メインコンテンツへスキップ
見出し画像

【AIプロンプト配布】重すぎるプロンプトをAIが拒否した──「前処理AI」で複雑な仕事を分解してから実行させる方法

    #生成AI #AI #ChatGPT #Copilot #プロンプト #プロンプトエンジニアリング #AI活用 #生成AI活用 #LLM #MoE #MixtureOfExperts #タスク分解 #プロンプト設計 #AIプロンプト #業務効率化 #投資分析 #株式投資

    この投稿では、複雑すぎてAIが途中で止まりやすいプロンプトを、目的や分析内容を削らず「実行しやすい処理手順」へ前処理するための汎用的なAIプロンプトを無料公開しています。

    ◆第1章 なぜ「期待値マップ作成プロンプト」は重いのか

    以前、私は投資銘柄を分析するために、「同業他社との比較から、その銘柄にどこまで市場期待が織り込まれているのかを可視化するプロンプト」を作りました。

    考え方自体はシンプルです。

    ある企業の株価が高いのか安いのかを見るとき、その企業だけを眺めても十分ではありません。

    たとえばNVIDIAを見るのであれば、AMD、Broadcom、TSMCなどの関連企業と比較しながら、

    • 現在の株価

    • PERなどのバリュエーション

    • EPS

    • 売上・利益の成長率

    • 直近決算

    • 今後の業績見通し

    • 株価トレンド

    などを並べることで、「業績が良い企業」なのか、それとも「業績が良いことを市場がすでに相当織り込んでいる企業」なのかを切り分けやすくなります。

    そこで私は、これらをまとめてAIに処理させるプロンプトを作りました。

    ところが、実際にCopilotへ投入してみると、思わぬところで止まりました。

    Copilotから返ってきたのは、要約すると、

    NVIDIAについては検索できたが、AMD、Broadcom、TSMC、Intel、Marvell、Qualcommなどについて、最新の株価・PER・EPS・売上成長率・決算情報がまだ揃っていない。まず比較対象企業を確定し、それぞれの最新データを検索する必要がある。

    という回答でした。

    画像

    「では、そのまま調べて続けてください」と頼んだのですが、なかなか最後まで処理してくれません。

    ここで少し考えました。

    もしかすると、このプロンプトは人間から見るより、AIから見るとはるかに重いのではないか。

    人間が読むと、「NVIDIAと同業他社を比較して、市場期待を分析する」という一つの仕事に見えます。

    しかし、AI側の処理として分解してみると、実際にはそうではありません。
    まずNVIDIAの事業構造を理解し、何をもって「同業」とするかを判断する必要があります。

    次に比較対象企業を選び、それぞれについて最新情報を検索します。

    さらに株価、PER、EPS、売上成長率、利益成長率、決算、ガイダンスなどを企業ごとに収集します。

    しかも、集めただけでは比較できません。

    データの基準日が違えば揃える必要がありますし、予想PERと実績PERを混在させないようにする必要もあります。会計年度や決算期が異なる企業なら、その違いも考慮する必要があります。

    そのうえで、

    データ収集 → データ整理 → 企業間比較 → バリュエーション評価 → 業績評価 → 株価トレンド評価 → 市場期待の推定

    まで進めて、ようやく私が欲しかった「期待値マップ」が完成します。

    つまり私は、一つのプロンプトを書いたつもりで、実際には検索・選定・データ収集・正規化・比較・推論・文章生成という複数種類の仕事をまとめてAIへ投げていたわけです。

    現在のAIは、外部情報を利用する場合、単純に「巨大な質問文を全部そのまま検索エンジンへ渡す」という動きをするとは限りません。たとえばMicrosoftは、CopilotのWeb検索について、ユーザーのプロンプトからWeb情報が有効な部分を判断し、元のプロンプトとは異なる検索クエリを生成して検索すると説明しています。

    そのため、プロンプトが複雑になるほど、「何を調べるのか」「どの順番で処理するのか」「どの情報を次の処理へ渡すのか」というタスク設計そのものが重要になってきます。

    これは単なる思いつきでもありません。

    LLM研究でも、複雑なタスクをより小さなサブタスクへ分割して処理する「Task Decomposition(タスク分解)」は研究されており、Decomposed Promptingでは、複雑な問題をより単純なサブタスクへ分解し、それぞれを適した処理へ委ねる方法が提案されています。

    Google ResearchなどによるTaskLAMAでも、複雑な現実世界のタスクを個別のステップとその依存関係へ分解すること自体が、一つの重要な問題として扱われています。

    ここから見えてきたのは、プロンプトの性能は「どれだけ多くの指示を書き込めるか」だけでは決まらないということです。

    高性能なAIなら、要求を増やせば増やすほど便利になる。

    そう考えて私は、

    「企業も探して」
    「最新データも調べて」
    「比較表も作って」
    「株価も評価して」
    「決算も読んで」
    「最後に市場期待まで分析して」

    と、一つのプロンプトへ機能を積み上げていました。

    しかし、それによってプロンプトそのものが一種の巨大タスクになっていた可能性があります。

    では、分析内容を削ればいいのでしょうか。
    それでは本末転倒です。

    私が欲しいのは、簡単な回答ではありません。企業比較から市場期待まで含めた分析そのものです。

    ならば、削るべきなのは「分析」ではなく、AIが一度に処理しなければならない複雑さなのではないか。


    ここから、「重いプロンプトをそのままAIへ投げる」のではなく、AIが処理しやすい形へ一度変換してから実行させるという発想に行き着きました。


    ◆第2章 AIが止まった理由を「能力不足」だけで考えない

    では、なぜCopilotは途中で止まってしまったのでしょうか。

    最初は単純に、「Copilotでは、この分析は重すぎるのかな」と思いました。

    しかし、少し掘り下げて考えると、「AIの性能が足りない」の一言で片付けるのも違うように思えます。

    Microsoft自身も、Copilot Chatについて、複雑で調査量の多い依頼では、情報を収集・整理するため回答に数分かかる場合があると説明しています。つまり、同じ一つの質問でも、単純な文章生成と、大量の外部情報を集めながら処理する仕事では負荷がまったく違います。

    今回の「期待値マップ」をもう一度考えてみます。

    NVIDIAを分析するだけなら、まだ比較的単純です。
    ところが、「同業他社も選んでください」と指定すると、AIはまず比較対象を決めなければなりません。

    さらに、「最新のPER、EPS、売上成長率、決算情報も比較してください」と加えれば、それぞれの企業について外部情報を探す必要があります。

    さらに、

    「株価トレンドも評価してください」
    「最後に市場期待値を比較してください」

    と続けば、集めた情報を材料として別の推論を行う必要があります。

    つまり、検索した結果を、そのまま答えれば終わりではありません。
    前の処理で得られた結果が、次の処理の入力になります。

    たとえば比較対象企業が決まらなければ、企業ごとのデータ検索には進めません。

    企業ごとのデータが揃わなければ、比較表を作れません。
    比較表が完成しなければ、「NVIDIAだけが割高なのか」「半導体セクター全体が高く評価されているのか」といった相対評価も難しくなります。

    そして、その比較ができて初めて、「現在の株価には、将来の成長がどこまで織り込まれているのか」という、私が本当に知りたかった市場期待値の分析へ進めます。

    この構造を簡単に書けば、

    比較対象の決定
    ↓
    必要データの検索
    ↓
    データの整合性確認
    ↓
    比較表の作成
    ↓
    企業間の相対評価
    ↓
    市場期待値の推定

    となります。

    一つ前の仕事が終わらなければ、次へ進めない部分がかなり多いのです。

    これはLLM研究で扱われている「複雑なタスク」の特徴とも重なります。

    Google Researchなどの研究チームによるTaskLAMAでは、複雑な現実世界のタスクを個別のステップへ分解するだけでなく、各ステップの時間的な依存関係まで含めて構造化する問題を扱っています。

    興味深いのは、LLMは複雑なタスクを個々のステップへ分解すること自体は比較的うまくできる一方、ステップ同士の依存関係を正しく予測することには、なお課題があると報告されている点です。

    さらに、LLMによるツール利用を調べたUltraToolという研究でも、複雑な問題では実際にツールを使い始める前に、自然言語で中間ステップを計画する段階を独立して評価しています。研究側も、複雑な実世界タスクでは、「何をするか」だけでなく「どの順番で処理するか」を計画する能力が重要だと考えているわけです。

    ここで、Copilotが返してきた回答をもう一度見てみると、少し印象が変わります。

    Copilotは、「NVIDIAの情報はある。しかし、AMDやBroadcom、TSMCなどの最新データがまだない。だから、まず比較対象を確定して、それぞれを検索する必要がある」と説明しました。

