n8nの精度が低いと感じたら試す改善策5つ｜プロンプトと設定の見直し

ワークフローは最後まで緑色で通っているのに、AIが返してくる中身がどうにも当てにならない。同じ入力なのに昨日と今日で答えが違う。n8nの精度に悩む人の8割は、この2つのどちらかです。

そして、その原因はモデルの頭の良さではありません。AIへの指示文（プロンプト）の構造と、ノードの設定です。ここを直すだけで、モデルを上位版に変えるより効きます。

n8nそのものの使い方から確認したい人は、n8nの基本ガイドを先に開いておくと、この記事の後半が読みやすくなります。

n8nの精度が低いと感じたときに、最初に見るべき場所

精度の相談で最初にやるべきは、モデルの変更ではなく実行ログの中身を1件だけ丁寧に開くことです。

n8nは各ノードの入出力をJSON形式で記録しています。AIノードをクリックして「Input」と「Output」を並べて見る。これだけで、原因の当たりがつきます。

見るポイントは3つです。

• AIに渡っている入力が、自分の想定どおりの中身になっているか
• AIの出力が、後続ノードが期待する形になっているか
• 指示文の中に、変数が展開されずに {{ }} のまま残っていないか

3つ目は本当によくあります。式（Expression）モードに切り替え忘れて、指示文にプレースホルダの文字列がそのまま流れているケース。AIは律儀にその文字列を解釈しようとして、見当違いの答えを返します。

ログを開かずにモデルだけ差し替えると、原因が見えないまま料金だけ上がります。ここが最初の分かれ道。

そもそもn8nの「精度」とは何を指す？

n8nの精度とは、ワークフローが最後まで通ることではなく、AIノードの出力が後続の処理でそのまま使える状態になっている割合のことです。

ここを混同すると、直す場所を間違えます。n8nの実行が成功（緑）でも、AIが「はい、承知しました。以下が結果です」という前置きを付けていれば、後続のJSONパースは失敗します。逆に、AIの回答自体は完璧でも、APIのタイムアウトで赤くなることもある。

つまり、n8nで言う「精度が低い」は次の3つに分解できます。

1. 出力の形式が安定しない（毎回フォーマットが違う）
2. 出力の内容が事実と違う（AIがそれっぽい嘘をつくこと、いわゆるハルシネーション）
3. 出力のばらつきが大きい（同じ入力で答えが変わる）

この3つは対処法がまったく別です。形式の問題はJSON固定で一発で消えます。内容の問題は渡すデータを見直す話。ばらつきはtemperature（AIの答えのばらつきを決める設定値）の話。

自分がどれで困っているのか、先に決めてください。

精度が落ちる原因はどこにある？5つの型で切り分ける

現場で見かける不具合は、だいたい次の5つの型に収まります。症状から逆引きできるように整理しました。

つまり、症状を1行で言語化できれば、直す場所は自動的に決まります。5つ全部を同時にいじると、何が効いたのか分からなくなるので避けてください。

以下、上から順に改善策を見ていきます。効果が大きい順ではなく、着手のしやすい順に並べています。

改善策1｜指示文を4つのブロックに分けて書く

AIへの指示文は、1文の丸投げをやめて「役割・入力・出力形式・禁止事項」の4ブロックに分けるだけで、出力の安定度が変わります。

多くの人が書いているのはこういう指示文です。

「このメールの内容を要約して、緊急度も判断してください。」

これだと、要約が3行のときもあれば10行のときもある。緊急度が「高」のときもあれば「かなり高いと思われます」のときもある。AIが悪いのではなく、判断基準を渡していないだけ。

