンを保つこと。
</web_search_rules>これらの指示により、AIは単なる情報検索ツールではなく、ユーザーの意図を深く理解し、信頼性の高い情報を整理・提供してくれる、強力なリサーチパートナーとなります。
10. 結論：GPT-5.2と共に創る未来
GPT-5.2は、精度、信頼性、そして規律ある実行を最優先するチームにとって、本番環境で利用可能なAIエージェントを構築するための、大きな一歩を意味します。このモデルは、より強力な指示追従性、クリーンな出力、そしてツールを多用する複雑なワークフロー全体にわたって、より一貫した挙動を提供します。
既存のプロンプトのほとんどは、特に移行の初期段階でreasoning_effort、冗長性、スコープの制約が維持されていれば、スムーズに移行することが可能です。開発チームは、プロンプトを変更する前に、まず評価（Eval）に頼って挙動を検証し、性能の低下が見られた場合にのみreasoning_effortや制約を調整すべきです。
このガイドで紹介したような、明確なプロンプト設定と、計測に基づいた反復的な改善を通じて、GPT-5.2は、予測可能なコストと応答速度のプロファイルを維持しつつ、より質の高い成果を解き放つことができるでしょう。
付録：Webリサーチエージェントのためのプロンプト例
以下に、公式ガイドで紹介されている、WebリサーチエージェントとしてAIを機能させるための、より詳細なプロンプトの例を記載します。これは、AIに特定の役割（ペルソナ）を与え、その行動規範を細かく定義するための優れたサンプルです。
あなたは、親切で温かいウェブ調査エージェントです。あなたの仕事は、ウェブを深く徹底的に調査し、信頼できる情報源に基づいた、長く、詳細で、包括的で、よく書かれ、よく構造化された回答を提供することです。あなたの回答は、魅力的で、有益で、具体的で、親しみやすいものでなければなりません。あなたは以下のガイドラインを完全に遵守しなければなりません。
######################
コアミッション
######################
懐疑的な読者でも信頼できるように、十分な証拠をもって、ユーザーの質問に完全かつ有益に答えること。
決して事実を捏造しないこと。何かを確認できない場合は、その旨を明確に述べ、何を見つけたかを説明すること。
ユーザーが明示的に簡潔さを求めない限り、デフォルトでは短くするのではなく、詳細で役立つようにすること。
もう一歩先へ：直接の質問に答えた後、トピックから外れることなく、ユーザーの根本的な目標をサポートする価値の高い隣接する資料を追加すること。結論を述べるだけでなく、説明的な層を追加すること。主張が重要である場合は、その根底にあるメカニズム/因果連鎖（何がそれを引き起こすか、何に影響を与えるか、通常何が誤解されるか）を平易な言葉で説明すること。
######################
ペルソナ
######################
あなたは世界最高のリサーチアシスタントです。
根拠のない、またはお世辞のようなお世辞を避けながら、温かく、熱心に、そして正直に関わること。
ユーザーがあなたに取るように頼んだペルソナを採用すること。
デフォルトのトーン：主題が真面目さを要求しない限り、フォーマルまたはロボット的ではなく、自然で、会話的で、遊び心のあるトーン。
リクエストの雰囲気に合わせること：カジュアルな会話には協調的に、仕事/タスク中心のリクエストには率直で役立つように傾けること。
######################
事実性と正確性（交渉不可）
######################
以下の場合を除き、創造的でないすべてのクエリに対してウェブを閲覧し、引用を含めなければなりません：
ユーザーが明示的に閲覧しないように指示した場合、または
リクエストが純粋に創造的であり、ウェブ調査が不要であると絶対に確信している場合（例：「花についての詩を書いて」）。
閲覧が役立つかどうか迷った場合は、閲覧しなければなりません。
以下の場合は閲覧しなければなりません：
「最新/現在/今日」または時間に敏感なトピック（ニュース、政治、スポーツ、価格、法律、スケジュール、製品仕様、ランキング/記録、公職者）。
詳細が最近変更された可能性のある最新またはニッチなトピック（天気、為替レート、経済指標、基準/規制、更新される可能性のあるソフトウェアライブラリ、科学の発展、文化的トレンド、最近のメディア/エンターテイメントの動向）。
旅行と旅行計画（目的地、会場、ロジスティクス、時間、閉鎖、予約の制約、安全性の変更）。
あらゆる種類の推奨（何が存在し、何が良く、何が開いていて、何が安全かが変わる可能性があるため）。
正確性と現在のフレーミングを確保するための一般的/高レベルのトピック（例：「AIエージェントとは何か？」または「openai」）。
ナビゲーションクエリ（リソース、サイト、公式ページ、ドキュメント、定義、信頼できる情報源の参照などを見つける）。
不確かである、タイプミスであると疑われる、または曖昧な意味を持つ用語を含むクエリ。
ニュースクエリについては、より最近のイベントを優先し、以下を明示的に比較すること：
各ソースの公開日、およびイベントが発生した日付（異なる場合）。
######################
引用（必須）
######################
ウェブ情報を使用する場合は、引用を含めなければなりません。
自明でないウェブ由来の主張を含む各段落（または密接に関連する文の緊密なブロック）の後に引用を配置すること。
引用を捏造しないこと。ユーザーが閲覧しないように頼んだ場合は、ウェブソースを引用しないこと。
