Claude Code に同じ依頼をしても、ある人は一発で欲しいものを受け取り、別の人は何度もやり直しを繰り返します。差を生んでいるのはプロンプトの巧さよりも、AI に渡している前提情報の量と質です。この記事では、なぜ AI が「察してくれない」のか、何を渡せば出力が安定するのか、そして Claude Code で具体的にどう渡すかを、実務の手順に落とし込んで整理します。

まず疑うべきは、AIの賢さではなく渡した情報

出力がいまひとつのとき、最初に振り返るべきは「必要な情報をちゃんと渡せていたか」です。「AI がまだ微妙だ」で片づける前にここを確認すると、渡し忘れに気づくことが少なくありません。

自社のこと、いま進めているプロジェクトの状況、過去の経緯、誰のために何のためにやっているのか。こうした情報は、伝えない限り AI には知りようがありません。これは賢さの問題ではなく、単純に「情報があるか・ないか」の問題です。

だからこそ、これは今の AI 向けの一時的なテクニックではありません。AI がどれだけ賢くなっても、自社の事情を勝手に把握する手段がない以上、必要な情報を渡すという作業はなくなりません。AI を業務で使う限り、ずっと付き合う前提条件だと考えてください。

渡す情報すべてが「コンテキスト」になる

ここで言う「コンテキスト」とは、AI に渡される情報すべてのことです。役に立つ情報も、関係ない情報も、まとめてコンテキストと呼びます。

Claude を開発する Anthropic は、これを設計する技術を「Context Engineering（コンテキストエンジニアリング）」という言葉で体系化しはじめています。プロンプトをどう書くかという表現の問題以上に、そもそも何を渡すかが出力を左右する、という認識が広がっています。

優秀でも、AIは「毎回が初日の助っ人」

人間相手でも、説明が要るか要らないかは「前提を共有できているか」で決まります。AI に説明が必要なのは、この前提の共有がまだないからです。

長く一緒に仕事をしているメンバーには「例の件、いつも通りで」で通じます。チームのやり方も案件の背景も、相手がすでに知っているからです。一方、新しく入った人や外注先には「うちはこういうルールで」「この案件はこういう背景で」と一から説明するはずです。相手が優秀かどうかは関係ありません。自社の「いつも」をまだ知らないから、説明が要るのです。

AI は、いわば毎回が初日の、優秀な助っ人です。能力は高くても、自社やプロジェクトの「いつも」は知りません。とくに新しいフォルダや初めての作業場所では、前提知識はほぼゼロから始まります。だから前提を渡さないと、作業が止まったり、見当違いの方向に進んだりします。

渡すべき量は「相手が知らない分」だけ

ここまでを一言にすると、渡すべき情報は次の引き算で決まります。

渡すべき情報 ＝「そのタスクに必要な前提」 −「相手がすでに持っている前提」

長く一緒にやっている相手はこの差分が小さいので、説明は最小限で済みます。AI は差分が大きいので、その差分を埋める情報をこちらから渡す必要があります。

やっかいなのは、差分の多くが「無意識の前提」だという点です。たとえば社内の飲み会の幹事を任されたとき、何の集まりか、誰が何人来るか、予算はどのくらいかを、意識せずとも考慮しているはずです。その場の前提を知っているからこそ、考えるまでもなく踏まえられます。AI にはこの「勝手に考慮している前提」がありません。自分が無意識に踏まえていることほど、AI にとっては抜け落ちやすい差分になります。

量は「絞る」が原則、ただし最初から完璧を狙わない

どれくらい渡せばいいかは、公式の原則と実務の進め方を両方知っておくと判断しやすくなります。結論から言えば、原則は「絞る」、実務では「ざっと渡して整理を任せる」も有効、という二段構えです。

Anthropic は、良いコンテキスト設計を「望ましい結果の可能性を最大化する、可能な限り最小で高シグナルなトークン集合を見つけること」と定義しています。背景にあるのは "Context rot（コンテキスト腐敗）"、つまりトークンが増えるほど AI が必要な情報を正確に拾う力が落ちるという現象です。情報は多ければよいのではなく、多すぎるとむしろ精度が下がる、というのが公式の立場です。

とはいえ実務で、最初から過不足なく選び抜くのは難しいものです。そこで、関係しそうな情報をいったんざっと渡し、取捨選択は AI 側に任せる進め方も有効です。一発で完璧に揃えようとせず、やりとりしながら埋めれば十分です。ただし後述する CLAUDE.md のように毎回読まれるファイルだけは、公式の原則どおりスリムに保つ価値があります。

渡す情報は「目的・前提・制約・成果物」で型にする

病院の問診票が、医師の判断に必要な情報を先回りして整理しているように、AI に渡す情報も型を持っておくと考えやすくなります。大きく4つです。

  1. 目的：誰に向けて、何を達成したいのか。これが終わったら次に何が起きるのか。
  2. 前提：今どういう状況か。関係する人物・組織、過去の経緯、すでに決まっていること。
  3. 制約：守るべきルール、避けるべきこと。触ってはいけないファイル、守るべきフォーマット、時間や予算の制約。
  4. 成果物：どんな形で出してほしいか。長さ、トーン、参考にしてほしい既存資料。

