「書く」を取り戻すと、AIへの指示力まで育つ——業務テキスト3段階ロードマップ

• 想定読者： 業務テキストの精度を上げたい、かつAIへの指示力も自然に伸ばしたいITエンジニアおよびナレッジワーカー
• 前提知識： ChatGPTやClaudeなど対話型AIの基本的な使用経験
• 所要時間： 25分

概要

業務チャットの返信は絵文字スタンプ1個、Slackは「了解です」、込み入った話は「ちょっと通話で」、報告書はAIに丸投げ——気づけば自分の言葉で文章を組み立てる行為そのものが、業務の中から消えている。問題は「テキストが下手になった」ことではなく、もっと根源的に「そもそも書かなくなった」ことにある。

ただし焦って「明日からPREP法で全部の文章を構造化する」と決心するのは逆効果だ。常にかしこまった文章を書かねばというプレッシャーは、むしろ「書かない」スパイラルを加速させる。

本記事が提案するのは、無理のない3段階ロードマップである。

1. 段階1：まず「書く」を取り戻す——スタンプの代わりに1文、通話の代わりに3行。砕けた文体OK、絵文字OK。書く頻度が戻ってくるだけで負のスパイラルは反転する
2. 段階2：徐々に「構造化」を試す——慣れてきたら、報告や依頼などロジカルな業務テキストにPREP法（Point→Reason→Example→Point）を導入。米軍版BLUFと同じ「結論先出し」原則で、再質問が消える
3. 段階3：AIレビューを組み込む——PREPで書いた下書きを生成AIに30秒で評価させる閉ループへ。自動ライティングフィードバック研究では効果量 g = 0.55、転移課題で g = 0.65 と確認されている¹

そして段階3まで進むと、副作用として「AIへの的確な指示力（プロンプトスキル）」も自然に身につく。AIに評価軸と出力形式を明示する行為そのものが、プロンプトエンジニアリング研究で「批判的オンライン推論」と呼ばれるメタ認知スキルの練習だからだ²。

つまりこのロードマップは、テキストの伝達力・構造化力・AI活用力という3つを1つの習慣で同時に育ててくれる。最初の一歩は「明日、いつもスタンプで返していたチャット1通を、自分の言葉で書く」だけでいい。

本記事では、(1) なぜ「書かない」が真因なのかをデータで確認し、(2)〜(4) 各段階の具体的なやり方、(5) 業務テキスト別テンプレート、(6) 1週間で段階1→3まで進むロードマップ、(7) よくある反論への応答——の順に進める。

1. 真因：「下手になった」のではなく「そもそも書かなくなった」

1.1 「書かないための手段」が業務に溢れている

業務の現場を観察すると、文章を書かずに済ませるための手段がいたるところに揃っている。

• 絵文字・スタンプ・リアクション：チャットの返信は👍やスタンプ1個で完結する
• 超短文の定型句：「了解です」「ありがとうございます」「承知しました」「お疲れ様です」
• 音声・通話・画面共有：「文字だと伝わらないので通話しましょう」「画面共有しながら説明します」
• 過去テンプレの使い回し：メールも報告書も「前回のコピペ＋数字差し替え」で出来上がる
• AI代筆：プロンプト1行で報告書もメールも提案書も生成できる
• 動画・スクリーンレコーディング：Loom等で録画して送れば文章不要

これらは業務効率の観点では合理的な選択であり、個別に見れば何ひとつ間違っていない。雑談チャットで絵文字を使うのは適切だし、込み入った技術議論を通話で済ませるのも理にかなっている。問題は個別の手段ではなく、全体として「自分の言葉で文章を組み立てる」という認知的負荷の高い活動が、業務から完全に抜け落ちていることだ。週単位で振り返って「3文以上の文章を、自分の頭で構成して書いた回数」を数えてみると、ゼロに近い人が珍しくない。

つまりこの記事は「スタンプをやめろ」「通話をやめろ」と言いたいのではない。1日1場面だけ、本来書けたはずの場面を取り戻そうという提案である。

1.2 熟達研究：使わないスキルは静かに退化する

これが致命的なのは、「書く」という行為が意図的練習（deliberate practice）を要する高度な認知スキルだからだ。Ericsson らの一連の熟達研究³が示してきた通り、スキルは「使い続ける」ことで初めて維持・向上する。逆に言えば、実践機会が消えれば、能力は静かに退化する。

