RAGとは?
RAGとは、「検索(Retrieval)」で集めた情報を、生成AIの「回答の作成(Generation)」に「加える(Augmented)」仕組みです。日本語では「検索拡張生成」と訳されます。
ChatGPTのような生成AIは、学習したときのデータをもとに文章を作ります。そのため、学習していない社内の情報や、学習の後に変わった情報には正しく答えられません。RAGでは、質問のたびに社内の文書などから関係する部分を探し、その内容を生成AIに渡して「この情報をもとに答えて」と指示します。生成AIは、渡された情報を読んで回答を作ります。
RAGという考え方は、2020年にFacebook AI Research(現 Metaの研究部門)などの研究者が発表した論文で示されました(Lewis et al., 2020)。
RAGはどんな仕組みで回答する?
RAGは、「準備」と「回答」の2つの段階で動きます。
| 段階 | やること | 内容 |
|---|---|---|
| 準備 | 文書を取り込む | 規程・マニュアル・FAQ・過去の資料などを集める |
| 準備 | 小さく分ける | 文書を、段落など意味のまとまりごとの小さな単位(チャンク)に分ける |
| 準備 | 検索できる形にする | 各チャンクの意味を数値の並び(ベクトル)に変換し、データベースに保存する |
| 回答 | 関係する情報を探す | 質問の意味に近いチャンクを、データベースから探す |
| 回答 | 生成AIに渡す | 質問と、見つかったチャンクを生成AIに渡す |
| 回答 | 回答を作る | 生成AIが、渡された情報をもとに回答を作る。根拠にした文書を示すこともできる |

意味の近さで探す方法(ベクトル検索)のほかに、キーワードで探す方法を組み合わせることもあります。
なぜRAGが必要なの?
生成AIだけでは、業務で使うときに次の3つの弱点があるためです。
| 生成AIの弱点 | RAGで変わること |
|---|---|
| 社内の情報を知らない | 社内の規程・マニュアル・過去の資料をもとに答えられる |
| 情報が古い | 文書を差し替えれば、すぐに最新の内容で答えられる |
| もっともらしい誤り(ハルシネーション)がある | 渡した文書の範囲で答えさせ、根拠の文書を示せるため、確認しやすくなる |
ただし、RAGを使っても誤りがなくなるわけではありません。検索で関係のない文書が選ばれたり、文書の内容が古かったりすると、誤った回答になります。
RAGとファインチューニングの違いは?
ファインチューニングは、生成AIのモデルそのものを追加のデータで学習し直す方法です。RAGはモデルを変えず、回答のときに外から情報を渡します。
| 項目 | RAG | ファインチューニング |
|---|---|---|
| 方法 | 回答のたびに文書を検索して渡す | モデルを追加のデータで学習し直す |
| 情報の更新 | 文書を差し替えればすぐ反映される | 学習し直す必要がある |
| 根拠の提示 | 参照した文書を示せる | 示しにくい |
| 向いていること | 社内の規程・マニュアルなど、事実の情報に答える | 回答の口調や書式、専門分野の言い回しを身につけさせる |
| 費用・手間 | 文書の整備と検索の仕組みが必要 | 学習用のデータの準備と計算の費用がかかる |
社内の情報に答えさせたいなら、まずRAGを検討するのが一般的です。両方を組み合わせることもあります。
RAGはどんな業務に使える?
| 業務 | 使い方の例 |
|---|---|
| 社内の問い合わせ | 就業規則、経費精算、情報システムの使い方などの質問に、規程やマニュアルをもとに答える |
| 顧客対応 | 製品のマニュアルや過去の問い合わせの記録をもとに、回答の下書きを作る |
| 営業 | 提案書、製品資料、過去の商談の記録から、必要な情報を探してまとめる |
| 技術・品質 | 設計書、作業手順書、不具合の報告から、関係する情報を探す |
| 法務・総務 | 契約書のひな形や社内規程を参照して、確認すべき点を挙げる |
社内データでRAGを作る手順は?
| 手順 | やること | ポイント |
|---|---|---|
| 1. 目的と対象を決める | どの業務の、誰の質問に答えるかを決める | 「総務への社内の問い合わせ」のように範囲を絞ると、文書の整備と評価がしやすい |
| 2. 文書を集めて整える | 対象の文書を集め、古い版や重複を取り除く | 回答の質は文書の質で決まる。最新の版がどれかを決めておく |
| 3. 取り込みの方法を決める | 文書の分け方(チャンクの大きさ)、表や画像の扱いを決める | 表やPDFの読み取りの精度が回答に影響する |
| 4. 検索と生成AIをつなぐ | 検索の方法と、生成AIへの指示(プロンプト)を決める | 「文書にないことは答えない」「根拠の文書を示す」と指示する |
| 5. 評価する | 実際の質問と正解を用意し、回答が正しいかを確かめる | 間違えた質問を分析し、文書・分け方・検索の方法を直す |
| 6. 運用する | 利用者に公開し、文書の更新と回答の確認を続ける | 文書の更新の担当と、誤りを報告してもらう方法を決める |
RAGの精度を上げるポイントは?
