はじめに：わずか28ドルのAI活用で「世界記録」が塗り替わる時代へ
ビジネスや開発の現場で、「もっと効率的な組み合わせはないか」「限られたリソースで最大の成果を出すにはどうすればよいか」という悩みに直面したことはありませんか？
たとえば、配送トラックに荷物をどう詰め込めば無駄がないか、工場でパーツをどのように配置すれば最も効率が良いか、あるいはスタッフのシフトをどう組めば不満が出ないかといった問題です。これらは「組み合わせ最適化問題」と呼ばれ、選択肢が爆発的に増えるため、コンピューターを使っても最も良い答えを見つけるのが非常に難しいことで知られています。
これまでの常識では、こうした難問を解くには専門の研究者が何ヶ月もかけて特別な計算プログラムを作り込むか、高額なスーパーコンピューターを長時間動かす必要がありました。
しかし、2026年9月に公表された論文『LLM Guided Evolution for Circle Packing: Breaking 10 Packomania Records for $28』は、その常識を鮮やかに覆しました。なんと、大規模言語モデル（LLM）と適切な指示出しの手法であるプロンプトエンジニアリングを組み合わせることで、わずか28ドル（約4,000円前後）の計算費用で、長年破られなかった数学的な世界記録を10個も更新してしまったのです。
本記事では、この衝撃的な論文が示した手法のメカニズムを紐解きながら、私たちが日々の実務やプロダクト開発でプロンプトエンジニアリングをどのように導入・設計・運用していくべきか、具体的に解説します。AIに単なる文章作成や簡単な相談をさせる段階を超えて、複雑なビジネス課題を解決するための強力な「思考エンジン」として活用する手法を学んでいきましょう。
論文が示す革新：「LLM導向進化」とプロンプトエンジニアリングの融合
「円パッキング問題」と「Packomania」とは？
まず、この研究が取り組んだテーマである「円パッキング（Circle Packing）問題」について簡単に説明します。
平易に言えば、「決められた枠組み（たとえば正方形や円）の中に、重ならないようにできるだけ大きな円を隙間なく敷き詰めるにはどうすればよいか」を突き詰める数学的なパズルです。一見シンプルに思えますが、円の数が増えると配置の組み合わせが無限に近く膨れ上がり、最適な配置を見つけるのが極めて困難になります。この問題は、トラックやコンテナへの荷詰め、半導体のチップ配置、さらには材料を無駄なく切り出す製造ラインの設計など、現実の産業における効率化に直結しています。
そして「Packomania」とは、この円パッキング問題において世界中の数学者やコンピューターサイエンティストが競い合い、最高の配置記録を保持・公開している有名なデータベースです。いわば「最適化問題の世界記録集」です。
なぜプロンプトエンジニアリングで世界記録が破れたのか？
今回発表された論文の手法（LLM Guided Evolution）の革新性は、LLMを単に「答えを出力させる道具」として使うのではなく、**「プログラムを少しずつ改良しながら最適解を探す進化の主体」**として位置付けた点にあります。
生物が世代交代を経て環境に適応するように、計算の世界でもプログラムを少しずつ変化（変異・交配）させて優れた解を探す「進化計算（しんかけいさん）」という手法が存在します。従来、この「どのようにプログラムを書き換えるか」というルールは人間が手作業で設計していました。
論文では、プロンプトエンジニアリングを駆使して、以下のような役割をLLMに担わせました。
- 現在のプログラムのコードと成果の評価を受け取る
- どこをどう変更すればさらに効率が上がるかをLLM自身が推測・発想する
- 新しく改善されたプログラムのコードを生成する
つまり、AIに対する適切な指示（プロンプト）の設計によって、「プログラムを自分で評価し、自ら書き換えてどんどん賢くしていくループ」を自動構築したのです。
たった28ドルという圧倒的コストパフォーマンス
この手法の驚くべき点は、膨大なインフラ費用をかけずに成果を出したことです。APIを通じてLLMを利用した費用は全体でわずか28ドルでした。
高度な専門知識を持ったアルゴリズムエンジニアを何人も雇ったり、数千万円規模のサーバーを用意したりすることなく、プロンプトエンジニアリングによる適切なシステム構造の設計だけで世界記録レベルの成果が得られたという事実は、今後の企業のAI活用に大きなヒントを与えています。
実務で使える：プロンプトエンジニアリング導入・設計・運用ガイド
では、この「LLMに改善ループを回させる」プロンプトエンジニアリングの手法を、私たちはどのように実務へ取り入れればよいのでしょうか。3つのステップでガイドします。
Step 1：導入 — 目的の明確化と「評価器」の準備
プロンプトエンジニアリングで高度な最適化を行う際、最も重要なのは**「何をもって成功とするか」を定義する評価プログラム（評価器）を用意すること**です。
LLMはもっともらしいコードやアイデアを生成するのが得意ですが、それが本当に正しく動作するか、計算速度や精度が向上しているかを自分自身で正確に数値測定することは苦手です。そのため、以下のような役割分担を行います。
