AI用語解説

RAG(検索拡張生成)とは?仕組み・メリット・社内資料での活かし方

 文:TARNAR AI 編集部/監修:たーなー先生(田中直人)

RAG(検索拡張生成)とは、AIが答える前に自社の資料などを検索し、その内容を踏まえて回答させる仕組みです。仕組みとメリット、社内資料での活かし方を紹介します。

RAG(検索拡張生成)とは、AIが回答を作る前に、学習した知識の外にある信頼できる資料を検索して参照し、その内容を踏まえて答えさせる仕組みです。モデルを学習し直さなくても、自社のマニュアルや規定のような資料をAIの回答に生かせます。社内の資料を使ってAIに答えてもらいたい場面で役立つ考え方です。

この記事の書き手:たーなー先生(田中直人)。ボイストレーナー歴30年、30年間で5万人以上を指導。2026年には、自社の22の窓口の設計と制作に、構成・文章の下書き・表示確認でAIを使い、事実と判断は人が確認する進め方を実践しています。

この記事では、Amazon Web Servicesの解説とAI事業者ガイドラインで確かめた内容をもとに、RAGの仕組み、メリット、社内の資料での活かし方を紹介します。RAGが助ける土台のAIはLLM(大規模言語モデル)とは?で、AIの誤りはハルシネーションとは?で紹介しています。

RAG(検索拡張生成)とは?

RAGは「Retrieval-Augmented Generation」の略で、日本語では検索拡張生成と呼ばれます。「検索(Retrieval)」で必要な資料を探し、その内容で「生成(Generation)」を強める、という意味です。

Amazon Web Servicesの解説では、RAGは、LLMが回答を作る前に、学習データの外にある信頼できる知識源を参照させ、出力の質を高める手法と説明されています。LLMのもともとの力を保ったまま、特定の分野や組織の知識を加えられます。

たとえるなら、記憶だけで答える人に、答える直前に手元の資料を開いてもらうようなものです。自社の事情は学習データに含まれていませんが、資料を渡せば、その範囲の内容で答えられます。

RAGの仕組みは?答えるまでの四つの段階

Amazon Web Servicesの解説に沿って、流れを四つに分けます。

  1. 外部データを用意する:マニュアル、規定、よくある質問、データベースなど、学習データの外にある資料を集める。資料は埋め込みモデルで数字のベクトルに変換して、ベクトルデータベースに保存する
  2. 関連する情報を検索する:利用者の質問もベクトルに変換し、保存した資料と照らして、関連の高い内容を取り出す。たとえば休暇の残りを聞くと、休暇規定と本人の取得記録が見つかる
  3. 質問に資料を添えて渡す:取り出した内容を、質問に文脈として加える。AIは、この資料を踏まえて回答を作る
  4. 資料を更新し続ける:情報が古くならないよう、資料とそのベクトルを、自動または定期的にそろえて更新する

ポイントは、AIそのものを作り直さず、資料を足し替えるだけで答えの材料が変わる点です。文章を作る部分には、LLMがそのまま使われます。

RAGのメリットは?導入で期待できること

Amazon Web Servicesの解説では、次のメリットが挙げられています。

  • 費用の面:モデルの再学習より低い負担で、新しい情報を取り入れられる
  • 最新性:更新される情報源とつなげて、新しい内容で答えさせられる
  • 信頼性:出典を示せるので、利用者が元の資料を確かめられ、安心して読める
  • 管理のしやすさ:参照する資料を足したり変えたりでき、権限に応じて機密情報の取得を制限できる。誤った資料を参照したときも直しやすい

AI事業者ガイドラインでも、RAGの活用により、ハルシネーションの抑制や、出力の過程と根拠の透明性が高まることが期待されていると述べられています。根拠の資料を示せることが、仕事で使うときの大きな強みです。

RAGとファインチューニング、ふつうのチャットAIはどう違う?

