社内データをAIで活用する「RAG」とは？仕組みと導入前の準備
「ChatGPTは便利だけど、うちの会社のことは知らない」。この課題を解決する代表的な方法がRAG（Retrieval-Augmented Generation：検索拡張生成）です。
RAGの仕組み
- 社内の資料（マニュアル、規程、FAQなど）をあらかじめ検索できる形に整理しておく
- 質問が来たら、関連する資料の部分を検索して取り出す
- 取り出した内容をAIに渡し、それを根拠に回答を作らせる
AI自体を再学習させるわけではないため、資料を更新すれば回答にも反映しやすいのが特徴です。
こうした記事を定期的に受け取る
向いている用途
- 社内規程や手続きの問い合わせ対応
- 製品マニュアルに基づく顧客サポートの補助
- 過去の提案書・報告書の検索と要約
導入前に整えておくこと
- 資料のデジタル化と集約：紙や個人PCにある資料は検索できません
- 情報の鮮度：古い資料が混ざると誤った回答の原因になります
- アクセス権限：見せてよい人・いけない人を整理します
- 回答の根拠表示：どの資料を参照したかを示すと、利用者が確認しやすくなります
限界も理解しておく
資料に書かれていないことや、資料同士が矛盾している場合は正しく答えられないことがあります。重要な判断には人の確認を組み合わせましょう。
まとめ
RAGの成否はAIよりも「資料の整備」で決まることが多いです。まずは対象とする資料の範囲を決め、整理するところから始めてみてください。
よくある質問
Q. RAGとAIの追加学習（ファインチューニング）は何が違いますか？
RAGは回答のたびに資料を検索してAIに渡す仕組みで、AI自体は変更しません。ファインチューニングはAIモデル自体を追加データで調整する方法です。社内資料に基づいて答えさせる用途では、更新のしやすさからRAGが選ばれることが多いです。
Q. RAGを導入すれば誤回答はなくなりますか？
なくなるわけではありません。資料の不足や矛盾、検索の精度によって誤回答は起こり得るため、根拠の表示と人による確認を組み合わせることが重要です。