SEが、画像生成AIと
格闘した話。

SEの仕事は仕様を言語化することに近い。要件を整理して、条件を明記して、「こう動くべきだ」を文章にする。その訓練は積んでいるつもりだった。だからプロンプトもうまく書けるはずだと思っていた。

実際は違った。プログラムの仕様と画像のプロンプトは、必要とされる言語化の種類が根本的に異なる。「ふんわりした雰囲気で」「かっこいい感じで」——SEなら提案段階で突き返すような要件定義だが、自分が画像に持っているイメージはそのレベルのことしか言えなかった。

なぜか。明確なビジョンがないからだ。コードは「動く・動かない」で判定できる。絵は「なんか違う」しか言えない。その「違う」を的確に言語化する力——どこが違うのか、何がそう感じさせるのか——は、絵を描き続けてきた人には自然に身についている能力だ。コードしか書いてこなかった自分にはなかった。

生成を試みるたびに、ズレが出た。「もう少し暗めに」という指示が、想定の倍暗い出力になる。「右の要素を少し左に」が、全体の構図を変えてくる。「同じ雰囲気で別バージョン」が、全く別物を出してくる。

微修正が効かない理由は、AIが「絶対的な差分」ではなく「相対的な解釈」で動いているからだ。人間なら「ちょっとだけ」の意味がわかるが、AIには「ちょっと」の絶対的な基準がない。結果として、軽い修正指示が大きな変化を生む。コードのdiffとは違う世界の話だ。

また、生成AIは「前の状態」を参照しているわけではない。毎回ゼロから生成しているため、「さっきのに近い感じで少し直して」が意図通りに動かないことが多い。「修正」ではなく「再生成」が起きている。この違いを最初に理解していなかった。

失敗が続いたので、方向を変えた。「ピンポイントで狙う」のをやめて、「大量に生成して当たりを選ぶ」に切り替えた。同じプロンプトで何十枚も出して、使えそうなものだけ採用する。パチスロ的な発想だが、これは実際に機能した。

コストは高い。トークンが溶ける。ただ、微修正に何度も失敗するより効率的な場合がある。狙い撃ちより面でカバーした方が早いことがある——それはゲームのRNG攻略でも同じ考え方だ。

言葉だけでは伝わらないなら参考画像を渡す、という方法を試した。大まかなスケッチや雰囲気の近い画像と合わせてプロンプトを提供する。これは一定の効果があった。ただし問題が出た。

AIは渡された画像を、想定より忠実に参照する。「あくまでも参考」のつもりで粗い図を渡すと、その粗さごと反映されてくる。構図が雑なら出力も雑になる。「こんな感じ」と意図していた部分ではなく、「この形のまま」として処理される感覚があった。

出力を自分で手直しして再度渡す方法も試した。AIが出してきた画像を一部加工して「これに近い感じで」と渡す。これはうまくいくこともあったが、自分での手直しに時間がかかりすぎた。「AIを使って効率化する」のに「自分が一番手間をかけている」という逆転が起きた。

最終的にたどり着いたのは、順序の入れ替えだった。画像を生成する前に、AIと対話してコンセプトを先に言語化する。

具体的な手順はこうだ。まず、生成AIに「どんな画像にしたいか」を対話形式で整理してもらう。「どんな雰囲気が好きか」「何を強調したいか」「何は入れたくないか」を問答形式で引き出してもらう。この時点では画像を生成しない。コンセプトの言語化だけに集中する。

整理されたコンセプトをもとに、今度は「このコンセプトを画像生成AIに伝えるための最適なプロンプトを作って」と頼む。AIはこちらの意図を理解した上でプロンプトを生成してくれるため、自分で書くより精度が高い。そのプロンプトを画像生成AIに渡す。「イメージの言語化」にAIを使い、「画像生成」に別のAIを使う二段構えだ。

試行回数が大幅に減った。ガチャを回す前に「何を引きたいか」を整理する——当たり前の話だが、やっていなかった。