2026年3月31日
RAGとは？その仕組みとRAGの精度を向上させる方法
AIを業務で活用するうえで欠かせないのがRAGです。この記事では、RAGとは何なのかという基礎的なことから、RAGの精度を改善する方法とそれぞれの製品ごとのRAGの比較検証まで徹底解説します！
RAG（検索拡張生成）とは ?
RAG（Retrieval-Augmented Generation）は生成AIが回答を作成する際に、外部のデータベースや文書から関連情報を「検索」し、その情報を基に回答を「生成」する技術のことを指します。
RAGを使用することによって基盤モデルの学習データに存在しないようなことでも、回答できるようになります。
RAGの仕組みについて
具体的には、ユーザーから質問やタスクを受け取ると、まず関連する情報を外部のデータベースから検索します。
そして、検索された情報とユーザーのプロンプトをもとに、LLMが回答を生成します。
RAGの仕組みは、主に以下の3つのフェーズで構成されます。
1. 検索（Retrieval）
ユーザーからのプロンプト（質問やタスク）を受け取ると、RAGシステムはまず検索システムを用いて、プロンプトに関連する情報をデータベースから検索します。
検索によって得られた情報は次のフェーズで活用されます。
2. 拡張（Augmentation）
「1. 検索」で得られた検索結果の情報と、ユーザーが入力したプロンプトを組み合わせ、LLMが回答を生成する際に利用できる形式に加工します。
この段階では、関連情報の構造化や要約、プロンプトへの追加などが行われ、LLMがより理解しやすい形へ元のプロンプトが拡張され、次のフェーズで活用されます。
3. 生成（Generation）
「2. 拡張」で加工された情報をもとに、LLMが質問やタスクに対する回答を生成します。
LLMは、自身の学習データに加えて、外部データから得られた最新情報を考慮して回答を生成するため、より正確で信頼性の高い情報を提供することができます。
RAGの活用例
社内規程の検索時間を大幅に短縮
社員が必要な規程を探し出すまでに平均30分を要していたケースで、RAGを活用した社内検索システムを構築することで、「有給休暇を取得するにはどうすればよいか」と入力するだけで、該当する規程へ即座にたどり着けるようになりました。
問い合わせ対応の自動化によるオペレーション効率化
顧客からの問い合わせに対して担当者が毎回同様の回答を繰り返していた業務においても、RAGの導入が効果を発揮します。
蓄積されたFAQデータベースをナレッジソースとしてRAGを構築することで、AIが個々の問い合わせに対して自動で回答を生成し、対応業務の大幅な自動化を実現します。
ナレッジの組織共有による属人化の解消
特定の専門知識を持つ社員が不在の場合に回答できないという、業務の属人化の解消も実現可能です。
RAGを活用してナレッジを組織全体で蓄積・共有できる仕組みを整備することで、担当者への依存を減らし、誰もが必要な情報に素早くアクセスできる環境を実現します。
RAGの精度を向上させる方法
RAGの精度を上げるうえで注目すべきところは以下の二つがあります。
- 検索精度：ユーザーの入力に対して、正しく情報を取得できているのかの精度
- 回答精度：生成AIが正しく検索結果を理解し、ユーザーの意図した回答をできているのかの精度
ここではユーザーの皆様でも可能なRAGの精度を向上させる方法をご紹介します。
非エンジニアでもできるRAGの精度を向上させる３つの方法
アプローチ | コスト | 有効度 | 検索精度に寄与 | 生成精度に寄与 |
|---|---|---|---|---|
①RAGとして登録するファイルの加工 | 高 | 高 | ◎ | ◎ |
②システムプロンプトの変更 | 低 | 高 | - | ◎ |
③質問内容の変更 | 低 | 中 | 〇 | 〇 |
- コスト：低＜中＜高 (人的コストや時間的コスト)
- 有効度: 低＜中＜高 (改善効果の大きさ)
- 寄与度: - (影響なし) <△＜〇＜◎
①RAGとして登録するファイルの加工
RAGとして登録するファイルの加工は検索精度や生成精度の両方に寄与します。この方法は特に表や図を含む場合に非常に有効です。
ファイルに表や図が含まれる場合、生成AIが正しく意味合いを理解できないことが多々あります。そこで、表が図を言語化することで、正確に生成AIが理解することができるようになります。
特に生成AIが理解しやすいファイル形式としてマークダウン形式(.md)があります。マークダウン形式でファイルを作り直すことも非常に有効な手段といえます。
②システムプロンプトの変更
システムプロンプトの変更は生成AIの回答精度に一定の効果をもたらします。以下のように役割や指示や出力形式など、なるべく具体的に細かく記載するようにしてください。
# 役割
あなたは情報システム部のヘルプサポートデスクの担当員です。
# 指示
ユーザーからの質問に対して具体例を示し、明徴にわかりやすく回答を行ってください。
# 出力形式
- 注釈や一般的な情報は不要です。
- 初めに結論を端的に述べ、そのあとに具体的な説明を行ってください。
- 解答が不明な場合はその旨を必ず出力するようにしてください。
- 回答には必ず情報源を提示し、ユーザーが情報源に簡単に確認しやすいようにしてください。
③質問内容の変更
②のシステムプロンプトではなるべく詳細にかつ具体的に記載することが重要だと述べましたが、質問内容も同様になるべく詳細かつ具体的にのべることが重要になります。
