RAGとは？社内マニュアル・物件規約をAIに答えさせる「自社専用AI」の作り方

RAGとは——AIが「自社の文書を見てから答える」仕組み

RAG（検索拡張生成）とは、AIが答える前に自社の文書（社内マニュアル・物件規約・FAQなど）を検索し、その内容に基づいて回答させる仕組みです。汎用のChatGPTが知らない「自社のこと」を、モデルの再学習なしに答えられる“社内専用AI”を作れます。

「ChatGPTは便利だが、自社の規約や物件情報は知らない」。この壁を越える技術がRAGです。Google Cloudは、RAGを「訓練後に取得した知識ソースに基づいて回答を根拠づけ（グラウンディング）、出力の品質と正確性を高める技術」と説明しています（What is RAG?｜Google Cloud）。本記事では、その仕組みと、自社AIを持つための3つの道を、専門用語を噛み砕いて解説します。

なぜ汎用ChatGPTだけでは足りないのか

汎用の生成AIは、学習済みの一般知識でしか答えられません。自社の物件規約や社内ルールは学習していないため、聞いても正しく答えられず、もっともらしい誤り（ハルシネーション）を返すこともあります。RAGは、回答の前に自社文書を検索して根拠を渡すことで、この問題を抑えます。OpenAIも、検索やRAGでハルシネーションは減らせるとしつつ、完全にはなくならないと説明しています（2025年）。「自社AI＝ゼロからAIを訓練する」という誤解がありますが、RAGは再学習なしで自社の最新情報を参照させられるのが実務上の利点です。

ここを誤解したまま見積もりを取ると、不要に高額・長期の開発提案を受けてしまいます。RAGがしているのは、いわばAIに“自社のカンペ”を持たせて、答える前にそれを見させることです。AIの頭脳そのものを作り替えるのではなく、参照する資料を差し替えるだけ。だから物件規約が改定されても、新しい版を読み込ませれば回答は最新になり、IT/DX担当が毎回モデルを作り直す必要はありません。

RAGの仕組み——「検索」してから「生成」する

RAGは大きく2段階で動きます。まず必要な情報を「検索」し、その内容をもとに回答を「生成」します。準備と回答の流れを噛み砕くと、次のようになります。

1. 文書を小さく分ける（チャンク分割）：マニュアルや規約を、検索しやすい単位に区切る。
2. 意味を数値に変える（エンベディング）：各文章を「意味のベクトル（数値）」に変換し、専用のデータベース（ベクトルDB）に保存する。
3. 質問に近い箇所を探す（検索）：ユーザーの質問も数値に変え、意味の近い文章を探し出す。
4. 根拠をもとに答える（生成）：探し出した自社文書を渡して、AIがその内容に基づいて回答する。

この流れは、日常の作業にたとえると腑に落ちます。チャンク分割は分厚いマニュアルを項目ごとに切り分けて棚に並べる作業、エンベディングは各項目に「意味で引ける索引（インデックス）」を付ける作業、ベクトルDBはその索引付きの棚そのものです。だから質問が「ペット可の条件は？」でも、本文に「ペット飼育に関する取り決め」としか書いていない箇所を、言葉が違っても意味の近さで探し当てられます。

キーワードの一致だけでなく「意味」で探すため、表現が違っても関連する箇所を見つけられます。OpenAIやAnthropicの公式ドキュメントでも、回答に出典（引用元）を添える「グラウンディング」が重視されています。検索の精度は、文書の分け方や、意味の検索とキーワード検索を組み合わせる工夫で高められます。逆に言えば、棚への分け方が雑だと探し当てる精度も落ちます。つまり成否を左右するのは高度なAIよりも、元の文書をどう整理して載せるかという地味な準備です。

自社専用AIを持つ3つの道

自社AIの作り方は、大きく3通りあります。手間とコスト、自由度のバランスで選びます。

②のDifyは、自動化ツールの比較でも取り上げた人気のオープンソースです（位置づけは関連記事を参照）。①で手応えを確かめ、必要に応じて②③へ広げる進め方が無理ありません。