4ブロックに分けると、こうなります。

# 役割
あなたは問い合わせメールを分類する担当者です。

# 入力
以下のメール本文を読んでください。
{{ $json.body }}

# 出力形式
- summary: 本文の要約を全角60文字以内で
- urgency: high / medium / low のいずれか1語
- reason: urgencyをそう判断した理由を1文で

# 禁止事項
- 本文に書かれていない事実を補わないこと
- 前置きや挨拶を書かないこと
- 判断できない場合はurgencyをlowにすること

長くなったように見えますが、この4ブロックはテンプレートとして使い回せます。ワークフローごとに書き換えるのは「役割」と「出力形式」だけ。

禁止事項ブロックが地味に効きます。 「前置きを書かない」の1行だけで、「承知しました。以下が要約です」という余計な文が消えます。

判断できないときの逃げ道（上の例なら「lowにする」）を用意しておくのも効果が大きい。逃げ道がないと、AIは無理やり答えをひねり出します。それが嘘の出どころ。

改善策2｜出力をJSONで固定する

n8nで一番コスパが良い改善は、AIの答えを自然文ではなくJSON（項目名と値が対になった構造化データ）で受け取ることです。

n8nのAIノードには、出力を構造化データに整えるためのパーサー機能があります。項目名と型をあらかじめ定義しておくと、AIの回答がその形に矯正されます。

自然文で受け取っている場合、後続ノードでこういう処理を書くことになります。

• 「緊急度: 高」という文字列を正規表現で探す
• 見つからなければエラー扱いにする
• 表記ゆれ（「高」「高い」「High」）を吸収する分岐を足す

この分岐が増えるほど、ワークフローは壊れやすくなります。表記ゆれを吸収する処理を書き始めたら、設計が間違っているサインです。

JSON固定にすると、後続は {{ $json.urgency }} で取り出すだけ。分岐もパースも不要になります。

出力形式の選び方を整理すると次のとおりです。

つまり、AIの出力を機械が使うなら、JSON一択です。人が読むだけの通知文だけ自然文で問題ありません。

n8nをAIモデルと組み合わせる具体的な設定手順は、n8nとClaudeの連携ガイドに手順つきでまとまっています。

改善策3｜モデルとばらつき設定を用途で選ぶ

「同じ入力なのに答えが変わる」の犯人は、たいていtemperature（ばらつきの大きさを決める設定値）です。

n8nのAIノードでは、モデル選択の下にあるオプションからこの値を設定できます。0に近いほど毎回同じような答えを返し、1に近いほど表現が多様になります。既定値のまま分類タスクを回すと、判定がぶれます。

用途ごとの目安を整理しました。

つまり、分類なのに0.7で回していたなら、そこが原因です。数字をひとつ下げるだけで解決することがあります。

モデル選びについては、上位版に上げれば精度が上がるとは限りません。分類やタグ付けのような判断の幅が狭い仕事は、軽量モデルでも結果はほぼ変わらず、料金と応答速度だけが軽くなります。上位版が効くのは、長い文脈を読ませて要約させる系や、複数の条件を突き合わせて判断させる系。

各モデルの特性を比べたいときは、Claude・ChatGPT・Geminiの各ページで料金と得意分野を確認できます。

ここまでの整理: 形式が崩れるならJSON固定、答えがぶれるならtemperature、粒度が安定しないなら指示文の4層化。この3つで、精度の相談のかなりの部分が片付きます。残りはAI Agentとデータの渡し方の話です。

改善策4｜AI Agentのツール説明文を書き直す

AI Agentノードが違うツールを呼んでしまう問題は、ほぼ100%ツールの説明文（Description）が原因です。

AI Agentは、登録されたツールの説明文だけを読んで「今回はどれを使うか」を決めます。人間が見れば明らかでも、AIには説明文しか見えていません。

やりがちな説明文と、直したあとを並べます。

つまり、説明文には「何をするか」だけでなく「いつ使わないか」を書きます。使わない条件が書かれた瞬間、AI Agentの選択ミスは目に見えて減ります。

もうひとつのコツは、引数の形式を説明文の中に書き込むこと。「注文番号（10桁）」と書いておけば、AIは10桁でない値を渡そうとしなくなります。

ツールの数が10個を超えてきたら、Agentを分割することも考えてください。1つのAgentに全部持たせるより、用途別に2〜3個に分けたほうが選択精度は上がります。ワークフローの実行が重くなってきた場合は、n8nの動作が遅いときの対処も合わせて確認する価値があります。

改善策5｜渡すデータを絞って構造化する

長い文書を丸ごとAIに渡すと精度が落ちるのは、モデルの限界ではなく、渡し方の問題です。

議事録の全文、メールスレッド全体、スプレッドシート100行。こういうものをそのままAIノードに流し込んでいるワークフローは、精度が安定しません。関係のない情報が多いほど、AIの注意は散ります。

n8nで先にやっておける前処理は3つあります。

• Setノードで、AIに必要な項目だけを抜き出す
• Codeノードで、余計な改行や署名・免責文を削る
• Split Out / Loop Overで、100行を1行ずつに分けて処理する

