数日前、noteのタイトル画像を作っていたときのことです。

いつものようにYAMLでガチガチにプロンプトを組み立てて、生成ボタンを押す。返ってきた画像を見て、内心「うーん・・・」となりました。80行近く書いたのに、なんか違う。再生成を何度かして、それでも納得がいかない。

そこで一度すべて捨てて、思い切って15行ぐらいの自然文に書き直してみたんです。そうしたら・・・今までよりハイクオリティな画像が、しかも一発で返ってきました。

今日は、その過程で気づいた「GPT Image 2.0との付き合い方」を書いてみます。

力を入れて作るほど、なぜか質が下がっていた

ここ最近、私の画像生成プロンプトはどんどん長くなっていました。

配色、構図、ライティング、被写体の年齢や表情、入れる文字の位置、フォントの方向性、背景のディテール。全部YAMLで構造化して、書き漏れがないように積み上げていく。気がつけば1枚の画像のために80行ぐらいのプロンプトを書いていました。

「ここまで指示すれば、狙った画像が返ってくるはず」

そう思って生成ボタンを押すんですが、返ってくる画像は微妙にズレている。文字が想定と違う場所にある、配色のバランスが想定とちょっと違う、被写体の雰囲気が固い。

もう一回。もう一回。もう一回。

3回、4回と再生成しても、なぜかしっくりこない。気がつけば1枚の画像に30分かかっている。内心、「これだけ細かく指示してるのに、なんでだ」と悔しい気持ちになっていました😓

正直、徒労感がありました。指示が足りないのかと思って、さらに行を足す。すると、もっとズレる。「精緻に書くほど、逆に質が下がっていく」という、なんとも不思議なジレンマです。

試しに緩めにしたら、明らかに変わった

ある日、面倒臭くなって全部消しました。

YAMLの構造もやめて、メモ書きみたいな自然文で書き直す。配色の方向性、雰囲気、被写体、入れたい文字。それだけ。15行ぐらいです。

生成ボタンを押して、返ってきた画像を見て・・・

「あ、こっちの方がいいやん！」

文字の位置も自然、配色のバランスも整っている、被写体の表情も柔らかい。80行で何度も再生成していたものが、15行で一発でほぼ理想の画像が返ってきました。

数字で並べてみると、こんな感じです。

  • プロンプトの行数：約80行 → 約15行
  • 1枚あたりの作業時間：30分前後 → 10分前後
  • 再生成の回数：3〜4回 → 1〜2回

作業時間が3分の1になっています。

最初は偶然かと思いました。でもその後の数日、複数のタイトル画像を同じやり方で作っても、ずっと同じ手応えが続いている。これはたぶん、偶然じゃない。

なぜ「任せる」方がうまくいくのか、私なりに考えてみた

調べてみたら、GPT Image 2.0は2026年4月21日にOpenAIがリリースしたモデルでした。画像生成の前に「考える」ステップが入るのが大きな特徴のようです。OpenAIは公式ブログで「thinks before it draws（描く前に考える）」と紹介しています。テキスト系で使われている推論パイプラインを、画像生成にも統合したそうです。

OpenAI公式のプロンプトガイドにも、こんな一文がありました。

prioritize a skimmable template over clever prompt syntax （凝った構文より、サッと読めるテンプレを優先しよう）

ここを読んで、なるほどと思ったんです。

私が考えるに、シンキングができるモデルに対しては、こちらが構造を組みすぎると、AIの解釈の余地を奪ってしまうのかもしれません。指示の数を増やすほど、AIは「こうしてほしいんだな」を細かく追いかけるしかなくなる。逆に、意図と方向性だけを渡して「あとは考えて」と任せる方が、AIが持っている力を素直に引き出せる。

YAMLでガチガチに書いていた頃の私は、AIに対して「細かく言わないと分からないだろう」という前提で接していたんだと思います。今のGPT Image 2.0には、もうその前提が合わなくなっているのかもしれません。

GPT Image 2.0は、考えてから描いてくれるモデルです。そして、考える余地を残してあげた方が、考えるのが上手くなる。

力を抜いて、半分の量で試してみてほしい

もし今、画像生成のプロンプトを精緻化することに疲れているなら、一度プロンプトの量を半分にしてみてください。

いきなり80行を15行にする必要はありません。まずは「指示語の数を半分にする」「構造化の階層を1つ浅くする」ぐらいから始めるのがいいと思います。具体的には、こんな感じです。

  • 配色や雰囲気は書く。構図の細部は書かない
  • 被写体の特徴は書く。ポーズの細部は書かない
  • 入れたい文字は書く。フォントの方向性までは書かない

書かなかった部分はAIが考えてくれます。そして、案外その考えた結果の方が、自分が指定するよりも自然になっていることが多い。

少なくとも私の数日の体験では、「力を抜く方向への切り替え」は明らかに効きました。同じ画像生成という作業が、半分以下の時間で、より高い品質で仕上がるようになっています。

私と同じように「精緻に書いているのに、なぜか狙った画像が出ない」と感じている方がいたら、一度プロンプトを思い切って削ってみてください。失うものはないので。

試してみた の記事はこちらにまとめています。