RAG（検索拡張生成）

RAG（Retrieval-Augmented Generation、検索拡張生成）とは、AIが回答を生成する前に、社内文書などの外部知識を検索して取り込み、その内容に基づいて回答する仕組みです。LLM（大規模言語モデル）単体では答えられない自社固有の情報に対して、根拠つきで答えられるようになる技術として注目されています。

RAGとは

RAGは、その名のとおり「検索（Retrieval）」で「拡張（Augmented）」した「生成（Generation）」です。通常のLLMは、学習済みの知識だけをもとに回答します。そのため、学習データにない自社のルールや最新情報を尋ねても、一般論しか返せません。

RAGでは、質問を受けると、まず関連する文書（マニュアルやナレッジベースなど）を検索します。見つかった文書を質問とあわせてLLMに渡し、その内容に基づいて回答を生成させます。つまり、AIに「カンニングペーパー」を渡してから答えてもらうイメージです。これにより、自社固有の情報にも、根拠に基づいて正確に答えられるようになります。

なぜRAGが重要なのか

RAGが重要なのは、LLMの2つの弱点を同時に補えるからです。1つは「自社固有の情報を知らない」こと、もう1つは「事実と異なる内容をもっともらしく出力する（ハルシネーション）」ことです。

RAGは、回答の前に正しい文書を検索して根拠として与えるため、自社の手順やルールに沿った回答が得られます。さらに、どの文書をもとに答えたかを示せるため、利用者が回答の正しさを検証できます。根拠が確認できることは、業務でAIを使ううえで欠かせない安心材料になります。

RAGとマニュアル・ナレッジベース

RAGの効果は、検索対象となる社内文書の充実度に大きく左右されます。マニュアルやナレッジベースが整っていれば、AIはそこから正確な根拠を引き出して答えられます。逆に、手順がベテランの頭の中にしかない状態では、検索する文書がないため、RAGも力を発揮できません。

つまり、RAGを業務で活かす出発点は、業務知識を文書として見える化し、検索できる形で蓄積しておくことです。AIに与える「正しい文脈」を用意することが、精度の高い回答への近道になります。

FlowbaseとRAG

Flowbaseは、現場の業務を画面録画するだけで、AIが手順・スクリーンショット・説明文のそろった業務マニュアルを自動生成します。これは、RAGの前提となる「検索できる正しい社内文書」を、現場の負担を抑えて整えることにあたります。

さらにFlowbaseでは、作ったマニュアルを文脈として、チャットでAIに質問できます。質問に応じてマニュアルの該当箇所を参照し、その記述に基づいて回答するため、一般論ではなく自社の手順に沿った答えが返ります。業務マニュアルの整備と、その内容に基づくAIの回答を、一つの流れでつなげられます。