    これは、まったく何も理解できていなかったわけではありません。

    むしろ、「最終的な分析をするには、その前にこの仕事を終わらせる必要があります」という依存関係そのものは、ある程度認識していたとも読めます。

    問題は、その先です。

    人間としては、「そう。それが必要なのは分かったから、そのまま全部やって」と言いたくなります。

    しかしAI側から見れば、

    比較企業を決める
    → 数社分検索する
    → 必要指標を抽出する
    → 数値を揃える
    → 欠けている情報を再検索する
    → 比較する
    → 推論する
    → 最終回答を書く

    という長い処理を、その場で最後まで完遂しなければなりません。

    しかも途中の検索で一社だけEPS予想が見つからない、PERの基準時点が違う、決算期が違う、といった問題が起きれば、そこから再び検索や判断が発生します。

    最近のLLMエージェント研究でも、複数のサブタスクとツールを組み合わせる問題では、単に正しいツールを選べるだけでは十分ではなく、実行順序やスケジューリングが処理時間と完遂率の双方に影響することが示されています。

    つまり今回の問題は、「CopilotがNVIDIAを分析できなかった」ではありません。

    NVIDIAの分析、比較企業の選定、複数企業の検索、データ整理、比較、最終的な市場期待の推論という、性質の異なる仕事を一つの巨大な依頼として渡していたことにあります。

    ここで重要なのは、処理を分割する=人間が何度も細かく指示する、ではないということです。

    毎回、

    「まずAMDを調べて」
    「次はBroadcom」
    「今度はPERを揃えて」
    「次にEPSを比較して」

    などと人間が指示するのであれば、確かにAIの意味が薄れてしまいます。

    私が欲しいのは、そういう方法ではありません。

    巨大な仕事を受け取ったAI自身が、最初に仕事を分解し、依存関係を整理し、実行可能な順番へ並べ替えてから処理を始める。

    そういう仕組みにできないか。

    人間がAIの代わりに作業するのではなく、「AIに分析させる前に、AIに仕事の設計図を作らせる」という発想です。

    ここから、「前処理用のAIを一段挟む」という今回のアイデアにつながっていきます。


    ◆第3章 そこで考えた「AIに渡す前に、AIで前処理する」という方法

    では、巨大なプロンプトを人間が細かく分解しなければならないのでしょうか。

    それでは、せっかくAIを使っているのに、人間側の手間が増えてしまいます。

    そこで考えたのが、「AIに実行させる前に、別のAI処理でプロンプトそのものを前処理すればいいのではないか」という方法です。

    たとえば、私が作った期待値マップのプロンプトを、そのままCopilotに渡すのではありません。

    まずAIに、「このプロンプトの目的を変えずに、AIが実行しやすい処理単位へ分解してください」と頼みます。

    ここで重要なのは、分析内容を簡単にすることではありません。

    NVIDIAだけに対象を減らすわけでもなければ、PERだけ調べて終わりにするわけでもありません。

    最終的に欲しい成果物は、元のプロンプトと同じです。
    変えるのは、AIへの仕事の渡し方です。


    元のプロンプトでは、「同業他社を探し、最新データを取得し、比較して、市場期待値を分析する」という要求が一つの大きな塊になっています。

    これを前処理AIに読ませれば、たとえば最初に、

    目的:NVIDIAと同業他社の市場期待値を相対比較する

    と最終目的を固定できます。

    そのうえで、

    比較対象企業を確定する
    比較に必要な指標を定義する
    各企業について必要なデータを収集する
    データの基準を揃える
    欠損しているデータを確認する
    バリュエーションを比較する
    業績成長を比較する
    株価トレンドを比較する
    以上を統合して市場期待値を評価する

    というように、処理を小さな単位へ分けます。

    さらに重要なのは、順番まで決めることです。

    比較対象が決まっていないのに、企業データを大量に検索する必要はありません。
    必要な指標が決まっていないのに、とりあえず各社の決算資料を全部読み込ませる必要もありません。

    まず対象を決める。
    次に必要な情報を決める。
    その後で必要な情報だけを取りに行く。
    集め終わってから比較する。
    最後に市場期待を推論する。

    こうしてみると、これは普通の仕事でもよく行われている手順です。

    大きな仕事をいきなり始めるのではなく、最初に工程表を作る。
    AIにも同じことをやらせればいいのではないか、と考えました。


    ここで私がイメージしている「前処理」は、文章を短く要約することとは違います。

    むしろ、自然言語で書かれた要求を、AI向けの実行仕様書へ変換する作業に近いものです。

    たとえば前処理AIには、元のプロンプトから少なくとも次の情報を取り出してもらいます。

    最終目的は何か。
    入力として何が与えられているか。
    外部から何を調べる必要があるか。
    どの処理が検索なのか。
    どの処理が数値計算なのか。
    どの処理が比較なのか。
    どの処理が推論なのか。
    前の処理が終わらないと実行できない処理は何か。
    最終的にどんな形式で回答すればいいのか。

    これを先に整理してしまいます。

    すると、本番AIが最初にやらなければならない「この長い文章は、結局何を要求しているのか」という解釈作業を減らせます。

    少なくとも、処理の途中で目的を見失ったり、必要な工程を飛ばしたり、逆に同じ検索を何度も繰り返したりする可能性は下げられるはずです。


    この発想には、もう一つメリットがあります。
    元のプロンプトを壊さなくていいことです。

    私は、期待値マップのプロンプトそのものを簡略化したいわけではありません。

    企業比較、バリュエーション、業績、株価、市場期待という複数の視点を組み合わせるからこそ意味があります。

    そこで、元プロンプト=人間が実現したい分析仕様として保存しておきます。

    その下に、前処理されたプロンプト=AIが実行するための仕様を別に作る。

    こうすれば、「人間にとって分かりやすいプロンプト」と「AIにとって処理しやすいプロンプト」を無理に一つへ統合する必要がありません。

    流れとしては、

    人間が作ったプロンプト 
    ↓ 
    前処理AIが内容を解析 
    ↓ 
    目的を維持したままタスクを分解 
    ↓ 
    検索・計算・比較・推論を整理 
    ↓ 
    依存関係に従って実行順序を決定 
    ↓ 
    本番AI向けの実行プロンプトを生成 
    ↓ 
    本番AIが分析

    となります。

    これは少し、プログラムの世界に似ています。

    人間が書いた高水準の命令を、そのままCPUが理解しているわけではありません。
    一度、機械が実行しやすい形式へ変換してから処理します。

    もちろんLLMのプロンプト処理とプログラムのコンパイルは技術的には別物です。

    それでも発想としては、「人間向けに書いた要求を、実行側が処理しやすい表現へ一度変換する」という点でよく似ています。

    言ってしまえば、プロンプトのコンパイルです。


    そして、この方法なら前処理を行うAIと、本番の分析を行うAIが同じである必要すらありません。

    軽いAIに、「この巨大プロンプトを整理して、実行計画を作って」と頼み、その結果だけを高性能なAIへ渡すことも考えられます。

    逆に最初だけ高性能なAIに汎用的な前処理テンプレートを作らせてしまい、その後は同じテンプレートを何度も使い回すこともできます。

    ここまで考えると、今回Copilotが止まったことは、単なる失敗ではなくなってきました。

    問題は、「もっと強いAIを使えばいい」だけではないのかもしれません。

    同じAIでも、仕事を渡す前に一度整理することで、もっと安定して複雑な処理を実行できる可能性があります。

    そして、ここからもう一つ疑問が生まれました。

    最近の大規模AIでは、MoE(Mixture of Experts)と呼ばれる仕組みも使われています。

    もしAI内部でも、入力に応じて処理を担当するExpertを振り分けているのであれば、こちらがプロンプトを構造化することは、その内部処理にも何らかのプラスになるのでしょうか。

    次章では、この「MoEとプロンプト構造化」の関係を少し掘り下げます。

    ただし、ここには一つ大きな注意点があります。
    プロンプトを書くだけで、ユーザーがAI内部のExpertを自由に指定できるわけではありません。

    この部分を混同すると、「特定の単語を書けば金融Expertを召喚できる」といった話になってしまいます。

    では、実際にどこまで期待できて、どこからが言い過ぎなのか。
    そこを切り分けて考えてみます。


    ◆第4章 MoEは関係するのか──「Expertを直接指定する」と考えない方がいい

    ここまで考えたところで、私はMoE(Mixture of Experts)という仕組みに行き着きました。

    MoEとは、簡単にいえば、巨大なAIモデルのすべての部分を毎回同じように動かすのではなく、入力に応じて一部の「Expert」を選択して処理する仕組みです。

    代表的な研究であるGoogleのSwitch Transformerでは、入力トークンごとにルーターがExpertを選択し、選ばれたExpertだけを利用することで、モデル全体の規模を大きくしながら計算量を抑える方法が示されています。

