
専門家級のリサーチ精度へ進化?ChatGPTのDeep Researchを強化プロンプト集
どうも!のばぺんです
みなさんはChatGPTの「Deep Research」って機能って使っていますか?

複雑なリサーチとかデータ分析を、ほぼ全自動で片づけてくれるのが「Deep Research」です
しかもコイツ、ネット上の情報源をガシガシ拾ってきて、そこそこいや、かなり芯を食った内容にまとめてくれるんですよね
とはいえ、ひとつ大事なポイントがあります
それが、「どんなプロンプト(指示)を出すか」で結果が大きく変わってくるってところ
まあこれは生成AI界隈あるあるなので、驚きはしないかもですが
実際ほんとに、プロンプト次第で仕上がりの精度もまるっと変わります
つまり、Deep Researchを「すごい!」って言ってる人は、プロンプトをうまく扱える人の可能性が高め
逆にいえば、そこが雑だと、どんな高性能でもふんわりした結果が返ってきちゃうんですよね
そんなわけで今回は、海外の研究とか事例をベースにしつつ、Deep Researchを活かすプロンプトの書き方をメモっておこうと思います
※ちなみに2026年2月のアップデートで、この機能はGPT-5.2以降向けに強化されました↓↓↓
Deep research in ChatGPT is now powered by GPT-5.2.
— OpenAI (@OpenAI) February 10, 2026
Rolling out starting today with more improvements. pic.twitter.com/LdgoWlucuE
目的(ゴール)をちゃんと決める
まず、Deep Researchをちゃんと使いこなすにはプロンプトが命
これはすでに何度か言ってますが、大事なことなので繰り返します
で、ここがね…意外と雑な人、多いんです
パッと見では「そりゃそうでしょ」って感じるかもしれないですが
でも実際の現場を見ると、けっこう曖昧な指示が飛び交ってたりする
たとえば、「気候変動について教えて」って投げられたら、AI側としては「えっ、広すぎる…」ってなります
地域は? 期間は? どの影響にフォーカス? そもそも誰向けの説明?
そういう前提がすっぽ抜けてると、返ってくるのは「昔から気候は変わってるんです」みたいな、卒業文集みたいなやつに
だからまず一番大事なのは、「目的」をハッキリさせること
どんな出力がほしいのか、どこに向けての話なのか、それをちゃんと決めてからじゃないと、AIはガチで迷子になります
出力もふんわりしがち
ってことで、プロンプトを組むときは、「何を知りたいか」より「なんのために知りたいか」を明示したほうがいいです
△ あいまいな例
気候変動について教えて◎ 明確な例
サハラ以南のアフリカにおける気候変動が作物収量に与える影響について、2015年以降の研究をもとにまとめてこのくらいまで絞ってあげると、ChatGPTが「うんうん、この地域ね、2015年以降のデータ、しかも農業の影響ね」って感じで理解してくれる
で、ピンポイントで情報を掘りにいってくれるんですね
なんかもう、「水を得た魚」みたいにサクサク反応してくれるの、ちょっと笑ってしまった
しかも、基本的にちゃんと出典まで付けてくれるから、あとから情報を追い直すのもラク
変にリンク探して彷徨う手間がないのはありがたい
ちなみにこういうプロンプトの書き方は、Vanderbilt大学の研究者たちが書いた「Prompt Pattern Catalog」って論文でも紹介されてる手法だったりします
つまり、プロンプトって「意図の設計図」みたいなもんなんですよね
プロンプト文は、ただの質問じゃなくて、「何を重視して、何をスルーしていいか」っていう思考のナビみたいな役割を持ってる
だから、こっちの目的がふわっとしてると、AIもどこ行ったらいいか分からず迷子になります
情報の絞り方もセットで伝える
AIに何か聞くとき、「調べて」ってだけ言っちゃうと、全知識の海にダイブして勝手に泳ぎ始めます
で、戻ってきたと思ったら、こっちが欲しかった情報とちょっとズレた雑談を始めたりするんですよね
「いや、そこじゃない!」ってなるやつですね
だから超大事なのは、「どの場所の」「いつ頃の」「どういうタイプの情報」を使ってほしいのか、あらかじめ指定しておくこと
これでAIの勝手なダイブを防げます
それさえ伝えておけば、あとはこっちの知的探索の相棒として、ちゃんと動いてくれます
たとえば
コンピュータビジョン研究の文脈において、2019年から2024年のゼロショット画像分類の最新動向と精度指標を調査してください。主に査読済み論文と公式データセットの結果に焦点を当ててください。このプロンプト、AI側から見てもなかなか「おっ、やるじゃん」ってなるやつです
なぜかというと
研究の領域:コンピュータビジョン
時間の範囲:2019年~2024年
分野:ゼロショット画像分類
出典:査読済み論文&公式データセット
って具合に、「調査の条件」がバシッと書かれてるからなんですよ
こういう枠を最初に提示しておくと、AIとしても「怪しいブログ記事はスルーして、ちゃんと査読されたやつだけ拾えばいいのね?」と判断できるわけで
ちなみにこのスタイル、Springerの論文でも紹介されてました
タイトルがちょっと哲学寄りで『Prompting meaning』なんてついてるけど、言いたいことは明快で、「ちゃんと文脈くれれば、AIの出力の深さが全然違ってくるよ」って話です
そもそもプロンプトって、「質問」ってだけじゃなくて、同時に「シナリオの指示書」でもあると思ってます
登場人物も舞台もわからないまま「じゃ、演技して!」って言われたら、役者でも詰まるじゃないですか
だから大事なのは
情報の方向性
対象(何について?)
