Instruction深化とは何か｜AIに自社の理論書を書き込む

「AIは効率化から、収益の創造へ」――このブランドメッセージが立ち上がる現場のひとつが、AIへの指示の書き方そのものである。同じChatGPTを使っても、何を書き込むかで、出力は別物になる。Instruction深化は、その差を経営の意志として設計する行為を指す。

Instruction深化の定義

Instruction深化とは、AIに与える指示（System Prompt / Instruction）を、自社の判断軸・経営思想・現場で蓄積された禁忌・例外則を継続的に書き加え、AIに対する『自社の理論書』として深めていく経営行為である。

AI Mutationには2つの経路がある。AIに食わせるデータを書き換える「Knowledge熱狂化」と、AIへの指示を理論化する「Instruction深化」である（麻生要一『AI収益進化論』第6章）。両者は独立した経路であり、目的は同じ ―― 汎用AIを、その会社・その市場でしか成立しない収益創出の主体へ育てること。

担い手は経営者と事業責任者である。理由は単純で、自社の判断軸を身体で持っているのは、業務システムでも文書管理システムでもなく、経営者本人だからである。

短い指示で得られるのは、一般論の集積

ChatGPTやClaudeに「営業のロールプレイをしてほしい」と短く依頼すると、返ってくるのは一般論の集積である。BANT、SPIN、価値訴求の型 ―― どこかの教科書で読んだような営業の話が、当たり障りなく組み立てられて出てくる。

これは、AIが悪いのではない。AIは指示の射程の中で最も標準的な答えを返してくる。射程が短ければ、答えも一般化される。

段階3 ―― AIを推進中だが売上が動かない段階 ―― に立つ経営者の多くが、最初に踏むのがこの場所である。ChatGPTを契約し、Copilotを配り、社員に使わせている。しかし出てくる出力はどこの会社でも得られそうな一般論で、自社の事業の核心には触れていない。

短い指示で得られるのは、汎用LLMが学習した世界の平均値である。自社の判断軸は、そこには存在しない。

指示を『自社の理論書』として書き込む

Instruction深化は、この平均値から離脱する作業である。書籍では、最初は100字だった指示が、気づけば1,000字、5,000字、10,000字へと伸びていく過程が示される（麻生要一『AI収益進化論』第6-4章）。書き込む内容は、たとえば次のような層になる。

• 「あなたは弊社の営業を15年やってきた人物として振る舞ってほしい」
• 「弊社の営業先の97%は中堅製造業で、その経営者の平均年齢は58歳である」
• 「弊社の営業では、最初の30分で雑談の質を上げることを最優先する。その際、製造業の経営者特有の関心領域として次の5つがある ―― 」
• 「価格交渉の場面で、弊社が絶対に下げないラインは粗利率35%である」
• 「弊社の創業以来の信条として『顧客の利益が先、自社の利益はその結果として後からついてくる』という原則がある」

これらが積み重なるとき、AIの出力は一般論ではなくなる。雑談の入り方の選択肢、価格提示の順序、譲歩の仕方、断る場面の言い回し ―― すべてが、自社の判断軸の枠の中で組み立てられるようになる。

書籍はこの指示文書を「自社の理論書」と呼ぶ。会計帳簿でもマニュアルでもなく、AIに読ませるための、自社の経営哲学が文章として刻まれた書物である。

プロンプトエンジニアリングとの違い

Instruction深化はプロンプトエンジニアリングの発展版ではない。隣接する別の領域である。

観点	プロンプトエンジニアリング	Instruction深化
目的	AIから望む出力を引き出すための技術的工夫	自社の判断軸・哲学・禁忌をAIに書き込む経営行為
担い手	エンジニア / プロンプトエンジニア	経営者 / 事業責任者
文書の性格	テクニックの集積	自社の理論書
文字数の目安	数百字	数千〜数万字

プロンプトエンジニアリングは、AIから良い出力を得るための技法として独立した領域である。Chain-of-Thought、Few-shot、Role指定 ―― これらは技術として尊重されるべきものであり、Instruction深化の中でも当然活用される。

ただし、技法だけでは「自社にしかない判断軸」は書き込めない。粗利率35%という数字、創業以来の信条、業界平均年齢58歳という現場感覚 ―― これらは技法の問題ではなく、経営者の意志と記憶の問題である。

学術的に何が支えているのか

指示の書き方が出力を変えるという主張は、経営者の主観ではない。技術コミュニティで観測されている現象の、経営的な翻訳である。

EmotionPrompt（Microsoft Research / 中国科学院ソフトウェア研究所、Cheng Li, Jindong Wang ら、2023年7月）は、プロンプトに11種類の感情的刺激文 ―― たとえば「これは私のキャリアにとって非常に重要だ」のような短い一文 ―― を加えるだけで、ChatGPT・GPT-4を含む複数のLLMの性能が変化することを示した。Instruction Inductionで8.00%の相対性能向上、BIG-Benchで最大115%の性能向上、人間評価者106名による生成タスクの評価で平均10.9%の性能向上が報告されている（arXiv:2307.11760）。

EmotionPromptが示しているのは「指示の文面を変えることが、LLMのAttention機構に重みとして寄与する」という構造である。短い感情的刺激文ですらこれだけ性能を動かすのなら、自社の判断軸・哲学・禁忌を数千字単位で書き込んだとき、AIの出力が標準解から離れていくのは、構造的に整合する。