    たとえば、ものすごく単純化してイメージするなら、

    入力 →Router →適したExpertを選択 →処理 →次の層へ

    という構造です。

    ここで、今回の「プロンプトを前処理する」という話とつながりました。

    では、

    プロンプト側で「これは金融分析です」「ここは数値処理です」「ここからはニュースの解釈です」と明示しておけば、MoEのRouterが迷わず最適なExpertへ振り分けられ、処理まで軽くなるのではないか。

    最初は、そう考えました。

    実際、ネット上でMoE向けのプロンプトについて調べると、

    [Domain: Quantitative Finance]
    [Role: Market Microstructure Expert]

    といった専門領域を示す語句を冒頭に置いたり、

    <Quantitative_Data>
    <Qualitative_Context>

    のようなタグで仕事を分離したりすることで、適切なExpertへのルーティングを促せる、という説明を見かけることがあります。

    一見すると、かなり理にかなっています。
    しかし、ここは少し慎重に考えた方がよさそうです。

    ユーザーがプロンプトから「金融Expertを使え」「数学Expertへ切り替えろ」と、MoE内部のExpertを直接指定できるとは限らないからです。

    MoEのRouterは、一般にモデル内部で学習された仕組みによって、各トークンの内部表現などを基にExpertを選択します。

    たとえばMixtral 8x7Bでは、各層に複数のExpertが存在し、各トークンについてRouterがそのうち一部を選択する構造になっています。Mistral AIの説明でも、トークンごと・層ごとにネットワークがExpertを選ぶ仕組みとして説明されています。

    つまり、

    「金融」という単語が入った→ 金融専用Expertが起動する

    というほど単純な対応関係ではありません。

    そもそもExpert自体が、人間から見て「金融担当」「数学担当」「文章担当」ときれいに分業している保証もありません。

    内部でどのExpertが選ばれたのかを通常のユーザーが確認できないサービスもありますし、ChatGPTやCopilotのような商用AIでは、モデル内部の詳細な構成そのものがすべて公開されているわけでもありません。

    したがって、「このプロンプトを書けば金融Expertへルーティングできる」と断言するのは危険です。

    まして、「XMLタグを付ければ不要なExpertが休眠するので、無料枠の計算量を直接節約できる」とまで言ってしまうと、ユーザー側から確認できない内部挙動を推測していることになります。

    ここは今回の記事でも線を引いておきたいところです。


    では、MoEの話は今回の前処理には関係ないのでしょうか。
    私は、そうとも思いません。

    重要なのは、「MoEのRouterを直接操作する」ことと、「AIが処理しやすい入力を作る」ことを分けて考えることです。

    たとえば、「NVIDIAと同業他社について色々調べて、PERとかEPSとか決算とか株価も見ながら期待値を分析して」と書くより、

    目的:市場期待値の企業間比較
    検索:各社の最新PER・EPS・売上成長率・決算
    データ処理:基準時点・指標定義を統一
    比較:バリュエーションと業績成長率を相対評価
    推論:現在の株価に織り込まれた成長期待を評価

    と整理した方が、少なくともAIにとって「何をしなければならないのか」は明確になります。

    これはMoEモデルであろうとなかろうと意味があります。

    曖昧な巨大タスクを、意味の異なる処理単位へ分解する。
    必要な入力と出力を明示する。
    処理順序を決める。
    前工程の結果を次工程へ渡す。
    不要な検索や重複処理を減らす。

    これらは特定のAIアーキテクチャに依存しない、もっと一般的な工夫です。


    この違いは、かなり重要です。

    今回私が作ろうとしている前処理プロンプトは、「MoEの裏口を使って、高性能なExpertだけを呼び出すプロンプト」ではありません。

    むしろ、「AI内部がどんな構造であっても、仕事の意味と順番を理解しやすい形へ整えてから渡すプロンプト」です。

    結果としてMoEモデル内部の処理にも良い影響が出る可能性はあります。

    しかし、それは外部から直接確認できない以上、今回の仕組みの中心には置きません。

    ここで狙っている効果は、もっと現実的です。

    AIが最初に行う仕事の解釈を減らす。
    必要のない検索を減らす。
    途中で必要な情報が不足して止まる可能性を減らす。
    同じ情報を何度も探すことを減らす。
    最終目的までの処理経路を最初に決めておく。

    これなら、MoEかどうかに関係なく利用できます。

    そして結果として、一度の実行で最後まで到達する確率が上がれば、

    「違う、もう一度」
    「その会社も調べて」
    「PERが抜けている」
    「さっきのデータも含めて最初からやり直して」

    という再処理も減らせます。

    私はここに、今回の「負荷軽減」の本質があるのではないかと考えました。

    AI内部の計算資源をユーザーが直接節約するのではなく、AIに発生させる無駄な仕事を減らす。
    こちらなら、ユーザー側からでも設計できます。

    そう考えると、次に必要なのは「金融Expertを呼び出す魔法の単語」を探すことではありません。

    元の巨大なプロンプトを受け取り、

    目的 →必要情報 →処理単位 →依存関係 →実行順序 →最終出力

    へ自動的に変換する仕組みです。

    では、実際に長いプロンプトをどのような形へ変換すればいいのか。

    次章では、今回の期待値マップを例に、巨大な自然言語プロンプトを「AI向け実行計画」へ変換する方法を具体的に組み立ててみます。


    ◆第5章 長いプロンプトを「AI向け実行計画」に変換する

    では、実際に長いプロンプトをどのように前処理すれば、AIが実行しやすくなるのでしょうか。

    ここでは、今回Copilotで止まった「期待値マップ」を例に考えてみます。

    元の要求をかなり単純化すると、「NVIDIAと同業他社について、最新の株価、PER、EPS、売上成長率、決算情報、株価トレンドなどを調べ、市場期待値を比較してください」となります。

    人間が読めば、やりたいことは十分伝わります。

    しかし、これをそのまま「一つの質問」として処理するのではなく、まず実行計画へ変換します。


    ●STEP 1 最終目的を固定する

    最初にやるべきなのは、検索ではありません。
    「最終的に何を知りたいのか」を固定することです。

    今回なら、NVIDIAと同業他社を比較し、各社の現在の株価にどの程度の成長期待が織り込まれているのかを相対評価することが最終目的です。

    これは非常に重要です。

    目的を固定せずに「NVIDIAについて詳しく調べて」と検索を始めれば、製品情報、AI市場シェア、CUDA、データセンター、競合製品、決算、CEO発言など、関連情報はいくらでも出てきます。

    しかし、その大部分は今回の比較には必要ないかもしれません。

    先にゴールを決めれば、「この情報は期待値比較に必要か」という基準で、検索対象を絞れます。


    ●STEP 2 比較対象を先に確定する

    次に、誰と比較するのかを決めます。
    ここも、検索を始める前に固定した方が効率的です。

    たとえばNVIDIAなら、AMD、Broadcom、TSMC、Intel、Marvell、Qualcommなどが候補になります。

    ただし、これらはすべて完全に同じ事業を行っているわけではありません。

    GPUで直接競合する企業もあれば、半導体設計、製造、ネットワーク、AIインフラという周辺領域で比較対象になる企業もあります。

    そこで前処理段階で、

    直接競合
    同一テーマ・関連市場
    バリュエーション比較対象

    など、比較する理由まで整理しておきます。

    これによって、本番AIが途中で比較企業を増やし続けることを防げます。


    ●STEP 3 必要なデータ項目を固定する

    比較企業が決まったら、次に、何を調べるのかを決めます。

    今回なら、

    株価
    時価総額
    PER
    予想PER
    EPS
    EPS成長率
    売上高
    売上成長率
    営業利益率
    直近決算
    会社側ガイダンス
    アナリスト予想
    一定期間の株価騰落率

    などが候補になります。

    ここでも重要なのは、いきなり検索しないことです。

    検索しながら、

    「これも必要だ」
    「あれもあった方がいい」

    と追加していけば、処理量は際限なく増えていきます。

    先に必要なデータを定義し、そのデータだけを取りに行く。
    これだけでも検索範囲をかなり限定できます。


    ●STEP 4 検索タスクと分析タスクを分離する

    ここから実際の情報収集に入ります。
    ただし、この段階では市場期待値について考えさせません。

    まずは、事実を集める仕事に集中させます。

    たとえば、

    NVIDIA:PERを取得
    AMD:PERを取得
    Broadcom:PERを取得

    というように、必要なデータを企業ごとに埋めていきます。

    決算についても同様です。

    この段階の目的は、「市場はNVIDIAを高く評価している」と結論を出すことではありません。

    単純に、比較に必要な材料を揃えることです。

    検索と推論を同時に行わせないことで、どこまでが取得した事実で、どこからがAIの解釈なのかも分かりやすくなります。


    ●STEP 5 欠損データを確認する

    ここは、今回のCopilotの回答を見て特に必要だと感じた工程です。

    すべての企業についてデータを取得したら、すぐ分析へ進むのではなく、必要なデータが揃っているかを確認します。

    たとえば、

    +-----------+-----+------------+--------------+----------+-------------+
    | Company   | PER | EPS Growth | Sales Growth | Earnings | Stock Trend |
    +-----------+-----+------------+--------------+----------+-------------+
    | NVIDIA    |  O  |     O      |      O       |    O     |      O      |
    | AMD       |  O  |     O      |      O       |    O     |      O      |
    | Broadcom  |  O  |     O      |      O       |    O     |      O      |
    | TSMC      |  O  |     O      |      O       |    O     |      O      |
    | Marvell   |  O  |     X      |      O       |    O     |      O      |
    +-----------+-----+------------+--------------+----------+-------------+