期間(いつの話?)
範囲(どこまで?)
出典(何に基づいて?)
このへんを事前にちゃんと指定してあげること
そうするとAIくんも「はいはい、このへんは演技ナシでね」ってモードに入って、こっちの期待する答えに近づいてきます
情報の信ぴょう性を確認するための工夫
AIに何か聞くとき、ただ「調べて」って頼むだけだと、正直ちょっと物足りない答えが返ってくることがある
一見それっぽい内容なんだけど、浅いというか、根拠があいまいでイマイチ納得できない感じ
そんなときに効いてくるのが、「推論パターン系」のプロンプトたち
今回はその中から、代表的な4タイプをまとめておく。状況に応じて使い分けるのがミソですね
■ ファクトチェックリスト型
これは、AIの答えに含まれる「事実」や「前提」を明確にさせるプロンプト
たとえば
回答を作成する際に、それが依拠している重要な事実や前提をすべてリスト化してください。それぞれに関連する出典も示してください。特に数値データや歴史的事実は、必ず出典を明記してください。こういうのを差し込むだけで、「なんとなく信用できなさそう…」な不安をガッと減らせる
特に調査やレポート系のシーンにぴったり
根拠がはっきりすれば、「信頼できる答え」に昇華できます
■ リフレクション型
これは「AIがどうやってその答えを出したか?」を、ちゃんと喋らせるためのプロンプト
どういうロジックを通ったのか、前提条件は何だったのか
そういう頭の中のプロセスを明文化させる
こんな感じで書くと良いですね↓↓↓
この回答が導かれた過程について、使用した情報源と推論の流れを明確に記述してください。また、内容に不確実性や限界がある場合は、それについても触れてください。これを使えば、「正解っぽい一文」ではなく「答えに至る筋道」まで見えるようになる
いわば、説明責任を果たしてもらう感じです
■ コグニティブ・ベリファイア型
これはちょっと上級者向け
大きすぎる問いを一回ばらして、小さな問いに分解してから、再構築するやつです
プロンプトとしてはこんな風に
私がメインの質問をしたら、その回答に必要な3つのサブクエスチョンを生成してください。私がそれらに回答したあと、それらの情報をもとに最終的な答えを作ってください。テーマが広すぎて手に負えないとき、これを使うと一気に整理される
AI側で強制的に問いを再構成してくれるので、「質問が雑だった問題」もごまかせる
別の角度からも見てみる
AIの便利なところって、一気に大量の情報を拾ってきてくれるところ
でも、それって「広く浅く」になりがちだったり、主流の意見に偏りやすかったりします
だからこそ、こっちから「もっと広く見て」「逆の意見も拾って」っていう、意識的な指示が必要になります
オルタナティブアプローチ(Alternative Approaches)
ここからは視点チェンジ系
AIのすごいところって、バーッと大量の情報を拾ってきてくれる点だけど…
逆にいうと「主流の意見だけ拾って終わり」になりがちだったりする
だからこそ、こっちから「逆の視点も入れて」って明示するのが大事
具体的には
この研究テーマについて、少なくとも3つの異なるアプローチや観点から分析し、それぞれの長所・短所を比較してください。主流の見解だけでなく、代替的な解釈や批判的な意見も含めてください。これだけで、返ってくる回答の厚みがガラッと変わる
ちゃんとレポートにも転用できるレベルで「整った視点」が揃うの、ちょっと感動です
コンテキストマネージャー(Context Manager)
最後は記憶してもらうプロンプトです
長めの調査とか、複数回のやりとりになると、AIが前の話を忘れがち
そんなときに、これ↓↓↓
この調査の過程で見つかった重要なファクトや概念を記録し、今後の質問で参照できるようにしてください。情報に矛盾があった場合は、その点を明示して、矛盾解消を試みてください。これを入れておくと、会話を何回に分けても「前回言ってたアレね」って前提を引っ張ってきてくれるようになります
一貫性のあるやりとりをしたいときには、めちゃ助かる
テンプレートで使い回せるようにしておく
ここまで工夫して作ったプロンプト。
そのまま捨てるの、もったいなくないですか?