AIに自社の知識を持たせる方法は、RAGのほかにもあります。違いを表で比べます。

方法やり方向いている場面
ふつうのチャットAI学習済みの知識で答える幅広い相談、文章の下書き、発想出し
プロンプトに資料を貼る(この記事での整理)質問と一緒に、その場で資料を渡す少量の資料を一度だけ使う
RAG質問のたびに、保存した資料から関連部分を検索して渡す量の多い社内資料に、根拠つきで答えてもらう
ファインチューニング用途に合わせたデータで、モデルのパラメータを追加で学習させる用途に合わせたデータで、モデル自体を調整したい

ファインチューニングはAmazon Web Servicesの解説で、用途に合わせたデータで追加学習させる方法として紹介されています。RAGは学習をやり直さないので、資料が変わったときも、資料の側を差し替えて対応できます。

資料を渡して答えてもらう考え方は、NotebookLMでも体験できます。Googleの公式ヘルプでは、チャットの回答はアップロードした資料のデータだけを使うと説明されていて、回答には資料からの引用が付きます。手軽に試せる入口です。

RAGを社内資料で活かすには?準備の手順

RAGの答えは、渡す資料の質に左右されます。AIを選ぶ前に、資料を整える手順から進めます。

  1. 使う場面を一つ決める:社内の問い合わせ対応、新人向けの手順の確認、お客様向けの案内文の確認など、一つの場面から始める
  2. 資料を集めて、最新の版に絞る:古い版と新しい版が混ざると、答えも混ざる。更新日と担当者を決めておく
  3. 見出しと箇条書きで整える:検索で必要な部分が見つかりやすくなる。整え方はAIに渡す前の資料の下ごしらえで紹介している
  4. 入れてよい情報を仕分ける:お客様の個人情報や、社外に出せない内容を決める。仕分けは入力前の仕分け表が使える
  5. 少数の質問で試して、答えと出典を人が確かめる:実際によく聞かれる質問を並べ、答えが資料と合っているか見る

資料のもとになる文章づくりは、AIでよくある質問ページを作る手順と社内マニュアルをAIで作る手順で紹介しています。整った資料は、RAGにとっても、人にとっても読みやすい土台になります。

RAGの課題と、うまく使うコツは?

Amazon Web Servicesの解説は、LLMが誤情報や古い情報を返すことがある点や、キーワード検索だけでは必要な文脈を取り出しにくい点に触れています。仕事での対応を、この記事の一例として並べます。

課題仕事での対応
資料が古くなる更新の担当と頻度を決め、古い版は参照の対象から外す
LLMが古い情報や一般論を返す参照させる資料の範囲と版を決め、答えと出典を見比べる
キーワード検索だけでは探しきれない意味の近さで探すベクトル検索などを使う
準備する資料が多い最初は少ない資料で試し、効果を見てから広げる
LLM自体の誤りは残るRAGは緩和する手段の一つ。重要な内容は人が確認する

RAGを使っても、AIの答えが常に正しくなるとは限りません。判断は人が行う前提で、答えに添えられた出典を開いて確かめる習慣をつけると安心です。点検の型は事実を公開前に確かめる点検表に、役割の分け方はAIに任せる仕事と人が決める仕事の線引きにあります。

資料を探して作業まで進めるAIの発展形はAIエージェントとは?で紹介しています。

RAGを自分の仕事に取り入れたいときは?

RAGは、仕組みの名前より、どの資料で、どの質問に答えさせるかを決めることが先です。TARNAR AIでは「AIは下書きと整理を、判断は人が。」を方針に、ご相談、棚卸し、小さな実証、導入と計測、月ごとの改善の5段階で、音楽・教育・観光の事業者や小さな会社のAI活用を支援しています。現在お使いのシステムを確認して、小さく試しながら進めます。

活用の全体像は生成AIの活用方法に、最初の一歩は業務の棚卸しにまとめています。ご相談はお問い合わせフォームから受け付けています。

よくある質問

RAGとは何ですか?

AIが回答を作る前に、学習した知識の外にある資料を検索して参照し、その内容を踏まえて答えさせる仕組みです。検索拡張生成と呼ばれ、モデルを学習し直さずに、自社の知識を回答に生かせます。

RAGでハルシネーションはなくなりますか?

RAGは誤りを抑える手段の一つで、AI事業者ガイドラインでも、ハルシネーションの抑制や根拠の透明性が期待されると述べられています。答えに添えられた出典を人が開いて確かめる進め方が安心です。

RAGとファインチューニングはどちらがよいですか?

目的で選びます。RAGは資料を差し替えるだけで新しい情報を取り入れられ、モデルの再学習より低い負担で済むと説明されています。ファインチューニングはモデルのパラメータを調整する方法です。社内資料に根拠つきで答えてもらいたいときは、RAGが取り入れやすい方法です。

社内資料でRAGを使うには何から始めればよいですか?

使う場面を一つ決め、最新の版の資料を集めて、見出しと箇条書きで整えるところから始めます。入れてよい情報を仕分けて、よくある質問で試し、答えと出典を人が確かめます。