    という状態なら、MarvellのEPS成長率だけ追加検索すれば済みます。

    巨大な分析を最後まで進めてから、「実はMarvellのデータがありませんでした」となれば、場合によっては比較そのものをやり直す必要があります。

    分析前に欠損を検査する。
    これを独立した工程にしておけば、必要な部分だけ再検索できます。


    ●STEP 6 比較可能な状態へ揃える

    データが全部存在していても、そのまま比較できるとは限りません。

    PER一つを取っても、

    実績PERなのか
    予想PERなのか
    いつの株価を基準にしているのか

    によって数字の意味が変わります。

    EPSについても、前年同期比なのか通期なのか、実績なのか市場予想なのかを揃える必要があります。

    決算期が異なる企業を比較する場合には、その違いも意識しなければなりません。

    そこで、「数字が存在する」ことと、「比較できる数字になっている」ことを分けて考えます。

    ここまで終わって初めて、分析材料が完成します。


    ●STEP 7 バリュエーションを比較する

    ここから、ようやく分析です。

    たとえば、

    NVIDIAのPERは同業他社より高い。
    しかしEPS成長率も高い。

    では、

    そのPER差は成長率の差で説明できるのか。

    あるいは、

    成長率以上のプレミアムが株価に乗っているのか。

    というように考えます。

    単純に、「PERが高い=割高」とは判断しません。
    成長率との関係を見ることで、市場が将来にどの程度の期待を置いているのかを推定します。


    ●STEP 8 業績モメンタムを比較する

    次に決算を見ます。

    売上高やEPSが増えているだけではなく、

    市場予想を上回ったのか
    会社側ガイダンスは上方修正されたのか
    成長率は加速しているのか
    減速しているのか

    まで確認します。

    株価は過去の業績ではなく、将来への期待によって動く部分が大きいためです。

    高いPERでも、それを上回るペースで業績期待が上方修正されていれば、評価の見え方は変わります。

    逆に好決算でも、成長率の鈍化が始まっているなら、市場期待が高すぎる可能性があります。


    ●STEP 9 株価の現在地を比較する

    最後に株価トレンドを重ねます。

    たとえば、

    決算は強い
    EPS予想も上昇
    しかし株価は高値を更新できない

    のであれば、好材料がすでに相当織り込まれている可能性があります。

    逆に、

    業績改善
    EPS予想上昇
    PERは同業並み
    株価も上昇トレンド

    なら、業績改善と株価評価が比較的素直に連動していると見ることもできます。

    ここで初めて、業績 × バリュエーション × 株価がつながります。


    ●STEP 10 市場期待値を統合評価する

    そして最後に、ここまでの情報を統合します。

    たとえば、

    業績成長:非常に強い
    PER:同業よりかなり高い
    EPS予想:上方修正
    株価:高値圏

    なら、

    「企業としては強いが、その強さを市場もかなり評価している」という状態かもしれません。

    一方、

    業績成長:改善
    PER:同業平均以下
    EPS予想:上方修正
    株価:出遅れ

    なら、「業績改善に対して市場評価がまだ追いついていない」可能性があります。

    これが、最初から欲しかった「期待値マップ」です。


    こうして分解してみると、面白いことに気づきます。

    元のプロンプトで要求している分析内容は、一つも削っていません。
    違うのは順番だけです。

    元の巨大プロンプトでは、「検索+整理+比較+推論」を一度に要求していました。

    前処理後は、

    目的を決める
    ↓
    対象を決める
    ↓
    必要情報を決める
    ↓
    検索する
    ↓
    欠損を確認する
    ↓
    データを揃える
    ↓
    比較する
    ↓
    推論する

    という処理になります。

    つまり、前処理とはプロンプトを単純化することではありません。
    複雑さを消すのではなく、複雑さを整理する。
    ここが重要です。

    ただし、ここで一つ疑問が出てきます。

    工程を10個に分けたところで、それぞれをAIが処理するのであれば、「むしろ処理回数が増えて、余計に重くなるのでは?」という疑問です。

    これはその通りで、単純に多段階化すれば計算量が減るという話ではありません。

    では、今回考えている前処理は、いったい何の「負荷」を減らそうとしているのでしょうか。

    次章では、この点を整理します。
    多段階化すれば必ず軽くなるわけではない。
    それでも前処理を挟む意味があると考える理由です。


    ◆第6章 多段階化すれば必ず軽くなるわけではない

    ここまで読むと、「大きなプロンプトを細かく分解すれば、AIの負荷を減らせる」という話に見えるかもしれません。

    しかし、ここは少し注意が必要です。

    単純に処理を10段階に分ければ、AIが使う計算量も10分の1になる、という話ではありません。

    むしろ、やり方によっては逆です。

    一つのプロンプトで済んでいたものを10回に分け、それぞれで長い会話履歴を読み直し、毎回長文を生成させれば、トータルの入出力トークンは増える可能性があります。

    前処理AIを一段追加すること自体にも、当然リソースを使います。

    つまり、「多段階化=計算量削減」とは限りません。

    では、何を減らそうとしているのでしょうか。
    私が今回減らしたいのは、主に無駄な処理と失敗によるやり直しです。


    たとえば、元の期待値マップをそのまま実行するとします。

    AIはNVIDIAについて調べます。
    次にAMDを調べます。
    Broadcom、TSMC、Intel、Marvell、Qualcomm……と進んでいきます。

    その後、比較表を作り、PERと成長率を比較し、決算を読み、市場期待を分析します。

    ところが最後になって、「MarvellのEPS成長率について十分な最新情報を取得できませんでした」となったらどうでしょう。

    比較表に穴が開きます。

    そこで追加検索を頼みます。

    すると今度は、「ではMarvellについて調べ直します」となり、その結果を先ほどの比較へ統合する必要があります。

    うまく統合されなければ、「さっきのNVIDIAやAMDのデータも含めて、もう一度比較してください」となります。

    場合によっては、かなりの部分をやり直します。
    これが、私が考える見えにくい処理負荷です。


    前処理を入れる場合は、少し違います。

    まず、比較対象企業を確定する。
    次に、必要なデータ項目を確定する。

    そのうえで必要なデータを集めます。

    そして分析を始める前に、欠損データがないか確認する。
    MarvellのEPS成長率だけ欠けているなら、この段階でそこだけ追加取得します。
    データが揃ってから、初めて比較と推論へ進みます。

    すると、

    検索 →分析 →欠損発覚 →再検索 →再分析

    という往復を、

    検索 →欠損チェック →不足部分だけ再検索 →データ確定 →分析

    へ変えられます。

    実行する仕事そのものが消えたわけではありません。
    しかし、高コストな分析工程へ進む前にエラーを潰せるわけです。


    もう一つ減らせる可能性があるのが、不要な検索です。

    「NVIDIAと同業他社について詳しく調べてください」と頼めば、AIはどこまで調べればいいのか判断しなければなりません。

    製品シェアは必要なのか。
    研究開発費は必要なのか。
    粗利益率は必要なのか。
    CEOの発言は必要なのか。
    AIアクセラレーターのロードマップは必要なのか。
    データセンター市場全体の予測まで必要なのか。