Instruction深化は、この構造を経営の側に引き寄せる行為である。

自社の哲学を文章として言語化できるのは誰か

『自社の理論書』は誰が書けるか ―― この問いに対する書籍の答えは明快である。経営者と事業責任者である（麻生要一『AI収益進化論』第6-7章）。

自社が絶対に下げない粗利率は、経理システムには書かれていない。雑談の最初の30分が勝負であるという経験則は、営業マニュアルには載っていない。創業以来の信条は、コーポレートサイトの「企業理念」ページにある言葉ではなく、経営者が日々の判断の中で身体に染み付かせた基準である。

これらを文章として書き出せるのは、エンジニアでもなく、コンサルタントでもなく、経営者自身である。

ここで生じるのが、これまでのIT投資との大きな違いである。基幹システムは情シスと外部ベンダーに委ねられた。RPAは現場のオペレーション担当に委ねられた。しかしInstruction深化は、経営者が自分の言葉でキーボードを叩く作業である。委譲できない領域に、経営者の時間が使われる時代に入った。

Knowledge熱狂化との違い、両経路の関係

AI Mutationを起こす2つの経路は、目的を共有しながら、操作対象が異なる（麻生要一『AI収益進化論』第6章）。

Knowledge熱狂化は、AIに食わせるデータを書き換える経路である。整った社内文書ではなく、熱を帯びた商売現場の生データ ―― 顧客との会話、現場のメモ、断片的な観察記録 ―― をAIの参照軸に置き換える。詳しくはKnowledge熱狂化の解説を参照されたい。

Instruction深化は、AIへの指示そのものを書き換える経路である。データではなく、AIに対する命令文・行動原則・判断基準を、自社の理論書として深めていく。

両者の関係は、補完的である。Knowledge熱狂化だけでは、AIは熱量のあるデータを読み込んでも、それをどの判断軸で整理すればよいかを知らない。Instruction深化だけでは、AIは判断軸を持っていても、参照すべき自社固有のデータがない。

両経路を同時に回したとき、AIは「自社のデータを、自社の判断軸で読み解く存在」へと育っていく。これがAI Mutationである。

よくある質問

Q1. プロンプトエンジニアリングとInstruction深化の違いは何ですか？

プロンプトエンジニアリングは、AIから望む出力を引き出すための技術領域である。Instruction深化は、自社の判断軸・哲学・禁忌をAIに書き込む経営行為である。前者の担い手はエンジニアやプロンプトエンジニア、後者の担い手は経営者と事業責任者である。Instruction深化の中で技法としてのプロンプトエンジニアリングは活用される。

Q2. 指示文書はどれくらいの文字数になりますか？

書籍では、最初は100字だった指示が、深化を進めるうちに1,000字、5,000字、10,000字へと伸びていく過程が示されている（麻生要一『AI収益進化論』第6-4章）。文字数自体が目的ではない。自社の判断軸・例外則・禁忌が書き込まれた結果として、自然と数千〜数万字の規模になる、という順序である。

Q3. ChatGPTのCustom InstructionsとInstruction深化の違いは何ですか？

Custom Instructionsは、Instruction深化を実装する場所のひとつとして使える。ただし、ツール上の機能ではなく、書き込まれている内容の性格が問題である。「自分は経営者です、丁寧に答えてください」という程度の記述はInstruction深化ではない。自社の判断軸・粗利ライン・例外則・創業からの信条が、文章として刻まれて初めて『自社の理論書』になる。

Q4. Instruction深化を始めるには、何から書き出せばいいですか？

経営者が日々の判断で「これだけは譲れない」と思っている基準を、まず1つ書き出すところから始めるのが現実的である。価格の下限、断るべき案件の条件、最初の面談での優先事項 ―― 何でもよい。書き出した瞬間に、それは社員にも継承可能になる。1つを書き終えたら、AIに渡して出力を確かめ、ずれていた箇所をさらに書き加える。これを繰り返すことで、理論書は自然に厚くなる。

Q5. Knowledge熱狂化との違いと、両方やる必要はありますか？

Knowledge熱狂化はAIに食わせるデータを書き換える経路、Instruction深化はAIへの指示を書き換える経路である。両者は独立した経路だが、片方だけでは効果は限定的である。データ（Knowledge）と判断軸（Instruction）の両方が揃って初めて、AIは自社のデータを自社の判断軸で読み解く存在へ育つ。両方を回す前提で設計するのが、AI Mutationを起こす上での順当な構えである。

関連概念

• AI Mutation ―― AIが学習範囲の外側へ跳び始める原理。Instruction深化はこれを起こす2つの経路の片方
• Knowledge熱狂化 ―― もう片方の経路。AIに食わせるデータを書き換える
• PI（Primal Intelligence） ―― AIが辿り着けない原初の知性。Instruction深化に書き込まれる経営者の判断軸は、PIの言語化のひとつの形でもある
• PI Injection ―― AX for Revenue Loopの第3ステップ。深化された指示は、PI Injectionで得られた発見を反映する場所として継続的に書き換えられる
• AI Orchestration ―― 複数のAIを経営の意志で束ねる設計。共通のInstruction層は、Instruction深化が組織横断で効くための基盤になる
• 書籍『AI収益進化論』第6-4章 / 6-5章 ―― Instruction深化の原典と学術的支柱の整理（本書の特設ページ）

---

Instruction深化は、効率化のためのプロンプト技術ではない。自社の哲学を文章としてAIに書き込み、汎用LLMをその会社の判断軸を持つ存在へと育てる経営行為である。この行為の積み重ねが、効率化の限界を越えて、収益の創造へと通じる経路を開いていく。

発行: 株式会社アルファドライブ