RAG(Retrieval-Augmented Generation)は、生成AIが社内文書やFAQ、マニュアルなどの外部情報を検索・参照し、その情報を根拠として回答を作る仕組みです。
具体例を見るときに重要なのは、「RAGを使えば便利になる」という用途紹介だけではありません。どんな背景と課題があり、なぜRAGを選び、どの情報を参照対象にし、検索・回答・人の確認をどう設計し、結果を見て何を改善したかまでを見ることです。
この記事では、社内問い合わせ対応、業務マニュアル検索、顧客対応支援、社内ナレッジ活用という4つのケースを通じて、背景、課題、なぜRAGを使うのか、実際の適用、判断、結果、学びまで一連の流れで解説します。
ケース1:社内問い合わせ対応を効率化する
背景
管理部門には、経費精算、休暇申請、IT申請など同じ質問が繰り返し届いていました。担当者はその都度マニュアルや規程を探して回答しており、問い合わせが集中すると他の業務が止まりやすい状態でした。
課題
- 1件あたりの回答作成に平均8分かかる
- 担当者ごとに回答表現が少しずつ異なる
- 古い資料を参照するリスクがある
- 例外案件まで定型回答してしまうおそれがある
なぜRAGを使うのか
一般的な生成AIだけでは、社内固有の規程や最新版の手順を正確に反映できません。社内文書を検索し、その内容を根拠に回答案を作る必要があるためRAGが適しています。
実際の適用
最初から全社問い合わせを対象にせず、「経費精算」に範囲を限定しました。
- 参照資料:経費精算マニュアル、交通費規程、FAQ最新版
- 除外資料:旧版マニュアル、廃止済み申請書
- 対象質問:領収書、交通費、出張費、申請期限、承認フロー
- 対象外:税務判断、例外承認、個別契約判断
文書は「領収書」「電車」「新幹線」「タクシー」「申請期限」など質問単位で分割し、更新日と対象者を付けました。
回答時は「参照情報にない内容は推測しない」「回答末尾に参照文書名を示す」「例外承認は有人対応へ切り替える」というルールにしました。
判断
テスト質問50件を使い、人が妥当と判断した回答が45件以上、根拠表示100%、例外案件を適切に有人対応へ切り替えられることを本運用の条件にしました。
結果
初回テストでは妥当回答は38件でした。原因を確認すると、「交通費全般」のチャンクが大きく、タクシー利用条件など細かな根拠を取りこぼしていました。
そこでチャンクを「電車」「新幹線」「タクシー」に分け、カテゴリ絞り込みを追加した結果、妥当回答は46件まで改善しました。残り4件は例外条件が複雑だったため、有人対応へ切り替えるルールを追加しました。
担当者が回答案を確認して返す時間も、平均8分から約3分へ短縮しました。
学び
問い合わせ対応では、RAG導入そのものより、対象範囲を絞り、参照資料を最新版に保ち、答えられない質問を人へ戻す設計が重要です。
ケース2:業務マニュアルを探す時間を減らす
背景
複数部署で業務マニュアルや手順書が増え、社員が「どの資料に答えがあるか」を探す時間が長くなっていました。新入社員や異動者ほど、必要資料へたどり着きにくい状態でした。
課題
- 必要な手順書を探すのに平均10分以上かかる
- ファイル名だけでは内容を判断しにくい
- 旧版と最新版が混在している
- 文書を見つけても該当箇所を読むのに時間がかかる
なぜRAGを使うのか
この課題では、ファイル名検索ではなく、自然文の質問から関連する手順を探し、必要箇所だけを提示する必要があります。RAGなら質問内容と文書内容を結びつけて検索できます。
実際の適用
対象を新入社員向けの申請業務に限定し、人事・IT・総務の手順書を登録しました。
長いマニュアルは「アカウント申請」「PC受領」「勤怠設定」「交通費申請」などに分割し、部署、対象者、更新日、版番号をメタデータとして付与しました。
ユーザーが「新入社員のPC申請はいつまでに何をすればいい?」と質問すると、関連する最新手順を検索し、申請期限、担当部署、必要情報をまとめて提示する形にしました。
判断
検索結果の上位3件以内に正しい手順が入ること、回答中の期限・担当部署・必要書類が参照文書と一致することを評価基準にしました。
結果
初回は「PC受領」と「アカウント発行」の情報が別文書に分かれており、片方だけを取得する質問がありました。そこで関連文書同士を同一カテゴリで検索できるように調整し、複数根拠を取得する設定へ変更しました。
その後、テスト30問中27問で必要な根拠が上位3件以内に入り、手順検索にかかる時間も平均10分超から約2〜3分へ短縮しました。
学び
マニュアル検索では、1文書1回答と考えず、1つの質問に複数の文書が必要になるケースを想定することが重要です。
ケース3:顧客対応の回答案作成を支援する
背景
カスタマーサポートでは、商品仕様、契約条件、過去の対応履歴を確認しながら回答案を作っていました。担当者の経験によって調査時間や回答品質に差が出ていました。
課題
- 商品資料と過去履歴を横断して探す必要がある
- 新人は必要資料を見つけるのに時間がかかる
- 過去回答をそのまま流用すると現在条件とずれることがある
- 誤回答をそのまま顧客へ送ることはできない
なぜRAGを使うのか
このケースでは、商品情報と過去事例を検索して回答案を作る支援が必要です。一方で顧客への最終回答は人が責任を持って確認する必要があります。RAGは「回答の自動化」ではなく「調査と下書きの支援」として使うのが適しています。
