RAGとは？社内文書・マニュアルを理解するAIをやさしく解説

ChatGPTに「うちの店から札幌までの送料はいくら？」や「返品が7日を過ぎて届いた場合の社内ルールは？」と聞いてみてください。答えは作り話になるか、回答を断られるかのどちらかです。AIの能力が低いからではありません。御社の文書を一度も読んだことがないからです。RAG は、AIが自社の文書、マニュアル、社内データに基づいて回答できるようにする技術です。本記事では、できるだけ分かりやすく解説します。

なぜChatGPTは御社のことを知らないのか

GPTやClaudeのようなAIモデルは、インターネット上の膨大なテキストで学習しています。一般的な知識には強い一方で、次の三つは持っていません。

• 社内の非公開文書。 業務マニュアル（SOP）、価格表、契約書、社内規程は、インターネット上に存在したことがありません。
• 最新の情報。 モデルには知識のカットオフ（期限）があります。先週の価格改定は知りません。
• 固有の文脈。 御社でいう「B倉庫」が何を指すのか、モデルには分かりません。

データがない状態で無理にAIに答えさせると、自信満々に作り話をします。専門用語ではハルシネーションと呼ばれます。この問題を解決するのがRAGです。

RAGとは何か：平易な言葉で

RAGは Retrieval-Augmented Generation（検索拡張生成）の略です。ざっくり言えば、まず調べてから答える ということです。

優秀だけれど、まだ御社のことを何も知らない新入社員を想像してください。お客様から返品について聞かれたら、その社員はマニュアルのファイルを開き、返品のページを探して読み、そのページに基づいて答えます。ファイルを丸暗記しているわけではなく、調べ方を知っているのです。

RAGはまさにそれを、次の四つのステップで行います。

1. 文書をチャンク（断片）に分割する。 各ファイルを小さな単位（たとえば段落ごと、マニュアルの項目ごと）に分けて、検索しやすくします。
2. 各チャンクに「意味の指紋」を付ける。 技術的には エンベディング（埋め込み） と呼ばれ、文章の意味を数値で表現したものです。これにより「商品の返品ポリシー」と「返品」が似た意味だと認識されます。
3. 質問を最も関連性の高いチャンクと照合する。 質問が来ると、システムは意味が最も近いチャンクを3〜10個探し出します。
4. AIがそのチャンクをもとに、出典付きで回答を作る。 モデルには「以下のテキストだけに基づいて答えること。記載がなければ分からないと答えること」と指示します。回答には「返品マニュアル 3.2項」のような参照元を添えられます。

この「出典付き」という点が重要です。チームは回答を検証でき、システムへの信頼は約束ではなく、その積み重ねから生まれます。

企業にとって意味のあるRAGの活用例

私たちがLLM連携を構築してきた経験から、実際に成果が出やすい領域は次のとおりです。

従業員向けの業務マニュアル・アシスタント

新入社員が「お客様がサイズ交換を希望したときの手順は？」と聞くと、古くなっているかもしれない先輩の記憶ではなく、正式なマニュアルから即座に答えが返ってきます。多店舗展開の小売、店舗数の多い飲食チェーン、クリニック、物流などに向いています。

社内向けのカスタマーサポート支援

お客様向けではなく、対応担当者向けのチャットボットです。担当者が複雑な質問を受けたとき、すべての規程を読み込んだAIアシスタントに確認してから、自信を持ってお客様に回答します。お客様に直接AIを出すよりリスクが低く、WhatsApp AIチャットボットを構築する前の第一歩として適しています（WhatsAppはインドネシアで最も普及しているチャットアプリで、日本でいうLINEのような存在です）。

契約書・請求書・法務文書の検索

「来月契約が切れる取引先はどこか」「仕入先Xとの契約の違約金条項は何か」。RAGがなければ数十のPDFを開く必要がありますが、RAGがあれば元ファイルへの参照付きで数秒で答えが出ます。

製品ナレッジベース

数百のSKUや技術的な製品（補修部品、建材、医療機器など）を扱う企業では、営業チームがカタログを暗記しなくても、仕様や互換性に関する質問に答えられるようになります。

文書以外も含めたAI活用の全体像は、中小企業のための実践的なAI活用例10選をご覧ください。

データの準備：最も重要な工程

これは私たちがすべての見込み客の方に強調している教訓です。RAGの品質は、与える文書の品質で決まります。 準備しておくべきことは次のとおりです。

私たちの経験では、RAGプロジェクトの時間の30〜50%はAI部分ではなく、この工程に費やされます。文書がまだ整理されていない場合は、先にまだAIが必要ないビジネスとはを読んでいただくほうが賢明かもしれません。