    どれもNVIDIAを分析するうえでは意味のある情報です。

    しかし今回の目的が、「同業他社との比較から、株価に織り込まれた市場期待を見るなのであれば、すべてを調べる必要はありません。

    前処理段階で、今回必要なのはPER、EPS成長率、売上成長率、決算、ガイダンス、株価トレンドと決めておけば、それ以外の情報収集を抑えられます。

    つまり、「何を調べるか」だけではなく、「何を調べないか」も先に決める。
    これも負荷軽減になります。


    さらに重要なのが、途中経過を再利用できることです。

    たとえば、

    STEP 1:比較企業を確定まで成功した。
    STEP 2:必要指標を定義も成功した。
    STEP 3:データ収集で一社だけ失敗した。

    この場合、最初からやり直す必要はありません。
    成功したSTEP 1とSTEP 2はそのまま使い、STEP 3の不足部分だけを補えばいい。

    これはプログラムでいえば、処理の途中にチェックポイントを置く感覚に近いと思います。

    巨大な一発処理では、成功か失敗かになりやすい。

    しかし処理を分けておけば、どこまで成功して、どこから失敗したのかを特定しやすくなります。

    その結果、リトライする範囲も小さくできます。


    そして、もう一つ重要なのが出力トークンの無駄です。

    AIに巨大な分析を依頼すると、途中の説明まで大量に生成することがあります。

    比較企業を選んだ理由を長々と説明し、
    各企業の概要を書き、
    決算を一社ずつ解説し、
    最後にまた比較する。

    人間にとって読みやすい場合もありますが、途中工程として使うのであれば、その文章の大部分は必要ありません。

    前処理段階では、

    比較企業名
    必要指標
    取得済み/未取得
    次に実行する処理

    だけを構造化して保持すれば十分です。

    つまり、途中工程では機械が扱いやすい簡潔なデータを出し、最後だけ人間向けの文章にする。

    これも無駄な出力を減らす方法になります。


    ここまで整理すると、今回の「負荷軽減」が何を意味しているのかが見えてきます。

    狙っているのは、AI内部の計算量そのものを、魔法のプロンプトで直接減らすことではありません。

    減らしたいのは、

    不要な検索
    重複した検索
    欠損発覚後の大規模なやり直し
    途中工程での不要な長文生成
    目的を見失った寄り道
    失敗した巨大タスクの最初からの再実行

    です。

    これらが減れば、結果として一つの分析を完成させるまでに必要なAI利用量も減る可能性があります。


    この違いは、かなり重要です。

    たとえば、元の巨大プロンプトを一発で完璧に処理できるAIがあるなら、わざわざ前処理を挟まない方が効率的な場合もあります。

    一発で成功する仕事まで、無理に多段階化する必要はありません。

    前処理が効いてくるのは、

    検索対象が多い
    複数のデータソースを使う
    比較対象が多い
    途中結果に依存して次の処理が変わる
    欠損データが発生しやすい
    検索と計算と推論が混在している

    といった複雑なプロンプトです。

    今回Copilotに渡した期待値マップは、まさにこのタイプでした。

    だから私は、「巨大プロンプトを小さくすればAIが軽くなる」というより、「失敗したときに全部やり直さなくて済む構造へ変える」と考えた方が、この方法を正確に表していると思います。

    そして、この考え方は無料版や利用量に制限のあるAIを使う場合、さらに意味を持ってきます。

    無料AIでは、一度の失敗が単なる数秒のロスではなく、貴重な利用回数や高性能モデルの利用枠を消費してしまうことがあるからです。

    では、この前処理によって無料AIの制限そのものを「回避」できるのでしょうか。
    答えは、そこまで単純ではありません。

    次章では、無料AIほど前処理が役立つ可能性がある理由と、それでも越えられない制限を分けて考えます。


    ◆第7章 無料AIほど「一発で全部」より「前処理」が効く可能性がある

    今回この仕組みを考えた理由には、もう一つあります。
    無料版や利用量に制限のあるAIほど、巨大なプロンプトの失敗が痛いからです。

    有料プランで十分な利用枠があるなら、「うまくいかなかったから、もう一度」でも、それほど困らないかもしれません。

    しかし無料版では、数回の重い処理を行っただけで、高性能モデルが一時的に使えなくなったり、一定時間待つ必要が生じたりするサービスがあります。

    そうなると、一回の失敗が重くなります。

    だからこそ、限られたAI利用枠の中で、できるだけ少ない試行回数で目的の成果物まで到達するという考え方が重要になります。


    ただし、最初に明確にしておきたいことがあります。

    前処理プロンプトを使っても、サービス側が設定している利用制限そのものを解除することはできません。

    たとえば、

    一定時間あたりの利用回数
    高性能モデルの利用上限
    Web検索機能の利用上限
    入力できるコンテキスト量
    生成できる出力量

    などがサービス側で決められている場合、それをプロンプトの書き方だけで変更することはできません。

    つまり、今回の方法は、「無料枠を増やす裏技」ではありません。

    では何が変わるのでしょうか。
    私は、同じ利用枠を、できるだけ無駄に消費しないための方法と考えています。


    今回のCopilotのケースで考えてみます。

    最初に巨大な期待値マップのプロンプトを渡します。

    Copilotが途中まで処理して、「NVIDIAについては取得できたが、AMD、Broadcom、TSMCなどの情報が足りない」となります。

    そこで、「では残りも調べて」と頼みます。

    今度は一部の企業について調べます。
    しかし、こちらが欲しかった比較表まで完成しない。

    そこで、「さっきのNVIDIAも含めて比較して」ともう一度頼む。

    さらに、「PERだけでなくEPS成長率も入れて」となる。

    このようなやり取りを続けていると、一つの成果物を作るために何往復も必要になります。

    しかも会話が長くなるほど、それまでの文脈も抱えることになります。

    これを最初に前処理して、

    目的
    比較企業
    必要データ
    処理順序
    欠損時の処理
    最終出力

    まで決めておけば、「何をすれば完了なのか」が最初から明確になります。

    少なくとも、

    「そこじゃない」
    「それも調べて」
    「さっきの結果と合わせて」

    という、人間とAIの認識ズレによる往復は減らせる可能性があります。


    さらに、無料AIでは「どの処理に高性能なAIを使うか」を分けることも考えられます。

    たとえば、巨大なプロンプトを読んで、

    目的を抽出する
    タスクを分解する
    処理順序を整理する

    という前処理は、必ずしも最新情報を大量に検索する必要がありません。
    元のプロンプトを整理する仕事だからです。

    そこで、

    比較的軽いAI
    ↓
    プロンプトを前処理
    ↓
    実行仕様を作成
    ↓
    高性能AI
    ↓
    検索・比較・推論

    という役割分担も考えられます。

    高性能なAIに、「このプロンプトを読んで、何をすればいいか考えてください」というところから始めてもらうのではなく、
    「やるべき仕事はここまで整理してあります。これを実行してください」という状態で渡すわけです。

    もちろん、これによって必ず利用量が減るとは限りません。
    前処理にもAIを使う以上、そこにもトークンや処理回数は必要だからです。

    それでも、巨大な本番処理を何度もやり直すより、最初に小さな前処理を一度行った方が安く済むケースは十分考えられます。


    もう一つ考えられるのが、前処理結果そのものの使い回しです。

    今回の期待値マップなら、NVIDIAを分析するたびに、「どういう順番で企業比較すればいいのか」をAIに考え直させる必要はありません。

    一度、

    比較企業を決める
    ↓
    指標を定義する
    ↓
    データを取得する
    ↓
    欠損を検査する
    ↓
    基準を統一する
    ↓
    バリュエーションを比較する
    ↓
    業績を比較する
    ↓
    株価を比較する
    ↓
    期待値を評価する

    という処理方式を作ってしまえば、次回から再利用できます。

    NVIDIAをAMDに変えてもいい。
    半導体を銀行株に変えてもいい。
    日本株に使ってもいい。
    分析対象だけ差し替えて、同じ処理設計を使えます。

    そうなれば、前処理に使ったAI利用量は、一回限りのコストではありません。
    一度作った「AI向けの仕事の型」を、何度も再利用できる資産になります。


    ここで、最初に読んだ「MoEのルーティングを最適化すれば無料AIのリソース制限を緩和できる」という考え方とも、少し違いが見えてきました。

    私が現実的だと思うのは、内部のExpertをうまく選ばせて計算量を直接減らすという方法ではありません。

    そうではなく、

    AIに余計な検索をさせない。
    途中で不足に気づいて全部やり直す状況を減らす。
    人間との認識ズレによる再質問を減らす。
    高性能AIにしかできない仕事だけを高性能AIへ渡す。
    一度作った処理設計を再利用する。

    こちらです。

    言い換えれば、AIの計算資源を直接操作するのではなく、自分がAIへ発注する仕事を効率化する。
    この方が、ユーザー側から実際にコントロールできます。


    そして、この考え方を突き詰めると、今回の期待値マップだけを前処理できても仕方がありません。

    長文記事の調査。
    企業分析。
    政策比較。
    大量資料の要約と検証。
    複数ソースを使ったファクトチェック。
    市場データとニュースを組み合わせた投資分析。
    こうした「一発で投げると重いプロンプト」は、他にもいくらでもあります。