3つ目が特に効きます。100行をまとめて渡して「全部分類して」と頼むより、1行ずつ100回呼ぶほうが精度は上がります。実行回数と料金は増えますが、後で目視で直す時間を考えれば、たいていこちらが安い。

社内資料を読ませて答えさせたい場合は、n8nのVector Store（文章を検索しやすい形で保管する仕組み）系のノードを挟んで、質問に関係する部分だけを取り出してからAIに渡します。全文投入をやめるだけで、的外れな回答は目に見えて減ります。

同じ処理をMakeやZapierでも組めますが、前処理のノードを細かく差し込める自由度はn8nが圧倒的です。この違いはn8nとMakeの比較記事で具体的に整理されています。

設定側の見直しで効くのはどこ？

指示文を直しても失敗が残る場合、AIの精度ではなくノードの設定側に原因があります。

見直す価値があるのは次の4つです。

1. Retry On Fail: AIノードは一時的なエラーで落ちることがあります。リトライ1回、待機3秒程度を設定しておくと、無駄な赤が減ります
2. タイムアウト: 長文を上位モデルに投げると、既定値では足りないことがあります。応答が返る前に切れていないか確認してください
3. Always Output Data: AIが空を返したときの挙動を明示しておくと、後続の分岐が組みやすくなります
4. Simplify Output: これがオンだと出力が整形されます。生のレスポンスを見たいデバッグ中はオフにするのがおすすめ

リトライを増やしすぎるのは避けてください。3回リトライすれば実行回数も3倍。しかも、指示文が原因の失敗はリトライしても同じ結果になります。リトライで直る失敗は通信起因のものだけ。

エラーの中身を残したいなら、Error Triggerで別ワークフローを作り、失敗したノード名と入力内容をSlackやスプレッドシートに書き出しておくと、原因の特定が一気に速くなります。設定項目の全体像はn8nの設定ガイド側に詳しくまとまっています。

改善サイクルは実行回数の上限とセットで考える

精度改善は試行錯誤の回数がものを言いますが、n8nのクラウド版は実行回数で課金されるため、回し放題ではありません。

n8nの課金は実行回数ベースです。15ステップのワークフローでも、1回動けば1カウント。ステップ数では課金されません。ZapierやMakeのタスク課金と比べてコストが読みやすいのが特徴です。

料金体系の概要を整理します。金額は改定されることがあるため、実際の契約前には公式の料金ページを確認してください。

つまり、精度チューニングを大量に回す段階なら、セルフホスト版で検証してからクラウドに載せるのが賢いやり方です。クラウド版には14日間の無料トライアルがあり、クレジットカード登録なしで試せます（2026年5月時点）。

外部AIモデルのAPI料金はn8nの実行回数とは別会計です。ここを見落とすと、月末に二重で驚くことになります。検証中は軽量モデルで指示文を固め、本番投入時に上位モデルへ差し替える。この順番が無難です。

AI PICKS編集部の判定

n8nの精度に不満を持っている人の相談を分解していくと、モデルの限界に当たっているケースは正直そう多くありません。9割は指示文と設定の話です。

その中でも効果が大きいのは、圧倒的に「出力のJSON固定」。自然文で受け取って正規表現でパースする構成は、動いているように見えて壊れる前提の設計です。ここを直すだけで、後続ノードのエラーがまとめて消えることは珍しくありません。着手も30分で終わります。

逆に、最初から上位モデルへ乗り換えるのは正直イマイチな判断です。分類やタグ付けのような仕事では体感差がほとんど出ず、料金と応答時間だけ増えます。モデル変更は、指示文と渡すデータを整えたあとの最終手段に置いてください。

もうひとつ言っておきたいのは、検証環境の話。クラウド版で試行錯誤を回すと、実行回数が精度改善のブレーキになります。セルフホスト版を検証用に1つ立てておくと、この制約から解放されます。サーバー代を払ってでも、遠慮なく回せる環境は重宝します。

n8nは自由度が高いぶん、雑に組んでも一応動いてしまうツールです。動いていることと、使える精度が出ていることは別。そこを分けて見られるようになれば、n8nは相当強い武器になります。

