リコーグループ企業・IRサイト
お役立ちコラム
RAG（ラグ）とは、AIがアウトプットを生成する際に信頼できるデータや自社の情報を組み合わせ、回答の精度を高める技術のことです。
生成AI（LLM）のビジネス利用が進む一方で、「社内データを理解していない」「回答の根拠が不明確」「ハルシネーションのリスクが不安」といった理由から、全社展開に踏み切れずにいる企業も少なくありません。こうした課題を解決する鍵として現在注目されているのが、RAG（検索拡張生成）という技術です。
本記事では、RAGの仕組みや企業にもたらす価値を整理したうえで、「AIエージェント」への進化が企業にどのような効果をもたらすのかを解説します。
この記事で分かること
- RAGとは、生成AIに社内データや信頼できる情報源を検索・参照しながら回答を生成させる仕組みのこと
- 生成AI単体では対応できない「社内知識を知らない」「根拠が示せない」という課題を、RAGによって実務レベルで解決できる
- RAGはゴールではなく、判断や行動まで担う「AIエージェント」へ進化するための基盤技術である
- リコーの「デジタルバディ」の事例が示すように、RAGを起点としたAI戦略は、品質・セキュリティ・使いやすさを両立させることで現場に定着する
RAGとは？なぜ今、企業に必要な技術と言われているのか
RAG（ラグ）とは「検索拡張生成」（Retrieval-Augmented Generation）の略称で、生成AIが社内データや信頼できるソースから情報をリアルタイムに検索・参照したうえで回答を生成する技術・仕組みのことです。
はじめに、生成AIの本格導入を検討する企業が増える中、なぜRAGの必要性が高まっているのかを解説します。
優秀な生成AIでも「社内のこと」は知らない
ChatGPTやGeminiをはじめとする大規模言語モデル（LLM）は、社内規程や業務マニュアル、設計資料、契約内容、過去の検討経緯といった企業固有の非公開情報を知ることができません。インターネット上の公開情報や学習データをもとに高度な文章生成や推論などを行う生成AIにとっては、「存在しない情報」だからです。
規程や商品・技術情報などの社内情報を持たないので、そもそも回答できません。「存在しない情報」に関連する質問を投げかけても、自社の実態や期待する回答とは大きく乖離したアウトプットが返ってきてしまいます。
ハルシネーションによる悪影響が大きい
生成AIをビジネス利用する際、リスクマネジメントの観点で見逃せないのが「ハルシネーション」（事実に基づかない情報やもっともらしい嘘を生成してしまう現象）の問題です。業務フローのなかでハルシネーションが起こることで、以下のようなトラブルが生じる恐れがあります。
- 誤った会計基準や税法の解釈に従った結果、税務申告のミスや法令違反が発生する
- 嘘の情報により、不利な契約締結や法的なトラブルのリスクが高まる
- 顧客に対して存在しない割引サービスを案内してしまい、クレームにつながる
- AIが生成した広告文や記事に用いた統計データが事実と異なっている
- 誤情報によるミスを修正するための手戻り作業が増え、生産性が低下する
このようなリスクがある状態で生成AIを全社展開することは、ガバナンスやコンプライアンスの観点から現実的とは言えないでしょう。
RAGが企業の生成AI活用を実務レベルに引き上げる理由とは？
このような課題を構造的に解決するための手段として、注目されているのがRAGという技術です。RAGによって生成AIが社内データや信頼できる情報を検索し、それを根拠として回答させることで、ハルシネーションを防ぎ、社内知識が反映された正確な回答を得られるようになります。
社内に散在する知識・情報をAIが横断的に理解し、新たなアイデアを生み出したり適切な意思決定をサポートしたりする――。そのための基盤ともいえる存在がRAGなのです。生成AIを役に立つ個人のツールから組織的な業務効率化やイノベーションに寄与する業務インフラへと進化させるためにも、RAGは重要な技術と言えるでしょう。
RAGの仕組みをわかりやすく解説
まずはRAGの基本的な仕組みを押さえたうえで、従来の生成AIとの違いや企業実務でどのような価値を生み出すのかを分かりやすく解説します。
RAGの基本構造～「検索」できる情報に社内データが含まれる
RAGの最大の特徴は、情報を探す工程で生成AIが外部情報だけでなく社内情報を検索できることです。具体的な流れは次の通りです。
- ユーザーが質問（プロンプト）を入力する
- AIが社内データベースや文書群から関連情報を検索する
- 検索結果（根拠情報）を生成AIに渡す
- 生成AIが、その情報を参照しながら回答を生成する
重要なのは、AIが「自分の記憶、すなわち過去の学習データだけで答えない（つまり自社の情報を取り込んだデータも検索できる）」という点です。実在するデータを根拠として使うため、回答の正確性が大きく向上する傾向があります。
分かりやすく表現すると、RAGを使わない通常の生成AIは 「一般論や過去に勉強した内容だけを頼りに記憶で答える人」です。それに対し、RAGを使ったAIは「質問を受けたら教科書や社内資料を検索し、その内容を見ながら答える人」 に近いと言えるでしょう。
RAGはどんなことを実現する？企業にとっての実務価値とは
RAGを組み込んだ生成AIは、これまで人に依存していた調査・確認・判断のプロセスをスピーディかつ再現性のある形で支援できるようになります。具体的には、以下のようなことが可能になります。
- 社内規程やマニュアル、技術文書などを横断的に検索・要約してくれる
- 「最新版はどれか」「どの資料が根拠か」を明示してくれる
- 過去にどんな失敗があり、このルールができたのかを調査してくれる
- 似たケースで以前はどう判断されたのかを調査してくれる
RAGとファインチューニングの違い
RAGとよく比較される手法に、「ファインチューニング」があります。両者には、以下のような違いがあります。