    だったら、

    特定のプロンプトを軽量化するのではなく、「どんな巨大プロンプトでも、AIが処理しやすい実行計画へ変換するプロンプト」を一つ作ってしまえばいい。

    そう考えました。

    人間が毎回、

    「これは検索タスク」
    「これは計算」
    「これは後でやる」

    と分解する必要もありません。

    その分解自体をAIにやらせます。

    つまり次に作るべきなのは、AIへ渡すプロンプトを、AI自身に前処理させるための汎用プロンプトです。

    次章では、今回の投資分析から一度離れて、この仕組みをどんな複雑な依頼にも使える形へ一般化してみます。


    ◆第8章 ならば「どんな重いプロンプトでも前処理するプロンプト」を作ればいい

    ここまでの話をまとめると、やりたいことはかなり明確になってきました。

    今回Copilotで止まった「期待値マップ作成プロンプト」だけを修正するのではありません。
    重いプロンプトを受け取ったら、その目的を維持したまま、AIが実行しやすい形へ自動的に変換する。

    そのための汎用的な前処理プロンプトを作ればいいわけです。

    私はこれを、「プロンプトを実行するためのプロンプト」として考えることにしました。


    たとえば、ユーザーが次のような依頼を持っているとします。

    「NVIDIAと主要な同業他社について、最新の株価、PER、EPS、売上成長率、決算、ガイダンス、株価トレンドを調査し、それぞれにどの程度の成長期待が織り込まれているのか比較してください」

    この文章を、そのまま本番AIへ渡すのではありません。

    まず前処理AIへ渡します。

    前処理AIは、この文章を読んで最初に、最終目的は何かを抽出します。
    今回なら、「NVIDIAと同業他社の市場期待値を相対評価する」です。

    次に、その目的を達成するために必要な仕事は何かを分解します。

    比較企業の選定。
    必要指標の定義。
    最新データの取得。
    データの基準統一。
    欠損チェック。
    バリュエーション比較。
    業績モメンタム比較。
    株価トレンド比較。
    市場期待値の統合評価。

    ここまでは、前章までに行った作業と同じです。

    しかし、汎用化するなら、もう一段抽象化する必要があります。


    重要なのは、「これは投資分析だから、この順番にする」という固定的なテンプレートを作らないことです。

    入力されるプロンプトによって、必要な処理は変わるからです。

    たとえば政策比較なら、

    政策内容の確認
    ↓
    一次資料の取得
    ↓
    対象者の特定
    ↓
    財政コストの確認
    ↓
    既存制度との重複確認
    ↓
    メリット・デメリットの比較
    ↓
    政策評価

    になるかもしれません。

    企業の決算分析なら、

    決算資料取得
    ↓
    前年同期との比較
    ↓
    市場予想との比較
    ↓
    ガイダンス確認
    ↓
    キャッシュフロー確認
    ↓
    株価反応確認
    ↓
    市場期待との差を分析

    となるでしょう。

    歴史的な出来事を検証するなら、

    論点の特定
    ↓
    一次資料の探索
    ↓
    時系列整理
    ↓
    複数資料の照合
    ↓
    事実と解釈の分離
    ↓
    結論

    という構造になるかもしれません。

    つまり、前処理プロンプト自身が、「この仕事には、どんな工程が必要なのか」を考えなければなりません。


    さらに、単純にタスクを箇条書きにするだけでは不十分です。

    前処理AIには、どの仕事が、どの仕事に依存しているのかまで考えてもらいます。

    たとえば、「各社のPERを比較する」という仕事は、

    「比較企業を決める」
    「各社のPERを取得する」

    という二つの仕事が終わっていなければ実行できません。

    市場期待値の分析は、

    「バリュエーション比較」
    「業績比較」
    「株価トレンド比較」

    が終わってから行うべきです。

    逆に、NVIDIAのPER取得とAMDのPER取得は、互いの結果を待つ必要がありません。
    ならば、この二つは独立した仕事として扱えます。

    ここまで整理すると、単なる「手順書」ではなくなります。
    処理同士の依存関係を持った実行計画になります。


    これは、AIに複雑な仕事をさせるうえで重要な違いです。

    すべてを、

    STEP 1 →STEP 2 →STEP 3 →STEP 4

    と直列に並べる必要はありません。
    独立して処理できるものは、まとめて扱えます。

    たとえば、

    比較対象確定
    ↓
    ┌ NVIDIAデータ取得
    ├ AMDデータ取得
    ├ Broadcomデータ取得
    ├ TSMCデータ取得
    └ Marvellデータ取得
    ↓
    欠損チェック
    ↓
    企業比較
    ↓
    期待値分析

    という構造にできます。

    つまり前処理AIには、「分割できる仕事」だけでなく、「同時に進められる仕事」と「前工程を待つ必要がある仕事」も判定させるわけです。

    これなら、何でも細切れにして直列処理するより合理的です。


    さらに、前処理段階で、「どの仕事に外部検索が必要なのか」も分類します。

    たとえば、「NVIDIAの現在のPER」は最新情報なので検索が必要です。

    一方、「PERとは何か」という一般的な定義なら、必ずしもWeb検索を必要としません。

    「NVIDIAとAMDのPERを比較する」という処理も、必要な数字がすでに取得されていれば、新しい検索は不要です。

    つまり、

    検索が必要な仕事
    与えられたデータだけで処理できる仕事
    計算が必要な仕事
    比較が必要な仕事
    推論が必要な仕事

    を前処理段階で分類します。

    ここで「検索」と「分析」を分けておけば、同じデータを分析のたびに取り直すような無駄も減らせる可能性があります。


    そして、もう一つ重要なルールを入れます。
    元のプロンプトの目的を勝手に簡略化しないことです。

    前処理AIに、「この仕事は重いから、NVIDIAだけ調べることにしました」とされたら意味がありません。

    今回作りたいのは「簡易版プロンプト生成器」ではありません。
    あくまで、同じ目的へ到達するための、より実行しやすい経路を作るものです。

    したがって前処理AIには、

    目的を削除しない
    比較対象を勝手に減らさない
    必要な分析項目を勝手に省略しない
    難しい工程を「不明」として捨てない

    という制約も必要になります。


    一方で、明らかな重複は削ります。

    たとえば元プロンプトの中に、「最新PERを調べる」と、「現在の株価を使ってPERを確認する」という実質的に重なる処理が複数存在するなら、一つにまとめられます。

    同じ情報を別々の工程で検索する必要もありません。
    一度取得したデータは、後続工程で再利用します。

    つまり、

    目的は削らない。
    無駄は削る。

    この二つを区別します。


    ここまでをまとめると、前処理AIが行う仕事は、

    ① 元プロンプトの最終目的を抽出する
    ② 必要な成果物を確認する
    ③ 必要なタスクへ分解する
    ④ 検索・取得・計算・比較・推論などに分類する
    ⑤ タスク間の依存関係を整理する
    ⑥ 独立して実行できる処理をまとめる
    ⑦ 重複した処理を削除する
    ⑧ 欠損や失敗が起きた場合の処理を決める
    ⑨ 元の目的を維持した実行順序を作る
    ⑩ 本番AIへ渡せるプロンプトとして再構築する

    となります。
    これなら、投資分析だけに限定する必要はありません。

    企業分析でも使える。
    政策分析でも使える。
    大量資料の比較でも使える。
    複数のニュースを横断したファクトチェックでも使える。
    Web検索と計算と推論が混ざった調査でも使える。

    つまり、これは特定用途のプロンプトではなく、「複雑なプロンプトを、AI向けの実行仕様へ変換する汎用前処理器」として設計できます。


    そして、ここまで考えたところで、最初の問題へ戻ります。

    Copilotから、「まず比較対象企業を確定し、その企業の最新データを検索する必要があります」と言われました。

    だったら、その「まず何をする必要があるのか」を、本番処理の途中でAIに考えさせなければいい。
    実行前に全部整理して渡してしまえばいい。

    しかも、その整理を人間が毎回やる必要もありません。
    AI自身にやらせればいい。

    そうして作ったのが、今回の記事の最後に配布する、「AIプロンプト前処理プロンプト」です。

    次章では、ここまで考えてきた条件をすべて組み込み、実際にコピペして使える形まで落とし込みます。

    使い方は単純です。
    重すぎてAIが途中で止まりそうな元プロンプトを、そのまま貼る。
    それだけです。


    ◆第9章 実践──私が作った「AIプロンプト前処理プロンプト」

    ここまで考えてきた内容を、実際に使える形へ落とし込みます。

    目的は単純です。

    重いプロンプトを本番AIへいきなり実行させるのではなく、その前に「AIが実行しやすいプロンプト」へ変換する。

    そのために、以下の前処理プロンプトを作りました。

    使い方は、

    ① 下のプロンプトをAIへ入力する
    ② 最後の <Original_Prompt> に、本来実行したかったプロンプトを貼る
    ③ AIが生成した「実行用プロンプト」をコピーする
    ④ それを本番で使いたいAIへ渡す

