AIは、知らないことでも平然ともっともらしい嘘をつく。存在しない論文を引用したり、古い情報を最新のように語ったり——この「それっぽい間違い」は、AIを仕事に使ううえで最大の壁だ。その壁を大きく下げる仕組みがRAG(ラグ/検索拡張生成)である。いま企業がAIを実務に載せるとき、ほぼ必ず登場する定番技術だ。
RAGを一言でいえば「AIにカンニングペーパーを渡してから答えさせる」仕組み。記憶だけで答えさせず、関連資料を先に探して読ませる。その狙いと流れを見ていこう。
RAGは「持ち込みOKの試験」
ふつうのAIは、記憶だけで答える「暗記テスト」だ。学習した時点の知識しか持たず、うろ覚えだと平気で間違える。RAGはこれを「持ち込みOKの試験」に変える。質問が来たら、まず関連する資料を探し出し、それを読ませたうえで答えさせる。だから、AIが学習していない社内文書や最新情報でも、根拠に基づいて答えられ、出典まで示せる。しかもモデルを再学習させる必要がない——ここが実務で重宝される理由だ。
仕組みは3ステップ
裏側はシンプルな3段構えだ。①あらかじめ資料を小さく分割し、意味を表す数字(ベクトル)に変えて専用のデータベースにしまっておく。②質問が来たら、同じように数字化して「意味が近い資料」を探し出す。③見つけた資料を質問に添えてAIに渡し、それを根拠に答えさせる。
図: RAGの基本の流れ。カギは「意味の近さ」で資料を探す②の検索工程だ。
この「意味を数字にして扱う」発想は、そもそも自然言語をAIが処理する仕組みと地続きだ。筆者は、RAGの本質はAIを『物知り』から『調べられる』に変えた点にあると見ている。知識を丸暗記させるのではなく、必要なときに正しい棚から取り出させる。人間の仕事の仕方に、ぐっと近づいた。
RAGの次は「つながり」を読む段階へ
2026年時点で、RAGはすでに「使うかどうか」を議論する段階を過ぎ、成熟した定番になった。いま注目が移っているのは、単なる資料検索では答えにくい「全体像を問う質問」への対応だ。そこで登場するのが、資料同士の関係を地図にして読むGraphRAGである。まずはこのRAGという土台を押さえておけば、次の一歩がぐっと分かりやすくなる。
出典: IBM「RAG and vector databases」 / Microsoft「RAG and Vector Databases」。2026年7月14日時点。