よくある質問（FAQ）

Q. n8nの精度が低いのは、モデルを上位版に変えれば直りますか？

分類やタグ付けのような仕事では、ほとんど変わりません。判定がぶれる原因はtemperature（ばらつき設定）や指示文のあいまいさであることが多く、モデルを変えても同じ症状が残ります。長文の要約や複数条件の判断で精度が足りない場合に限り、上位モデルへの変更が効きます。

Q. n8nへの質問の仕方で、いちばん効くコツは何ですか？

「役割・入力・出力形式・禁止事項」の4ブロックに分けて書くことです。特に禁止事項ブロックに「前置きを書かない」「本文にない事実を補わない」「判断できない場合はこう返す」の3行を入れておくと、余計な文章と作り話が同時に減ります。

Q. 同じ入力なのに毎回違う答えが返ってきます。どこを直せばいいですか？

AIノードのオプションにあるtemperatureを確認してください。分類や抽出の用途なら0〜0.2まで下げます。それでもぶれる場合は、指示文の中に判定基準（何をhighとするか）が書かれていない可能性が高いので、基準を明文化してください。

Q. AI Agentが意図しないツールを呼んでしまいます

ツールの説明文（Description）を書き直してください。「何をするか」に加えて「いつ使わないか」を1文足すのが効きます。引数の形式（桁数や単位）も説明文に書き込んでおくと、間違った値を渡そうとしなくなります。ツールが10個を超えるならAgentの分割も検討してください。

Q. 長い文書を渡すと回答が的外れになります

全文投入をやめて、Setノードで必要な項目だけを抜き出すか、Split Outで1件ずつ処理してください。社内資料を参照させたい場合は、Vector Store系のノードで質問に関係する部分だけを取り出してからAIに渡す構成に変えると改善します。

Q. 精度を上げるための試行錯誤で、実行回数を使い切ってしまいます

n8nのクラウド版は実行回数ベースの課金なので、検証もカウントされます。セルフホスト版（Community Edition）は実行回数の上限がなく無料なので、検証用に1つ立てておくのが現実的です。サーバーの維持費と管理の手間は別途かかります。

Q. ワークフローは成功しているのに、結果が使えません。これも精度の問題ですか？

分けて考えてください。n8nの実行成功はノードがエラーを出さなかったという意味で、AIの出力が正しいかは判定していません。出力の検証を入れたいなら、AIノードの後ろにIFノードを置き、必須項目が埋まっているか、値が想定の選択肢に含まれるかをチェックする構成にします。

Q. 日本語で指示を書いても精度は落ちませんか？

主要モデルはいずれも日本語の指示を問題なく扱えます。ただし、出力のキー名（項目名）は英語にしておくほうが、後続ノードでの参照が楽になります。指示文は日本語、JSONのキーは英語。この組み合わせが扱いやすいです。

あわせて見たいツール・カテゴリ

n8nの精度を詰めていくと、比較対象や周辺ツールも気になってきます。目的別に見ておくと判断が早くなります。

• n8n: 料金体系・対応ノード・セルフホストの条件をまとめて確認できます
• Make: ビジュアル重視で組みたい人向け。前処理の自由度はn8nに譲ります
• Zapier AI: 連携先の数を優先するならこちら。タスク課金の考え方が違います
• Dify: AIアプリ側を主役にしたい場合の選択肢。n8nと役割が分かれます
• LangChain: コードで組む前提なら、n8nより細かい制御ができます
• 業務自動化ツールのカテゴリ一覧: 用途から絞り込みたいときの入口です
• AIエージェントのカテゴリ一覧: Agent構成を本格的に組むなら見ておく価値があります
• 業務自動化ツールの比較: 掲載ツールをスコアで並べて確認できます
• ノーコードAIツールの比較: コードを書かずに組みたい人向けの一覧です

次に読むなら、n8nとMakeの比較記事がおすすめです。精度チューニングの手間まで含めて考えると、そもそもn8nが自分の用途に合っているかを判断し直せます。

各ツールの公式サイト（一次情報）

料金・機能・対応範囲は各社公式が一次情報です。本記事は公開時点の検証に基づきますが、最新かつ正確な条件は必ず各公式ページで確認してください。

• n8n — 公式サイト（AI PICKSの詳細）
• Make — 公式サイト（AI PICKSの詳細）
• Dify — 公式サイト（AI PICKSの詳細）