ここで肝心なのは「下手になった」という意識的な感覚は通常生じない、ということだ。人は能力低下を直接感じない——感じるのは、たまに長文を書こうとしたときの「異様な書きにくさ」や、書いたあとに「あれ、伝わってない」という結果だけである。書く機会が減ったからこそ、それに気づく機会自体も減る。

1.3 過大評価バイアスが負のスパイラルを加速する

さらに悪いことに、人間の認知には根本的なバイアスがある。Kruger（ニューヨーク大学）と Epley（シカゴ大学）らが2005年に Journal of Personality and Social Psychology に発表した古典的研究⁴は、メール送信者がトーンの伝達能力を約20ポイント過大評価することを実証した。

代表的な結果として、皮肉・真面目・面白さなどのトーンを伝えるタスクで、

• 音声でのコミュニケーション：実際の正答率約75%、送信者の予想約78% → ほぼ一致
• メールでのコミュニケーション：実際の正答率約56%、送信者の予想約78% → 大きな乖離

原因は自己中心性バイアス（egocentrism）である⁴。人は自分の意図に基づいて文章を読み返してしまうため、意図を知らない受け手の解釈を想像できない。

このバイアスは「書く頻度」と独立に存在する。だからこそ書く頻度が減ると、たまに書いた文章はますます伝わらなくなる——という負のスパイラルが起きる：

1. 書かない → 書く筋力が衰える
2. たまに書く → 自己中心性バイアスでさらに伝わらない
3. 「やっぱりテキストは伝わらない」 → ますますスタンプ・通話・AI代筆へ
4. 1に戻る

1.4 日本のデータも同じ傾向

国内の同時代データも整合的だ。キーボードアプリSimejiが2024年3月に実施し（n=3,516、Z世代と25歳以上の男女）、Steenzが報じた調査によれば、文字でのやり取りで「思いが伝わらないことがよくある／たまにある」と回答した人は57.7%で、音声（30.2%）の約1.9倍に達した⁵。理由として最も多かったのは「感情やニュアンスが伝わりにくいから」——Kruger & Epleyの実験結果と整合する。

注目すべきは、この調査が「テキストツールから離れて音声へ」という選好を示している点だ。これは「書かなくなる」スパイラルそのものを観測している可能性がある。

1.5 だからこそ、3段階で取り戻す

スパイラルを反転させるのに必要なのは、書く頻度を取り戻すことである。それも、いきなり完璧な構造化を目指すのではなく、まず「書く」という行為そのものを業務に戻す——そこから順に育てていけばよい。

次章から、段階1（まず書く）→段階2（構造化）→段階3（AIレビュー）→副産物としての段階4（プロンプト力）の順に、無理のない進化のロードマップを示す。

2. 段階1：まず「書く」を取り戻す（フォーマット自由）

2.1 「自分の言葉で文を組む」だけでいい

最初の段階はとてもシンプルだ。スタンプ・通話・AI代筆で済ませていた1場面を、1日1回だけ「自分の言葉で書く」に置き換える。

文体は何でもいい。砕けていてもいい。絵文字を入れてもいい。長くなくてもいい。やってほしいのは、「自分の頭で文章を組み立てる」という認知活動を1日1回行うことだ。

具体例：

普段やっていること	段階1で置き換える
👍スタンプ1個	「ありがとうございます！助かりました🙌」
「了解です」	「了解です。今日中に対応して、夕方までに結果共有しますね」
「通話で説明します」	「文字でまず説明してみますね。要点は3つで……」と書いてみる
AIに「議事録まとめて」	まず自分で3行サマリを書いてみる

2.2 段階1で得られるもの

これだけで負のスパイラルは反転し始める。Ericsson の意図的練習論³の中核は「実践機会の確保」であり、フォーマットの正しさより頻度が一次的に効く。

具体的に得られる効果：

• 書くことへの心理的抵抗が減る——「書く」という行為自体が日常に戻る
• 語彙が動き出す——使っていなかった表現が思い出されてくる
• 自分の思考が言語化される——書くと、考えていることの解像度が上がる