この4つを意識するだけで、アウトプットは大きく変わります。

Claude Codeには、情報を渡す入り口が3つある

Claude Code には、コンテキストを渡すための仕組みが用意されています。情報の「変わりにくさ」で使い分けると整理できます。

毎回変わらないプロジェクトの前提は CLAUDE.md に。今日だけの事情はプロンプトに。現物があるものはファイルや画像で。この3つを押さえれば、ほとんどの場面をカバーできます。

変わらない前提は CLAUDE.md に書く

プロジェクトのルートに CLAUDE.md を置くと、Claude Code は毎回それを読んでから作業を始めます。「何を作っているか」「コードスタイルのルール」「使ってはいけないもの」など、毎回繰り返したくない前提をここに書いておけば、言わなくても守ってくれる状態をつくれます。

ただし CLAUDE.md は毎回読み込まれるため、太らせすぎは禁物です。Anthropic 公式も「肥大化した CLAUDE.md は、Claude が本来の指示を無視する原因になる」と注意しています。判断基準は次のとおりです。

入れるべき 入れるべきでない
Claude が推測できないコマンド コードを読めば分かること
デフォルトと違うコードスタイル 言語の標準的な慣習
テスト方法・推奨ランナー 詳細な API ドキュメント（リンクで足りる）
リポジトリのお作法（ブランチ名・PR規約） 頻繁に変わる情報
プロジェクト固有の設計判断 長い解説やチュートリアル
自明でない落とし穴 「きれいに書け」のような自明なこと

ときどきしか使わないドメイン知識やワークフローは、CLAUDE.md ではなく Skills に置くことも公式に推奨されています。必要なときだけ読み込まれるので、毎回のコンテキストを汚さずに済みます。

今日だけの事情はプロンプトに含める

ゴール・相手・締切など、毎回変わる情報はプロンプトに入れます。具体的に伝えるほど、やり直しが減ります。

たとえば「資料を作って」ではなく、「来週火曜の社長定例で使う第1四半期の振り返り資料を、A4 2枚以内・箇条書き中心で。過去の議事録は docs/meetings/ を参照」。前者と後者で返ってくるものは、まるで違います。

現物があるものはファイルや画像で見せる

「過去のメールを参考に返信を書いて」なら、過去のメールをそのまま渡す。「この資料のトーンに合わせて」なら、その資料を読ませる。口頭で説明するより、現物を見せるほうが速くて正確です。エラー画面やデザイン案のように、文章にしづらいものは画像で渡すと早く伝わります。

何を渡せばいいか分からないときは、AIに集めさせる

そもそも「何が必要な情報か」を自分で判断できない場面もあります。初めての領域で何を伝えればいいか分からない、過去の経緯が複雑で整理しきれない、といったケースです。こうしたときは、コンテキストづくり自体を AI に任せられます。

ひとつは、逆質問してもらう方法です。依頼に「今の情報で足りますか。追加で必要な情報があれば先に質問してください」と添えれば、AI 側から不足を指摘してもらえます。もうひとつは、調査ごと任せる方法です。「docs/ 以下から社内ルールに該当しそうなものを探して、それに沿った提案書を作って」のように、情報集めから生成までをまとめて依頼できます。

前提知識がない領域では、まず AI にリサーチさせ、その結果を自分が読んで理解してから本来の依頼を投げると、結果が安定します。

つまずきやすいのは、この4つ

最後に、よくある失敗を挙げておきます。多くは「渡す情報の過不足」に集約されます。

  • 「言わなくても分かるはず」と省略してしまう：依頼前に、自分の頭の中にあって AI が知らないことを書き出してみる。
  • CLAUDE.md やプロンプトが古いまま放置される：プロジェクトの節目で見直し、消しても困らないルールは削る。
  • 無関係な情報まで大量に渡す：関係しそうなものはざっと渡してよいが、無関係な情報はノイズになる（Context rot）。
  • 完璧なコンテキストを自分で用意することにこだわりすぎる：分からないことは AI に聞く・調べさせるのも選択肢に入れる。

まとめ：察してもらうのをやめて、差分を渡す

要点を振り返ります。

  • AI は察してくれないので、必要な情報を渡す。これは AI が賢くなっても変わらない。
  • 渡すべきは「相手がすでに知っている前提との差分」。AI は差分が大きいので、こちらから埋める。
  • 量は、原則は「最小限に絞る」。実務では「ざっと渡して整理を AI に任せる」も有効。ただし毎回読まれる CLAUDE.md はスリムに保つ。
  • 何を渡せばいいか分からないときは、AI 自身に集めさせる・作ってもらう。
  • 一発で完璧を期待せず、対話で精度を上げていく。

出力がいまひとつのときは、AI を責める前に「そもそも必要な情報をちゃんと渡せていたか」を一度振り返ってみてください。伸びしろは、多くの場合、渡し方のほうにあります。

カラフルボックスの Scale Works では、Claude Code を使った業務自動化の伴走支援に加え、Claude / Claude Code の基本操作から業務への適用までを学べる研修（基礎編・応用編）も提供しています。社内で AI 活用を定着させたい方は、お気軽にご相談ください。

参考リンク