RAGとは【2026】読み方(ラグ)・意味・仕組みを初心者向けに解説|ファインチューニングとの違い、身近な使い方、限界と注意点
「社内のマニュアルをAIに読ませて答えさせたい」「AIに最新の情報で答えてほしい」。こうした話でよく出てくるのがRAG(ラグ)です。ひとことで言えば、AIに「調べてから答えさせる」しくみのこと。この記事では、2020年に発表されたRAGの原論文と、AWS・OpenAI・Anthropicの公式解説、総務省・経済産業省の「AI事業者ガイドライン(第1.2版)」をもとに、意味と読み方、仕組み、ファインチューニングとの違い、身近な使い方、限界と注意点を順に整理します。
- RAGはRetrieval-Augmented Generation(検索拡張生成)の略で、読み方は「ラグ」。AIが答える前に外の資料を検索し、見つかった部分を手がかりに答えるしくみ
- 流れは①資料を小分けにして検索できる形で保存 → ②質問に近い部分を探す → ③質問と一緒にAIへ渡す → ④AIが答えるの順
- 知識が足りない・古い・社内にしかないならRAG、答えの形式や口調をそろえたいならファインチューニング(OpenAIの公式ガイドの整理)。まずはプロンプトの工夫から
- RAGでハルシネーションは減らせるがゼロにはならない。資料の質・検索のもれ・権限の管理に注意し、出典は自分で確かめる

アイ

博士

アイ

博士
RAGとは?読み方と意味をわかりやすく
RAGはRetrieval-Augmented Generationの頭文字で、一般に「ラグ」と読みます。日本語では「検索拡張生成」と訳され、総務省・経済産業省の「AI事業者ガイドライン(第1.2版)」も「RAG(検索拡張生成)」と書いています。
| 英語 | 意味 | RAGの中での役割 |
|---|---|---|
| Retrieval | 検索・取り出し | 質問に関係する資料を探してくる |
| Augmented | 拡張された・補われた | 見つけた資料で、AIへの指示(プロンプト)を補う |
| Generation | 生成 | 補われた情報をもとに、AIが答えの文章を作る |
AWSの解説は、RAGを「大規模言語モデル(LLM)が答えを作る前に、学習データの外にある信頼できる知識ベースを参照させて、出力を良くする方法」と説明しています。たとえるなら、記憶だけで答える「閉じた本の試験」を、教科書や資料を見ながら答える「持ち込み可の試験」に変えるようなものです。
この名前が広まったきっかけは、2020年に研究者らが発表した論文「Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks」(NeurIPS 2020採択)です。論文は、AIが学習で身につけた知識(パラメータの中の記憶)と、Wikipediaを検索できる形にした外部の記憶を組み合わせる方法を提案し、知識が必要な質問応答の課題で当時の最高水準の結果を出したと報告しています。
生成AIがそもそもどうやって文章を作っているかは生成AIの仕組みで解説しています。「次に来る言葉を予測して文章を作る」という基本を知っておくと、RAGが何を補っているのかがわかりやすくなります。
なぜRAGが必要?生成AIだけでは困ること
生成AIは大量の文章から学んでいますが、学んだ範囲の外のことは知りません。原論文やAWSの解説が挙げている困りごとを整理すると、次のようになります。
| 生成AIだけの困りごと | RAGでどう変わるか |
|---|---|
| 学習した時点より新しい情報を知らない | 新しい資料を検索先に足せば、それをもとに答えられる(AWSは、頻繁に更新される情報源につなげられる点を利点に挙げている) |
| 社内の規程・マニュアル・商品情報など、公開されていない情報を知らない | 社内の資料を検索先にすれば、AIそのものを作り直さずに社内の知識で答えられる |
| 知らないことも、もっともらしく答えてしまう(ハルシネーション) | 資料の中の根拠をもとに答えるので、誤りを抑える効果が期待される |
| 答えがどこから来たのかわからない | 参照した資料を出典として示せるので、人があとから確かめやすい |
AWSの解説は、RAGなしのLLMを「最新の出来事を知らないのに、どんな質問にも自信満々で答えようとする、張り切りすぎた新入社員」にたとえています。RAGは、その新入社員に「答える前に、まず社内の資料を調べてね」と習慣づけるようなものです。また、新しい情報を足すたびにAIを学習し直す必要がないので、費用を抑えやすい点も利点に挙げられています。