ここではAIレビューも、PREP法も、まだ不要である。とにかく「書く」だけ。3〜5日ほどこれを続けて、書くことへの抵抗が減ってきたら次の段階へ進む。

2.3 砕けた文体は「劣化版」ではない

カジュアルな文体に「ちゃんとした文章を書けていない」と罪悪感を持つ必要はまったくない。共感メッセージや雑談チャットでは、砕けた文体のほうが文脈に合った正しい選択だ。

問題は文体の格式ではなく、スタンプ1個で代替してしまって自分の言葉が一切出てこないことである。砕けた一文でも、自分の言葉で書いていれば書く筋力は維持される。

3. 段階2：徐々に「構造化」を試す（PREP / BLUF）

3.1 構造化が必要な場面、不要な場面

書くことへの抵抗が減ってきたら、次はロジカルな伝達が必要な業務テキストにだけ構造化を導入する。すべてのテキストを構造化する必要はない。

種類	割合（目安）	推奨フォーマット
ロジカルな伝達（依頼・報告・提案）	約8割	構造化（PREP/BLUF）
共感・雑談・カジュアル	約2割	砕けた文体で「自分の言葉で」書く

8割の業務テキストにだけ、構造化を導入する。それが段階2である。

3.2 PREP法の4要素

PREP法は次の4つから構成される伝達フレームである⁶⁷。

順序	要素	役割
1	Point	結論・要点を最初に提示
2	Reason	なぜそう言えるかの理由
3	Example	理由を裏付ける具体例・データ
4	Point	結論を再確認して締める

3.3 米軍版：BLUF（Bottom Line Up Front）

「結論先出し」の有効性は日本のビジネスメディア界隈に限った話ではない。米軍は同じ原則を BLUF（Bottom Line Up Front）として標準化しており、海軍・海兵隊・陸軍・空軍の各兵科で採用されている⁸。BLUFは「忙しい・時間制約のある・情報過多の受け手がより速く意思決定できるようにすること」を目的とする⁸。

PREPとBLUFは細部の構成が異なるが、共通する核は結論を冒頭に置くことだ。これが時間制約下での意思決定を加速する——という洞察が、ビジネスと軍事という独立した領域で同時に発見されてきた事実は、この原則の頑健性を示している。

3.4 ビフォーアフター（報告シーン）

makefri.jpが示す典型例⁷を要約すると次のような対比になる。

Before（PREP不在）：部下が事情説明から始める。「実は今朝お客様からクレーム対応の依頼がありまして、それで急遽そちらを優先することになり……」上司は「で、会議資料の印刷はどうなったの？」と何度も問い返す。

After（PREP適用）：「会議資料の印刷はまだ着手できていません（P）。クレーム対応を優先したためです（R）。具体的には10時にA社から問い合わせが入り、11時に折り返しを約束しています（E）。印刷は午後の会議前までに必ず終わらせます（P）。」上司は一度で全体を把握できる。

長さはほぼ同じでも、情報の到着順を変えるだけで再質問が消える。Kruger & Epleyの実験で見た「解釈の余地」を、構造の側で潰しているのだ。

3.5 段階2で得られるもの

• 再質問が減る——上司・同僚・顧客から「で、結論は？」と聞かれなくなる
• 意思決定が早くなる——受け手が冒頭で全体像を掴めるため、判断が速い
• 書く時間が短くなる——型があると迷いが減り、構成にかける時間が圧縮される

ここまで来れば、書くこと自体への抵抗はほぼなくなり、構造化が自然に頭の中で走るようになる。次の段階3で、いよいよAIを評価役に引き入れる。

4. 段階3：AIレビューを組み込む（30秒の閉ループ）

4.1 閉ループの流れ

flowchart TB
    A[書きたい用件が発生] --> B[PREPで下書き]
    B --> C[生成AIに<br>明確な観点で<br>レビュー依頼]
    C --> D{指摘あり?}
    D -->|あり| E[指摘を踏まえて<br>自分で書き直す]
    D -->|なし| F[最終トーン調整<br>感情・敬意・絵文字]
    E --> F
    F --> G[送信]
    G --> H[次回テキストに<br>学びを反映]
    H --> A

