RAG = 「AIに自社のデータを読ませてから回答させる」仕組みです。 ChatGPTやClaudeは一般知識しか持っていません。RAGを使えば、自社のマニュアル・FAQ・契約書の内容に基づいて正確に回答できるようになります。
RAGの仕組み（図解）
ユーザーの質問
↓
① 質問をベクトル化
↓
② ベクトルDBから類似文書を検索
↓
③ 検索結果 + 質問をAIに渡す
↓
④ AIが文書に基づいて回答を生成- 質問のベクトル化 — ユーザーの質問を数値ベクトルに変換（意味を数値化するイメージ）
- 類似文書の検索 — あらかじめベクトル化しておいた社内文書から、質問に関連するものを検索
- プロンプト生成 — 検索で見つかった文書を「参考資料」としてAIに渡す
- 回答生成 — AIが参考資料に基づいて回答。根拠のない回答を減らせる
RAGで何ができるか
社内FAQ自動回答
「有給の申請方法は？」→ 社内規定から該当箇所を引用して回答
マニュアル検索
「この機械のメンテナンス手順は？」→ 操作マニュアルから手順を抽出
契約書の質問回答
「この契約の解約条件は？」→ 契約書の該当条項を引用して回答
カスタマーサポート
過去の対応履歴から類似ケースを検索し、回答案を自動生成
RAG vs 丸ごと入力
Claudeは100万トークン（約150万文字）のコンテキストを持つため、文書量が少ない場合はRAGを使わず丸ごと入力する方法もあります。
| RAG | 丸ごと入力 | |
|---|---|---|
| 文書量 | 無制限 | 100万トークンまで |
| 構築コスト | 中〜高 | 低い |
| 精度 | 検索精度に依存 | 全文を読むので高い |
| レスポンス | 速い | 文書量が多いと遅い |
| 向いている | 大量の社内文書 | 100ページ以下のマニュアル |
まず「丸ごと入力」で試し、文書量が増えてきたらRAGに移行するのがおすすめです。 最初から複雑な構成にする必要はありません。
費用感
| 構成 | 初期費用 | 月額費用 |
|---|---|---|
| 丸ごと入力（簡易版） | 10〜30万円 | API費用のみ（数千円） |
| RAG（ベクトルDB利用） | 30〜100万円 | 月1〜5万円 |
| RAG + UI + 権限管理 | 80〜200万円 | 月3〜10万円 |
注意: 費用はあくまで目安です。プロジェクトの要件・規模によって変動します。
まとめ
- RAGは「AIに自社データを読ませてから回答させる」仕組み
- 社内FAQ、マニュアル検索、カスタマーサポートに効果的
- 文書量が少なければ「丸ごと入力」から始めるのが現実的
- 費用は簡易版なら**10万円〜**で構築可能
JIT株式会社
JIT株式会社では、RAGシステムの設計・構築から、Claude / GPT / Gemini の最適なモデル選定まで対応しています。