「思った通りの構図にならない」を終わらせる、AI画像生成プロンプトの4層分解術

「猫が窓辺で本を読んでいる、幻想的な雰囲気で」

そう打ち込んで出てきたのは、なぜか正面から撮ったような棒立ちの猫と、意味不明にぼやけた背景。もう一度、今度は言葉を足してみる。「幻想的で、美しく、高品質で、アートワーク風に」——出てくるのは相変わらず"それっぽいけど狙った絵じゃない"何か。

これ、画像生成AIを触ったことがある人ならほぼ全員が通る道だと思います。

私自身、AI画像生成を使い始めた頭は「とにかく形容詞を盛れば良い画が出る」と思い込んでいました。「cinematic」「masterpiece」「8K」「highly detailed」——それっぽい単語を並べれば並べるほど、なぜか画面はごちゃついて、逆に自分がイメージしていた構図から遠ざかっていく。あるとき試しに、頭の中にある絵をそのまま一文で書き下した長文プロンプトと、要素ごとに整理して短く区切ったプロンプトを同じモデルで比べてみたら、後者のほうが明らかに狙いに近い絵が出てきました。単語の量ではなく、「何を」「どの順番で」「どう分けて」書くかが結果を左右していたわけです。

この悩みが消えない理由

画像生成AIのモデルは半年に一度くらいのペースでどんどん進化しています。解像度は上がり、手や指の破綻も減り、テキストの描画精度も上がりました。それでも「思った通りの構図にならない」という悩みそのものは、モデルが新しくなっても一向になくなりません。

理由はシンプルで、これはモデルの性能問題ではなく、人間側の言語化の問題だからです。どれだけ賢いAIでも、こちらが「幻想的な感じで」としか伝えていなければ、AIは無数にある「幻想的」の解釈の中からどれか一つをランダムに選ぶしかありません。頭の中にはっきりとした構図のイメージがあるのに、それを言葉に変換する手順を持っていないと、どんなに高性能なモデルを使っても再現性のある画像は作れないのです。

つまりこれは「Midjourneyの使い方」でも「GPT Image 2の使い方」でもなく、画像生成AIというジャンル全体に通用する、プロンプトの書き方そのものの話です。今使っているツールが半年後に別のツールに置き換わっても、この記事で扱う考え方はそのまま使えます。

こんな場面に心当たりはありませんか

• SNS投稿用に「カフェでノートPCを開いている女性、朝の光」という画像が欲しいのに、出てくるのは謎に暗い夜のシーンだったり、人物が真正面ドアップだったりする

• クライアントから「もっと引きの構図で、全身が見えるように」と言われても、プロンプトのどこをどう直せばいいのか分からず、単語を足したり削ったりを繰り返すだけで時間が溶けていく

• 「いい感じの一枚」はたまに出せるのに、狙って同じ質のものを二度目・三度目に再現できない

• 参考画像を見せられて「こんな感じで」と言われるが、それを自分の言葉に翻訳する方法が分からず、結局「なんとなく近い」もので妥協してしまう

こうした場面に心当たりがある人にとって、プロンプトを整理する「型」を持つことは、単なるテクニック以上の意味を持ちます。感覚に頼った試行錯誤から、再現性のある手順に切り替えられるからです。

この記事が向いていない人

一方で、次のような方にはこの記事はあまり向いていません。

• すでに自分なりのプロンプト構成のルールを確立していて、狙った構図をほぼ安定して出せている人（この記事は「型がまだない人」向けの整理であり、上級者には目新しさが少ない可能性があります）

• 特定モデル（例えばMidjourneyの--arや--oref（旧--cref）のような固有パラメータ）の細かい使い方を知りたい人。この記事は特定モデルの操作マニュアルではなく、どのモデルにも共通する「考え方の分解」を扱います

• 偶然性やランダム性を楽しみたい人。あえて狙わずに「AIが出してくるもの」を面白がるスタイルで使っている場合、構図をコントロールする手順はむしろ楽しさを削ぐかもしれません

ここまで読んで「まさにこれで困っている」と感じた方に向けて、ここから先で具体的な分解手順を解説します。

ここから先は、実際に使える「4層分解」の手順と、私が試行錯誤する中で気づいた落とし穴を書いています。

プロンプトを「4層」に分けて書く