RAGの仕組み:「準備」と「回答」の2段階
RAGは大きく前もってやっておく「準備」と、質問が来たときの「回答」の2段階で動きます。AWSとAnthropicの解説をもとに流れを描くと、次のようになります。
準備:資料を「検索できる形」にしておく
- 資料を集める:社内文書、PDF、Webページ、データベースなど。AWSは、APIやデータベース、文書のリポジトリなど、さまざまな形の資料を使えると説明しています
- 小さな塊(チャンク)に分ける:Anthropicの解説では、一般的なRAGは資料をふつう数百トークン以内の小さな塊に分けるとしています
- 意味を数値に変えて保存する:「埋め込み(エンベディング)モデル」で、文章の意味を数字の並び(ベクトル)に変え、ベクトルデータベースに保存します。意味が近い文章は、数字も近くなるのがポイントです
回答:質問に近い部分を探し、AIに渡す
- 質問も数値に変える:利用者の質問を同じ方法でベクトルにします
- 近い塊を探す:データベースの中から、質問と意味が近い塊を上から順に取り出します
- プロンプトに足す:取り出した塊を、質問と一緒にAIへの指示に入れます(AWSはこれを「プロンプトの拡張」と呼んでいます)
- AIが答える:AIは渡された資料をもとに答えを作ります。どの資料を使ったかを出典として示すこともできます
なお、AWSは資料と、その数値化したデータを定期的に更新することも手順に含めています。資料が古いままだと、RAGを使っても答えは古いままです。
意味の検索と、言葉そのものの検索を組み合わせる
意味の近さで探す方法(セマンティック検索)は言い回しがちがっても見つけられる一方、Anthropicは、「TS-999」のようなエラーコードなど、決まった文字列は意味の検索だと取りこぼすことがあると指摘しています。そこで、昔からあるキーワード一致の検索(BM25など)と組み合わせるやり方が使われます。
さらにAnthropicは2024年9月、塊に分けたときに失われがちな前後の文脈(「どの会社の、いつの話か」など)を、塊ごとに短い説明として付け足してから保存する「Contextual Retrieval」という工夫を発表しました。同社の検証では、上位20件の検索で必要な情報を取りこぼす割合が、5.7%から2.9%へ(49%減)、並べ替え(リランキング)も加えると1.9%へ(67%減)下がったと報告しています。RAGの精度は、AIの賢さだけでなく「必要な部分をちゃんと探し出せるか」に大きく左右されるということです。
RAGとファインチューニングの違い・使い分け
RAGとよく比べられるのがファインチューニングです。ファインチューニングは、すでにあるAIにたくさんの例を追加で学習させて、AIそのものを調整する方法です。OpenAIの公式ガイド「Optimizing LLM Accuracy」は、2つを次のように整理しています。
| RAG(文脈の工夫) | ファインチューニング(AIの調整) | |
|---|---|---|
| 何をするか | 質問のたびに、関係する資料を探してAIに見せる | 多くの例でAIを追加学習させる |
| 向いている問題 | 知識が足りない・古い・社内にしかない | 答えの形式や口調がそろわない、決まった作業の手順が安定しない |
| OpenAIのたとえ | 教科書を見ながら答える(文脈の中の記憶) | 何か月も授業で例題を解いて身につける(学習した記憶) |
| 何が上がるか | 答えの正確さ | ふるまいの一貫性 |
| 情報を新しくするには | 資料を入れかえる | 学習をやり直す |
同じガイドは、まずはプロンプトの工夫から始めるのがふつうは一番よいとしたうえで、うまくいかない原因を見きわめてからRAGやファインチューニングを選ぶよう勧めています。また、これらはどちらか一方を選ぶものではなく、足し合わせて使えるとも書いています。RAGもファインチューニングも、手軽なプロンプトの工夫に比べると作って保つ手間がかかるため、まずは基本の方法でどこまで良くなるかを確かめるのが順番です。
プロンプトの工夫の基本はプロンプトの書き方・コツにまとめています。「この資料だけを使って答えて」と資料を貼り付けるだけでも、小さなRAGのような効果があります。


