RAG（検索拡張生成）とは？生成AI・検索・ファインチューニングとの違いを解説

社内AIや検索サービスの説明で「RAG対応」と書かれていても、普通の生成AIと何が違うのか分かりにくいことがあります。RAGは、回答を作る前に外部資料を探す仕組みです。

30秒で説明

RAGは Retrieval-Augmented Generation の略で、日本語では「検索拡張生成」などと訳されます。質問に関係する文書を検索し、その抜粋を生成AIへ渡して回答を作らせます。

新しい社内文書や専門資料を参照しやすく、出典を示せる利点があります。ただし、検索結果が不適切なら回答も誤るため、「RAGなら正しい」とは限りません。

3分で詳しく

RAGの基本的な流れは次のとおりです。

文書を小さな単位に分け、検索できる形で保存する
利用者の質問に近い文書を探す
見つけた文書と質問を生成AIへ渡す
生成AIが資料を踏まえて回答する
必要に応じて出典や該当箇所を表示する

検索にはキーワード検索や、意味の近さを数値で表すベクトル検索などが使われます。複数の方式を組み合わせる場合もあります。

なぜ使われるのか

LLMが学習した時点より新しい情報や、一般公開されていない社内情報は、モデルだけでは答えられません。RAGなら、モデル自体を毎回学習し直さずに、指定した資料を回答の文脈へ加えられます。

AIエージェントが調査や業務を行う際に、RAGで関連資料を探してから判断する構成もあります。ただし、RAGとAIエージェントは同じものではありません。

通常検索・ファインチューニングとの違い

方式	主な目的	情報の更新	回答の作り方
通常検索	関連するページや文書を並べる	検索対象の更新を反映	原則として利用者が資料を読む
RAG	検索結果を根拠に文章で回答する	検索対象を更新すれば反映しやすい	LLMが資料を使って生成する
ファインチューニング	モデルの振る舞いや出力傾向を調整する	再学習が必要	調整済みモデルが生成する
長いコンテキスト	多くの資料を一度にモデルへ渡す	渡した内容に依存	全入力からモデルが生成する

AI検索は、Web検索などの結果を基に回答をまとめる利用者向けサービスを含む広い呼び方です。RAGは、その内部で使われる構成の一つになり得ますが、両者は同義ではありません。

RAGとファインチューニングは排他的ではなく、目的に応じて組み合わせられます。

具体例

就業規則から休暇制度を探して回答する社内AI
製品マニュアルを参照する問い合わせ支援
研究論文を検索し、関連箇所とともに要約するツール
最新の商品情報を検索して比較を補助するサービス

これらも、検索範囲、更新頻度、アクセス権限、回答後の確認方法によって品質が変わります。

よくある誤解

「RAGなら幻覚がなくなる」？

なくなるとは限りません。無関係な文書を取得したり、資料にない内容をモデルが補ったり、正しい資料を読み違えたりする可能性があります。

「検索結果をそのまま表示するだけ」？

検索した資料を材料に、生成AIが回答を組み立てます。そのため、元資料と生成された説明を区別して確認する必要があります。

「モデルに社内情報を学習させる」？

一般的なRAGでは、質問の都度、検索結果を入力へ加えます。モデルの重みへ社内情報を書き込むファインチューニングとは異なります。

注意点

検索対象へ古い文書や誤った文書が混ざっていないか確認する
利用者が閲覧できない機密資料を検索結果へ出さない
出典を表示し、重要な判断は原文まで確認する
文書の分割方法や検索精度を評価する
回答の自然さだけでなく、根拠への忠実さをテストする

RAGは情報への入口を改善する技術であり、資料の品質管理や最終判断を自動的に代行するものではありません。

どんな人が知っておくと役立つ？

社内検索や問い合わせAIを導入する人、生成AIの回答に出典を付けたい人、AIがどの情報を根拠にしたか確認したい利用者に役立ちます。

よくある質問

RAGはインターネット検索と同じですか？

検索対象はインターネットに限りません。社内文書、製品データベース、論文集など、指定した資料だけを対象にできます。

PDFを入れればすぐ高精度になりますか？

PDFの文字抽出、表の扱い、分割方法、検索設定によって結果が変わります。登録しただけで精度が保証されるわけではありません。

出典が付いていれば信用できますか？

出典リンクが正しくても、引用箇所と回答が一致しているか確認が必要です。重要な用途では原文を読み、人間が判断してください。

ひとことで振り返る

RAGは、外部資料を検索してから生成AIに回答させる仕組みです。正確さを高める助けになりますが、検索・資料・生成の各段階に確認が必要です。

参考資料

Patrick Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, 発行日: 2020年5月22日, 対象: RAGの原提案・基本構成, 確認日: 2026年9月22日
Google Cloud, Retrieval-augmented generation（RAG）とは, 更新日: ページ記載なし（現行公式解説）, 対象: 定義・検索と生成の流れ・用途, 確認日: 2026年9月22日
Amazon Web Services, What is Retrieval-Augmented Generation?, 更新日: ページ記載なし（現行公式解説）, 対象: 外部知識・利点・限界, 確認日: 2026年9月22日
Microsoft Learn, RAG solution design and evaluation guide, 更新日: ページ記載なし（現行公式文書）, 対象: 取り込み・検索・生成・評価の設計, 確認日: 2026年9月22日
Microsoft Learn, Retrieval-augmented generation concepts, 更新日: ページ記載なし（現行公式文書）, 対象: 標準RAG・エージェント型検索・グラウンディング, 確認日: 2026年9月22日