順番が逆だと失敗しやすいのが、ここでの勘所です。最初から③のフルスクラッチを狙うと、現場で本当に使われるのか分からないまま開発費だけが先に出ていきます。①の既製ツールは月額数千円で「自社文書に答えるAI」を即日試せるので、まずどの業務で効くかを安く見極める。効いた業務だけを②③で作り込めば、投資の無駄が出ません。社内の説得材料も、机上の構想より「①で実際に使えた」という実績のほうが通りやすくなります。

不動産での使いどころ

• 社内相談窓口：物件規約・契約書・社内マニュアルを読み込ませ、「この条件のとき、どこを重点的に確認すべきか」に答える相談AIを設置
• オーナー・顧客向けFAQボット：管理委託・費用・修繕に関するよくある質問に、自社の情報で自動回答
• 新人の自己解決支援：「この手続きの流れは？」に社内資料を根拠に答え、先輩への質問を減らす

文書が更新されたら参照元を差し替えるだけで、回答も最新になります。紙の資料が多い場合は、先にデータ化しておくと精度が上がります。

RAGを使う前に整えること

RAGの回答の質は、読み込ませる「元の文書」の質で大きく変わります。導入の前に次の準備をしておくと、後の手戻りが減ります。

• 最新版に整理する：古い規約や重複した資料が混じると、AIが古い情報を答えてしまう。最新の版だけを残す。
• 紙はデータ化する：紙の資料やスキャン画像は、AIが読めるテキストにしておく。文字起こしにはAI-OCRが使える。
• 見せてよい範囲を決める：誰のどの質問に、どの文書まで答えてよいかを決める。顧客の個人情報を含む文書は取り扱いを分ける。
• 更新の担当を決める：文書が変わったら参照元を差し替える運用担当を決めておく。放置すると回答が古くなる。

導入の注意点

2つ押さえておきます。1つ目は個人情報。顧客や契約のデータを投入する場合、利用目的の特定・通知公表や委託先の監督は個人情報保護法上の義務です。入力内容が学習に使われない設定・契約を選びます（個人情報保護委員会・2023年の注意喚起）。2つ目は限界。RAGでもハルシネーションはゼロにはなりません。重要な判断は、AIの回答を参考にしつつ人が最終確認します。

「自社文書を見せれば嘘がゼロになる」と期待しがちですが、根拠を渡しても、その根拠の読み違いや、文書にない部分の埋め合わせで誤りは残ります。だから自社AIは、答えを丸ごと信じる相手ではなく、関連箇所を素早く集めてくれる“下調べ役”と位置づけるのが現実的です。重説の文言確認や契約判断のような責任の重い場面では、AIに当たりを付けさせ、宅建士など人が原本で最終確認する。この役割分担を最初に決めておくと、便利さとリスクの両方を取りこぼしません。

まとめ

RAG（検索拡張生成）は、AIが答える前に自社文書を検索し、その内容に基づいて回答する仕組みです。汎用ChatGPTが知らない自社のことを、再学習なしで答えられる社内専用AIを作れます。作り方は「既製ツール → ノーコード基盤 → API開発」の3通りで、手軽な方法から試すのが堅実です。個人情報の扱いとハルシネーションの限界に気をつければ、社内の問い合わせ対応やFAQを大きく省力化できます。自社の文書・権限・基幹システムに合わせた構築は、専門家と組むと確実です。

関連記事

• よくある質問に自動で回答するBotの作り方記事を読む›
• 自分の資料だけで答えるGoogleのAI「NotebookLM」を不動産で使う記事を読む›
• Zapier・Make・n8n・Dify・GASの違いを比較｜どれを選ぶ？記事を読む›
• AI-OCRとは——不動産の紙書類をデータ化する記事を読む›
• 不動産で使うAIエージェントとは記事を読む›

よくある質問