ポイントは「AIに直接書き直させない」こと。AIには評価者（レビュアー）の役割を割り当て、書き直しは自分で行う。

4.2 AIフィードバックの効果はメタ分析で確認されている

「AIにレビューさせると本当に書く力が伸びるのか」という疑問には、教育研究分野で蓄積された自動ライティング評価（Automated Writing Evaluation, AWE）研究が答えてくれる。

Fleckensteinらが2023年に Frontiers in Artificial Intelligence に発表した3レベル・メタアナリシスは、20研究・84効果量・学習者2,828名を分析した¹。主要結果は次の通り。

条件	効果量 g	解釈
全体効果	0.55	中〜大
L2学習者	0.72	大
L1学習者	0.40	中
長期介入（2回以上）	0.66	大
短期介入（1〜2回）	0.18	小
転移課題（新しい状況での書き方）	0.65	大・有意

特筆すべきは「転移課題で大きな効果（g = 0.65）」という発見だ¹。AIフィードバックを受けた学習者は、フィードバック対象だった文章だけでなく、別の新しい文章でも改善が見られた。これは「AIに直してもらうだけ」ではなく書き手自身のスキルが伸びていることを示す決定的な証拠である。

別のメタ分析（Zhai & Ma 2023, Journal of Educational Computing Research）も、26研究・2,468名を対象に全体効果量 g = 0.861という大きな効果を報告している⁹。

なおこれらのメタ分析の対象は学校教育（特に第二言語学習）の文脈であり、ビジネスパーソンの業務テキストへの転移は厳密には別問題だ。とはいえ「即時フィードバック × 反復練習」という根本原理³は学習文脈と業務文脈で共通する人間の認知特性に基づくため、効果の方向性は業務テキストにも汎化可能と考えられる。効果サイズの数値そのものではなく、「フィードバックを受けて自分で書き直すと書き手のスキル自体が伸びる」という質的な発見を重視したい。

4.3 ChatGPTフィードバックの強みと限界

LLMに絞った研究もある。Steiss らが2024年に Learning and Instruction に発表した研究¹⁰は、人間とChatGPTのフィードバック品質を比較した。

• 人間のフィードバックが品質で優位——5軸中4軸で人間が高評価
• ただしChatGPTとの差は控えめで、時間効率を考慮すると実用的価値は高い
• ChatGPTは表層機能（mechanics, grammar, tone, formatting）の改善に強い
• 内容や論理構成といった高次の側面ではChatGPTの効果は限定的

業務テキストの大半は「既存の事実・依頼・報告を明確に伝える」ことが目的なので、表層機能の改善で十分カバーできる用途が多い。内容そのものは書き手の専門知識で担保すべき領域である。

4.4 段階3で得られるもの

• 30秒で第三者視点のフィードバックが手に入る——これまで上司レビュー待ちで数時間〜数日かかっていたものが即座に
• 意図的練習の3要件（目標・基準・即時フィードバック）が揃う³——日常のテキストが「練習」に変わる
• 送信前に「自己中心性バイアス」を機械的に補正できる⁴——書いた本人には見えない曖昧さを指摘してもらえる

5. 段階4：副産物として「AIへの指示力」が育つ

5.1 レビュー依頼プロンプトはプロンプトリテラシーそのもの

段階3を続けていると、ほぼ自動的に4つ目のスキルが育つ——プロンプトエンジニアリング能力である。

プロンプトエンジニアリング研究の最前線では、PEを単なるテクニックではなく21世紀のリテラシーとして位置づける議論が進んでいる。Federiakinらが2024年に Frontiers in Education に発表した論文²は、PEを構成する4要素を次のように整理した。

1. 基本的なプロンプト構造の理解：指示・文脈・入力データ・出力指標の4要素を含める能力
2. プロンプトリテラシー：曖昧性の回避、適切な文脈の提供、複雑さのバランス
3. プロンプティング方法：Few-shot、Chain-of-Thought など
4. 批判的オンライン推論（Critical Online Reasoning, COR）：LLM出力の品質を評価し、さらなる改善の必要性を判断するメタ認知スキル