資料を丸ごと渡す方法との違い
最近のAIは一度に読める量(コンテキストウィンドウ)が大きくなったため、わざわざ検索しなくても、資料を全部プロンプトに入れてしまうやり方もとれます。Anthropicは、知識ベースが20万トークン(約500ページ分)より小さいなら、RAGを使わずに全部をプロンプトに入れることを勧めています。あわせて、同じ資料をくり返し使うときは「プロンプトキャッシュ」を使うと、応答までの時間が2分の1以下に、費用は最大90%下がるとしています。
| 資料の量 | 向いている方法 |
|---|---|
| 数ページ〜数百ページ程度 | 資料をそのままAIに渡す(貼り付け・ファイル添付) |
| 一度に読める量を大きく超える/どんどん増える | RAGで、必要な部分だけを探して渡す |
実際のサービスでも、この2つは自動で切りかわることがあります。たとえばClaudeの「プロジェクト」では、入れた資料の量が一度に読める量に近づくと自動でRAGがオンになり、関係する部分だけを探して使うしくみになっています。Anthropicのヘルプは、これでプロジェクトに入れられる量が最大10倍に広がるとしています(対象はPro・Max・Ultra・Team・Enterpriseプラン)。プロジェクトの使い方はClaudeの使い方で紹介しています。
身近なRAGの使い方とビジネスでの使われ方
個人ですぐ試せるRAG
- NotebookLM(Gemini Notebook):Googleのサービス。入れた資料(ソース)にもとづいて答え、回答にはどの資料のどこを使ったかの引用が付きます。公式ヘルプは、ソースに基づく根拠のある情報が、インラインの引用つきで得られると説明しています。使い方はNotebookLMの使い方へ
- Claudeのプロジェクト:資料をプロジェクトの知識として入れておくと、その中から答えます。量が多くなると、上で紹介したRAGが自動で働きます
- 資料を貼り付けて「この中だけで答えて」と頼む:ChatGPTやGeminiでも使える、いちばん手軽な方法です。厳密には検索の工程がないので「丸ごと渡す方法」ですが、記憶ではなく資料から答えさせるという考え方は同じです
ビジネスでのよくある使われ方
- 社内の問い合わせ窓口:就業規則・経費精算のルール・社内システムの手順書などを検索先にして、社員の質問に答える
- お客さま対応:商品マニュアルやよくある質問を検索先にして、回答の下書きを作る
- 営業・企画の下調べ:過去の提案書や議事録から、似た事例を探してまとめる
AWSは、RAGなら開発者が情報源を差しかえたり、利用者の権限に応じて取り出せる情報を制限したりできる点も利点に挙げています。社内で使うときは「誰がどの資料まで見てよいか」をRAGの側でも守らせることが大切です。こうしたAIの仕組みを提供しているIT企業の顔ぶれや年収の目安は、姉妹サイト キャリア研究所のIT業界地図2026|年収・売上・未経験からの入り方で整理されています。


RAGの限界と注意点
RAGは便利ですが、入れれば何でも解決する道具ではありません。
- ハルシネーションはゼロにならない:AI事業者ガイドラインは、RAGの活用でハルシネーションの抑制や、出力の根拠の透明性向上が期待されているとする一方、完全に防げるとは書いていません。資料に答えが無いときや、検索で必要な部分を拾えなかったときは、AIが推測で埋めることがあります。くわしくはハルシネーションとはで解説しています
- 資料がまちがっていれば、答えもまちがう:RAGは資料を信じて答えるしくみです。古い規程や誤った資料が混ざっていると、それを根拠にもっともらしく答えます。資料の更新・整理が欠かせません
- 塊に分けると文脈が切れる:Anthropicの例では、「前の四半期より売上が3%増えた」という塊だけでは、どの会社のいつの話かがわかりません。分け方しだいで、検索も答えもずれます
- 答えが似通いやすい:AI事業者ガイドラインは、RAGを使うと生成AIの回答の収束が加速する可能性が高いため、コンテンツの多様性・独創性が求められる業務では、RAGの活用が適切でない場合もあると注意しています。アイデア出しのような仕事には、あえて使わない判断もありえます
- 入れる情報と権限の管理:検索先に個人情報や社外秘を入れると、見せてはいけない人の質問にも出てくるおそれがあります。入れてよい情報の線引きは生成AIの情報漏洩対策を、AIに作業を任せるときの安全の考え方はAIエージェントのセキュリティを参考にしてください
出典が示されたら、リンクを開いて、本当にそう書いてあるかを確かめるのが基本です。「出典が付いている=正しい」ではありません。

