RAG：AIに資料を読ませると何が変わるか #7

「このAI、うちの会社のことを何も分かってない」

そう思ったことがある人は多いんじゃないかと思う。
社内の手続きを聞いても的外れ、規定の名前を出しても「存在しない」と返ってくる、最新のプロジェクト情報を知らない——。

AIは賢いのに、自分の仕事に関係する情報は持っていない。
この「知識の壁」を壊す仕組みが、RAGだ。

難しそうな言葉だが、原理はシンプルだ。
この記事では、「AIに自分の情報を読ませる」という発想の仕組みと、
すでに自分たちが使っている場面を整理する。

RAGとは「答える前に調べる」AIの仕組み

RAGとは Retrieval-Augmented Generationの略で、
日本語では「検索拡張生成」と訳される。

普通のAI（RAGなし）は、学習済みの知識だけで回答する。
第3回の記事で触れた「カットオフ」の問題——
学習データに締め切りがあり、それ以降のことは知らないことがここで効いてくる。

RAGはこの問題を回避するためのアプローチだ。ユーザーが質問すると、
AIはまず外部のデータソース（資料・データベース・ウェブ）から関連情報を検索して取得し、その情報を文脈として加えた上で回答する。

たとえ話：試験会場に持ち込める参考書

RAGなしのAIは、事前に丸暗記した知識だけで答える「試験の閉じた問題」状態。
RAGありのAIは、試験中に関連する資料を参照しながら答えられる「持ち込み可の試験」状態に近い。
参照できる資料の質と範囲が、答えの精度を左右する。

すでに使っている場面 ウェブ検索・Deep Research・NotebookLM

「RAGって自分には関係ない話」と思ったとしたら、もう使っている可能性が高い。

AIのウェブ検索機能

ChatGPT・Claude・Geminiなどのウェブ検索機能（「🌐 で検索する」モード）は、RAGの一形態だ。
質問に応じてリアルタイムでウェブを検索し、取得した情報をもとに回答する。検索機能をオフにしたAIとオンにしたAIでは、まったく異なる「知識の範囲」で動いている。

Deep Research

生成AIサービスには「Deep Research（ディープリサーチ）」という機能がある。ユーザーが調査テーマを指定すると、AIが自律的に5〜30分かけてウェブを巡回し、複数の情報源から情報を収集・整理してレポートを作成してくれる。これはRAGを自動化・高度化したものだ。

NotebookLM

Google のNotebookLMは、RAGの仕組みをユーザーが直接体験できるサービスだ。PDFや文書をアップロードすると、AIはその資料の中身だけをもとに回答する。
回答には出典箇所のリンクが付き、どの資料のどの部分から答えたかがわかる。

「この機能、すでに使っていた」という方が多いと思う。それがRAGだ。

社内情報活用 AIに自社の知識を持たせる

RAGの最も実用的な使い方が、社内情報との連携だ。

AIはインターネット上に公開されていない情報——
社内規定・マニュアル・過去の議事録・顧客データベース
を学習していない。そのままでは「うちの会社には何も使えない」になる。

RAGを使えば、これらの社内文書をAIの「参照元」として設定できる。
たとえば

• 「この規定の〇〇条件を満たしているか確認して」→ 社内規定を参照して回答

• 「先月の会議でこの件どう決まったっけ」→ 議事録データベースから検索して回答

• 「新人向けに入社手続きの流れをまとめて」→ 社内マニュアルをもとに生成

これが「社内AI」「業務AI」と呼ばれるものの多くで使われている仕組みだ。

身近なところで試す方法

エンタープライズ向けシステムを導入しなくても、小規模なRAGなら今すぐ試せる。

ChatGPTやClaudeに資料をアップロードして
「この資料の内容をもとに答えてください」と指示するのも、
手動のRAGと言える。NotebookLMにPDFを読み込ませて質問するのも同じ発想だ。

「社内情報を読み込ませたAI」のイメージを、まずここで掴んでおくといい。

RAGを使う上で知っておきたいリテラシー

RAGは便利な仕組みだが、知っておかないと誤解が生まれやすい点もある。使う側のリテラシーとして4つ整理しておく。

① RAGがオンかオフかを意識する

同じAIサービスでも、ウェブ検索がオンの状態とオフの状態では、
情報源がまったく異なる。検索機能がオフのAIは、カットオフより古い知識しか持っていない。

「このAI、今どちらのモードで動いているか」を意識するだけで、
回答の信頼度の評価が変わる。

② 引用は必ずしも正確ではない

RAGがあるからといって、AIの回答が100%正確になるわけではない。ウェブ検索ありのChatGPTでは、引用リンクが壊れていたり、参照元と内容がずれていたりするケースが報告されている。
一方でNotebookLMは出典箇所との対応精度が高いとされている（。

引用があるからといって鵜呑みにしない。 重要な情報は出典元を自分で確認する習慣は変わらない。

③ 読み込ませる情報の質が回答の質を決める

RAGの精度は、参照する情報の質に直結する。整理されていない・矛盾した・古い情報を読み込ませると、AIもそれに引きずられた回答を返す。

「ゴミを入れるとゴミが出る（Garbage in, garbage out）」はRAGでも変わらない。社内AIを導入しても成果が出ないケースの多くは、読み込ませるデータの整備不足が原因だと言われている。

④ RAGでもハルシネーションはゼロにならない

RAGは「AIが知らないことを補う」仕組みだが、
ハルシネーション（AIが事実でないことを自信満々に出力する現象）をゼロにするわけではない。取得した情報を誤って解釈したり、関係のない情報を混ぜてしまったりすることがある。

RAGを使っているからといって検証を省略しない、という基本姿勢は変わらない。

「AIは自分たちの情報を知らない」という問題は、
もはや「仕方ない」で終わらせなくていい。

RAGという仕組みを知っておくと、
「このAIに自社のマニュアルを読ませたらどうなるか」
「この検索機能はどこから情報を引っ張ってくるのか」という問いが立てられるようになる。

使いこなすには、仕組みを一枚めくることが必要だ。
それはコードを書くことじゃなく、こうやって概念を掴むことから始まる。

次回は「MCP」——AIと外部ツールをつなぐ仕組み——の話をする。
RAGが「AIに情報を渡す」仕組みなら、MCPは「AIに操作させる」仕組みだ。

「社内の情報をAIに読ませてみたい」「NotebookLMを試してみた」という方、使い心地をコメントで教えてください。
役に立ったと感じたら、スキを押してもらえると励みになります。