- LLMの役割： アイデアの提案、プログラムコードの書き換え（プロンプトで制御）
- 従来のシステムの役割： 生成されたコードを実行し、エラーがないか検証し、スコア（成果の数値）を計算する
例えば、営業ルートの最適化であれば、「移動時間の合計」を計算するプログラムを別途用意し、LLMには「移動時間を短縮するための新しいルート選定ロジック」を書かせます。
Step 2：設計 — プロンプトの構造化と役割定義
LLMに優れたアイデアを出させるためには、プロンプトの設計（プロンプトエンジニアリング）が鍵を握ります。単に「良いコードを書いて」と頼むのではなく、次のような要素をプロンプトに組み込みます。
- 前提条件とコンテキストの提供 「あなたは最適化アルゴリズムの専門家です。現在のプログラム構造は以下の通りです」
- 過去の失敗と成功の履歴（文脈）の共有 「過去の試行で、Aという手法を試した時はスコアが10下がり、Bという手法を試した時はスコアが15上がりました」
- 具体的な試行指示 「過去の成功例Bの考え方をベースに、さらに計算ステップを減らす新しい関数を作成してください。出力は実行可能なPythonコードのみとしてください」
このように、過去の試行錯誤のデータ（評価スコアとコードのセット）をプロンプトの中に流し込むことで、LLMは「何が良くて何が悪かったのか」を理解し、より精度の高い改善案を出せるようになります。
Step 3：運用 — 自動フィードバックループの構築とコスト管理
設計したプロンプトを組み込み、次のような自動実行ループ（パイプライン）を構築して運用します。
|
|
運用時には、以下のポイントに留意します。
- スコアが上がったコードのみを採用する（選別）： 悪化した試行は採用せず、プロンプトの「失敗事例」として学習文脈にのみ利用します。
- 停止条件を決めておく： 「100回試行する」「スコアの更新が10回連続で止まる」「利用料金が一定額に達する」といった上限を設定し、野放しにしないようにします。
導入・運用における注意点と限界
LLMを用いた自動改善アプローチは非常に強力ですが、実務に投入する際にはいくつかの注意点と限界が存在します。
1. ハルシネーション（AIの嘘）と安全性の管理
LLMは文脈上「それっぽい」コードを生成しますが、存在しないライブラリや関数を呼び出したり、一見正しく見えて致命的なバグを含んでいたりすることがあります。 生成されたコードは、必ず分離された安全な実行環境（サンドボックス環境やコンテナ環境）でテストし、本番環境のデータベースや外部システムに直接悪影響を及ぼさないよう隔離して実行する必要があります。
2. コストの急増リスク
今回の論文では28ドルという低価格で抑えられましたが、プロンプトエンジニアリングの設計を誤ると、トークン数（AIに送受信する文字量の単位）が膨れ上がり、費用が跳ね上がる危険性があります。 特に「過去の試行履歴」をプロンプトに詰め込みすぎると、1回の送信コストが大きくなります。過去の優秀なコード上位3つだけをプロンプトに含めるなど、送る情報の量を制限・集約する工夫が必要です。
3. 適用できる問題の選定
この手法は、「明確な評価数値（スコア）が得られる問題」には絶大な効果を発揮します（例：処理速度、予測精度、コスト削減額、移動距離など）。 一方で、「デザインの美しさ」や「文章の親しみやすさ」といった、コンピューターによる自動評価が難しい定性的な問題においては、評価器の作成自体が困難であるため、そのまま適用するのは難しい点に留意してください。
(注：論文『LLM Guided Evolution for Circle Packing: Breaking 10 Packomania Records for $28』における具体的なソースコードの詳細実装やプロンプトの完全な全文テキスト、およびハイパーパラメータの細かな調整値については未確認です。実装の際は自社の課題に合わせて評価関数とプロンプト構造を設計してください)
まとめ：プロンプトエンジニアリングは「コードを書くAI」から「アルゴリズムを進化させるAI」へ
本記事では、円パッキング問題で10個の世界記録をわずか28ドルで塗り替えた論文を題材に、実務におけるプロンプトエンジニアリングの導入・設計・運用ガイドをお届けしました。
今回の重要なポイントを改めて整理します。
- プロンプトエンジニアリングの進化： 質問に答えてもらうだけでなく、LLMに「プログラムを評価・提案・改善させるループ」を作ることが可能になった。
- 圧倒的なコスト対効果： 評価システムと組み合わせることで、高額な設備投資なしにプロンプトの工夫次第で世界トップレベルの最適化を実現できる。
- 実務適用のカギ： 明確な数値指標を持つ「評価器」を用意し、安全な実行環境で自動改善ループを回す設計が重要。
プロンプトエンジニアリングとは、単に指示文の「言い回し」を工夫する技術ではありません。「AIがどのように試行錯誤し、自己改善していくか」というシステム全体の構造をデザインする技術へと進化しています。
まずは自社の業務の中で、「数字で成果を測れるけれど、組み合わせが複雑で困っている課題」を探してみてください。小さな試行錯誤からプロンプトによる自動改善ループを取り入れてみることで、これまでにない業務効率化やシステム性能の飛躍が期待できるはずです。