RAGとは、AIが答える前に“資料を調べてから”答える仕組み
RAG（ラグ）とは、AIが返事をする前に、外部の資料（検索結果や社内の文書、PDFなど）を調べて、その内容をもとに答えを作る仕組みのことです。正式名称は Retrieval-Augmented Generation で、日本語では「検索拡張生成」と訳されます。難しそうな名前ですが、やっていることは「答える前に、ちゃんと資料を見に行く」だけ。しかもこれは専門家だけのものではなく、ChatGPT などにファイルを添付して質問するだけで、あなたも今日から体験できます。
なぜこれが注目されているのか。ふつうの生成AIには、ある弱点があるからです。そこを補うのが RAG の役割です。
ふつうの生成AIは“覚えたことだけ”で答えるから、知らないことは作り話になる
ChatGPT のような 生成AI は、学習した時点までの知識をもとに、それらしい文章を組み立てて答えています。裏を返すと、学習していないこと——ごく最近のできごとや、あなたの手元にしかない資料——については、答えを持っていません。
やっかいなのは、知らないときでも「知りません」とは言わず、それらしい形で埋めようとするところです。この“もっともらしい間違い”を ハルシネーション と呼びます。いわばAIの知ったかぶりですね。
RAG は、ここに一手間を加えます。答えさせる前に、関係する資料を渡してしまう。手ぶらで書かせるのではなく、「この資料を見て答えてね」とカンニングペーパーを先に持たせるイメージです。すると、知らないことを想像で埋める余地がぐっと減ります。
質問 → 資料を探す → それを見ながら答える、の3ステップ
中の仕組みは、大きく3つの段階に分けると見通しがよくなります。
- あなたが質問する（例：「この製品の返品期限は何日？」）
- 質問に関係しそうな資料を、文書やデータベースの中から探して取り出す（該当しそうなページや段落を拾ってくる）
- 取り出した資料を質問と一緒にAIへ渡し、AIはそれを“見ながら”答えを作る
名前の由来もここにあります。②の「探して取り出す」が Retrieval（リトリーバル＝検索）、③の「答えを作る」が Generation（ジェネレーション＝生成）。この2つを組み合わせたから、Retrieval-Augmented Generation（検索で強化した生成）というわけです。
なお、②で資料をどう探し出すかの細かい方法はサービスによって異なります。そこは今は気にしなくて大丈夫です。「関係する資料をうまく拾ってきて、それを土台に答える」という全体の流れさえつかめれば十分です。
会社のマニュアルに「有給の申請方法は？」と聞く、が身近なRAG
イメージしにくければ、こんな場面を思い浮かべてください。社内マニュアルのPDFをAIに読み込ませて、「有給休暇の申請方法を教えて」と聞く。すると、そのマニュアルの記載にもとづいて手順を答えてくれる。これがまさにRAG的な使い方です。
仕事の資料に限りません。たとえば、長い契約書のPDFを読ませて「解約の条件だけ教えて」と聞く、分厚い家電の取扱説明書を読ませて「タイマー予約のやり方は？」と聞く。こうした「手元の長い資料から、必要な一点だけを引き出す」使い方も、同じRAGの考え方です。
実は、特別なシステムを組まなくても体験できます。ChatGPT などでファイルを添付し、「この資料をもとに答えて」と頼む使い方は、身近なRAGそのものです。AIの一般知識ではなく、あなたが渡した資料を根拠にして答えてくれるようになります。
実際に、ルンバ（お掃除ロボット）の取扱説明書PDFを読み込ませて「お手入れの方法を教えて」と聞いた画面です。AIの一般知識ではなく、渡したPDFの中身をもとに、しかも「5〜8ページに記載」と出どころつきで答えているのが分かります。これが、身近なRAGの一例です。
ひとつだけ注意を。手元の資料を読ませるときは、その中身がどう扱われるかを確認しておくと安心です。個人情報や会社の機密が含まれる資料を安易に入力しない、という線引きについては AIに個人情報を入力しても大丈夫？ でまとめています。
最新の情報にも、根拠を示しながら答えられる
RAG の利点は、大きく3つあります。
- 手元の資料や最新の情報にもとづいて答えられる — AIが学習していない社内文書や、学習後に出た新しい情報でも、資料さえ渡せば対応できます。
- どの資料を見たかを示せることがある — 「この回答は資料のこの部分から」と根拠を添えられる場合があり、確認がしやすくなります。
- ハルシネーションを減らせる — 想像で埋める余地が減るぶん、的外れな作り話が起きにくくなります。
“覚えていることを思い出して話す”から、“資料を見て答える”へ。この違いが、AIの答えの信頼度を一段引き上げてくれます。
それでも、間違いはゼロにはならない
ここは正直に書いておきます。RAG は万能ではありません。
まず、取り出した資料そのものが間違っていれば、答えも間違います。古いマニュアルを読ませれば、古い手順を自信たっぷりに答えてしまう。AIは渡された資料を疑ってはくれません。
また、質問に合う資料が見つからなければ、答えられないか、的外れな回答になります。資料の中に答えがなければ、結局これまでと同じで“それらしい埋め合わせ”に戻ってしまうこともあります。
つまり、RAG を使っても 最後に人が確かめるという基本は変わりません。ここは生成AI全般に共通する付き合い方です。たたき台はAIに任せ、正しさが要るところは自分で裏を取る。この役割分担が、いちばん安全で、いちばん実用的です。
一度、手元の資料を読ませてみると腑に落ちる
RAG は、言葉で説明されるより、一度さわってみるのが一番の近道です。ChatGPT の入力欄にあるクリップ（添付）マークから、機密でない手元の資料を一つ読み込ませて、その中身について質問してみる。「学習した知識」ではなく「渡した資料」を根拠に答えが返ってくる。その感覚が、そのままRAGの正体です。
AIまわりの用語は、ひとつ分かると次がつながります。ほかの言葉も気になったら、AI用語集 をのぞいてみてください。