RAGの精度はどれくらいで、どう測るのか

正直なところ： 私たちが構築するものも含め、100%正確なRAGシステムは存在しません。精度は文書の品質、テキストの分割方法、検索の品質、使用するモデルによって左右されます。「絶対に間違えない」と約束する人は、夢を売っています。

できるのは、測定して改善すること です。私たちの方法は次のとおりです。

1. 実際の質問50〜100件と、文書に基づく正解をリストにします。これは御社のチームと一緒に作成します。
2. システムを動かして回答を比較し、「正解」「一部正解」「不正解」の三つに分類して記録します。
3. 不正解のものについて原因を探します。文書が存在しないのか、チャンクが見つからなかったのか、モデルが誤った結論を出したのか。
4. 修正して再テストします。この数値が、システムを本格展開する前の基準になります。

整理された文書であれば、現実的な目標はたいてい正答率85〜90%以上です。残りは「その情報は見つかりませんでした。X部門に確認してください」といった回答で対応します。正直な「分かりません」は、自信満々の誤答よりもはるかに価値があります。

プライバシー：文書はどこへ行くのか

特に契約書や顧客データについては当然の疑問です。選択肢は三段階あります。

• 商用プロバイダー（OpenAI、Claudeなど）。 送られるのは質問に関連する文書の断片だけで、アーカイブ全体ではありません。API経由のデータは一般的にモデルの学習には使われませんが、各プロバイダーのポリシーは確認しておくべきです。多くの中小企業にとって最も現実的な選択肢です。
• 自社サーバー上のオープンソースモデル（たとえばOllama経由）。 データが自社のインフラの外に出ることはありません。その代わり、GPU搭載または高スペックのサーバーが必要で、回答の品質は一般に最上位の商用モデルにやや劣ります。
• ハイブリッド。 検索と文書の保管は自社サーバーで行い、回答の文章化だけに商用プロバイダーを使います。機密データは事前にマスキングします。

この点は通常、最初の段階で話し合います。選択によって費用とアーキテクチャが変わるからです。すべての企業に共通する唯一の正解はありません。

費用とスケジュールの目安

以下の数字は2026年時点の 大まかな見積もり で、見積書ではなくイメージをつかんでいただくためのものです。

私たちは常にプロトタイプから始めることをお勧めしています。2週間と限られた予算で、文書の準備ができているか、チームが実際に使うかどうかが分かります。うまくいけば本格版へ進みます。このスコープの決め方についてはMVPか完成版かで解説しています。

現実的なシナリオ

5店舗、スタッフ約40名の小規模な美容クリニックチェーンを例に考えてみましょう。施術手順、返金ポリシー、キャンペーンのルール、クレーム対応の方法など、マニュアルは30数件あります。新しいスタッフが入るたびに、マネージャーはすでに文書に書かれている質問に何時間も答えています。

このようなシナリオでの第一歩は、お客様向けのチャットボットではなく、スタッフがWebや社内向けWhatsAppから使えるRAGベースの社内アシスタントです。スタッフが「誕生日キャンペーンはどの施術に適用される？」と聞くと、最新のキャンペーン文書から、文書名付きで答えが返ってきます。特殊なケースは引き続きマネージャーが対応しますが、定型的な質問の負担は大きく減ります。文書が整理されていて精度も測定できたと確認できてから、初めてお客様向けの版を検討します。

RAGが答えにならないのはどんなときか

公平を期すために、私たちが別の方法を勧める状況も挙げておきます。

• 文書が全部で5〜10ページしかない。PDFを共有するか、シンプルなFAQページで十分です。
• チームがいつも同じ質問ばかりしている。メニュー形式やFAQ一覧のほうが安く済みます。
• そもそも文書がまだ書かれていないことが主な問題である。検索する対象がありません。
• 必要なのは検索ではなく計算である。「第3四半期の売上合計は？」にはRAGではなく、ダッシュボードやレポートで答えるべきです。

次のステップ

チームが文書にすでに書かれていることを何度も質問している、あるいは自社の文書がRAGに使える程度に整理されているか知りたい、という場合は、お気軽にご相談ください。初回相談は無料で、契約の義務もありません。当社のAIエンジニアリングサービスをご覧いただき、お問い合わせフォーム、WhatsApp、またはメール（hello@rancanginaja.com）からご連絡ください。