社内のAIチャットボットや、資料をもとに答えるAIの話で、「RAG(ラグ)」という言葉を見かけることが増えました。RAGは、AIが答える前に資料を検索し、その内容をもとに回答させる仕組みです。
この記事では、AWSの解説や元になった研究をもとに、RAGの意味と仕組み、メリット、小さな会社で使う場面を解説します。
結論:RAGとは、AIが答える前に資料を検索し、その内容をもとに回答させる仕組み

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。AWSは、大規模言語モデル(LLM)が回答を作る前に、学習データ以外の信頼できる知識ベースを参照させ、出力を改善する仕組みとして説明しています。
AIは、社内の資料や新しい情報を知らない
RAGが必要になるのは、ChatGPTなどのAIが、学習した時点までの情報で答えるからです。自社の就業規則や商品の仕様、先月決まったルールなどは、学習データに入っていません。
そのまま質問すると、AIは知らない部分を、それらしい一般論で埋めて答えることがあります。AWSも、RAGを使わないAIの課題として、古い情報や一般的すぎる情報を答えてしまうことや、信頼できない情報源から答えを作ってしまうことを挙げています。
「持ち込み可の試験」にたとえると分かりやすい
RAGは、試験にたとえると「教科書の持ち込みが許された試験」のようなものです。ふつうのAIが記憶だけで答えるのに対し、RAGでは、質問に関係するページを先に開いてから答えます。
この考え方は、2020年にFacebook AI(現在のMeta)などの研究者が論文で発表したものです。記憶だけに頼らず、外の資料を探して答えに使うことで、知識が必要な質問により正確に答えられることが示されました。
RAGの仕組み|4つのステップ

AWSの説明をもとに、RAGの流れを4つのステップに整理しました。
| ステップ | やること |
|---|---|
| 1. 資料を用意する | マニュアル、規程、FAQなどの資料を、AIが検索しやすい形に変換して保存する |
| 2. 関係する情報を探す | 利用者の質問をもとに、保存した資料から関係の深い部分を探す |
| 3. 質問に資料を添える | 探した資料を質問に添えて、AIに渡す |
| 4. 資料を更新する | 資料が変わったら、保存した内容も更新して最新に保つ |
言葉が違っても、意味の近い部分を探せる
2の「探す」部分では、単純な言葉の一致ではなく、意味の近さで資料を探す方法がよく使われます。AWSは、質問と資料をそれぞれ数値の形(ベクトル)に変えて照らし合わせる流れを説明しています。
たとえば「有給はいつから使える?」という質問に対して、資料に「年次有給休暇の付与日」と書いてあれば、言葉が違っても関係の深い部分として見つけられます。社員が思いついた言葉で質問しても、必要な規程にたどり着けるのはこのためです。
利用者は、ふつうに質問するだけでいい
利用者から見ると、ふつうにAIへ質問しているだけです。資料を探してAIに渡す工程は、裏側で自動的に行われます。
ただし、4の更新を忘れると、古い資料をもとに答え続けてしまいます。AWSも、資料を最新に保つために、定期的に更新する仕組みが必要だと説明しています。RAGは作って終わりではなく、資料の手入れを続ける前提の仕組みです。
RAGの3つのメリット

RAGのメリットは、「新しい情報を安く使える」「根拠を確かめやすい」「参照先を管理できる」の3つです。
1. AIを学習し直さなくても、新しい情報を使える
AWSは、組織に固有の情報を覚えさせるためにAIのモデルを学習し直すと、計算や費用の負担が大きいと説明しています。RAGなら、資料を差し替えるだけで新しい情報を回答に反映できます。
小さな会社にとって、AIを一から学習し直すのは現実的ではありません。RAGであれば、規程を改定したらファイルを入れ替える、という手軽さで答えを新しくできます。AIを特定の用途に合わせて学習し直す方法は「ファインチューニング」と呼ばれ、RAGとは役割が違います。
2. 回答の根拠を確かめやすい
RAGでは、回答に使った資料を出典として示せます。AWSも、RAGの出力には出典への引用や参照を含められ、利用者が元の資料を確かめられると説明しています。
ふつうのAIの答えは、どこから来た情報なのかが分かりにくいのが弱点です。出典が付いていれば、「就業規則の第○条にもとづく答え」のように、根拠を自分の目で確かめてから使えます。
3. 参照する資料を管理できる
どの資料を参照させるかを、運用する側で決められます。AWSは、利用者の権限に応じて、参照できる資料を絞り込む使い方も挙げています。
たとえば、全社員が使うAIには公開してよい規程だけを参照させ、給与の資料は担当者だけが使えるようにする、といった分け方です。答えの材料を自分たちで選べるため、知らない情報源から答えを作られる心配も減ります。
小さな会社でRAGが役立つ場面

RAGが力を発揮するのは、「答えは社内の資料に書いてあるのに、探すのに時間がかかる」場面です。
社内のよくある質問への回答
就業規則や経費のルールなど、社員からよく聞かれる質問は、RAGと相性がよい使い道です。答えは資料に書いてあるので、AIにその資料を参照させれば、担当者が同じ説明を何度もくり返さずに済みます。
担当者が不在でも社員が自分で調べられるようになり、聞く側の遠慮も減ります。答えに出典が付いていれば、社員が規程の原文を確かめることもできます。
お客様からの問い合わせ対応
商品の説明書やFAQをもとに、問い合わせへの回答の下書きを作る使い方もあります。担当者は、AIが作った下書きを確かめて直すだけで済みます。
ただし、お客様に送る文章は、そのまま送らずに人が確かめてください。資料の読み違いがそのままお客様に届くと、信用に関わります。問い合わせ対応へのAIの取り入れ方は、小さな会社の問い合わせ対応にAIは使える?で解説しています。
過去の資料探しと要約
議事録や提案書、報告書がたまっている会社では、過去の資料探しにも使えます。「去年の展示会の反省点は?」と聞けば、関係する議事録の部分を探して要約してくれます。
ファイルの名前やフォルダを覚えていなくても、内容で探せるのが強みです。ただし、RAGを使っても、AIが資料を読み違えたり、資料にないことを補ったりする可能性は残ります。大切な判断に使うときは、元の資料を開いて確かめましょう。
あわせて読みたい
よくある質問

- RAGを使うには、プログラミングが必要ですか?
-
自分でRAGの仕組みを作る場合は、開発の知識が必要です。一方で、資料を読み込ませて質問できるAIサービスも増えています。まずは、使っているAIサービスに資料をもとに答える機能があるかを確認してみましょう。
- RAGを使えば、AIは間違えなくなりますか?
-
間違いを減らす助けにはなりますが、なくなるわけではありません。参照した資料が古い場合や、AIが資料を読み違えた場合は、誤った回答になります。資料を最新に保つことと、人による確認を組み合わせましょう。くわしくはハルシネーションとは?もご覧ください。
まとめ|RAGは「AIに資料を持たせて答えさせる」仕組み

RAGは、AIが答える前に資料を検索し、その内容をもとに回答させる仕組みです。AIを学習し直さなくても社内資料や新しい情報を使え、回答の根拠も確かめやすくなります。
一方で、資料が古ければ古い答えになり、読み違いもなくなりません。資料の更新と人による確認を前提に、社内の質問対応などから試してみましょう。
社内資料を使ったAIの活用を、自社でどう始めればよいか相談したい場合は、お問い合わせフォームからご相談ください。
参考:RAG とは何ですか? – 検索拡張生成 AI の説明(AWS)、Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks(Lewis ほか、2020年)