レビュー依頼プロンプトはこの4要素のすべてを要求する。たとえば次の2つを比べてほしい。

• ❌ 弱い指示：「このメールどう思う？」
• ✅ 強い指示：「このメールをPREPの観点でレビューしてください。(1) Pointが冒頭にあるか、(2) Reasonが具体か、(3) Exampleに数字や固有名詞があるか、(4) 末尾Pointが行動喚起になっているかの4点で評価し、不足があれば該当箇所と改善案を提示してください。書き直しは不要です。」

5.2 業務テキストレビューがそのまま「日常のプロンプト練習」になる

業務テキスト1通ごとに後者を書く練習を積めば、

• 評価軸の明示（何を見てほしいか）
• 出力フォーマットの指定（OK/要改善＋1行コメント）
• タスク範囲の限定（書き直しは不要）

——というプロンプトリテラシーの中核要素が、日常業務の中で自然に身につく。プロンプトエンジニアリング講座を別途受ける必要はない。1日1通のレビュー依頼が、そのまま1日1回のプロンプト練習になっている。

5.3 段階4で得られるもの

• AIに何を頼んでも狙い通りの出力が得られるようになる——コーディング支援、調査、要約など他のタスクでも質が上がる
• メタ認知が育つ²——「自分は何を判断したいのか」を言語化する習慣
• AI活用の費用対効果が劇的に上がる——同じAIを使っても、得られる価値が桁違いに

6. 業務テキスト別テンプレート集（段階2〜3向け）

ここからは段階2〜3で使える具体テンプレートをまとめる。コピペしてすぐ試せる。

6.1 ビジネスチャット（Slack / Teams）

PREPテンプレート：

[P] 〇〇について、結論として△△です。
[R] 理由は□□のためです。
[E] 具体的には〜（数字・日時・固有名詞）。
[P] つきましては××をお願いします（または、対応は〜の予定です）。

AIレビュー用プロンプト：

以下のチャットメッセージを、PREP法の観点で30秒以内にレビューしてください。

[評価軸]
1. 結論が冒頭1文で読み取れるか
2. 理由が「忙しいから」「念のため」など曖昧表現になっていないか
3. 具体例に数字・日時・固有名詞があるか
4. 受け手のアクション（何をしてほしいか）が明確か

[出力形式]
各評価軸について「OK/要改善」と1行コメント。書き直し不要。

---
（ここに下書きを貼る）

6.2 業務メール

PREPテンプレート（社外向け）：

件名：【ご相談】〇〇の件（要返信：4/30まで）

〇〇株式会社 △△様

いつもお世話になっております。□□です。

[P] 標記の件、〜〜について4月30日までにご回答いただきたくご連絡しました。
[R] 理由は、〜〜のスケジュールがこの日付に依存しているためです。
[E] 具体的には、5月1日にキックオフを予定しており、それまでに××の確定が必要です。
[P] 恐れ入りますが、4月30日17時までにご返信いただけますと幸いです。

よろしくお願いいたします。
□□

AIレビュー用プロンプト：

以下のビジネスメールをレビューしてください。

[評価軸]
1. PREP構造が機能しているか（特にPointと締めPの一致）
2. 件名で「何を、いつまでに、誰が」が把握できるか
3. 依頼内容の期日・粒度が具体か
4. 敬語の過不足・冗長表現はないか

[出力形式]
各評価軸について判定と1〜2文の指摘。修正案は不要。

---
（ここに下書きを貼る）

なお生成AIをビジネス文書のテンプレ生成や草案改善に使う運用は、業務別プロンプト集として既に多数公開されている¹¹。本メソッドはそれを「自分の下書きにレビューだけ依頼する」形に絞ることで、書く筋力を残しつつAIの即時性を享受する。

