最適化は多くの場合、「仕様が不十分な」質問を特定することから始まります。選択肢Bの「全国コンテストで優勝するための選考プロセスは何ですか？」は、必要なコンテキストがほとんど欠けているため、改善の有力候補です。AIにとって「全国コンテスト」とは、カナダの高校のスペリング大会から、アメリカのプロボディビル大会、イギリスの宝くじまで、あらゆるものを指す可能性があります。国、業界、コンテストの種類がわからない場合、AIの回答は純粋に理論的なものとなり、おそらく役に立たないでしょう。
効果的なプロンプト設計には、ユーザーがこれらの「情報ギャップ」を埋める必要があります。このプロンプトを最適化するには、ユーザーは特定の分野（例：「科学フェア」）、特定の国、および特定の対象者また​​はレベルを含める必要があります。オプションAとDは非常に具体的（都市、州、または年を指定）であり、オプションCは明確な対象者（大学生）を示していますが、オプションBは生成モデルが意味のある最初のドラフトを提供するには曖昧すぎます。専門的な環境では、このような曖昧なプロンプトを使用すると、「プロンプトのずれ」が発生し、AIがユーザーが尋ねようとした質問とは異なる質問に対して正しい回答を提供してしまうことになります。

高品質で正確な広告を実現するには、強調すべき機能のリストを与えるのが最も効果的な解決策です。迅速なエンジニアリングでは、これは「入力データ」または「グラウンディング」として知られています。具体的な機能のリストがない場合、AI はスポーツ ウォッチの機能について「幻覚」を起こす可能性が高くなります。
100日間のバッテリー寿命や内蔵レーザーなど、実際には製品に搭載されていない機能。
具体的な仕様リスト（例：「GPSトラッキング、心拍数モニター、50m防水、サファイアガラス」）を提供することで、ユーザーはAIに広告作成に必要な素材を提供します。これにより、AIの役割は「架空のライター」から「クリエイティブエディター」へと変化します。AIは、技術的な仕様を考案するのではなく、説得力のある言葉遣いや構成に集中できるようになります。これは、マーケティングチームにとって標準的なプロフェッショナルなアプローチです。プロンプトを使って「事実」を確立し、AIに「センス」を任せるのです。こうすることで、結果として得られるテキストは、クリエイティブであると同時に事実に基づいたものとなり、あらゆる商業広告にとって最も重要な要件を満たします。

説明責任の原則は、AIシステムの行動の結果に対して責任を負う特定可能な人物または組織が存在しなければならないという要件を中心としています。AIシステムがより自律的になるにつれて、
「責任の所在の不明確さ」は、重大な倫理的リスクとなる。説明責任を確立するには、AIが誤りを犯した場合（例えば、誤った医療診断や偏った金融判断など）、救済、説明、是正のための仕組みを確保するための、法的、組織的、技術的な明確な枠組みを構築する必要がある。
迅速なエンジニアリングの文脈では、説明責任はしばしば「人間が関与する」システムを通じて管理される。
これにより、AIが初期草案や意思決定ロジックを生成する場合でも、最終的な結果を「承認」する権限は人間にあることが保証されます。説明責任には、「監査可能性」、つまり第三者がAIのログや意思決定履歴を検証できる能力も含まれます。説明責任がなければ、AIの導入は「組織的無責任」につながり、システム障害が発生しても誰も責任を取らない事態になりかねません。AIプロジェクトのライフサイクルに説明責任を組み込むことで、組織は自社とユーザーを保護し、テクノロジーが検証されていないブラックボックスではなく、人類の進歩のためのツールとして機能することを保証できます。

人工知能、特に膨大な量の公開コードで学習された大規模言語モデル（LLM）は、コード修正の提案において非常に高い能力を発揮するようになりました。コードは本質的に構造化されており、厳密な論理的および構文的規則に従うため、このタスクはAIに適しています。AIはコードスニペットを分析し、非効率性を特定し、潜在的なバグを検出し、同じ結果を達成するためのより「Pythonらしい」または最適化された方法を提案できます。これはしばしば「AI支援開発」または「AIコパイロット」と呼ばれます。AIは確かにスクリプトにコメントを追加できますが、これはコード修正に関わる複雑なロジックに比べると比較的低レベルのタスクです。プロジェクト構造の指定やユーザーテストの実施には、多くの場合、AIが現在全体的な意味で欠いている、高度なアーキテクチャ理解と人間中心のフィードバックが必要です。
変更提案とは、AIがコードの意図を「理解」し、次の論理的な流れを予測したり、問題を解決するためのより良いアルゴリズムを特定したりすることを意味します。この機能により開発ライフサイクルが大幅に加速され、開発者は高レベルのロジックに集中でき、AIは定型コードの処理や最適化の提案を担います。高品質なソフトウェアライブラリに見られるコードパターンの統計的尤度を活用することで、開発者の意図と実際の機能実装との間のギャップを埋めます。

プロンプトに詳細な説明を組み込むことは、プロンプト設計における基本的な手法であり、ユーザーのニーズをより的確に表現することにつながります。ユーザーが詳細な情報を提供することで、AIに対して自身のメンタルモデルを明確に伝えることができます。生成型AIモデルは、入力された情報に基づいて統計的に最も可能性の高い応答を予測することで機能します。そのため、入力が具体的であればあるほど、AIはユーザーの意図に「固定」されていきます。詳細な説明は曖昧さを解消し、AIがユーザーの意図を「推測」する必要がなくなるようにするのに役立ちます。
例えば、「事業計画」を求める代わりに、業界、ターゲット層、資金調達目標、具体的な競争優位性などを詳細に記述することで、AIはユーザーの要求に正確に合致した出力を得ることができます。詳細な指示は、特定の種類のエラー（オプションB）を減らすのに役立つ場合もありますが、その最大の強みはコミュニケーションの明確さにあります。漠然としたアイデアと具体的な成果物の間のギャップを埋めることができるのです。実際のアプリケーションでは、AIが最初から明確な要件セットを受け取るため、最終製品に到達するまでに必要な反復回数が減り、より有用でカスタマイズされた結果が得られます。