    だけです。

    前処理AIと本番AIは同じでも構いませんが、別のAIを推奨します。

    ここで前処理AIには、元の依頼を要約させるのではなく、目的を維持したまま、タスク分解・依存関係の整理・検索範囲の限定・重複排除・欠損時の処理まで含めた「実行仕様」へ変換するように指示します。

    👉AIプロンプト前処理プロンプト

    あなたは、複雑で処理負荷の高いAIプロンプトを、
    元の目的・要求・分析精度を維持したまま、
    AIが安定して実行しやすい「実行用プロンプト」へ変換する
    Prompt Preprocessor / Task Plannerです。
    
    【目的】
    
    以下の <Original_Prompt> に入力されたプロンプトを分析し、
    検索・情報取得・計算・比較・検証・推論・文章生成などの処理を整理してください。
    
    目的は元プロンプトを簡略化することではありません。
    
    元の要求を削らず、
    不要な重複処理、無計画な検索、処理順序の混乱、
    データ不足による後戻り、大規模な再実行が起こりにくい
    実行計画へ変換することです。
    
    
    【基本原則】
    
    1. 元プロンプトの最終目的を変更しない。
    
    2. 必要な分析項目、比較対象、条件、制約を、
       「負荷が高い」という理由だけで勝手に削除しない。
    
    3. 元プロンプトを単に短く要約しない。
       実際にAIが最後まで実行するための仕様へ変換する。
    
    4. タスクを必要十分な処理単位へ分解する。
    
    5. 各タスクを必要に応じて以下に分類する。
    
       - 外部検索・情報取得
       - 入力データの抽出
       - データ整理・正規化
       - 数値計算
       - 比較
       - 検証
       - 推論・解釈
       - 最終出力生成
    
    6. タスク間の依存関係を確認する。
    
       前工程の結果が必要な処理は後に配置し、
       相互依存しない処理は独立タスクとして整理する。
    
    7. 外部検索が必要な場合は、
       最終目的に必要な情報項目を先に確定してから検索する。
       目的のない網羅的検索を避ける。
    
    8. 同じ情報を複数工程で取得しない。
       一度取得した情報は後続工程で再利用する。
    
    9. 複数対象を比較する場合は、
       比較対象と比較指標を可能な限り先に確定する。
    
    10. 分析・推論へ進む前に、
        必要データが揃っているか確認する
        「Completeness Check」を設ける。
    
    11. データが不足している場合は、
        全工程を最初からやり直さず、
        不足部分だけを追加取得する。
    
    12. 数値を比較する場合は、
        基準日、期間、単位、指標定義などが
        比較可能な状態か確認する。
    
    13. 最新情報が必要な事実と、
        取得済みデータから行える分析を分離する。
    
    14. 事実・取得データとAIによる推論を明確に分離する。
    
    15. 不明な事実を推測で補完しない。
        取得できない情報は欠損として明示する。
    
    16. 中間工程では不要な長文を生成せず、
        後続処理に必要な情報を簡潔に保持する。
    
    17. 人間向けの詳しい文章生成は、
        原則として必要な検索・計算・比較・検証が
        完了した後に行う。
    
    18. 元プロンプトに指定された出力形式・文体・条件がある場合は、
        最終出力段階で必ず復元する。
    
    
    【処理手順】
    
    元プロンプトを受け取ったら、
    内部的に以下を整理したうえで実行用プロンプトを作成してください。
    
    STEP 1:最終目的を特定する
    
    STEP 2:最終成果物と必須条件を特定する
    
    STEP 3:必要な情報・データを特定する
    
    STEP 4:必要なタスクへ分解する
    
    STEP 5:各タスクを
    「検索・取得」「整理」「計算」「比較」
    「検証」「推論」「出力」
    などへ分類する
    
    STEP 6:タスク間の依存関係を整理する
    
    STEP 7:独立して処理できるタスクをまとめる
    
    STEP 8:重複処理・不要な検索を削除する
    
    STEP 9:データ取得後のCompleteness Checkを設定する
    
    STEP 10:不足データだけを補完する処理を設定する
    
    STEP 11:すべての前提データが揃った後に
    比較・検証・推論を行うよう配置する
    
    STEP 12:元プロンプトが要求している最終出力を生成する工程を置く
    
    
    【重要:実行方法】
    
    変換後のプロンプトは、
    単なる「作業計画の説明」で終わらせないでください。
    
    そのプロンプトを別のAIへそのまま渡せば、
    元の依頼を実際に最後まで実行できる
    自己完結した実行用プロンプトにしてください。
    
    ただし、一度にすべてを処理すると失敗する可能性が高い場合は、
    処理を複数フェーズに分けて構いません。
    
    その場合でも、
    
    「ユーザーに毎回次の指示を求める」
    
    のではなく、
    
    Phase 1が完了したらPhase 2へ進む、
    不足データがあれば不足部分のみ補完する、
    
    という実行条件をプロンプト内部に持たせてください。
    
    
    【出力形式】
    
    以下の順番で出力してください。
    
    1. ORIGINAL GOAL
       元プロンプトの最終目的
    
    2. EXECUTION STRUCTURE
       タスク構造と依存関係の簡潔な説明
    
    3. OPTIMIZATION
       どの重複・無駄・後戻りリスクを減らしたか
    
    4. EXECUTION PROMPT
       本番AIへそのままコピーして使用できる完成版プロンプト
    
    最も重要なのは「4. EXECUTION PROMPT」です。
    
    ここだけをコピーして別のAIへ渡しても、
    元プロンプトの目的・条件・必要な分析内容が失われないようにしてください。
    
    
    【禁止事項】
    
    - 元の目的を勝手に簡略化しない
    - 比較対象を負荷軽減だけを理由に減らさない
    - 必要な分析を省略しない
    - 最新情報が必要なのに内部知識だけで補完しない
    - 不明な数値を推測しない
    - 同じ検索を無意味に繰り返さない
    - データが欠けた状態で無理に最終結論を出さない
    - 「処理が大規模なので対象を絞ってください」と
      ユーザーへ丸投げすることを原則として避ける
    
    処理量が多い場合は、
    要求を削るのではなく、
    タスク分解・依存関係整理・段階実行によって対応してください。
    
    
    <Original_Prompt>
    
    ここに、実行したい元のプロンプトをそのまま貼り付ける
    
    </Original_Prompt>
    

    この前処理プロンプトで特に重視したのは、「軽くする=要求を削る」にならないことです。

    AIに負荷軽減を頼むだけなら、
    「比較企業を3社にしましょう」
    「株価トレンドは省略しましょう」
    「まずNVIDIAだけ分析しましょう」

    といった方向へ逃げることも考えられます。

    それでは、今回Copilotに言われたことと大して変わりません。

    私が欲しいのは、仕事を減らすことではありません。
    同じ仕事を、失敗しにくい順番へ並べ替えることです。

    そのため、このプロンプトでは「目的を削らない」「比較対象を負荷だけを理由に減らさない」と明示しています。

    一方で、無駄な処理については積極的に削らせます。

    同じ情報を何度も検索しない。
    必要なデータを決めてから検索する。
    分析前に欠損を確認する。
    欠けている情報があれば、そこだけ取り直す。
    検索結果を後続工程で再利用する。
    途中では長文を書かせず、最後にまとめて人間向けの文章を作る。

    これまでの章で考えてきた内容を、そのままルールに落とし込んだ形です。


    もう一つ、あえて入れなかったものがあります。

    それが、

    [Domain: Quantitative Finance]
    [Role: Financial Expert]
    などを書いて、特定のMoE Expertへのルーティングを狙う指示です。

    前章で触れた通り、ユーザー側からモデル内部のExpert構成やRouterの判断を確認できない以上、「この単語を書けば金融Expertへ直行する」という前提には立てません。

    今回のプロンプトは、MoEモデル専用にはしていません。

    ChatGPTでも、Copilotでも、Geminiでも、Claudeでも、その他のAIでも、複雑な仕事を整理してから実行するという考え方そのものを利用できるようにすることを優先しました。

    その意味では、これは「MoE最適化プロンプト」というより、AIに仕事を発注する前の、タスク設計用プロンプトと呼ぶ方が正確だと思います。


    使い方を図にすると、こうなります。

    +---------------------------+
    | 人間が作った元プロンプト  |
    +-------------+-------------+
                  |
                  v
    +---------------------------+
    | AIプロンプト前処理        |
    |                           |
    | ・目的抽出                |
    | ・タスク分解              |
    | ・依存関係整理            |
    | ・検索範囲確定            |
    | ・重複排除                |
    | ・欠損チェック設計        |
    +-------------+-------------+
                  |
                  v
    +---------------------------+
    | EXECUTION PROMPT          |
    | AI向けの実行仕様          |
    +-------------+-------------+
                  |
                  v
    +---------------------------+
    | 本番AI                    |
    |                           |
    | 検索 → 整理 → 検証        |
    |      → 比較 → 推論        |
    +-------------+-------------+
                  |
                  v
    +---------------------------+
    | 元プロンプトが求めた      |
    | 最終成果物                |
    +---------------------------+