6.3 報告書・週次レポート

PREPテンプレート：

【週次サマリ（4/22-4/28）】
[P] 今週の結論：A機能の本番リリースは予定通り、B施策はKPI未達。
[R] 理由：Aは検証で重大バグなし。Bは想定セグメントの反応が低かった。
[E] 具体：Aリリース後エラー率0.2%（基準0.5%以下）。Bは想定CTR3%に対し実績1.1%。
[P] 来週アクション：A継続監視、Bは仮説を「セグメント誤り」に絞り再設計。

AIレビュー用プロンプト：

以下の週次レポートを、上司視点でレビューしてください。

[評価軸]
1. 冒頭Pointだけで「順調か / 要対応か」が判別できるか
2. ReasonとExampleで「なぜそう言えるか」がデータで裏付いているか
3. 来週アクションが「やること（動詞）」と「期日」で書かれているか
4. 上司が追加質問しなくても判断できる粒度か

[出力形式]
各評価軸について「OK/要改善」と理由1文。書き直し不要。
最後に、上司が抱きそうな追加質問を3つだけ列挙。

---
（ここに下書きを貼る）

最後の「追加質問を列挙させる」プロンプトは、読み手の視点を強制的にAIに代行させる仕掛けで、Kruger & Epleyが指摘した自己中心性バイアス⁴を機械的に補正する効果がある。

7. 1週間で段階1→3まで進むロードマップ

7.1 完璧を狙わず、段階を踏む

AWEメタ分析でも、長期介入（g = 0.66）が短期（g = 0.18）より効果的だった¹。最初から大改造を狙わず、段階を踏むのがコツだ。

日	段階	アクション
Day 1	段階1	普段スタンプで返していた1場面を「自分の言葉」で書く（文体自由）
Day 2	段階1	「ちょっと通話で」と言いそうな話題を、あえて文章で書ききる
Day 3	段階1	AI代筆で済ませていたメール1通を、自分で下書きしてみる
Day 4	段階2	報告系テキスト（日報・週報）でPREPテンプレートを試す
Day 5	段階2〜3	段階2で書いた下書きを、AIにレビュー依頼してみる
Day 6	段階3	レビュー後の「自分で書き直す」工程を意識的にやる
Day 7	段階3〜4	プロンプトをコピペ運用から自分の言葉に書き換える

ポイントは「全テキストでやろうとしない」こと。1日1通でも、1週間で7通の意図的練習が積み上がる。スタンプ・通話・AI代筆で済ませていた7場面を「自分で書く」に置き換えるだけで、消えていた書く機会が戻ってくる——意図的練習研究³の核心はまさにここにある。

7.2 30秒に収めるコツ

• AIチャット画面を常時開いておく（タブやデスクトップアプリで固定）
• レビュー用プロンプトをスニペット化（テキスト展開ツール、エディタのスニペット、スマホの辞書登録）
• 書き直しは1パスで終える——AIの全指摘に応えようとせず、最重要な1〜2点だけ反映

8. よくある反論への応答

8.1 「AIを使うとニュアンスが消えて人間味が失われる」

このメソッドはAIに代筆させない設計になっている。AIは評価役で、最終的なトーン（敬意・感謝・絵文字・一言の気遣い）は必ず人間が乗せる。Steiss らの研究¹⁰も、ChatGPTフィードバックが表層機能の改善には強いが内容や論理構成では限定的と報告しており、感情のニュアンスや関係性に基づくトーン調整は人間の専門領域として残る。

実例：AIレビュー後に「最後に『お忙しいところ恐れ入りますが』を1行追加」「相手の最近の話題に触れる1文を冒頭に置く」といった微調整を必ず行うルールを自分に課す。むしろ構造をAIに整えてもらうことで、人間の脳のリソースを「人間味を入れる工程」に振り向けられる。

8.2 「PREPは堅苦しくて毎回面倒」

最初の3日はそう感じる。だが上記テンプレートをコピペで使い始めれば、4日目以降には型が頭に入り、テンプレなしでもPREP順に思考が走り始める。米軍がBLUFを標準化している事実⁸からも分かるように、結論先出しは「忙しい受け手」の意思決定を加速するための合理的な型であって、堅苦しさを目的としたものではない。