ということで次は、精度の高いプロンプトをテンプレート化して、再利用しやすくする方法について。
特に研究やレポート作成みたいに、何度も似た構造の情報を扱う場面では、このテンプレ化が効いてきます。
タイトル:
[研究テーマや調査内容をひと言で]
コンテキスト:
[対象分野、時期、地域、関連する背景情報など]
目的:
[何を明らかにしたいか。どういう答えを求めているか]
出力形式:
[レポート形式/箇条書き/構造化された見出しつき、など具体的な指示]
制約条件:
[使ってほしい情報源・除外してほしい分野・期間の指定など]
評価基準:
[何をもって“よい回答”と判断するか。例:出典の正確さ、網羅性、客観性]
この構造をひとつ用意しておけば、正直どんなテーマでも「コピペ+ちょい書き換え」でサクサク回せる
そう、自分専用の「Deep Researchひな形」みたいなもんです
毎回ゼロから文章ひねり出すのって、地味にしんどいんですよね
でも、「あ、今回はこの部分だけ変えればいけそう」って思えるテンプレがあると、精神的ハードルがガクンと下がる
怠け者モードの未来の自分でも、「とりあえずここまで書けば何とかなる」ってラインを作っておけるのは、だいぶ心強い
ただし、ここで油断しちゃダメなやつ
テンプレ作ったら完成じゃなくて、それは中間地点
運用してると「あれ?ここ順番入れ替えた方が良くない?」「この書き方の方が伝わるな」っていう気づきが、ちょいちょい出てくる
つまり、テンプレは生き物
作ったら終わりじゃなくて、育てていく感じっす
更新しながら、自分の書き方ごと強化していきます
Deep Researchを使いこなすということ
最後にひとつ言っておきたいのは、Deep Researchを本気で使いこなしたいなら、プロンプトをただの質問として扱うのはもったいないってこと
プロンプトは「意図を設計するツール」、そう考えるだけで、見える景色が変わるんです
なんとな〜く聞いてるだけだと、やっぱり浅くなっちゃう
「どんな答えが欲しいのか」、「どの深さまで掘るのか」っていうゴールラインを、自分で最初に引いてあげること
これが、出力の質をガラッと変えるポイントになります
この記事で紹介したプロンプトの工夫たちは、いわば型です
型があると助かるけど、最終的には自分で考えることが必要不可欠
どれを使うか、どう組み合わせるか、どこを削るか
そういう「カスタムの手間」を惜しまないのが、一番強い
あと、忘れちゃいけないのが「一度きりで終わらせない」ってこと
1回投げてみて、うまくハマらなかったら少しだけ修正して、また試す
そしたら次は、ちょっと違う反応が返ってくるはず
この反復のループが、最も効くので
うまくいかないときもあるし、「あれ?」ってなることもあるけど、
その試行錯誤の積み重ねが、いつの間にか“精度の高い対話”を作っていくんだと思う
AIは何でもできる魔法の道具じゃないけど、ちゃんと向き合えば、しっかり仕事してくれる、頼れる相棒になります
noteとXのフォローをお願いします!

・note
オススメの記事
参考文献
Henrickson, L., & Meroño-Peñuela, A. (2023). Prompting meaning: a hermeneutic approach to optimising prompt engineering with ChatGPT. AI & Society, 40:903–918. https://link.springer.com/article/10.1007/s00146-023-01752-8
White, J., Fu, Q., Hays, S., Sandborn, M., Olea, C., Gilbert, H., Elnashar, A., Spencer-Smith, J., & Schmidt, D.C. (2023). A Prompt Pattern Catalog to Enhance Prompt Engineering with ChatGPT. Vanderbilt University. https://www.dre.vanderbilt.edu/~schmidt/PDF/prompt-patterns.pdf
OpenAI. (2025). Introducing deep research. https://openai.com/index/introducing-deep-research/
Wei, J., Wang, X., Schuurmans, D., Bosma, M., Chi, E., Le, Q., & Zhou, D. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. arXiv. https://arxiv.org/abs/2201.11903
van den Broek, M. (2025). Prompt Engineering Guide for Deep Research with ChatGPT's O3 Model. https://www.linkedin.com/pulse/prompt-engineering-guide-deep-research-chatgpts-max-van-den-broek-9itwe