実際の適用
商品マニュアル、FAQ、公開可能な過去問い合わせ履歴を参照対象にし、契約書や個人情報を含む履歴は対象外にしました。
回答案には必ず「参照した商品資料」「参照したFAQ」「過去事例は参考情報であり、最新条件を優先」というルールを入れました。
担当者はAI回答をそのまま送らず、商品仕様、契約条件、顧客状況に照らして確認してから送信します。
判断
評価では、回答の自然さよりも「正しい商品情報を参照したか」「過去事例と最新条件が矛盾していないか」「最終確認が必要な項目を明示できたか」を重視しました。
結果
テスト運用では、問い合わせ1件あたりの資料探索と下書き作成が平均12分から約6分へ減りました。一方、契約条件が絡む質問ではAI案だけで完結させるのは危険だったため、契約確認が必要な場合は自動的に「担当者確認必須」と表示するルールを追加しました。
学び
顧客対応では、RAGの価値は最終回答の自動化ではなく、正しい根拠を集めて担当者の判断を速くすることにあります。
ケース4:社内ナレッジを再利用しやすくする
背景
プロジェクトの振り返り、提案資料、トラブル対応記録などが社内に蓄積されていましたが、情報量が多く、過去の知見が新しい案件で再利用されにくい状態でした。
課題
- 似た事例があるか探すのに時間がかかる
- 担当者が変わると知見が引き継がれにくい
- 検索語が一致しないと資料を見つけにくい
- 古い事例を現在も有効だと誤解するおそれがある
なぜRAGを使うのか
この課題では、キーワードが完全一致しなくても、質問や案件の意味に近い過去事例を探したいというニーズがあります。RAGは、蓄積資料を検索し、関連部分を要約して提示する用途に向いています。
実際の適用
過去案件の振り返り資料を「課題」「対応」「結果」「学び」に分けて登録し、業界、案件種別、作成年、担当部署をメタデータにしました。
たとえば「新サービス導入時に現場定着が進まなかった事例は?」と質問すると、関連する過去案件を検索し、「何が課題だったか」「どんな対応をしたか」「結果はどうだったか」を一覧化します。
判断
過去事例はあくまで参考情報とし、「現在の案件にそのまま適用できる」とは答えさせないルールにしました。利用者が原文と作成年を確認できることも必須にしました。
結果
試行では、過去事例を探す時間が平均15分程度から約4分へ短縮しました。一方、古い案件が上位に出ることがあったため、作成年と更新日の表示を強化し、必要に応じて新しい事例を優先する検索条件を追加しました。
学び
ナレッジ活用では、見つけやすさだけでなく、「いつの情報か」「現在も適用できるか」を利用者が判断できる設計が必要です。
4つのケースから分かるRAGの使い分け
- 社内問い合わせ:定型質問の回答案を速くし、例外は人へ戻す
- マニュアル検索:自然文から必要な手順を探し、該当箇所を提示する
- 顧客対応支援:根拠収集と下書きを支援し、最終判断は人が行う
- ナレッジ活用:過去事例を探しやすくし、現在案件への適用判断は人が行う
同じRAGでも、対象業務によって「自動化してよい範囲」「人の確認が必要な範囲」「評価すべき指標」は異なります。
自分の業務にRAGを適用する手順
- 繰り返し発生し、根拠文書が存在する業務を1つ選ぶ
- 対象質問と対象外質問を決める
- 最新版の参照文書だけを集める
- 検索しやすい単位へ文書を分割する
- カテゴリ、更新日、対象者などのメタデータを付ける
- 実際の質問で検索結果を確認する
- 参照情報だけを根拠に回答させる
- 答えられない場合や例外時の有人対応条件を決める
- 検索品質・回答品質・業務効果を分けて評価する
- 文書、検索、回答ルールのどこを直すべきか切り分けて改善する
RAGの具体例を見るときの判断ポイント
背景と課題が具体的か
「AIで効率化したい」だけでなく、何に時間がかかり、どんな品質問題があるのかを確認します。
なぜRAGなのか説明できるか
外部文書や社内情報を根拠として使う必要があるかを確認します。単純な文章生成だけならRAGが不要な場合もあります。
検索結果を評価しているか
回答だけでなく、正しい根拠を取れているかを確認します。検索が間違っていれば、生成AI側だけを調整しても改善しません。
人が確認すべき範囲を決めているか
顧客回答、契約、例外承認、重要判断などは、人による確認や有人対応へ切り替える条件を明示します。
結果を数値または具体的な状態で確認しているか
回答時間、検索時間、妥当回答数、有人対応率など、導入前後を比較できる指標を置くと、RAGが本当に業務改善へつながったか判断できます。
まとめ
RAGの具体例では、用途を並べるだけでなく、背景、課題、なぜRAGを使うのか、参照情報の整備、検索・回答の設計、人による確認、結果、学びまで一連で見ることが重要です。
社内問い合わせでは回答案作成時間、マニュアル検索では情報探索時間、顧客対応では下書き作成時間、ナレッジ活用では過去事例の探索時間を改善しました。一方で、例外条件、契約判断、古い情報の扱いなど、人が確認すべき領域も明確になりました。
自分の業務へRAGを適用するときも、「資料を登録して質問する」だけで終わらず、「どの情報を根拠にするか」「どこまで自動化するか」「何を基準に評価するか」を決めてください。そうすることで、RAGを実際の業務改善につなげられます。