ゼロショットプロンプトとは？例なしで通る条件と切替の損益分岐

この記事の監修者

リスキルAIキャリア編集部

リスキルAIキャリアは、AI時代の学び直し・キャリア形成・副業・転職に役立つ情報を発信するWebメディアです。編集部では、生成AIスキルの身につけ方、AI関連スクール・講座の選び方、キャリアアップにつながる学習方法などを、実務目線でわかりやすくお届けしています。

ゼロショットプロンプトは、例を1つも見せずに指示だけで解かせる書き方です。結論から言うと、定型の要約・分類・翻訳・言い換えなら例なしで通ります。逆に、出力形式を厳密に固定したい場合や、多段の推論が必要な場合は、Few-shotやCoTへの切替が精度を押し上げます。

この記事では、上位記事が定性的な使い分けで止まる点を超えます。「zero-shotで止める条件」と「切替の損益分岐」を、採点表・計算式・API費用の考え方で数値化します。副業・転職の業務別ユースケースと、再現できるテストケースまで示します。

ゼロショットプロンプトとは？例なしで解かせる指示の型

ゼロショットプロンプトとは、正解例(shot)を与えず、指示だけで答えさせる手法です。「shot」は例示の回数を指します。0回ならzero-shot、数回ならFew-shotです。

この用語はGPT-3の論文Brown et al. 2020「Language Models are Few-Shot Learners」(arXiv:2005.14165)で整理されました。zero-shotとFew-shotは同じ論文で対比された地続きの概念です。どちらかが上位互換ではありません。

実務の典型は「次の文章を100字で要約して」「このレビューをポジ/ネガで分類して」です。利点は、例文作成と追加トークンが不要なことです。まず試すコストが最も小さくなります。

ゼロショットが向くタスクと向かないタスク（業務別）

向くのは、モデルが学習済みで正解の幅が広いタスクです。副業・転職で使う具体ユースケースに落とすと、判断がぶれません。

左列でよければ例は不要です。右2列に当てはまるときだけ例や推論指示を足します。判断の分岐は後半の採点表で数値化します。

ゼロショット・Few-shot・CoTの違いを整理

3つは「与える情報の種類」で分かれます。zero-shotは指示のみ、Few-shotは指示＋正解例、CoTは指示＋推論を促す文です。

CoTの出典はKojima et al. 2022「Large Language Models are Zero-Shot Reasoners」(arXiv:2205.11916)です。「Let’s think step by step」を足すだけで算術・記号推論の正答率が上がると報告されました。例を足さず推論だけ強化するのがzero-shot CoTの本質です。

深掘りはFew-shotプロンプトとは？精度を上げる例文と使わない基準と思考の連鎖プロンプトとは？使いどころと書かない基準で解説しています。

ゼロショットで止める条件チェックリストと採点表

例を足す前に、まずzero-shotで通るかを判定します。次の項目に4つ以上当てはまれば、例やCoTは不要です。

• タスクが要約・分類・翻訳・言い換えなど一般的な型である
• 出力形式が自由文でよい、または箇条書き程度の緩さで足りる
• 正解が1通りに固定されず、幅を許容できる
• 社内独自ルールや専門用語の言い回し指定がない
• 初回出力を人が最終チェックする運用である
• 同じ指示を数回しか使わない（使い捨て）

「8割方使える」という感覚は判定に使えません。次の採点表で出力を5項目・各2点で評価します。

判定は次のとおりです。8点以上ならzero-shotを継続します。5〜7点ならone-shotか制約追加です。4点以下ならFew-shot・CoT・参照情報の追加を検討します。

この判断は、例文の暗記ではなく、タスク設計・評価・改善の基礎です。PEP検定でも、生成AIを業務で使う基本概念として、プロンプト設計や出力評価の理解が問われます。まずは出題範囲で「プロンプト」「生成AIの限界」「出力検証」に該当する項目を、PEP検定の勉強法を公式シラバスから逆算で確認してください。