博士
自分でRAGを作るには
自社のシステムにRAGを組み込む場合は、おおむね次の部品を組み合わせます。
| 部品 | 役割 |
|---|---|
| 資料の読み込み・分割 | PDFやWebページから文章を取り出し、塊に分ける |
| 埋め込みモデル | 文章の意味を数値(ベクトル)に変える |
| ベクトルデータベース(+キーワード検索) | 塊を保存し、質問に近いものを探す |
| LLM(ChatGPT・Claude・GeminiなどのAPI) | 探した資料と質問から答えを作る |
| 評価のしくみ | よくある質問と正しい答えの組を用意し、検索と答えの正しさを測る |
OpenAIのガイドも、改善の前に評価用の質問と答えのセットを作り、どこで失敗しているかを見きわめることを勧めています。いきなり大がかりに作るより、小さな資料で試し、「探せているか」「正しく答えているか」を分けて確かめるのが近道です。
APIの基本はAPI・JSON入門、Claude APIで検索などの道具(ツール)をAIに使わせる作り方はClaude APIでAIエージェントを作る、外部のデータをAIにつなぐ別の方法としてのMCPはMCPサーバー自作入門で解説しています。
よくある質問
RAGの読み方は?
一般に「ラグ」と読みます。Retrieval-Augmented Generation(リトリーバル・オーグメンテッド・ジェネレーション)の頭文字で、日本語では「検索拡張生成」と訳されます。総務省・経済産業省のAI事業者ガイドラインも「RAG(検索拡張生成)」と表記しています。
RAGとファインチューニングはどう使い分ける?
OpenAIの公式ガイドは、知識が足りない・古い・社内にしかない、という問題にはRAGなどの文脈の工夫を、出力の形式や口調がそろわない、という問題にはファインチューニングを当てると整理しています。まずはプロンプトの工夫から始め、それで足りない部分にRAGやファインチューニングを足すのが基本で、両方を組み合わせることもできます。
RAGを使えばハルシネーションはなくなる?
なくなりはしません。AI事業者ガイドラインは、RAGの活用でハルシネーションの抑制や根拠の透明性向上が期待されるとしていますが、検索で見つかった資料がまちがっていたり、必要な部分が検索で拾えなかったりすると、答えもまちがいます。出典を開いて確かめる手間は残ります。
まとめ|RAGは「調べてから答える」AIのしくみ
RAG(ラグ・検索拡張生成)は、AIが答える前に資料を検索し、見つかった部分を手がかりに答えるしくみです。AIそのものを作り直さずに、新しい情報や社内の情報で答えさせ、出典を示せるのが強みです。
使い分けの目安は、「何を知っているか」はRAG、「どうふるまうか」はファインチューニング、そしてまずはプロンプトの工夫から。資料が少なければ丸ごと渡すほうが手軽です。一方で、資料の質や検索のもれ、権限の管理しだいで答えはずれるので、出典は自分で開いて確かめる習慣を持ちましょう。生成AIの全体像は生成AIとは?、ChatGPT・Claude・Geminiの違いはChatGPT・Claude・Geminiの違いを比較から読むと、つながりがわかりやすくなります。
※本記事は、研究論文・総務省・経済産業省の公表資料と、各社の公式情報を要約・整理した一般的な情報です(基準日:2026年11月時点)。検証の数値(取りこぼしの割合など)は各社が公表した条件での結果で、すべての資料・システムで同じ効果が出ることを示すものではありません。サービスの機能・対象プランは変更されることがあるため、ご利用前に公式サイトで最新の内容をご確認ください。
出典・参考資料
- Patrick Lewis ほか「Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks」(arXiv:2005.11401・2020年5月22日投稿、NeurIPS 2020採択)
- AWS「What is RAG (Retrieval-Augmented Generation)?」
- OpenAI「Optimizing LLM Accuracy」(OpenAI API ドキュメント)
- Anthropic「Introducing Contextual Retrieval」(2024年9月19日)
- Anthropic「Retrieval Augmented Generation (RAG) for Projects」(Claude ヘルプセンター)
- Google「Gemini Notebook の詳細」(NotebookLM ヘルプ)
- 総務省「AI事業者ガイドライン」(第1.2版 本編 PDF・令和8年3月31日 総務省・経済産業省)