あいまいな質問をしてしまうと、何を検索したらいいのか、何を回答したらよいのかを生成AIが正しく判断することができず、ほしい回答を得られなくなってしまいます。
以下の例のようなあいまいな質問は後述の質問のようにするようにしましょう。
あいまいな質問
交通費の清算方法について教えて。具体化した質問
交通費の清算方法について教えて。
出張で神戸から東京まで新幹線で行った。
領収書の納付先がわからないから教えてほしい。質問内容の変更については、人に聞くときと同様の考え方です。
ざっくりと質問するよりもより具体的に質問をしたほうが求めている回答は返ってきやすいです。
製品ごとのRAG比較
Microsoft 365 Copilot
Microsoft 365 CopilotでRAGを構築するには「エージェント」を作成します。
CopilotでRAGを構築する方法の詳細はこちらの記事をご覧ください。
ChatGPT
ChatGPTでRAGを構築するには「GPTs」を作成します。
ChatGPTでRAGを構築する方法の詳細はこちらの記事をご覧ください。
GPTsでRAGを構築するときの注意点
GPTsではナレッジとして登録できるファイルは２０個までで、各ファイルは512MBまでのものしかナレッジとして登録することはできません。
ENSOU AI
ENSOU AIでRAGを構築するには、「カスタムチャットボット」を作成します。
ENSOU AIでRAGを構築する手順の詳細についてはこちらの記事をご確認ください。
ENSOU AIのカスタムチャットボットでRAGを構築する方法
ENSOU AIでRAGを構築するメリット
ENSOU AIは、画像読み取りに特化したモデル（Gemini）と、回答生成に特化したモデル（GPT）を組み合わせて使用しています。
それぞれの処理に最適なモデルを活用することで、高品質な回答を実現しています。
また、PDFの読み取り時には、すべてのページを一度画像に変換したうえで解析を行うため、テキスト抽出の精度が非常に高い点も特長です。
RAG比較 : カスタムチャットボット(ENSOU AI) vs GPTs(ChatGPT)
以下に、ENSOU AIでは正確に読み取ることができた一方、他社システムでは読み取りが困難であった事例をご紹介します。
前提条件
- 架空の給与体系表を作成し、それをPDFファイルとしてRAGを構築した。
- システムプロンプトは統一し、システム間の設定の差異がないように注意した。
作成した給与体系表のファイルの中身はこちらの画像のとおりです。PDF形式のファイルとして扱いました。
使用した質問
情報源の中身について教えてGPTs（ChatGPT）の回答
GPTsを作成しそちらに上記のような質問をしたところ大方正しい答えが得られましたが、一部が推測で答えられており、誤りを含んだ回答が出力されてしまいました。
今回作成した架空の給与体系には規程の目的に関して一切記述しておらず、完全に推測で回答されていることが以下の画像からもわかります。
ENSOU AIの回答
一方でENSOU AIでは記載されていた情報を網羅的に回答してくれたことに加え、推測で回答をせずに、不明なところは不明だと述べてくれました。誤りがなく正確な回答を得ることができました。
製品を問わず読み取りが難しいドキュメント
製品を問わず生成AIでは読み取ることが難しいドキュメントが存在します。
それは図や表が複雑に存在しているものです。具体的にはフロー図や設計図などがあげられます。
例えば以下のようなドキュメントの場合、生成AIに質問しても欲しい回答が得られなかったり、誤りのある回答が得られてしまう可能性があります。
このような図または画像が資料内に含まれる場合はそれらを一度テキスト化することで、回答精度を向上させることが期待できます。
詳しくはRAGの精度を向上させる方法の①をご覧ください。
まとめ
RAGは、生成AIに外部のナレッジを組み合わせることで、社内規程の検索や問い合わせ対応の自動化など、業務効率化に幅広く活用できる技術です。
精度を高めるためには、登録ファイルの加工・システムプロンプトの最適化・質問内容の具体化という3つのアプローチが有効です。
製品選定においては、各ツールの特性を理解したうえで自社の用途に適したものを選ぶことが重要です。
ENSOU AIは、画像読み取りと回答生成にそれぞれ最適化されたモデルを組み合わせることで、他社システムと比較して高い読み取り精度を実現しています。
RAGの導入を検討されている方は、ぜひENSOU AIのカスタムチャットボット機能をご活用ください。
組織で生成AIを導入するならENSOU AI
株式会社Digeon では法人向けAIエージェントのファーストステップに最適なサービスである「ENSOU AI」を提供しています。
無料ですぐに使えるフリープランのご利用開始はこちらから👇
サービス紹介資料をこちらからダウンロードいただけます👇
ご相談、無料トライアルは、以下からお問い合わせください👇
あわせて読む
NEW
最新記事
ブログ
マークダウン（Markdown）とは？ビジネスでAIをもっと使いこなすための基本と活用法
ブログ
RAGとは？その仕組みとRAGの精度を向上させる方法
ブログ
AIスライド作成、どのツールを選ぶべき？特徴と選び方を解説
ブログ
Microsoft Copilot 完全ガイド2026｜種類・プラン比較・選び方を徹底解説
ブログ
codexアプリのWindows版がリリース
ブログ