RAG（検索拡張生成）とは
RAG（Retrieval-Augmented Generation、検索拡張生成）とは、質問を受けたときに、まず関連する資料を検索して取り出し、その資料の内容を生成AI（LLM）に渡して、資料に基づいた回答を作らせる仕組みです。「検索（Retrieval）で補強した（Augmented）生成（Generation）」という意味です。
LLMは、学習していない社内の情報や、最新の情報を知りません。RAGを使うと、必要なときに必要な資料を渡せるため、自社固有の知識に基づく回答ができるようになります。
試験にたとえると、暗記だけで答えるのではなく、参考書を開いて確認しながら答える方式です。
仕組み・ポイント
RAGの基本的な流れは、次のとおりです。
- 準備：社内の文書などを細かく分割し、検索できる形で保存する
- 検索：質問に関連する部分を探し出す
- 生成：見つけた内容と質問をLLMに渡し、回答を作らせる
- 提示：回答とあわせて、根拠となった資料を示す
| 要素 | 品質への影響 |
|---|---|
| 資料の質 | 古い、矛盾した資料があると、誤った回答になる |
| 分割の仕方 | 区切りが不適切だと、必要な情報が検索に出てこない |
| 検索の精度 | 関連の薄い資料が渡ると、回答が的外れになる |
| 権限の管理 | 閲覧できないはずの資料から答えてしまう危険がある |
特に、権限の管理は重要です。質問した人が見てはいけない資料を、AIが回答に使ってしまうと、情報の漏えいになります。検索の段階で、利用者の権限に応じて対象を絞る設計が必要です。
実務での使い方・具体例
架空の例として、社内の規程や手順書をもとに、従業員の質問に答えるシステムを作る場面を考えます。まず、資料を整理し、古い版を取り除きます。次に、質問ごとに関連する箇所を検索し、LLMには「渡した資料の範囲でだけ答える」よう指示します。回答には、元の資料の名前と該当の箇所を添えます。
運用では、評価用の質問と、正しい答えの組を用意しておき、資料や設定を変えるたびに品質を比べます。回答できない質問は、「分かりません」と返す設計にし、担当者への問い合わせへ誘導します。最初は一部の部署で試し、問題を確認してから広げます。
運用の開始後は、利用者からの評価や、答えられなかった質問の記録を集め、資料の追加や整理に活かします。
判断のチェックポイント
- 対象の資料を整理し、古い資料や矛盾を除いたか
- 検索の精度を、評価用の質問で確認したか
- 利用者の権限に応じて、検索の対象を制限しているか
- 回答に、根拠となる出典を示しているか
- 答えられない場合の挙動を設計したか
- 資料の更新を、検索の対象へ反映する手順があるか
よくある誤解と注意点
- RAGにすれば誤りがなくなるわけではない：検索や資料の質が悪いと、誤った回答になります。
- 資料を入れるだけでは精度は出ない：分割や整理の工夫が必要です。
- 権限の考慮を後回しにしない：漏えいのリスクに直結します。
- 一度作って終わりではない：資料の更新と、評価の継続が必要です。
- 追加の学習とは異なる：モデル自体は変えず、渡す情報で補います。
関連用語
- LLM（大規模言語モデル）：RAGで使う、文章を生成するモデル
- ベクトル検索：意味の近さで探す検索の方式
- チャンク（チャンク分割）：資料を検索に適した単位へ分けること
- ハルシネーション：根拠のない内容を生成する現象
Otsumuに相談できること
RAGは、社内の知識を活かせる有力な構成ですが、成果は資料の整理と評価の仕組みに大きく左右されます。Otsumuでは、小さな範囲での検証を前提に、活用の見通しと評価の考え方を、ご一緒に整理できます。
MVP開発のご支援内容もご覧いただけます。進め方に迷う段階であれば、30分の無料相談でお話しください。
執筆：Otsumu株式会社 ／ 編集日 2026.10.04