8.3 「チームのテキスト文化に合わない」

このメソッドは個人レベルで完結する。チームの慣習を変える必要はない。むしろ自分のテキストが明確になれば、自然に「あの人の報告は読みやすい」と評価され、結果としてチーム全体に浸透していく。導入の合意形成は不要、成果が説得力になる。

8.4 「AI依存で自分の文章力が衰える」

AIを代筆者として使えばその懸念は妥当だ。だが本メソッドはAIを評価者に限定する。AWEメタ分析¹で確認されたように、フィードバックを受けた学習者は転移課題（=新しい状況での書き方）でも g = 0.65 という大きな効果を示した。これは書き手自身のスキルが伸びている証拠であり、依存ではなくフィードバックループの強化である。

8.5 「常にかしこまった文章を書くプレッシャーが辛い」

その感覚は正しい。すべてをPREPで書くのは過剰反応であり、むしろ「書かない」を促す逆効果になりかねない。本メソッドの対象はロジカルな伝達が必要な業務テキスト（おおよそ8割）だけであり、雑談・共感・カジュアルなチャットは砕けた文体で構わない。

重要なのは「PREPかどうか」ではなく「自分の言葉で書いたかどうか」だ。たとえば「リリースお疲れさまでした！助かりました🙌」のような砕けた一文も、スタンプ1個で済ませる代わりに自分で書いていれば、書く筋力は維持される。書く頻度を取り戻すことが一次目標で、構造化はそのうちの8割に適用するサブルールに過ぎない。

まとめ

このロードマップで段階を踏んで進化していくと、結果として次の4つが1つの習慣で同時に育つ。

段階	取り組み	得られる力
段階1	1日1場面を「自分の言葉で」書く	書くことへの心理的抵抗の消失、語彙の復活
段階2	ロジカルな業務テキストにPREP/BLUFを導入	再質問の減少、意思決定の高速化、書く時間短縮
段階3	AIに30秒レビューを依頼	第三者視点の即時フィードバック、自己中心性バイアスの補正
段階4（副産物）	評価軸を明示するレビュー依頼を書き続ける	プロンプトリテラシーの中核能力、メタ認知の向上

副次的に得られる成果：

• 上司から「で、結論は？」と聞かれなくなる
• 顧客への提案メールの返信率が上がる
• AIに何を頼んでも狙い通りの出力が得られる
• 議事録の要約、技術調査、コーディング支援など他のAI活用も質が上がる
• 「あの人の文章は読みやすい」と社内で評価される

そしてこのすべてが、最初の一歩は「明日、いつもスタンプで返していたチャット1通だけを、自分の言葉で書く」から始まる。完璧を狙わず、まず段階1から。1週間後には段階3に、1ヶ月後には段階4の効果が見えてくる。

関連記事

このテーマに関連する他の記事もご覧ください：

• 言語化が苦手なエンジニアのためのブログの書き方 — AIと対話して思考を整理する基本姿勢
• Chad Thieleの「55 Prompting Strategies」完全ガイド — プロンプト戦略の体系的レパートリー
• プロンプトを書かない熟練者——メタプロンプティング — AIにプロンプトを書かせる次の段階
• エビデンスベース執筆のコスト構造 — AIで短縮できる作業とできない作業の見極め

参考資料

本文中の引用番号に対応する参考資料を番号順に記載しています。

1. Automated feedback and writing: a multi-level meta-analysis of effects on students’ performance - Fleckenstein, J., Liebenow, L. W., & Meyer, J. (2023). Frontiers in Artificial Intelligence. 20研究・84効果量・学習者2,828名の3レベル・メタアナリシス。自動ライティングフィードバックの全体効果量 g = 0.55、長期介入で g = 0.66、転移課題で g = 0.65。【信頼性: 高】（査読済みメタ分析） ↩︎ ↩︎² ↩︎³ ↩︎⁴ ↩︎⁵

2. Prompt engineering as a new 21st century skill - Federiakin, D., Molerov, D., Zlatkin-Troitschanskaia, O., & Maur, A. (2024). Frontiers in Education. プロンプトエンジニアリングを21世紀のリテラシーとして位置づけ、(1) 基本構造理解、(2) プロンプトリテラシー、(3) プロンプティング方法、(4) 批判的オンライン推論——の4要素で構成される能力体系を提示。【信頼性: 高】（査読済み学術論文） ↩︎ ↩︎² ↩︎³