| 観点 | RAG | ファインチューニング |
|---|---|---|
| 学習データの扱い | 事前学習は行わず、回答時に社内データを検索・参照する | 特定データを使ってモデル自体を再学習させる |
| ハルシネーション対策 | 実際のデータを根拠に回答するため抑制しやすい | 誤学習が起きると修正が難しい |
| 社内データ活用 | 最新の社内規程・文書をそのまま利用可能 | 学習時点のデータに依存し、更新に手間がかかる |
| 活用事例 | 社内Q＆A、規程検索、過去事例調査、意思決定支援など | 特定業務に特化した文章生成や分類など |
| 導入・運用の柔軟性 | データ更新が容易なため、スモールスタートしやすい | 再学習コストが高く運用負荷が大きい |
上記の比較表からも分かるように、頻繁に更新される社内知識を扱うようなビジネス用途では、RAGのほうが現実的に導入・運用しやすいと言えるでしょう。
RAGが導く生成AIの進化と次なるステージ
RAGは生成AIの知識レベルを引き上げるための重要な基盤技術です。しかし、実際の企業活動の視点で見ると、「正しい情報を知ること」だけで仕事は完結しません。
真の価値を生むために重要なのは、調査した内容をもとに適切な判断を行い、次のアクションにつなげられるかどうかです。では、意思決定および行動のフェーズへつなげていくために、AIにはどういった進化が求められるのでしょうか。
生成AIからAIエージェントへの進化ステップ
企業におけるAI活用は、次のような進化の流れで捉えることができます。
| 進化1：生成AI | 人が質問し、AIが答える対話の段階。主に一般知識や文章生成が中心 |
|---|---|
| 進化2：RAG | 社内データを参照し、根拠に基づいた回答ができる知識の拡張段階。生成AIが「社内事情を理解した存在」に近づく |
| 進化3：AIエージェント | 知識を使って判断し、必要なタスクを実行・連携する自律の段階。人の指示を待たず、目的達成のために動く |
AIエージェントとは、設定した目標を達成するために状況を判断し、ツールやサービスを使いながらタスクの実行まで行う自律的な仕組みのことです。この文脈において、RAGはAIエージェントを成立させるための知識基盤に位置づけられます。正確な社内知識にアクセスできないAIが、そもそも自律的に行動することはできないからです。
リコーが描く「デジタルバディ」という世界観
このAIエージェントの機能を備えた形にバージョンアップする計画を進めているのが、2024年にリコーがリリースした「RICOH デジタルバディ」というサービスです。
「RICOH デジタルバディ」は、単なる自動化ツールや業務代行ロボットではありません。RAGによって社内知識を理解したうえで人の意図や背景を汲み取り、過去の文脈や暗黙知も踏まえ、情報収集や業務を支援する――。まさに一緒に働くバディ（相棒）のような存在を目指しています。
AIエージェントによって企業活動はどう変わるのか？
リコーではRAGを起点としながら、その先のステージとして業務を支援・代行するデジタルバディの活用を見据えた取り組みを進めています。
デジタルバディによって企業活動はどのように変化していくのか。リコーが描くAIエージェントの未来図と開発の動きをご紹介します。
RAGの先にあるのは業務プロセスを担うAIエージェント
リコーが進めるAIエージェント機能の開発が実現すれば、以下のようなタスクを実行してくれるようになります。人がより創造的・戦略的な業務に集中できる環境が整備されること、それがデジタルバディ実現のための第一歩です。
- ユーザーの依頼に応じて、会議前に関連資料や過去事例を整理して提示する
- 膨大な社内マニュアルや過去の議事録から特定の質問に対する答えを探し出す
- 判断に必要な論点やリスクを、質問に応じて洗い出し仮説を立てる
- 定型的な調査・確認業務・レポーティング作業を支援する
- 依頼に応じて契約内容を読み込み、リスクの高い条項について指摘・提案する
なお、以下の記事では「RICOH デジタルバディ」の特徴や今後の機能強化について紹介しています。ぜひご覧ください。
「使えないAI」にしないための品質とスピードへのこだわり
AIの活用が広がる一方で、「導入したものの現場で使われない」という課題に直面している企業も多いでしょう。「RICOH デジタルバディ」の開発では、この壁を越えるために操作性の高さと開発スピード、そして安心して使える品質の両立を重視しています。
AI初心者でも直感的に使えるUIであること、そして活用を深めたいユーザーにも応えられる柔軟性を持つこと。その一方で、社内情報資産を扱う以上、セキュリティや法務、品質保証といった観点も疎かにはできません。リコーでは、ものづくりで培ってきた品質への考え方をAIサービスにも適用し、法務・品質保証など多くの部門と連携しながら「安心して使い続けられるAI」をスピーディに届ける体制を構築しています。
RAGが支えるリコーの「デジタルバディ」
RAGは生成AIが抱える「社内知識を知らない」「回答の根拠が不明確」といったビジネス利用時のボトルネックを解消し、企業が安心して使えるAIへと進化させる重要な技術です。
RAGにより社内データを正確に参照できるようになることで、AIは「単なる質問応答ツール」から「意思決定や業務判断を支援する存在」へとステップアップします。そして、その先にあるのが、知識をもとに自律的に動く「AIエージェント」というステージです。
「RICOH デジタルバディ」は、RAGを土台にしながら品質・セキュリティ・操作性を両立させ、現場で本当に使われるAIを目指しています。生成AIを一過性の実験で終わらせず、企業の競争力を高めるための経営インフラへと昇華させるために、AIエージェントを見据えた戦略的なAI活用を検討してみてはいかがでしょうか。
リコーが取り組んできたAI開発を形にしたサービス「RICOHデジタルバディ」の詳細は、以下の記事でご覧いただけます。
