RAGとは？生成AIに自社の情報を活用する仕組みをわかりやすく解説

RAGとは

RAGは、Retrieval-Augmented Generation の略で、日本語では「検索拡張生成」などと呼ばれます。

簡単に言えば、生成AIが回答する前に、必要な情報を外部から検索し、その情報を参考にして回答を作る仕組みです。

一般的な生成AIは、学習したデータをもとに回答を生成します。一方、企業で生成AIを利用する場合には、それだけでは十分ではありません。

なぜなら、企業には、

• 社内規程
• 業務マニュアル
• 製品資料
• 技術資料
• FAQ
• 過去の提案書
• 会議資料
• ナレッジ
• 顧客対応履歴

など、その企業にしか存在しない情報があるからです。

こうした情報は、一般的な生成AIが最初から知っているわけではありません。そこで必要になるのがRAGです。

なぜ生成AIだけでは自社のことを答えられないのか

生成AIは非常に多くの知識を持っています。しかし、その知識の中心は、AIが学習した情報です。

例えば、「当社の出張申請のルールを教えて」と質問しても、その会社独自の規程を生成AIが知らなければ、正確には答えられません。

同じように、「この製品の過去のトラブル事例を教えて」「この顧客には以前どのような提案をした？」「社内のこの業務はどう進めればいい？」といった質問も、自社の情報を参照できなければ答えることができません。

つまり、企業で生成AIを活用するためには、AIの知識だけではなく、企業が持っている情報を組み合わせる必要があります。RAGは、そのための代表的な仕組みです。

RAGはどのように動くのか

RAGの基本的な流れは、それほど複雑ではありません。大きく分けると、次のような流れになります。

• 1. ユーザーが質問する
• 2. 質問に関係する情報を検索する
• 3. 関連する情報を取り出す
• 4. その情報を生成AIに渡す
• 5. 生成AIが情報を参考に回答する

例えば、社員が、「海外出張の宿泊費の上限はいくらですか？」と質問したとします。

RAGを利用したシステムでは、まず社内規程や出張規程などから、この質問に関係する情報を探します。そして、該当する規程の内容を生成AIに渡します。生成AIは、その情報をもとに回答を作ります。

つまり、質問 → 検索 → 関連情報 → 生成AI → 回答という流れです。

RAGと検索は何が違うのか

ここで、「それなら普通の社内検索でもいいのでは？」と思うかもしれません。

検索システムの場合、ユーザーがキーワードを入力すると、関連する文書やページが表示されます。そこから必要な情報を探し、内容を理解するのは人です。

一方、RAGでは検索された情報を生成AIが読み、その内容をもとに回答を作ります。

例えば検索で、「経費精算」と入力すると、

• 経費規程.pdf
• 精算マニュアル.pdf
• よくある質問
• 申請フロー

などが表示されるかもしれません。

RAGでは、「新幹線で出張した場合、領収書は必要ですか？」と自然な言葉で質問し、関連する規程を参照した上で回答させることができます。

つまり、検索は「情報を探す」のに対して、RAGは「情報を探し、その情報を使って回答する」仕組みだと考えるとわかりやすいでしょう。

RAGでは「検索」が非常に重要

RAGというと、生成AIの性能に注目しがちです。しかし、実際にはその前段階にある検索の精度が非常に重要です。

生成AIに正しい情報を渡すことができなければ、正しい回答を作ることも難しくなります。

例えば質問に対して、本来参照すべき資料ではなく、古い資料や関係の薄い資料が検索されたとします。生成AIは、その渡された情報をもとに回答してしまう可能性があります。

つまり、良い回答を作るためには、良い情報を取り出す必要があるということです。

RAGでは生成AIだけではなく、

• どの情報を検索対象にするか
• 情報をどの単位で分けるか
• どのように検索するか
• どの情報を優先するか
• 古い情報をどう扱うか

といった設計も重要になります。

資料を入れればRAGになるわけではない

RAG導入で起こりやすい誤解があります。それは、「社内資料をたくさん登録すればAIが賢くなる」という考え方です。

しかし、実際にはそう単純ではありません。

例えば社内に、

• 同じ内容の資料が複数ある
• 古い資料と新しい資料が混在している
• ファイル名だけでは内容がわからない
• 一つの資料に複数のテーマが混在している
• 部門ごとに言葉の意味が違う
• 誰が正しい情報を持っているのかわからない