    これなら、元のプロンプトを毎回人間が分解する必要はありません。

    まず一度、AIに「この仕事をどう実行すればいいのか」を設計させる。
    そして、その設計図を本番AIへ渡す。

    今回Copilotに期待値マップをそのまま投げて止まったところから始まった話ですが、最終的には、「AIに答えを出させる前に、AIに仕事のやり方を設計させる」という方法に行き着きました。

    もちろん、これであらゆる巨大プロンプトが必ず成功するわけではありません。

    検索機能そのものに制限があれば越えられませんし、コンテキスト上限や利用回数制限も残ります。元データが存在しなければ、前処理したところで取得はできません。

    それでも、巨大な仕事を丸投げして、途中で止まったら最初からやり直す。
    その使い方しかないわけではありません。

    AIに仕事をさせるためのプロンプトを、さらにAIで前処理する。
    少し回り道に見えますが、複雑な仕事ほど、この一段が結果的に近道になるのではないか。

    今回作ったプロンプトは、その仮説を実際に試すためのものです。

    ◆処理結果例

    以下はCopilotで実行は可能ですが、制限がありました。別稿で触れます。

    了解。では あなたの <Original_Prompt> を、要求を一切削らず、処理負荷を下げ、後戻りを防ぎ、他AIがそのまま実行できる「実行用プロンプト」へ変換します。以下、指定された形式で出力します。

    1. ORIGINAL GOAL
    元プロンプトの最終目的は、対象企業を起点に、同じセクター・近いビジネスモデル・顧客層を持つ上場企業を選定し、最新の財務データ・株価トレンド・PER・業績モメンタムを取得・整理・比較し、「どの企業が高い期待を織り込んでいるか」「どの企業が低い期待から改善し始めているか」「どの企業は低PERだが業績悪化を織り込んでいるか」を判定し、最終的に比較表とセクター内の選別状況を文章でまとめること。

    2. EXECUTION STRUCTURE
    タスク構造は以下の通り。
    A. 比較対象企業の選定(依存なし)
    B. 必要データ項目の確定(依存:A)
    C. 外部検索・情報取得(依存:B)
    D. データ整理・正規化(依存:C)
    E. Completeness Check(依存:D)
    F. 数値比較・検証(依存:E)
    G. Implied Move取得(依存:E)
    H. 最終出力生成(依存:F,G)

    3. OPTIMIZATION
    ・検索項目を先に固定し、無目的な検索を排除
    ・比較対象企業を最初に確定し、後から追加して再検索する事態を防止
    ・Completeness Checkにより欠損のみ追加取得し、全体の再実行を防止
    ・PER/EPSの基準混在を防ぐため正規化工程を中間に配置
    ・分析工程を後半に固定し、データ不足のまま推論に入る事故を防止
    ・最終出力は最後にまとめて生成し、中間工程で長文を作らず負荷を軽減
    ・依存関係を明確化し、他AIが順番通りに処理できるようにする

    4. EXECUTION PROMPT
    以下をそのまま別のAIへ渡せば、元プロンプトを完全に実行できる。

    ----------------------------------------
    EXECUTION PROMPT(コピー用)

    あなたは株式市場の比較分析を行うアナリストです。以下の処理計画に従い、指定された企業を起点に、比較対象企業の選定・最新データ取得・比較・推論・最終出力生成までを段階的に実行してください。

    PHASE 1:比較対象企業の選定
    1. 入力された企業名・ティッカーを受け取る。
    2. 主力事業・顧客層・収益構造・商品/サービス・景気感応度・市場で比較されやすいかを基準に、適切な上場企業を5〜8社選定する。
    3. 「直接競合」「やや異なるが参考になる企業」に分類する。
    4. この一覧を保持し、次フェーズへ進む。

    PHASE 2:必要データ項目の確定
    比較に必要なデータ項目を以下に固定する:
    ・現在株価(取得日付必須)
    ・Forward PER(なければTrailing PERと明記)
    ・直近決算のEPS(GAAP / Non-GAAPを明記)
    ・EPS市場予想
    ・EPS前年同期比
    ・売上成長率
    ・決算が予想を上回ったか
    ・次回決算予定日
    ・直近3〜6ヶ月の株価トレンド(分類語で表現)

    PHASE 3:外部検索・情報取得
    PHASE 2で確定した項目を、比較対象企業すべてについて取得する。検索は企業ごとに行うが、項目は固定する。取得できない項目は「不明」と記載する。

    PHASE 4:データ整理・正規化
    取得したデータを以下の基準で正規化する:
    ・PERはForward / Trailingを混在させない
    ・EPSはGAAP / Non-GAAPを混在させない
    ・日付・単位・指標定義を統一
    ・株価トレンドは分類語へ変換
    ・欠損は「不明」と明記

    PHASE 5:Completeness Check
    必要項目が揃っているか確認する。欠損がある企業のみ追加検索する。全体の再検索は行わない。

    PHASE 6:数値比較・検証
    以下を企業ごとに評価する:
    ・PER × 業績モメンタム × 株価トレンド
    ・期待値の非対称性
     - 期待がかなり高い企業
     - 低期待から改善し始めている企業
     - 低PERだが業績悪化を織り込んでいる企業
    推論は事実データと明確に区別する。

    PHASE 7:Implied Move(該当企業のみ)
    次回決算が近い企業について、可能であれば以下を取得する:
    ・Implied Move(Expected Move)
    ・過去の決算時平均
    ・今回が通常より大きい/小さいか
    取得できなければ「不明」とする。

    PHASE 8:最終出力生成
    以下の形式で比較表を作成する:
    企業名|ティッカー|予想PER|直近EPS(予想比)|売上成長率|株価の現在地|市場の期待

    次に、各社について「市場が何を期待している株か」を一言で表す。

    最後に、3〜5文でセクター内で現在どのような選別が起きているかをまとめる。

    ----------------------------------------
    END OF EXECUTION PROMPT

    これをそのまま Grok に渡せば、あなたの元プロンプトを 後戻りなく、欠損なく、安定して最後まで実行できるはず。


    引用・参考資料

    ・Microsoft Learn「Allow web search in Microsoft 365 Copilot」
    Microsoft 365 CopilotにおけるWeb検索の仕組み、ユーザーのプロンプトからWeb検索用クエリを生成して情報を取得する仕組みについて参照。
    Microsoft Learn

    ・Microsoft Support「About Copilot Chat responses」
    Copilot Chatの応答生成や、複雑な調査を伴う処理に時間を要する場合があることについて参照。
    Microsoft Support

    ・Khot et al.「Decomposed Prompting: A Modular Approach for Solving Complex Tasks」
    複雑な問題をより単純なサブタスクへ分解し、それぞれを処理する「Decomposed Prompting」の考え方について参照。
    arXiv

    ・Ray et al.「TaskLAMA: Probing the Complex Task Understanding of Language Models」
    複雑なタスクを個別のステップへ分解し、ステップ間の時間的・論理的な依存関係を扱う研究として参照。
    Google Research

    ・Huang et al.「UltraTool: Enhancing LLM Agent Capabilities through Tool Learning」
    複雑なタスクにおけるツール利用、タスク計画、複数ステップでの処理設計に関する研究として参照。
    ACL Anthology

    ・Fedus, Zoph, Shazeer「Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity」
    MoE(Mixture of Experts)において、Routerが入力トークンをExpertへ割り当て、一部のExpertを選択的に利用する基本的な仕組みについて参照。
    arXiv

    ・Mistral AI「Mixtral of Experts」
    Mixtral 8x7BにおけるSparse Mixture of Expertsの構造、各層・各トークンについてRouterがExpertを選択する仕組みについて参照。
    Mistral AI

    ・Jiang et al.「Mixtral of Experts」
    MixtralのMoEアーキテクチャについて、各トークンで一部のExpertを選択して処理する技術的構造を確認するために参照。
    arXiv

    ・浅沼吉住「【AIプロンプト配布】投資銘柄の『同業他社』を比較する期待値マップ作成プロンプト」
    今回の検証でCopilotへ入力した「期待値マップ作成プロンプト」の元記事。本記事で扱った前処理プロンプトを考案する起点。






     
     
    元大手信託銀行の金融システム主担エンジニア。マクロ経済や金融市場の仕組みを深く考察。このnoteでは、短文や政治の話は載せず、じっくり読める経済・投資考察だけを発信しています。

    あなたへのおすすめ