Few-shot・CoTへ切り替える損益分岐を計算式で判断する

切替は「追加コスト」対「精度改善」で決めます。感覚ではなく、作業時間とトークン費用で見積もります。

Few-shotに切り替える損益分岐（時間）

Few-shotが得なのは、同じ指示を繰り返し使う場合です。次の式で判断します。

• Few-shot化が得になる条件：例文作成時間 ÷ 1回あたり削減できる手直し時間 ＜ 再利用回数
• 例：例文作成に20分、zero-shotの手直し削減が1回あたり4分なら、20 ÷ 4 = 5回
• つまり同じプロンプトを6回以上使うならFew-shot化が黒字

目安は、例文作成15〜30分・削減3分なら5〜10回が損益分岐です。固定値ではなく、自分の作業時間で計算してください。使い捨ての1回きりなら、例を作る手間の方が高くつきます。

追加トークンとAPI費用の損益分岐

例やCoTを足すと入力トークンが増え、API費用も増えます。1,000回実行を前提に整理します。

計算例を示します。入力単価が100万tokensあたり$Xの場合、450,000トークンの追加費用は 0.45×$X です。単価は変動するため、記事内で固定断言はしません。最新料金はOpenAI API Pricing、Anthropic Pricing、Google Gemini API Pricingで確認してください。

CoTは形式ではなく推論の問題に効きます。計算・条件分岐の多い課題で、zero-shotが途中を飛ばして誤答するなら切替します。金銭コストは小さい一方、出力が長くなります。最終出力だけ欲しい場面では、根拠を示させた後に「最終回答のみ出力」と締める二段構えが有効です。

この損益分岐を式で説明できる状態は、PEP検定の学習効率も上げます。用語を覚えるだけでなく、zero-shotで止めるかFew-shotへ切り替えるかを説明できるようにしておくと、出力評価の理解が定着します。

2025年時点の主要LLMで「とりあえず例を足す」を見直す

2025年時点で公開されている主要LLMの傾向では、推論を内部で行うモデルが増えました。その範囲では、CoT指示を明示しなくても多段推論を自前で行う場合があります。

その結果、旧世代で定番だった「まず例を数件足す」が過剰になる場面が増えました。先にzero-shotで1回試し、失敗の種類を見てから最小限の例やCoTを足す順序が効率的です。最初から盛るとトークンと手間が無駄になります。

ただしモデル依存です。軽量モデルや古いバージョンでは従来どおり例が効きます。仕様は各社の公式ドキュメントで確認してください（OpenAI Prompt engineering、Anthropic Prompt engineering、Google Gemini prompting guide）。使うモデル名とバージョンを控え、同じ入力で比較する習慣が精度管理につながります。

ゼロショットが崩れる典型3パターンと直し方

zero-shotの失敗は3つの症状に分類できます。再現条件と対策を対応づけます。

症状1：出力形式のゆれ

JSON・表・箇条書きなど厳密な形式で、キー名や区切りが毎回変わる症状です。「レビュー10件をCSVで」のような指定で頻発します。

対策は形式サンプル1件を見せるone-shotです。形式のゆれはCoTでは直らず、例1件が最短の解決策です。出力スキーマを言葉で固定するのも併用します。

症状2：語調・トーンのブレ

ですます調とだ・である調が混ざる症状です。ブランドの文体や社内テンプレを守らせたいときに問題になります。

対策は理想の文体で書いた例文を2件見せることです。抽象的に「丁寧に」と指示するより、実物を1〜2件示す方が安定します。

症状3：ハルシネーション（事実の捏造）

存在しない出典・数値・仕様を自信満々に書く症状です。根拠が与えられず知識を問うと起きます。

対策は例の追加ではなく、参照情報を渡すこと(RAG的な入力)と「不明なら不明と答えて」の明示です。ハルシネーションはFew-shotでもCoTでも根治せず、根拠データの供給が必要です。原因の全体像はプロンプトが効かない原因5つ｜症状別診断と直し方で整理しています。

ゼロショットCoTが効くタスクと逆効果になるタスク

推論を促す指示は万能ではありません。効くタスクと逆効果のタスクを線引きします。

効くのは、算術・論理パズル・条件分岐の判定・複数手順の見積もりです。Kojima et al.(2022)が正答率の向上を報告した領域と重なります。場合分けが必要な課題ほど効果が出ます。

逆効果になるのは、感情分類・単純な事実検索・一問一答です。答えが直感で確定する短いタスクに推論を足すと、結論がブレたり出力が冗長化します。迷ったら、あり・なしを同じ入力で1回ずつ比べて決めます。