という状態があるとします。

この状態で大量の資料をRAGに登録しても、AIが適切な情報を取り出せるとは限りません。むしろ、情報が増えるほど検索が難しくなる場合もあります。

重要なのは、情報量ではなく、情報を利用できる状態にすることです。

情報を「粒度」で考える

RAGを設計するときに重要になる考え方の一つが、情報の粒度です。

例えば100ページあるマニュアルを、そのまま一つの情報として扱ったとします。質問に対して必要なのは、その中の数行だけかもしれません。反対に、情報を細かく分けすぎると、前後の文脈が失われてしまうことがあります。

そのため、どの単位で情報を分けるかが重要になります。

例えば、

• 一つのルール
• 一つの手順
• 一つの製品仕様
• 一つのFAQ
• 一つの判断基準
• 一つの事例

など、意味のまとまりを意識して情報を整理します。

NTIでは、このような再利用できる意味の単位として情報を扱う考え方を重視しています。生成AIに情報を渡すことだけではなく、AIが利用しやすい形で知識を整えることが重要だからです。

RAGでも間違った回答は起こる

RAGを使えば、生成AIが絶対に正しい回答をするわけではありません。RAGを利用していても、誤った回答が発生する可能性があります。

例えば、

• 必要な情報を検索できなかった
• 間違った資料を取得した
• 古い情報を参照した
• 質問の意図を正しく理解できなかった
• 取得した情報を生成AIが誤って解釈した

といったケースです。

そのため企業で利用する場合には、「RAGを入れたから正確になる」ではなく、どの情報を根拠に回答したのか確認できる仕組みも重要になります。回答と一緒に参照元の文書や該当箇所を示すことも、その方法の一つです。

RAGはどのような業務で使えるのか

RAGは、社内に多くの情報が存在する業務と相性があります。

社内問い合わせ

人事制度、経費、総務、情報システムなど、社内ルールに関する質問へ回答します。

マニュアル検索

業務マニュアルや操作手順を参照しながら、必要な手順を回答します。

技術ナレッジ

設計資料、障害事例、技術文書などを参照し、エンジニアの情報探索を支援します。

営業支援

過去の提案資料、製品情報、顧客情報などを参照し、提案準備や情報整理を支援します。

カスタマーサポート

FAQや過去の問い合わせ履歴、製品マニュアルなどを参照して回答作成を支援します。

このようにRAGは、「社内に情報はあるが、探すのが大変」という業務で特に力を発揮します。

RAGの本当の課題はAIではなく情報かもしれない

企業でRAGを導入すると、それまで見えなかった問題が見えてくることがあります。

例えば、「どれが最新の資料かわからない」「同じ業務なのに部署によって説明が違う」「重要なノウハウが個人の頭の中にしかない」「資料はあるが検索できる状態になっていない」といった問題です。

これはAIの問題ではありません。企業の情報管理やナレッジの問題です。

その意味で、RAG導入は単なるAIシステム導入ではなく、企業が自分たちの情報を整理するきっかけにもなります。

NeoTech Innovationが考えるRAG

NeoTech Innovationでは、RAGを単なる「生成AIに社内文書を検索させる技術」とは考えていません。重要なのは、企業の中にある情報を、AIが利用できる知識へ変えていくことだと考えています。

そのためには、情報を集める → 整理する → 適切な粒度に分ける → 関係を整理する → 必要な情報を検索する → 生成AIが利用するという一連の設計が必要です。

生成AIのモデルだけを高度にしても、参照する情報が整理されていなければ、企業で安定して使える仕組みにはなりません。

RAGはAI技術であると同時に、企業の知識をどう設計するかという問題でもあります。NTIでは、生成AIだけを見るのではなく、情報・ナレッジ・業務プロセスまで含めて設計することを重視しています。

まとめ

RAGは、生成AIが外部の情報を検索し、その情報を参考に回答を作る仕組みです。

企業では、社内文書やマニュアル、技術資料、FAQなど、自社固有の情報を生成AIに活用させる方法として注目されています。

しかし、RAGは単に資料を登録すれば完成するものではありません。

重要なのは、どの情報を使うのか。どの単位で整理するのか。どの情報を検索するのか。その情報が正しいのか。という、情報そのものの設計です。

生成AIの性能が高くなるほど、AIに何を渡すかが重要になります。

RAGは、生成AIと企業の知識をつなぐ仕組みです。そして企業で生成AIを活用するためには、AIだけではなく、その企業が持っている知識を使える状態にすることが重要です。