- 文書を整える:見出しをはっきりさせる、古い版を消す、略語や社内用語の説明を加える、といった整備が最も効果的です。
- 分け方を調整する:チャンクが小さすぎると前後の意味が失われ、大きすぎると関係のない情報が混ざります。文書の種類に合わせて調整します。
- 検索の方法を組み合わせる:意味の近さで探す方法と、キーワードで探す方法を組み合わせると、型番や固有名詞を含む質問にも強くなります。
- 検索結果を並べ直す:見つかった候補を、質問との関係の強さで並べ直してから生成AIに渡すと、回答の質が上がります。
- 答えられないときは答えない:文書に情報がないときは「分からない」と答えるよう指示し、担当者への問い合わせ先を示します。
- 評価の質問を用意する:よくある質問と正解の一覧を作り、設定を変えるたびに確かめます。
RAGを導入するときの注意点は?
- アクセス権限:閲覧できる人が限られた文書(人事の情報など)を取り込むと、見られないはずの人に回答してしまうおそれがあります。利用者ごとに検索できる文書を制御します。
- データの扱い:文書や質問が、生成AIのサービスでどう扱われるか(学習に使われないか、どこに保存されるか)を、契約や設定で確かめます。
- 回答の確認:重要な判断に使う回答は、根拠の文書を人が確かめる運用にします。
- 文書の更新:文書が古いままだと、古い内容で答え続けます。更新の担当と頻度を決めます。
RAGはどう作る?自社開発とサービスの違いは?
| 方法 | 特徴 | 向いている場合 |
|---|---|---|
| 自社で開発する | 検索・データベース・生成AIを組み合わせて作る。自由度が高いが、開発と運用の技術が必要 | 社内に開発の体制があり、独自の要件が多い |
| クラウドのサービスを使う | クラウド事業者が提供する、RAGの部品やサービスを組み合わせる | クラウドの環境をすでに使っていて、開発の体制もある |
| RAGに対応したAIの基盤・製品を使う | 文書を取り込めば、画面の操作でRAGを使ったAIを作れる | 早く始めたい、開発の体制が限られている |
| 構築を外部に依頼する | 要件の整理から構築・評価・運用までを任せる | 複数のシステムとの連携や、全社での展開が必要 |
オープン株式会社のMention Meとは?
Mention Meは、複数の言語モデルと社内の情報・業務ツールをまとめ、自社向けのAIエージェントを短期間・低コストで作れる開発基盤です。
- データ連携:RAG・外部のAPIと接続し、社内のデータをもとに答えるAIエージェントを作れる
- 複数のLLMから選べる:GPT、Claude、Geminiなどから、用途に応じて選べる
- チャットの形で作れる:プログラミングの知識がなくても、会話の画面を設計できる
- チャットツールで使える:SlackやTeamsから使える
- 役割を設定できる:営業・法務など、専門の役割を持たせられる
- RPAと連携できる:RPAや自動化のワークフローと組み合わせられる
料金は初期費用20万円と、月額2万円(ライト:1ユーザー・エージェント10個)、5万円(スタンダード:5ユーザー・50個)、15万円(プロ:20ユーザー・エージェント無制限)のプランです(いずれも税別)。社内文書の検索(RAG)やAIの応答には、プランに含まれる会話クレジットを使います。
よくある質問
RAGとは何ですか?
生成AIが回答を作る前に、社内の文書やデータベースから関係する情報を検索し、その情報をもとに回答させる仕組みです。日本語では「検索拡張生成」と呼ばれます。
社内データをAIに回答させるにはどうすればよいですか?
RAGを使うのが一般的です。社内の文書を検索できる形で取り込み、質問のたびに関係する部分を探して生成AIに渡します。文書の整備、アクセス権限の設定、回答の評価もあわせて行います。
RAGを構築するときの注意点は?
閲覧できる人が限られた文書のアクセス権限、文書や質問のデータの扱い、重要な回答の人による確認、文書の更新の4つです。回答の質は文書の質で決まるため、最新の版を整えることも欠かせません。
RAGとファインチューニングの違いは?
RAGはモデルを変えずに、回答のときに外から情報を渡します。ファインチューニングはモデルそのものを追加のデータで学習し直します。社内の事実の情報に答えさせるならRAG、口調や書式を身につけさせるならファインチューニングが向いています。
RAGを使えばハルシネーションはなくなりますか?
減らせますが、なくなりません。検索で関係のない文書が選ばれたり、文書が古かったりすると、誤った回答になります。根拠の文書を示させ、重要な回答は人が確かめる運用にします。
RAGの構築にはどのくらいの期間がかかりますか?
対象の範囲と方法によって違います。RAGに対応した製品を使い、文書が整っていれば短い期間で試せます。複数のシステムとの連携や全社への展開は、文書の整備と評価を含めて計画します。
まとめ
RAGは、社内の文書を検索して生成AIに渡すことで、社内の情報や最新の情報に答えられるようにする仕組みです。モデルを学習し直すファインチューニングと違い、文書を差し替えるだけで内容を更新でき、根拠も示せます。精度を決めるのは文書の質と検索の方法で、アクセス権限やデータの扱いにも注意が必要です。まず範囲を絞って試し、評価しながら広げましょう。
▶ お問い合わせ