RAGとは？
RAG（Retrieval-Augmented Generation：検索拡張生成）とは、AIが回答を生成する前に、関連する資料やデータを検索（Retrieval）し、見つかった内容を参照しながら答える仕組みです。「調べてから答えるAI」を実現する技術で、企業のAI活用では定番中の定番になっています。
なぜ必要？LLMの2つの弱点を補う
LLMには「学習時点より新しいことを知らない」「知らないことをもっともらしく答えてしまう（ハルシネーション）」という弱点があります。RAGは、回答前に最新の資料や社内文書を検索して渡すことで、この2つをまとめて補います。
たとえば「自社の就業規則について答える社内AI」を作る場合、規則をAIに再学習させるのではなく、質問のたびに規則の該当箇所を検索してAIに読ませて答えさせます。これがRAGの典型的な使い方です。
しくみをざっくり
- 資料をあらかじめ小さな断片に分け、意味を数値化（埋め込み）してベクトルデータベースに保存しておく
- 質問が来たら、意味が近い断片を検索して取り出す
- 取り出した断片を質問と一緒にLLMへ渡し、「この資料に基づいて答えて」と生成させる
回答に「出典：○○規程 第3条」のように根拠を添えられるのも、RAGの実務上の大きな利点です。
身近なところにもRAGはある
ChatGPTなどのWeb検索機能や、アップロードした資料に基づいて答えるNotebookLMも、広い意味でRAGの考え方で動いています。ファインチューニング（追加学習）と比べると、資料の更新が簡単で費用も安いため、「知識を持たせたいならまずRAGから検討」が実務の定石になっています。
RAGにも、検索で見つからなければ答えられない、資料の分け方しだいで精度が変わる、といった弱点はあります。それでも「AIに知識を持たせる最初の選択肢」としての地位は揺らいでおらず、企業のAI導入記事では必ずと言っていいほど登場する言葉です。