「なぜ社内文書の質問に答えられるの?」
「ファインチューニングとどう使い分ける?」
「AIは物知りなのに、うちの社内規程は知らない」。この当然のズレを埋める仕掛けが、RAGです。誤解を一つ、先に正しておきます。
RAGとは、AIが回答する前に外部の文書を検索し、その内容を根拠にして答えを作る仕組みです。Retrieval-Augmented Generation（検索拡張生成）の略で、知識をAIの外に置いたまま参照させるのが要点です。あなたが持ち帰るべき芯は、「AIに覚え込ませる」のではなく「その場で調べさせる」という発想の切り替えです。
この記事では、まずRAGが必要になったLLMの弱点を押さえ、検索・付加・生成の3ステップを図でたどります。さらにファインチューニングとの使い分けを表で整理し、業務での注意点まで示します。
1. RAGとは何か
ふつうのAIチャットは、学習済みの知識だけを頼りに答えます。対してRAGは、質問を受けるとまず関連しそうな文書を探し、その中身を手元に置いてから回答を組み立てます。答えの根拠が、AIの記憶ではなく「検索してきた文書」に置き換わるわけです。
この一手間があるおかげで、RAGはAIが学習していない情報にも答えられます。昨日更新された社内規程でも、公開直後のニュースでも、検索先に置いておけば回答の根拠になります。土台となるAI本体の仕組みは LLM（大規模言語モデル）とは で確認しておくと、RAGの立ち位置がはっきりします。
2. なぜRAGが必要か
RAGが広まった理由は、LLM単体が抱える2つの弱点を素直に埋めるからです。1つは知識の古さ。もう1つは、事実でない内容をもっともらしく作ってしまう現象です。
知識の古さは、LLMの仕組みそのものから来ます。モデルは学習した時点までの情報しか持たず、その後に起きた出来事は知りません。まして、社外に公開されていないあなたの会社の規程や在庫データは、学習のしようがありません。ここでモデルを作り直すのは費用も時間も重い。だからこそ、知識を外に置いて必要なときだけ参照させるRAGが現実的な答えになります。
3. RAGの3ステップ
RAGの内側は、大きく3ステップで動きます。図で一連の流れを見てください。
順に言うと、①質問に関連する文書を検索し、②見つけた文書を質問文に付け足してAIへ渡し、③AIがその文書を根拠に回答を生成します。ここで1段目の検索が外すと、AIにはずれた資料が渡り、答えもずれます。RAGの質は、生成の賢さより先に、検索の精度で決まる——あなたが覚えておくと役立つ勘所です。
4. ファインチューニングとの使い分け
AIに独自の知識を持たせる方法には、RAGのほかにファインチューニングがあります。両者は競合ではなく、目的で選び分けます。
| 観点 | RAG（検索で外付け） | ファインチューニング（再学習） |
|---|---|---|
| 知識の持たせ方 | 外部文書を都度参照 | モデル自体に学習させる |
| 情報の更新 | 文書を差し替えるだけで即反映 | 学習をやり直す必要がある |
| 得意なこと | 最新・社内の事実を答える | 特定の口調・形式を身につける |
5. 業務での使いどころと注意点
RAGは、社内文書を土台にしたチャットや問い合わせ対応、製品マニュアルの検索窓口など、正確さと最新性が求められる場面で力を発揮します。あなたが導入を考えるとき、成果を分けるのは次の3点です。
- 元になる文書の質と鮮度: 古い・誤った文書を置けば、答えも同じだけ劣化する
- 検索の精度: 質問の意図に合う文書を拾えるかが、回答の当たり外れを決める
- 出典を示す設計: 根拠の文書を提示すれば、利用者が答えの真偽を確かめられる
生成AIパスポートやG検定では、「ハルシネーションを抑える手法」「外部知識を参照して回答する仕組み」としてRAGが問われます。ファインチューニングとの違い——知識を外付けするか、モデルに焼き付けるか——を言い分けられれば、選択問題で迷いません。プロンプト側の工夫と組み合わせる話は プロンプトエンジニアリングとは にもつながります。
次のステップ
生成AIの用語を体系立てて押さえたいなら、生成AIパスポートの試験範囲と勉強法ガイド を起点にすると、RAGが他のキーワードとどうつながるかが見通せます。
理解を得点に変えるなら、生成AIパスポート プロンプト・RAGの問題集 で、実際の出題を解きながら、要点を腕にしみ込ませてください。