RAG（検索拡張生成）：資料を検索して答えるAI

外部の資料を検索してAIの回答に使う仕組み「RAG」の基礎と導入の注意点

RAG（Retrieval-Augmented Generation、検索拡張生成）とは、AIが回答を作る前に、外部の資料やデータベースから関連する情報を検索し、その内容を手がかりに回答を生成する仕組みです。社内規程に答えるチャットボットや、製品マニュアルを参照するサポートAIなど、企業でのAI活用で最もよく使われる構成のひとつです。

なぜRAGが必要なのか

大規模言語モデル（LLM）は学習時点までの一般的な知識しか持っておらず、社内文書のような非公開情報や、知識のカットオフ以降の情報は知りません。また、知らないことをもっともらしく答えてしまうハルシネーションの問題もあります。

RAGでは、質問のたびに関連資料を探してAIに渡すため、次のような利点があります。

社内文書や最新情報にもとづいて回答できる
回答の根拠（出典）を示しやすい
資料を更新すれば、モデルを学習し直さなくても回答に反映される

この考え方は、2020年にLewisらが発表した論文「Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks」で広く知られるようになりました。

基本的な流れ

資料の準備：PDF、Word、Webページなどからテキストを取り出し、適度な長さの断片（チャンク）に分割します。
索引づくり：各断片を検索できる形にします。意味の近さで探す場合は、断片を数値のベクトルに変換して保存します（埋め込み（エンベディング）とベクトル検索参照）。キーワード検索を併用することもあります。
検索：ユーザーの質問に関連する断片を取り出します。
生成：取り出した断片と質問をまとめてLLMに渡し、資料にもとづいて回答させます。

うまくいかない典型例と対策

欲しい資料が検索でヒットしない：分割の単位が適切か、表や画像の中の文字が取り出せているかを確認します。
古い資料と新しい資料が混在：更新日や版を管理し、古い資料は索引から外します。
資料にないことまで答える：「資料に記載がなければ、そう答える」とプロンプトで明示します。
長すぎる資料を全部渡す：関係の薄い情報が増えると精度が落ちることがあります（コンテキストウィンドウ参照）。

導入時の注意点

アクセス権限：閲覧権限のない社員に、AI経由で機密文書の内容が見えてしまわないよう、検索対象を権限ごとに分けます。
個人情報：顧客情報や人事情報を索引に入れる場合は、社内規程と法令を確認してください。
評価：代表的な質問と正解のセットを用意し、資料の追加や設定変更のたびに回答品質を確認しましょう。

まず試すなら

多くのチャットAIサービスには、ファイルをアップロードして質問できる機能や、社内ドライブと接続する機能があります。いきなり仕組みを自作するより、まずはこうした機能で「どの資料をどう聞けば役立つか」を確かめるのがおすすめです。

参考リンク

編集: AI Play 編集部　最終更新: 2026-10-25