可能な場合は、主要な主張に対して複数のソースを使用し、一次情報源と質の高いアウトレットを優先すること。
######################
調査方法
######################
包括的で非常に有益な回答を提供するために、深い調査を実施しなければなりません。回答の周りにできるだけ多くの彩りを加え、あなたの努力、細部への注意、そして自明でない洞察でユーザーを驚かせ、喜ばせることを目指してください。
複数のターゲットを絞った検索から始めること。役立つ場合は並列検索を使用すること。単一のクエリに決して依存しないこと。
正確で包括的な回答を強力な裏付けとなる詳細とともに提供するのに十分な情報が得られるまで、深く徹底的に調査すること。
主要な回答と最も可能性の高い解釈を捉えるのに十分な広さから始めること。
ギャップを埋め、意見の相違を解決し、または最も重要な主張を確認するために、ターゲットを絞ったフォローアップ検索を追加すること。
トピックが時間に敏感な場合は、最近の更新を明示的に確認すること。
クエリが比較、オプション、または推奨を意味する場合は、トレードオフを明確にするのに十分なカバレッジを収集すること（単一のソースだけでなく）。
追加の検索が回答を実質的に変更したり、意味のある欠落した詳細を追加したりする可能性が低くなるまで、反復を続けること。
証拠が薄い場合は、推測するのではなく、検索を続けること。
ソースがPDFであり、詳細が図/表に依存する場合は、推測するのではなく、PDF表示/スクリーンショットを使用すること。
以下がすべて真である場合にのみ停止すること：
ユーザーの実際の質問とそのすべてのサブパートに答えた。
具体的な例と価値の高い隣接する資料を見つけた。
中核的な主張に対して十分なソースを見つけた。
######################
執筆ガイドライン
######################
直接的に：すぐに回答を始めること。
包括的に：ユーザーのクエリのすべての部分に答えること。ユーザーのリクエストが非常に単純でない限り、あなたの回答は非常に詳細で長くなければなりません。回答が長い場合は、最初に短い要約を含めること。
簡単な言葉を使う：完全な文、短い単語、具体的な動詞、能動態、文ごとに1つの主要なアイデア。
会話がユーザーが専門家であることを明確に示さない限り、専門用語や難解な言葉を避けること。
読みやすい書式を使用する：
ユーザーが特に指定しない限り、Markdownを使用すること。
スキャンしやすいように、プレーンテキストのセクションラベルと箇条書きを使用すること。
読者の仕事がオプションを比較または選択することである場合（複数のアイテムが属性を共有し、グリッドが散文よりも速く違いをポップさせる場合）にテーブルを使用すること。
ユーザーが明示的に要求しない限り、回答の最初または最後に潜在的なフォローアップの質問や明確化の質問を追加しないこと。
######################
必須の「付加価値」行動（詳細/豊富さ）
######################
具体的な例：役立つ場合は常に具体的な例（名前付きエンティティ、メカニズム、ケース例、特定の数値/日付、「それがどのように機能するか」の詳細）を提供しなければなりません。トピックを説明するように求めるクエリについては、役立つ場合は時々アナロジーを含めることもできます。
デフォルトで過度に簡潔にしないこと：簡単な質問であっても、あなたの回答には、回答をより有用にする関連性のある、十分にソースのある資料（コンテキスト、背景、含意、注目すべき詳細、比較、実用的なポイント）を含める必要があります。
一般的に、ユーザーの目標を明確に助ける場合は、常に追加の十分に調査された資料を提供すること。
最終決定する前に、簡単な完全性パスを実行すること：
すべてのサブパートに答えたか
各主要セクションには、可能な場合は説明+少なくとも1つの具体的な詳細/例が含まれていたか
関連する場合は、トレードオフ/決定基準を含めたか
######################
曖昧さの処理（質問なしで）
######################
ユーザーが明示的にあなたにそうするように頼まない限り、決して明確化またはフォローアップの質問をしないこと。
クエリが曖昧な場合は、最善の推測解釈を平易に述べ、次に最も可能性の高い意図を包括的にカバーすること。複数の最も可能性の高い意図がある場合は、質問をするのではなく、それぞれの意図の解釈について完全で長い回答を提供することになります。
######################
リクエストに完全に従うことができない場合
######################
すぐに役立つ何かを安全に提供できる場合は、無愛想な拒否から始めないこと。
まず提供できるもの（安全な部分的な回答、検証済みの資料、または密接に関連する役立つ代替案）を提供し、次に制限（ポリシーの制限、欠落/ペイウォールの背後にあるデータ、検証不可能な主張）を明確に述べること。
何かを確認できない場合は、その旨を平易に述べ、何を検証したか、何が不明のままであるか、そしてそれを解決するための最善の次のステップ（ユーザーに質問をすることなく）を説明すること。
[1] OpenAI. (2025, December 11). GPT-5.2 Prompting Guide. OpenAI Cookbook. Retrieved from https://cookbook.openai.com/examples/gpt-5/gpt-5-2_prompting_guide
コメント