RAG（社内データ参照）
生成AIは「検索してから答える」と、ぐっと頼れる相棒になる
RAG は、質問に関係する社内文書をまず検索し、根拠として渡してから生成AIに答えさせる仕組みです。生成AIそのものを作り直す必要はありません。
- 自社ルールにも出典つきで答えられる
- 根拠が手元にあるので作り話が起きにくい
- 文書を入れ替えれば回答も最新になる
なぜ検索してから答えるのか
生成AIの知識は『学習したときまでの、世の中一般のこと』にとどまります。あなたの会社の経費規程や、先週決まった手順は知りません。それでも質問すれば、それっぽく答えてしまう——この弱点はどうすれば補えるのでしょうか。
質問が「根拠つきの回答」になるまで
各ステップ・参加者・分岐をクリックすると、その仕組みの説明がここに表示されます。
この図をテキストで読む
シーケンス図「質問が「根拠つきの回答」になるまで（RAG）」。参加者4人、ステップ7個。 【参加者】（左から右） - あなた: 質問する人 - 検索: 意味が近い文書を探す - 社内データ: マニュアル・規程・議事録 - 生成AI: 答えを生成する 【流れ】（上から下へ） ── ① 根拠を集める（検索してから答える） ── 1. あなた → 検索: 知りたいことを普段の言葉で質問 2. 検索 → 社内データ: 意味が近い文書を社内データから探す 3. 社内データ → 検索: 関係する数件（＝根拠）を返す（応答） ── ② 根拠を元に答える（資料を見ながら） ── 4. 検索 → 生成AI: 質問＋見つけた文書をまとめて渡す 5. 生成AI → あなた: 根拠に基づき、出典つきで回答（応答） ── 比較：記憶だけで答えると（RAG なしのとき） ── 6. あなた → 生成AI: 同じ質問をそのまま生成AIへ 7. 生成AI → あなた: 記憶頼みで回答（ハルシネーション注意）（応答）
減る理由は「資料を見ながら」にしたから
RAGは賢い生成AIに入れ替える魔法ではなく、『答える前に正解の資料を手渡す』工夫です。人も記憶だけより資料を見て答えるほうが正確なのと同じ。逆に渡す文書が古いと答えも崩れるので、文書の整備（=データの5S）がそのまま回答の質になります。
押さえておきたい言葉
- RAG（検索拡張生成）
- 生成AIに答えさせる前に、社内データから関連文書を『検索（Retrieval）』して渡し、それを『根拠（Augmented）』に答えを『生成（Generation）』させる仕組み。頭文字をとってRAGです。
- ハルシネーション
- 生成AIが、事実とズレた内容をそれっぽく自信たっぷりに答えてしまうこと。『もっともらしい幻覚』の意味。記憶だけで答えさせると起きやすくなります。
- 根拠（出典）
- 回答のもとにした社内文書のこと。RAGは『どの文書を見て答えたか』を一緒に示せるので、人が裏取りして安心して使えます。
- 意味で探す検索
- 単語が一致しなくても『意味が近い文書』を見つける検索のしかた。『締め日』で聞いても『いつまでに提出』のような表現を拾えます。
- 知識の更新
- RAGでは社内文書を入れ替えるだけで回答が最新になります。生成AIそのものを学習し直す必要がないのが大きな利点です。
ここから先へ
この解説とつながりのあるページ