3. Deliberate practice and acquisition of expert performance: A general overview - Ericsson, K. A. (2008). Academic Emergency Medicine, 15(11), 988–994. 意図的練習の構成要素として、明確な学習目標、測定可能な達成基準、即時フィードバック、教師/コーチによる活動設計を提示。即時フィードバックが「専門能力の差を説明する最も重要なタスク特性」と位置づけられている。【信頼性: 高】（熟達研究の代表的レビュー論文） ↩︎ ↩︎² ↩︎³ ↩︎⁴ ↩︎⁵

4. Egocentrism over e-mail: Can we communicate as well as we think? - Kruger, J., Epley, N., Parker, J., & Ng, Z. W. (2005). Journal of Personality and Social Psychology, 89(5), 925–936. 5つの実験を通じて、メール送信者は意図したトーン（皮肉、真面目、面白さなど）の伝達能力を過大評価することを実証。代表値として、トーン伝達タスクでメール正答率が約56%なのに対し、送信者の予想は約78%だった。原因は自己中心性バイアス。【信頼性: 高】（査読済み学術論文、引用回数多数の古典） ↩︎ ↩︎² ↩︎³ ↩︎⁴

5. 半数以上の人が思いを伝えられなかった経験あり！テキストコミュニケーションの難しさ - Steenz編集部 (2024). キーボードアプリSimejiが2024年3月7日〜29日に実施した調査（n=3,516、Z世代と25歳以上の男女）の報道記事。文字でのやり取りで「思いが伝わらないことがよくある／たまにある」と回答した人は57.7%、音声では30.2%。【信頼性: 中】（一次データはアプリ運営企業の自社調査、Steenzは報じる二次情報源） ↩︎

6. PREP法とは？【例文付き】で相手に伝わる文章の練習方法を解説 - Chatwork株式会社 (2022). PREP法の定義（Point→Reason→Example→Point）とビジネスメール・チャットでの具体例。感情的な場面や長文作成には不向きという制限も明記。【信頼性: 中】（実務メディア） ↩︎

7. PREP法とは？相手に伝わるわかりやすい説明の構成【例文つき】 - makefri編集部 (2020). 業務報告・提案でのPREP法ビフォーアフター事例（クレーム対応の優先で印刷未着手のケースなど）。【信頼性: 中】（実務メディア） ↩︎ ↩︎²

8. BLUF (communication) - Wikipedia. 米軍が標準化した結論先出し型コミュニケーション原則「Bottom Line Up Front」の解説。海軍・海兵隊・陸軍・空軍で採用され、忙しい受け手の意思決定速度を上げることを目的とする。【信頼性: 中】（百科事典記事、原典の二次解説） ↩︎ ↩︎² ↩︎³

9. The Effectiveness of Automated Writing Evaluation on Writing Quality: A Meta-Analysis - Zhai, N., & Ma, X. (2023). Journal of Educational Computing Research. 26研究・参加者2,468名のメタアナリシス。AWEがライティング品質に与える全体効果量は g = 0.861、p < 0.001（大）。論証的ライティングで特に効果が大きく、L2学習者で効果増。【信頼性: 高】（査読済みメタ分析） ↩︎

10. Comparing the quality of human and ChatGPT feedback of students’ writing - Steiss, J., Tate, T., Graham, S., et al. (2024). Learning and Instruction. 形成的フィードバック5要素のうち4要素で人間レビュアーがChatGPTより高評価。ただし差は控えめ（modest）で、表層機能（mechanics, grammar, tone）改善ではChatGPTも有効。内容・高次思考では限定的。【信頼性: 高】（査読済み学術論文） ↩︎ ↩︎²

11. 生成AIプロンプト活用事例30選｜営業・人事・経理・マーケの業務別にそのまま使えるテンプレート - 株式会社Sei San Sei (2026). 業務メール・フィードバック作成時のAIプロンプト例30選。クレーム対応メール、人事評価コメント、社内通知などの業務別テンプレートを提示。【信頼性: 中】（実務メディア） ↩︎