生成AIに社内の規程や商品情報について質問しても、一般論や事実と異なる答えが返ってくることがあります。AIが自社の情報を知らないためです。この課題を解決する代表的な方法がRAG（検索拡張生成）です。RAGを使うと、AIは回答の前に社内の文書を検索し、見つけた内容をもとに答えるようになります。この記事では、RAGの仕組みとファインチューニングとの違い、業務での活用例、導入時に精度を左右する注意点を、専門知識がなくても理解できるように解説します。
RAGの要点
この記事の要点
- RAGは、生成AIが回答前に社内文書などを検索し、その内容を根拠に答える仕組み。
- AIそのものを再学習させるファインチューニングと比べ、情報の追加や更新が容易で、回答の根拠も示しやすい。
- 回答の精度は、AIの性能よりも、検索対象となる文書の質と整理の仕方に大きく左右される。
RAGとは
RAG（Retrieval-Augmented Generation、検索拡張生成）とは、生成AIが回答を作る前に外部の情報源を検索し、取得した情報を参照しながら回答を生成する仕組みです。2020年にMeta（当時Facebook）のAI研究チームなどが発表した論文で提唱されました。
大規模言語モデルが持つ知識に、外部の文書検索を組み合わせることで、知識が必要な質問への回答精度を高める手法が示されました。
出典: Lewis et al.「Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks」（2020）
生成AIは学習した時点までの一般的な知識しか持たず、社内の規程や最新の商品情報は知りません。RAGは、AIに「調べてから答える」手順を加えることで、この弱点を補います。生成AIを使ったエージェントの仕組みはAIエージェントとはも参考になります。
RAGの仕組み
RAGは、大きく次の流れで動きます。
- 準備: 社内のマニュアル、規程、FAQ、過去の資料などを小さな単位に分け、検索できる形でデータベースに登録する。
- 検索: 利用者が質問すると、質問の意味に近い文書をデータベースから探し出す。
- 回答の生成: 見つかった文書を質問と一緒に生成AIへ渡し、その内容をもとに回答を作らせる。
- 根拠の提示: 回答とあわせて、参照した文書名や該当箇所を示す。
検索には、言葉が完全に一致しなくても意味の近さで文書を探せる「ベクトル検索」がよく使われます。たとえば「有給の申請方法」と質問しても、「年次休暇の取得手続き」と書かれた規程を見つけられます。
ファインチューニングとの違い
生成AIに自社の知識を持たせる方法として、RAGのほかにファインチューニング（追加学習）があります。ファインチューニングとは、自社のデータを使ってAIモデルそのものを再学習させる方法です。
項目 | RAG | ファインチューニング |
|---|---|---|
方法 | 回答時に社内文書を検索して参照させる | 自社データでモデルそのものを再学習させる |
情報の更新 | 文書を差し替えればすぐ反映される | 更新のたびに再学習が必要 |
回答の根拠 | 参照した文書を示せる | 根拠を示しにくい |
向いている用途 | 規程・マニュアル・商品情報など、正確さと鮮度が求められる知識 | 文体や回答の形式など、振る舞いを揃えたい場合 |
社内の知識を正確に答えさせたいという目的であれば、多くの場合はRAGから検討するのが現実的です。両者は組み合わせることもできます。
業務での活用例
RAGは、社内に文書が蓄積されているものの、探すのに時間がかかっている業務で効果を発揮します。
- 社内問い合わせ対応: 就業規則や経費精算のルールなど、総務・人事への定型的な質問にAIが規程を根拠に答える。
- 顧客対応の支援: 商品仕様や過去の対応履歴を検索し、担当者が回答を作る際の下調べをAIに任せる。
- 資料・ナレッジ検索: 過去の提案書や議事録から、似た案件の情報をすばやく探し出す。
- 新人の教育: 業務マニュアルを参照できるAIを用意し、先輩に聞く前に自分で調べられる環境をつくる。
顧客からの問い合わせにAIが直接答えるチャットボットにも、RAGはよく使われます。チャットボットの種類や導入の進め方はAIチャットボット導入の進め方で解説しています。
社内文書を活用したAIの仕組みづくりについて、考え方をまとめた資料をご用意しています。
導入時の注意点
RAGは仕組みを用意すれば自動的に正確になるわけではありません。導入前に次の点を確認してください。
検索対象の文書を整理する
回答の精度は、参照する文書の質で大きく変わります。古い版と新しい版の規程が混在していると、AIが古い情報を根拠に答えることがあります。登録する前に、最新版だけを残し、重複や矛盾を取り除いておくことが重要です。社内の用語や定義を揃えておく考え方はAI活用の土台は社内データ基盤で紹介しています。
誤った回答はゼロにならない
RAGを使っても、検索で関係の薄い文書が選ばれたり、AIが文書の内容を誤って要約したりすることがあります。回答に参照元を表示し、重要な判断の前には利用者が元の文書を確認する運用にします。
閲覧権限を引き継ぐ
人事評価や給与など、閲覧できる人が限られる文書を検索対象に含めると、本来見られない人にも内容が回答されるおそれがあります。文書ごとの閲覧権限をRAGの検索にも反映できるかを、導入前に確認してください。
最初から全社の文書を対象にすると、整理の手間と情報漏えいのリスクが大きくなります。まずは総務の規程集など、範囲が明確で公開範囲の広い文書から小さく始めるのが安全です。
まとめ
- RAGは、生成AIが社内文書を検索してから回答する仕組みで、AIが知らない自社の情報に答えさせられる。
- ファインチューニングと比べて情報の更新が容易で、回答の根拠を示しやすい。
- 社内問い合わせ、顧客対応の支援、資料検索、新人教育などで活用できる。
- 精度は文書の整理で決まる。範囲を絞って小さく始め、参照元の確認と閲覧権限の管理を運用に組み込む。
社内のデータを活用したAIの導入や業務システムとの連携については、サービス一覧からご相談いただけます。