なお、現在の主要LLMには、内部の推論過程をそのまま開示しない設計のモデルもあります。その場合は「思考を全部書いて」ではなく、出力してよい中間情報を指定します。「判断基準を箇条書きにしてから結論を出す」「計算過程だけ示す」「最終回答の根拠を3点で示す」のように書きます。

• 悪い例：順を追って考えて。
• 良い例：次の3条件を順に確認し、該当/非該当を表で示した後、最終判定だけを出してください。

再現用テストケース（検証テンプレート）

出力の良し悪しは、同じ条件で比較しないと判断できません。同じモデル・同じ入力で比較しないと、改善した原因を特定できないためです。まず記録する項目を固定します。

• 実行日
• 使用モデル名とバージョン
• temperature等の主要設定
• 入力文
• zero-shot結果
• Few-shot/CoT追加後の結果
• 採点表の合計点（判定基準）

次の表は、そのまま試せる再現用テストケースです。結果は使うモデルと設定で変わります。自分の環境で埋めて比較してください。

コピペで使える例文テンプレートを、タスク別に置きます。

• 要約：次の文章を、小学生にも伝わる100字で要約して。［本文］
• 分類：次のレビューをポジ/ネガ/中立で判定して。理由は不要。［レビュー］
• 翻訳：次の日本語を自然な英語に。ビジネスメール調で。［原文］
• 形式固定：3商品を｜商品名｜価格｜特徴｜のMarkdown表で。まず1行だけ見本を示す。［データ］
• 条件判定：次の3条件を順に確認し、該当/非該当を表で示した後、最終判定だけを出して。［条件と対象］

「例が要るか」を判断できることは職務スキルになる

プロンプトのスキルは、例を盛れることではありません。例が要るか要らないかを判断できることです。無駄な例やCoTを足さず、最小コストで精度を出せる人は、作業時間とAPI費用の両方を下げられます。

この判断は、職務経歴書で説明できる業務スキルになります。「zero-shotで通る範囲を切り分け、Few-shotへ切り替える基準を運用に定着させた」と書ければ、単なるツール利用者との差が明確になります。

体系的に学ぶなら、プロンプト基礎を範囲に含むPEP検定が指標です。zero-shot/Few-shot/CoTの使い分けは、検定の基礎範囲と実務判断が直結するテーマです。出題範囲の該当項目はPEP検定の勉強法を公式シラバスから逆算で確認してください。社内で定着させたい場合は、判断基準を研修化して評価軸を共有すると運用がぶれません。

よくある質問

ゼロショットとFew-shotはどちらが精度が高いですか？

タスク次第です。形式固定や語調統一ではFew-shotが有利、一般的な要約や分類ではzero-shotで十分です。まずzero-shotで試し、崩れた症状に応じて例を足すのが効率的です。

「ステップバイステップ」は必ず付けた方がいいですか？

いいえ。計算や論理には効きますが、感情分類や一問一答では出力が冗長になり逆効果です。短い直感的なタスクには付けません。

最新の推論モデルなら例は不要ですか？

zero-shotで通る範囲は広がりましたが、形式の厳密固定と語調統一では今も例が有効です。モデルとバージョンで差が出るため、同じ入力で比較して判断してください。

ハルシネーションは例を足せば減りますか？

根治しません。捏造は根拠データの不足が原因です。参照情報を入力し、「不明なら不明と答えて」と明示する方が効果的です。

例は何件用意すればいいですか？

形式固定なら1件、語調統一なら2〜3件が目安です。件数を増やすほどトークンが増えるため、崩れが直った時点で止めます。

更新履歴と見直しトリガー

この記事は2026年8月14日に、損益分岐の計算式・API費用の考え方・採点表・再現用テストケースを追加して更新しました。料金とモデル仕様は各社公式ページを一次情報とし、記事内で固定断言はしていません。

見直しのトリガーは次のとおりです。主要LLMの世代が更新されたとき、各社の料金表が改定されたとき、公式のプロンプト設計ガイドが更新されたとき、この記事の該当箇所を再確認します。モデル世代が変わったら、同じテストケースで再検証してから記述を更新します。